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 17301 - 17320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17301 | 2025-03-25 |
Music genre classification with parallel convolutional neural networks and capuchin search algorithm
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90619-7
PMID:40113866
|
research paper | 提出了一种结合并行卷积神经网络和卷尾猴搜索算法的音乐流派分类新方法 | 结合离散小波变换、梅尔频率倒谱系数和短时傅里叶变换特征，利用卷尾猴搜索算法优化CNN超参数，提高了分类准确率 | NA | 开发一个强大的音乐分类器，快速分类未标记音乐，提升用户媒体播放器和音乐文件的体验 | 音乐流派分类 | machine learning | NA | DWT, MFCC, STFT | CNN | audio | GTZAN和Extended-Ballroom数据集 | NA | NA | NA | NA |
| 17302 | 2025-03-25 |
Detection of hydrophobicity grade of insulators based on AHC-YOLO algorithm
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92696-0
PMID:40113932
|
研究论文 | 提出一种基于AHC-YOLO算法的复合绝缘子疏水性等级检测方法 | 结合高性能GPU网络HGNetv2、混合局部通道注意力机制MLCA、轻量级卷积CSPPC和Inner-WIoU损失函数，显著降低网络负担并提高识别精度 | 未提及算法在极端环境或不同光照条件下的性能表现 | 提高复合绝缘子疏水性等级检测的效率和准确性 | 复合绝缘子 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | NA | NA | NA | NA | NA |
| 17303 | 2025-03-25 |
A high performance hybrid LSTM CNN secure architecture for IoT environments using deep learning
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94500-5
PMID:40114016
|
研究论文 | 提出了一种高性能的LSTM-CNN混合安全架构，用于优化物联网环境中的实时入侵检测 | 结合LSTM层学习时间依赖性和CNN层分解空间特征，提高了威胁识别的效率 | 未提及具体在哪些物联网设备或场景中进行了测试 | 优化物联网环境中的实时入侵检测，提高安全性 | 物联网环境中的网络入侵行为 | 机器学习 | NA | 深度学习 | LSTM-CNN混合模型 | 网络流量数据 | BoT-IoT数据集，包含DDoS、僵尸网络、侦察和数据泄露等多种网络攻击类型 | NA | NA | NA | NA |
| 17304 | 2025-03-25 |
A novel self-supervised graph clustering method with reliable semi-supervision
2025-Mar-16, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107418
PMID:40120553
|
research paper | 提出了一种基于可靠半监督的新型自监督图聚类方法（SSGC-RSS），用于解决图数据中的噪声和稀疏性问题 | 模型通过上游的双解码器图自编码器与联合聚类优化，以及下游基于高可靠性样本的半监督图注意力编码网络，创新性地解决了噪声和稀疏性问题 | 未明确提及具体局限性，但可能涉及对特定图数据类型的适应性或计算复杂度 | 提升复杂图数据聚类任务的性能 | 图数据 | machine learning | NA | 自监督学习、半监督学习 | 双解码器图自编码器、图注意力编码网络 | 图数据 | 在Cora、Citeseer和Pubmed等多个图数据集上进行了实验 | NA | NA | NA | NA |
| 17305 | 2025-03-25 |
Deformation-invariant neural network and its applications in distorted image restoration and analysis
2025-Mar-16, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107378
PMID:40121786
|
研究论文 | 提出了一种变形不变神经网络（DINN）框架，用于处理几何失真图像的恢复和分析问题 | 引入了拟共形变换网络（QCTN）作为DINN的核心组件，能够输出拟共形映射以改善几何失真图像 | 未提及具体的数据集规模或在不同类型几何失真上的泛化能力 | 解决几何失真图像的成像任务问题 | 几何失真图像 | 计算机视觉 | NA | 拟共形映射 | DINN（包含QCTN组件） | 图像 | NA | NA | NA | NA | NA |
| 17306 | 2025-03-25 |
Contactless Intelligent Anti-interference Lung Nodule Detection Method for Early Disease Detection
2025-Mar-11, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3550199
PMID:40067715
|
研究论文 | 提出了一种基于人工智能的抗干扰肺结节检测方法Yolov8-AH，用于在干扰条件下提高肺CT图像中肺结节检测的准确性 | 结合了自适应门控稀疏注意力(AGSA)和哈尔小波下采样(HWD)模块的Yolov8模型，显著提高了在干扰条件下的检测准确率 | 未提及模型在临床实际应用中的验证情况 | 提高在干扰条件下肺CT图像中肺结节检测的准确性 | 肺CT图像中的肺结节 | 计算机视觉 | 肺癌 | CT扫描 | Yolov8-AH (基于Yolov8结合AGSA和HWD模块) | 医学图像(CT) | NA | NA | NA | NA | NA |
| 17307 | 2025-03-25 |
SENSITIVITY BASED MODEL AGNOSTIC SCALABLE EXPLANATIONS OF DEEP LEARNING
2025-Mar-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.21.639516
PMID:40093081
|
research paper | 该论文提出了一种模型无关的可解释AI框架SensX，用于解释深度学习模型的决策机制，并在准确性和计算效率上优于现有技术 | SensX框架在解释性AI领域实现了更高的准确性和计算效率，能够处理超过15万个特征的大规模模型，并揭示了模型中的偏差 | 未明确提及具体局限性，但可能在大规模应用中仍存在计算资源需求 | 开发一种能够解释深度学习模型决策机制的通用框架，以支持科学假设发展和模型验证 | 深度学习模型（特别是视觉变换器ViT）和单细胞RNA-seq数据 | machine learning | NA | single-cell RNA-seq | DNN, ViT | gene expression data, image | NA | NA | NA | NA | NA |
| 17308 | 2025-03-22 |
Author Correction: A study on hybrid-architecture deep learning model for predicting pressure distribution in 2D airfoils
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93621-1
PMID:40113839
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17309 | 2025-10-07 |
This Microtubule Does Not Exist: Super-Resolution Microscopy Image Generation by a Diffusion Model
2025-Mar, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202400672
PMID:39400948
|
研究论文 | 本研究探索使用扩散模型生成超分辨率显微镜图像，并验证其在数据增强方面的应用价值 | 首次将扩散模型应用于超分辨率显微镜图像生成，证明其能产生逼真的合成图像且训练记忆程度较低 | 仅使用少量实验图像进行验证，未在大规模数据集上测试 | 开发用于显微镜图像生成的扩散模型，解决显微镜图像采集和标注的限制 | 超分辨率显微镜图像 | 计算机视觉 | NA | 超分辨率显微镜，扩散模型 | 扩散模型 | 显微镜图像 | 少量实验图像 | NA | 扩散模型 | 重建质量，空间分辨率 | NA |
| 17310 | 2025-03-23 |
Automated Cone Photoreceptor Detection in Adaptive Optics Flood Illumination Ophthalmoscopy
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100675
PMID:40114708
|
研究论文 | 本文开发并验证了一种基于深度学习的模型，用于在自适应光学泛光照明眼底成像（AO-FIO）中检测视锥细胞 | 该研究首次使用基于U-Net架构的深度学习模型进行视锥细胞的自动检测，并在多个医疗中心进行了验证，表现优于制造商的自动检测软件 | 研究仅涉及健康志愿者，未涵盖患有眼部疾病的患者，且样本量相对较小 | 开发一种自动检测视锥细胞的深度学习模型，以提高检测效率和准确性 | 健康志愿者的视锥细胞 | 计算机视觉 | NA | 自适应光学泛光照明眼底成像（AO-FIO） | U-Net | 图像 | 36名健康志愿者，每只眼睛采集21张AO-FIO图像 | NA | NA | NA | NA |
| 17311 | 2025-03-23 |
AlphaMissense Predictions and ClinVar Annotations: A Deep Learning Approach to Uveal Melanoma
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100673
PMID:40114711
|
研究论文 | 本文探讨了使用深度学习工具AlphaMissense评估葡萄膜黑色素瘤（UM）中基因突变的功能影响 | 使用AlphaMissense工具对UM中的错义突变进行功能影响评估，并与ClinVar数据库中的临床意义进行交叉验证 | 仅分析了COSMIC数据库中的错义突变，且只有40.4%的突变在ClinVar中有对应数据 | 评估UM中基因突变的致病性，以改进基因组诊断和个性化治疗策略 | 葡萄膜黑色素瘤（UM）患者的基因数据 | 生物信息学 | 葡萄膜黑色素瘤 | 深度学习 | AlphaMissense, AlphaFold | 基因突变数据 | 1310个UM中的错义突变，其中151个独特错义突变被分析 | NA | NA | NA | NA |
| 17312 | 2025-10-07 |
Stroke Management and Analysis Risk Tool (SMART): An interpretable clinical application for diabetes-related stroke prediction
2025-Apr, Nutrition, metabolism, and cardiovascular diseases : NMCD
DOI:10.1016/j.numecd.2024.103841
PMID:39939252
|
研究论文 | 开发了一个名为SMART的可解释性糖尿病相关卒中预测临床应用程序 | 结合多种特征选择方法和机器学习算法，开发了专门针对糖尿病患者卒中预测的可解释性临床工具 | 数据来源于单一医疗中心，可能影响模型的泛化能力 | 分析糖尿病患者卒中风险因素并创建可解释的卒中预测模型 | 糖尿病患者 | 机器学习 | 卒中 | 电子健康记录(EHR)数据分析 | Random Forest, DNN | 临床数据和实验室参数 | 20,014名患者 | NA | 深度神经网络 | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 17313 | 2025-10-07 |
Developing Brain-Based Bare-Handed Human-Machine Interaction via On-Skin Input
2025-Apr, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3533088
PMID:40036449
|
研究论文 | 提出一种名为MetaSkin的新型神经触觉接口，通过整合神经信号与皮肤表面交互实现裸手免视觉的人机交互 | 首次将神经信号与皮肤表面交互相结合，利用人体自然本体感觉能力开发裸手免视觉交互系统 | 需要针对不同用户群体和动态环境进行系统优化 | 开发自然、直观、以人为中心的移动人机交互输入系统 | 12名参与者 | 人机交互 | NA | 神经信号解码 | 深度学习 | 神经信号 | 12名参与者 | NA | 多尺度时频特征表示和选择性特征注意力 | 准确率 | NA |
| 17314 | 2025-10-07 |
Collaborative Deep Learning and Information Fusion of Heterogeneous Latent Variable Models for Industrial Quality Prediction
2025-Apr, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3537809
PMID:40036535
|
研究论文 | 提出了一种用于工业质量预测的协同深度学习和异构潜变量模型信息融合框架 | 结合协同逐层特征提取和异构模型集成，通过信息融合提升预测性能 | 仅通过两个工业案例验证，需要更多场景测试 | 提升工业质量预测的准确性和稳定性 | 工业过程数据和质量指标 | 机器学习 | NA | 潜变量模型 | 深度学习, 集成学习 | 工业过程数据 | 两个真实工业案例 | NA | 潜变量模型 | 预测准确度, 稳定性 | NA |
| 17315 | 2025-10-07 |
Co-Training Broad Siamese-Like Network for Coupled-View Semi-Supervised Learning
2025-Apr, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3531441
PMID:40036533
|
研究论文 | 提出一种用于耦合视图半监督学习的协同训练宽孪生网络 | 使用基于宽学习系统的简单浅层网络替代复杂深度学习结构，通过直接伪逆计算取代反向传播迭代，并利用跨视图一致性通过直接逻辑向量映射指导训练 | 未在摘要中明确说明研究局限性 | 解决多视图半监督学习中标记数据有限的问题 | 多视图数据分类任务 | 机器学习 | NA | 半监督学习 | 宽孪生网络 | 多视图数据 | NA | 宽学习系统(BLS) | Co-BSLN | 准确率, 训练时间 | NA |
| 17316 | 2025-10-07 |
Robust enzyme discovery and engineering with deep learning using CataPro
2025-Mar-20, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58038-4
PMID:40108140
|
研究论文 | 开发基于深度学习的CataPro模型用于酶动力学参数预测和工程改造 | 构建无偏数据集评估现有方法性能，结合预训练模型和分子指纹开发高精度泛化能力的CataPro模型 | 未明确说明模型在更广泛酶家族中的泛化能力 | 提高酶动力学参数预测准确性以促进酶发现和改造 | 酶动力学参数（kcat, Km, kcat/Km） | 机器学习 | NA | 深度学习 | 深度学习模型 | 分子指纹、序列数据 | NA | NA | 预训练模型结合分子指纹 | 准确率、泛化能力 | NA |
| 17317 | 2025-10-07 |
Self-supervised VICReg pre-training for Brugada ECG detection
2025-Mar-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94130-x
PMID:40102504
|
研究论文 | 提出一种基于自监督VICReg预训练的新型深度学习模型，用于Brugada综合征心电图的检测与分类 | 首次将VICReg自监督预训练架构应用于Brugada综合征心电图检测，解决了罕见心脏病标注数据不足的问题 | 未明确说明模型在外部验证集上的泛化能力及具体样本量信息 | 开发适用于罕见心脏病Brugada综合征的自动心电图分类方法 | Brugada综合征患者的心电图数据 | 医疗人工智能 | Brugada综合征 | 心电图分析 | 深度学习 | 心电图信号 | NA | NA | VICReg | AUC, 精确召回曲线下面积 | NA |
| 17318 | 2025-10-07 |
Annotation-efficient, patch-based, explainable deep learning using curriculum method for breast cancer detection in screening mammography
2025-Mar-19, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-025-01922-w
PMID:40106066
|
研究论文 | 开发了一种基于课程学习和分块方法的可解释深度学习模型，用于乳腺X线摄影中的乳腺癌检测 | 结合课程学习方法和分块策略，在有限强标注数据下实现高性能和可解释性，通过渐进增加分块尺寸训练模型 | 仅使用1976张乳腺X线摄影图像进行训练，强标注数据比例有限 | 开发高效的深度学习模型用于乳腺X线摄影中的乳腺癌检测 | 乳腺X线摄影图像 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | 深度学习模型 | 医学图像 | 1976张乳腺X线摄影图像（来自三个中心，包含癌变阳性和阴性样本），外部测试集4276张图像 | NA | 分块深度学习模型 | F1分数，真实重叠比 | NA |
| 17319 | 2025-10-07 |
A large-scale multicenter breast cancer DCE-MRI benchmark dataset with expert segmentations
2025-Mar-19, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04707-4
PMID:40108146
|
研究论文 | 本文介绍了一个大规模多中心乳腺癌DCE-MRI基准数据集，包含专家分割标注 | 整合了四个TCIA数据集的1506例MRI病例，通过深度学习辅助和专家验证创建了完整的专家标注数据集 | 数据集主要来源于已有的TCIA数据集，可能受限于原始数据的采集参数和质控标准 | 解决乳腺癌MRI AI研究中专家标注数据不足的问题，推动深度学习模型发展 | 乳腺癌患者的动态对比增强MRI影像 | 数字病理 | 乳腺癌 | 动态对比增强MRI (DCE-MRI) | 深度学习模型 | 医学影像 | 1506例治疗前T1加权DCE-MRI病例 | NA | nnU-Net | NA | NA |
| 17320 | 2025-10-07 |
SHDB-AF: a Japanese Holter ECG database of atrial fibrillation
2025-Mar-19, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04777-4
PMID:40108206
|
研究论文 | 本文介绍了日本首个心房颤动动态心电图数据库SHDB-AF，包含122名患者的128份24小时双通道心电图数据 | 首个包含日本人群样本的开放获取心房颤动动态心电图数据库 | 样本量相对较小，仅包含日本人群数据 | 为机器学习和深度学习模型开发提供日本人群的心房颤动心电图数据资源 | 日本心房颤动患者的心电图数据 | 数字病理 | 心血管疾病 | 动态心电图监测 | NA | 心电图信号 | 122名患者，128份心电图记录 | NA | NA | NA | NA |