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 16061 - 16080 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 16061 | 2025-04-27 |
Elevator fault precursor prediction based on improved LSTM-AE algorithm and TSO-VMD denoising technique
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320566
PMID:40273057
|
研究论文 | 提出一种结合VMD、BILSTM和AEAM的电梯故障前兆预测方法，提升预测的稳定性和准确性 | 整合VMD、BILSTM和AEAM算法，提出VMD-BILSTM-AEAM模型，有效解决电梯运行数据中的特征冗余和噪声干扰问题 | 未提及模型在极端噪声环境下的表现或对其他类型机械故障的适用性 | 提升电梯故障前兆预测的准确性和稳定性 | 电梯运行参数（电流、电压、运行速度等） | 机器学习 | NA | VMD（变分模态分解）、BILSTM（双向长短期记忆网络）、AEAM（带注意力机制的自编码器） | VMD-BILSTM-AEAM | 时间序列数据 | 未明确提及具体样本数量，仅提到电梯运行参数数据集 | NA | NA | NA | NA |
| 16062 | 2025-04-27 |
Intelligent recognition of human activities using deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321754
PMID:40273193
|
research paper | 该研究利用深度学习技术，通过集成3D-AlexNet-RF和InceptionV3 Google-Net模型，提高了RGB视频中人类活动识别的准确性 | 采用集成方法结合两种深度学习模型的预测结果，显著提升了人类活动识别的性能 | 研究仅基于HMDB51数据集进行评估，可能在其他数据集上的泛化能力有待验证 | 提升人类活动识别（HAR）的准确性，以改善患者护理、增强安全监控和促进人机交互 | RGB视频中的人类活动 | computer vision | NA | 深度学习 | 3D-AlexNet-RF, InceptionV3 Google-Net | video | HMDB51数据集 | NA | NA | NA | NA |
| 16063 | 2025-04-27 |
ToxDL 2.0: Protein toxicity prediction using a pretrained language model and graph neural networks
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.04.002
PMID:40276117
|
研究论文 | 介绍了一种名为ToxDL 2.0的新型多模态深度学习模型，用于预测蛋白质毒性 | 整合了来自预训练语言模型和AlphaFold2的进化和结构信息，通过图卷积网络（GCN）模块、域嵌入模块和密集模块来预测蛋白质毒性 | 未提及具体局限性 | 开发高效的计算方法来预测蛋白质毒性，替代传统耗时、昂贵且劳动密集型的实验方法 | 蛋白质 | 机器学习 | NA | 预训练语言模型、AlphaFold2、图卷积网络（GCN） | GCN | 蛋白质序列和结构数据 | 原始非冗余测试集（2022年前的蛋白质序列）和独立非冗余测试集（2022年后的蛋白质序列） | NA | NA | NA | NA |
| 16064 | 2025-04-27 |
Frontotemporal dementia: a systematic review of artificial intelligence approaches in differential diagnosis
2025, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2025.1547727
PMID:40276595
|
系统综述 | 本文系统综述了人工智能方法在额颞叶痴呆鉴别诊断中的应用 | 评估了当前机器学习模型在区分额颞叶痴呆与其他神经系统疾病中的优势和局限性，并提出了多模态数据整合的建议 | 样本量小、类别不平衡和缺乏标准化限制了模型的泛化能力 | 提高额颞叶痴呆的早期和准确鉴别诊断 | 额颞叶痴呆及其亚型与其他痴呆症（如阿尔茨海默病）的患者 | 自然语言处理 | 老年疾病 | 机器学习 | SVM, CNN | 神经影像和电生理数据 | 6,544名痴呆患者（包括2,984名额颞叶痴呆患者、3,437名阿尔茨海默病患者、103名轻度认知障碍患者和20名帕金森病痴呆或可能的路易体痴呆患者） | NA | NA | NA | NA |
| 16065 | 2025-04-27 |
Improving healthcare sustainability using advanced brain simulations using a multi-modal deep learning strategy with VGG19 and bidirectional LSTM
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1574428
PMID:40276738
|
research paper | 该研究提出了一种结合深度学习和集成学习方法的多模态方案，用于改进MRI上的脑肿瘤分类 | 结合预训练的VGG19网络、双向LSTM和LightGBM分类器，利用空间特征提取和序列依赖学习的互补优势 | 未提及具体的数据集规模或多样性限制 | 提高脑肿瘤分类的准确性和鲁棒性，以增强医疗成像诊断应用 | MRI图像中的脑肿瘤 | digital pathology | brain tumor | deep learning, ensemble learning | VGG19, Bidirectional LSTM, LightGBM | MRI images | NA | NA | NA | NA | NA |
| 16066 | 2025-10-07 |
Accelerated EPR imaging using deep learning denoising
2025-Jul, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30473
PMID:40096518
|
研究论文 | 本研究利用深度学习技术对3D电子顺磁共振成像的振幅和氧分压图进行去噪处理 | 首次将UNet模型与联合双边滤波器结合应用于EPRI去噪，实现10倍成像加速 | 训练数据集规模有限（共227个3D图像），且包含体外和体内两种数据 | 开发基于深度学习的EPRI去噪方法以提高图像信噪比 | 体外OXO71模型和C3H小鼠后肢纤维肉瘤肿瘤 | 医学影像处理 | 肿瘤 | 电子顺磁共振成像 | 深度学习 | 3D图像 | 227个3D图像（56个体内，171个体外） | MONAI | UNet, Attention UNet, UNETR, Autoencoder | 多尺度结构相似性指数, 边缘敏感度保留 | NA |
| 16067 | 2025-10-07 |
Deep learning-assisted cellular imaging for evaluating acrylamide toxicity through phenotypic changes
2025-Jun, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association
IF:3.9Q1
DOI:10.1016/j.fct.2025.115401
PMID:40118138
|
研究论文 | 开发结合深度学习与细胞荧光成像的新方法评估丙烯酰胺毒性 | 首次将U-Net细胞分割与ResNet34分类模型结合，通过表型变化直接关联细胞表型与毒性评估 | 验证准确率为80%，仍有提升空间 | 评估丙烯酰胺毒性及其对细胞表型的影响 | 暴露于丙烯酰胺的细胞 | 计算机视觉 | 毒理学 | 细胞荧光成像 | CNN | 图像 | NA | NA | U-Net, ResNet34 | 准确率 | NA |
| 16068 | 2025-04-26 |
Future prospects of deep learning in esophageal cancer diagnosis and clinical decision support (Review)
2025-Jun, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15039
PMID:40271007
|
review | 本文综述了深度学习在食管癌诊断和临床决策支持中的应用前景 | 深度学习在提高早期食管癌病变检测、区分良恶性病变以及辅助癌症分期和预后方面显示出巨大潜力 | 面临图像质量差异、数据标注不足和泛化能力有限等挑战 | 探讨深度学习在食管癌诊断和临床决策支持中的应用 | 食管癌（EC）及其癌前病变（如Barrett食管） | digital pathology | esophageal cancer | endoscopic examination, pathological analysis, computed tomography | deep learning (DL) | medical images | NA | NA | NA | NA | NA |
| 16069 | 2025-04-26 |
A comprehensive Malabar Spinach dataset for diseases classification
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111532
PMID:40275977
|
研究论文 | 本研究致力于开发针对马拉巴尔菠菜病害的机器视觉算法，以提高病害检测的准确性 | 开发了专门针对马拉巴尔菠菜病害的机器视觉算法，并构建了一个包含健康和患病植株图像的全面数据集 | 研究仅限于马拉巴尔菠菜的特定病害，可能不适用于其他作物 | 提高马拉巴尔菠菜病害的检测准确性，以支持精准农业和有效的作物管理 | 马拉巴尔菠菜的病害检测 | 计算机视觉 | 植物病害 | 机器视觉 | ResNet50 | 图像 | 包含健康和患病马拉巴尔菠菜植株图像的全面数据集 | NA | NA | NA | NA |
| 16070 | 2025-10-07 |
Development of an artificial intelligence-generated, explainable treatment recommendation system for urothelial carcinoma and renal cell carcinoma to support multidisciplinary cancer conferences
2025-May-02, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2025.115367
PMID:40107091
|
研究论文 | 开发用于尿路上皮癌和肾细胞癌的人工智能生成可解释治疗推荐系统，以支持多学科癌症会议 | 首次开发AI生成的可解释治疗推荐系统，为临床肿瘤学多学科会议提供全球参考标准 | 需要前瞻性验证研究结果 | 开发人工智能系统以增加循证治疗推荐，支持多学科癌症会议决策 | 尿路上皮癌和肾细胞癌患者 | 机器学习 | 尿路上皮癌,肾细胞癌 | 机器学习,深度学习 | CatBoost,XGBoost,Random Forest,TabPFN,TabNet,SoftOrdering CNN,FCN | 临床参数 | 1617例尿路上皮癌和880例肾细胞癌的多学科会议推荐 | NA | NA | F1分数 | NA |
| 16071 | 2024-08-07 |
Enhancing multimodal deep learning for improved precision and efficiency in medical diagnostics
2025-May, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20166
PMID:38808949
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16072 | 2024-09-23 |
Response to 'Enhancing multimodal deep learning for improved precision and efficiency in medical diagnostics'
2025-May, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20347
PMID:39305063
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16073 | 2025-10-07 |
Deep learning radiomic nomogram outperforms the clinical model in distinguishing intracranial solitary fibrous tumors from angiomatous meningiomas and can predict patient prognosis
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11082-y
PMID:39412667
|
研究论文 | 本研究开发了一种基于MRI的深度学习影像组学列线图，用于区分颅内孤立性纤维瘤和血管瘤型脑膜瘤并预测患者预后 | 首次将深度学习影像组学列线图应用于区分ISFTs和AMs，并证明其在预测患者总生存期方面的价值 | 研究样本主要来自两家医院，需要更多外部验证来确认模型的泛化能力 | 评估基于MRI的深度学习影像组学列线图在区分颅内肿瘤类型和预测患者预后方面的价值 | 颅内孤立性纤维瘤和血管瘤型脑膜瘤患者 | 医学影像分析 | 脑肿瘤 | 磁共振成像 | 深度学习模型 | 医学影像 | 1221名患者（1090名主要队列，131名外部验证队列），其中149名ISFT患者接受随访 | NA | 深度学习影像组学列线图 | AUC, 风险比, 置信区间 | NA |
| 16074 | 2025-10-07 |
Unbiased and reproducible liver MRI-PDFF estimation using a scan protocol-informed deep learning method
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11164-x
PMID:39500799
|
研究论文 | 提出一种基于深度学习的VET-Net方法，用于从化学位移编码MRI图像中估计肝脏质子密度脂肪分数 | 开发了可变回波时间神经网络框架，通过将回波时间作为辅助输入，实现对不同扫描仪和采集参数的鲁棒PDFF估计 | 研究基于单中心肝脏数据集，样本量相对有限（188名受试者） | 开发能够跨不同MR扫描仪和采集参数精确估计肝脏质子密度脂肪分数的深度学习方法 | 肝脏化学位移编码MRI图像 | 医学影像分析 | 肝脏疾病 | 化学位移编码MRI | 深度学习 | MRI图像 | 188名受试者，4146个轴向切片 | NA | VET-Net（可变回波时间神经网络） | 重现性系数，PDFF偏差 | NA |
| 16075 | 2025-10-07 |
FovealNet: Advancing AI-Driven Gaze Tracking Solutions for Efficient Foveated Rendering in Virtual Reality
2025-May, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3549577
PMID:40067704
|
研究论文 | 提出FovealNet框架，通过AI驱动的注视点追踪技术优化虚拟现实中的凹点渲染效率 | 采用基于事件的裁剪方法减少64.8%无关像素，结合动态令牌剪枝策略，并提出系统性能感知的多分辨率训练策略 | NA | 提升虚拟现实中注视点追踪精度以优化凹点渲染系统性能 | 虚拟现实系统中的注视点追踪和凹点渲染技术 | 计算机视觉 | NA | 深度学习，实时眼动追踪 | DNN | 图像 | NA | NA | FovealNet | 速度提升，感知质量提升 | NA |
| 16076 | 2025-10-07 |
ViDDAR: Vision Language Model-Based Task-Detrimental Content Detection for Augmented Reality
2025-May, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3549147
PMID:40072851
|
研究论文 | 提出一种基于视觉语言模型的增强现实中任务有害内容检测系统ViDDAR | 首个在AR环境中使用视觉语言模型检测任务有害内容的系统 | 检测延迟较高，信息操纵攻击检测延迟达9.62秒 | 检测增强现实中可能损害任务性能的虚拟内容 | 增强现实环境中的虚拟内容 | 计算机视觉,增强现实 | NA | 深度学习,视觉语言模型 | 视觉语言模型 | 图像,文本 | 自定义开源数据集 | NA | 视觉语言模型 | 准确率,延迟 | 用户-边缘-云架构 |
| 16077 | 2025-10-07 |
Envelope spectrum knowledge-guided domain invariant representation learning strategy for intelligent fault diagnosis of bearing
2025-May, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2025.03.004
PMID:40102111
|
研究论文 | 提出一种基于包络谱知识引导的域不变表示学习策略，用于轴承的智能故障诊断 | 通过包络谱知识蒸馏捕获傅里叶特征作为域不变特征，并设计最大化健康状态表示二范数度量的创新损失函数来丰富表示多样性 | NA | 开发跨不同工作条件的轴承故障诊断方法 | 轴承故障诊断 | 机器学习 | NA | 包络谱分析，知识蒸馏 | 深度学习 | 振动信号数据 | Paderborn轴承数据集和私有轴承数据集 | NA | NA | AUC，诊断准确率 | NA |
| 16078 | 2025-04-03 |
Closing the gap: commercialized deep learning solutions for knee MRI are already transforming clinical practice
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11550-z
PMID:40172638
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16079 | 2025-04-03 |
Reply to the Letter to the Editor: MRI deep learning models for assisted diagnosis of knee pathologies: a systematic review
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11552-x
PMID:40172639
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16080 | 2025-10-07 |
Predicting post-hepatectomy liver failure in patients with hepatocellular carcinoma: nomograms based on deep learning analysis of gadoxetic acid-enhanced MRI
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11173-w
PMID:39528755
|
研究论文 | 基于深度学习分析钆塞酸增强MRI开发预测肝细胞癌患者肝切除术后肝衰竭的列线图模型 | 首次结合深度学习分析的MRI体积和功能变量与临床指标构建预测肝切除术后肝衰竭的列线图 | 回顾性研究设计，需外部验证确认泛化能力 | 预测肝细胞癌患者肝切除术后肝衰竭风险 | 接受肝切除术的肝细胞癌患者 | 数字病理 | 肝细胞癌 | 钆塞酸增强肝胆期MRI | 深度学习算法 | MRI图像 | 1760例患者（1395例男性，平均年龄60±10岁） | NA | NA | AUC | NA |