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 1921 - 1940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1921 | 2025-06-03 |
Enhancing the dataset of CycleGAN-M and YOLOv8s-KEF for identifying apple leaf diseases
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321770
PMID:40445983
|
研究论文 | 本研究提出了一种基于深度学习的方法，通过改进CycleGAN-M和YOLOv8s-KEF模型来提高苹果叶病害的识别准确率 | 使用多尺度注意力机制增强CycleGAN-M网络生成合成样本，改进YOLOv8s-KEF模型的特征提取能力，特别是针对小病变和复杂纹理 | 模型大小增加了6MB，可能影响部署效率 | 提高苹果叶病害的识别准确率，解决数据集有限、样本量小和识别精度低的问题 | 苹果叶病害 | 计算机视觉 | 植物病害 | 深度学习 | CycleGAN-M, YOLOv8s-KEF | 图像 | NA | NA | NA | NA | NA |
| 1922 | 2025-06-03 |
ArsenicNet: An efficient way of arsenic skin disease detection using enriched fusion Xception model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322405
PMID:40446004
|
研究论文 | 提出了一种名为ArsenicNet的融合Xception模型，用于高效检测砷污染引起的皮肤疾病 | 结合Xception模型与Inception模块的深度学习架构，在砷皮肤疾病检测中表现出优越性能 | 数据集样本量较小（仅1287个样本），且仅基于孟加拉国人群 | 开发高效准确的砷皮肤疾病检测方法 | 砷污染引起的皮肤疾病 | 计算机视觉 | 皮肤疾病 | 深度学习 | Xception与Inception模块融合的CNN | 图像 | 1287张基于孟加拉国人群的皮肤图像 | NA | NA | NA | NA |
| 1923 | 2025-06-03 |
Segmentation-based deep 2D-3D multibranch learning approach for effective hyperspectral image classification
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321559
PMID:40446012
|
研究论文 | 本文提出了一种基于分割的深度2D-3D多分支学习方法，用于高效的高光谱图像分类 | 提出了一种新颖的多层多分支2D-3D CNN模型，结合了SPCA和mRMR技术，能够分层处理不同重要性的特征 | 未明确提及具体局限性，但可能涉及计算复杂性和模型泛化能力 | 解决高光谱图像分类中的数据冗余、计算成本高、样本不足和维度诅咒等问题 | 高光谱图像中的土地覆盖物体分类 | 计算机视觉 | NA | Segmented Principal Component Analysis (SPCA), minimum-Redundancy-Maximum-Relevance (mRMR) | 2D-3D CNN | 高光谱图像 | Salinas Scene、University of Pavia和Indian Pines高光谱图像数据集 | NA | NA | NA | NA |
| 1924 | 2025-06-02 |
Advanced predictive modeling for enhanced mortality prediction in ICU stroke patients using clinical data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323441
PMID:40435317
|
研究论文 | 该研究开发了一种深度学习模型，用于预测ICU中缺血性卒中患者的死亡率，通过优化的特征选择和数据清理提高了预测准确性 | 结合XGBoost进行特征选择和深度学习模型，显著减少了特征数量（从1095降至30），并在AUROC上实现了13%的提升 | 研究依赖于MIMIC-IV数据库的数据，可能无法完全代表所有ICU卒中患者的情况 | 优化ICU中缺血性卒中患者的死亡率预测，以改善治疗策略和资源分配 | ICU中的缺血性卒中患者 | 机器学习 | 心血管疾病 | SMOTE（合成少数类过采样技术） | XGB-DL（结合XGBoost和深度学习） | 临床数据（包括诊断、生命体征、实验室测试、药物、程序、治疗和临床记录） | 3,646名ICU患者（训练集2,441名，测试集523名，验证集523名） | NA | NA | NA | NA |
| 1925 | 2025-06-02 |
Advancing malware imagery classification with explainable deep learning: A state-of-the-art approach using SHAP, LIME and Grad-CAM
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318542
PMID:40435333
|
research paper | 该研究通过使用SHAP、LIME和Grad-CAM等可解释性技术，对集成深度神经网络（DNNW）进行对比分析，以提高恶意软件图像分类的可解释性和准确性 | 结合多种可解释性技术（SHAP、LIME、Grad-CAM）分析恶意软件图像数据，提升模型透明度和可信度 | 研究主要集中在恶意软件图像数据上，对其他类型恶意软件的适用性未明确说明 | 开发可解释且强大的AI模型，以提高恶意软件检测的可靠性和信任度 | 恶意软件图像数据 | machine learning | NA | SHAP, LIME, Grad-CAM | DNNW, RUSBoost, Random Forest, Subspace, AdaBoost, BagTree | image | NA | NA | NA | NA | NA |
| 1926 | 2025-06-02 |
A deep learning-based algorithm for the detection of personal protective equipment
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322115
PMID:40440260
|
研究论文 | 提出了一种基于YOLOv8n改进的深度学习算法，用于检测建筑工地上的个人防护装备（PPE） | 设计了多尺度组卷积模块（MSGP）和多尺度特征扩散金字塔网络（MFDPN），并引入了自定义任务对齐模块和DCNV2模块，提高了检测精度和适应性 | 未提及具体的数据集规模或实际部署中的性能表现 | 提高建筑工地个人防护装备的检测精度和效率 | 建筑工地上的个人防护装备（PPE） | 计算机视觉 | NA | 深度学习 | YOLOv8n改进模型（MFD-YOLO） | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1927 | 2025-06-02 |
DualDistill: a dual-guided self-distillation approach for carotid plaque analysis
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1554578
PMID:40443518
|
研究论文 | 本文提出了一种名为DualDistill的双引导自蒸馏框架，用于提高颈动脉斑块超声视频分类的准确性和泛化性能 | 提出了两种新策略：帧内关系引导策略用于捕捉长期时间依赖性，时空注意力引导策略用于减少无关特征和噪声的影响 | 研究基于有限的数据集（317个颈动脉斑块超声视频），可能影响模型的广泛适用性 | 提高颈动脉斑块分类的准确性和泛化性能，以可靠评估心血管疾病风险 | 颈动脉斑块超声视频 | 计算机视觉 | 心血管疾病 | 自蒸馏框架 | 3D ResNet50等13种代表性模型 | 超声视频 | 317个颈动脉斑块超声视频 | NA | NA | NA | NA |
| 1928 | 2025-06-02 |
EODA: A three-stage efficient outlier detection approach using Boruta-RF feature selection and enhanced KNN-based clustering algorithm
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322738
PMID:40445940
|
研究论文 | 提出了一种名为EODA的三阶段高效异常值检测方法，结合Boruta-RF特征选择和增强的KNN聚类算法 | 提出了一种三阶段的高效异常值检测方法EODA，结合Boruta-RF特征选择和增强的KNN聚类算法，提高了检测精度并考虑了数据集特性 | 未提及具体的数据集规模限制或计算资源需求 | 开发一种高效的异常值检测方法，以提高检测精度并考虑数据集特性 | 异常值检测 | 机器学习 | NA | Boruta-RF特征选择、KNN聚类算法 | Random Forest、KNN | 结构化数据 | 八个UCI机器学习库数据集 | NA | NA | NA | NA |
| 1929 | 2025-10-06 |
Is a single model enough? The systematic comparison of computational approaches for detecting populist radical right content
2025, Quality & quantity
DOI:10.1007/s11135-024-02034-1
PMID:40343105
|
研究论文 | 系统比较不同计算方法在检测民粹主义激进右翼文本内容方面的性能表现 | 首次系统比较了66种词典方法、传统监督机器学习和深度学习模型在PRR内容检测任务上的表现，并分析了330种集成模型的效果 | 在噪声较多的数据集上性能仍然欠佳，集成模型相比单个深度学习模型改进有限 | 开发有效的计算方法来检测民粹主义激进右翼在线内容 | 德语文本数据中的民粹主义激进右翼内容 | 自然语言处理 | NA | 文本挖掘, 内容分析 | 词典模型, 经典监督机器学习, 深度学习 | 文本 | 三个德语测试数据集 | NA | NA | NA | NA |
| 1930 | 2025-10-06 |
Correction: Detection and position evaluation of chest percutaneous drainage catheter on chest radiographs using deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323951
PMID:40424208
|
修正 | 对先前发表的关于使用深度学习检测和评估胸部经皮引流导管在胸片上的位置的文章进行修正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1931 | 2025-10-06 |
Swim-Rep fusion net: A new backbone with Faster Recurrent Criss Cross Polarized Attention
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321270
PMID:40424251
|
研究论文 | 提出一种结合SwimTransformer和RepVGG优势的新型融合网络，包含多尺度特征融合模块和高效注意力机制 | 提出Swim-Rep融合网络架构，创新性地设计多尺度条带池化融合模块(MPF)和更快的循环交叉极化注意力模块(FRCPA) | NA | 提升医学图像和遥感图像分类任务的性能 | 心电图信号和遥感图像 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN, Transformer | 图像, 信号数据 | MIT-BIH数据库和RSSCN7数据集 | NA | SwimTransformer, RepVGG, Swim-Rep融合网络 | 准确率 | NA |
| 1932 | 2025-10-06 |
Deep learning-enhanced signal detection for communication systems
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324916
PMID:40424260
|
研究论文 | 提出一种结合MIMO与OFDM技术的深度学习增强型通信信号检测系统 | 创新性地采用双DNN级联结构和混合激活函数设计，并构建基于CNN批归一化机制的DCNet解码器 | NA | 优化通信信号检测的准确性和实时性能 | MIMO-OFDM通信系统信号 | 机器学习 | NA | 多输入多输出技术、正交频分复用技术 | DNN, CNN | 通信信号数据 | NA | NA | 双DNN级联结构, DCNet | 准确率, 符号错误率, 吞吐量, 调制错误率, 误检率, 漏检率, 检测速度, 延迟 | CPU使用率25%, 内存使用适中 |
| 1933 | 2025-10-06 |
InBRwSANet: Self-attention based parallel inverted residual bottleneck architecture for human action recognition in smart cities
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322555
PMID:40424287
|
研究论文 | 提出一种基于自注意力的并行倒置残差瓶颈架构用于智能城市中的人类行为识别 | 结合并行倒置残差瓶颈模块与自注意力机制的新型深度学习架构，并采用粒子群优化算法选择超参数 | 仅在HMDB51和UCF101两个数据集上进行测试，需要更多样化的数据集验证泛化能力 | 解决复杂人类行为识别问题，提升智能城市中的实时监控和人机交互应用 | 人类行为视频数据 | 计算机视觉 | NA | 深度学习 | CNN, 自注意力机制 | 视频 | HMDB51和UCF101数据集 | NA | InBRwSANet, 并行倒置残差瓶颈块, 自注意力机制 | 准确率, 误差范围 | NA |
| 1934 | 2025-10-06 |
Application of a grey wolf optimization-enhanced convolutional neural network and bidirectional gated recurrent unit model for credit scoring prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322225
PMID:40424348
|
研究论文 | 提出一种结合灰狼优化算法、卷积神经网络和双向门控循环单元的信用评分预测模型 | 首次将灰狼优化算法与CNN-BiGRU模型结合用于信用评分预测，通过智能优化算法提升模型参数调优效果 | NA | 提高信用评分预测的准确性和效率，解决传统方法对大规模高维金融数据特征提取不足的问题 | 金融信用评分数据 | 机器学习 | NA | 深度学习 | CNN, BiGRU | 金融时序数据 | 多个公开信用评分数据集（包括LendingClub贷款数据集） | NA | CNN-BiGRU-GWO | MAE, MAPE, RMSE, MSE | NA |
| 1935 | 2025-06-01 |
Uncertainty-Aware Bayesian Deep Learning with Noisy Training Labels for Epileptic Seizure Detection
2025, Uncertainty for safe utilization of machine learning in medical imaging : 6th international workshop, UNSURE 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, proceedings. UNSURE (Workshop) (6th : 2024 : ...
DOI:10.1007/978-3-031-73158-7_1
PMID:40433566
|
研究论文 | 提出了一种新颖的贝叶斯框架BUNDL，用于在监督深度学习中减轻标签噪声的影响，特别针对基于EEG的癫痫发作检测 | 利用领域知识设计后验分布，自动调整基于数据不确定性的“干净标签”，并可以包装任何现有检测模型 | 未提及具体局限性 | 减轻监督深度学习中标签噪声的影响，提高癫痫发作检测的准确性 | EEG信号和癫痫发作检测 | 机器学习 | 癫痫 | 贝叶斯深度学习 | 深度网络 | EEG信号 | 模拟EEG数据集和Temple University Hospital (TUH)语料库 | NA | NA | NA | NA |
| 1936 | 2025-06-01 |
Deep learning-based classification of speech disorder in stroke and hearing impairment
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315286
PMID:40435156
|
research paper | 该研究开发了一种基于深度学习的模型，用于分类由中风和听力障碍引起的语音障碍 | 研究不仅比较正常人和语音障碍患者的语音数据，还进一步分类语音障碍的具体病因，如中风和听力障碍 | 研究仅针对韩语语音障碍数据，可能无法推广到其他语言或更广泛的语音障碍类型 | 分类语音障碍的具体病因，如中风和听力障碍，通过分析语音数据 | 由中风和听力障碍引起的韩语语音障碍数据 | natural language processing | stroke, hearing impairment | deep learning | ResNet-18, Inception V3, SEResNeXt-18 | voice data | NA | NA | NA | NA | NA |
| 1937 | 2025-06-01 |
Odor classification: Exploring feature performance and imbalanced data learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322514
PMID:40435193
|
research paper | 本研究探讨了嗅觉这一复杂且未被充分理解的感官模式，旨在填补近期研究中使用机器学习和深度学习方法预测人类嗅觉感知的两个空白 | 通过构建包含2606个分子的新数据集，评估了三种特征（质谱、振动光谱和分子指纹）的性能，并提出了可解释的成本敏感多层感知器模型（CSMLP）来处理类别不平衡问题 | 研究中未提及具体的数据集来源和分子选择的偏差可能对结果的影响 | 比较不同特征在气味分类中的预测性能，并解决多标签数据集中的类别不平衡问题 | 2606个分子及其对应的质谱、振动光谱和分子指纹特征 | machine learning | NA | multi-label classification, random resampling, cost-sensitive learning | multilayer perceptron (MLP), CSMLP | mass spectra (MS), vibrational spectra (VS), molecular fingerprint features (FP) | 2606个分子 | NA | NA | NA | NA |
| 1938 | 2025-06-01 |
Implications of artificial intelligence in periodontal treatment maintenance: a scoping review
2025, Frontiers in oral health
IF:3.0Q1
DOI:10.3389/froh.2025.1561128
PMID:40438083
|
综述 | 本文探讨了人工智能在牙周治疗维护中的应用及其影响 | 人工智能在牙周病诊断和治疗规划中展现出高精度和个性化护理的优势 | 标准化和伦理问题是人工智能广泛应用的关键挑战 | 评估人工智能在牙周维护中的应用及其效果 | 牙周病（牙龈炎和牙周炎） | 人工智能在医疗健康中的应用 | 牙周病 | 深度学习算法，如卷积神经网络（CNNs）和分割技术 | Multi-Label U-Net, CNN | 临床数据和影像数据 | 2018年至2024年间发表的研究 | NA | NA | NA | NA |
| 1939 | 2025-06-01 |
Label-Free Prediction of Fluorescently Labeled Fibrin Networks
2025, Biomaterials research
IF:8.1Q1
DOI:10.34133/bmr.0211
PMID:40438124
|
research paper | 提出一种深度学习工具，用于从无标记图像堆栈中预测荧光标记的光学切片，以恢复反射共聚焦显微镜（RCM）未检测到的纤维 | 使用深度学习模型从RCM图像和激光透射图像预测荧光标记，避免了荧光染料对细胞活力和样品的影响 | 预测的纤维比原始荧光标记略宽（0.213 ± 0.009 μm） | 开发一种无需荧光标记即可研究细胞外基质（ECM）纤维结构的方法 | 纤维蛋白网络和胶原蛋白等天然生物材料的纤维结构 | digital pathology | NA | 反射共聚焦显微镜（RCM）和深度学习 | 全卷积图像到图像映射架构 | 图像 | NA | NA | NA | NA | NA |
| 1940 | 2025-06-01 |
Construction of a predictive model for rebleeding risk in upper gastrointestinal bleeding patients based on clinical indicators such as Helicobacter pylori infection
2025, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2025.1510126
PMID:40438212
|
研究论文 | 基于幽门螺杆菌感染等临床指标构建上消化道出血患者再出血风险的预测模型 | 结合幽门螺杆菌感染程度与多项临床实验室检查数据，开发了一种深度学习模型，用于预测上消化道出血患者的再出血风险 | 研究样本仅来自单一医院的254名患者，可能影响模型的泛化能力 | 构建一个预测上消化道出血患者再出血风险的临床模型 | 上消化道出血患者 | 数字病理 | 上消化道出血 | 深度学习 | Transformer + KAN | 临床信息和实验室指标 | 254名上消化道出血患者 | NA | NA | NA | NA |