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 1821 - 1840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1821 | 2025-04-23 |
Machine learning vs human experts: sacroiliitis analysis from the RAPID-axSpA and C-OPTIMISE phase 3 axSpA trials
2025, Rheumatology advances in practice
IF:2.1Q3
DOI:10.1093/rap/rkae118
PMID:40256636
|
研究论文 | 本研究评估了深度学习模型在检测轴型脊柱关节炎（axSpA）患者骶髂关节炎中的性能，并与专家评估进行了比较 | 使用深度学习模型减少诊断时间并最小化读者间差异，首次在RAPID-axSpA和C-OPTIMISE试验中进行评估 | 模型在C-OPTIMISE队列中的特异性较低（56%），Cohen's κ值仅为0.48 | 评估深度学习模型在检测axSpA患者骶髂关节炎中的性能，以加速诊断并减少医疗资源使用 | RAPID-axSpA（n=277）和C-OPTIMISE（n=739）试验中的axSpA患者 | 数字病理学 | 轴型脊柱关节炎 | 深度学习 | 深度学习模型（基于迁移学习） | X光影像 | RAPID-axSpA（277例）和C-OPTIMISE（739例）患者的基线X光影像 | NA | NA | NA | NA |
| 1822 | 2025-10-07 |
SVMVGGNet-16: A Novel Machine and Deep Learning Based Approaches for Lung Cancer Detection Using Combined SVM and VGGNet-16
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出结合SVM和VGGNet-16的混合模型SVMVGGNet-16，用于肺癌检测和分类 | 首次将VGGNet-16与SVM结合形成混合模型，利用CNN的特征提取能力和SVM的分类优势 | 仅使用单一数据集，需要扩展数据集并进行临床验证 | 提高肺癌检测的准确性和可靠性 | 肺癌CT图像 | 计算机视觉 | 肺癌 | 医学影像分析 | CNN,SVM | 图像 | LIDC-IDRI数据集 | NA | VGGNet-16 | 准确率,AUC,召回率,精确率,F1分数 | NA |
| 1823 | 2025-04-23 |
Attention-aware Deep Learning Models for Dermoscopic Image Classification for Skin Disease Diagnosis
2025, Current medical imaging
IF:1.1Q3
|
research paper | 该研究利用深度学习模型结合注意力机制对皮肤镜图像进行分类，以提高皮肤疾病的诊断准确性 | 在预训练的CNN架构中集成了通道注意力和空间注意力机制，优化了特征提取和分类精度 | 未提及模型在临床环境中的实际应用效果或外部验证结果 | 利用深度学习方法分析皮肤镜图像，提高皮肤疾病的诊断准确性 | 七种类型的皮肤疾病 | computer vision | skin disease | deep learning, attention mechanism | CNN (RegNetX, EfficientNetB3, VGG19, ResNet-152) | image | NA | NA | NA | NA | NA |
| 1824 | 2025-10-07 |
Prospective Evaluation of Accelerated Brain MRI Using Deep Learning-Based Reconstruction: Simultaneous Application to 2D Spin-Echo and 3D Gradient-Echo Sequences
2025-01, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2024.0653
PMID:39780631
|
研究论文 | 前瞻性评估基于深度学习的加速重建技术在脑部磁共振成像中的应用效果 | 首次在前瞻性研究中将深度学习重建技术同时应用于2D自旋回波和3D梯度回波序列，并验证其在多厂商设备上的适用性 | 深部灰质区域（包括丘脑）的体积测量存在显著差异，白质高信号分割中白质皮层病变的一致性较低 | 评估基于深度学习的加速重建技术对脑部MRI图像质量和扫描时间的影响 | 150名参与者（51名男性，平均年龄57.3±16.2岁） | 医学影像分析 | 脑部疾病 | 磁共振成像（MRI） | 深度学习 | 医学影像 | 150名参与者，使用三家不同厂商的3T扫描仪 | NA | U-Net | 图像质量评分, 结构描绘评分, 伪影评分, SNR, CNR, Fleiss' kappa系数, Bland-Altman分析 | NA |
| 1825 | 2025-04-22 |
Detection and classification of ChatGPT-generated content using deep transformer models
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1458707
PMID:40256321
|
研究论文 | 本文提出了一种基于深度transformer模型的ChatGPT生成内容的检测与分类方法 | 使用RoBERTa和DistilBERT等transformer架构模型，实现了对AI生成文本的高效检测与分类，F1分数和准确率均超过0.98 | 模型在不同AI生成内容来源上的泛化能力尚未验证，且未考虑AI文本检测领域不断演变的挑战 | 解决AI生成文本（特别是ChatGPT）的检测与分类问题，以防止技术滥用 | 人类撰写文本与ChatGPT生成的AI文本 | 自然语言处理 | NA | 深度学习 | RoBERTa, DistilBERT | 文本 | 包含人类撰写和ChatGPT生成文本的数据集（具体数量未说明） | NA | NA | NA | NA |
| 1826 | 2025-10-07 |
c-Triadem: A constrained, explainable deep learning model to identify novel biomarkers in Alzheimer's disease
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320360
PMID:40228177
|
研究论文 | 提出一种约束性可解释深度学习模型c-Triadem，用于识别阿尔茨海默病的新型血液生物标志物 | 开发了结合基因分型数据、基因表达数据和临床信息的三重输入深度学习模型，通过约束神经网络结构增强可解释性 | 模型验证主要基于ADNI数据集，需要在更广泛的人群中进一步验证 | 开发早期诊断阿尔茨海默病的血液生物标志物识别方法 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常参与者 | 机器学习 | 阿尔茨海默病 | 基因分型、微阵列基因表达分析 | 深度神经网络 | 基因分型数据、基因表达数据、临床信息 | ADNI数据集中的参与者 | NA | 约束性三重输入神经网络 | AUC, 准确率 | NA |
| 1827 | 2025-10-07 |
Deep learning models for segmenting phonocardiogram signals: a comparative study
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320297
PMID:40228205
|
研究论文 | 本研究比较不同深度学习模型在心音图信号分割中的性能 | 首次对CirCor DigiScope心音图数据集进行分割研究，并比较GRU、双向GRU和双向LSTM模型在心音信号分割中的表现 | NA | 开发准确可靠的心音图信号分割方法 | 心音图信号的四个特定区域：S1（lub音）、收缩期区域、S2（dub音）和舒张期区域 | 数字病理 | 心血管疾病 | 心音图信号分析 | GRU, Bidirectional-GRU, BiLSTM | 心音信号 | 三个公开数据集：PhysioNet/Computing in Cardiology Challenge 2016、MITHSDB和CirCor DigiScope Phonocardiogram | NA | GRU, Bidirectional-GRU, BiLSTM | 准确率 | NA |
| 1828 | 2025-04-21 |
Multi-Source Data and Knowledge Fusion via Deep Learning for Dynamical Systems: Applications to Spatiotemporal Cardiac Modeling
2025, IISE transactions on healthcare systems engineering
IF:1.5Q3
DOI:10.1080/24725579.2024.2398592
PMID:40248641
|
研究论文 | 本文提出了一种基于深度学习的多源数据和知识融合框架，应用于时空心脏建模 | 该框架不仅通过捕捉基于物理的信息流实现有效数据融合，还通过图拉普拉斯算子整合3D系统的几何信息，用于稳健的时空预测建模 | NA | 开发可靠的时空动态系统预测模型 | 心脏电动力学在健康和疾病状态下的建模 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习框架 | 多源感知数据 | NA | NA | NA | NA | NA |
| 1829 | 2025-04-20 |
A method of rice panicle number counting based on improved CSRNet model
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1494564
PMID:40247946
|
研究论文 | 本研究提出了一种基于改进CSRNet模型的水稻穗粒数计数方法 | 改进CSRNet模型并应用于水稻穗粒数计数，开发了Android端实时计数APP和PC端批量计数软件 | 未提及模型在不同光照或品种条件下的泛化能力 | 为水稻穗粒数计数提供理论依据和技术支持 | 水稻穗粒 | 计算机视觉 | NA | 深度学习 | 改进的CSRNet | 图像 | 未明确说明样本数量 | NA | NA | NA | NA |
| 1830 | 2025-04-20 |
Protein structure prediction via deep learning: an in-depth review
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1498662
PMID:40248099
|
综述 | 本文深入探讨了深度学习在蛋白质结构预测中的应用及其对药物发现和开发的影响 | 全面回顾了深度学习在蛋白质结构预测中的最新进展，包括大型语言模型和尖端深度学习方法 | 未提及具体实验验证或实际应用案例 | 探讨深度学习在蛋白质结构预测领域的应用及其潜力 | 蛋白质结构预测 | 机器学习 | NA | 深度学习、大型语言模型 | NA | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 1831 | 2025-04-20 |
Clinical and Radiological Fusion: A New Frontier in Predicting Post-Transplant Diabetes Mellitus
2025, Transplant international : official journal of the European Society for Organ Transplantation
IF:2.7Q2
DOI:10.3389/ti.2025.14377
PMID:40248509
|
研究论文 | 本研究通过整合临床和放射学数据，开发了一个预测移植后糖尿病（PTDM）的模型，以识别高风险肾移植受者 | 结合临床指标和深度学习分析的CT图像，专注于体成分参数（如脂肪组织和肌肉质量），而非BMI或其他生物标志物 | 研究为回顾性分析，可能存在选择偏倚，且样本仅来自三个Mayo Clinic站点 | 预测肾移植受者术后糖尿病（PTDM）的发生风险 | 2005名非糖尿病肾移植受者 | 数字病理学 | 糖尿病 | 深度学习分析 | 深度学习模型 | 临床数据和CT图像 | 2005名非糖尿病肾移植受者，其中335名（16.7%）在术后一年内发展为PTDM | NA | NA | NA | NA |
| 1832 | 2025-10-07 |
Noninvasive Quantitative CT for Diffuse Liver Diseases: Steatosis, Iron Overload, and Fibrosis
2025-01, Radiographics : a review publication of the Radiological Society of North America, Inc
IF:5.2Q1
DOI:10.1148/rg.240176
PMID:39700040
|
研究论文 | 本文探讨了使用非侵入性定量CT技术检测和量化肝脏脂肪变性、铁过载和纤维化的方法与应用 | 系统比较了非增强CT和增强CT在肝脏疾病定量评估中的性能，并强调了人工智能深度学习算法在自动化定量分析中的新兴作用 | 增强CT对肝脏脂肪定量的精确度较低，主要提供分类评估而非精确量化 | 评估CT在弥漫性肝病非侵入性检测和定量分析中的临床应用价值 | 慢性弥漫性肝病患者的肝脏组织 | 医学影像分析 | 肝脏疾病 | CT成像，MRI质子密度脂肪分数(PDFF) | 深度学习 | CT影像 | NA | NA | NA | 与弹性成像相当的性能 | NA |
| 1833 | 2025-10-07 |
Faster Acquisition and Improved Image Quality of T2-Weighted Dixon Breast MRI at 3T Using Deep Learning: A Prospective Study
2025-01, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.1303
PMID:39780629
|
研究论文 | 本研究比较了深度学习重建的T2加权Dixon序列与传统序列在乳腺MRI中的图像质量和病灶特征 | 首次将深度学习重建与超分辨率技术结合用于加速乳腺MRI采集，在保持图像质量的同时显著缩短扫描时间 | 样本量相对有限（140例），且骨髓显示效果不如传统序列 | 评估深度学习重建的快速T2加权Dixon序列在乳腺MRI中的临床应用价值 | 乳腺疾病患者（包括囊肿和乳腺癌） | 医学影像分析 | 乳腺癌 | 磁共振成像（MRI），Dixon序列，深度学习重建 | 深度学习 | 医学影像 | 140名女性患者（85例囊肿，31例乳腺癌） | NA | NA | 信噪比（SNR），对比噪声比（CNR），图像质量评分，诊断置信度 | 3T MRI扫描仪 |
| 1834 | 2025-10-07 |
UMamba Adjustment: Advancing GTV Segmentation for Head and Neck Cancer in MRI-Guided RT with UMamba and NnU-Net ResEnc Planner
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_9
PMID:40236615
|
研究论文 | 提出一种名为UMambaAdj的新型方法，用于头颈癌MRI引导放疗中的肿瘤体积分割 | 首次将UMamba的长程依赖捕获能力与nnU-Net残差编码器的多阶段特征提取优势相结合 | 仅使用HNTS-MRG 2024挑战赛测试集进行评估，未在其他数据集上验证 | 提高头颈癌MRI引导自适应放疗中肿瘤体积分割的准确性 | 头颈癌患者的原发肿瘤(GTVp)和淋巴结(GTVn) | 数字病理 | 头颈癌 | MRI成像 | UMamba, nnU-Net | T2加权MRI图像 | HNTS-MRG 2024挑战赛测试集 | NA | UMamba, nnU-Net ResEnc | Dice相似系数 | NA |
| 1835 | 2025-10-07 |
VMamba for plant leaf disease identification: design and experiment
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1515021
PMID:40241820
|
研究论文 | 本研究将VMamba视觉骨干模型引入农业植物病害检测任务，提出结合扩散模型和迁移学习的DDHTLVMamba方法 | 首次将VMamba模型应用于植物病害识别，通过选择性扫描机制降低计算复杂度，同时保持全局感受野和动态加权优势 | 主要针对小样本农业数据集，在更复杂农业环境下的泛化能力有待验证 | 开发高效的农业植物病害识别方法，解决小样本学习问题 | 植物叶片病害 | 计算机视觉 | 植物病害 | 机器学习，深度学习 | VMamba, 扩散模型, Transformer | 图像 | PlantVillage大规模数据集和优化的小样本病害数据集 | NA | VMamba, ResNet50, Vision Transformer, Swin Transformer | 准确率，训练时间 | NA |
| 1836 | 2025-10-07 |
A lightweight multi-deep learning framework for accurate diabetic retinopathy detection and multi-level severity identification
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1551315
PMID:40241910
|
研究论文 | 提出一种轻量级深度学习框架用于糖尿病视网膜病变检测和多级严重程度识别 | 采用两阶段轻量级网络设计，通过迁移学习实现病变检测和严重程度分级，参数量较少 | 仅使用APTOS 2019数据集验证，未在其他数据集上进行广泛测试 | 开发准确的糖尿病视网膜病变自动检测和分级系统 | 糖尿病视网膜病变患者眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | CNN | 眼底图像 | APTOS 2019数据集 | NA | 轻量级深度学习网络 | 分类率, 准确率 | NA |
| 1837 | 2025-10-07 |
Artificial intelligence in hospital infection prevention: an integrative review
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1547450
PMID:40241963
|
综述 | 通过整合42项研究评估人工智能在医院感染预防中的有效性、可用性和挑战 | 首次系统评估AI在多种医院获得性感染预防中的应用，并比较机器学习与深度学习在不同数据环境下的性能差异 | 研究间数据源和模型验证存在异质性，缺乏多中心合作和外部验证，成本效益和实际应用效果需进一步评估 | 评估AI模型在医院感染预防、检测和管理中的效果 | 医院获得性感染（HAIs） | 医疗人工智能 | 医院获得性感染 | 电子健康记录（EHR）分析 | 机器学习,深度学习 | 电子健康记录 | 42项研究 | NA | 神经网络,决策树,随机森林 | AUC | NA |
| 1838 | 2025-10-07 |
Construction of the preoperative staging prediction model for cervical cancer based on deep learning and MRI: a retrospective study
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1557486
PMID:40242247
|
研究论文 | 基于深度学习和MRI构建宫颈癌术前分期预测模型的回顾性研究 | 首次系统比较七种深度学习模型在宫颈癌术前分期中的性能，发现HRNet在小样本数据集上表现最佳 | 样本量较小（仅112例患者），为单中心回顾性研究 | 开发自动化的宫颈癌术前分期预测模型以提高诊断准确性和效率 | 112例宫颈癌患者的术前MRI扫描图像 | 计算机视觉 | 宫颈癌 | MRI成像 | CNN, Transformer | 医学影像 | 112例宫颈癌患者 | NA | DenseNet, FBNet, HRNet, RegNet, ResNet50, ShuffleNet, ViT | 准确率, 召回率, F1分数, 精确率, AUC | NA |
| 1839 | 2025-10-07 |
Advancements in one-dimensional protein structure prediction using machine learning and deep learning
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.04.005
PMID:40242292
|
综述 | 本文综述了机器学习和深度学习在一维蛋白质结构预测领域的最新进展 | 整合序列嵌入和预训练语言模型，通过AlphaFold和蛋白质语言模型实现前所未有的序列-结构关系预测精度 | 面临数据质量、可扩展性、可解释性和任务特定优化等挑战 | 解决蛋白质结构预测这一结构生物信息学核心挑战，理解蛋白质序列、结构和功能之间的复杂关系 | 一维蛋白质结构注释，包括二级结构、溶剂可及性和内在无序区域 | 机器学习 | NA | NA | 深度学习框架 | 蛋白质序列数据 | NA | NA | AlphaFold, 蛋白质语言模型 | NA | NA |
| 1840 | 2025-10-07 |
Structural studies of Parvoviridae capsid assembly and evolution: implications for novel AAV vector design
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1559461
PMID:40242328
|
综述 | 本文综述了细小病毒科衣壳结构与演化的研究进展及其对新型AAV载体设计的启示 | 整合现代结构生物学技术与计算方法指导AAV衣壳工程化设计 | 未涉及具体实验验证数据，主要基于现有研究进行理论分析 | 通过结构生物学和计算方法优化AAV载体设计以提升基因治疗效果 | 细小病毒科衣壳结构，特别是AAV载体 | 计算生物学 | 遗传性疾病 | 冷冻电镜，X射线晶体学，比较分析，定向进化 | 机器学习，深度学习 | 结构生物学数据，序列数据 | NA | NA | NA | NA | NA |