深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 3218 篇文献，本页显示第 1621 - 1640 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1621 | 2025-05-04 |
Advanced hybrid deep learning model for enhanced evaluation of osteosarcoma histopathology images
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1555907
PMID:40313555
|
研究论文 | 提出了一种结合CNN和ViT的混合深度学习模型，用于提高骨肉瘤组织病理学图像的诊断准确性 | 首次成功使用TCIA数据集进行四分类（非肿瘤、非存活肿瘤、存活肿瘤和非存活比率），并在骨肉瘤研究中设定了新的基准 | 未提及模型在其他数据集上的泛化能力或临床实际应用的验证 | 提高骨肉瘤的早期和准确检测，以改善患者预后并降低死亡率 | 骨肉瘤（OS）的组织病理学图像 | 数字病理学 | 骨肉瘤 | H&E染色组织病理学图像分析 | CNN和ViT混合模型 | 图像 | 使用Cancer Imaging Archive (TCIA)数据集，具体样本数量未提及 | NA | NA | NA | NA |
| 1622 | 2025-05-04 |
Research advancements in the Use of artificial intelligence for prenatal diagnosis of neural tube defects
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1514447
PMID:40313675
|
review | 本文综述了人工智能在产前神经管缺陷诊断中的应用及其进展 | 展示了AI技术在产前超声影像中早期检测、预测和评估神经管缺陷的高效性，包括CNN和SVM等技术的应用，以及AI与基因组分析的结合 | 未提及具体研究中可能存在的样本偏差或技术局限性 | 探讨AI在产前神经管缺陷诊断中的应用及其效果 | 产前超声影像、遗传数据和孕产妇健康记录 | digital pathology | neural tube defects | prenatal ultrasound imaging, genomic analysis | CNN, SVM, Oct-U-Net, PAICS, logistic regression | image, genetic data, health records | NA | NA | NA | NA | NA |
| 1623 | 2025-05-04 |
Decentralized EEG-based detection of major depressive disorder via transformer architectures and split learning
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1569828
PMID:40313734
|
研究论文 | 该研究通过结合机器学习、深度学习和分割学习的方法，利用EEG信号对重度抑郁症（MDD）患者和健康个体进行分类 | 采用分割学习框架解决数据隐私和计算资源问题，结合Transformer和随机森林模型实现高精度分类 | 研究仅在三台客户端上实施分割学习框架，可能限制了模型的泛化能力 | 开发一种可靠、自动化的重度抑郁症检测方法 | 重度抑郁症患者和健康个体的EEG信号 | 机器学习 | 重度抑郁症 | EEG信号分析 | Transformer, Random Forest, Support Vector Machine, Gradient Boosting, Autoencoders | EEG信号 | NA | NA | NA | NA | NA |
| 1624 | 2025-05-04 |
Primer on machine learning applications in brain immunology
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1554010
PMID:40313869
|
综述 | 本文回顾了单细胞和空间技术在脑免疫学中的应用，以及机器学习方法在数据分析中的进展 | 探讨了机器学习特别是深度学习方法如自编码器和图神经网络在单细胞组学数据分析中的新应用 | 主要面向湿实验室生物学家，可能缺乏对计算方法的深入技术细节 | 总结单细胞组学在脑免疫学研究中的最新进展及其与人工智能的结合 | 脑免疫学中的单细胞和空间组学数据 | 机器学习 | 脑恶性肿瘤和神经退行性疾病 | 单细胞组学和空间组学技术 | 自编码器、图神经网络 | 单细胞和空间组学数据 | NA | NA | NA | NA | NA |
| 1625 | 2025-05-04 |
Radiomics-driven neuro-fuzzy framework for rule generation to enhance explainability in MRI-based brain tumor segmentation
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1550432
PMID:40313917
|
研究论文 | 提出了一种结合3D U-Net和放射组学特征的混合AI框架，用于MRI脑肿瘤分割并生成可解释的决策规则 | 将深度学习模型与自适应神经模糊推理系统(ANFIS)相结合，提高了模型的可解释性 | 实验仅限于小规模的高影响力放射组学特征集 | 提高MRI脑肿瘤分割的可解释性以促进临床应用 | 脑肿瘤MRI图像 | 数字病理学 | 脑肿瘤 | MRI, 放射组学特征提取 | 3D U-Net, ANFIS | MRI图像 | BraTS2020数据集 | NA | NA | NA | NA |
| 1626 | 2025-05-03 |
Hybrid data augmentation strategies for robust deep learning classification of corneal topographic maptopographic map
2025-Jan-30, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/adabea
PMID:39832385
|
research paper | 本研究探讨了不同数据增强策略对定制卷积神经网络模型在角膜地形图分类中性能的影响，并提出了一种混合数据增强方法 | 提出了一种结合传统变换、生成对抗网络和特定生成模型的混合数据增强方法，显著提高了模型准确率并缓解了过拟合问题 | 未提及具体的数据集规模和多样性限制 | 提高角膜地形图分类的深度学习模型性能 | 角膜地形图 | digital pathology | NA | generative adversarial networks, specific generative models | CNN | image | NA | NA | NA | NA | NA |
| 1627 | 2025-05-03 |
GMmorph: dynamic spatial matching registration model for 3D medical image based on gated Mamba
2025-Jan-29, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adaacd
PMID:39813811
|
研究论文 | 提出了一种基于门控Mamba的动态空间匹配配准模型GMmorph，用于3D医学图像的非线性对齐 | 从空间匹配的角度提出了一种双分支交互配准模型架构，引入了动态匹配模块和门控mamba层，以平衡高精度和低折叠率 | 未提及模型在处理极端异常组织时的表现 | 克服深度学习配准方法在复杂位移和全局局部特征交互方面的不足，提高配准精度和鲁棒性 | 单模态和多模态医学图像（包括正常脑部、脑肿瘤和肺部图像） | 数字病理 | 脑肿瘤、肺部疾病 | 深度学习 | GMmorph（基于门控Mamba的双分支模型） | 3D医学图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 1628 | 2025-05-03 |
PPDock: Pocket Prediction-Based Protein-Ligand Blind Docking
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01373
PMID:39814581
|
研究论文 | 提出了一种基于口袋预测的蛋白质-配体盲对接方法PPDock，通过两阶段对接范式显著提高了对接准确性和效率 | 采用两阶段对接范式（口袋预测后进行基于口袋的对接），克服了传统方法难以识别正确口袋的问题 | 未明确说明方法在超大规模蛋白质复合体上的适用性 | 提升蛋白质-配体盲对接的准确性和效率以促进药物发现 | 蛋白质结合位点（口袋）与配体的对接构象 | 计算生物学 | NA | 深度学习 | PPDock（新型盲对接架构） | 蛋白质结构数据 | 基准测试数据集（未明确数量） | NA | NA | NA | NA |
| 1629 | 2025-05-03 |
ds-FCRN: three-dimensional dual-stream fully convolutional residual networks and transformer-based global-local feature learning for brain age prediction
2025-Jan-18, Brain structure & function
IF:2.7Q3
DOI:10.1007/s00429-024-02889-y
PMID:39826018
|
研究论文 | 本研究开发了一种结合3D双流全卷积残差网络和Transformer的深度学习模型，用于基于灰质密度图的脑年龄预测 | 提出创新的3D双流全卷积残差网络(ds-FCRN)结合Transformer的全局-局部特征学习范式，并使用Shapley值解释不同脑区对预测精度的影响 | 研究仅基于健康参与者数据，未考虑疾病状态对脑年龄预测的影响 | 开发具有高预测准确性和可解释性的脑年龄预测深度学习模型 | 来自UKB数据库的16,377名45-82岁健康参与者的灰质密度图 | 数字病理学 | 老年疾病 | T1 MRI | 3D ds-FCRN + Transformer | 医学影像 | 16,377名健康参与者(训练集) + 3,276名健康参与者(测试集) | NA | NA | NA | NA |
| 1630 | 2025-05-03 |
Explainable Predictive Model for Suicidal Ideation During COVID-19: Social Media Discourse Study
2025-Jan-17, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/65434
PMID:39823631
|
研究论文 | 该研究利用自然语言处理技术分析社交媒体文本，开发可解释的自杀意念预测模型 | 提出混合深度学习网络架构(BERT+CNN+LSTM)并结合可解释AI技术分析COVID-19期间自杀意念特征变化 | 研究样本中自杀相关帖子比例较低(0.9%)，可能影响模型泛化能力 | 检测COVID-19疫情期间社交媒体中表现的自杀意念并分析其影响因素 | 社交媒体用户发布的文本内容 | 自然语言处理 | 心理健康疾病 | TF-IDF, Word2vec, BERT, LIME, SHAP | BERT+CNN+LSTM混合模型 | 文本 | 从348,110条记录中筛选3,154条(1,338条自杀相关，1,816条非自杀相关) | NA | NA | NA | NA |
| 1631 | 2025-05-03 |
Preparing physiotherapists for the future: the development and evaluation of an innovative curriculum
2025-Jan-17, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-024-06537-1
PMID:39825299
|
研究论文 | 本研究评估了荷兰HAN应用科学大学物理治疗系设计的创新课程PACE的实施情况 | PACE课程采用基于预设学习成果、个性化学习目标、灵活学习路径和程序化评估的综合学习方法，区别于传统教育 | 需要改进自主学习支持和促进深度学习的教学策略 | 评估创新课程PACE的实施效果，为未来课程开发提供信息 | 2021-2022年度的本科物理治疗学生和参与该课程的教师 | 教育创新 | NA | 混合方法设计，包括问卷、焦点小组、深度访谈和全国进度测试 | NA | 问卷数据、访谈数据和测试成绩 | 82名一年级学生和36名教师 | NA | NA | NA | NA |
| 1632 | 2025-05-03 |
TopoQual polishes circular consensus sequencing data and accurately predicts quality scores
2025-Jan-16, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-06020-0
PMID:39815230
|
research paper | 介绍了一种名为TopoQual的新工具，旨在提高PacBio HiFi测序数据的碱基质量预测准确性 | TopoQual利用部分顺序比对（POA）、拓扑平行碱基和深度学习算法来优化共识序列，显著提高了碱基质量预测的准确性 | 目前的研究主要集中在PacBio HiFi测序数据上，对于其他测序技术的适用性尚未验证 | 提高PacBio HiFi测序数据在体细胞变异检测中的碱基质量预测准确性 | PacBio HiFi测序数据 | genomics | NA | circular consensus sequencing (CCS), high fidelity (HiFi) technology, partial order alignments (POA), deep learning | deep learning algorithms | sequencing data | NA | NA | NA | NA | NA |
| 1633 | 2025-05-03 |
Causality-driven candidate identification for reliable DNA methylation biomarker discovery
2025-Jan-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56054-y
PMID:39814752
|
研究论文 | 提出了一种基于因果驱动的深度正则化框架，用于可靠地识别DNA甲基化生物标志物候选 | 结合因果思维、深度学习和生物先验知识，通过对比方案和空间关系正则化处理非因果混杂因素 | 未明确提及具体局限性 | 提高DNA甲基化生物标志物发现的可靠性，减少资源浪费 | DNA甲基化生物标志物候选 | 生物信息学 | 多种人类疾病 | DNA甲基化测序 | 深度学习 | DNA甲基化数据 | 涉及多种人类疾病、样本来源和测序技术的模拟和应用 | NA | NA | NA | NA |
| 1634 | 2025-05-03 |
Fast and accurate deep learning scans for signatures of natural selection in genomes using FASTER-NN
2025-Jan-15, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-025-07480-7
PMID:39814854
|
research paper | 介绍了一种名为FASTER-NN的深度学习模型，用于在基因组中快速准确地检测自然选择的特征 | FASTER-NN通过扩张卷积处理等位基因频率和基因组位置，提高了检测自然选择的敏感性，且执行时间不受样本大小和染色体长度的影响 | 未提及具体的局限性 | 开发一种能够精确检测自然选择特征的深度学习分类器 | 基因组中的自然选择特征 | machine learning | NA | CNN | FASTER-NN | genomic data | NA | NA | NA | NA | NA |
| 1635 | 2025-05-03 |
Signatures of H3K4me3 modification predict cancer immunotherapy response and identify a new immune checkpoint-SLAMF9
2025-Jan-15, Respiratory research
IF:4.7Q1
DOI:10.1186/s12931-024-03093-6
PMID:39815269
|
研究论文 | 本研究通过分析H3K4me3修饰模式，构建了一个预测癌症免疫治疗反应的风险评分系统，并发现SLAMF9在免疫抑制和免疫治疗抵抗中的作用 | 首次构建了基于H3K4me3修饰模式的风险评分系统（H3K4me3-RS），并发现SLAMF9作为新的免疫检查点基因 | 研究主要基于生物信息学分析，实验验证部分仅限于小鼠黑色素瘤模型 | 探索H3K4me3修饰与抗肿瘤免疫之间的调控关系，并开发预测免疫治疗反应的生物标志物系统 | 肺癌腺癌（LUAD）患者和多种癌症类型的样本 | 癌症免疫学 | 肺癌 | RNA-seq, 深度学习分析 | PCA, 深度学习模型 | 基因表达数据 | 12,159个癌症样本（来自26种癌症类型）和725个癌症样本（来自5个免疫治疗队列） | NA | NA | NA | NA |
| 1636 | 2025-05-03 |
Optimizing pain management in breast cancer care: Utilizing 'All of Us' data and deep learning to identify patients at elevated risk for chronic pain
2025-Jan, Journal of nursing scholarship : an official publication of Sigma Theta Tau International Honor Society of Nursing
IF:2.4Q1
DOI:10.1111/jnu.13009
PMID:39056443
|
研究论文 | 本研究利用深度学习方法和'All of Us'数据开发了一个预测模型，用于识别乳腺癌患者中慢性疼痛高风险人群 | 创新点在于结合时间序列和静态数据，使用基于Transformer的时间序列分类器进行预测 | NA | 开发预测模型以识别乳腺癌患者中慢性疼痛高风险人群 | 乳腺癌患者 | 机器学习 | 乳腺癌 | 深度学习 | Transformer-based time-series classifier | 人口统计、诊断和社会调查数据 | 1131名患者 | NA | NA | NA | NA |
| 1637 | 2025-05-03 |
An ensemble deep learning framework for energy demand forecasting using genetic algorithm-based feature selection
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0310465
PMID:39813218
|
研究论文 | 提出了一种集成深度学习方法，结合遗传算法进行特征选择，用于能源需求预测 | 集成遗传算法与多种预测模型（LSTM、BiLSTM、GRU）进行特征选择，并使用堆叠集成技术结合预测结果 | 未提及模型在实际应用中的泛化能力或在不同地理区域的适用性 | 提高能源需求预测的准确性和鲁棒性 | 历史能源消耗数据、天气变量和时间特征 | 机器学习 | NA | 遗传算法、深度学习 | LSTM、BiLSTM、GRU、集成学习 | 时间序列数据 | 数据集被分为工作日和周末子集，进行了十次模拟 | NA | NA | NA | NA |
| 1638 | 2025-05-03 |
Dynamics and triggers of misinformation on vaccines
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316258
PMID:39813203
|
research paper | 该研究分析了2016至2021年间意大利社交媒体上关于疫苗的辩论，探讨了虚假信息的动态和触发因素 | 揭示了虚假信息不仅是新闻生态系统的寄生虫，而且是一种能够压倒主流媒体疫苗相关内容生产的自主力量 | 研究仅关注意大利的社交媒体平台，可能无法完全代表其他地区的情况 | 探讨疫苗相关虚假信息的动态和触发因素，以及其对公众参与的影响 | 意大利社交媒体平台（Facebook、Instagram、Twitter、YouTube）上的疫苗辩论内容 | natural language processing | NA | symbolic transfer entropy analysis, deep learning models | deep learning | text | 6年（2016-2021）的意大利社交媒体数据 | NA | NA | NA | NA |
| 1639 | 2025-05-03 |
A framework for assessing reliability of observer annotations of aerial wildlife imagery, with insights for deep learning applications
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316832
PMID:39813190
|
研究论文 | 提出一个评估空中野生动物图像观察者标注可靠性的框架，并探讨其对深度学习应用的影响 | 通过聚类多个观察者的标注并选择模式分类，计算个体观察者与聚合标注集之间的一致性指标，评估标注可靠性 | 样本量有限，可能影响结果的普遍性 | 评估空中野生动物图像观察者标注的可靠性，以提高深度学习模型的训练数据质量 | 新墨西哥州迁徙水禽的无人机图像 | 计算机视觉 | NA | NA | 深度学习 | 图像 | 12张无人机图像 | NA | NA | NA | NA |
| 1640 | 2025-05-03 |
A novel multi-user collaborative cognitive radio spectrum sensing model: Based on a CNN-LSTM model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316291
PMID:39813223
|
研究论文 | 提出了一种基于CNN-LSTM模型的多用户协作认知无线电频谱感知模型，以提高频谱感知的准确性和效率 | 结合CNN的局部特征提取能力和LSTM处理序列数据的优势，并引入多头自注意力机制，优化了动态复杂环境下的模型适应性和鲁棒性 | NA | 提升多用户协作认知无线电系统中的频谱感知性能 | 认知无线电系统中的多用户协作频谱感知 | 机器学习 | NA | NA | CNN-LSTM | 序列数据 | 不同数量的次级用户（16、24、32、40、48） | NA | NA | NA | NA |