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 19278 篇文献，本页显示第 2661 - 2680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2661 | 2026-02-19 |
A Deep Neural Network Framework for the Detection of Bacterial Diseases from Chest X-Ray Scans
2025, Infectious disorders drug targets
|
研究论文 | 本研究开发了一个基于深度神经网络的框架，用于从胸部X光扫描中检测包括COVID-19、肺炎和结核病在内的呼吸系统疾病 | 利用多种DNN学习算法分析X光扫描的颜色、曲线和边缘特征，并采用Adam优化器降低错误率，VGG19模型在准确率上相比其他模型有显著提升 | NA | 开发一个先进的深度学习框架，用于快速检测呼吸系统疾病 | 胸部X光扫描图像 | 计算机视觉 | 肺病 | NA | DNN | 图像 | 1800张胸部X光图像，包括COVID-19、肺炎、结核病和正常病例 | NA | VGG19, AlexNet, GoogleNet, InceptionV3, VGG16 | 准确率, 灵敏度, 特异性, F1分数, 错误率 | NA |
| 2662 | 2026-02-19 |
LeafSightX: an explainable attention-enhanced CNN fusion model for apple leaf disease identification
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1689865
PMID:41693760
|
研究论文 | 提出了一种名为LeafSightX的可解释注意力增强CNN融合模型，用于苹果叶片病害的快速精准识别 | 采用双主干架构（DenseNet201和InceptionV3）结合多头自注意力机制，增强特征表示能力和空间上下文推理，并集成可解释AI技术（Grad-CAM）提高模型透明度 | 模型架构较为复杂 | 开发适用于精准农业的苹果叶片病害识别系统 | 苹果叶片病害 | 计算机视觉 | 植物病害 | 深度学习 | CNN, 注意力机制 | 图像 | 包含田间和实验室图像的五类苹果叶片病害数据集，并在一个额外的独立数据集上进行了验证 | 未明确提及 | DenseNet201, InceptionV3 | 准确率, F1分数, AUC, PR-AUC, Cohen's Kappa | 未明确提及，但模型具备实时推理能力，适合边缘设备部署 |
| 2663 | 2026-02-19 |
Explaining factors influencing students' depression with a deep learning approach
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1684274
PMID:41694756
|
研究论文 | 本研究提出了一种名为GLNet的人工智能算法，通过整合Mamba和卷积层从学生的社会人口学、学术和生活方式信息中提取特征，用于分析学生抑郁的影响因素 | 提出了一种新型的深度学习模型GLNet，该模型创新性地结合了Mamba和卷积层，用于从多维度学生数据中提取特征以分析抑郁相关因素 | 研究基于公开可用的学生抑郁数据集，可能无法完全代表所有学生群体，且模型性能可能受数据质量和样本量的限制 | 准确识别学生抑郁并分析其关键影响因素，以改善学生心理健康 | 学生群体，包括其社会人口学特征、学术表现和生活方式信息 | 机器学习 | 心理健康障碍 | 深度学习 | CNN, Mamba | 结构化数据（包括社会人口学、学术和生活方式信息） | 公开可用的学生抑郁数据集中的样本 | NA | GLNet（整合Mamba和卷积层的自定义架构） | 准确率 | NA |
| 2664 | 2026-02-19 |
PointNeXt-DBSCAN: a hybrid point cloud deep learning framework for multi-stage cotton leaf instance segmentation
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1705564
PMID:41695536
|
研究论文 | 本研究提出了一种结合PointNeXt与DBSCAN的混合点云深度学习框架，用于棉花多生长阶段的叶片实例分割 | 提出了一种两阶段混合框架，先使用PointNeXt网络进行语义分割，再利用密度自适应的DBSCAN聚类进行实例分割，有效缓解了新叶的过分割问题 | 未明确说明框架在极端遮挡或高度密集叶片场景下的性能，也未讨论计算效率或实时处理能力 | 实现棉花点云中器官级别的实例分割，以支持关键表型性状的自动提取 | 棉花植株点云数据，涵盖从幼苗到吐絮期的多个生长阶段 | 计算机视觉 | NA | 多视角图像重建 | 深度学习, 聚类 | 点云 | 1065株棉花植株 | NA | PointNeXt, DBSCAN | mIoU, ARI, 过分割率, 误差率 | NA |
| 2665 | 2026-02-19 |
Vision-language models for zero-shot weed detection and visual reasoning in UAV-based precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1735096
PMID:41695537
|
研究论文 | 本研究评估了六种商用视觉语言模型在无人机农业图像上进行零样本杂草检测和视觉推理的能力 | 首次在无人机农业图像上系统评估商用视觉语言模型的零样本杂草检测与推理能力，并提出了错误探测提示法以量化模型的可解释性和自校正能力 | 研究仅基于大豆田数据，模型在定位和特异性方面存在不足，且部分模型在压力测试中表现出脆弱的推理能力 | 探索视觉语言模型在精准农业中作为低标注杂草管理工具的潜力 | 无人机采集的大豆田图像及地面真实杂草标注框 | 计算机视觉 | NA | 无人机成像，视觉语言模型 | 视觉语言模型 | 图像 | 无人机图像数据集（具体数量未说明） | NA | ChatGPT-4.1, ChatGPT-4o, Gemini Flash 2.5, Gemini Flash Lite 2.5, LLaMA-4 Scout, LLaMA-4 Maverick | 零样本性能，可解释性评分（基础性、特异性、合理性、非幻觉性、可操作性），文本到区域重叠度量 | NA |
| 2666 | 2026-02-19 |
Transfer learning for improving generalizability in predicting soybean maturity date using UAV imagery
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1720819
PMID:41695541
|
研究论文 | 本研究评估了三种迁移学习技术在利用历史数据预测大豆成熟日期模型泛化能力方面的可行性 | 首次将预训练与微调、单源与多源域适应等迁移学习技术应用于基于无人机影像的大豆成熟日期预测，以提升模型在新环境中的泛化性能 | 研究仅基于两个地点的五年试验数据，样本量和环境多样性可能有限，且未考虑其他潜在影响因素如气候变异 | 提高利用无人机影像预测大豆育种品系成熟日期的模型泛化能力，以支持作物育种效率 | 大豆育种品系 | 计算机视觉 | NA | 无人机多光谱成像 | 深度学习模型 | 多光谱图像 | 2018年至2021年在两个地点进行的五个育种试验 | NA | NA | 决定系数R2, 均方根误差 | NA |
| 2667 | 2026-02-19 |
Robust prostate cancer risk stratification from unregistered mpMRI via learned cross-modal correspondence
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1700447
PMID:41696070
|
研究论文 | 本文提出了一种名为CMOT-Fusion的深度学习框架，用于在不进行图像配准的情况下，融合未对齐的多参数MRI序列以进行前列腺癌风险分层 | 开发了CMOT-Fusion框架，通过学习未配准的T2WI和ADC图像之间诊断相关区域的对应关系，实现了无需显式图像配准步骤的鲁棒多模态融合 | 研究为单中心回顾性设计，独立测试队列规模较小，结果应被视为探索性的，需要多中心前瞻性验证 | 开发并验证一种深度学习框架，以克服多参数MRI数据空间未对齐的局限性，实现鲁棒的前列腺癌风险分层 | 300名经病理证实的前列腺癌患者，所有患者均接受了活检前的多参数前列腺MRI检查 | 数字病理学 | 前列腺癌 | 多参数MRI (mpMRI)，包括T2加权成像和表观扩散系数成像 | 深度学习 | 图像 | 300名患者，分为开发队列（n=250）用于5折交叉验证和时间测试队列（n=50）用于独立评估 | NA | CMOT-Fusion (Cross-Modal Optimal Transport Fusion) | AUC | NA |
| 2668 | 2026-02-19 |
Digital health interventions from the humanistic perspective of sports: strategies to promote health for all
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1620031
PMID:41696709
|
研究论文 | 本文提出了一种结合人本主义视角的深度学习框架，用于个性化数字健康干预，以促进全民健康 | 提出了一种融合特征嵌入、残差连接和多头注意力机制的人本主义深度学习架构，能动态优先处理生理重要特征，在个性化运动推荐中实现了预测准确性与公平性的新基准 | NA | 通过个性化数字健康干预策略促进可持续健康，弥补传统模型在个体人口统计学和生理变异性方面的不足 | 个性化运动推荐 | 机器学习 | NA | 深度学习 | 深度学习模型 | 结构化数据（年龄、BMI、性别、运动类型、心率、持续时间等） | NA | NA | 具有特征嵌入、残差连接和多头注意力机制的深度学习架构 | 平均绝对误差（MAE）、准确率、F1分数 | NA |
| 2669 | 2026-02-19 |
Assessing the impact of waterfront trail aesthetics on psychological restoration in urban environments: a deep learning and random forest approach
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1757145
PMID:41696707
|
研究论文 | 本研究采用深度学习与随机森林方法，评估城市滨水步道美学对心理恢复的影响 | 结合深度学习量化景观变量，并采用随机森林与结构方程模型揭示不同护岸类型下景观属性通过美景度中介影响多维心理恢复的特定路径 | 变量重要性解释为预测贡献而非因果机制，研究结果可能受样本量（30个站点）和特定城市环境限制 | 探究城市滨水步道景观属性如何通过美景度影响多维心理恢复（情感、认知、生理、行为），并比较不同护岸类型的差异 | 30个城市滨水步道站点的15个景观变量（F1-F15）及其与美景度和四个恢复性维度的关联 | 机器学习 | NA | 深度学习，随机森林，Spearman相关分析，非参数组比较，结构方程模型 | 随机森林 | 景观变量数据，美景度评分，心理恢复多维评分 | 30个城市滨水步道站点 | NA | NA | 变量重要性（预测贡献），路径系数 | NA |
| 2670 | 2026-02-19 |
Graph-enhanced multimodal fusion of vascular biomarkers and deep features for diabetic retinopathy detection
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1731633
PMID:41704302
|
研究论文 | 提出了一种结合深度特征与血管生物标志物的多模态框架，用于糖尿病视网膜病变检测 | 提出了一种基于Transformer的跨模态融合架构，将深度空间特征与血管图全局拓扑感知嵌入相结合，创新性地整合了卷积块注意力模块、图神经网络和血管描述符分析 | 未明确说明模型的计算复杂度、推理时间以及在临床环境中的实时应用可行性 | 开发一个用于糖尿病视网膜病变检测的可靠多模态框架 | 糖尿病视网膜病变患者的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | CLAHE、Canny边缘检测、Top-hat变换、U-Net血管分割、分形维数分析、动静脉比率、灰度共生矩阵纹理分析 | CNN, GNN, Transformer | 图像 | Messidor-2、Eyepacs和APTOS 2019数据集（具体样本数未提供） | NA | MobileNetV3, U-Net, 图神经网络, Transformer | 准确率, 精确率, 召回率, AUC-ROC | NA |
| 2671 | 2026-02-19 |
Understanding Machine Learning Applications in Lung Transplantation: A Narrative Review
2025, Transplant international : official journal of the European Society for Organ Transplantation
IF:2.7Q2
DOI:10.3389/ti.2025.15640
PMID:41704919
|
综述 | 本文综述了机器学习在肺移植领域的应用，包括器官分配、预后预测、风险分层和多组学数据分析 | 系统总结了机器学习在肺移植中的多种应用方法，并强调了其在数据稀缺环境下通过迁移学习等技术支持模型开发的潜力 | 存在数据集规模小、跨中心不一致、可解释性差以及外部验证有限等障碍，阻碍了临床采用 | 概述机器学习在肺移植领域的研究现状，解释相关方法学，并探讨其未来发展方向 | 肺移植相关的临床数据、多组学数据和影像数据 | 机器学习 | 肺移植 | NA | 支持向量机, 深度学习 | 复杂高维数据, 多组学数据, 影像数据 | NA | NA | 随机森林 | NA | NA |
| 2672 | 2026-02-19 |
Deep learning and firearm wound classification: a pilot study
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1646656
PMID:41705162
|
研究论文 | 本研究探索了深度学习技术在枪弹伤分类中的应用，通过使用Lobe AI软件进行训练和测试，评估了其在法医病理学中的潜力 | 首次在法医病理学中应用深度学习进行枪弹伤模式识别，并引入了“完好皮肤”作为对照类别 | 研究数据有限，尤其是在算法训练阶段，且需要开发专门针对法医特征识别的预训练软件 | 进一步探索深度学习技术在枪弹伤分类中的应用，以评估其在法医实践中的适用性 | 枪弹伤图像，包括入口/出口伤口、基于射击距离的伤口以及基于武器弹药类型的伤口 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 从法医图集和卡塔尼亚法医案例中提取的教育图像及照片，具体数量未明确 | Lobe AI | NA | 准确率, 精确率, 召回率, F1分数, 特异性 | NA |
| 2673 | 2026-02-19 |
The role of artificial intelligence in diagnosing pediatric dental disorders-a narrative review
2025, Frontiers in dental medicine
IF:1.5Q3
DOI:10.3389/fdmed.2025.1685359
PMID:41705231
|
综述 | 本文综述了人工智能在儿童牙科疾病诊断中的应用现状与潜力 | 系统性地探讨了AI在儿童牙科诊断中的多种技术应用，并对比了其与传统方法的性能 | 存在数据隐私、缺乏标准化数据集及伦理考量等限制 | 评估人工智能在儿童牙科疾病诊断中的角色与效果 | 儿童牙科疾病，包括龋齿、错颌畸形、发育异常和牙周病 | 数字病理 | 儿童牙科疾病 | NA | CNN | 图像 | NA | NA | NA | NA | NA |
| 2674 | 2026-02-18 |
Quantitative Analysis of Distinct Colon Crypt Branching Modes Using Interpretable Machine Learning
2025-Dec-01, Inflammatory bowel diseases
IF:4.5Q1
DOI:10.1093/ibd/izaf230
PMID:41157897
|
研究论文 | 本文使用可解释的机器学习方法对结肠隐窝分支的两种模式进行定量分析 | 结合手工特征和深度学习模型，实现对结肠隐窝对称与不对称分支模式的分类，并强调模型的可解释性 | 未明确提及样本量或数据集的详细规模，可能影响模型泛化能力 | 改进炎症性肠病亚型的定量描述和组织学特征分析 | 结肠隐窝的分支模式 | 数字病理学 | 炎症性肠病 | NA | 集成模型, 深度学习模型 | 分割掩码图像 | NA | NA | NA | 平衡准确度 | NA |
| 2675 | 2026-02-18 |
Advancing Luciferase Activity and Stability beyond Directed Evolution and Rational Design through Expert Guided Deep Learning
2025-Aug-29, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.25.672183
PMID:40909496
|
研究论文 | 本研究提出了一种结合深度学习与结构引导理性设计的混合方法，以开发增强型NanoLuc荧光素酶变体，提升其热稳定性和高温活性 | 通过整合计算深度学习与结构引导理性设计，克服了传统定向进化和理性设计的局限性，有效优化了荧光素酶的稳定性-活性权衡 | 研究主要针对NanoLuc荧光素酶，其方法在其他酶类中的普适性仍需进一步验证 | 优化NanoLuc荧光素酶的热稳定性和高温活性，以改进生物成像和传感应用 | NanoLuc荧光素酶（NLuc）及其工程变体 | 机器学习 | NA | 深度学习，分子动力学模拟，蛋白质折叠研究 | 深度学习模型 | 蛋白质序列和结构数据 | 工程变体库（包括变体B.07和B.09） | NA | NA | 热稳定性增强（如50%溶解度下的温度增加），高温活性提升（如55°C下的活性百分比） | NA |
| 2676 | 2026-02-18 |
Multimodal structural MRI synthesis pipeline across age
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11254451
PMID:41335748
|
研究论文 | 本研究提出了一种基于深度学习的跨模态结构MRI合成模型，用于生成T1加权和T2加权磁共振成像数据，并探索了该模型在整个生命周期（从早期发育到老年）中的年龄相关效应 | 开发了一种能够整合年龄信息的跨模态MRI合成模型，覆盖从早期发育到老年的整个生命周期，这在现有研究中较为少见 | 未明确提及模型在临床环境中的验证或与其他合成方法的比较，可能缺乏广泛的泛化性评估 | 通过深度学习模型合成T1加权和T2加权MRI数据，以解决获取多模态结构MRI数据时资源密集和耗时的问题，并研究年龄对合成数据的影响 | T1加权和T2加权磁共振成像数据，针对早期发育、青年成年和老年人群 | 医学影像分析 | NA | 磁共振成像 | 深度学习模型 | 图像 | NA | NA | NA | 均方误差, 峰值信噪比 | NA |
| 2677 | 2026-02-18 |
X2Graph for Cancer Subtyping Prediction on Biological Tabular Data
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253574
PMID:41336217
|
研究论文 | 提出一种名为X2Graph的新型深度学习方法，用于在小型生物表格数据上进行癌症亚型预测 | 利用外部知识（如基因相互作用）将表格数据转换为图结构，从而应用标准消息传递算法进行建模 | NA | 在数据稀缺的医疗领域，特别是癌症诊断中，提升深度学习在表格数据上的性能 | 癌症亚型预测 | 机器学习 | 癌症 | NA | 图神经网络 | 表格数据 | NA | NA | NA | NA | NA |
| 2678 | 2026-02-18 |
Online Sequential EEG Emotion Recognition with Prototypical Alignment Based Transfer Model
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253987
PMID:41336393
|
研究论文 | 提出一种基于原型对齐迁移模型的在线序列脑电信号情绪识别方法，用于解决模型在新数据上适应性差和训练数据缺乏主体独立性的问题 | 在在线学习环境中引入跨主体迁移学习模型，通过选择性修剪和重新初始化模型参数快速适应新主体，并采用增强的领域对抗神经网络策略在迁移学习框架内对齐情感类别的原型特征 | 未明确说明模型在不同情绪类别间的泛化能力，也未讨论实时在线学习过程中的计算延迟问题 | 开发一种能够快速适应新主体且保持高准确率的在线序列脑电情绪识别方法 | 脑电信号（EEG） | 机器学习 | NA | 脑电信号采集 | 深度学习模型 | 时间序列数据（脑电信号） | SEED和SEED-IV数据集 | PyTorch, TensorFlow | 领域对抗神经网络（DANN） | 准确率 | NA |
| 2679 | 2026-02-18 |
Silencer variants are key drivers of gene upregulation in Alzheimer's disease
2025-Apr-08, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.07.25325386
PMID:40297423
|
研究论文 | 本研究开发了一个深度学习框架，结合表观基因组数据来评估阿尔茨海默病相关非编码变异在背外侧前额叶皮层中的调控潜力，并识别了关键的沉默子变异 | 开发了一个结合bulk和单细胞表观基因组数据的深度学习框架，首次系统性地评估了非编码AD变异在特定脑区和细胞类型中的调控潜力，并成功区分了沉默子与增强子变异的不同功能类别 | 模型主要基于背外侧前额叶皮层数据，可能未完全捕捉其他脑区或疾病阶段的调控变化；预测结果与实验数据的平均相关性为0.54，仍有提升空间 | 阐明阿尔茨海默病相关非编码遗传变异的功能意义及其在疾病发病机制中的调控作用 | 阿尔茨海默病相关的非编码遗传变异、背外侧前额叶皮层及其主要细胞类型 | 机器学习 | 阿尔茨海默病 | bulk表观基因组测序、单细胞表观基因组测序 | 深度学习 | 表观基因组数据 | NA | NA | NA | 皮尔逊相关系数、方向一致性率 | NA |
| 2680 | 2026-02-18 |
Multi-convolutional neural networks for cotton disease detection using synergistic deep learning paradigm
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324293
PMID:40424461
|
研究论文 | 本文提出了一种基于多卷积神经网络和协同深度学习范式的棉花病害检测方法，旨在准确分类六种病害和健康类别 | 提出了一种结合MobileNet和VGG16特征提取的定制化StyleGAN进行合成数据生成，并采用基于StackNet的集成分类器，以解决类别不平衡和实时检测挑战 | 现有数据集大多在受控条件下获取，可能无法完全反映真实田间环境中的病害变异，且实时检测需求未在研究中充分验证 | 开发一种自动化方法，用于同时准确检测棉花作物中的多种病害，以提高产量并减少资源浪费 | 棉花作物及其六种病害（细菌性疫病、卷叶病毒、镰刀菌枯萎病、链格孢菌病、尾孢菌病、灰霉病）以及健康类别 | 计算机视觉 | 植物病害 | 深度学习 | CNN, LSTM, SVM, Random Forest | 图像 | 公开可用数据集，具体样本数量未明确说明 | TensorFlow, PyTorch, Scikit-learn | MobileNet, VGG16, StyleGAN, StackNet | 准确率 | NA |