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 15301 - 15320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15301 | 2025-02-21 |
Atomic force microscopy combined with microfluidics for label-free sorting and automated nanomechanics of circulating tumor cells in liquid biopsy
2025-Feb-20, Nanoscale
IF:5.8Q1
DOI:10.1039/d4nr04033c
PMID:39865849
|
研究论文 | 本文介绍了一种结合原子力显微镜（AFM）和微流控技术的无标记分选和自动化纳米力学测量方法，用于液体活检中的循环肿瘤细胞（CTCs）研究 | 创新点在于结合AFM和微流控技术，实现了CTCs的无标记分选和自动化纳米力学测量，为临床提供了新的可能性 | 研究仍处于概念验证阶段，样本量有限，需要进一步验证和优化 | 研究目的是开发一种高效测量液体活检中CTCs机械性能的方法，以推动癌症管理 | 研究对象为液体活检中的循环肿瘤细胞（CTCs） | 数字病理学 | 癌症 | 原子力显微镜（AFM）、微流控技术、深度学习光学图像识别模型 | 深度学习模型 | 图像、力学数据 | 三个实验样本系统，包括不同大小的混合微球、不同类型癌细胞的混合物以及癌细胞和血细胞的混合物 | NA | NA | NA | NA |
| 15302 | 2025-02-21 |
Improved Assessment of Juxtacortical Lesions in Multiple Sclerosis Using Highly-accelerated High-resolution Double Inversion Recovery MR Imaging with Deep Learning-based Reconstruction
2025-Feb-20, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0126
PMID:39971311
|
研究论文 | 本研究旨在使用深度学习重建技术（DLS）实现高分辨率双反转恢复（DIR）成像，并比较其在检测多发性硬化症（MS）皮质旁病变中的诊断性能与传统DIR（C-DIR）的差异 | 开发了一种新的基于深度学习的重建技术（DLS），用于重建高度欠采样的MR数据，并在检测MS皮质旁病变中表现出优于压缩感知的性能 | 研究样本量较小，仅包括25名MS患者 | 比较DLS-DIR和C-DIR在检测MS皮质旁病变中的诊断性能 | 25名多发性硬化症患者的MRI数据 | 医学影像 | 多发性硬化症 | 深度学习重建技术（DLS） | 深度学习 | MRI图像 | 25名多发性硬化症患者 | NA | NA | NA | NA |
| 15303 | 2025-02-21 |
EBHOA-EMobileNetV2: a hybrid system based on efficient feature selection and classification for cardiovascular disease diagnosis
2025-Feb-19, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2466081
PMID:39970065
|
研究论文 | 本文提出了一种基于深度学习的智能医疗框架，用于心血管疾病的诊断，结合了有效的特征选择和分类技术 | 结合了增强的二进制蝗虫优化算法（EBHOA）和增强的MobileNetV2模型（EMobileNetV2），以提高心血管疾病预测的准确性和一致性 | 未提及模型在其他数据集上的泛化能力，以及在实际临床环境中的应用效果 | 提高心血管疾病预测的准确性，以改善临床实践和患者护理 | 心血管疾病（CVD）患者 | 机器学习 | 心血管疾病 | 增强的二进制蝗虫优化算法（EBHOA）、增强的MobileNetV2模型（EMobileNetV2） | EMobileNetV2 | 结构化数据 | UCI Heart Disease和Framingham Heart Study数据集 | NA | NA | NA | NA |
| 15304 | 2025-02-21 |
Mental Health Screening Using the Heart Rate Variability and Frontal Electroencephalography Features: A Machine Learning-Based Approach
2025-Feb-19, JMIR mental health
IF:4.8Q1
DOI:10.2196/72803
PMID:39971280
|
研究论文 | 本研究探讨了使用心率和前额脑电图特征进行心理健康筛查的机器学习方法 | 结合心率和前额脑电图特征进行心理健康筛查，展示了可能的协同效应 | 需要进一步研究以预测治疗反应并基于基线生理标志物提出优选治疗方案 | 探讨心率和前额脑电图特征在机器学习算法中对精神病患者和健康对照者的分类准确性 | 182名参与者（87名精神病患者和95名健康对照者） | 机器学习 | 精神疾病 | 支持向量机（SVM） | SVM | 生理信号（心率和脑电图） | 182名参与者（87名精神病患者和95名健康对照者） | NA | NA | NA | NA |
| 15305 | 2025-02-21 |
Enhancing Chest X-ray Diagnosis with a Multimodal Deep Learning Network by Integrating Clinical History to Refine Attention
2025-Feb-19, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01446-1
PMID:39971817
|
研究论文 | 本研究介绍了一种多模态胸部X光网络（MCX-Net），通过整合胸部X光图像和临床病史文本进行多标签疾病诊断 | MCX-Net通过结合预训练的文本编码器、图像编码器和图像-文本跨模态编码器，显著提升了胸部X光的多标签疾病诊断性能 | 模型训练面临标签不平衡和某些疾病样本稀缺的挑战 | 提升胸部X光的多标签疾病诊断准确性 | 胸部X光图像和临床病史文本 | 医学影像分析 | 肺部疾病 | 深度学习 | MCX-Net（结合预训练的文本编码器、图像编码器和图像-文本跨模态编码器） | 图像和文本 | 基于公开的MIMIC-CXR-JPG数据集进行训练和测试 | NA | NA | NA | NA |
| 15306 | 2025-02-21 |
NMTNet: A Multi-task Deep Learning Network for Joint Segmentation and Classification of Breast Tumors
2025-Feb-19, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01440-7
PMID:39971818
|
研究论文 | 本文提出了一种新型多任务深度学习网络（NMTNet），用于联合分割和分类乳腺肿瘤，基于卷积神经网络（CNN）和U形架构 | NMTNet结合了共享编码器、多尺度融合通道细化（MFCR）模块、分割分支和分类分支，通过病变区域增强（LRE）模块和细粒度分类器提高了分割和分类的准确性 | NA | 提高乳腺肿瘤的分割和分类准确性，以辅助乳腺癌诊断 | 乳腺肿瘤 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN, U-shaped architecture | 超声图像, 磁共振成像 | NA | NA | NA | NA | NA |
| 15307 | 2025-02-21 |
Artificial Intelligence for Diabetic Foot Screening Based on Digital Image Analysis: A Systematic Review
2025-Feb-17, Journal of diabetes science and technology
IF:4.1Q2
DOI:10.1177/19322968251317521
PMID:39960227
|
系统综述 | 本文系统回顾了基于数字图像分析的人工智能技术在糖尿病足筛查中的应用 | 探讨了人工智能在糖尿病足筛查中的潜力，特别是深度学习方法的应用 | 需要进一步评估临床适用性，包括伦理问题和患者数据安全性，以及开发更全面的数据集 | 识别并分析使用数字图像分析开发AI模型进行糖尿病足筛查的研究 | 糖尿病足筛查 | 计算机视觉 | 糖尿病 | 数字图像分析 | 人工神经网络（ANNs）和卷积神经网络（CNNs） | 热成像或足部热图 | 2214篇相关文章，其中9篇符合纳入标准 | NA | NA | NA | NA |
| 15308 | 2025-02-21 |
Super-resolution synthetic MRI using deep learning reconstruction for accurate diagnosis of knee osteoarthritis
2025-Feb-17, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-025-01911-z
PMID:39961957
|
研究论文 | 本研究评估了深度学习重建（DLR）技术在合成MRI（SyMRI）上的准确性，包括T2测量和DLR合成MRI（SyMRIDL）在膝关节骨关节炎（KOA）患者中的诊断性能，以常规MRI为标准参考 | 使用深度学习重建技术生成合成MRI图像，提供准确的T2测量值，能够更自信地从正常外观的软骨中识别早期软骨退化 | 样本量相对较小（36名志愿者和70名患者），且研究时间较短（2023年5月至10月） | 评估DLR合成MRI在膝关节骨关节炎诊断中的准确性和性能 | 膝关节骨关节炎患者和志愿者 | 医学影像 | 膝关节骨关节炎 | 深度学习重建（DLR），合成MRI（SyMRI） | 深度学习模型 | MRI图像 | 36名志愿者和70名患者 | NA | NA | NA | NA |
| 15309 | 2025-02-21 |
Multi-label software requirement smells classification using deep learning
2025-Feb-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86673-w
PMID:39962114
|
研究论文 | 本研究开发了一种基于深度学习的多标签软件需求异味分类模型，用于检测单个需求中的多种软件需求异味 | 首次将LSTM、Bi-LSTM和GRU等高级神经网络架构与ELMo和Word2Vec等词嵌入技术结合，用于多标签软件需求异味分类 | 研究仅基于8120个需求数据集，可能无法覆盖所有类型的软件需求异味 | 提高软件需求异味检测的自动化水平，减少人工检测的时间和错误 | 软件需求异味 | 自然语言处理 | NA | 深度学习 | LSTM, Bi-LSTM, GRU | 文本 | 8120个需求数据集 | NA | NA | NA | NA |
| 15310 | 2025-02-21 |
A deep learning framework based on structured space model for detecting small objects in complex underwater environments
2025-Feb-17, Communications engineering
DOI:10.1038/s44172-025-00367-9
PMID:39962196
|
研究论文 | 本文提出了一种结合结构化空间模型（SSM）与特征增强的创新方法，专门用于复杂水下环境中的小目标检测 | 结合结构化空间模型（SSM）与特征增强，开发了高精度、轻量级的检测模型UWNet，显著提高了计算效率并保持了高检测精度 | 未提及具体局限性 | 解决水下目标检测中精度与模型效率及实时性能的平衡问题 | 水下环境中的小目标，如海星和扇贝 | 计算机视觉 | NA | 结构化空间模型（SSM）与特征增强 | UWNet | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 15311 | 2025-02-21 |
Stacked encoding and AutoML-based identification of lead-zinc small open pit active mines around Rampura Agucha in Rajasthan state, India
2025-Feb-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89672-z
PMID:39962260
|
研究论文 | 本研究旨在通过Sentinel 2图像分析，利用机器学习算法检测和分类印度拉贾斯坦邦Rampura Agucha周围的铅锌露天矿区域 | 结合多种波段比率和光谱指数，使用深度学习堆叠编码器和15种不同的机器学习分类器，提高了复杂矿区及其周边地物特征的检测精度 | 研究仅限于Sentinel 2图像数据，未涉及其他遥感数据源 | 检测和分类铅锌露天矿区域及其周边地物特征 | 印度拉贾斯坦邦Rampura Agucha周围的铅锌露天矿区域 | 机器学习 | NA | Sentinel 2图像分析 | extra tree classifier (et), light gradient boosting machine classifier (lightgbm), random forest classifier (rf) | 卫星图像 | NA | NA | NA | NA | NA |
| 15312 | 2025-02-21 |
Deep convolutional neural network-based enhanced crowd density monitoring for intelligent urban planning on smart cities
2025-Feb-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90430-4
PMID:39962323
|
研究论文 | 本文提出了一种基于深度卷积神经网络的增强型人群密度监测技术，用于智能城市规划 | 提出了DCNNCDM-IUP技术，结合SE-DenseNet和ConvLSTM方法，通过红狐优化算法进行超参数选择，提高了人群密度监测的准确性 | 未提及具体的数据集规模或实际应用中的潜在挑战 | 开发一种高效的人群密度监测技术，以支持智能城市的交通管理、公共安全和城市规划 | 智能城市中的人群密度监测 | 计算机视觉 | NA | 深度学习（DL）、高斯滤波（GF）、红狐优化（RFO） | SE-DenseNet、ConvLSTM | 图像、时间序列数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 15313 | 2025-02-21 |
Comparison of YOLO-based sorghum spike identification detection models and monitoring at the flowering stage
2025-Feb-17, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01338-z
PMID:39962585
|
研究论文 | 本研究比较了基于YOLO的高粱穗识别检测模型，并评估了其在开花期的监测效果 | 首次对不同高度和天气条件下的YOLO模型性能进行了比较研究，并确定了YOLOv8m为最有效的模型 | 研究仅基于2023年采集的图像数据，未考虑更多年份或更广泛的环境条件 | 评估数据集大小对模型准确性的影响，并预测高粱开花期 | 高粱开花期的穗识别 | 计算机视觉 | NA | 无人机图像采集 | YOLOv5, YOLOv8, YOLOv9, YOLOv10 | 图像 | 200到350张图像，分别在15米和30米高度采集 | NA | NA | NA | NA |
| 15314 | 2025-02-21 |
Exploring autonomous methods for deepfake detection: A detailed survey on techniques and evaluation
2025-Feb-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e42273
PMID:39968137
|
综述 | 本文对深度伪造检测的自主方法进行了详细调查，分析了相关技术和评估方法 | 本文综合了2018年至2024年间的最新研究，探讨了利用先进机器学习、计算机视觉和音频分析技术的创新检测方法 | 研究仅限于2018年至2024年间的最新研究，可能未涵盖早期的重要进展 | 提高数字生态系统的安全性和意识，通过推进对自主检测和评估方法的理解 | 深度伪造媒体（图像、视频和音频） | 计算机视觉 | NA | 深度学习模型 | NA | 图像、视频、音频 | NA | NA | NA | NA | NA |
| 15315 | 2025-02-21 |
Diagnosis Anthracnose of Chili Pepper Using Convolutional Neural Networks Based Deep Learning Models
2025-Feb, The plant pathology journal
DOI:10.5423/PPJ.OA.11.2024.0178
PMID:39916419
|
研究论文 | 本研究应用深度学习模型（MobileNet、ResNet50v2和Xception）通过迁移学习诊断辣椒炭疽病，旨在确定准确和高效疾病诊断所需的最小数据集大小 | 通过迁移学习方法，评估不同数据集大小对模型性能的影响，为农业应用中的数据可用性和模型性能平衡提供实用指南 | 需要大量标注数据集，获取成本较高 | 研究辣椒炭疽病的早期和准确检测方法，以减少产量损失和市场价值下降 | 辣椒（Capsicum annuum L.） | 计算机视觉 | 植物病害 | 迁移学习 | CNN（MobileNet、ResNet50v2、Xception） | 图像 | 500、1,000、2,000、3,000和4,000个样本 | NA | NA | NA | NA |
| 15316 | 2025-02-21 |
Automated Segmentation of Trunk Musculature with a Deep CNN Trained from Sparse Annotations in Radiation Therapy Patients with Metastatic Spine Disease
2025-Jan-20, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.01.13.25319967
PMID:39974027
|
研究论文 | 本研究提出了一种深度学习方法，用于从临床CT图像中分割躯干肌肉的完整体积，使用稀疏注释数据进行训练 | 使用稀疏注释数据训练的2D nnU-Net模型成功分割了癌症患者临床CT数据中20个胸腰椎肌肉的整个体积，显著提高了分割效率和泛化能力 | 模型仅在148名癌症患者的CT图像上进行了训练和验证，可能需要更多样化的数据集来进一步提高模型的泛化能力 | 量化由于疾病或治疗引起的肌肉变化，并支持生物力学建模以评估椎体负荷，从而改善椎体骨折风险的个性化评估 | 148名癌症患者的临床CT图像 | 数字病理学 | 脊柱转移性疾病 | CT成像 | 2D nnU-Net | 图像 | 148名癌症患者的2,009张轴向CT图像 | NA | NA | NA | NA |
| 15317 | 2025-10-07 |
Deep learning-based segmentation in MRI-(immuno)histological examination of myelin and axonal damage in normal-appearing white matter and white matter hyperintensities
2025-Mar, Brain pathology (Zurich, Switzerland)
DOI:10.1111/bpa.13301
PMID:39175459
|
研究论文 | 本研究结合深度学习和多模态成像技术，量化分析正常表现白质和白质高信号区域的髓鞘和轴突损伤 | 首次将深度学习分割技术与偏振光成像、(免疫)组织化学及死后脑成像相结合，实现体素级别的白质微结构病理评估 | 研究样本量有限，且为死后组织分析，无法实时观察疾病进展过程 | 探究脑小血管疾病中白质微结构损伤的早期病理机制 | 高血压患者和正常血压对照者的死后脑组织样本 | 数字病理学 | 脑血管疾病 | 偏振光成像,(免疫)组织化学,磁共振成像,深度学习分割 | 深度学习 | 医学图像,组织切片 | 高血压患者和正常血压对照者的脑组织样本（具体数量未明确说明） | NA | NA | NA | NA |
| 15318 | 2025-02-20 |
A deep learning method for total-body dynamic PET imaging with dual-time-window protocols
2025-Mar, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-024-07012-1
PMID:39688700
|
研究论文 | 本文开发了一种深度学习算法，能够从双时间窗协议预测动态图像，从而缩短动态正电子发射断层扫描（PET）的扫描时间 | 提出了一种双向序列到序列模型（Bi-AT-Seq2Seq），并引入注意力机制，显著优于单向或无注意力机制的模型 | 研究样本量相对较小，且仅限于肺结节和乳腺结节患者 | 缩短动态PET扫描时间，提高临床应用的可行性 | 70名肺结节或乳腺结节患者 | 医学影像分析 | 肺结节, 乳腺结节 | 动态PET/CT扫描 | Bi-AT-Seq2Seq | 医学影像 | 70名患者（32名男性，平均年龄53.61±13.53岁） | NA | NA | NA | NA |
| 15319 | 2025-02-20 |
Deep learning-based intratumoral and peritumoral features for differentiating ocular adnexal lymphoma and idiopathic orbital inflammation
2025-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11275-5
PMID:39702637
|
研究论文 | 本文评估了基于深度学习的肿瘤内和肿瘤周围特征在区分眼附属器淋巴瘤（OAL）和特发性眼眶炎症（IOI）中的价值 | 使用基于注意力的融合模型融合了肿瘤内和肿瘤周围区域以及多个MR序列提取的特征，显著提高了诊断性能 | 研究中未发现肿瘤周围特征与肿瘤内特征在性能上有显著差异 | 评估深度学习在区分OAL和IOI中的应用价值 | 97名经病理学确认的OAL和IOI患者 | 数字病理学 | 眼附属器淋巴瘤, 特发性眼眶炎症 | 深度学习 | 基于注意力的融合模型 | MR图像 | 97名患者（43名OAL，54名IOI） | NA | NA | NA | NA |
| 15320 | 2025-02-20 |
Identifying influential nodes in brain networks via self-supervised graph-transformer
2025-Mar, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109629
PMID:39731922
|
研究论文 | 本文提出了一种基于图变换器的自监督图重建框架（SSGR-GT），用于识别脑网络中的关键节点 | 采用自监督深度学习模型，无需手动特征提取，直接从数据中学习有意义的表示，结合图变换器提取脑图的局部和全局特征，并通过图融合技术结合功能和结构信息进行多模态分析 | 依赖于自监督学习的效果，可能受限于数据质量和模型训练过程 | 识别脑网络中的关键节点（I-nodes），以增强对脑工作机制的理解 | 脑网络中的关键节点 | 脑成像 | NA | 自监督深度学习，图变换器 | Graph-Transformer | 脑图数据 | 56个关键节点 | NA | NA | NA | NA |