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 1841 - 1860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1841 | 2025-06-12 |
Machine learning and deep learning in diabetology: revolutionizing diabetes care
2025, Frontiers in clinical diabetes and healthcare
DOI:10.3389/fcdhc.2025.1547689
PMID:40496420
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1842 | 2025-06-13 |
Deep learning to promote health through sports and physical training
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1583581
PMID:40496455
|
研究论文 | 本研究提出了一种基于LSTM和注意力机制的序列到序列深度学习模型，用于预测健康改善分数（HIS） | 结合LSTM和注意力机制，整合多种时间序列数据，提出HIS预测模型，显著提高了预测准确性 | 研究样本量较小（384名参与者），且观察时间较短（32天） | 开发更个性化和准确的预测模型，评估运动和体育训练对健康改善的影响 | 运动和体育训练对健康改善的影响 | 机器学习 | 慢性疾病 | 时间序列分析 | LSTM | 时间序列数据 | 384名参与者，32天的数据 | NA | NA | NA | NA |
| 1843 | 2025-06-13 |
Radiomics and Deep Learning as Important Techniques of Artificial Intelligence - Diagnosing Perspectives in Cytokeratin 19 Positive Hepatocellular Carcinoma
2025, Journal of hepatocellular carcinoma
IF:4.2Q2
DOI:10.2147/JHC.S526887
PMID:40496512
|
meta-analysis | 系统分析和比较了非侵入性方法在预测CK19阳性HCC中的表现，为HCC患者的分层管理提供见解 | 整合传统影像学、放射组学和深度学习的组合模型在预测CK19阳性HCC方面表现出卓越潜力 | 多中心外部数据有限，仅13.6%的研究包含验证集 | 系统分析和比较非侵入性方法预测CK19阳性HCC的性能 | HCC患者 | digital pathology | hepatocellular carcinoma | radiomics, deep learning | combined models | image | 22项研究，涉及3395名HCC患者 | NA | NA | NA | NA |
| 1844 | 2025-06-13 |
AI-based multimodal prediction of lymph node metastasis and capsular invasion in cT1N0M0 papillary thyroid carcinoma
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1580885
PMID:40496555
|
research paper | 该研究开发了一种基于AI的多模态预测模型，用于提高cT1N0M0甲状腺乳头状癌（PTC）患者淋巴结转移（LNM）和包膜侵犯（CI）的术前评估准确性 | 整合了超声放射组学和深度学习特征，通过多模态融合提高了预测性能，优于单一模态模型 | 样本量相对较小（203例患者），且仅进行了内部测试集验证 | 提高cT1N0M0 PTC患者LNM和CI的术前评估准确性，优化风险分层和治疗策略 | cT1N0M0甲状腺乳头状癌（PTC）患者 | digital pathology | thyroid cancer | 超声放射组学分析，深度学习特征提取 | NeuralNet, RandomForest, Vision Transformer (ViT) | 超声图像 | 203例PTC患者（训练集142例，内部测试集61例） | NA | NA | NA | NA |
| 1845 | 2025-06-13 |
Early detection of human Mpox: A comparative study by using machine learning and deep learning models with ensemble approach
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251344135
PMID:40496715
|
研究论文 | 本研究通过机器学习和深度学习模型结合集成方法，提高了Mpox的早期诊断准确率 | 采用集成学习方法结合ViT和ConvMixer模型，显著提高了Mpox病变的分类准确率和鲁棒性 | 模型可解释性有待提高，需在真实临床数据中进一步验证 | 提高Mpox的早期诊断准确率 | Mpox皮肤病变数据集v2.0中的六种皮肤病变类别 | 计算机视觉 | Mpox | 机器学习与深度学习 | Logistic Regression, K-Nearest Neighbors, Vision Transformer (ViT), ConvMixer | 图像 | 包含六种皮肤病变类别的Mpox皮肤病变数据集v2.0 | NA | NA | NA | NA |
| 1846 | 2025-06-13 |
Multimeric protein interaction and complex prediction: Structure, dynamics and function
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.009
PMID:40496891
|
综述 | 本文综述了多聚体蛋白质复合物的结构、相互作用、动力学和功能研究的最新进展 | 总结了CASP16中的最新进展，包括未知化学计量比、超复合物和构象集合的预测，以及AlphaFold2和3在多聚体预测中的贡献 | 在处理功能性蛋白质-蛋白质相互作用和动态构象方面存在局限性 | 研究多聚体蛋白质复合物的结构、相互作用、动力学和功能 | 多聚体蛋白质复合物 | 生物信息学 | NA | 深度学习 | AlphaFold2 & 3 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 1847 | 2025-06-13 |
Enhanced visibility graph for EEG classification
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1541062
PMID:40497135
|
research paper | 提出了一种结合功率谱密度(PSD)和可见性图(VG)特征与深度学习(DL)技术的端到端EEG分类框架 | 整合了PSD和VG特征以同时捕捉EEG信号的频域特性和时域动态，并评估了四种DL架构在EEG分类中的表现 | 未明确提及具体的数据集规模限制或模型泛化能力的详细分析 | 推进EEG分析，开发更准确可靠的基于EEG的系统 | EEG信号 | machine learning | NA | power spectral density (PSD), visibility graph (VG), deep learning (DL) | MLP, LSTM, InceptionTime, ChronoNet | EEG信号 | 多个数据集，但未明确提及具体样本数量 | NA | NA | NA | NA |
| 1848 | 2025-06-13 |
AI-driven prediction of bitterness and sweetness and analysis of receptor interactions
2025, Current research in food science
IF:6.2Q1
DOI:10.1016/j.crfs.2025.101090
PMID:40497229
|
研究论文 | 本研究开发了基于图神经网络（GNN）的人工智能模型，用于根据化学结构预测苦味和甜味，并通过分子对接模拟验证了预测结果 | 使用GNN直接从分子结构中学习，减少特征选择偏差，并通过Integrated Gradients方法增强模型的可解释性 | 需要进一步研究以探索更深入的分子机制，并将该方法扩展到预测其他味觉模式 | 理解甜味和苦味的分子机制，识别天然和合成化合物中的理想味觉特征 | 被分类为苦味或甜味的化合物 | 机器学习 | NA | 图神经网络（GNN）、分子对接模拟 | GNN | 化学结构数据 | NA | NA | NA | NA | NA |
| 1849 | 2025-10-06 |
The Use of Artificial Intelligence and Wearable Inertial Measurement Units in Medicine: Systematic Review
2025-Jan-29, JMIR mHealth and uHealth
IF:5.4Q1
DOI:10.2196/60521
PMID:39880389
|
系统综述 | 系统评估人工智能与可穿戴惯性测量单元在医疗领域的整合应用现状 | 首次系统性地分析AI模型与IMU数据在医疗领域的协同应用现状与挑战 | 研究主要基于临床环境（77%），缺乏真实场景验证；数据集规模较小（中位数50名参与者） | 评估AI模型与可穿戴IMU在医疗保健中的整合应用 | 医疗领域中AI与IMU结合应用的研究文献 | 机器学习 | 神经系统疾病 | 可穿戴惯性测量单元（IMU） | 机器学习,深度学习 | IMU传感器数据 | 研究中数据集参与者中位数为50人 | NA | 线性回归,支持向量机,随机森林 | NA | NA |
| 1850 | 2025-10-06 |
Identification of genomic alteration and prognosis using pathomics-based artificial intelligence in oral leukoplakia and head and neck squamous cell carcinoma: a multicenter experimental study
2025-Jan-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002077
PMID:39248300
|
研究论文 | 开发基于病理组学的人工智能模型预测口腔白斑和头颈鳞癌中9号染色体短臂缺失及其预后 | 首次在口腔白斑和头颈鳞癌中开发基因组改变预测的深度学习模型，结合Transformer和XGBoost算法 | 回顾性研究设计，样本量相对有限 | 开发快速、经济有效的9号染色体短臂缺失预测模型并评估头颈鳞癌患者预后 | 口腔白斑和头颈鳞癌患者 | 数字病理 | 头颈鳞癌 | 苏木精-伊红染色全切片成像 | Transformer, XGBoost | 病理图像 | 333例口腔白斑病例（训练集217例，验证集93例，外部测试集23例），407例头颈鳞癌病例（两个多中心数据集分别为42例和365例） | NA | Transformer | AUC | NA |
| 1851 | 2025-10-06 |
Cognitive Dysfunction in the Addictions (CDiA): protocol for a neuron-to-neighbourhood collaborative research program
2025, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2025.1455968
PMID:40462873
|
研究方案 | 介绍成瘾认知功能障碍研究项目的设计和实施方案，旨在通过多学科方法探索执行功能在物质使用障碍中的作用 | 采用从神经元到社区的多层次整合研究方法，结合临床、生物医学和健康服务研究，应用全人建模和深度学习识别患者亚型 | 研究样本仅限于18-60岁寻求治疗的SUD患者，随访时间为一年的限制 | 填补执行功能在物质使用障碍中作用的知识空白，开发更有效的干预措施 | 18-60岁寻求物质使用障碍治疗的成年患者（目标样本量400人） | 医学研究 | 物质使用障碍 | 重复经颅磁刺激，血液生物标志物分析，全人建模 | 深度学习，聚类分析 | 临床数据，神经影像数据，生物标志物数据，医疗利用数据 | 400名18-60岁寻求SUD治疗的成年人 | NA | NA | NA | NA |
| 1852 | 2025-10-06 |
Identification of Important Diagnostic Genes in the Uterine Using Bioinformatics and Machine Learning
2025, Medical journal of the Islamic Republic of Iran
DOI:10.47176/mjiri.39.4
PMID:40486012
|
研究论文 | 本研究结合生物信息学和机器学习方法识别子宫癌的重要诊断基因 | 首次通过深度学习技术识别出MEX3B、CTRP2(C1QTNF2)和AASS作为子宫癌的新型生物标志物 | 研究基于特定数据库数据，需要进一步实验验证 | 利用生物信息学和机器学习算法识别子宫癌的诊断和预后相关基因 | 子宫体子宫内膜癌(UCEC)患者 | 机器学习 | 子宫癌 | RNA表达谱分析，蛋白质-蛋白质相互作用网络分析 | DNN | 基因表达数据 | NA | NA | 深度神经网络 | 均方误差，均方根误差，R平方值，AUC，准确率 | NA |
| 1853 | 2025-10-06 |
Artificial intelligence based surgical support for experimental laparoscopic Nissen fundoplication
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1584628
PMID:40487013
|
研究论文 | 开发基于人工智能和计算机视觉的模型，用于分类腹腔镜Nissen胃底折叠术的质量指标 | 首个基于图像的AI/CV模型，用于分类腹腔镜Nissen胃底折叠术的质量指标 | 仅为实验性研究，未在临床Nissen胃底折叠术中进行测试 | 开发AI/CV算法支持手术质量评估 | 腹腔镜Nissen胃底折叠术的质量指标 | 计算机视觉 | 胃食管反流病 | 腹腔镜手术 | CNN | 图像, 视频 | 57个视频序列，提取3,138张图像 | NA | EfficientNet | F1-Score, Equal Error Rate | NA |
| 1854 | 2025-10-06 |
Metal artifact reduction combined with deep learning image reconstruction algorithm for CT image quality optimization: a phantom study
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.19516
PMID:40487060
|
研究论文 | 通过体模研究评估智能金属伪影减少算法与深度学习图像重建算法结合对CT图像质量的优化效果 | 首次系统评估MAR算法与深度学习图像重建算法在不同扫描参数组合下的协同优化效果 | 基于体模研究，尚未在真实患者中进行验证 | 优化CT图像质量，减少金属伪影 | 带有起搏器的体模 | 医学影像处理 | NA | CT扫描，金属伪影减少算法，深度学习图像重建 | 深度学习图像重建算法 | CT图像 | 体模实验，包含标准剂量(3 mSv)和低剂量(0.5 mSv)两组，每组合三种管电压(70,100,120 kVp) | NA | DLIR-H（高强度深度学习图像重建） | 伪影指数，噪声，信噪比，噪声功率谱 | NA |
| 1855 | 2025-10-06 |
Automatic quantification of left atrium volume for cardiac rhythm analysis leveraging 3D residual UNet for time-varying segmentation of ECG-gated CT
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.04.039
PMID:40487246
|
研究论文 | 提出基于AI的框架，通过3D残差UNet实现左心房时间序列分割并利用单类支持向量机进行房颤分类 | 首次结合定制化3D残差UNet和单类支持向量机，实现全心动周期左心房自动分割与房颤患者的精准分类 | 分类任务样本量较小（33例），模型对房颤的敏感度较低（70%） | 开发自动量化左心房体积并分析心脏节律的AI系统 | 房颤患者和窦性心律患者 | 医学影像分析 | 心血管疾病 | 心电图门控CT | 3D-UNet, OCSVM | 3D CT影像 | 93例时间序列心电图门控CT扫描（60例用于分割，33例用于分类） | NA | Residual 3D-UNet | Dice系数, 准确率, 精确率, 召回率, 特异度, 敏感度 | NA |
| 1856 | 2025-10-06 |
ScannerVision: Scanner-based image acquisition of medically important arthropods for the development of computer vision and deep learning models
2025, Current research in parasitology & vector-borne diseases
IF:1.7Q3
DOI:10.1016/j.crpvbd.2025.100268
PMID:40487328
|
研究论文 | 本文提出了一种基于扫描仪的高通量医学重要节肢动物图像采集方法，用于开发计算机视觉和深度学习模型 | 开发了基于CCD平板扫描仪的高通量图像采集方法，可替代传统立体显微镜，在保持图像质量的同时大幅提高处理效率 | 未明确说明扫描仪型号和具体参数设置，样本来源局限于特定采集方法 | 开发适用于机器学习模型训练的高质量节肢动物图像采集方法 | 医学重要节肢动物（昆虫和蜘蛛等） | 计算机视觉 | NA | CCD平板扫描成像 | CNN | 图像 | NA | TensorFlow, PyTorch, Keras | InceptionV3, ResNet, MobileNetV2 | 准确率 | NA |
| 1857 | 2025-06-12 |
Classification of non-small cell lung cancer by histologic subtype using deep learning in public and private data sets of computed tomography images
2025 Jan-Dec, Radiologia brasileira
DOI:10.1590/0100-3984.2024.0093
PMID:40487349
|
研究论文 | 开发了一种基于深度学习的系统，用于从CT图像中分类非小细胞肺癌的组织学亚型 | 使用2D U-Net和VGG16网络进行肿瘤分割和分类，并在公共和私人数据集上验证了其准确性 | 研究仅针对腺癌和鳞状细胞癌两种亚型，未涵盖其他非小细胞肺癌亚型 | 开发一个深度学习系统，用于从CT图像中自动分类非小细胞肺癌的组织学亚型 | 非小细胞肺癌（NSCLC）的CT图像 | 数字病理学 | 肺癌 | CT成像 | 2D U-Net, VGG16 | 图像 | 28,506张CT图像用于预训练，2,015张用于验证，3,080张腺癌和鳞状细胞癌图像用于分类算法开发 | NA | NA | NA | NA |
| 1858 | 2025-06-12 |
Brain Tumour Detection Using VGG-Based Feature Extraction With Modified DarkNet-53 Model
2025, International journal of biomedical imaging
IF:3.3Q2
DOI:10.1155/ijbi/5535505
PMID:40487802
|
research paper | 该研究提出了一种基于改进DarkNet-53模型和VGG特征提取的脑肿瘤检测方法，以提高MRI扫描中脑肿瘤的早期诊断准确率 | 结合改进的DarkNet-53架构和入侵杂草优化（IWO）算法，优化特征提取过程，显著提高脑肿瘤检测的准确率 | 研究仅基于3264个MRI扫描样本，可能需要更大规模的数据集验证模型的泛化能力 | 提高脑肿瘤的早期检测准确率，以改善治疗效果和患者预后 | MRI扫描图像中的脑肿瘤 | computer vision | brain tumor | deep learning | modified DarkNet-53 with VGG-based feature extraction | MRI images | 3264 MRI scans | NA | NA | NA | NA |
| 1859 | 2025-06-12 |
Automatic identification of human spermatozoa with zona pellucida-binding capability using deep learning
2025, Human reproduction open
IF:8.3Q1
DOI:10.1093/hropen/hoaf024
PMID:40487847
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于自动识别具有透明带结合能力的人类精子，以预测其受精潜力 | 首次建立了一个独立于传统精液分析的深度学习模型，基于精子受精能力而非WHO标准进行形态评估 | 模型目前仅适用于高分辨率、风干、Diff-Quik染色的精子样本，需要进一步研究验证其在其他图像质量和大样本量下的分类性能 | 开发一种能够预测精子受精潜力的自动化评估方法 | 人类精子 | 数字病理学 | 男性不育症 | 深度学习 | VGG13 | 图像 | 1083张Diff-Quik染色图像用于训练，220张用于独立测试，临床验证涉及117名男性患者的33000多张精子图像 | NA | NA | NA | NA |
| 1860 | 2025-06-12 |
Leveraging machine learning in nursing: innovations, challenges, and ethical insights
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1514133
PMID:40487987
|
综述 | 本文综述了机器学习在护理领域的应用，探讨其对患者护理、护理实践和医疗保健服务的影响 | 填补了机器学习在护理领域应用的讨论空白，平衡了技术创新与护理的人本特性 | 未提及具体研究样本量，且主要基于2019-2023年的文献，可能无法涵盖最新进展 | 分析机器学习在护理中的整合情况，包括当前应用、挑战、伦理考量和未来发展潜力 | 护理领域的机器学习应用 | 机器学习 | NA | 机器学习 | 深度学习（如COMPOSER模型） | NA | NA | NA | NA | NA | NA |