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 15941 - 15960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15941 | 2025-01-31 |
Neural-WDRC: A Deep Learning Wide Dynamic Range Compression Method Combined With Controllable Noise Reduction for Hearing Aids
2025 Jan-Dec, Trends in hearing
IF:2.6Q1
DOI:10.1177/23312165241309301
PMID:39865875
|
研究论文 | 本文提出了一种名为Neural-WDRC的深度学习方法，用于在助听器中结合可控降噪的宽动态范围压缩（WDRC） | Neural-WDRC采用两阶段低复杂度网络，同时实现降噪和WDRC，通过控制残余噪声水平帮助用户感知自然环境声音 | NA | 提高助听器在非稳态噪声环境下的语音清晰度和听感舒适度 | 助听器用户 | 机器学习 | 听力障碍 | 深度学习 | 两阶段低复杂度网络 | 音频信号 | 正常听力参与者和听力受损参与者 | NA | NA | NA | NA |
| 15942 | 2025-01-31 |
Deep Learning and Radiomics in Triple-Negative Breast Cancer: Predicting Long-Term Prognosis and Clinical Outcomes
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S509004
PMID:39866348
|
综述 | 本文综述了深度学习和放射组学在三阴性乳腺癌（TNBC）诊断和治疗中的应用进展 | 结合深度学习和放射组学技术，探索其在TNBC诊断、治疗反应评估和长期预后预测中的应用前景 | 未提及具体研究数据或实验结果的局限性 | 探讨深度学习和放射组学在TNBC诊断和治疗中的潜在应用 | 三阴性乳腺癌（TNBC） | 数字病理学 | 乳腺癌 | 深度学习、放射组学、超声、MRI | NA | 图像 | NA | NA | NA | NA | NA |
| 15943 | 2025-01-31 |
Development of metastasis and survival prediction model of luminal and non-luminal breast cancer with weakly supervised learning based on pathomics
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18780
PMID:39866573
|
研究论文 | 本研究旨在开发一种基于病理图像的深度学习模型，用于预测乳腺癌患者的转移和生存结果 | 利用弱监督学习方法，结合病理图像和临床特征，开发了预测乳腺癌转移和生存的深度学习模型 | 样本量相对较小，仅包括204个根治性乳房切除标本 | 开发预测乳腺癌患者转移和生存结果的深度学习模型 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 全片成像（WSI） | DenseNet121, ResNet50, Inception_v3 | 图像 | 204个根治性乳房切除标本 | NA | NA | NA | NA |
| 15944 | 2025-01-28 |
Post-processing enhances protein secondary structure prediction with second order deep learning and embeddings
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2024.12.022
PMID:39866664
|
研究论文 | 本文探讨了利用二阶深度学习和嵌入技术增强蛋白质二级结构预测的方法 | 采用卷积神经网络（CNN）结合SHN方法进行训练，并使用从预训练语言模型中提取的嵌入作为输入，通过后处理技术显著提高了预测性能 | 后处理窗口大小受限于CASP13数据集中最小蛋白质的大小 | 提高蛋白质二级结构预测的准确性 | 蛋白质二级结构 | 生物信息学 | NA | 深度学习 | CNN | 蛋白质序列 | CB513、PISCES和CASP13数据集 | NA | NA | NA | NA |
| 15945 | 2025-01-31 |
Enhancing prostate cancer segmentation in bpMRI: Integrating zonal awareness into attention-guided U-Net
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251314546
PMID:39866889
|
研究论文 | 本研究提出了一种结合区域感知的注意力引导U-Net模型，用于增强前列腺癌在双参数磁共振成像（bpMRI）中的分割效果 | 创新点在于引入区域特征对疾病进展的影响，采用两步机制的自动化方法，先对前列腺区域进行分割预训练，再对病变进行分割预训练 | 未提及具体局限性 | 提高前列腺癌在bpMRI图像中的诊断性能，实现早期准确诊断 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 双参数磁共振成像（bpMRI） | 注意力引导U-Net | 图像 | 未提及具体样本量 | NA | NA | NA | NA |
| 15946 | 2025-01-31 |
Classification of CT scan and X-ray dataset based on deep learning and particle swarm optimization
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317450
PMID:39869555
|
研究论文 | 本文提出了一种基于深度学习和粒子群优化的低误报率疾病检测方法，用于COVID-19肺部图像的分类 | 提出了一种两阶段优化模型，第一阶段使用经典梯度下降法训练模型并提取相关特征，第二阶段构建最小化误报率的目标函数，以获得高精度和低误报率的网络模型 | NA | 开发一种低误报率的疾病检测方法，用于COVID-19肺部图像的分类 | COVID-19肺部图像 | 计算机视觉 | COVID-19 | 深度学习，粒子群优化 | 两阶段优化模型 | 图像 | 公共COVID-19放射学数据集和公共COVID-19肺部CT扫描数据集 | NA | NA | NA | NA |
| 15947 | 2025-01-31 |
Deep learning based analysis of G3BP1 protein expression to predict the prognosis of nasopharyngeal carcinoma
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315893
PMID:39869565
|
研究论文 | 本文利用深度学习技术分析G3BP1蛋白表达，以预测鼻咽癌的预后 | 首次使用数字病理学方法研究G3BP1的免疫组化染色，并建立了一个深度学习模型来量化染色强度和范围 | 未提及样本量的具体限制或潜在的偏差 | 研究G3BP1蛋白表达与鼻咽癌预后的关系 | 鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 免疫组化染色 | 深度学习模型 | 图像 | 未提及具体样本量 | NA | NA | NA | NA |
| 15948 | 2025-01-31 |
Enhanced ResNet-50 for garbage classification: Feature fusion and depth-separable convolutions
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317999
PMID:39869568
|
研究论文 | 本文提出了一种基于ResNet-50网络的垃圾图像分类模型，通过特征融合和深度可分离卷积提高分类准确性和计算效率 | 提出了冗余加权特征融合模块和深度可分离卷积，有效减少了模型参数数量并提高了计算效率，同时在Focal Loss中加入了权重因子以解决类别不平衡问题 | NA | 开发一种合理有效的垃圾图像分类方法，以提高分类准确性、鲁棒性和检测速度 | 垃圾图像 | 计算机视觉 | NA | 深度学习 | ResNet-50 | 图像 | TrashNet数据集 | NA | NA | NA | NA |
| 15949 | 2025-01-31 |
Dual-hybrid intrusion detection system to detect False Data Injection in smart grids
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316536
PMID:39869576
|
研究论文 | 本文提出了一种新型的双混合入侵检测系统（IDS），用于检测智能电网中的虚假数据注入攻击（FDIAs） | 结合了混合特征选择和深度学习分类器，使用粒子群优化（PSO）和灰狼优化（GWO）进行特征选择，并整合了卷积神经网络（CNN）和长短期记忆网络（LSTM）来捕捉数据的空间和时间特征 | 未来研究应关注整合真实世界智能电网数据进行验证，开发自适应学习机制，探索其他生物启发优化算法，并解决大规模部署中的实时处理和可扩展性挑战 | 提高智能电网中入侵检测系统（IDS）的准确性和鲁棒性 | 智能电网中的虚假数据注入攻击（FDIAs） | 机器学习 | NA | 混合特征选择，深度学习 | CNN, LSTM | 智能电网数据 | 工业控制系统（ICS）网络攻击数据集（电力系统数据集），包含多种FDIA场景的模拟数据 | NA | NA | NA | NA |
| 15950 | 2025-01-31 |
Alzheimer's disease image classification based on enhanced residual attention network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317376
PMID:39869613
|
研究论文 | 本文提出了一种基于增强残差注意力网络（ERAN）的深度学习模型，用于阿尔茨海默病的医学图像分类 | 结合残差学习、注意力机制和软阈值技术，提升了模型的特征表示能力和分类准确率 | 未提及模型在其他数据集上的泛化能力及临床应用的可行性 | 提高阿尔茨海默病的早期诊断准确率 | 阿尔茨海默病的医学图像 | 计算机视觉 | 老年病 | 深度学习 | 增强残差注意力网络（ERAN） | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 15951 | 2025-01-31 |
Advancements in Artificial Intelligence in Noninvasive Cardiac Imaging: A Comprehensive Review
2025-Jan, Clinical cardiology
IF:2.4Q2
DOI:10.1002/clc.70087
PMID:39871619
|
综述 | 本文综述了人工智能在无创心脏影像学中的技术进步及其对诊断流程和患者预后的影响 | 探讨了AI在心脏影像学中的应用，包括提高图像质量、加速处理时间和提升诊断准确性，以及识别传统方法可能忽略的细微心脏异常 | 存在数据标准化、法规遵从性和患者安全等挑战 | 评估人工智能在心脏影像学中的应用及其对诊断和患者预后的影响 | 心脏影像学中的各种成像模式，包括超声心动图、磁共振成像（MRI）、计算机断层扫描（CT）和核成像 | 医学影像 | 心血管疾病 | 机器学习和深度学习算法 | NA | 图像 | NA | NA | NA | NA | NA |
| 15952 | 2025-10-07 |
Detecting autism in children through drawing characteristics using the visual-motor integration test
2025-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-025-00338-6
PMID:39877430
|
研究论文 | 通过视觉-运动整合测试中的绘画特征检测儿童自闭症 | 提出基于绘画特征的自闭症分类新方法，采用集成学习显著提升分类准确率至0.934，并识别出5个最具区分度的绘画模式 | 样本量较小（50名儿童），性别分布不均衡（44男6女），仅针对台湾地区学龄儿童 | 开发通过绘画特征区分自闭症儿童与正常发育儿童的分类方法 | 台湾6-12岁学龄儿童（含自闭症儿童和正常发育儿童） | 计算机视觉 | 自闭症 | 视觉-运动整合测试 | 深度学习 | 绘画图像 | 50名儿童（44名男孩，6名女孩） | NA | NA | 准确率 | NA |
| 15953 | 2025-10-07 |
Deep learning driven silicon wafer defect segmentation and classification
2025-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103158
PMID:39877475
|
研究论文 | 本研究开发了一种基于深度学习的硅晶圆缺陷分割与分类系统，并集成大型语言模型提供交互式缺陷分析 | 将深度学习缺陷分割分类与大型语言模型问答能力相结合，实现自动化检测与交互式指导的双重功能 | NA | 实现硅晶圆缺陷的自动化检测与分类，提高集成电路制造质量 | 硅晶圆上的缺陷 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | 平均绝对误差,均方根误差,Dice系数,交并比,准确率,精确率,召回率,F1分数 | NA |
| 15954 | 2025-10-07 |
EyeLiner: A Deep Learning Pipeline for Longitudinal Image Registration Using Fundus Landmarks
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100664
PMID:39877463
|
研究论文 | 提出名为EyeLiner的深度学习流程，用于基于眼底标志点的纵向图像配准 | 结合CNN关键点检测与基于Transformer的匹配算法，在三个独立数据集上超越现有最先进方法 | 未明确说明计算资源需求和模型处理速度 | 开发用于纵向眼底图像配准的深度学习方法，以改善疾病进展监测 | 眼底彩色照片(CFPs) | 计算机视觉 | 眼科疾病（青光眼、黄斑变性） | 眼底成像 | CNN, Transformer | 图像 | 三个纵向数据集：FIRE、SIGF和CORIS | NA | NA | 平均距离(MD), 曲线下面积(AUC) | NA |
| 15955 | 2025-10-07 |
A deep learning framework for in silico screening of anticancer drugs at the single-cell level
2025-Feb, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwae451
PMID:39872221
|
研究论文 | 开发名为Shennong的深度学习框架，用于在单细胞水平进行抗癌药物的计算机筛选 | 利用泛癌种和泛组织的单细胞转录图谱揭示细胞异质性，并开发可预测单细胞药物反应和组织损伤效应的深度学习框架 | NA | 加速药物发现过程并提高药物筛选的准确性和效率 | 恶性细胞、癌前细胞、癌症相关基质细胞和内皮细胞 | 数字病理学 | 癌症 | 单细胞RNA测序(scRNA-seq) | 深度学习 | 单细胞转录组数据 | 泛癌种和泛组织的单细胞转录图谱 | NA | NA | NA | NA |
| 15956 | 2025-10-07 |
Re-locative guided search optimized self-sparse attention enabled deep learning decoder for quantum error correction
2025-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87782-2
PMID:39875564
|
研究论文 | 提出一种结合重定位引导搜索优化的自稀疏注意力深度学习解码器用于量子纠错 | 集成自稀疏注意力机制和RIGS自然启发算法，增强特征学习能力并避免局部最优问题 | NA | 开发高效的量子纠错解码器 | 量子纠错码 | 量子计算 | NA | 量子纠错编码 | CNN, LSTM | 量子代码 | NA | NA | 自稀疏注意力卷积神经网络与长短期记忆网络结合 | 最小均方误差, 均方根误差, 平均绝对误差, 相关系数, R² | NA |
| 15957 | 2025-01-30 |
Correction: Deep learning model for automated detection of fresh and old vertebral fractures on thoracolumbar CT
2025-Jan-29, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-024-08636-5
PMID:39875623
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15958 | 2025-10-07 |
Whole slide image based deep learning refines prognosis and therapeutic response evaluation in lung adenocarcinoma
2025-Jan-29, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01470-z
PMID:39875799
|
研究论文 | 基于全切片图像开发深度学习模型预测肺腺癌患者复发风险并指导辅助化疗选择 | 首次将全切片图像与深度学习结合构建预后模型，能够识别可从辅助化疗中获益的高风险II期和III期患者亚组 | NA | 改进肺腺癌患者预后评估和治疗反应评价 | 肺腺癌患者 | 数字病理学 | 肺腺癌 | 全切片图像分析 | 深度学习 | 组织病理学图像 | 多中心队列研究 | NA | NA | 疾病无生存期, Cox回归分析 | NA |
| 15959 | 2025-10-07 |
Virtual biopsy for non-invasive identification of follicular lymphoma histologic transformation using radiomics-based imaging biomarker from PET/CT
2025-Jan-29, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-025-03893-7
PMID:39875864
|
研究论文 | 本研究开发了一种基于放射组学的影像生物标志物，用于通过PET/CT图像无创识别滤泡性淋巴瘤的组织学转化 | 提出结合无监督EMFusion方法融合PET/CT图像，并整合深度学习提取的放射组学特征与手工特征构建放射组学标签 | NA | 开发无创识别滤泡性淋巴瘤组织学转化的影像生物标志物 | 784名滤泡性淋巴瘤、弥漫大B细胞淋巴瘤和转化型滤泡性淋巴瘤患者 | 数字病理 | 淋巴瘤 | PET/CT成像，放射组学分析 | 深度学习 | 医学影像（PET/CT图像） | 784名患者，来自5个独立医疗中心 | NA | ResNet18 | AUC, 准确率, 灵敏度, 特异性 | NA |
| 15960 | 2025-10-07 |
Deep Learning-Based Precontrast CT Parcellation for MRI-Free Brain Amyloid PET Quantification
2025-Jan-29, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005652
PMID:39876079
|
研究论文 | 开发基于深度学习的CT脑区分割模型，用于无MRI的淀粉样蛋白PET定量分析 | 首次使用深度学习直接从CT图像进行脑区分割，无需高分辨率MRI即可实现淀粉样蛋白PET定量 | 回顾性研究，样本量相对有限(226人)，仅使用单一数据集 | 开发不依赖MRI的淀粉样蛋白PET定量方法 | 226名受试者(157名轻度认知障碍或痴呆患者，69名健康对照) | 医学影像分析 | 阿尔茨海默病 | PET/CT成像，T1加权MRI | UNet | CT图像，PET图像，MRI图像 | 226人(训练/验证集60%，测试集40%) | NA | UNet | Dice相似系数，线性回归分析，组内相关系数，SUVR | NA |