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 19275 篇文献，本页显示第 17221 - 17240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17221 | 2025-03-28 |
Drug discovery and mechanism prediction with explainable graph neural networks
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83090-3
PMID:39747341
|
研究论文 | 本文提出了一种可解释的基于图的药物反应预测方法XGDP，旨在精确预测药物反应并揭示药物与靶点之间的作用机制 | XGDP方法不仅提高了药物反应预测的准确性，还能捕捉药物的关键功能基团与癌细胞重要基因的相互作用 | 未提及具体的数据集规模或实验验证的广泛性 | 药物发现和机制预测 | 药物分子与基因之间的相互作用 | 机器学习 | 癌症 | 图神经网络和卷积神经网络 | GNN和CNN | 分子图和基因表达数据 | NA | NA | NA | NA | NA |
| 17222 | 2025-03-28 |
DNA promoter task-oriented dictionary mining and prediction model based on natural language technology
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84105-9
PMID:39747934
|
研究论文 | 本文提出了一种基于自然语言处理技术的DNA启动子任务导向词典挖掘和预测模型，旨在提高启动子预测的准确性 | 引入了一种新的DNA序列分割方法，开发了更精细的DNA序列词典，并采用BERT-Inception架构以捕获多粒度信息 | 未提及具体的样本量或实验数据规模，可能影响模型泛化能力的评估 | 提高DNA启动子预测的准确性，并增强对DNA序列信息的解释和理解 | DNA启动子序列 | 自然语言处理 | NA | 自然语言处理技术，BERT预训练 | CNN, LSTM, BERT, Inception神经网络 | DNA序列数据 | NA | NA | NA | NA | NA |
| 17223 | 2025-03-28 |
Weakly supervised deep learning-based classification for histopathology of gliomas: a single center experience
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84238-x
PMID:39748069
|
研究论文 | 本研究探讨了弱监督深度学习在胶质瘤组织病理学诊断中的应用 | 结合ResNet-50和注意力机制开发了一种弱监督深度学习模型，用于胶质瘤的分类诊断 | 研究仅基于单中心数据，外部验证的样本量相对较小 | 评估弱监督深度学习在胶质瘤组织病理学诊断中的辅助作用 | 胶质瘤患者的全切片图像(WSIs) | 数字病理学 | 胶质瘤 | 弱监督深度学习 | ResNet-50结合注意力机制 | 图像 | 226名患者的472张WSIs(华西医院数据集)和880名患者的1604张WSIs(TCGA数据集) | NA | NA | NA | NA |
| 17224 | 2025-03-28 |
Enhancing the performance of SSVEP-based BCIs by combining task-related component analysis and deep neural network
2025-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84534-6
PMID:39748063
|
research paper | 提出了一种结合任务相关成分分析和深度神经网络的分类框架eTRCA+sbCNN，用于增强基于SSVEP的脑机接口性能 | 结合了eTRCA算法和sbCNN模型，通过整合两种方法的优势显著提高了SSVEP信号的分类性能 | 未提及具体的局限性 | 提升基于SSVEP的脑机接口系统的性能 | SSVEP信号 | 脑机接口 | NA | 任务相关成分分析(eTRCA)和子带卷积神经网络(sbCNN) | eTRCA + sbCNN | SSVEP信号 | 在两个SSVEP BCI数据集上验证 | NA | NA | NA | NA |
| 17225 | 2025-03-28 |
Exploring Deep Learning Approaches for Walnut Phenotype Variety Classification
2025, International journal of food science
IF:2.7Q3
DOI:10.1155/ijfo/9677985
PMID:40134410
|
研究论文 | 本文探讨了深度学习在核桃表型品种分类中的应用 | 结合深度学习与机器学习方法（如SVM、LR、k-NN）进行特征提取和分类，提高了分类准确率 | 仅针对四种核桃品种进行了分类，可能无法推广到其他品种 | 评估深度学习在农产品分类中的有效性 | 核桃（Chandler、Fernor、Howard、Oguzlar品种） | 计算机视觉 | NA | 深度学习 | InceptionV3、VGG-19、VGG-16、SVM、LR、k-NN | 图像 | 四种核桃品种的图像数据集 | NA | NA | NA | NA |
| 17226 | 2025-03-28 |
Cyclic peptide membrane permeability prediction using deep learning model based on molecular attention transformer
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1566174
PMID:40134508
|
research paper | 开发了一种基于分子注意力变换器（MAT）的循环肽膜渗透性预测模型CPMP | 首次将分子注意力变换器（MAT）框架应用于循环肽膜渗透性预测，性能优于传统机器学习方法和基于图的神经网络模型 | 实验膜渗透性测试成本高且精确预测工具稀缺 | 提高循环肽药物开发中膜渗透性的预测准确性 | 循环肽的膜渗透性 | machine learning | NA | deep learning | Molecular Attention Transformer (MAT) | molecular data | NA | NA | NA | NA | NA |
| 17227 | 2025-03-28 |
Optimized deep learning model for diagnosing tonsil and adenoid hypertrophy through X-rays
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1508525
PMID:40134602
|
研究论文 | 探讨基于深度学习模型在诊断儿童扁桃体和腺样体肥大中的应用 | 结合YOLOv8n和ResNet18模型，显著提高了诊断准确性和一致性 | 研究仅基于单中心的回顾性数据，可能影响模型的泛化能力 | 探索深度学习在诊断扁桃体和腺样体肥大中的应用 | 2-12岁儿童患者的侧位鼻咽X光片 | 计算机视觉 | 扁桃体和腺样体肥大 | X光成像 | YOLOv8n, ResNet18 | 图像 | 819张训练和验证图像，484张独立测试图像 | NA | NA | NA | NA |
| 17228 | 2025-03-28 |
AI-driven balance evaluation: a comparative study between blind and non-blind individuals using the mini-BESTest
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2695
PMID:40134862
|
研究论文 | 本研究首次使用mini-BESTest和惯性测量单元分析盲人平衡能力，并通过机器学习模型预测评分 | 首次使用mini-BESTest和惯性测量单元分析盲人平衡能力，并开发机器学习模型预测评分 | 惯性数据无法区分三个评估水平，且样本量较小（29名参与者） | 分析盲人和非盲人的平衡能力差异，并开发客观评估方法 | 盲人和非盲人的平衡能力 | 数字病理学 | NA | 惯性测量单元，机器学习，深度学习 | 机器学习模型，深度学习模型 | 惯性测量数据 | 29名盲人和非盲人参与者 | NA | NA | NA | NA |
| 17229 | 2025-03-28 |
Facial expression recognition using visible and IR by early fusion of deep learning with attention mechanism
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2676
PMID:40134864
|
研究论文 | 本文提出了一种结合可见光和红外图像特征的早期融合方法，用于面部表情识别，通过引入注意力机制和深度学习方法提高了识别准确率 | 在ResNet-18架构中引入注意力机制，并提出多模态早期融合方法，结合CNN和迁移学习技术，显著提高了面部表情识别的准确率 | 仅使用了VIRI和NVIE两个公开数据库，可能在其他数据集上的泛化能力有待验证 | 解决面部表情识别中因表情变化和不同表情相似性带来的挑战 | 可见光和红外图像中的面部表情 | 计算机视觉 | NA | 深度学习，迁移学习 | ResNet-18 with attention mechanism, CNN | 可见光和红外图像 | VIRI和NVIE数据库中的面部表情图像 | NA | NA | NA | NA |
| 17230 | 2025-03-28 |
Protein language model-based prediction for plant miRNA encoded peptides
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2733
PMID:40134870
|
研究论文 | 提出了一种基于蛋白质语言模型的植物miRNA编码肽预测方法pLM4PEP，该方法整合了ESM2肽嵌入与机器学习技术 | 利用蛋白质语言模型ESM2改进植物miPEPs的特征表示，相较于依赖人工编码特征的传统方法具有显著优势 | 训练数据中已知植物miPEPs的数量有限可能影响模型性能 | 开发更准确的植物miRNA编码肽预测方法 | 植物miRNA编码肽(miPEPs)及其他生物活性肽 | 生物信息学 | NA | 蛋白质语言模型(ESM2)、机器学习 | pLM4PEP（集成ESM2与机器学习） | 蛋白质序列数据 | 未明确说明具体样本量，但使用了包含其他生物活性肽的多样化数据集 | NA | NA | NA | NA |
| 17231 | 2025-03-28 |
DeepSpoofNet: a framework for securing UAVs against GPS spoofing attacks
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2714
PMID:40134872
|
研究论文 | 提出DeepSpoofNet框架，用于保护无人机免受GPS欺骗攻击 | 结合高级特征选择技术和强大的神经网络架构，提出一种混合NN模型（ANOVA + CNN-BiLSTM），显著提高了GPS欺骗攻击检测的准确性和性能 | 当前最先进研究中存在的挑战包括数据集不平衡、特征选择次优以及在资源受限环境中的攻击检测准确性 | 解决无人机GPS欺骗攻击检测中的挑战 | 无人机（UAVs）及其GPS接收器 | 机器学习 | NA | 深度学习、特征选择 | CNN、BiLSTM、混合NN模型 | GPS信号数据 | NA | NA | NA | NA | NA |
| 17232 | 2025-03-28 |
Automatic cassava disease recognition using object segmentation and progressive learning
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2721
PMID:40134883
|
研究论文 | 本研究开发了一种基于深度学习的框架，用于在现实条件下早期、准确且高效地检测木薯病害 | 提出了一种结合自监督对象分割技术和渐进学习算法（PLA）的方法，利用三元组损失和分类损失学习鲁棒的特征嵌入 | NA | 开发一种适用于大规模农业使用的木薯病害检测方法 | 木薯病害 | 计算机视觉 | 植物病害 | 自监督对象分割技术，渐进学习算法（PLA） | 深度学习 | 图像 | Kaggle竞赛中的Cassava Leaf Disease Classification (CLDC)数据集 | NA | NA | NA | NA |
| 17233 | 2025-03-28 |
Optimal intrusion detection for imbalanced data using Bagging method with deep neural network optimized by flower pollination algorithm
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2745
PMID:40134887
|
研究论文 | 本文提出了一种基于元启发式和深度学习技术的新型入侵检测系统（IDS），用于处理物联网网络中的不平衡数据问题 | 结合花授粉算法（FPA）和深度神经网络（DNN）的混合方法，并采用RB Bagging策略处理类别不平衡问题 | 未明确提及具体局限性 | 开发高效的入侵检测系统以管理物联网网络中的风险和漏洞 | 物联网网络中的入侵检测 | 机器学习 | NA | 花授粉算法（FPA），深度神经网络（DNN） | DNN | 网络流量数据 | 四个公共数据集（NSL-KDD, UNSW NB-15, CIC-IDS-2017, BoT-IoT） | NA | NA | NA | NA |
| 17234 | 2025-03-28 |
Development of a cryptocurrency price prediction model: leveraging GRU and LSTM for Bitcoin, Litecoin and Ethereum
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2675
PMID:40134889
|
research paper | 该研究开发了一种利用GRU和LSTM模型预测比特币、莱特币和以太坊价格的加密货币价格预测模型 | 比较了GRU和LSTM在加密货币价格预测中的表现，发现GRU模型优于LSTM | 未考虑社交媒体趋势和交易量等可能影响加密货币价格的其他变量 | 开发高精度的加密货币价格预测模型 | 比特币(BTC)、莱特币(LTC)和以太坊(ETH)三种主要加密货币 | machine learning | NA | NA | GRU, LSTM | time-series data | 历史价格数据来自CryptoDataDownload，按80:20的比例划分训练集和测试集 | NA | NA | NA | NA |
| 17235 | 2025-02-12 |
Response to Letter to the Editor Regarding: Multimodal Deep Learning-Based Radiomics Approach for Predicting Surgical Outcomes in Patients With Cervical Ossification of the Posterior Longitudinal Ligament
2025-Apr-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005296
PMID:39931786
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17236 | 2025-10-07 |
Multi-type stroke lesion segmentation: comparison of single-stage and hierarchical approach
2025-Apr, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03243-4
PMID:39549224
|
研究论文 | 本研究比较了单阶段和分层方法在脑部CT扫描中多类型卒中病灶分割的性能 | 首次系统比较单阶段直接分割与分层分类后分割两种方法在多类型卒中病灶分割中的表现 | 数据集仅来自单一国家机构，可能影响模型泛化能力 | 开发有效的多类型卒中病灶自动分割方法以辅助临床决策 | 脑部CT扫描图像中的缺血性和出血性卒中病灶 | 计算机视觉 | 卒中 | CT扫描 | CNN, Transformer | 医学图像 | 6650张图像（1130例缺血性卒中，1093例出血性卒中，4427例非卒中） | PyTorch, TensorFlow | ResNet, ResNeXt, ViT, U-Net, U-Net++, DeepLabV3 | AUC, IoU | NA |
| 17237 | 2025-03-27 |
Deep learning-based prediction of Monte Carlo dose distribution for heavy ion therapy
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100735
PMID:40129728
|
研究论文 | 提出了一种基于深度学习的模型，用于快速预测重离子治疗中的蒙特卡洛模拟剂量分布 | 开发了Cascade Hierarchically Densely 3D U-Net (CHD U-Net)模型，能够在几秒钟内预测蒙特卡洛剂量分布，且准确率高于现有方法 | 样本量相对较小，仅包含67例头颈患者和30例胸腹患者 | 提高重离子治疗中剂量分布的预测准确性和计算效率 | 头颈和胸腹部位的重离子治疗患者 | 医学影像分析 | 癌症 | 深度学习 | CHD U-Net | CT图像和TPSDose数据 | 67例头颈患者和30例胸腹患者 | NA | NA | NA | NA |
| 17238 | 2025-03-27 |
External validation of an algorithm to detect vertebral level mislabeling and autocontouring errors
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100738
PMID:40129727
|
research paper | 该研究对外部验证了一种椎体自动轮廓工具的算法，并研究了一种后处理方法以提高其性能至临床可接受水平 | 开发了一种后处理技术，显著提高了椎体定位的准确性 | 在外部数据集上的性能相比原始训练数据集有所下降 | 验证和改进椎体自动轮廓工具的临床适用性 | CT扫描中的椎体 | digital pathology | NA | machine learning, deep learning | NA | CT scans | 81例CT扫描（40例来自机构A，41例来自机构B） | NA | NA | NA | NA |
| 17239 | 2025-03-27 |
ADAM: automated digital phenotyping and morphological texture analysis of bone biopsy images using deep learning
2025-Apr, JBMR plus
IF:3.4Q2
DOI:10.1093/jbmrpl/ziaf028
PMID:40129969
|
研究论文 | 开发了一种名为ADAM的自动化流程，用于通过深度学习对骨活检图像进行数字表型分析和形态纹理分析 | ADAM流程能够快速生成组织与细胞图谱，并在无需额外染色的情况下，通过亮场显微镜图像进行骨细胞计数 | 对于形态异质性较高的骨细胞计数，如破骨细胞和成骨细胞，其相关系数相对较低 | 提高骨活检图像分析的自动化程度和准确性，以改善病理工作流程和诊断洞察 | 未脱钙骨活检图像中的组织与细胞成分 | 数字病理学 | 骨病 | 深度学习 | NA | 图像 | 最多20张图像 | NA | NA | NA | NA |
| 17240 | 2025-03-27 |
A statistical method for high-throughput emergence rate calculation for soybean breeding plots based on field phenotypic characteristics
2025-Mar-24, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01356-x
PMID:40122826
|
research paper | 本研究提出了一种基于无人机和地面测量数据的高通量大豆出苗率统计方法，旨在提高密集种植环境下育种筛选的效率和准确性 | 结合背景分割、深度学习目标检测和生长归一化思想，提出了一种新的高通量大豆出苗率统计方法，解决了现有方法在密集环境下的低通量、低效率和精度不足问题 | 方法在极端密集或高度重叠的种植环境下可能仍存在计数误差 | 开发一种高效、精确的大豆出苗率统计方法，以加速育种筛选过程 | 密集种植环境下的大豆幼苗 | digital agriculture | NA | 无人机遥感成像、深度学习目标检测 | Yolov8n | 遥感图像 | 未明确说明具体样本数量，但涉及密集种植环境下的大豆幼苗图像数据 | NA | NA | NA | NA |