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 18663 篇文献，本页显示第 4021 - 4040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4021 | 2025-11-04 |
Seasonal Inactivation of Cryptosporidium parvum Oocysts in Soil and Manure Microenvironments Using the LSTM-based Environmental Model
2025 Oct-Nov, Journal of food protection
IF:2.1Q3
DOI:10.1016/j.jfp.2025.100617
PMID:40935338
|
研究论文 | 本研究利用LSTM深度学习模型模拟季节性温湿度变化，研究隐孢子虫卵囊在土壤和粪便微环境中的灭活规律 | 首次将LSTM深度学习模型应用于环境病原体风险评估，模拟真实季节性昼夜温湿度循环 | 研究基于美国巴吞鲁日地区历史气候数据，结果可能受地域限制 | 研究隐孢子虫卵囊在不同季节条件下于土壤和粪便环境中的灭活动力学 | 隐孢子虫卵囊在农业土壤和粪便微环境中的存活特性 | 机器学习 | 寄生虫感染 | LSTM深度学习, 环境模拟实验 | LSTM | 气候数据, 实验观测数据 | 30天的连续观测实验 | NA | LSTM | 灭活速率常数, ANOVA分析 | NA |
| 4022 | 2025-11-04 |
A Deep Learning Model to Identify Mitral Valve Prolapse From the Echocardiogram
2025-Sep-30, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2025.08.011
PMID:41031982
|
研究论文 | 开发深度学习模型DROID-MVP用于从超声心动图视频中自动识别二尖瓣脱垂 | 首次开发专门用于二尖瓣脱垂识别的深度学习模型，并在大规模多中心数据集上进行验证 | 研究数据主要来自单一医疗系统，需要进一步外部验证 | 开发自动化二尖瓣脱垂诊断工具，减轻超声心动图诊断负担 | 心脏病患者和初级保健患者的超声心动图视频 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习 | 视频 | 总计1,043,893个超声心动图视频（48,829项研究），来自16,902名心脏病患者和9,145名初级保健患者 | NA | DROID-MVP | AUROC, 平均精度 | NA |
| 4023 | 2025-11-04 |
OpenSpliceAI: An efficient, modular implementation of SpliceAI enabling easy retraining on non-human species
2025-Jul-11, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.20.644351
PMID:40166201
|
研究论文 | 开发了一个高效、模块化的开源SpliceAI实现OpenSpliceAI，支持跨物种剪接信号识别 | 使用PyTorch重新实现SpliceAI，支持从头训练和迁移学习，解决了原版对人类中心训练数据的依赖 | NA | 开发一个可训练、高效的剪接信号识别深度学习系统 | DNA序列中的剪接信号 | 机器学习 | NA | 深度学习 | 深度学习模型 | DNA序列数据 | NA | PyTorch | SpliceAI | 处理速度，内存使用量，模型一致性 | 单GPU |
| 4024 | 2025-11-04 |
Decoding thoughts, encoding ethics: A narrative review of the BCI-AI revolution
2025-Mar-01, Brain research
IF:2.7Q3
DOI:10.1016/j.brainres.2024.149423
PMID:39719191
|
综述 | 本文对脑机接口与人工智能融合的技术机制、最新进展和应用前景进行了系统性分析 | 综合评估了BCI-AI融合领域的最新突破，包括高密度电极阵列、深度学习解码器和自适应算法的显著性能提升 | 作为叙述性综述，缺乏原始实验数据和定量分析，主要依赖已有文献的定性总结 | 分析BCI与AI融合的机制，评估信号采集处理技术的进展，探索AI增强的神经解码策略 | 脑机接口与人工智能融合相关的研究文献和技术发展 | 脑机接口,人工智能 | NA | 高密度电极阵列,深度学习解码,自适应算法,闭环优化框架 | 深度学习 | 神经信号数据,生物医学文献 | 基于2014-2024年主要生物医学和科学数据库的文献分析 | NA | NA | 空间分辨率,信息传输率,成功率,准确率,训练时间减少 | NA |
| 4025 | 2025-11-04 |
Physically Consistent Image Augmentation for Deep Learning in Mueller Matrix Polarimetry
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3618390
PMID:41082429
|
研究论文 | 提出一种用于穆勒矩阵偏振测量中深度学习应用的物理一致性图像增强框架 | 开发了专门针对偏振数据特性的物理一致性数据增强方法，解决了传统增强技术会破坏偏振特性的问题 | NA | 提升深度学习在偏振成像领域的泛化能力和性能 | 穆勒矩阵偏振图像 | 计算机视觉 | NA | 穆勒矩阵偏振测量 | 深度学习模型 | 偏振图像 | 多个数据集（具体数量未明确说明） | NA | NA | 语义分割性能指标 | NA |
| 4026 | 2025-11-04 |
Correction: Image recognition technology for bituminous concrete reservoir panel cracks based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335901
PMID:41171705
|
correction | 对一篇关于基于深度学习的沥青混凝土水库面板裂缝图像识别技术的文章进行更正 | NA | NA | NA | NA | computer vision | NA | NA | NA | image | NA | NA | NA | NA | NA |
| 4027 | 2025-11-04 |
The group-housed pigs attacking and daily behaviors detection and tracking based on improved YOLOv5s and DeepSORT
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334783
PMID:41171718
|
研究论文 | 基于改进YOLOv5s和DeepSORT开发猪只攻击行为和日常行为的检测与追踪方法 | 引入注意力机制和Shape-IoU优化边界框回归损失函数，提升模型在遮挡和重叠情况下的鲁棒性 | 未明确说明数据集规模和具体实验环境限制 | 开发稳定高精度的猪只行为自动检测与追踪深度学习方法 | 群养猪只的进食、站立、躺卧和攻击四种行为类型 | 计算机视觉 | NA | 视频监控 | YOLOv5s, DeepSORT | 视频 | NA | PyTorch | YOLOv5s with attention mechanism, DeepSORT | mAP@0.5, MOTA, MOTP | NA |
| 4028 | 2025-11-04 |
Contrast limited adaptive histogram equalization (CLAHE) and colour difference histogram (CDH) feature merging capsule network (CCFMCapsNet) for complex image recognition
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335393
PMID:41171751
|
研究论文 | 提出一种结合CLAHE和CDH特征融合的胶囊网络CCFM-CapsNet，用于复杂图像识别和植物病害检测 | 在原始CapsNet基础上集成CLAHE降噪和CDH特征提取，并加入最大池化和dropout层，有效提升复杂图像识别能力 | 胶囊网络存在编码器网络考虑图像所有元素和拥挤问题，在复杂图像处理上仍有局限 | 开发高精度的植物叶片病害检测模型，支持可持续发展目标2（零饥饿） | 苹果、香蕉、葡萄、玉米、芒果、辣椒、土豆、水稻、番茄的叶片病害，以及fashion-MNIST和CIFAR-10数据集 | 计算机视觉 | 植物病害 | CLAHE（对比度受限自适应直方图均衡化），CDH（颜色差异直方图） | CapsNet, CNN | 图像 | 多个植物病害数据集及标准数据集（fashion-MNIST, CIFAR-10） | NA | CCFM-CapsNet, CapsNet | 准确率 | NA |
| 4029 | 2025-11-04 |
Automated forest land division using deep learning and drone imagery
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335009
PMID:41171825
|
研究论文 | 本文提出了一种利用无人机图像处理和深度学习技术实现森林土地划分中树木自动计数的解决方案 | 将无人机影像与先进计算机视觉算法结合，实现树冠自动检测，替代传统耗时且易出错的人工计数方法 | NA | 开发自动化树木计数系统以支持森林土地划分决策 | 森林区域中的树木 | 计算机视觉 | NA | 无人机影像处理 | 深度学习 | 无人机图像 | NA | NA | NA | NA | NA |
| 4030 | 2025-11-03 |
AI-augmented prediction of high-risk PINK1 variants associated with Parkinson's disease: integrating multilayered bioinformatics, MD simulation, and deep learning
2025-Dec, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2025.08.014
PMID:40914318
|
研究论文 | 本研究通过整合多层生物信息学、分子动力学模拟和深度学习技术，预测与帕金森病相关的PINK1基因高危变异 | 首次结合深度学习与分子动力学模拟系统分析PINK1基因激酶域nsSNPs的结构功能影响 | 研究结果需进一步实验验证，样本规模有限 | 识别PINK1基因中最有害的非同义单核苷酸多态性及其对蛋白结构和功能的影响 | PINK1基因激酶域的非同义单核苷酸多态性 | 生物信息学 | 帕金森病 | 生物信息学分析、分子动力学模拟、深度学习 | 深度学习模型 | 基因序列数据、蛋白质结构数据 | 5个预测的高风险SNPs（C166R, E240K, D362N, D362Y, C388R） | NA | NA | NA | NA |
| 4031 | 2025-11-03 |
ResDeepGS: A deep learning-based method for crop phenotype prediction
2025-Dec, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2025.07.013
PMID:40930401
|
研究论文 | 提出一种基于深度学习的作物表型预测方法ResDeepGS，通过集成特征选择和表型预测模块提升基因组选择性能 | 结合增量递归特征消除方法与增强型多层卷积神经网络，引入残差结构和dropout策略以更好地捕捉基因数据复杂关系 | NA | 开发高效的作物表型预测方法以加速作物育种进程 | 小麦、玉米和大豆的基因组数据 | 机器学习 | NA | 基因组选择 | CNN | 基因组标记数据 | 三个数据集（小麦、玉米、大豆） | NA | 增强型多层卷积神经网络（含残差结构） | 预测准确率 | NA |
| 4032 | 2025-11-03 |
Serum-MiR-CanPred: deep learning framework for pan-cancer classification and miRNA-targeted drug discovery
2025-Dec, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2577433
PMID:41168129
|
研究论文 | 开发基于深度学习的血清miRNA表达数据泛癌分类框架，并探索miRNA靶向药物发现 | 首次将可解释AI与分子建模相结合，利用88个miRNA共识集实现泛癌分类，并发现hsa-miR-5100作为关键生物标志物 | 基于GEO数据库的回顾性数据，需要前瞻性临床验证 | 开发非侵入性癌症诊断方法和miRNA靶向药物发现 | 12种癌症类型和健康对照的血清miRNA表达数据 | 机器学习 | 泛癌 | miRNA表达分析，分子对接，分子动力学模拟 | MLP | miRNA表达数据 | 20,271个样本（12种癌症类型和健康对照） | NA | 多层感知器 | AUC, 准确率 | NA |
| 4033 | 2025-11-03 |
A fourfold-objective-based cloud privacy preservation model with proposed association rule hiding and deep learning assisted optimal key generation
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2378836
PMID:39054942
|
研究论文 | 提出一种基于四重目标的云隐私保护模型，结合关联规则隐藏和深度学习辅助的最优密钥生成技术 | 提出四阶段安全保护方法，结合增强动态项集计数的关联规则挖掘和新混合优化方法的LSTM密钥生成 | NA | 开发有效的云环境隐私保护方案 | 云环境中的敏感数据 | 机器学习 | NA | 关联规则挖掘，深度学习 | LSTM | 敏感数据 | NA | NA | LSTM | 隐私保护值 | NA |
| 4034 | 2025-11-03 |
Enhancing effort estimation in global software development using a unique combination of Neuro Fuzzy Logic and Deep Learning Neural Networks (NFDLNN)
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2376703
PMID:39034534
|
研究论文 | 提出一种结合神经模糊逻辑和深度学习神经网络的NFDLNN模型，用于提升全球软件开发中的工作量估算精度 | 首次将神经模糊逻辑与深度学习神经网络相结合，并采用布谷鸟算法优化模型收敛性 | 未明确说明模型在不同类型软件开发项目中的泛化能力 | 提高全球软件开发项目的工作量和成本估算准确性 | 工业软件开发项目数据 | 机器学习 | NA | 函数点分析(Function Point Analysis) | 神经模糊逻辑,深度学习神经网络 | 项目数据 | 工业项目数据集（具体数量未说明） | NA | NFDLNN（神经模糊逻辑与深度学习神经网络组合架构） | MRE（平均相对误差）, BRE（平衡相对误差）, PI（预测指数） | NA |
| 4035 | 2025-11-03 |
An Improved Archimedes Optimization-aided Multi-scale Deep Learning Segmentation with dilated ensemble CNN classification for detecting lung cancer using CT images
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2373127
PMID:38975771
|
研究论文 | 提出一种改进的基于阿基米德优化的多尺度深度学习分割方法，结合扩张集成CNN分类用于CT图像中的肺癌检测 | 提出自适应多尺度扩张Trans-Unet3+分割模型和基于改进传递算子的阿基米德优化算法(MTO-AO)，以及结合Inception、ResNet和MobileNet的先进扩张集成CNN分类器 | NA | 提高CT图像中肺癌检测的准确性 | 肺部CT图像中的肺结节 | 计算机视觉 | 肺癌 | CT扫描 | CNN, Trans-Unet3+ | CT图像 | NA | NA | Trans-Unet3+, Inception, ResNet, MobileNet | NA | NA |
| 4036 | 2025-11-03 |
Hybrid deep learning and optimized clustering mechanism for load balancing and fault tolerance in cloud computing
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2369137
PMID:38934441
|
研究论文 | 提出一种混合深度学习和优化聚类机制用于云计算中的负载均衡与容错 | 结合深度嵌入聚类(DEC)和深度Q递归神经网络(DQRNN)的混合深度学习架构，通过多维度资源指标实现智能负载分配 | NA | 解决云计算环境中的负载均衡和容错问题以提高能源效率 | 云计算虚拟机和任务分配 | 机器学习 | NA | 深度学习 | DEC, DQRNN | 系统资源数据(CPU、带宽、内存等) | NA | NA | 深度嵌入聚类, 深度Q递归神经网络 | 负载值, 容量值, 资源消耗率, 成功率 | NA |
| 4037 | 2025-11-03 |
A secure worst elite sailfish optimizer based routing and deep learning for black hole attack detection
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2363353
PMID:38855986
|
研究论文 | 提出一种基于深度学习和安全路由的无线传感器网络黑洞攻击检测模型 | 提出最差精英旗鱼优化算法(WESFO)用于路由选择和自编码器训练，实现高效的黑洞攻击检测 | NA | 检测和缓解无线传感器网络中的黑洞攻击，保护网络功能性和可靠性 | 无线传感器网络(WSN) | 机器学习 | NA | 深度学习 | 自编码器(Auto Encoder) | 网络数据包 | NA | NA | 自编码器 | 延迟, 数据包传递率, 吞吐量, 假阴性率, 假阳性率 | NA |
| 4038 | 2025-11-03 |
Transformer-based deep learning networks for fault detection, classification, and location prediction in transmission lines
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2393746
PMID:39224075
|
研究论文 | 提出一种基于Transformer的分层深度学习方法，用于输电线路故障检测、分类和定位预测 | 采用两阶段Transformer模型直接从原始三相电流电压样本进行故障诊断，无需特征提取，显著降低计算复杂度 | NA | 实现电力系统输电线路的准确高效故障诊断 | 输电线路故障 | 机器学习 | NA | NA | Transformer | 三相电流电压样本 | 包含不同类型、位置、电阻、起始角和噪声水平的综合故障场景数据集 | NA | Transformer | 准确率, 召回率, 精确率, F1分数, 平均绝对误差, 均方根误差 | NA |
| 4039 | 2025-11-03 |
EGDP based feature extraction and deep convolutional belief network for brain tumor detection using MRI image
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2389248
PMID:39285629
|
研究论文 | 提出一种基于MRI图像的脑肿瘤检测新方法，结合EGDP特征提取和深度卷积置信网络 | 提出EGDP特征提取方法（结合熵和GDP）和深度卷积置信网络（DCvB-Net），融合了深度卷积神经网络和深度置信网络 | NA | 开发基于MRI图像的脑肿瘤自动检测系统 | 脑MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, DBN | 医学图像 | NA | NA | RP-Net, DCvB-Net | 真阴性率, 准确率, 真阳性率 | NA |
| 4040 | 2025-11-03 |
A comparative study of early stage Alzheimer's disease classification using various transfer learning CNN frameworks
2025-Nov, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2406946
PMID:39367861
|
研究论文 | 本研究比较了多种迁移学习CNN框架在早期阿尔茨海默病分类中的性能表现 | 通过为多种CNN基础架构添加批量归一化、dropout和全连接层进行增强，并采用五折交叉验证方法显著提升模型性能 | 仅使用单一公开数据集进行验证，未在其他数据集上测试模型泛化能力 | 探索迁移学习在阿尔茨海默病早期诊断和分类中的应用效果 | 阿尔茨海默病患者 | 计算机视觉 | 阿尔茨海默病 | MRI | CNN | 图像 | 5120张训练图像和1280张测试图像 | TensorFlow, Keras | Xception, InceptionResNetV2, DenseNet201, InceptionV3, ResNet50, MobileNetV2 | 准确率, 精确率, 召回率, F1分数, ROC-AUC, 损失分数 | NA |