深度学习在生物医药领域中的应用
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，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10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 14764 篇文献，本页显示第 7521 - 7540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7521 | 2025-06-06 |
Enhancing predictive accuracy for urinary tract infections post-pediatric pyeloplasty with explainable AI: an ensemble TabNet approach
2025-01-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82282-1
PMID:39828726
|
research paper | 本研究开发了一种结合机器学习和深度学习的集成模型，用于预测小儿肾盂成形术后尿路感染的风险 | 首次提出结合机器学习和深度学习的集成预测模型，利用SHAP解释模型提供临床风险因素新见解 | 研究证据等级为IV级，缺乏对照组比较 | 提高小儿肾盂成形术后尿路感染的预测准确性 | 764例接受单侧肾盂成形术的儿科患者 | machine learning | urinary tract infection | ensemble learning, SHAP | TabNet, Logistic Regression, SVM, Random Forest, XGBoost, LightGBM | clinical features | 764例儿科患者 |
| 7522 | 2025-06-06 |
Deep learning in Cobb angle automated measurement on X-rays: a systematic review and meta-analysis
2025-Jan, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-024-00954-4
PMID:39320698
|
系统综述与荟萃分析 | 本文综述了深度学习算法在X光片上自动测量Cobb角的应用，并进行了荟萃分析 | 比较了基于分割和基于标志点的深度学习方法的准确性，并提出了改进模型设计的潜在方法 | 荟萃分析结果有限，存在高度异质性 | 评估深度学习算法在Cobb角自动测量中的性能 | X光片上的Cobb角测量 | 计算机视觉 | 脊柱侧弯 | 深度学习算法 | NA | X光图像 | 50项研究纳入系统综述，17项研究纳入荟萃分析（共3022例样本） |
| 7523 | 2025-06-06 |
A Deep Learning-Based Method for Rapid 3D Whole-Heart Modeling in Congenital Heart Disease
2025, Cardiology
IF:1.9Q3
DOI:10.1159/000541980
PMID:39396499
|
研究论文 | 开发了一种基于深度学习的快速三维心脏建模方法，用于先天性心脏病患者的术前规划和诊断支持 | 整合医学影像和临床诊断信息，通过深度学习自动生成3D打印和VR应用的心脏模型 | 研究样本量较小（110例患者），未来需在更大数据集和不同类型先天性心脏病上验证模型的广泛适用性 | 提高先天性心脏病手术规划和诊断的精确性 | 先天性心脏病患者 | 数字病理学 | 先天性心脏病 | CT、心脏MRI | 深度学习模型 | 医学影像、临床数据 | 110例患者 |
| 7524 | 2025-06-06 |
GCLmf: A Novel Molecular Graph Contrastive Learning Framework Based on Hard Negatives and Application in Toxicity Prediction
2025-Jan, Molecular informatics
IF:2.8Q2
DOI:10.1002/minf.202400169
PMID:39421969
|
research paper | 提出了一种基于硬负样本的分子图对比学习框架GCLmf，用于毒性预测 | 利用特定条件的分子片段作为硬负样本，提升负样本集质量，从而在预训练中学习更具信息量的分子表示 | 未明确提及模型在数据稀缺情况下的表现或泛化能力 | 提高化学毒性预测的准确性和鲁棒性 | 分子图数据 | machine learning | NA | 对比学习（自监督学习） | GCLmf（基于深度学习的分子图对比学习框架） | 分子图数据 | 在33个毒性任务上进行评估，具体样本量未明确说明 |
| 7525 | 2025-06-06 |
Diagnostic accuracy of deep learning-based algorithms in laryngoscopy: a systematic review and meta-analysis
2025-Jan, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-024-09049-2
PMID:39446141
|
meta-analysis | 该研究通过系统综述和荟萃分析评估深度学习在喉镜检查中诊断喉癌的准确性 | 首次对深度学习在喉镜检查中的诊断效用进行系统评价和荟萃分析 | 仅纳入9项研究，样本量虽大但研究数量有限 | 评估深度学习算法在喉镜检查中诊断喉癌的准确性 | 喉镜检查图像 | digital pathology | laryngeal cancer | 深度学习 | NA | image | 106,175张内窥镜图像 |
| 7526 | 2025-06-06 |
Overcoming the preferred-orientation problem in cryo-EM with self-supervised deep learning
2025-Jan, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02505-1
PMID:39558095
|
research paper | 该论文开发了一种名为spIsoNet的自监督深度学习软件，用于解决冷冻电镜中的粒子取向偏差问题 | 提出了一种端到端的自监督深度学习方法，无需额外的样本制备过程即可解决冷冻电镜中的取向偏差问题 | NA | 解决冷冻电镜中粒子取向偏差导致的图像各向异性和粒子错位问题 | 冷冻电镜图像数据，包括核糖体、β-半乳糖苷酶和血凝素三聚体数据集 | 计算机视觉 | NA | 冷冻电镜 | 深度学习 | 图像 | 多个代表性生物系统数据集 |
| 7527 | 2025-06-06 |
Deep learning-based optical coherence tomography and retinal images for detection of diabetic retinopathy: a systematic and meta analysis
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1485311
PMID:40171193
|
meta-analysis | 本文通过系统综述和荟萃分析评估了深度学习算法在光学相干断层扫描（OCT）和视网膜图像中检测糖尿病视网膜病变（DR）的有效性 | 首次对深度学习在OCT和视网膜图像中检测DR的效果进行了全面的荟萃分析 | 数据集标准化不足，模型可解释性有待提高，且需在多样化人群中进一步验证性能 | 评估深度学习算法在糖尿病视网膜病变检测中的准确性和可靠性 | 光学相干断层扫描（OCT）和视网膜图像 | digital pathology | diabetic retinopathy | deep learning | NA | image | 188268张视网膜图像和OCT扫描 |
| 7528 | 2025-06-06 |
Ground-truth-free deep learning approach for accelerated quantitative parameter mapping with memory efficient learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324496
PMID:40455714
|
研究论文 | 本研究评估了结合内存高效学习(MEL)的自监督学习(SSL)和零样本自监督学习(ZSSSL)框架，以加速定量MRI(qMRI)的图像重建 | 提出了不依赖全采样数据的自监督学习和零样本自监督学习方法，并结合内存高效学习技术降低GPU内存需求 | 在高度加速因子条件下，SSL和ZSSSL的性能略逊于监督学习(SL) | 加速定量MRI图像重建过程并降低计算资源需求 | 定量MRI图像重建 | 医学影像分析 | NA | 定量MRI(qMRI), 自监督学习(SSL), 零样本自监督学习(ZSSSL) | 深度学习(DL) | MRI图像 | 三个实验(2D T2映射/MSME, 3D T1映射/VFA-SPGR, 3D T2映射/DESS) |
| 7529 | 2025-06-06 |
Utility of artificial intelligence-based conversation voice analysis for detecting cognitive decline
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325177
PMID:40455724
|
研究论文 | 本研究开发了一种基于人工智能的对话语音分析模型，用于检测认知衰退 | 利用短对话语音样本通过AI模型检测认知衰退，无需专业环境或设备 | 样本量较小（263名患者），且仅基于Mini-Mental State Examination分数进行标签 | 开发一种便捷的认知衰退筛查工具 | 认知衰退患者和认知正常人群 | 自然语言处理 | 老年疾病 | 机器学习 | 全耦合神经网络 | 语音 | 263名患者的语音样本，其中20个样本用于准确性评估 |
| 7530 | 2025-06-06 |
A novel spectral analysis-based grading system for gastrointestinal activity
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323440
PMID:40455773
|
研究论文 | 本文介绍了一种基于频谱分析的新型胃肠道活动分级系统，用于客观评估胃肠动力 | 提出了一种创新的无监督分级系统，通过频谱特征分析肠鸣音来评估胃肠动力，避免了传统方法依赖个人判断和大规模标注数据集的问题 | 虽然验证了方法的可靠性，但仍需进一步研究以确认其在更广泛临床环境中的适用性 | 开发一种客观评估胃肠动力的方法，辅助医生量化胃肠道活动 | 肠鸣音（由消化气体和液体在蠕动过程中产生的声音信号） | 数字病理 | 胃肠道疾病 | 频谱特征分析 | 无监督学习 | 音频 | NA |
| 7531 | 2025-06-06 |
An efficient non-parametric feature calibration method for few-shot plant disease classification
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1541982
PMID:40458225
|
research paper | 提出一种基于特征适应评分（FAS）度量的方法，用于少样本植物病害分类 | 利用FAS评分与测试准确率的严格正相关关系，无需训练网络即可确定适用于少样本植物病害分类的Swin-Transformer V2-F6网络结构，并设计了PDFC算法进行特征校准 | NA | 解决植物病害图像数据不足的问题，提高少样本植物病害分类的准确率 | 植物病害图像 | computer vision | plant disease | few-shot learning | Swin-Transformer V2 | image | PlantVillage数据集及其他数据集 |
| 7532 | 2025-06-06 |
Ventricular volume adjustment of brain regions depicts brain changes associated with HIV infection and aging better than intracranial volume adjustment
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1516168
PMID:40458466
|
research paper | 该研究探讨了在分析HIV感染和衰老相关的大脑结构变化时，采用侧脑室（LV）体积调整比颅内体积（ICV）调整更能揭示潜在的萎缩模式 | 提出了使用侧脑室体积调整作为新的分析方法，以更准确地识别HIV感染和衰老相关的大脑萎缩模式，尤其是在HIV相关神经认知障碍（HAND）的研究中 | 研究仅基于MRI T1图像数据，未考虑其他可能的神经影像学或临床数据 | 比较不同体积调整策略在识别HIV感染和衰老相关大脑萎缩模式中的效果 | HIV感染者和健康对照者的大脑结构变化 | digital pathology | HIV感染 | MRI T1成像 | deep learning models | image | NA |
| 7533 | 2025-06-05 |
Accelerating high-concentration monoclonal antibody development with large-scale viscosity data and ensemble deep learning
2025-Dec, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2483944
PMID:40170162
|
research paper | 该研究通过大规模粘度数据和集成深度学习加速高浓度单克隆抗体的开发 | 开发了DeepViscosity模型，包含102个集成人工神经网络模型，用于分类低粘度（≤20 cP）和高粘度（>20 cP）的单克隆抗体，准确率超过其他预测方法 | 模型训练数据仅包含229个单克隆抗体的粘度数据，可能影响模型的泛化能力 | 开发预测模型以筛选高浓度单克隆抗体，改善其制造和配方特性 | 229个单克隆抗体的粘度数据 | machine learning | NA | DeepSP模型 | ensemble artificial neural network | sequence-based features | 229个单克隆抗体 |
| 7534 | 2025-06-05 |
Enhancing Functional Protein Design Using Heuristic Optimization and Deep Learning for Anti-Inflammatory and Gene Therapy Applications
2025-Jul, Proteins
IF:3.2Q2
DOI:10.1002/prot.26810
PMID:39985803
|
研究论文 | 本研究开发了一种启发式优化方法，用于增强蛋白质的关键功能特性，如溶解性、灵活性和稳定性，同时保持蛋白质的结构完整性 | 结合启发式优化和深度学习，专注于蛋白质的功能特性设计，特别适用于抗炎和基因治疗应用 | 未提及具体实验验证的功能性蛋白质数量或实际应用效果 | 提高功能性蛋白质设计的效率和效果，减少实验室需求 | 蛋白质序列设计，特别是具有抗炎特性和用于基因治疗的蛋白质 | 机器学习 | NA | 启发式优化方法、深度学习、遗传算法 | NA | 蛋白质序列 | NA |
| 7535 | 2025-06-05 |
Gesture recognition from surface electromyography signals based on the SE-DenseNet network
2025-Jun-26, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2024-0282
PMID:39873377
|
研究论文 | 本文提出了一种基于SE-DenseNet网络的手势识别方法，用于从表面肌电信号中识别手势 | 融合了Squeeze-and-Excitation Networks (SE)和DenseNet，在DenseBlock和Transition之间插入注意力机制，以提高特征表示能力并有效解决梯度消失问题 | 现有手势识别算法在全局特征捕获、模型计算复杂度和泛化能力方面仍需进一步改进 | 提供更自然、方便和个性化的人机交互，特别是在康复技术领域 | 表面肌电信号(sEMG) | 机器学习 | NA | 深度学习 | SE-DenseNet | 肌电信号 | NinaPro DB2和DB4数据集 |
| 7536 | 2025-06-05 |
A ViTUNeT-based model using YOLOv8 for efficient LVNC diagnosis and automatic cleaning of dataset
2025-Jun-04, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0048
PMID:40460443
|
研究论文 | 提出了一种基于ViTUNeT和YOLOv8的模型，用于左心室非致密化(LVNC)的高效诊断和数据集自动清理 | 结合U-Net和Vision Transformers的ViTUNeT架构，以及使用YOLOv8模型进行心室检测和数据集清理 | 数据集质量限制了进一步的准确性提升 | 改进心脏图像分析和分割方法 | 左心室非致密化患者和健康个体 | 数字病理学 | 心血管疾病 | 深度学习 | ViTUNeT, YOLOv8 | MRI图像 | 新增Titin心肌病患者和健康个体的数据集 |
| 7537 | 2025-06-05 |
A review on learning-based algorithms for tractography and human brain white matter tracts recognition
2025-Jun-04, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03637-7
PMID:40464927
|
综述 | 本文综述了基于学习的算法在脑白质纤维束追踪和识别中的应用 | 扩展了先前相关综述，涵盖了最新的方法和网络细节，并通过全面比较评估了基于学习的方法的效率 | NA | 探讨基于学习的算法在脑白质纤维束追踪和识别中的应用及其效率 | 人脑白质纤维束 | 医学影像分析 | NA | 扩散磁共振成像 | 机器学习、深度学习、强化学习、字典学习 | 磁共振图像 | NA |
| 7538 | 2025-06-05 |
NMR Pure Shift Spectroscopy and Its Potential Applications in the Pharmaceutical Industry
2025-Jun-03, Chembiochem : a European journal of chemical biology
IF:2.6Q3
DOI:10.1002/cbic.202401012
PMID:40263759
|
review | 本文综述了纯位移NMR技术及其在制药行业中的潜在应用 | 介绍了纯位移技术抑制标量耦合以提高光谱分辨率的方法，并探讨了深度学习辅助获取最优纯位移光谱的方法 | NA | 促进纯位移NMR技术在制药行业的发展和实际应用 | 纯位移NMR技术及其在制药行业的应用 | NA | NA | NMR纯位移技术、深度学习 | NA | 光谱数据 | NA |
| 7539 | 2025-06-05 |
A Novel Deep Learning Framework for Nipple Segmentation in Digital Mammography
2025-Jun-03, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01567-7
PMID:40461663
|
研究论文 | 提出了一种新的深度学习框架，用于数字乳腺X线摄影中的乳头分割，以提高医学分析和计算机辅助检测系统的准确性 | 该方法在乳头分割方面显著优于基线方法，特别是在基线方法完全失败的挑战性案例中，实现了在所有案例中的成功检测，并在重叠度量上取得了持续提升 | NA | 提高数字乳腺X线摄影中乳头分割的准确性，以支持多视角和多模态乳腺图像配准 | 数字乳腺X线摄影图像中的乳头区域 | 数字病理学 | 乳腺癌 | 深度学习 | NA | 图像 | NA |
| 7540 | 2025-06-05 |
Artificial Intelligence in Veterinary Clinical Pathology-An Introduction and Review
2025-Jun-03, Veterinary clinical pathology
IF:1.2Q3
DOI:10.1111/vcp.70012
PMID:40462415
|
review | 本文介绍了人工智能在兽医临床病理学中的应用及其基本概念，并探讨了AI在该领域的资格认定与整合 | 以非技术性的方式介绍AI基本概念，并探讨AI在兽医临床病理学中的资格认定与整合 | 未提及具体的技术实现细节或实验数据 | 探讨人工智能在兽医临床病理学中的应用与整合 | 兽医临床病理学 | machine learning | NA | machine learning, deep learning | NA | NA | NA |