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 3544 篇文献，本页显示第 1701 - 1720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1701 | 2025-05-31 |
Automatic collateral quantification in acute ischemic stroke using U2-net
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1502382
PMID:40421138
|
research paper | 利用U2-Net深度学习框架自动量化急性缺血性卒中（AIS）中的侧支循环，并与传统视觉侧支评分（vCS）进行比较 | 首次使用U2-Net深度学习框架进行AIS侧支循环的自动量化，并提出了定量侧支评分（qCS） | 样本量相对较小（118例AIS病例），且仅基于CTA图像 | 开发一种自动量化AIS侧支循环的方法，以提高诊断准确性和治疗决策 | 急性缺血性卒中（AIS）患者的CTA图像 | digital pathology | cardiovascular disease | computed tomography angiography (CTA) | U2-Net | image | 118例AIS病例（94例用于开发，24例用于测试） | NA | NA | NA | NA |
| 1702 | 2025-05-31 |
Hybrid deep learning for IoT-based health monitoring with physiological event extraction
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251337848
PMID:40421178
|
research paper | 提出一种混合深度学习模型，结合CNN和LSTM，用于基于IoT的健康监测与生理事件提取 | 结合CNN和LSTM处理时空数据，引入生理事件提取(PEE)提升特征可解释性，使用集成技术和在线学习算法优化异常检测 | 未提及具体疾病类型的验证范围和实际临床部署的挑战 | 提升IoT医疗数据处理链的准确性和实时性 | 医疗图像和可穿戴传感器数据 | machine learning | NA | Physiological Event Extraction (PEE), Isolation Forest, One-Class SVM, Incremental Gradient Descent with Momentums | CNN, LSTM | medical images, wearable sensor data | NA | NA | NA | NA | NA |
| 1703 | 2025-05-31 |
Radiomics Analysis on Computed Tomography Images for Prediction of Chemoradiation-induced Heart Failure in Breast Cancer by Machine Learning Models
2025, Journal of medical signals and sensors
DOI:10.4103/jmss.jmss_51_24
PMID:40421235
|
研究论文 | 通过机器学习模型分析CT图像的放射组学特征，预测乳腺癌患者放化疗后心力衰竭的风险 | 结合放射组学、剂量学和临床特征，利用机器学习模型预测放化疗诱导的心力衰竭 | 样本量较小（54例患者），且仅针对左侧放化疗的乳腺癌患者 | 评估临床、剂量学和放射组学特征在预测乳腺癌患者放化疗后心力衰竭概率中的有效性 | 接受左侧放化疗且自然心力衰竭风险低的乳腺癌患者 | 数字病理 | 乳腺癌 | CT扫描、深度学习、机器学习 | 决策树、K近邻、随机森林（RF） | 图像 | 54例乳腺癌患者 | NA | NA | NA | NA |
| 1704 | 2025-05-31 |
Advancements in Hematologic Malignancy Detection: A Comprehensive Survey of Methodologies and Emerging Trends
2025, TheScientificWorldJournal
DOI:10.1155/tswj/1671766
PMID:40421320
|
综述 | 本文系统性地回顾了基于图像分析的血液癌症检测的最新技术，旨在识别最有效的计算策略并突出新兴趋势 | 对传统机器学习、深度学习和混合学习方法进行了分类和比较，并提出了未来研究方向 | 数据稀缺、类别不平衡以及临床环境中的泛化性问题 | 评估和比较血液癌症检测中的计算方法，并提出未来研究方向 | 白血病、淋巴瘤和多发性骨髓瘤等血液恶性肿瘤 | 数字病理学 | 血液恶性肿瘤 | 图像分析 | CNN（如AlexNet、VGG、ResNet）、基于Transformer的模型、支持向量机、随机森林 | 图像 | 基准数据集 | NA | NA | NA | NA |
| 1705 | 2025-05-31 |
Artificial intelligence based advancements in nanomedicine for brain disorder management: an updated narrative review
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1599340
PMID:40432717
|
review | 本文概述了人工智能在纳米医学领域的最新进展，特别是在脑部疾病管理中的应用 | 利用AI技术（如机器学习和深度学习）改进纳米医学在脑部疾病诊断、生物标志物识别、预后评估、靶向药物输送和治疗干预等方面的应用 | NA | 探讨人工智能如何加速纳米医学在脑部疾病管理中的有效和快速诊断、生物标志物识别、预后、药物输送和方法学进步 | 脑部疾病，包括脑癌、阿尔茨海默病、帕金森病和多发性硬化症 | machine learning | brain disorder | machine learning, deep learning | NA | clinical datasets | NA | NA | NA | NA | NA |
| 1706 | 2025-05-31 |
Application of deep learning convolutional neural networks to identify gastric squamous cell carcinoma in mice
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1587417
PMID:40432719
|
研究论文 | 本研究应用深度学习卷积神经网络（CNN）建立小鼠胃鳞状细胞癌（GSCC）的检测模型，以提高病理诊断的准确性和一致性 | 首次将五种不同的CNN模型（FCN、LR-ASPP、DeepLabv3+、U-Net和DenseNet）应用于小鼠GSCC的自动检测，并比较了它们的性能 | 研究样本量相对较小（93例GSCC和56例正常组织），且仅针对小鼠模型，未验证在人类样本中的适用性 | 开发基于深度学习的自动检测模型，提高药物非临床安全性评价中GSCC病理诊断的准确性和一致性 | 药物诱导的小鼠胃鳞状细胞癌（GSCC）和正常胃组织 | 数字病理学 | 胃癌 | 深度学习 | CNN（包括FCN、LR-ASPP、DeepLabv3+、U-Net和DenseNet） | 数字病理图像 | 149例（93例GSCC和56例正常组织） | NA | NA | NA | NA |
| 1707 | 2025-05-31 |
Rice disease detection method based on multi-scale dynamic feature fusion
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1543986
PMID:40433155
|
research paper | 提出了一种基于多尺度动态特征融合的水稻病害检测方法，旨在提高复杂农田环境中水稻叶片病害检测的准确性，并便于深度学习模型在移动终端上的部署以实现快速实时推理 | 引入了YOLOv11-MSDFF-RiceD网络，采用ParameterNet概念设计了FlexiC3k2Net模块和高效多尺度特征融合模块（EMFFM），优化了模型的性能并减少了计算复杂度和内存占用 | 在准确率提升方面仅有1.7%的改进，可能在某些高精度要求的场景下表现有限 | 提高水稻叶片病害检测的准确性，并优化模型以适应移动终端的部署 | 水稻叶片病害 | computer vision | plant disease | deep learning | YOLOv11-MSDFF-RiceD | image | NA | NA | NA | NA | NA |
| 1708 | 2025-05-31 |
Integration of smart sensors and phytoremediation for real-time pollution monitoring and ecological restoration in agricultural waste management
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1550302
PMID:40433163
|
研究论文 | 本文提出了一种结合生物地球化学模型和深度学习技术的Bio-DANN模型，用于提高农业废物管理和生态恢复中污染物监测和预测的准确性 | 结合生物地球化学模型和深度学习技术，提出Bio-DANN模型，实时处理多维环境数据，显著提高了污染物监测和生态恢复预测的准确性 | 未提及模型在极端环境条件下的表现或长期稳定性 | 开发一种高精度的污染物监测和生态恢复预测技术，以应对全球气候变化和生态退化问题 | 农业废物管理和生态恢复中的污染物监测与预测 | 环境科学与深度学习 | NA | 深度学习技术，包括DNN和注意力机制 | Bio-DANN（结合生物地球化学模型和深度学习） | 多维环境数据 | 基于Open Soil Data和NEON数据集进行实验 | NA | NA | NA | NA |
| 1709 | 2025-05-31 |
TS-Resformer: a model based on multimodal fusion for the classification of music signals
2025, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2025.1568811
PMID:40433555
|
研究论文 | 提出了一种基于多模态融合的音乐信号分类模型TS-Resformer，用于解决音乐流派分类中的特征提取不足和时间序列信息丢失问题 | 融合残差网络与Transformer编码层的Res-Transformer模型，以及结合不同注意力机制的TS-Resformer模型，设计了时频注意力机制以充分提取音乐的低级特征 | 未提及模型在大规模数据集上的泛化能力及计算资源消耗情况 | 提高音乐流派分类的准确率和效率 | 音乐信号 | 机器学习 | NA | 短时傅里叶变换、Mel滤波器、对数压缩 | Res-Transformer, TS-Resformer | 音频信号 | FMA-small数据集 | NA | NA | NA | NA |
| 1710 | 2025-05-31 |
A comprehensive review of machine learning for heart disease prediction: challenges, trends, ethical considerations, and future directions
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1583459
PMID:40433606
|
review | 本文全面回顾了机器学习在心脏病预测中的应用，包括技术进展、挑战和未来前景 | 展示了机器学习方法从传统分类器到混合深度学习和联邦学习框架的进展，并讨论了伦理问题和模型透明度 | 讨论了数据集限制和模型透明度问题 | 开发人工智能驱动的临床适用心脏病预测系统 | 心脏病预测的机器学习应用 | machine learning | cardiovascular disease | 机器学习 | CNN-LSTM, 混合深度学习, 联邦学习 | 医疗健康数据 | NA | NA | NA | NA | NA |
| 1711 | 2025-05-31 |
Deep learning classification of drainage crossings based on high-resolution DEM-derived geomorphological information
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1561281
PMID:40433605
|
研究论文 | 本研究利用高分辨率数字高程模型（HRDEM）衍生的地貌信息，开发了先进的CNN模型EfficientNetV2，用于排水交叉分类 | 首次将HRDEM衍生的地貌特征（如POS、几何曲率和TPI）与先进的CNN模型结合，用于排水交叉分类，并通过XAI技术解释关键图像片段 | 研究未明确说明样本量大小，且仅测试了特定类型的HRDEM数据层 | 提高排水交叉分类的准确性 | 排水交叉 | 计算机视觉 | NA | LiDAR, InSAR | CNN, EfficientNetV2 | 图像 | NA | NA | NA | NA | NA |
| 1712 | 2025-05-31 |
Performance of deep learning models for automatic histopathological grading of meningiomas: a systematic review and meta-analysis
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1536751
PMID:40433621
|
系统综述和荟萃分析 | 本文通过系统综述和荟萃分析评估深度学习模型在脑膜瘤自动病理分级中的诊断性能 | 首次全面评估深度学习模型在脑膜瘤分级中的表现，并提供了高精度的诊断性能数据 | 研究中存在中等到高度的异质性（I2 = 79.7%） | 评估深度学习模型在脑膜瘤自动病理分级中的诊断性能 | 脑膜瘤患者的影像数据 | 数字病理 | 脑膜瘤 | 深度学习 | DL | 影像数据 | 27项研究，涉及13,130名患者 | NA | NA | NA | NA |
| 1713 | 2025-10-07 |
Automated Radiology Report Generation: A Review of Recent Advances
2025, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2024.3408456
PMID:38829752
|
综述 | 本文对自动放射学报告生成领域的最新进展进行了系统性方法学回顾 | 通过五维框架全面评估当代ARRG方法：数据集特征分析、深度学习训练方法、先进模型架构、临床知识整合技术和模型评估方法 | 作为综述论文，不包含原始实验数据和新模型开发 | 系统回顾自动放射学报告生成技术的研究现状和发展趋势 | 放射学报告生成相关的数据集、深度学习方法和评估技术 | 自然语言处理,计算机视觉 | NA | 深度学习 | CNN,Transformer | 医学影像,文本报告 | NA | NA | CNN变体,Transformer变体 | NLP指标,定性临床评估 | NA |
| 1714 | 2025-10-07 |
Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions
2025, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2024.3357877
PMID:38265911
|
综述 | 本文全面回顾了过去十年基于深度学习的乳腺癌影像研究进展并探讨未来发展方向 | 系统梳理了深度学习在多种乳腺癌影像模态中的应用，并首次综合提出未来研究面临的挑战与潜在路径 | 作为综述文章，未涉及原始实验数据和新模型开发 | 总结深度学习在乳腺癌影像分析中的进展并规划未来研究方向 | 乳腺癌影像数据（乳腺X线摄影、超声、磁共振成像和数字病理图像） | 计算机视觉 | 乳腺癌 | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 1715 | 2025-10-07 |
Skeleton-guided 3D convolutional neural network for tubular structure segmentation
2025-Jan, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03215-x
PMID:39264412
|
研究论文 | 提出一种融合骨架信息的3D卷积神经网络用于医学图像中管状结构的分割 | 引入骨架引导模块和专门设计的sigmoid-adaptive Tversky损失函数来增强管状结构分割精度 | NA | 提高医学图像中管状结构的分割准确性 | 胸部CT和腹部CT图像中的管状结构（气道和腹部动脉） | 计算机视觉 | NA | CT成像 | 3D CNN | 3D医学图像 | 125例CT图像（90例胸部CT，35例腹部CT） | NA | 3D卷积神经网络 | 树长度率, 分支检测率, 精确率, 召回率, F-measure | NA |
| 1716 | 2025-10-07 |
Data- and Physics-Driven Deep Learning Based Reconstruction for Fast MRI: Fundamentals and Methodologies
2025, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2024.3485022
PMID:39437302
|
综述 | 本文综述了基于数据和物理驱动的深度学习在快速MRI重建中的基本原理与方法论 | 系统整合了从算法展开模型、增强方法、即插即用模型到新兴生成模型的全谱系方法，并探索数据模型与物理知识的协同集成 | 作为综述文章，未提出新的原始方法，主要总结现有技术 | 加速磁共振成像扫描过程，提高患者舒适度和图像质量 | 磁共振成像重建方法 | 医学影像处理 | NA | 磁共振成像 | 生成模型, 深度学习 | 医学影像数据 | NA | NA | NA | 评估指标 | NA |
| 1717 | 2025-10-07 |
Solving the Inverse Problem of Electrocardiography for Cardiac Digital Twins: A Survey
2025, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2024.3486439
PMID:39453795
|
综述 | 本文系统综述了心电逆问题求解方法及其在心脏数字孪生中的应用 | 首次对心脏数字孪生中的心电逆问题求解方法进行全面分类和系统评述，涵盖传统与深度学习方法 | 存在动态电生理准确捕获、领域知识获取困难、预测不确定性量化等挑战 | 解决心脏数字孪生中的心电逆问题，实现从体表心电信号重建心脏源并估计患者特异性电生理参数 | 心脏数字孪生和心电逆问题求解方法 | 计算医学 | 心血管疾病 | 心电信号处理，计算建模 | 深度学习，概率模型，确定性模型 | 体表心电数据 | NA | NA | NA | NA | NA |
| 1718 | 2025-10-07 |
A Survey of Few-Shot Learning for Biomedical Time Series
2025, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2024.3492381
PMID:39504299
|
综述 | 本文系统综述了生物医学时间序列数据的小样本学习方法及其临床应用 | 首次对生物医学时间序列领域的小样本学习方法进行全面梳理和比较分析 | 未提出新的算法模型，主要侧重于现有方法的归纳总结 | 探讨小样本学习在解决生物医学时间序列数据标注稀缺问题中的应用潜力 | 生物医学时间序列数据 | 机器学习 | NA | 小样本学习 | NA | 时间序列数据 | NA | NA | NA | NA | NA |
| 1719 | 2025-10-07 |
International multicenter validation of AI-driven ultrasound detection of ovarian cancer
2025-Jan, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-024-03329-4
PMID:39747679
|
研究论文 | 开发并验证基于Transformer的神经网络模型用于超声检测卵巢癌 | 首次在国际多中心研究中验证基于Transformer的AI模型在卵巢癌超声检测中的性能，显著超越专家和非专家检查者 | 回顾性研究设计，缺乏前瞻性验证 | 验证AI驱动的超声检测在卵巢癌诊断中的有效性和泛化能力 | 卵巢病变患者 | 计算机视觉 | 卵巢癌 | 超声成像 | Transformer | 图像 | 17,119张超声图像，来自8个国家20个中心的3,652名患者 | NA | Transformer | F1分数, 敏感度, 特异度, 准确度, Cohen's kappa, Matthew's相关系数, 诊断比值比, Youden's J统计量 | NA |
| 1720 | 2025-10-07 |
DSTCNet: Deep Spectro-Temporal-Channel Attention Network for Speech Emotion Recognition
2025-01, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2023.3304516
PMID:37624721
|
研究论文 | 提出一种深度谱时通道注意力网络（DSTCNet）用于语音情感识别 | 设计了谱时通道注意力模块，能够沿时间、频率和通道维度推断3D注意力图，增强关键特征的表示能力 | 未明确说明模型的计算复杂度和实时性能限制 | 提升语音情感识别的特征表示能力 | 语音情感识别 | 自然语言处理 | NA | 语音信号处理 | CNN,注意力机制 | 语音信号，频谱图 | 柏林情感数据库（EmoDB）和交互情感二元运动捕捉数据库（IEMOCAP） | NA | DSTCNet，集成谱时通道注意力模块的CNN | NA | NA |