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 3708 篇文献，本页显示第 1641 - 1660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1641 | 2025-10-06 |
Correction: Deep learning radiomics based on multimodal imaging for distinguishing benign and malignant breast tumours
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1635819
PMID:40625355
|
correction | 对已发表文章进行修正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1642 | 2025-10-06 |
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs
2025-Jan, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103373
PMID:39454312
|
研究论文 | 提出一种基于拓扑引导的深度卷积网络TopoTxR，用于DCE-MRI图像中乳腺实质结构的学习和预测 | 首次将多尺度拓扑结构显式提取并融入深度学习模型，通过注意力机制增强对乳腺细微结构的量化能力 | 研究样本量相对有限，需要在更大规模数据集上进一步验证 | 改进DCE-MRI中乳腺实质结构的表征能力，并预测新辅助化疗的治疗反应 | 乳腺实质组织，特别是纤维腺体组织 | 计算机视觉 | 乳腺癌 | 动态对比增强磁共振成像(DCE-MRI) | CNN | 医学图像 | I-SPY 1数据集161例患者(47例pCR，114例非pCR)，Rutgers专有数据集120例患者(69例pCR，51例非pCR) | NA | 拓扑引导的深度卷积网络 | 准确率，AUC | NA |
| 1643 | 2025-10-06 |
Learning to Learn Transferable Generative Attack for Person Re-Identification
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3558434
PMID:40232916
|
研究论文 | 提出一种元学习优化的生成式对抗攻击方法MTGA，用于提升行人重识别模型对抗样本的跨模型、跨数据集和跨测试迁移能力 | 首次考虑跨测试迁移能力，提出元迁移生成攻击方法，通过扰动随机擦除模块和归一化混合策略增强对抗样本的泛化性 | 未明确说明计算资源需求和对不同行人重识别架构的普适性验证 | 提升对抗攻击在行人重识别任务中的迁移能力，评估模型鲁棒性 | 行人重识别模型 | 计算机视觉 | NA | 元学习，生成式对抗攻击 | 生成模型 | 图像 | NA | NA | MTGA | mAP下降率 | NA |
| 1644 | 2025-10-06 |
Few-shot network intrusion detection method based on multi-domain fusion and cross-attention
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327161
PMID:40601763
|
研究论文 | 提出一种基于多域融合和交叉注意力的小样本网络入侵检测方法 | 结合多域特征融合与双向交叉注意力机制，采用双分支特征提取器捕获空间和频域特征，并引入基于改进Mamba架构的分层特征编码模块 | NA | 解决现实场景中攻击样本有限和域偏移显著导致检测性能下降的问题 | 网络流量数据 | 机器学习 | NA | 二维离散余弦变换(2D-DCT) | 深度学习 | 网络流量序列 | CICIDS2017和CICIDS2018两个基准数据集 | NA | 双分支特征提取器, 双向交叉注意力模块, 改进Mamba架构 | 准确率 | NA |
| 1645 | 2025-10-06 |
Feasibility of real-time artificial intelligence-assisted anatomical structure recognition during endoscopic submucosal dissection
2025, Endoscopy international open
IF:2.2Q2
DOI:10.1055/a-2615-8008
PMID:40611836
|
研究论文 | 评估实时人工智能辅助内镜黏膜下剥离术中解剖结构识别的可行性 | 首次开发用于ESD手术的实时AI解剖结构识别系统，提供术中定向支持 | 概念验证研究，样本量有限，需要进一步研究确认临床效益 | 提高内镜黏膜下剥离术的安全性和手术速度 | 猪模型中的内镜黏膜下剥离手术 | 计算机视觉 | NA | 内镜成像 | 深度学习 | 图像 | 30例ESD手术的1011张内镜静态图像，12例猪模型ESD手术 | NA | NA | Dice系数 | NA |
| 1646 | 2025-10-06 |
Update of machine learning for ultrasound diagnosis of metabolic dysfunction-associated steatotic liver disease: a bright future for deep learning
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.19645
PMID:40611943
|
综述 | 本文综述并分析了机器学习算法在代谢功能障碍相关脂肪性肝病超声诊断中的应用，特别关注深度学习的优势与潜力 | 重点关注深度学习在超声诊断中的图像识别和分类能力，强调AI在该领域的应用前景 | NA | 提高诊断准确性，扩大初级保健中的MASLD筛查，支持早期诊断、预防和治疗 | 代谢功能障碍相关脂肪性肝病(MASLD) | 医学影像分析 | 代谢功能障碍相关脂肪性肝病 | 超声诊断 | 深度学习 | 超声影像 | NA | NA | NA | NA | NA |
| 1647 | 2025-10-06 |
Identification of atrial fibrillation using heart rate variability: a meta-analysis
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1581683
PMID:40612371
|
荟萃分析 | 通过心率变异性识别心房颤动的荟萃分析研究 | 首次系统评估人工智能算法利用心率变异性模式识别心房颤动的诊断性能 | 仅纳入12项诊断研究，样本来源和算法类型存在异质性 | 评估基于心率变异性的人工智能算法在心房颤动识别中的诊断准确性 | 心房颤动患者的心率变异性数据 | 机器学习 | 心血管疾病 | 心率变异性分析 | 深度学习算法 | 心电图数据 | 来自12项诊断研究的汇总数据 | NA | NA | 灵敏度, 特异度, AUC | NA |
| 1648 | 2025-10-06 |
Biologically inspired hybrid model for Alzheimer's disease classification using structural MRI in the ADNI dataset
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1590599
PMID:40612382
|
研究论文 | 提出一种混合CNN-SNN架构，利用ADNI数据集中的结构MRI数据进行阿尔茨海默病阶段分类 | 首次将卷积神经网络与脉冲神经网络结合，通过SNN模拟神经退行性疾病的时间动态特性，即使使用静态sMRI输入 | 研究仅基于ADNI数据集，需要外部验证；模型性能在移除SNN模块时显著下降 | 开发生物启发的计算模型以改进阿尔茨海默病的早期诊断和分期 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常受试者 | 医学影像分析 | 阿尔茨海默病 | 结构MRI | CNN, SNN | 医学影像 | ADNI数据集中的三类受试者（AD、MCI、CN） | NA | 混合CNN-SNN架构，使用泄漏积分发放神经元 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1649 | 2025-10-06 |
Comparing machine learning models with a focus on tone in grooming chat logs
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1591828
PMID:40612489
|
研究论文 | 本研究比较深度学习模型与传统机器学习模型在检测网络聊天室中儿童诱骗对话的效果，并分析诱骗者使用的语气对检测能力的影响 | 首次将大型语言模型LLaMA 3.2 1B应用于儿童诱骗检测，并系统分析不同语气（积极/消极）对检测性能的影响 | 研究仅基于PAN12聊天日志数据集，可能无法涵盖所有类型的诱骗对话模式 | 提高自动检测网络儿童诱骗对话的能力，保护儿童在线安全 | 网络聊天室中的儿童诱骗对话和诱骗者 | 自然语言处理 | NA | 情感分类，深度学习 | SVM, 大型语言模型 | 文本聊天记录 | PAN12聊天日志数据集中的诱骗对话 | NA | DistilBERT, LLaMA 3.2 1B | 精确率, 召回率, F1分数 | NA |
| 1650 | 2025-10-06 |
Transfer deep learning and explainable AI framework for brain tumor and Alzheimer's detection across multiple datasets
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1618550
PMID:40612575
|
研究论文 | 提出一种结合迁移学习和可解释AI的框架，用于跨多个数据集的脑肿瘤和阿尔茨海默病检测 | 将迁移学习与可解释AI技术相结合，采用混合CNN-VGG16模型，并通过SHAP提供模型决策过程的透明视图 | NA | 提高MRI图像分类的准确性，增强医疗领域AI应用的可信度 | 脑肿瘤和阿尔茨海默病的MRI图像 | 计算机视觉 | 脑肿瘤,阿尔茨海默病 | MRI | CNN,VGG16 | 图像 | 三个不同的MRI数据集（脑肿瘤分类、阿尔茨海默病检测和另一个脑肿瘤数据集） | NA | CNN-VGG16混合模型 | 准确率 | NA |
| 1651 | 2025-10-06 |
Corn variety identification based on improved EfficientNet lightweight neural network
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1603073
PMID:40612609
|
研究论文 | 提出改进的EfficientNet轻量级神经网络模型用于玉米果穗品种识别 | 减少EfficientNetB0模型的MBConv模块数量，引入CBAM注意力机制和空洞卷积增强特征提取能力 | 仅针对5个玉米品种进行验证，样本多样性有限 | 实现玉米果穗的智能筛选和品种知识产权保护 | 玉米果穗图像 | 计算机视觉 | NA | 深度学习 | CNN | RGB图像 | 6529张玉米果穗图像，涵盖5个品种 | NA | EfficientNetB0, MBConv, CBAM, SCD_EFTNet | Recall, Precision, mAP, 推理时间 | NA |
| 1652 | 2025-10-06 |
P4CN-YOLOv5s: a passion fruit pests detection method based on lightweight-improved YOLOv5s
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1612642
PMID:40612616
|
研究论文 | 提出基于轻量化改进YOLOv5s的百香果害虫检测方法P4CN-YOLOv5s | 结合PLDIoU损失函数、四个CBAM注意力模块和优化锚框，针对密集小目标检测场景进行专门优化 | 仅针对百香果害虫特定场景验证，未在其他作物害虫检测中测试泛化能力 | 提升自然果园环境中百香果害虫的检测精度和效率 | 百香果害虫图像 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | 6000张百香果害虫图像 | PyTorch | YOLOv5s, CBAM | 准确率, F1分数, 检测时间 | NA |
| 1653 | 2025-10-06 |
Development of intelligent tools to predict neuroblastoma risk stratification and overall prognosis based on multiphase enhanced CT and clinical features
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1573398
PMID:40612805
|
研究论文 | 开发基于多期增强CT和临床特征的深度学习模型，用于神经母细胞瘤风险分层和预后评估 | 首次结合Swin Transformer模型和多期增强CT图像与临床特征进行神经母细胞瘤风险分层和预后预测 | 样本量相对有限（202例患者），需要更大规模数据验证 | 提高神经母细胞瘤风险分层和预后评估的准确性 | 神经母细胞瘤患者 | 计算机视觉 | 神经母细胞瘤 | 多期增强CT成像 | Swin Transformer, 随机生存森林, Cox回归 | CT图像, 临床特征数据 | 202例神经母细胞瘤患者 | NA | Swin Transformer | AUC, 准确率, C-index | NA |
| 1654 | 2025-10-06 |
Toward automated plantar pressure analysis: machine learning-based segmentation and key point detection across multicenter data
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1579072
PMID:40613004
|
研究论文 | 本研究开发了一种基于机器学习的足底压力分析方法，用于解剖区域分割和关键点检测 | 首次探索了足底压力分析中关键点预测，并提出了适用于多中心数据的标准化自动化分析框架 | 在边界模糊区域（如第一跖骨区）性能有限，需要专家审查提升关键病例的准确性 | 开发自动化足底压力分析方法，减少对人工标注的依赖 | 460名受试者（197名女性，263名男性）的758个足底压力样本 | 计算机视觉 | 足部畸形 | 足底压力分析 | CNN, 回归模型 | 足底压力图像 | 758个足底压力样本，来自460名受试者 | NA | U-Net | Dice系数, 欧几里得距离 | NA |
| 1655 | 2025-10-06 |
Research trends in the application of artificial intelligence in nursing of chronic disease: a bibliometric and network visualization study
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1608266
PMID:40613079
|
文献计量学研究 | 通过文献计量学和网络可视化方法分析人工智能在慢性病护理领域的研究现状、热点主题和未来趋势 | 首次系统性地运用文献计量学方法对人工智能在慢性病护理领域的应用研究进行全面分析，识别研究热点和未来发展方向 | 仅基于Web of Science数据库的文献，可能遗漏其他数据库的重要研究；分析结果受限于所选文献计量工具的功能 | 探索人工智能在慢性病护理领域的应用现状、研究热点和未来前景 | 2001-2023年间Web of Science核心合集中关于人工智能与慢性病护理的相关文献 | 文献计量学 | 慢性疾病 | 文献计量分析，网络可视化 | NA | 文献数据 | 2438篇文献 | CiteSpace, VOSviewer | NA | NA | NA |
| 1656 | 2025-10-06 |
Neural decoding of Aristotle tactile illusion using deep learning-based fMRI classification
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1606801
PMID:40613086
|
研究论文 | 本研究使用基于深度学习的fMRI分类方法解码亚里士多德触觉错觉的神经机制 | 首次将深度学习CNN模型应用于fMRI数据来研究亚里士多德触觉错觉，并通过Grad-CAM分析识别关键脑区 | 刺激分类任务准确率仅约50%，无法有效区分三种触觉刺激类型 | 识别参与亚里士多德触觉错觉的脑区 | 30名参与者的fMRI数据和触觉感知记录 | 机器学习 | NA | 功能磁共振成像 | CNN | fMRI图像数据 | 30名参与者 | NA | 简单全卷积网络 | 准确率 | NA |
| 1657 | 2025-10-06 |
SiamTITP: Incorporating Temporal Information and Trajectory Prediction Siamese Network for Satellite Video Object Tracking
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3573527
PMID:40560699
|
研究论文 | 提出一种结合时间信息和轨迹预测的孪生网络SiamTITP，用于卫星视频目标跟踪 | 开发了动态更新模板的时间信息子模块和基于多项式函数拟合的轨迹预测子模块，无需特征融合和加权结果即可处理遮挡问题 | 未明确说明计算复杂度或实时性能限制 | 解决卫星视频目标跟踪中特征区分度不足、遮挡处理复杂和超参数过多的问题 | 卫星视频中的运动目标 | 计算机视觉 | NA | 卫星视频分析 | Siamese network | 卫星视频 | 三个大型卫星视频数据集（SatSOT、SV248S和OOTB） | NA | SiamTITP | NA | NA |
| 1658 | 2025-10-06 |
A Wavelet-Guided Deep Unfolding Network for Single Image Reflection Removal
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3581418
PMID:40569799
|
研究论文 | 提出一种基于小波引导的深度展开网络WDUNet，用于单图像反射去除 | 首次将离散小波变换与深度展开技术结合用于反射去除，通过频域分析区分反射伪影与传输内容 | 在反射与传输内容视觉相似度极高的复杂场景中仍存在挑战 | 解决单图像反射去除问题，提升图像质量 | 包含反射干扰的单一图像 | 计算机视觉 | NA | 离散小波变换 | 深度展开网络 | 图像 | 四个基准数据集 | NA | WDUNet, LPEM, HPEM | 客观评价指标, 主观视觉质量 | NA |
| 1659 | 2025-10-06 |
MRI based early Temporal Lobe Epilepsy detection using DGWO based optimized HAETN and Fuzzy-AAL Segmentation Framework (FASF)
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325126
PMID:40601647
|
研究论文 | 提出一种结合模糊AAL分割框架和混合注意力增强Transformer网络的早期颞叶癫痫检测方法 | 提出新型混合注意力增强Transformer网络(HAETN)，结合模糊可能性C均值算法的FASF分割框架，以及采用Dipper灰狼优化算法的特征选择方法 | NA | 通过开发先进深度学习技术促进颞叶癫痫的早期准确诊断 | 颞叶癫痫患者 | 医学影像分析 | 颞叶癫痫 | MRI | Transformer | MRI图像 | 颞叶癫痫-UNAM MRI数据集 | NA | Hybrid Attention-Enhanced Transformer Network (HAETN) | 准确率, 敏感度, F1分数 | NA |
| 1660 | 2025-10-06 |
Enhancing IDS for the IoMT based on advanced features selection and deep learning methods to increase the model trustworthiness
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327137
PMID:40601650
|
研究论文 | 提出一种基于高级特征选择和深度学习的IoMT入侵检测系统模型，以提高检测性能和模型可信度 | 并行使用信息增益和递归特征消除进行特征选择，结合深度自编码器降维，在资源受限的IoMT环境中实现高效入侵检测 | 仅在特定数据集(WUSTL-EHMS-2020和CICIDS2017)上进行验证，未提及其他IoMT环境下的泛化能力 | 开发高效的入侵检测系统以增强IoMT环境的安全性 | IoMT网络流量数据 | 机器学习 | NA | 特征选择技术 | 深度自编码器,深度神经网络 | 网络流量数据 | WUSTL-EHMS-2020和CICIDS2017数据集 | NA | 深度自编码器,深度神经网络 | 准确率,精确率,召回率,F1分数 | NA |