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 1801 - 1820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1801 | 2025-06-18 |
Can artificial intelligence improve the diagnosis and prognosis of disorders of consciousness? A scoping review
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1608778
PMID:40520948
|
综述 | 本文通过范围综述探讨人工智能（AI）在意识障碍（DoC）诊断和预后中的作用 | 系统评估了机器学习和深度学习在意识障碍诊断和预后中的应用，并提出了标准化数据协议的需求 | 研究仅纳入21项符合条件的研究，样本量有限 | 探讨AI在意识障碍诊断和预后中的潜在作用 | 意识障碍（DoC）患者 | 机器学习 | 神经系统疾病 | 机器学习（ML）和深度学习（DL） | NA | NA | 21项研究涉及DoC受试者 | NA | NA | NA | NA |
| 1802 | 2025-06-18 |
Mapping football tactical behavior and collective dynamics with artificial intelligence: a systematic review
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1569155
PMID:40521408
|
系统综述 | 本文通过系统综述探讨了人工智能在足球战术行为、集体动态和运动模式分析中的应用现状 | 综述了基于人工智能的战术行为分析方法，包括多种神经网络、深度学习和机器学习技术，以及用于集体动态分析的图度量方法 | 人工智能技术在实践应用中仍面临挑战，包括伦理规范和需要结合体育科学、数据分析、计算机科学和教练专业知识的专业人才缺乏 | 探讨人工智能在足球战术行为和集体动态分析中的应用 | 足球比赛中的战术行为、集体动态和运动模式 | 计算机视觉 | NA | 人工神经网络、深度学习、机器学习、时间序列分析 | CNN, RNN, VRNN, VAE, XGBoost, 随机森林分类器等 | 时空追踪数据 | 从2548篇文章中筛选出32项研究进行综述 | NA | NA | NA | NA |
| 1803 | 2025-10-06 |
A multi-modal dental dataset for semi-supervised deep learning image segmentation
2025-Jan-20, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-04306-9
PMID:39833232
|
研究论文 | 本文提出了一个用于半监督深度学习图像分割的多模态牙科数据集 | 首个结合牙科全景X射线图像和锥形束CT的多模态数据集，也是最大的牙齿分割数据集 | 未提及具体的模型性能评估结果 | 解决牙齿分割任务中公开数据集稀缺的问题 | 牙齿图像分割 | 计算机视觉 | 牙科疾病 | 全景X射线成像，锥形束CT | 深度学习分割模型 | 2D图像，3D扫描 | STS-2D-Tooth：4,000张图像和900个掩码；STS-3D-Tooth：148,400个未标注扫描和8,800个掩码 | NA | NA | NA | NA |
| 1804 | 2025-10-06 |
A novel dataset for nuclei and tissue segmentation in melanoma with baseline nuclei segmentation and tissue segmentation benchmarks
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf011
PMID:39970004
|
研究论文 | 本文介绍了首个黑色素瘤专用的细胞核和组织分割数据集PUMA，并建立了基线细胞核分割和组织分割基准 | 创建了首个专门针对晚期黑色素瘤的全景细胞核和组织分割数据集，提出了通过启发式后处理基于组织定位更新细胞核类别的方法 | 数据仅来自单一黑色素瘤转诊机构，可能限制模型的泛化能力 | 开发用于黑色素瘤预后和预测生物标志物分析的细胞核和组织分割模型 | 晚期黑色素瘤组织样本中的细胞核和组织结构 | 数字病理学 | 黑色素瘤 | 苏木精-伊红染色 | 深度学习模型 | 病理图像 | 155个原发性和155个转移性黑色素瘤区域 | NA | Hover-NeXt | 淋巴细胞检测性能，观察者间一致性 | NA |
| 1805 | 2025-10-06 |
Automatic pituitary adenoma segmentation and identification of cavernous sinus invasion via multitask learning
2025-Jan, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2024.106756
PMID:39689622
|
研究论文 | 开发用于垂体大腺瘤分割和海绵窦侵犯识别的多任务深度学习模型 | 提出结合分割和分类任务的多任务多轴注意力UNet框架(MTMAU-Net)，在分割和海绵窦侵犯识别任务中均优于单任务模型 | 研究样本主要来自单一机构训练，外部验证样本量相对较小 | 开发自动化的垂体腺瘤分割和海绵窦侵犯识别方法以指导手术策略 | 926例垂体大腺瘤患者(816例训练，110例验证) | 数字病理 | 垂体腺瘤 | MRI成像 | 多任务深度学习 | 医学影像 | 926例患者，816例训练，110例验证 | NA | Multi-Task Multiaxis-Attention UNet (MTMAU-Net) | Dice相似系数, 95% Hausdorff距离, 准确率, AUC | NA |
| 1806 | 2025-06-17 |
[Evaluation of Low-contrast Detectability of Different Reconstruction Algorithms and Noise Reduction Intensities in the Upper Abdominal Pseudo-human Phantom]
2025, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.25-1507
PMID:40518302
|
research paper | 研究比较了不同重建算法和降噪强度在上腹部伪人体模中的低对比度检测性能 | 首次在腹部CT检查中比较了FBP、混合IR和基于深度学习的重建方法（DLR for body, DLR for body sharp）的低对比度检测性能 | 研究使用的是伪人体模而非真实患者数据，且仅评估了低频噪声抑制的局限性 | 评估重建算法和降噪强度对腹部CT低对比度检测性能的影响 | 上腹部伪人体模 | 医学影像 | NA | CT扫描 | DLR（基于深度学习的重建方法） | 医学影像 | 四种辐射剂量条件和三种降噪强度下的伪人体模数据 | NA | NA | NA | NA |
| 1807 | 2025-06-16 |
Same-model and cross-model variability in knee cartilage thickness measurements using 3D MRI systems
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324912
PMID:40512695
|
research paper | 本研究通过使用五个制造商的3T MRI系统，量化并比较了同一MRI系统重复扫描和不同MRI系统间膝关节软骨厚度测量的变异性 | 首次在五个不同制造商的MRI系统上量化并比较了膝关节软骨厚度测量的同一模型和跨模型变异性 | 研究仅使用了10名健康志愿者的样本，且仅针对特定3D体积分析软件的结果 | 评估多中心研究和纵向评估中使用不同MRI系统时膝关节软骨厚度测量的变异性 | 10名健康志愿者的右膝关节 | 医学影像分析 | NA | 3T MRI, 脂肪抑制扰相梯度回波序列, 质子密度加权序列 | 深度学习 | MRI图像 | 10名健康志愿者（8男2女，年龄22-60岁） | NA | NA | NA | NA |
| 1808 | 2025-06-16 |
3D-MRI brain glioma intelligent segmentation based on improved 3D U-net network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325534
PMID:40512721
|
research paper | 提出了一种基于改进3D U-net网络的3D-MRI脑胶质瘤智能分割方法，旨在提升胶质瘤分割的准确性和泛化能力 | 引入了空间金字塔池化模块增强网络对不同尺度特征的感知能力，提出多尺度融合注意力机制以关注胶质瘤细节并抑制无关背景信息，结合Dice和Focal损失函数解决类别不平衡问题 | NA | 提升胶质瘤分割的准确性，为医学诊断、分级和治疗策略选择提供指导 | 脑胶质瘤 | digital pathology | brain glioma | 3D-MRI | improved 3D U-net | 3D-MRI images | BraTS2023公共数据集中的胶质瘤病例数据 | NA | NA | NA | NA |
| 1809 | 2025-06-16 |
A method for feature division of Soccer Foul actions based on salience image semantics
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322889
PMID:40512805
|
研究论文 | 本研究提出了一种基于深度学习的显著图像语义的足球犯规动作特征划分方法，旨在实现足球比赛中犯规的自动识别与分类 | 结合改进的DeepPlaBV 3+架构进行显著区域检测、图卷积网络(GCN)进行特征提取和深度神经网络(DNN)进行分类，减少了传统图像处理技术和手动特征提取的依赖 | NA | 提高足球比赛中犯规行为的自动识别和分类准确率 | 足球比赛中的犯规动作 | 计算机视觉 | NA | 深度学习 | DeepPlaBV 3+, GCN, DNN | 视频 | 多个视频运动识别数据集 | NA | NA | NA | NA |
| 1810 | 2025-06-15 |
Optimising deep learning models for ophthalmological disorder classification
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75867-3
PMID:39856068
|
研究论文 | 本文利用深度学习模型对眼科疾病进行分类，采用基于迁移学习的CNN方法 | 使用MobileNet模型结合Adam优化器，在眼科疾病分类中取得了89.64%的测试准确率 | 仅使用了ODIR数据库中的数据进行实验，可能在其他数据集上表现不同 | 优化深度学习模型以提高眼科疾病分类的准确性 | 眼科疾病（如高血压、青光眼、糖尿病视网膜病变） | 计算机视觉 | 眼科疾病 | fundus imaging | CNN, MobileNet | image | ODIR数据库中的眼底图像（患者左右眼） | NA | NA | NA | NA |
| 1811 | 2025-06-15 |
Detection of cervical cell based on multi-scale spatial information
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87165-7
PMID:39856153
|
研究论文 | 提出了一种基于多尺度空间信息的宫颈细胞检测方法，以提高宫颈癌筛查和诊断的效率 | 设计了多尺度空间信息增强模块（MSA）和通道注意力增强模块（CAE），有效捕捉和整合不同尺度的空间信息，并动态优化关键特征 | 未提及具体的数据集规模或多样性限制，也未讨论模型在其他数据集上的泛化能力 | 提高宫颈癌筛查和诊断的效率和准确性 | 宫颈细胞 | 数字病理学 | 宫颈癌 | 深度学习 | Sparse R-CNN | 图像 | NA | NA | NA | NA | NA |
| 1812 | 2025-06-15 |
Phyla: Towards a foundation model for phylogenetic inference
2025-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.01.17.633626
PMID:39896621
|
研究论文 | 本文介绍了Phyla，一种专为系统发育推理设计的混合状态空间变换器架构，旨在通过树损失函数实现序列推理和系统发育树重建的最新性能 | Phyla采用了一种新颖的混合状态空间变换器架构和树损失函数，专注于序列间的推理能力，而非传统的单个序列学习 | NA | 开发一个用于系统发育推理的基础模型，提升计算生物学中序列分析和系统发育推理的性能 | 蛋白质序列和系统发育树 | 计算生物学 | NA | 深度学习 | 混合状态空间变换器 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 1813 | 2025-06-15 |
Improving lung cancer diagnosis and survival prediction with deep learning and CT imaging
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323174
PMID:40498724
|
研究论文 | 该论文提出了一种结合深度学习和CT影像的方法，用于改善肺癌的诊断和生存预测 | 使用卷积神经网络建模肺癌风险与肺部形态之间的非线性关系，并提出了结合小批量损失和二元交叉熵的方法来预测肺癌发生和死亡风险 | 未提及具体的数据集局限性或模型泛化能力问题 | 提高肺癌的诊断准确性和生存预测效果 | 肺癌患者 | 计算机视觉 | 肺癌 | CT成像 | 3D CNN | 医学影像 | 国家肺癌筛查试验数据集 | NA | NA | NA | NA |
| 1814 | 2025-06-15 |
An ensemble-based 3D residual network for the classification of Alzheimer's disease
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324520
PMID:40498744
|
研究论文 | 本研究提出了一种基于深度学习的集成方法，用于阿尔茨海默病的分类 | 采用加权概率的集成方法整合3D残差网络的结果，并引入CBAM注意力机制增强模型性能 | 数据量有限，需通过数据增强技术来提升准确率 | 早期诊断轻度认知障碍（MCI）以延缓阿尔茨海默病（AD）的进展 | 阿尔茨海默病（AD）及其前驱阶段轻度认知障碍（MCI）患者 | 数字病理学 | 老年病 | 深度学习 | 3D ResNet-18, 3D ResNet-34, 3D ResNet-50 | 图像 | NA | NA | NA | NA | NA |
| 1815 | 2025-06-15 |
In-depth exploration of software defects and self-admitted technical debt through cutting-edge deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324847
PMID:40498858
|
研究论文 | 提出了一种利用深度学习技术同时识别和分类自承认技术债务（SATD）及软件缺陷的创新方法 | 首次结合深度学习技术同时处理SATD和软件缺陷的识别与分类，并采用Transformer模型如GPT-3提升性能 | 未明确提及模型在小规模或特定领域软件项目中的泛化能力 | 提升软件质量评估与维护的全面性，优化技术债务与缺陷的认知及维护资源分配 | 软件注释中的自承认技术债务（SATD）及相关缺陷 | 自然语言处理 | NA | 深度学习架构（LSTM, BI-LSTM, GRU, BI-GRU）及Transformer模型（BERT, GPT-3） | LSTM, GRU, BERT, GPT-3 | 文本（软件注释） | 来自Apache、Mozilla Firefox和Eclipse等仓库的多样化项目数据，含SATD示例和缺陷实例 | NA | NA | NA | NA |
| 1816 | 2025-06-15 |
Interpretable deep learning for gastric cancer detection: a fusion of AI architectures and explainability analysis
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1596085
PMID:40510366
|
研究论文 | 本文提出了一种结合多种深度学习架构和可解释性分析的胃癌检测方法 | 融合了VGG16、RESNET50和MobileNetV2三种深度学习架构，并采用LIME技术提高模型决策的可解释性 | 未提及具体的数据集来源和样本多样性问题 | 开发高精度且可解释的胃癌检测系统以支持临床决策 | 胃癌的医学影像检测 | 数字病理学 | 胃癌 | 深度学习融合架构、LIME可解释性分析 | VGG16、RESNET50、MobileNetV2融合模型 | 医学影像 | NA | NA | NA | NA | NA |
| 1817 | 2025-06-15 |
Deep learning-based action recognition for analyzing drug-induced bone remodeling mechanisms
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1564157
PMID:40510423
|
research paper | 提出了一种基于深度学习的动作识别框架，用于分析药物诱导的骨重塑机制 | 结合图神经网络（GNNs）和动态信号传播模型，识别驱动骨重塑的关键分子相互作用，并集成预测药理学相互作用模型以量化药物-靶点相互作用 | 未提及具体实验样本量或数据来源的局限性 | 优化治疗干预并减少骨健康管理中的不良反应 | 药物诱导的骨重塑机制 | machine learning | geriatric disease | graph neural networks (GNNs), dynamic signal propagation model | GNN | multi-scale biological data | NA | NA | NA | NA | NA |
| 1818 | 2025-06-15 |
Graph convolutional neural networks improved target-specific scoring functions for cGAS and kRAS in virtual screening
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.023
PMID:40510763
|
研究论文 | 本研究通过结合分子图和卷积神经网络，提高了针对cGAS和kRAS蛋白的靶向特异性评分函数在虚拟筛选中的外推能力和准确性 | 首次将图卷积神经网络应用于靶向特异性评分函数的开发，显著提升了虚拟筛选的准确性和外推性能 | 研究仅针对cGAS和kRAS两种蛋白进行验证，需要更多靶点验证其普适性 | 提高虚拟筛选中靶向特异性评分函数的准确性和外推能力 | cGAS和kRAS蛋白 | 机器学习 | NA | 分子对接、虚拟筛选 | 图卷积神经网络(GCN)、传统机器学习模型 | 分子图数据 | NA | NA | NA | NA | NA |
| 1819 | 2025-06-15 |
Random splicing assisted deep learning for breast cancer cell line classification via Raman spectroscopy
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.051
PMID:40510766
|
研究论文 | 本文开发了一种名为随机拼接-卷积神经网络（RS-CNN）的深度学习框架，用于通过拉曼光谱对乳腺癌细胞系进行分类 | 通过随机拼接同一细胞系的拉曼光谱，RS-CNN增强了特征光谱特征，同时扩大了数据集规模并改善了信号质量 | NA | 开发一种深度学习框架以提高拉曼光谱在癌症识别中的准确性和效率 | 六种乳腺癌细胞系 | 数字病理学 | 乳腺癌 | 拉曼光谱 | RS-CNN（随机拼接-卷积神经网络） | 光谱数据 | 每种细胞系450个光谱，数据有限条件下为100个光谱/细胞系 | NA | NA | NA | NA |
| 1820 | 2025-06-14 |
Real-time detection and monitoring of public littering behavior using deep learning for a sustainable environment
2025-01-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77118-x
PMID:39848984
|
research paper | 利用深度学习实时检测和监控公共乱扔垃圾行为，以促进可持续环境 | 结合MoViNet视频分类模型和YOLOv8目标检测模型，通过面部识别和车牌识别技术识别乱扔垃圾的个体 | 数据收集困难，需通过模拟真实场景获取数据 | 通过技术手段减少公共乱扔垃圾行为，保护环境和人类健康 | 车辆和行人的乱扔垃圾行为 | computer vision | NA | 深度学习、计算机视觉 | MoViNet, YOLOv8, LRCN, CNN-RNN | 视频 | 模拟真实场景收集的数据集 | NA | NA | NA | NA |