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 16751 篇文献，本页显示第 14761 - 14780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14761 | 2025-10-07 |
Multimodal optimal matching and augmentation method for small sample gesture recognition
2025-Mar-06, Bioscience trends
IF:5.7Q1
DOI:10.5582/bst.2024.01370
PMID:39864830
|
研究论文 | 提出一种用于小样本手势识别的多模态最优匹配与增强方法，通过结合运动信息和表面肌电信号实现仅需单次采集的高效手势识别 | 引入运动信息到基于表面肌电信号的手势识别中，提出多模态最优匹配信号选择模块和相似度计算增强模块，显著减少数据采集需求 | 方法在特定患者群体和数据集上验证，通用性有待进一步验证 | 提高小样本手势识别的准确率并减少数据采集负担 | 手势识别，特别是针对非健康用户的手势识别 | 人机交互 | 中风 | 表面肌电信号(sEMG)，运动信息 | 深度学习模型 | 生理信号数据，多模态数据 | 自收集中风患者数据，Ninapro DB1数据集，Ninapro DB5数据集 | NA | 多模态最优匹配信号选择模块，相似度计算增强模块，模态类型嵌入模块 | 准确率 | NA |
| 14762 | 2025-10-07 |
MetAssimulo 2.0: a web app for simulating realistic 1D and 2D metabolomic 1H NMR spectra
2025-Mar-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf045
PMID:39862393
|
研究论文 | 介绍MetAssimulo 2.0——一个用于模拟真实1D和2D代谢组学1H NMR光谱的Python网络应用程序 | 扩展了模拟功能至尿液、血液和脑脊液样本，增加了2D J-resolved和关联光谱模拟能力，并增强了血液光谱的真实性 | NA | 解决代谢组学中标记光谱数据有限的问题，支持深度学习算法开发 | 代谢组学NMR光谱模拟 | 机器学习 | NA | 核磁共振光谱 | NA | 光谱数据 | NA | Python | NA | 皮尔逊相关系数 | 网络应用程序 |
| 14763 | 2025-10-07 |
The utility and reliability of a deep learning algorithm as a diagnosis support tool in head & neck non-melanoma skin malignancies
2025-Mar, 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/s00405-024-08951-z
PMID:39242415
|
研究论文 | 评估深度学习算法作为头颈部非黑色素瘤皮肤恶性肿瘤诊断支持工具的性能 | 使用CE认证的医疗设备作为诊断支持工具，特别关注三种关键诊断的分类性能 | 样本量相对有限（135例患者），需要未来进一步研究验证 | 评估深度学习算法在头颈部皮肤恶性肿瘤诊断中的性能 | 头颈部可疑皮肤病变患者 | 计算机视觉 | 皮肤癌 | 深度学习 | Vision Transformer | 皮肤病变图像 | 135例患者（108例恶性病变，27例良性病变） | NA | Vision Transformer | top-5准确率 | NA |
| 14764 | 2025-10-07 |
gRNAde: Geometric Deep Learning for 3D RNA inverse design
2025-Feb-25, ArXiv
PMID:38827456
|
研究论文 | 介绍了一种基于几何深度学习的3D RNA逆向设计方法gRNAde | 首次将几何深度学习应用于3D RNA逆向设计，考虑结构构象多样性而非单一二级结构 | NA | 开发能够考虑3D结构和动力学的RNA序列设计方法 | RNA分子 | 计算生物学 | NA | 几何深度学习 | 图神经网络 | 3D结构数据 | 14个PDB RNA结构+10个结构化RNA骨架 | PyTorch Geometric | 多状态图神经网络，自回归解码器 | 天然序列恢复率，成功率 | NA |
| 14765 | 2025-10-07 |
Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging
2025-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.12.09.24318661
PMID:39711698
|
研究论文 | 本研究利用深度学习分割技术分析纵向血管壁成像，评估斑块内出血对颈动脉斑块长期进展的影响 | 首次使用深度学习分割管道在长期纵向血管壁成像中量化斑块内出血体积及其对斑块负荷进展的动态影响 | 样本量较小（28名无症状受试者），研究人群仅限于无症状颈动脉粥样硬化患者 | 评估斑块内出血对颈动脉斑块负荷长期进展的影响 | 28名无症状颈动脉粥样硬化受试者的50条动脉 | 数字病理学 | 心血管疾病 | 多对比磁共振血管壁成像 | 深度学习分割模型 | 磁共振图像 | 28名受试者，50条动脉，平均4.7次扫描/人，随访5.8年 | NA | NA | 相关系数，p值 | NA |
| 14766 | 2025-10-07 |
Global Deep Forecasting with Patient-Specific Pharmacokinetics
2025-Feb-12, ArXiv
PMID:37965077
|
研究论文 | 提出一种结合全局-局部架构和药代动力学编码器的深度学习方法，用于患者特异性血糖预测 | 开发了新型混合全局-局部架构和患者特异性药代动力学编码器，能够将个体患者的药物治疗效果信息整合到深度学习模型中 | NA | 解决因可变药物管理和个体药代动力学特性带来的医疗时间序列数据预测挑战 | 患者血糖水平时间序列数据 | 机器学习 | 糖尿病 | 深度学习 | 混合全局-局部模型 | 时间序列数据 | 模拟数据和真实世界数据 | NA | 混合全局-局部架构 | 预测准确率 | NA |
| 14767 | 2025-10-07 |
gRNAde: A Geometric Deep Learning Pipeline for 3D RNA Inverse Design
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4079-1_8
PMID:39312140
|
研究论文 | 介绍gRNAde——一种基于几何深度学习的3D RNA逆设计流程，能够根据RNA骨架结构设计序列 | 首个考虑RNA三维结构和构象多样性的几何深度学习逆设计方法，使用SE(3)等变编码器-解码器框架 | NA | 开发能够考虑RNA三维结构和动力学的序列设计方法 | RNA骨架结构、核糖开关、适配体、核酶 | 计算生物学 | NA | 几何深度学习 | 图神经网络 | 3D结构数据 | 来自PDB的现有RNA结构 | PyTorch Geometric | SE(3)等变编码器-解码器 | 天然序列恢复率、计算速度 | NA |
| 14768 | 2025-03-10 |
Forecasting the eddying ocean with a deep neural network
2025-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-57389-2
PMID:40050275
|
研究论文 | 本文开发了一个名为WenHai的数据驱动全球海洋预报系统，通过训练深度神经网络来预测海洋中尺度涡旋的短期演变 | 首次将深度神经网络应用于全球海洋预报系统，并结合动量、热量和淡水通量的体公式来改进海气相互作用的表示 | 由于大气和海洋的动态特性不同，AI方法在海洋预报中的应用仍具有挑战性 | 提高全球海洋预报能力，特别是中尺度涡旋的短期演变预测 | 海洋中尺度涡旋 | 机器学习 | NA | 深度神经网络 | DNN | 海洋数据 | NA | NA | NA | NA | NA |
| 14769 | 2025-03-10 |
Classifying microfossil radiolarians on fractal pre-trained vision transformers
2025-Mar-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90988-z
PMID:40050318
|
研究论文 | 本文探讨了使用预训练的视觉变换器（ViT）和公式驱动的监督学习（FDSL）技术对微化石（放射虫）进行分类的效果 | 首次将视觉变换器（ViT）和公式驱动的监督学习（FDSL）应用于地质学中的微化石分类，相比传统CNN模型，平均精度提高了6-8% | 未提及具体样本量和数据集的多样性，可能影响模型的泛化能力 | 探索新的深度学习技术在地质学图像分类中的应用 | 微化石（放射虫） | 计算机视觉 | NA | 公式驱动的监督学习（FDSL） | 视觉变换器（ViT） | 图像 | NA | NA | NA | NA | NA |
| 14770 | 2025-03-10 |
Deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data
2025-Mar-06, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-00777-y
PMID:40050400
|
研究论文 | 本文介绍了一种名为SYNTA的新方法，用于生成逼真的合成生物医学图像数据，以解决当前生成模型和基于深度学习的图像分析中的挑战 | SYNTA方法采用完全参数化的方法创建针对特定生物医学任务的逼真合成训练数据集，解决了现有生成模型缺乏代表性和高质量真实数据的问题 | 需要进一步验证SYNTA方法在其他生物医学领域的适用性和效果 | 旨在通过生成逼真的合成生物医学图像数据，改进和加速生物医学图像分析 | 肌肉组织病理学和骨骼肌分析 | 数字病理学 | NA | 深度学习和生成模型 | GAN, Diffusion Models | 图像 | 两个真实世界的数据集 | NA | NA | NA | NA |
| 14771 | 2025-03-10 |
Frequency transfer and inverse design for metasurface under multi-physics coupling by Euler latent dynamic and data-analytical regularizations
2025-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-57516-z
PMID:40050630
|
研究论文 | 本文提出了一种多物理深度学习框架（MDLF），用于解决频率转移和多物理耦合问题，并在超表面设计中实现了未见频率段的预测 | 提出了结合多保真度DeepONet、欧拉潜在动态网络和数据解析反演网络的MDLF框架，能够在缺乏多物理响应知识的情况下，通过动态利用欧拉潜在空间和单物理信息，实现对未见频率段的预测 | 需要进一步验证在更广泛的多物理耦合场景下的适用性 | 解决频率转移问题，并实现超表面在未见频率段的多物理耦合预测 | 超表面 | 机器学习 | NA | 多物理深度学习框架（MDLF） | DeepONet, 欧拉潜在动态网络, 数据解析反演网络 | 频谱数据 | NA | NA | NA | NA | NA |
| 14772 | 2025-03-10 |
CUGUV: A Benchmark Dataset for Promoting Large-Scale Urban Village Mapping with Deep Learning Models
2025-Mar-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04701-w
PMID:40050634
|
研究论文 | 本文介绍了CUGUV基准数据集，旨在通过深度学习模型促进大规模城中村（UV）的映射 | 提出了一个包含来自中国15个主要城市的数千个UV样本的基准数据集，并开发了一个创新的框架，有效整合和学习了多种数据源，以更好地解决跨城市UV映射任务 | 数据集主要集中在中国的城市，可能限制了其全球适用性 | 提高大规模城中村映射的准确性和模型的可转移性 | 城中村（UV） | 计算机视觉 | NA | 深度学习 | NA | 卫星图像 | 数千个UV样本，来自中国15个主要城市 | NA | NA | NA | NA |
| 14773 | 2025-03-10 |
Systematic review and meta-analysis of artificial intelligence in classifying HER2 status in breast cancer immunohistochemistry
2025-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01483-8
PMID:40050686
|
meta-analysis | 本文通过诊断性meta分析评估了人工智能在分类HER2免疫组化评分中的表现，展示了其在预测T-DXd资格方面的高准确性 | 首次系统评估了人工智能在HER2免疫组化评分分类中的表现，并揭示了深度学习和基于补丁的分析方法在提高准确性方面的优势 | 在外部验证和使用商业化算法的研究中，AI的表现有所下降 | 评估人工智能在分类HER2免疫组化评分中的准确性和潜力 | 乳腺癌患者的HER2免疫组化评分 | digital pathology | breast cancer | 免疫组化（IHC） | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 14774 | 2025-03-10 |
Deep learning-driven ultrasound equipment quality assessment with ATS-539 phantom data
2025-Jan, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2024.105698
PMID:39541619
|
研究论文 | 本研究提出了一种基于深度学习的双阶段框架，用于客观评估超声图像质量，使用ATS-539体模数据 | 引入双阶段深度学习框架，结合逻辑回归模型，实现超声图像质量的定量和客观评估 | 依赖于体模数据，可能无法完全反映真实临床环境中的图像质量 | 开发一种客观评估超声图像质量的方法，以提高诊断准确性 | 超声图像质量 | 计算机视觉 | NA | 深度学习 | 分类模型、逻辑回归模型 | 图像 | ATS-539体模数据 | NA | NA | NA | NA |
| 14775 | 2025-10-07 |
GTIGNet: Global Topology Interaction Graphormer Network for 3D hand pose estimation
2025-May, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107221
PMID:39922160
|
研究论文 | 提出了一种用于3D手部姿态估计的全局拓扑交互图变换器网络GTIGNet | 引入上下文感知注意力块(CAAB)增强多尺度特征提取，并提出高阶图变换器显式和隐式建模手部关节拓扑结构 | NA | 改进单目RGB图像中的3D手部姿态估计 | 手部关节 | 计算机视觉 | NA | 深度学习 | 图变换器,CNN | RGB图像 | 四个数据集：RHD、STB、FPHA、FreiHAND | NA | GTIGNet, Context-Aware Attention Block, High-Order Graphormer | MPJPE | NA |
| 14776 | 2025-10-07 |
GARNN: An interpretable graph attentive recurrent neural network for predicting blood glucose levels via multivariate time series
2025-May, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107229
PMID:39929068
|
研究论文 | 提出一种可解释的图注意力循环神经网络GARNN，用于通过多元时间序列预测血糖水平 | 通过图注意力机制直接解释变量贡献，无需后验分析，提供高质量的时序可解释性 | NA | 开发可解释的深度学习模型以准确预测血糖水平，改善糖尿病管理 | 1型或2型糖尿病患者的血糖水平 | 机器学习 | 糖尿病 | 多元时间序列分析 | 图注意力循环神经网络(GARNN) | 多元时间序列数据(传感器数据和自我报告事件数据) | 四个数据集，代表不同临床场景 | NA | 图注意力循环神经网络 | 预测准确率，时序可解释性 | NA |
| 14777 | 2025-03-09 |
Self-Supervised High-Order Information Bottleneck Learning of Spiking Neural Network for Robust Event-Based Optical Flow Estimation
2025-Apr, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3510627
PMID:40030563
|
研究论文 | 本文提出了一种基于脉冲神经网络（SNN）的自监督高阶信息瓶颈学习算法SeLHIB，用于在噪声环境下鲁棒地估计基于事件的光流 | 首次提出了基于SNN的自监督信息瓶颈学习策略，并开发了非线性和高阶信息瓶颈学习算法，以增强相关信息的提取和消除冗余 | 现有SNN架构在训练过程中存在泛化能力和鲁棒性不足的问题，特别是在噪声场景中 | 提高基于事件的光流估计的泛化能力和鲁棒性，特别是在噪声环境下 | 基于事件的光流估计 | 计算机视觉 | NA | 自监督学习算法 | SNN（脉冲神经网络） | 事件相机输入 | NA | NA | NA | NA | NA |
| 14778 | 2025-03-09 |
Quantum Gated Recurrent Neural Networks
2025-Apr, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3519605
PMID:40030602
|
研究论文 | 本文提出了一种量子门控循环神经网络（QGRNNs）模型，旨在解决传统循环神经网络中的梯度消失和爆炸问题，并展示了其在序列学习任务中的有效性 | 将门控机制自然集成到量子神经网络的变分ansatz电路框架中，解决了传统循环神经网络的梯度消失和爆炸问题，并有效缓解了贫瘠高原现象 | NA | 探索量子神经网络（QNNs）的量子优势，并解决传统循环神经网络中的梯度消失和爆炸问题 | 量子门控循环神经网络（QGRNNs） | 量子机器学习 | NA | 量子计算 | 量子门控循环神经网络（QGRNNs） | 序列数据 | NA | NA | NA | NA | NA |
| 14779 | 2025-03-09 |
Glissando-Net: Deep Single View Category Level Pose Estimation and 3D Reconstruction
2025-Apr, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3519674
PMID:40030789
|
研究论文 | 本文提出了一种名为Glissando-Net的深度学习模型，用于从单个RGB图像中同时估计类别级物体的姿态并重建其3D形状 | Glissando-Net通过两个联合训练的自动编码器（一个用于RGB图像，另一个用于点云）实现了更准确的3D形状和姿态预测，并引入了2D-3D特征交互和直接预测3D形状与姿态的设计 | 在测试阶段，3D点云的编码器被丢弃，可能限制了模型在某些场景下的表现 | 研究目标是从单个RGB图像中同时估计物体的姿态并重建其3D形状 | 研究对象是类别级物体 | 计算机视觉 | NA | 深度学习 | 自动编码器（Auto-encoders） | RGB图像和点云数据 | NA | NA | NA | NA | NA |
| 14780 | 2025-03-09 |
Latent Weight Quantization for Integerized Training of Deep Neural Networks
2025-Apr, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3527498
PMID:40030978
|
研究论文 | 本文提出了一种用于深度神经网络整数化训练的潜在权重量化方案，旨在减少量化对训练过程的扰动 | 首次提出了一种通用的整数化训练潜在权重量化方案，通过残差量化和优化的双量化器最小化量化扰动 | 未明确提及具体限制，但可能涉及硬件实现的复杂性和对不同架构的适应性 | 提高深度神经网络整数化训练的效率和性能 | 深度神经网络，包括ResNets、MobileNetV2和Transformers | 机器学习 | NA | 残差量化和双量化器 | ResNets, MobileNetV2, Transformers | 图像和文本 | 未明确提及具体样本数量，但涉及多种架构和任务 | NA | NA | NA | NA |