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 19280 篇文献，本页显示第 14801 - 14820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14801 | 2025-05-13 |
Timescale Matters: Finer Temporal Resolution Influences Driver Contributions to Global Soil Respiration
2025-Mar, Global change biology
IF:10.8Q1
DOI:10.1111/gcb.70118
PMID:40052202
|
research paper | 该研究使用深度学习模型预测全球土壤呼吸（R）在月和年尺度上的变化，并探讨了时间分辨率对预测结果及其环境驱动因素的影响 | 首次在月和年尺度上比较了全球土壤呼吸的预测结果，揭示了时间分辨率对识别关键环境驱动因素的重要性 | 研究仅考虑了温度、降水和叶面积指数三个驱动因素，可能忽略了其他潜在影响因素 | 理解时间分辨率如何影响土壤呼吸预测及其环境驱动因素的识别 | 全球土壤呼吸及其环境驱动因素 | machine learning | NA | deep learning | 深度学习模型 | 时间序列数据 | 1982年至2018年的全球数据 | NA | NA | NA | NA |
| 14802 | 2025-05-13 |
Image-based food groups and portion prediction by using deep learning
2025-Mar, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70116
PMID:40052549
|
research paper | 开发了一个基于深度学习的系统，用于自动分组和分类食物，并估计土耳其菜肴的份量大小 | 使用CNN模型基于图像识别自动分类食物组和估计份量大小，并实现了高达80%的食物组分类准确率和80.47%的份量估计准确率 | 研究仅针对土耳其菜肴，可能不适用于其他文化的食物 | 预防由于营养不良导致的慢性疾病，如肥胖和高血压，通过自动测量食物消费来满足个体营养需求 | 土耳其菜肴 | computer vision | obesity, hypertension | image recognition | CNN | image | NA | NA | NA | NA | NA |
| 14803 | 2025-10-07 |
Unsupervised translation of vascular masks to NIR-II fluorescence images using Attention-Guided generative adversarial networks
2025-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91416-y
PMID:40000690
|
研究论文 | 提出一种无监督生成对抗网络方法，将血管掩码转换为真实的NIR-II荧光血管图像 | 在损失函数中集成注意力机制，使模型在生成过程中聚焦关键特征，无需监督即可生成高质量NIR-II图像 | NA | 解决近红外血管成像数据集获取困难的问题，通过数据合成方法生成高质量合成图像 | 血管掩码和NIR-II荧光血管图像 | 计算机视觉 | NA | NIR-II荧光成像 | GAN | 图像 | NA | NA | Attention-Guided GAN | 视觉质量，定量指标 | NA |
| 14804 | 2025-10-07 |
SVEA: an accurate model for structural variation detection using multi-channel image encoding and enhanced AlexNet architecture
2025-Feb-22, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06213-y
PMID:39987107
|
研究论文 | 提出一种名为SVEA的深度学习模型，通过多通道图像编码和增强的AlexNet架构改进结构变异检测 | 采用新颖的多通道图像编码方法将结构变异转换为多维图像格式，并集成多头自注意力机制和多尺度卷积模块 | 存在进一步优化的空间 | 提高基因组结构变异的检测准确性 | 基因组结构变异 | 机器学习 | NA | 多通道图像编码 | CNN | 基因组数据转换的图像 | 多样化的基因组数据集 | NA | AlexNet, 多头自注意力机制, 多尺度卷积模块 | 准确率 | NA |
| 14805 | 2025-10-07 |
Deep learning-based automatic ASPECTS calculation can improve diagnosis efficiency in patients with acute ischemic stroke: a multicenter study
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10960-9
PMID:39060495
|
研究论文 | 开发基于深度学习的自动ASPECTS评分系统，用于急性缺血性卒中的早期CT评估 | 首次在四个中心的大规模研究中验证深度学习自动ASPECTS评分系统的临床适用性 | 临床应用仍需医师验证，系统处理成功率未达100% | 提高急性缺血性卒中患者ASPECTS评分的诊断效率和一致性 | 急性缺血性卒中患者的非增强CT扫描图像 | 医学影像分析 | 急性缺血性卒中 | 非增强计算机断层扫描(NCCT) | 深度学习 | 医学影像 | 开发队列1767例，测试队列220例，前瞻性应用研究13399例患者 | NA | NA | AUC, ICC, 敏感性, 诊断时间 | NA |
| 14806 | 2025-10-07 |
Deep learning and genome-wide association meta-analyses of bone marrow adiposity in the UK Biobank
2025-01-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55422-4
PMID:39747859
|
研究论文 | 使用深度学习测量英国生物银行约47,000名参与者骨髓脂肪含量，并通过基因组关联分析确定其遗传决定因素 | 首次将深度学习与全基因组关联荟萃分析相结合系统研究骨髓脂肪的遗传基础 | 主要基于英国生物银行数据，样本种族多样性有限 | 探究骨髓脂肪组织的遗传决定因素及其与人类健康和疾病的关系 | 英国生物银行约47,000名参与者（包括41,000名白人和6,300名非白人） | 医学影像分析 | 骨骼代谢疾病 | MRI扫描，全基因组关联分析(GWAS)，转录组关联研究(TWAS) | 深度学习 | 医学影像(MRI) | 约47,000名英国生物银行参与者 | NA | NA | NA | NA |
| 14807 | 2025-05-13 |
A novel deep learning technique for multi classify Alzheimer disease: hyperparameter optimization technique
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1558725
PMID:40342359
|
research paper | 提出一种基于深度学习和超参数优化的新方法，用于更准确地分类阿尔茨海默病的不同阶段 | 使用新提出的超参数优化方法来识别ResNet152V2模型的超参数，以解决有限数据和计算资源的问题 | 未提及具体的数据集大小和计算资源限制的详细情况 | 早期诊断和检测阿尔茨海默病，以实施可能减缓疾病进展的治疗方法 | 阿尔茨海默病的不同阶段 | machine learning | geriatric disease | deep learning, hyperparameter optimization | ResNet152V2 | NA | NA | NA | NA | NA | NA |
| 14808 | 2025-05-13 |
Using artificial intelligence to develop a measure of orthopaedic treatment success from clinical notes
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1523953
PMID:40343216
|
research paper | 该研究利用人工智能技术从临床记录中开发了一种衡量骨科治疗成功的方法 | 首次使用AI方法从临床记录中提取治疗成功或失败的短语，并开发了一种骨科治疗成功的指标 | 研究仅针对急性肩部损伤患者，样本量有限（868份临床记录），且仅在一个地区医疗系统内进行 | 开发一种反映骨科治疗成功的可用结果测量方法 | 急性肩部损伤患者的临床记录 | 自然语言处理 | 骨科疾病 | 机器学习和深度学习算法 | Bio-ClinicalBERT | 文本 | 868份临床记录，来自123名医生和35个科室 | NA | NA | NA | NA |
| 14809 | 2025-05-12 |
Stacked long and short-term memory (SLSTM) - assisted terahertz spectroscopy combined with permutation importance for rapid red wine varietal identification
2025-Aug-15, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2025.127650
PMID:40037161
|
research paper | 该研究利用太赫兹时域光谱结合深度学习技术，快速无损地区分不同品种的红酒，以正确识别红酒标签 | 采用堆叠长短时记忆（SLSTM）模型结合排列重要性进行特征选择，提高了红酒品种识别的准确性和效率 | 基于排列重要性的1-st der-SLSTM模型在精度上略低于全频率模型，预测时间减少了2秒 | 开发一种快速、准确且无损的红酒品种鉴别技术，以维护市场秩序和消费者权益 | 不同品种的红酒 | machine learning | NA | 太赫兹时域光谱（THz-TDS） | SLSTM | 光谱数据 | NA | NA | NA | NA | NA |
| 14810 | 2025-05-12 |
Intelligent characterization multi-components in Yangxinshi tablet by online comprehensive two-dimensional liquid chromatography-quadrupole time-of-flight mass spectrometry combined with deep learning-assisted mass defect filtering classification and multidimensional data annotation strategy
2025-Aug-01, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2025.127821
PMID:40020613
|
研究论文 | 建立了一种用于养心氏片中多种化学成分智能分析的全面表征策略 | 开发了深度学习辅助质量缺陷过滤智能分类、优选离子捕获列表和主动排除（DLA-MDF-PIL-AE）数据采集模式 | 未明确提及具体限制 | 开发一种用于复杂天然产物中多种成分表征的集成策略 | 养心氏片中的化学成分 | 质谱分析与深度学习 | NA | 在线综合二维液相色谱-四极杆飞行时间质谱（2DLC-Q-TOF-MS/MS） | 深度学习 | 质谱数据 | 228种化合物（包括80种黄酮类、52种生物碱、36种酚酸、15种萜类、17种皂苷和28种其他化合物） | NA | NA | NA | NA |
| 14811 | 2025-05-12 |
Lightweight deep learning model for embedded systems efficiently predicts oil and protein content in rapeseed
2025-Jun-15, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.143557
PMID:40020621
|
研究论文 | 开发了一种基于优化深度学习方法的移动应用程序，用于低成本、非破坏性和实时预测油菜籽中的蛋白质和油含量 | 使用轻量级深度学习模型FasterNet-L，结合神经修剪技术，显著提高了预测速度和模型效率 | 未提及模型在其他作物上的泛化能力验证 | 开发一种高效、低成本的油菜籽蛋白质和油含量预测方法 | 油菜籽 | 计算机视觉 | NA | 深度学习 | FasterNet-L | 图像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 14812 | 2025-05-12 |
A multimodal deep learning model for detecting endoscopic images of near-infrared fluorescence capsules
2025-Jun-15, Biosensors & bioelectronics
IF:10.7Q1
DOI:10.1016/j.bios.2025.117251
PMID:40020636
|
研究论文 | 本文提出了一种名为Multimodal-Retinex-Attention-YOLO (MRAY)的多模态深度学习模型，用于检测近红外荧光胶囊内镜图像，以提高胃肠道疾病的早期筛查准确性 | 提出了结合白光和荧光图像数据的多模态深度学习模型MRAY，显著提高了在低光条件下的异常检测准确性和效率 | 使用的数据集为模拟人类胃肠道的猪胃图像，可能无法完全反映真实人类胃肠道环境的复杂性 | 提高胃肠道疾病的早期筛查准确性和效率 | 胃肠道疾病（如癌症、溃疡、炎症等）的早期检测 | 数字病理学 | 胃肠道疾病 | 近红外荧光胶囊内镜(NIRF-CE) | Multimodal-Retinex-Attention-YOLO (MRAY), YOLO | 图像 | 使用NIRF-CE系统捕获的猪胃图像数据集 | NA | NA | NA | NA |
| 14813 | 2025-05-12 |
Comparison of deep learning models for facial attractiveness assessment on 3D photos
2025-Jun, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2025.105735
PMID:40199417
|
研究论文 | 本研究比较了几种著名的CNN模型在中国6-18岁正畸患者面部吸引力评估中的准确性和精确性 | 首次在3D照片上比较了多种CNN模型在面部吸引力评估中的表现，并分析了模型准确性与训练效率之间的权衡 | 研究仅针对中国6-18岁正畸患者，样本多样性可能有限 | 评估不同CNN模型在面部吸引力评估中的性能 | 中国6-18岁正畸患者的面部3D照片 | 计算机视觉 | 正畸 | 3D摄影 | CNN (包括ResNet18, ResNet50, ResNet101, VGG-16, VGG-19, Inception-v3, MobileNet-v2, DenseNet121) | 3D照片转换的2D RGB图像 | 1272名患者的3D照片 | NA | NA | NA | NA |
| 14814 | 2025-05-12 |
SapFlower: an automated tool for sap flow data preprocessing, gap-filling, and analysis using deep learning
2025-Jun, The New phytologist
DOI:10.1111/nph.70107
PMID:40200603
|
research paper | 介绍了一个名为SapFlower的自动化工具，用于处理、填补和分析植物液流数据 | 整合了自动清洗、机器学习和深度学习模型，能够高效处理液流数据中的噪声和缺失值 | 未来需要针对不同树种进行特定校正，并支持更多测量方法 | 提高植物液流数据处理的效率和可访问性 | 植物液流数据 | machine learning | NA | thermal dissipation probes (TDP) | random forest, Gaussian process regression, LSTM, BiLSTM | sap flow data | NA | NA | NA | NA | NA |
| 14815 | 2025-05-12 |
Predicting lung cancer bone metastasis using CT and pathological imaging with a Swin Transformer model
2025-Jun, Journal of bone oncology
IF:3.1Q2
DOI:10.1016/j.jbo.2025.100681
PMID:40342492
|
research paper | 开发了一种基于Swin Transformer的多模态深度学习模型，用于通过整合CT成像和病理数据预测肺癌患者的骨转移风险 | 首次将Swin Transformer模型应用于多模态（CT和病理图像）数据融合，以预测肺癌骨转移风险 | 样本量相对较小（215例患者），且未提及外部验证集的结果 | 早期预测肺癌患者的骨转移风险，以实现及时干预并改善患者预后 | 215例确诊肺癌患者（包括有和无骨转移的患者） | digital pathology | lung cancer | CT成像和数字化组织病理学成像 | Swin Transformer | image | 215例肺癌患者 | NA | NA | NA | NA |
| 14816 | 2025-05-12 |
Using explainable machine learning to predict the irritation and corrosivity of chemicals on eyes and skin
2025-May-15, Toxicology letters
IF:2.9Q2
DOI:10.1016/j.toxlet.2025.03.008
PMID:40180199
|
研究论文 | 本研究采用可解释的机器学习方法预测化学物质对眼睛和皮肤的刺激性和腐蚀性 | 结合大量实验数据开发多种机器学习和深度学习模型，并通过多层次的解释性分析提供预测结果的深入见解 | 模型在外部验证集上的平衡准确率分别为73.0%和75.1%，仍有提升空间 | 评估农药、化妆品和眼科药物中化学物质的潜在刺激性 | 化学物质对眼睛和皮肤的刺激性和腐蚀性 | 机器学习 | NA | 机器学习和深度学习 | 多种机器学习和深度学习模型 | 实验数据 | 3316个眼刺激实验数据点和3080个皮肤刺激实验数据点 | NA | NA | NA | NA |
| 14817 | 2025-05-12 |
Quantitative analysis and clinical determinants of orthodontically induced root resorption using automated tooth segmentation from CBCT imaging
2025-May-08, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06052-9
PMID:40340630
|
research paper | 本研究应用深度学习和CBCT技术定量分析正畸诱导的牙根吸收（OIRR）及其风险因素，以提高评估的准确性和效率 | 利用深度学习自动分割CBCT图像中的牙齿，实现OIRR的精确量化，并分析其临床影响因素 | 研究样本量较小（108例），且部分因素对牙根吸收的解释方差较低（3%至15.4%） | 提高正畸诱导牙根吸收的评估准确性和临床决策支持 | 108名正畸患者的CBCT扫描数据 | digital pathology | geriatric disease | CBCT成像 | 深度学习模型 | 3D图像 | 108名正畸患者 | NA | NA | NA | NA |
| 14818 | 2025-05-12 |
Hearing vocals to recognize schizophrenia: speech discriminant analysis with fusion of emotions and features based on deep learning
2025-May-08, BMC psychiatry
IF:3.4Q2
DOI:10.1186/s12888-025-06888-z
PMID:40340671
|
研究论文 | 开发了一种基于深度学习的精神分裂症语音判别模型，结合不同情感刺激和特征 | 结合不同情感刺激和特征融合，提高了精神分裂症检测的准确性和特异性 | 样本量相对较小，且仅使用固定文本进行语音分析 | 提高精神分裂症的准确检测 | 精神分裂症患者和健康对照者 | 自然语言处理 | 精神分裂症 | log-Mel频谱图和MFCCs提取 | CNN | 语音 | 156名精神分裂症患者和74名健康对照者 | NA | NA | NA | NA |
| 14819 | 2025-05-12 |
Optimizing the dynamic treatment regime of outpatient rehabilitation in patients with knee osteoarthritis using reinforcement learning
2025-May-08, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-025-01609-9
PMID:40340812
|
研究论文 | 本研究通过构建膝关节骨关节炎数据库并应用强化学习算法，开发了一种动态治疗推荐系统，以优化膝关节骨关节炎的个性化治疗方案 | 结合特征选择和强化学习技术，提出了一种创新的治疗方法优化方案，为慢性病管理提供了新的可能性 | 研究依赖于模拟实验验证算法有效性，实际临床应用效果有待进一步验证 | 优化膝关节骨关节炎患者的门诊康复动态治疗方案 | 膝关节骨关节炎患者 | 机器学习 | 膝关节骨关节炎 | 随机森林特征选择，强化学习算法（DDPG、DQN、BCQ） | DDPG、DQN、BCQ | 临床问卷数据 | 大量临床数据（具体数量未提及） | NA | NA | NA | NA |
| 14820 | 2025-05-12 |
A multi-label deep residual shrinkage network for high-density surface electromyography decomposition in real-time
2025-May-08, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-025-01639-3
PMID:40340912
|
研究论文 | 提出了一种名为ML-DRSNet的新型实时高密度表面肌电图分解算法，结合多标签学习和深度残差收缩网络以提高准确性和降低延迟 | 首次将多标签学习与深度残差收缩网络(DRSNet)结合用于HD-sEMG分解，显著提高了分解精度并降低了延迟 | 仅在一个公共sEMG数据集上进行了评估，需要更多临床数据验证 | 提高表面肌电图分解的准确性和实时性 | 运动单位尖峰序列(MUSTs) | 生物医学信号处理 | 神经肌肉疾病 | 高密度表面肌电图(HD-sEMG) | 深度残差收缩网络(DRSNet), 多标签深度卷积神经网络(ML-DCNN) | 生物电信号 | 公共sEMG数据集 | NA | NA | NA | NA |