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 19278 篇文献，本页显示第 15481 - 15500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15481 | 2025-05-04 |
Concept-Based Lesion Aware Transformer for Interpretable Retinal Disease Diagnosis
2025-Jan, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3429148
PMID:39012729
|
research paper | 提出了一种基于概念的、可解释的视网膜疾病诊断框架，结合Transformer架构和病灶概念，提升诊断模型的性能和可解释性 | 将视网膜病灶视为概念，利用Transformer架构捕获长距离依赖关系，实现病灶特征的有效识别，并通过交叉注意力机制构建分类器，提供基于人类可理解病灶概念的解释 | 未提及具体的数据集规模限制或模型在特定条件下的性能下降情况 | 提升视网膜疾病诊断模型的性能和可解释性 | 视网膜疾病诊断 | digital pathology | 视网膜疾病 | Transformer架构，交叉注意力机制 | Transformer | image | 四个眼底图像数据集（未提及具体样本数量） | NA | NA | NA | NA |
| 15482 | 2025-05-04 |
Automating egg damage detection for improved quality control in the food industry using deep learning
2025-Jan, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.17553
PMID:39838604
|
研究论文 | 本研究利用深度学习算法自动识别鸡蛋的裂纹和表面损伤，以提高食品行业中的鸡蛋质量控制 | 采用四种不同的CNN模型（GoogLeNet、VGG-19、MobileNet-v2和ResNet-50）进行鸡蛋损伤检测，其中GoogLeNet达到了最高的分类准确率（98.73%） | 研究仅使用了794张鸡蛋图像，样本量相对较小，可能影响模型的泛化能力 | 通过自动识别鸡蛋的物理损伤（如裂纹、断裂或其他表面缺陷）来提高食品行业中的鸡蛋质量控制 | 鸡蛋（包括受损和完好的鸡蛋） | 计算机视觉 | NA | 深度学习 | CNN（包括GoogLeNet、VGG-19、MobileNet-v2和ResNet-50） | 图像 | 794张鸡蛋图像（分为受损和完好两类） | NA | NA | NA | NA |
| 15483 | 2025-05-04 |
Maize quality detection based on MConv-SwinT high-precision model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312363
PMID:39854315
|
研究论文 | 本研究提出了一种基于MConv-SwinT高精度模型的玉米质量检测方法，结合机器视觉和深度学习技术，显著提高了检测准确率 | 采用Swin Transformer作为基础模型，结合专门设计的卷积块和注意力层，实现了浅层和深层特征的融合与加权，显著提升了分类性能 | 未提及模型在不同光照条件或不同品种玉米上的泛化能力 | 提高玉米质量检测的准确性和效率，推动智慧农业发展 | 高质量、发霉和破碎的玉米图像 | 计算机视觉 | NA | 机器视觉，深度学习 | MC-Swin Transformer（改进的Swin Transformer模型） | 图像 | 20,152张有效玉米图像 | NA | NA | NA | NA |
| 15484 | 2025-05-04 |
Correction: Pedestrian POSE estimation using multi-branched deep learning pose net
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321410
PMID:40168295
|
correction | 对先前发表的关于使用多分支深度学习姿势网络进行行人姿势估计的文章进行更正 | NA | NA | NA | NA | computer vision | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15485 | 2025-05-04 |
Unmanned aerial vehicle based multi-person detection via deep neural network models
2025, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2025.1582995
PMID:40313416
|
research paper | 该研究开发了一种基于深度学习的系统，用于从无人机拍摄的视频中识别多人行为 | 通过整合不同特征和神经网络模型，提高了识别准确率并保持了鲁棒性，同时具备动态环境适应能力 | 未提及具体局限性 | 提升无人机拍摄视频中多人行为识别的准确性和鲁棒性 | 无人机拍摄的多人行为视频 | computer vision | NA | deep learning, feature extraction | deep neural network | video | MOD20和Okutama-Action数据集 | NA | NA | NA | NA |
| 15486 | 2025-05-04 |
Advanced hybrid deep learning model for enhanced evaluation of osteosarcoma histopathology images
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1555907
PMID:40313555
|
研究论文 | 提出了一种结合CNN和ViT的混合深度学习模型，用于提高骨肉瘤组织病理学图像的诊断准确性 | 首次成功使用TCIA数据集进行四分类（非肿瘤、非存活肿瘤、存活肿瘤和非存活比率），并在骨肉瘤研究中设定了新的基准 | 未提及模型在其他数据集上的泛化能力或临床实际应用的验证 | 提高骨肉瘤的早期和准确检测，以改善患者预后并降低死亡率 | 骨肉瘤（OS）的组织病理学图像 | 数字病理学 | 骨肉瘤 | H&E染色组织病理学图像分析 | CNN和ViT混合模型 | 图像 | 使用Cancer Imaging Archive (TCIA)数据集，具体样本数量未提及 | NA | NA | NA | NA |
| 15487 | 2025-05-04 |
Research advancements in the Use of artificial intelligence for prenatal diagnosis of neural tube defects
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1514447
PMID:40313675
|
review | 本文综述了人工智能在产前神经管缺陷诊断中的应用及其进展 | 展示了AI技术在产前超声影像中早期检测、预测和评估神经管缺陷的高效性，包括CNN和SVM等技术的应用，以及AI与基因组分析的结合 | 未提及具体研究中可能存在的样本偏差或技术局限性 | 探讨AI在产前神经管缺陷诊断中的应用及其效果 | 产前超声影像、遗传数据和孕产妇健康记录 | digital pathology | neural tube defects | prenatal ultrasound imaging, genomic analysis | CNN, SVM, Oct-U-Net, PAICS, logistic regression | image, genetic data, health records | NA | NA | NA | NA | NA |
| 15488 | 2025-05-04 |
Decentralized EEG-based detection of major depressive disorder via transformer architectures and split learning
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1569828
PMID:40313734
|
研究论文 | 该研究通过结合机器学习、深度学习和分割学习的方法，利用EEG信号对重度抑郁症（MDD）患者和健康个体进行分类 | 采用分割学习框架解决数据隐私和计算资源问题，结合Transformer和随机森林模型实现高精度分类 | 研究仅在三台客户端上实施分割学习框架，可能限制了模型的泛化能力 | 开发一种可靠、自动化的重度抑郁症检测方法 | 重度抑郁症患者和健康个体的EEG信号 | 机器学习 | 重度抑郁症 | EEG信号分析 | Transformer, Random Forest, Support Vector Machine, Gradient Boosting, Autoencoders | EEG信号 | NA | NA | NA | NA | NA |
| 15489 | 2025-05-04 |
Primer on machine learning applications in brain immunology
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1554010
PMID:40313869
|
综述 | 本文回顾了单细胞和空间技术在脑免疫学中的应用，以及机器学习方法在数据分析中的进展 | 探讨了机器学习特别是深度学习方法如自编码器和图神经网络在单细胞组学数据分析中的新应用 | 主要面向湿实验室生物学家，可能缺乏对计算方法的深入技术细节 | 总结单细胞组学在脑免疫学研究中的最新进展及其与人工智能的结合 | 脑免疫学中的单细胞和空间组学数据 | 机器学习 | 脑恶性肿瘤和神经退行性疾病 | 单细胞组学和空间组学技术 | 自编码器、图神经网络 | 单细胞和空间组学数据 | NA | NA | NA | NA | NA |
| 15490 | 2025-05-04 |
Radiomics-driven neuro-fuzzy framework for rule generation to enhance explainability in MRI-based brain tumor segmentation
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1550432
PMID:40313917
|
研究论文 | 提出了一种结合3D U-Net和放射组学特征的混合AI框架，用于MRI脑肿瘤分割并生成可解释的决策规则 | 将深度学习模型与自适应神经模糊推理系统(ANFIS)相结合，提高了模型的可解释性 | 实验仅限于小规模的高影响力放射组学特征集 | 提高MRI脑肿瘤分割的可解释性以促进临床应用 | 脑肿瘤MRI图像 | 数字病理学 | 脑肿瘤 | MRI, 放射组学特征提取 | 3D U-Net, ANFIS | MRI图像 | BraTS2020数据集 | NA | NA | NA | NA |
| 15491 | 2025-05-03 |
Robust DEEP heterogeneous ensemble and META-learning for honey authentication
2025-Aug-01, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.144001
PMID:40184746
|
研究论文 | 本研究提出了一种结合多种分析技术和深度学习模型的新框架，用于区分纯蜂蜜与掺假蜂蜜 | 通过元学习整合多种分析技术和深度学习模型，扩展了输入特征空间，提高了预测性能 | 未提及具体的数据来源和样本采集细节 | 解决蜂蜜掺假问题，保障消费者健康和经济诚信 | 纯蜂蜜与掺假蜂蜜（蔗糖糖浆、葡萄糖浆或焦糖味冰淇淋配料） | 分析化学 | NA | 多种分析技术 | CNN, 元学习 | NA | NA | NA | NA | NA | NA |
| 15492 | 2025-05-03 |
Sliding-window enhanced olfactory visual images combined with deep learning to predict TVB-N content in chilled mutton
2025-Jul, Meat science
IF:5.7Q1
DOI:10.1016/j.meatsci.2025.109791
PMID:40048988
|
研究论文 | 本研究提出了一种新颖的嗅觉可视化图像数据增强方法，结合深度学习准确预测冷藏羊肉中的总挥发性盐基氮（TVB-N）含量 | 提出滑动窗口方法增强嗅觉可视化图像，结合深度学习模型提高TVB-N含量预测的准确性 | NA | 准确预测冷藏羊肉中的TVB-N含量，用于现场评估羊肉新鲜度 | 冷藏羊肉 | 计算机视觉 | NA | 嗅觉可视化传感器阵列 | InceptionNetV3, ResNet50, MobileNetV3, PLSR, SVR, RF | 图像 | NA | NA | NA | NA | NA |
| 15493 | 2025-05-03 |
Dynamic Prediction and Intervention of Serum Sodium in Patients with Stroke Based on Attention Mechanism Model
2025-Jun, Journal of healthcare informatics research
IF:5.4Q1
DOI:10.1007/s41666-025-00192-x
PMID:40309130
|
研究论文 | 本研究开发了一种基于多头注意力机制的深度学习模型，用于实时预测中风患者的血清钠浓度并提供个性化干预建议 | 引入了时间-特征融合多头注意力（TFF-MHA）模型，能够处理复杂的动态特征和长时间序列数据，优于现有模型 | 模型依赖于公开数据集，可能无法涵盖所有临床场景 | 优化中风患者的血清钠管理策略，提供临床决策支持工具 | ICU中风患者 | 医疗信息学 | 中风 | 深度学习 | TFF-MHA（时间-特征融合多头注意力模型） | 时间序列临床数据 | MIMIC-III（2346例）和MIMIC-IV（896例）数据集 | NA | NA | NA | NA |
| 15494 | 2025-05-03 |
Deep Learning-Based Prediction of Decoy Spectra for False Discovery Rate Estimation in Spectral Library Searching
2025-May-02, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.4c00304
PMID:40252226
|
研究论文 | 本研究探讨了基于深度学习的诱饵光谱预测方法，用于光谱库搜索中的假发现率估计 | 提出了无需模板光谱即可生成诱饵光谱的shuffle-and-predict方法，提高了诱饵光谱的多样性和数量 | 未明确说明该方法在预测库场景下的具体性能限制 | 改进蛋白质组学数据分析中的假发现率估计方法 | 预测光谱库和诱饵光谱 | 机器学习 | NA | 深度学习 | NA | 光谱数据 | NA | NA | NA | NA | NA |
| 15495 | 2025-05-03 |
A depression detection approach leveraging transfer learning with single-channel EEG
2025-May-02, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/adcfc8
PMID:40314182
|
research paper | 提出一种利用单通道脑电图（EEG）和迁移学习技术检测抑郁症的方法 | 采用单通道EEG信号和迁移学习技术，解决了多通道EEG在日常生活应用中的限制，并通过图像转换提高了模型性能 | 可用的抑郁症EEG数据有限，可能影响模型在区分抑郁症患者和健康受试者方面的效果 | 开发一种基于单通道EEG信号的抑郁症检测模型 | 抑郁症患者和健康个体的EEG信号 | machine learning | geriatric disease | EEG信号处理和迁移学习 | ResNet152V2 | EEG信号（转换为图像） | 有限数量的受试者 | NA | NA | NA | NA |
| 15496 | 2025-05-03 |
Heuristic multi-scale feature fusion with attention-based CNN for sentiment analysis
2025-May-02, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2498735
PMID:40314204
|
研究论文 | 提出了一种基于注意力机制的启发式多尺度特征融合CNN模型，用于情感分析 | 结合了多尺度特征融合和注意力机制的CNN模型，并使用改进的FORSO算法进行参数调优 | 未提及具体的数据集规模和模型计算复杂度 | 提高情感分析的准确率 | 用户生成的文本数据 | 自然语言处理 | NA | BERT, Transformers, word2vector | MFF-AACNet (基于注意力机制的CNN) | 文本 | 未提及具体数量，数据来自公开资源 | NA | NA | NA | NA |
| 15497 | 2025-05-03 |
Omics data classification using constitutive artificial neural network optimized with single candidate optimizer
2025-May, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2348726
PMID:38736309
|
研究论文 | 提出了一种基于Zebra优化算法和构成性人工神经网络的omics数据分类方法，并通过单候选优化器优化权重参数 | 结合Zebra优化算法进行降维，并使用构成性人工神经网络分类omics数据，通过单候选优化器优化权重参数，提高了分类准确率 | 未提及具体的数据集大小或实验设置的局限性 | 提高omics数据的分类准确率 | omics数据（如基因组学、蛋白质组学和微生物组学数据） | 机器学习 | NA | Adaptive variational Bayesian filtering (AVBF), Zebra Optimization Algorithm (ZOA), Constitutive Artificial Neural Network (CANN), Single Candidate Optimizer (SCO) | CANN | omics数据 | NA | NA | NA | NA | NA |
| 15498 | 2025-05-03 |
Hybrid deep learning-based skin cancer classification with RPO-SegNet for skin lesion segmentation
2025-May, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2428705
PMID:39628058
|
research paper | 提出了一种基于混合深度学习的皮肤癌分类方法，结合RPO-SegNet进行皮肤病变分割 | 提出了Recurrent Prototypical Object Segmentation Network (RPO-SegNet)用于皮肤病变分割，以及Fuzzy-based Shepard Convolutional Maxout Network (FSCMN)用于皮肤癌分类 | NA | 提高皮肤癌的准确和及时识别，以降低死亡率 | 皮肤黑色素病变 | computer vision | skin cancer | deep learning | RPO-SegNet, FSCMN, DMN, ShCNN | image | NA | NA | NA | NA | NA |
| 15499 | 2025-05-03 |
Deep learning-aided preparation and mechanism revaluation of waste wood lignocellulose-based flame-retardant composites
2025-May, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2025.141690
PMID:40043971
|
研究论文 | 本研究提出了一种利用深度学习辅助制备废木材基阻燃复合材料的方法，并重新评估了其阻燃机制 | 结合深度学习模型预测复合材料的阻燃性能，实现了废木材的高值化利用 | 未明确说明实验样本的具体数量及模型在其他类型废木材上的泛化能力 | 实现建筑行业废木材的高效回收利用，促进绿色低碳发展 | 废木材基阻燃复合材料 | 机器学习 | NA | 深度学习 | LSTM | 材料性能数据 | NA | NA | NA | NA | NA |
| 15500 | 2025-05-03 |
The Use of Maximum-Intensity Projections and Deep Learning Adds Value to the Fully Automatic Segmentation of Lesions Avid for [18F]FDG and [68Ga]Ga-PSMA in PET/CT
2025-May-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.269067
PMID:40081959
|
research paper | 本研究探讨了在[F]FDG和[Ga]Ga-PSMA PET/CT扫描中使用最大强度投影(MIP)图像结合深度学习(DL)进行全自动病灶分割的附加价值 | 结合MIP图像和深度学习技术，提出了一种改进的全自动病灶分割方法，并在[F]FDG PET/CT扫描中显示出减少假阳性病灶和改善肿瘤负荷量化的潜力 | 在[Ga]Ga-PSMA PET/CT扫描中，与标准DL方法相比未观察到显著性能提升 | 评估MIP图像在PET/CT扫描全自动病灶分割中的附加价值 | [F]FDG和[Ga]Ga-PSMA PET/CT扫描中的病灶 | digital pathology | melanoma, lymphoma, lung cancer, prostate cancer | PET/CT, deep learning | 3-dimensional U-Net | medical imaging | 489例[F]FDG PET/CT扫描(391训练/98测试)和117例外部测试集，355例[Ga]Ga-PSMA PET/CT扫描(285训练/70测试) | NA | NA | NA | NA |