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 1941 - 1960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1941 | 2025-06-01 |
Next-generation fall detection: harnessing human pose estimation and transformer technology
2025, Health systems (Basingstoke, England)
DOI:10.1080/20476965.2024.2395574
PMID:40438315
|
research paper | 该研究结合人体姿态估计框架和transformer深度学习模型，开发了一种轻量级、保护隐私的跌倒检测系统 | 结合三种领先的人体姿态估计框架和transformer模型，开发出可在低功耗设备上运行、无需穿戴设备且所有处理均在本地完成的隐私保护跌倒检测系统 | 未提及系统在极端光照条件或复杂背景环境下的表现 | 开发高精度、高效且保护隐私的老年人跌倒检测系统 | 老年人跌倒行为 | computer vision | geriatric disease | human pose estimation, transformer deep learning | transformer | video | 未提及具体样本数量，但进行了真实世界测试 | NA | NA | NA | NA |
| 1942 | 2025-06-01 |
Knowledge map of artificial intelligence in neurodegenerative diseases: a decade-long bibliometric and visualization study
2025, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2025.1586282
PMID:40438502
|
研究论文 | 通过文献计量和可视化方法分析过去十年神经退行性疾病领域AI研究的文献，挖掘该领域的核心期刊、机构、作者和国家，并分析关键词以推测未来研究趋势 | 首次使用文献计量和可视化方法系统分析神经退行性疾病AI研究领域的知识图谱，并预测未来四大研究趋势 | 仅基于Web of Science数据库的1921篇文献进行分析，可能未涵盖所有相关研究 | 分析神经退行性疾病领域AI研究的现状和发展趋势 | 2015-2025年间神经退行性疾病AI研究领域的1921篇文献 | 机器学习 | 神经退行性疾病 | 文献计量分析、知识图谱可视化 | NA | 文献数据 | 1921篇出版物 | NA | NA | NA | NA |
| 1943 | 2025-06-01 |
Comparative analysis of multi-zone peritumoral radiomics in breast cancer for predicting NAC response using ABVS-based deep learning models
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1586715
PMID:40438687
|
research paper | 本研究通过基于ABVS的深度学习模型，比较分析乳腺癌多区域瘤周放射组学特征，以预测新辅助化疗（NAC）反应 | 首次系统比较不同瘤周厚度区域对NAC反应预测的准确性，并开发了结合瘤内和瘤周特征的AI模型 | 研究为回顾性分析，样本量相对有限（402例患者） | 建立可临床实施的框架，通过标准化预测模型早期识别NAC无反应者 | 乳腺癌患者 | digital pathology | breast cancer | Automated Breast Volume Scanning (ABVS), radiomics | TabNet | image | 402例乳腺癌患者 | NA | NA | NA | NA |
| 1944 | 2025-06-01 |
Reducing annotation effort in agricultural data: simple and fast unsupervised coreset selection with DINOv2 and K-means
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1546756
PMID:40438735
|
research paper | 该研究提出了一种结合DINOv2和K-means的无监督核心集选择方法，以减少农业数据标注的工作量 | 结合了最新的基础模型DINOv2作为特征选择器与K-means聚类方法，提出了一种简单有效的核心集选择方法 | 未提及方法在大规模数据集上的扩展性或计算效率 | 减少农业应用中深度学习模型训练所需的标注数据量 | 农业数据 | machine learning | NA | DINOv2, K-means | multiclass classification model | image | 在两个不同数据集上进行了验证，具体样本量未提及 | NA | NA | NA | NA |
| 1945 | 2025-06-01 |
Deep learning-based anomaly detection for precision field crop protection
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1576756
PMID:40438741
|
research paper | 提出了一种结合IMSFNet和AROS的新型框架，用于精准农业中的异常检测和资源优化 | 整合了多模态数据融合和时空建模的IMSFNet，以及基于实时环境反馈的AROS资源优化策略 | 未提及具体实验样本量和跨地区应用的普适性验证 | 优化精准农业中的作物保护和资源利用效率 | 农田作物健康异常（病虫害爆发、疾病传播、营养缺乏等） | 精准农业 | NA | 多模态数据融合（无人机、卫星、地面传感器、气象站数据） | IMSFNet（集成多模态智能农业网络） | 多源时空数据 | NA | NA | NA | NA | NA |
| 1946 | 2025-06-01 |
Optimizing drug synergy prediction through categorical embeddings in deep neural networks
2025, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpaf033
PMID:40438791
|
研究论文 | 本文研究了在深度神经网络中使用分类嵌入来优化药物协同预测 | 利用分类嵌入捕捉类别元素间的相似性，特别是在数据稀缺情况下表现出优势 | 未提及具体的数据集规模或模型验证的局限性 | 提高药物协同作用的预测准确性 | 药物组合的协同作用 | 机器学习 | 癌症 | 深度神经网络 | DNN | 药物组合数据 | NA | NA | NA | NA | NA |
| 1947 | 2025-05-31 |
HVSeeker: a deep-learning-based method for identification of host and viral DNA sequences
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf037
PMID:40372723
|
research paper | HVSeeker是一种基于深度学习的方法，用于区分细菌和噬菌体序列 | HVSeeker结合了两种独立的模型（DNA序列和蛋白质分析）以及三种预处理方法（填充、contigs组装和滑动窗口），在识别未知噬菌体基因组方面表现出色 | NA | 开发一种能够从混合宏基因组中准确识别宿主和病毒序列的方法 | 细菌和噬菌体序列 | bioinformatics | NA | deep learning | HVSeeker（包含DNA序列和蛋白质分析两个独立模型） | DNA序列和蛋白质序列 | 测试数据来自NCBI和IMGVR数据库，序列长度范围200到1,500碱基对 | NA | NA | NA | NA |
| 1948 | 2025-05-31 |
Leveraging Extended Windows in End-to-End Deep Learning for Improved Continuous Myoelectric Locomotion Prediction
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3552530
PMID:40100693
|
研究论文 | 本研究探讨了利用扩展窗口长度在端到端深度学习中改进连续肌电运动预测的方法 | 通过扩展窗口长度（250 ms至1500 ms）结合端到端CNN处理原始sEMG信号，克服了传统方法在预测能力上的限制 | 研究未涉及不同个体间的泛化能力验证 | 改进连续肌电运动预测的准确性和实时性 | 表面肌电信号（sEMG）和连续运动模式 | 机器学习 | NA | 表面肌电信号（sEMG）采集 | CNN | 信号数据 | 涉及8种运动模式和16种过渡状态 | NA | NA | NA | NA |
| 1949 | 2025-05-31 |
Continuous Joint Kinematics Prediction Using GAT-LSTM Framework Based on Muscle Synergy and Sparse sEMG
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3565305
PMID:40299730
|
研究论文 | 提出了一种基于肌肉协同和稀疏sEMG的GAT-LSTM框架，用于连续关节运动预测 | 结合肌肉协同理论和图注意力网络，有效补偿稀疏sEMG设置的局限性，显著提高预测精度 | NA | 提高基于sEMG的连续运动预测的准确性和可靠性 | sEMG信号和关节运动 | 机器学习 | NA | sEMG | GAT-LSTM | sEMG信号 | 公共数据集Ninapro DB2和自收集数据集 | NA | NA | NA | NA |
| 1950 | 2025-05-31 |
Optimizing gene selection and module identification via ontology-based scoring and deep learning
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf034
PMID:40365108
|
research paper | 提出了一种结合统计方法和深度学习的集成框架，用于优化基因选择和模块识别 | 结合了基于基因本体论（GO）的新型统计算法和深度神经网络模型，提高了基因选择的准确性和生物相关性 | 未提及具体样本量或实验验证的局限性 | 优化基因选择并识别基因相互作用模块，以更好地理解复杂疾病机制 | 基因表达数据和基因相互作用 | computational biology | NA | gene ontology (GO) scoring, deep learning | deep neural network, feed-forward architecture | omics data, gene expression data | NA | NA | NA | NA | NA |
| 1951 | 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 |
| 1952 | 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 |
| 1953 | 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 |
| 1954 | 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 |
| 1955 | 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 |
| 1956 | 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 |
| 1957 | 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 |
| 1958 | 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 |
| 1959 | 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 |
| 1960 | 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 |