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 18957 篇文献，本页显示第 5521 - 5540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5521 | 2025-10-05 |
Development of machine learning-based mpox surveillance models in a learning health system
2025-May-02, Sexually transmitted infections
IF:3.6Q2
DOI:10.1136/sextrans-2024-056382
PMID:40318862
|
研究论文 | 开发基于机器学习和深度学习的猴痘监测模型，利用临床笔记进行病例检测 | 在学习型医疗系统框架下，首次比较了传统机器学习(LASSO)与深度学习模型(ClinicalBERT、ClinicalLongformer)在猴痘监测中的表现 | 研究为单中心回顾性研究，样本量相对有限，需要外部验证 | 开发可靠的机器学习模型用于猴痘病例监测 | 经PCR确诊的猴痘患者及匹配对照组的临床笔记数据 | 自然语言处理 | 猴痘 | PCR检测 | 逻辑回归, BERT, Transformer | 临床文本笔记 | 228例PCR确诊猴痘病例和698例对照 | NA | LASSO, ClinicalBERT, ClinicalLongformer | 精确度, 召回率, F1分数, AUROC, AUPRC, RP80 | NA |
| 5522 | 2025-10-05 |
Modeling dynamic inflow effects in fMRI to quantify cerebrospinal fluid flow
2025-Apr-25, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.03.647027
PMID:40236215
|
研究论文 | 开发动态模型和物理启发的深度学习框架来量化fMRI中的脑脊液流动 | 首次开发了模拟时变流速的fMRI流入信号动态模型，并创建了基于物理的深度学习框架来反演模型 | 未提及具体样本量限制或模型验证的局限性 | 量化脑脊液流动特性，使fMRI信号具有物理可解释性 | 人类数据和体模数据中的脑脊液流动 | 医学影像分析 | 神经系统疾病 | fMRI，流动敏感fMRI | 深度学习 | fMRI影像数据 | NA | NA | NA | NA | NA |
| 5523 | 2025-10-05 |
Transformer-based deep learning ensemble framework predicts autism spectrum disorder using health administrative and birth registry data
2025-Apr-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90216-8
PMID:40195371
|
研究论文 | 基于Transformer的深度学习集成框架利用健康管理和出生登记数据预测自闭症谱系障碍 | 首次将大规模集成Transformer深度学习模型应用于健康管理和出生登记数据预测自闭症谱系障碍，并采用可解释人工智能方法识别关键影响因素 | 模型预测性能仍有提升空间（AUC为69.6%），仅基于加拿大安大略省数据 | 开发机器学习模型通过健康管理和出生登记数据早期识别自闭症谱系障碍高风险儿童 | 18个月至5岁儿童，包含707,274对母子数据，其中10,956例自闭症确诊案例 | 机器学习 | 自闭症谱系障碍 | 健康管理数据挖掘，出生登记数据分析 | Transformer, Extreme Gradient Boosting | 结构化健康管理数据，出生登记数据，筛查生物标志物值 | 707,274对母子数据，来自加拿大安大略省2006年4月1日至2018年3月31日期间的所有活产婴儿 | NA | Transformer集成模型 | AUC, 敏感度, 特异度 | NA |
| 5524 | 2025-10-05 |
Manifold Topological Deep Learning for Biomedical Data
2025-Apr-07, Research square
DOI:10.21203/rs.3.rs-6149503/v1
PMID:40297704
|
研究论文 | 本文首次提出流形拓扑深度学习(MTDL)方法，将拓扑深度学习扩展到可微分流形数据 | 首次将拓扑深度学习应用于可微分流形数据，基于霍奇理论将图像表示为具有向量场的平滑流形 | 方法在微分拓扑方面仍面临挑战，目前仅使用简单的CNN架构进行验证 | 开发适用于流形数据的拓扑深度学习方法 | 生物医学图像数据 | 机器学习 | NA | 拓扑数据分析，霍奇理论 | CNN | 图像 | 717,287张生物医学图像，来自11个2D和6个3D数据集 | NA | CNN | NA | NA |
| 5525 | 2025-10-05 |
Illuminating Entomological Dark Matter with DNA Barcodes in an Era of Insect Decline, Deep Learning, and Genomics
2025-01, Annual review of entomology
IF:15.0Q1
|
综述 | 本文综述了DNA条形码技术在昆虫物种鉴定和生物多样性研究中的关键作用及其在深度学习与基因组学时代的应用前景 | 提出DNA条形码将成为深度学习算法图像训练集构建、全球生物多样性基因组学和昆虫群落功能分析的重要工具 | 未提及具体技术实施中的操作限制或数据质量挑战 | 探讨DNA条形码技术在昆虫鉴定和生物多样性研究中的应用与发展趋势 | 昆虫物种及生物多样性群落 | 生物信息学 | NA | DNA条形码, 宏条形码, 大规模条形码, 基因组测序 | 深度学习算法 | DNA序列数据, 图像数据 | NA | NA | NA | NA | NA |
| 5526 | 2025-10-05 |
Overlapping point cloud registration algorithm based on KNN and the channel attention mechanism
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325261
PMID:40455723
|
研究论文 | 提出一种结合KNN和通道注意力机制的点云配准算法，用于提升重叠区域的特征提取和匹配能力 | 首次将KNN算法与通道注意力机制协同结合用于点云配准，并设计了有效性评分网络提升系统鲁棒性 | 仅在ModelNet40和Stanford数据集上进行了验证，需要更多实际场景测试 | 提升重叠区域点云配准的精度和鲁棒性 | 三维点云数据 | 计算机视觉 | NA | LiDAR, 深度相机 | 深度学习 | 点云数据 | ModelNet40数据集和Stanford数据集 | NA | KNN, 通道注意力机制(CAM) | 均方根误差(RMSE), 平均绝对误差(MAE) | NA |
| 5527 | 2025-10-05 |
Volume Fusion-Based Self-Supervised Pretraining for 3D Medical Image Segmentation
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3610249
PMID:40982499
|
研究论文 | 提出一种基于体积融合的自监督预训练方法，用于提升3D医学图像分割性能 | 通过引入伪分割前置任务，最小化预训练与下游任务之间的差距，无需人工标注即可训练 | NA | 解决医学图像分割中训练数据或标注有限的问题 | 3D医学图像分割模型 | 医学图像分析 | NA | 自监督学习 | 3D分割模型 | 3D医学图像（腹部CT） | NA | NA | NA | 分割性能指标，收敛速度 | NA |
| 5528 | 2025-10-05 |
No-Reference Image Quality Assessment Leveraging GenAI Images
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3610238
PMID:40982497
|
研究论文 | 提出一种基于生成式AI图像的无参考图像质量评估方法，通过生成失真图像构建大规模预训练数据集 | 首次利用生成式AI图像作为参考图像，通过冷扩散模型生成多种失真类型的图像，并构建大规模预训练数据集 | 方法依赖于生成式AI图像的质量和多样性，可能无法覆盖所有真实世界的失真类型 | 解决无参考图像质量评估中缺乏标注数据和泛化能力差的问题 | 图像质量评估 | 计算机视觉 | NA | 冷扩散模型 | 深度学习模型 | 图像 | 八个公共数据库的大规模图像数据 | NA | 多尺度交叉注意力块(MCAB), 尺度简单注意力模块(SSAM) | SOTA性能指标 | NA |
| 5529 | 2025-10-05 |
Development of a multi-feature predictive model for risk stratification in stage IB-IIA non-small cell lung cancer: a multicenter analysis
2025-Nov, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112379
PMID:40902436
|
研究论文 | 开发了一种整合临床病理数据与CT影像的多特征预测模型，用于IB-IIA期非小细胞肺癌的风险分层 | 首次将临床病理特征、放射组学特征和深度学习特征整合到单一预测模型中，并采用SHAP方法进行模型可解释性分析 | 回顾性研究设计，样本量相对有限，需要进一步前瞻性验证 | 开发IB-IIA期非小细胞肺癌的预后预测模型，实现风险分层 | IB-IIA期非小细胞肺癌患者 | 数字病理 | 肺癌 | CT成像，放射组学分析 | CNN，逻辑回归 | 医学影像（CT），临床数据 | 训练集370例，内部验证120例，外部验证70例 | PyTorch/TensorFlow（基于ResNet架构推断） | ResNet50 | AUC，C-index，风险比（HR） | NA |
| 5530 | 2025-10-05 |
A Guided Refinement Network Model With Joint Denoising and Segmentation for Low-Dose Coronary CTA Subtle Structure Enhancement
2025-Oct, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3561338
PMID:40293900
|
研究论文 | 提出一种基于联合学习的引导精炼网络模型，用于从低剂量冠状动脉CTA中恢复高质量图像 | 将冠状动脉分割整合到去噪过程中，通过相互引导实现有效交互和协同优化 | 未明确说明样本数据的具体来源和多样性限制 | 提升低剂量冠状动脉CTA成像质量，同时实现噪声抑制和细微结构增强 | 低剂量冠状动脉CT血管造影图像 | 计算机视觉 | 心血管疾病 | CT血管造影 | 深度学习网络 | 医学图像 | NA | NA | 引导精炼网络 | 噪声抑制、细微结构恢复、视觉感知改善 | NA |
| 5531 | 2025-10-05 |
Quantitative radiomic analysis of computed tomography scans using machine and deep learning techniques accurately predicts histological subtypes of non-small cell lung cancer: A retrospective analysis
2025-Oct, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2025.110376
PMID:40803192
|
研究论文 | 本研究通过机器学习和深度学习技术对CT扫描进行定量影像组学分析，准确预测非小细胞肺癌的组织学亚型 | 首次系统比较多种机器学习模型和深度神经网络在基于CT影像组学特征预测NSCLC组织学亚型中的性能 | 回顾性研究设计，样本量相对有限（422例），缺乏外部验证 | 开发基于CT影像组学特征的机器学习模型来预测非小细胞肺癌的组织学亚型 | 非小细胞肺癌患者的肺部CT扫描图像 | 医学影像分析 | 肺癌 | CT影像组学分析 | 机器学习模型, 深度神经网络 | 医学影像 | 422例肺部CT扫描 | PyRadiomics, 多种机器学习框架 | 逻辑回归, 支持向量机, 随机森林, XGBoost, LightGBM, CatBoost, 深度神经网络 | 准确率, AUC-ROC | NA |
| 5532 | 2025-10-05 |
VNWoodKnot: A benchmark image dataset for wood knot detection and classification
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.112039
PMID:41018861
|
研究论文 | 本文介绍了用于木材节疤检测和分类的基准图像数据集VNWoodKnot | 填补了木材缺陷检测领域公开数据集的空白，提供了包含三种节疤类别的高分辨率图像数据集 | NA | 开发用于工业级木材缺陷检测的实时、可扩展且可靠的深度学习模型 | 木材表面节疤缺陷 | 计算机视觉 | NA | 图像采集 | 深度学习 | 图像 | 1,515张高分辨率木材表面图像（活节519张、死节496张、无节疤500张） | NA | NA | NA | NA |
| 5533 | 2025-10-05 |
Global mapping of artificial intelligence applications in breast cancer from 1988-2024: a machine learning approach
2025-Sep-29, Breast cancer (Tokyo, Japan)
DOI:10.1007/s12282-025-01783-7
PMID:41016987
|
研究论文 | 通过机器学习方法分析1988-2024年间人工智能在乳腺癌应用中的全球研究格局 | 首次对36年间AI在乳腺癌护理全流程中的应用进行系统性映射分析，结合合作网络分析和主题建模 | 仅包含Web of Science英文文献，机器人技术和ML在手术肿瘤学和术后护理应用的研究仍然有限 | 批判性考察AI在乳腺癌护理连续体中的应用，阐明关键研究进展、新兴趋势和普遍模式 | 1988-2024年间发表的8,711篇乳腺癌AI研究相关文献 | 机器学习 | 乳腺癌 | 共现映射、聚类分析、主题建模 | LDA, 线性回归 | 文献元数据 | 8,711篇出版物 | NA | NA | NA | NA |
| 5534 | 2025-10-05 |
Prediction of regional cropland soil organic carbon content and distribution using deep learning: a case study of the Northeast China Plain
2025-Sep-29, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-025-14622-1
PMID:41017007
|
研究论文 | 本研究利用深度学习方法预测东北平原农田土壤有机碳空间分布并识别其关键驱动因素 | 首次将ResNet与Deep Forest算法集成应用于土壤有机碳空间分布预测，结合多源数据（遥感、气象、地形）进行综合分析 | 研究区域仅限于东北平原，模型在其他地理区域的适用性有待验证 | 开发高效的土壤有机碳空间分布预测方法，为农田土壤质量改善和碳固存提供科学依据 | 东北平原农田土壤有机碳 | 机器学习 | NA | 遥感技术, 气象观测, 地形分析 | CNN, Deep Forest | 遥感数据, 气象数据, 地形数据, 实地测量数据 | 1000个实地测量样本 | NA | ResNet, Deep Forest | MSE, R | NA |
| 5535 | 2025-10-05 |
AI-driven advances in metal-organic frameworks: from data to design and applications
2025-Sep-29, Chemical communications (Cambridge, England)
DOI:10.1039/d5cc04220h
PMID:41017480
|
综述 | 本文全面概述人工智能在加速金属有机框架研究中的策略与应用 | 系统整合了AI在MOF领域的多种驱动策略，包括性质预测、结构生成与合成规划的规模化实现 | 面临数据质量、模型可解释性和实验验证的挑战 | 加速金属有机框架材料的研究与创新 | 金属有机框架材料 | 机器学习 | NA | 图神经网络，生成模型，AI-模拟混合框架 | 深度学习，生成模型 | 化学结构数据，材料属性数据 | NA | NA | 图神经网络，生成模型 | NA | NA |
| 5536 | 2025-10-05 |
Artificial intelligence and peripheral neuropathies: Strategies for the development, application, and repair of regenerative biomaterials
2025-Sep-29, Neural regeneration research
IF:5.9Q1
DOI:10.4103/NRR.NRR-D-25-00561
PMID:41017675
|
综述 | 探讨人工智能在神经再生生物材料开发中的应用及其对外周神经病变修复的潜力 | 将人工智能与生物材料开发相结合，通过机器学习和深度学习优化材料性能并预测神经再生效果 | 面临数据整合困难、算法复杂性高以及临床转化难度大等挑战 | 开发用于外周神经病变修复的智能再生生物材料 | 外周神经病变修复材料 | 机器学习 | 外周神经病变 | 3D生物打印 | 机器学习,深度学习 | 材料性能数据,虚拟实验数据 | NA | NA | NA | 生物相容性,机械性能 | NA |
| 5537 | 2025-10-05 |
Personalised sports rehabilitation analysis using a fitness enhanced model based on big data and deep learning
2025-Sep-29, Disability and rehabilitation. Assistive technology
DOI:10.1080/17483107.2025.2561926
PMID:41020342
|
研究论文 | 本研究开发了一种基于大数据和深度学习的个性化运动康复分析模型，通过整合可穿戴设备和环境传感器技术来监测健身气功训练效果 | 将嵌入式技术和大数据分析应用于健身气功康复管理，创建了技术增强的个性化康复模型 | NA | 建立现代健康康复管理模式，通过技术整合提升康复效果 | 健身气功训练参与者 | 机器学习 | 康复医学 | 可穿戴设备,环境传感器,大数据分析 | 深度学习模型 | 生理数据,运动数据 | NA | NA | NA | 心率变异性,呼吸频率,运动效率,压力水平,依从率 | NA |
| 5538 | 2025-10-05 |
Multispectral Blood Cell Image Analysis via Deep Learning With YOLOv5
2025-Sep-28, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202500384
PMID:41016832
|
研究论文 | 提出基于多光谱成像和YOLOv5的血细胞识别方法 | 首次将多光谱成像与YOLOv5结合用于血细胞识别，通过多波长图像融合显著提升识别性能 | 白细胞样本相对稀缺，可能影响模型泛化能力 | 开发高精度的自动化血细胞计数方法 | 血细胞（红细胞、白细胞、血小板） | 计算机视觉 | 血液疾病 | 多光谱成像 | YOLOv5 | 多光谱图像 | 五个波长的血细胞图像 | PyTorch | YOLOv5标准版和修改版 | 精确度 | NA |
| 5539 | 2025-10-05 |
Single-image estimation of tree volume via pixel-mapped 3D reconstruction: A low-cost solution using deep learning and curvature segmentation
2025-Sep-27, The Science of the total environment
DOI:10.1016/j.scitotenv.2025.180420
PMID:41016068
|
研究论文 | 提出一种基于单张图像的树木体积自动测量框架，通过深度学习与曲率分割实现低成本林业调查 | 集成SegFormer深度学习模型、树干骨架提取、自适应曲率分割算法和分段三维重建，实现从图像像素到物理单位的直接映射 | 主要误差来源于分段高度不准确，单木体积和高度测量误差为2.01%-7.68% | 开发低成本、高效率的树木参数测量方法以替代昂贵的LiDAR技术 | 北京地区4个树种的3013棵树木 | 计算机视觉 | NA | 摄影测量，深度学习 | SegFormer | 图像，点云数据 | 3013棵树木图像数据，141棵树木的破坏性测量数据 | NA | SegFormer | 体积测量误差，高度测量误差，效率提升倍数 | NA |
| 5540 | 2025-10-05 |
Differentiation between epileptic and functional/dissociative seizures using density spectral array of ictal single-channel EEG with deep learning
2025-Sep-27, Epilepsy & behavior : E&B
IF:2.3Q2
DOI:10.1016/j.yebeh.2025.110713
PMID:41016125
|
研究论文 | 本研究使用单通道脑电图的密度谱阵列结合深度学习技术来区分癫痫性和功能性/分离性发作 | 首次将单通道脑电图（Cz电极）的密度谱阵列与深度学习结合用于癫痫与非癫痫性发作的鉴别诊断 | 回顾性研究，样本量相对有限（99名患者），仅针对内侧颞叶癫痫和功能性/分离性发作 | 开发一种基于单通道脑电图和深度学习的癫痫与非癫痫性发作自动鉴别方法 | 内侧颞叶癫痫患者和功能性/分离性发作患者 | 医疗人工智能 | 癫痫 | 长程视频脑电图监测，密度谱阵列分析 | CNN | 脑电图信号 | 99名患者（48名mTLE，51名FDS），206次发作（106次训练，33次测试） | PyTorch | ResNet34 | AUC | NA |