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 19309 篇文献，本页显示第 12101 - 12120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12101 | 2025-06-16 |
Status calibration of a pulse shaping system for the high power laser facility based on deep learning
2025-May-19, Optics express
IF:3.2Q2
DOI:10.1364/OE.563586
PMID:40515065
|
研究论文 | 本文提出了一种基于深度学习的模型，用于校准高功率激光设施前端系统中的脉冲整形闭环控制系统的初始操作状态 | 采用U型结构集成残差连接作为核心网络，并结合KAN和TCN的注意力机制，快速建立光学波形与整形电信号之间的非线性映射 | NA | 实现高功率激光设施前端系统中高精度、高效率的激光脉冲整形 | 脉冲整形闭环控制系统的初始操作状态 | 机器学习 | NA | 深度学习 | U型网络集成残差连接，结合KAN和TCN | 光学波形数据 | 基于SG-II设施前端系统收集的脉冲波形数据集 | NA | NA | NA | NA |
| 12102 | 2025-06-16 |
Design of multifunctional tunable dual-layer metalens based on deep learning
2025-May-19, Optics express
IF:3.2Q2
DOI:10.1364/OE.559557
PMID:40515081
|
研究论文 | 提出了一种基于深度学习的双层可调多功能超透镜设计，以解决单独可调超原子复杂控制和单层整体可调超透镜调制性能有限的问题 | 利用基于可调BTO材料的整体调制设计双层可调多功能超透镜，结合深度学习算法加速设计过程，并引入频带嵌入方法预测高频响应 | 未提及实际制造中的具体挑战或实验验证结果 | 设计一种能够快速切换不同功能的多功能可调超透镜 | 双层可调多功能超透镜 | 计算机视觉 | NA | 深度学习 | transformer | 模拟数据 | 100,000个任意几何超原子 | NA | NA | NA | NA |
| 12103 | 2025-10-06 |
Optimizing breast lesions diagnosis and decision-making with a deep learning fusion model integrating ultrasound and mammography: a dual-center retrospective study
2025-May-14, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-025-02033-6
PMID:40369585
|
研究论文 | 开发了一种整合超声和乳腺X线摄影的深度学习融合模型，用于优化乳腺病变诊断和临床决策 | 首次开发了整合超声和乳腺X线摄影的深度学习融合模型，特别针对两种影像BI-RADS分类不一致的情况 | 回顾性研究，仅包含两个医疗中心的数据 | 提高乳腺病变诊断准确性和优化临床决策流程 | 1283名乳腺病变女性患者的超声和乳腺X线影像数据 | 数字病理 | 乳腺癌 | 医学影像分析 | 深度学习融合模型 | 超声图像, 乳腺X线图像 | 1283名患者，来自两个医疗中心 | NA | BI-RADS网络(DL-UM) | AUC, 敏感性, 特异性, 加权kappa | NA |
| 12104 | 2025-06-16 |
Fading suppression method based on redundant data within the spatial resolution and deep learning for a Φ-OTDR system
2025-May-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.555768
PMID:40515092
|
研究论文 | 提出一种基于空间分辨率内冗余数据和深度学习的Φ-OTDR系统衰落抑制方法 | 提出了一种无需修改传统Φ-OTDR设置的MDS-DNN方法，利用多通道数据合成和LSTM网络自动学习多通道数据与理想传感信号之间的相关性 | 未提及具体局限性 | 提高Φ-OTDR系统的信噪比并抑制干扰衰落噪声 | 相位敏感光时域反射计(Φ-OTDR)系统 | 信号处理 | NA | 深度学习 | LSTM | 多通道传感数据 | 实际Φ-OTDR系统收集的数据 | NA | NA | NA | NA |
| 12105 | 2025-06-16 |
Fixed-attention mechanism for deep-learning-assisted design of high-degree-of-freedom 3D metamaterials
2025-May-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.557837
PMID:40515111
|
研究论文 | 提出了一种固定注意力机制的深度学习框架，用于高效设计高自由度3D超材料 | 引入固定注意力机制到深度学习框架中，显著提高了预测精度并降低了计算成本 | NA | 解决高自由度超材料设计中的计算挑战 | 3D等离子体结构（由金纳米棒组成） | 机器学习 | NA | NA | LSTM | 几何参数 | NA | NA | NA | NA | NA |
| 12106 | 2025-06-16 |
DLLP: a deep learning-based layer prediction network for three-dimensional fluorescence microscopy
2025-May-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.553587
PMID:40515198
|
research paper | 介绍了一种基于深度学习的层预测网络（DLLP），用于三维荧光显微镜成像，显著提高了成像速度和质量 | 结合CNN与IDMA机制的Transformer架构，提出了一种新的断层预测技术，可将三维显微镜扫描层数减少70%以上，同时保持光通量和图像保真度 | 未提及具体样本量或实验数据规模 | 解决在无需额外光学硬件的情况下，实现高光通量和快速成像速度的挑战 | 三维荧光显微镜成像 | computer vision | NA | STED显微镜、FMOST显微镜、多光子显微镜、光片显微镜 | CNN、Transformer | image | NA | NA | NA | NA | NA |
| 12107 | 2025-10-06 |
A deep learning-based clinical-radiomics model predicting the treatment response of immune checkpoint inhibitors (ICIs)-based conversion therapy in potentially convertible hepatocelluar carcinoma patients: a tumor marker prognostic study
2025-May-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002322
PMID:40085751
|
研究论文 | 开发基于CT的临床-影像组学模型预测潜在可转化肝细胞癌患者对免疫检查点抑制剂转化治疗的持久临床获益 | 首次结合影像组学特征、深度学习评分和临床变量构建集成模型预测HCC患者对ICI转化治疗的反应 | 研究为单中心回顾性研究，需要外部验证队列进一步验证模型性能 | 预测潜在可转化肝细胞癌患者对免疫检查点抑制剂为基础转化治疗的治疗反应 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | CT影像，bulk RNA和DNA测序 | 深度学习，机器学习 | 医学影像，临床数据，基因组数据 | 训练集和测试集患者队列 | pyradiomics | 集成模型 | AUC，Kaplan-Meier生存分析 | NA |
| 12108 | 2025-06-16 |
Same-model and cross-model variability in knee cartilage thickness measurements using 3D MRI systems
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324912
PMID:40512695
|
research paper | 本研究通过使用五个制造商的3T MRI系统，量化并比较了同一MRI系统重复扫描和不同MRI系统间膝关节软骨厚度测量的变异性 | 首次在五个不同制造商的MRI系统上量化并比较了膝关节软骨厚度测量的同一模型和跨模型变异性 | 研究仅使用了10名健康志愿者的样本，且仅针对特定3D体积分析软件的结果 | 评估多中心研究和纵向评估中使用不同MRI系统时膝关节软骨厚度测量的变异性 | 10名健康志愿者的右膝关节 | 医学影像分析 | NA | 3T MRI, 脂肪抑制扰相梯度回波序列, 质子密度加权序列 | 深度学习 | MRI图像 | 10名健康志愿者（8男2女，年龄22-60岁） | NA | NA | NA | NA |
| 12109 | 2025-06-16 |
3D-MRI brain glioma intelligent segmentation based on improved 3D U-net network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325534
PMID:40512721
|
research paper | 提出了一种基于改进3D U-net网络的3D-MRI脑胶质瘤智能分割方法，旨在提升胶质瘤分割的准确性和泛化能力 | 引入了空间金字塔池化模块增强网络对不同尺度特征的感知能力，提出多尺度融合注意力机制以关注胶质瘤细节并抑制无关背景信息，结合Dice和Focal损失函数解决类别不平衡问题 | NA | 提升胶质瘤分割的准确性，为医学诊断、分级和治疗策略选择提供指导 | 脑胶质瘤 | digital pathology | brain glioma | 3D-MRI | improved 3D U-net | 3D-MRI images | BraTS2023公共数据集中的胶质瘤病例数据 | NA | NA | NA | NA |
| 12110 | 2025-06-16 |
A method for feature division of Soccer Foul actions based on salience image semantics
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322889
PMID:40512805
|
研究论文 | 本研究提出了一种基于深度学习的显著图像语义的足球犯规动作特征划分方法，旨在实现足球比赛中犯规的自动识别与分类 | 结合改进的DeepPlaBV 3+架构进行显著区域检测、图卷积网络(GCN)进行特征提取和深度神经网络(DNN)进行分类，减少了传统图像处理技术和手动特征提取的依赖 | NA | 提高足球比赛中犯规行为的自动识别和分类准确率 | 足球比赛中的犯规动作 | 计算机视觉 | NA | 深度学习 | DeepPlaBV 3+, GCN, DNN | 视频 | 多个视频运动识别数据集 | NA | NA | NA | NA |
| 12111 | 2025-06-15 |
Machine learning-based approaches for distinguishing viral and bacterial pneumonia in paediatrics: A scoping review
2025-Aug, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108802
PMID:40349546
|
综述 | 本文综述了基于机器学习的儿科病毒性和细菌性肺炎分类研究 | 总结了机器学习在儿科肺炎分类中的应用现状，并指出了当前研究的局限性 | 研究主要依赖单一数据集（Kermany数据集），且方法学存在较大变异性，限制了结果的普适性和临床应用性 | 评估机器学习技术在区分儿科病毒性和细菌性肺炎方面的应用效果 | 0-18岁通过胸部X光确诊的肺炎患儿 | 数字病理学 | 肺炎 | 机器学习（ML）和深度学习（DL） | CNN | 胸部X光图像 | 35项研究（主要使用Kermany数据集） | NA | NA | NA | NA |
| 12112 | 2025-06-15 |
Experimental demonstration of integrated encryption and communication over optical fiber
2025-Jul, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf112
PMID:40511367
|
研究论文 | 本文提出了一种集成加密与通信(IEAC)框架，旨在通过端到端深度学习优化加密过程和传输质量 | 提出了一种集成加密与通信(IEAC)框架，通过端到端深度学习训练随机数选择的几何星座成形方案，同时优化加密过程和传输质量，实现了单通道1 Tb/s的传输速率 | 未提及具体局限性 | 解决大数据和AI时代下光纤通信中的安全与高容量传输问题 | 光纤通信系统 | 通信技术 | NA | 深度学习，波长分复用(WDM) | 深度学习模型 | 光信号 | 1200公里光纤链路，26通道，3.9 THz带宽的全C波段WDM配置 | NA | NA | NA | NA |
| 12113 | 2025-06-15 |
Implementation of 400 Gbps quantum noise stream cipher encryption for 1520 km fiber transmission using end-to-end deep learning
2025-Jun-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.553692
PMID:40512879
|
研究论文 | 本文提出了一种端到端深度学习的量子噪声流密码加密方案，实现了400 Gbps的量子噪声流密码加密，并在1520公里的光纤传输中进行了验证 | 将深度学习引入量子噪声流密码（QNSC），提出端到端量子噪声流密码（E2E-QNSC）方案，将16QAM加密为E2E-65536QAM/QNSC | NA | 提升光纤通信骨干网的物理层安全性，满足400G光纤骨干网的速率需求 | 光纤通信骨干网的安全传输 | 机器学习 | NA | 深度学习 | NA | 光纤传输数据 | NA | NA | NA | NA | NA |
| 12114 | 2025-06-15 |
Self-adaptive hybrid data-model optimization for secure end-to-end radio-over-fiber transmission
2025-Jun-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.566422
PMID:40512893
|
研究论文 | 提出了一种新颖的自适应安全端到端传输方法，用于光纤无线电(RoF)系统 | 系统集成了深度学习和传统模型，通过端到端优化将加密功能嵌入调制(TransNN)和解调(ReceivNN)中，训练阶段的随机化和噪声扰动确保了不同训练轮次间调制与解调模型的不兼容性 | 数值模拟结果未在实际系统中验证 | 为RoF系统提供安全且自适应的传输解决方案 | 光纤无线电(RoF)系统 | 机器学习 | NA | 深度学习 | TransNN, ReceivNN | 信号数据 | NA | NA | NA | NA | NA |
| 12115 | 2025-06-15 |
RF-photonic deep learning processor with Shannon-limited data movement
2025-Jun-13, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adt3558
PMID:40498817
|
research paper | 介绍了一种名为MAFT-ONN的新型光学神经网络硬件加速器，用于处理原始射频信号并进行深度学习计算 | 提出了MAFT-ONN，一种能够在原始射频信号上实现全模拟深度学习计算的硬件加速器，具有高准确率和可扩展性 | 未提及具体局限性 | 开发新型计算范式以满足未来高级通信（如6G）的需求 | 射频信号和光学神经网络 | machine learning | NA | 光学神经网络（ONN） | MAFT-ONN | 射频信号 | MNIST数据集 | NA | NA | NA | NA |
| 12116 | 2025-06-15 |
Data Fusion for Integrative Species Identification Using Deep Learning
2025-Jun-13, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syaf026
PMID:40512613
|
research paper | 该研究提出了一种融合分子和图像数据的深度学习方案，用于细粒度物种识别 | 首次系统地评估和比较了不同的DNA数据预处理和编码方法，并提出了三种融合分子和视觉特征的策略 | 研究仅针对四个真核生物数据集进行了测试，可能无法推广到所有物种 | 通过融合分子和图像数据提高物种识别的准确性 | 四个真核生物数据集（包括两个植物科和两个动物科） | machine learning | NA | DNA测序和图像分析 | artificial neural networks | 分子数据和图像数据 | 四个真核生物数据集（Asteraceae, Poaceae, Lycaenidae, Coccinellidae） | NA | NA | NA | NA |
| 12117 | 2025-06-15 |
Study on a Traditional Chinese Medicine constitution recognition model using tongue image characteristics and deep learning: a prospective dual-center investigation
2025-Jun-12, Chinese medicine
IF:5.3Q1
DOI:10.1186/s13020-025-01126-w
PMID:40506765
|
研究论文 | 本研究开发了一种基于舌象特征和深度学习的传统中医体质识别模型 | 结合传统舌象特征和深度学习特征，构建了融合特征的智能体质识别模型，克服了传统方法的局限性 | 样本仅来自两个医疗中心，可能存在选择偏倚 | 开发定量分析的中医体质识别模型 | 接受中医体质评估的参与者 | 数字病理 | 中医体质分类 | LASSO回归、随机森林(RF)、多层感知机(MLP) | MLP | 图像 | 1374名参与者的舌象和体质数据 | NA | NA | NA | NA |
| 12118 | 2025-06-15 |
Seamless finer-resolution soil moisture from the synergistic merging of the FengYun-3 satellite series
2025-Jun-11, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05263-7
PMID:40500275
|
research paper | 该研究开发了一种从风云系列卫星数据中合并土壤湿度的方法，生成空间分辨率为0.15°的数据集，并利用深度学习插值方法填补缺失数据 | 通过最小化均方误差的合并技术，结合风云系列卫星的上升和下降观测数据，生成更高分辨率的土壤湿度数据集，并使用深度学习进行数据插值 | 研究仅覆盖2011年至2020年的数据，可能无法反映更长时间尺度的变化 | 提供全球卫星土壤湿度观测数据，以解决相关应用中的挑战 | 风云系列卫星（FY-3B、C、D）的被动微波观测数据 | 遥感 | NA | 深度学习插值方法 | NA | 卫星遥感数据 | 2011年至2020年的风云系列卫星数据 | NA | NA | NA | NA |
| 12119 | 2025-06-15 |
Mechanisms of organotropism in breast cancer and predicting metastasis to distant organs using deep learning
2025-Jun-11, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-02905-5
PMID:40500539
|
研究论文 | 本研究探讨了乳腺癌器官趋向性的机制，并利用深度学习预测乳腺癌向远处器官转移 | 结合单细胞RNA测序、批量RNA测序、ChIP-seq数据和深度学习技术，开发了一个深度神经网络模型来识别器官特异性转移基因 | 研究仅关注了乳腺癌向骨、脑、肝和肺四种器官的转移，未涵盖其他可能的转移部位 | 探索乳腺癌器官趋向性的分子机制，并预测其向特定器官转移的可能性 | 乳腺癌及其向骨、脑、肝和肺的转移 | 数字病理学 | 乳腺癌 | 单细胞RNA测序、批量RNA测序、ChIP-seq | DNN | 基因组数据 | NA | NA | NA | NA | NA |
| 12120 | 2025-06-15 |
Enhancing differentiation between unipolar and bipolar depression through integration of machine learning and electroencephalogram analysis
2025-Jun-10, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.119599
PMID:40505986
|
研究论文 | 本研究通过整合机器学习和脑电图分析，提高了单相抑郁和双相抑郁的区分能力 | 首次将深度学习模型与EEG数据和临床特征结合，用于区分单相抑郁和双相抑郁 | 模型可解释性有待提高，未来需要整合多模态数据和开发更先进的特征提取技术 | 提高单相抑郁和双相抑郁的区分准确性 | 370名被诊断为单相抑郁或双相抑郁的患者 | 机器学习 | 抑郁症 | EEG分析 | SVM, Random Forest, FCNN, RNN, LSTM, Transformers | EEG数据和临床特征 | 370名患者 | NA | NA | NA | NA |