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 19281 篇文献，本页显示第 17421 - 17440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17421 | 2025-03-13 |
Deep learning-based spatio-temporal fusion for high-fidelity ultra-high-speed X-ray radiography
2025-Mar-01, Journal of synchrotron radiation
IF:2.4Q3
DOI:10.1107/S1600577525000323
PMID:39937516
|
研究论文 | 本文探讨了基于深度学习的时空融合框架，用于融合两种互补的X射线图像序列，以重建具有高空间分辨率、高帧率和高保真度的目标图像序列 | 提出了一种新的深度学习时空融合框架，通过融合不同配置的X射线视频，显著提高了超高速X射线成像实验的性能和科学价值 | 需要与高速相机适当结合，才能充分发挥该方法的优势 | 提高超高速X射线成像实验的空间分辨率、帧率和保真度 | X射线图像序列 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 两个独立的X射线数据集 | NA | NA | NA | NA |
| 17422 | 2025-03-13 |
Multi-stage deep learning artifact reduction for parallel-beam computed tomography
2025-Mar-01, Journal of synchrotron radiation
IF:2.4Q3
DOI:10.1107/S1600577525000359
PMID:39960472
|
研究论文 | 本文提出了一种多阶段深度学习方法来减少平行束计算机断层扫描（CT）中的伪影 | 在断层扫描管道的每个阶段（投影、正弦图和重建）引入独立的深度学习模型，以数据驱动的方式局部解决特定伪影，并采用旁路连接减少误差传播 | 未明确提及具体局限性 | 提高同步辐射CT图像质量，减少伪影 | 平行束计算机断层扫描图像 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 模拟和真实世界数据集 | NA | NA | NA | NA |
| 17423 | 2025-03-13 |
Unified resilience model using deep learning for assessing power system performance
2025-Feb-28, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e42802
PMID:40066024
|
研究论文 | 本文介绍了一种使用深度学习的统一弹性模型（URM），以提高电力系统的性能 | 提出了一种结合深度学习的统一弹性模型，用于分析影响电池和储能设备弹性的环境因素，并通过已知的低弹性损耗数据进行训练，以增强各种强化因素 | NA | 提高电力系统的性能，特别是关注天气因素对系统弹性的影响 | 电池和储能设备的弹性 | 机器学习 | NA | 深度学习 | 深度学习模型 | 环境因素数据、低弹性损耗数据 | NA | NA | NA | NA | NA |
| 17424 | 2025-03-13 |
Diagnostic accuracy of artificial intelligence models in detecting congenital heart disease in the second-trimester fetus through prenatal cardiac screening: a systematic review and meta-analysis
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1473544
PMID:40066351
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了人工智能模型在产前心脏筛查中检测胎儿先天性心脏病的诊断准确性 | 首次系统评估人工智能模型在胎儿先天性心脏病筛查中的表现，并进行了荟萃分析 | 研究样本量有限，且需要更大数据集和更多样化人群的前瞻性研究来验证结果 | 评估人工智能模型在产前心脏筛查中检测先天性心脏病的诊断准确性 | 胎儿先天性心脏病 | 医学影像分析 | 先天性心脏病 | 超声和超声心动图 | 深度学习模型 | 图像 | 9项研究，共374项研究筛选 | NA | NA | NA | NA |
| 17425 | 2025-03-13 |
Advancements in cache management: a review of machine learning innovations for enhanced performance and security
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1441250
PMID:40070808
|
review | 本文综述了机器学习在缓存管理中的应用，包括优化缓存性能和增强安全性 | 探讨了从基于强化学习的缓存替换策略到LSTM模型预测内容特性以做出缓存决策的多种机器学习技术 | 未提及具体实验数据或样本量，可能缺乏实证支持 | 研究机器学习在缓存管理中的应用，以优化性能和增强安全性 | 缓存管理系统 | machine learning | NA | reinforcement learning, LSTM, imitation learning, neural networks | LSTM, neural networks | NA | NA | NA | NA | NA | NA |
| 17426 | 2025-03-12 |
iAMP-CRA: Identifying Antimicrobial Peptides Using Convolutional Recurrent Neural Network with Self-Attention
2025-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-025-00342-w
PMID:40062190
|
研究论文 | 本文提出了一种使用卷积循环神经网络与自注意力机制相结合的深度学习模型(iAMP-CRA)，用于从大量蛋白质序列中快速筛选出抗菌肽(AMPs)的候选样本 | 设计了灵活的、可解释的深度学习模型iAMP-CRA，结合了卷积循环神经网络和自注意力机制，能够自适应地融合异构特征，并在基准数据集上表现出优异的学习能力 | 未提及具体的数据集大小或模型训练时间等限制 | 快速筛选抗菌肽(AMPs)候选样本，以帮助发现新的抗菌肽 | 抗菌肽(AMPs) | 自然语言处理 | NA | 深度学习 | 卷积循环神经网络(CNN-RNN)与自注意力机制 | 蛋白质序列 | 未提及具体样本数量 | NA | NA | NA | NA |
| 17427 | 2025-03-12 |
Adaptive boundary-enhanced Dice loss for image segmentation
2025-Aug, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2025.107741
PMID:40061446
|
研究论文 | 本文提出了一种自适应边界增强的Dice损失函数（ABeDice），用于提高医学图像分割的准确性 | ABeDice损失函数结合了指数递归互补（ERC）函数与传统Dice损失，通过动态调整预测概率分布，优先考虑高概率区域，从而提升分割性能 | NA | 提高医学图像分割的准确性 | 医学图像 | 计算机视觉 | NA | 深度学习 | Swin-Unet | 图像 | 三个公开数据集（REFUGE、ISIC2018、RIT-Eyes） | NA | NA | NA | NA |
| 17428 | 2025-03-12 |
Optimizing multimodal scene recognition through relevant feature selection approach for scene classification
2025-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103226
PMID:40061570
|
研究论文 | 本文提出了一种新颖的多模态特征提取和特征选择技术，以提高场景分类中迁移学习的效率 | 引入了多模态特征提取和特征选择技术，结合CNN进行特征提取，以提高模型性能和计算效率 | 未提及具体局限性 | 优化场景分类中的多模态特征提取和选择，以提高迁移学习的效率 | 场景分类任务 | 计算机视觉 | NA | 迁移学习，特征选择技术 | CNN | 图像 | Scene数据集（6类）和AID数据集 | NA | NA | NA | NA |
| 17429 | 2025-03-12 |
Unlocking the potential of digital pathology: Novel baselines for compression
2025-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100421
PMID:40059908
|
研究论文 | 本文探讨了数字病理学中全切片图像（WSI）的压缩问题，提出了一种新的评估指标，用于评估感知质量和下游任务质量 | 提出了一种基于特征相似性的新评估指标，能够很好地与压缩WSI的实际下游性能对齐，并鼓励统一评估有损压缩方案以加速数字病理学的临床应用 | 深度学习模型在训练数据中存在的压缩伪影上表现出显著偏差，难以在各种压缩方案中泛化 | 评估和优化数字病理学中全切片图像的压缩方案，以提高临床决策的准确性和效率 | 全切片图像（WSI） | 数字病理学 | NA | 深度学习 | NA | 图像 | 四个不同的数据集 | NA | NA | NA | NA |
| 17430 | 2025-03-12 |
Dual-Component Gas Sensor Based on Light-Induced Thermoelastic Spectroscopy and Deep Learning
2025-Mar-11, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c06588
PMID:40012474
|
研究论文 | 本文首次报道了一种基于光诱导热弹性光谱和深度学习的乙炔-二氧化碳双组分气体传感器 | 首次结合光诱导热弹性光谱和深度学习技术，开发了一种新型的双组分气体传感器，并采用了SSA-CNN-BiGRU-Attention模型来提高浓度反演的准确性 | 研究仅限于乙炔和二氧化碳两种气体的检测，未来需要扩展到更多气体成分的研究 | 开发一种高精度的双组分气体传感器，用于气体浓度的精确反演 | 乙炔和二氧化碳气体 | 传感器技术 | NA | 光诱导热弹性光谱 | SSA-CNN-BiGRU-Attention | 光谱数据 | NA | NA | NA | NA | NA |
| 17431 | 2025-03-12 |
Deep Learning-Assisted Ultrasensitive Detection of Gold Nanoparticles Using Light Microscopy Images Captured by a Cellphone Camera
2025-Mar-11, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c06395
PMID:40016179
|
研究论文 | 本研究提出了一种使用手机摄像头捕获的暗场散射光显微镜图像，结合深度学习技术，实现金纳米颗粒（AuNPs）的超灵敏检测和定量的方法 | 首次将深度学习技术应用于手机摄像头捕获的暗场散射光显微镜图像，实现了对120 nm金纳米颗粒的超灵敏检测和定量 | 研究仅针对120 nm的金纳米颗粒，未验证其他尺寸或类型的纳米颗粒的检测效果 | 开发一种简单、易获取且高灵敏度的金纳米颗粒检测平台 | 金纳米颗粒（AuNPs） | 计算机视觉 | NA | 暗场散射光显微镜 | 深度学习模型（分类和回归模型） | 图像 | 4个不同浓度的样本 | NA | NA | NA | NA |
| 17432 | 2025-03-12 |
Deep learning network for NMR spectra reconstruction in time-frequency domain and quality assessment
2025-Mar-08, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-57721-w
PMID:40057512
|
研究论文 | 本文提出了一种联合时频域的深度学习网络JTF-Net，用于核磁共振（NMR）光谱的重建和质量评估 | JTF-Net结合了时域和频域特征，相比传统算法和单域深度学习方法，在蛋白质光谱的重建上表现更优；同时提出了无需参考光谱的质量评估指标REQUIRER | 当前深度学习方法仅关注单域重建，存在峰值丢失和伪影峰等问题，且缺乏全采样光谱使得重建光谱的质量难以评估 | 提高核磁共振光谱的重建质量和评估效率 | 核磁共振光谱 | 机器学习 | NA | 深度学习 | JTF-Net | 光谱数据 | NA | NA | NA | NA | NA |
| 17433 | 2025-03-12 |
Artificial Intelligence in Myopic Maculopathy: A Comprehensive Review of Identification, Classification, and Monitoring Using Diverse Imaging Modalities
2025-Feb, Cureus
DOI:10.7759/cureus.78685
PMID:40062093
|
综述 | 本文综述了人工智能（AI）在近视性黄斑病变识别、分类和监测中的应用，主要使用传统成像技术如眼底摄影和光学相干断层扫描（OCT） | 本文综合分析了2018年至2024年间发表的13项研究，探讨了机器学习和深度学习算法在高度近视病例诊断、分类和随访中的角色，揭示了AI模型在疾病诊断中的支持作用 | 大多数研究集中在中国，且主要关注近视性黄斑变性和高度近视患者，可能限制了结果的普遍性 | 探讨AI工具在近视性黄斑病变检测中的有效性和实用性 | 近视性黄斑病变患者 | 数字病理学 | 近视性黄斑病变 | 眼底摄影, 光学相干断层扫描（OCT） | ResNet-18, ResNet-50, ResNet-101, DeepLabv3+, DarkNet-19, Efficient Net (B0/B7), VOLO-D2, Efficient Former, ALFA-Mix+, XGBoost | 图像 | 13项研究，主要来自中国 | NA | NA | NA | NA |
| 17434 | 2025-10-07 |
AI-powered innovations in pancreatitis imaging: a comprehensive literature synthesis
2025-01, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04512-4
PMID:39133362
|
综述 | 本文综述了人工智能在胰腺炎影像学诊断中的创新应用与发展前景 | 系统整合了定量影像学与深度学习模型在胰腺炎非侵入性诊断中的最新进展 | 未涉及具体临床验证数据和研究方法细节 | 改善胰腺炎的早期检测和临床管理 | 胰腺炎影像学数据 | 医学影像分析 | 胰腺炎 | 定量影像学，深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 17435 | 2025-10-07 |
Automated Deep Learning-Based Finger Joint Segmentation in 3-D Ultrasound Images With Limited Dataset
2025-01, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346241277178
PMID:39295443
|
研究论文 | 提出基于深度学习的自动化方法，用于在有限数据集下从3D超声图像中分割类风湿关节炎患者指关节滑膜 | 在有限标注数据情况下开发自动化滑膜分割方法，并采用多种数据增强策略提升模型性能 | 数据集规模有限（仅18个3D超声体积，来自9名患者），且标注稀疏 | 开发自动化工具以改进类风湿关节炎的超声筛查工作流程 | 类风湿关节炎患者的指关节滑膜 | 计算机视觉 | 类风湿关节炎 | 超声成像 | CNN | 3D超声图像 | 18个3D超声体积（来自9名RA患者） | NA | NA | Dice系数 | NA |
| 17436 | 2025-10-07 |
CBAM-RIUnet: Breast Tumor Segmentation With Enhanced Breast Ultrasound and Test-Time Augmentation
2025-01, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346241276411
PMID:39283069
|
研究论文 | 提出CBAM-RIUnet深度学习模型用于乳腺超声图像中的肿瘤自动分割 | 结合卷积块注意力模块与残差初始深度可分离卷积的Unet结构，通过注意力机制消除无关特征并聚焦感兴趣区域 | NA | 提高乳腺超声图像中肿瘤分割的精确度 | 乳腺超声图像中的肿瘤区域 | 计算机视觉 | 乳腺癌 | 超声成像 | CNN | 图像 | NA | NA | U-Net, CBAM-RIUnet | Dice系数, IoU | NA |
| 17437 | 2025-03-12 |
Contrastive self-supervised learning for neurodegenerative disorder classification
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1527582
PMID:40034453
|
研究论文 | 本文探讨了对比自监督学习在神经退行性疾病分类中的应用，特别是阿尔茨海默病（AD）和额颞叶变性（FTLD）的分类 | 使用对比自监督学习方法训练深度学习模型，无需大量标注数据，且模型表现与最先进的监督学习方法相当 | 需要进一步验证在更大规模和多样化的数据集上的泛化能力 | 研究自监督学习模型在神经退行性疾病分类中的应用及其可解释性 | 阿尔茨海默病（AD）和额颞叶变性（FTLD）患者及认知正常对照组（CN）的T1加权MRI扫描数据 | 计算机视觉 | 神经退行性疾病 | 对比自监督学习 | 深度卷积神经网络（CNN） | T1加权MRI扫描图像 | 2,694个T1加权MRI扫描样本，来自四个数据集：ADNI、AIBL和FTLDNI | NA | NA | NA | NA |
| 17438 | 2025-03-12 |
Using machine learning models for cuffless blood pressure estimation with ballistocardiogram and impedance plethysmogram
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1511667
PMID:40060031
|
研究论文 | 本文探讨了利用机器学习模型通过心冲击图和阻抗体积描记图进行无袖带血压估计的方法 | 提出了一种结合一维卷积神经网络（1D CNN）和门控循环单元（GRU）的堆叠模型，用于分类心冲击图和阻抗体积描记图信号的质量，并使用随机森林（RF）和XGBoost模型估计血压 | 研究仅涉及17名健康受试者，样本量较小，且血压升高是通过运动实现的，可能不适用于所有人群 | 提高无袖带血压测量的准确性，以适用于移动健康（mHealth）应用 | 心冲击图（BCG）和阻抗体积描记图（IPG）信号 | 机器学习 | 心血管疾病 | 深度学习，机器学习 | 1D CNN, GRU, 随机森林（RF）, XGBoost | 信号数据 | 17名健康受试者 | NA | NA | NA | NA |
| 17439 | 2025-03-11 |
A novel approach to Indian bird species identification: employing visual-acoustic fusion techniques for improved classification accuracy
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1527299
PMID:40061023
|
研究论文 | 本文提出了一种新颖的视觉-声学融合技术，用于提高印度鸟类物种识别的准确性 | 采用视觉-声学融合技术，结合DCNN和LSTM网络，显著提高了物种识别的准确性 | NA | 提高印度鸟类物种识别的准确性，以支持生物多样性监测和生态保护 | 印度鸟类物种 | 计算机视觉 | NA | 视觉-声学融合技术 | DCNN, LSTM | 图像, 声音 | iBC53（印度鸟鸣）数据集 | NA | NA | NA | NA |
| 17440 | 2025-03-12 |
Leveraging deep learning for plant disease and pest detection: a comprehensive review and future directions
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1538163
PMID:40061031
|
综述 | 本文综述了深度学习在植物病害和害虫检测中的应用，探讨了其挑战、机遇及未来发展方向 | 深入分析了深度学习在植物病害和害虫检测中的最新进展，并预测了未来研究方向 | 未提及具体实验数据或样本量，主要基于现有研究的总结和分析 | 探讨深度学习在农业诊断中的应用，特别是植物病害和害虫检测 | 植物病害和害虫 | 计算机视觉 | NA | 深度学习 | 分类、检测和分割网络 | 图像 | NA | NA | NA | NA | NA |