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 1209 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2025-05-15 |
Review of Non-Invasive Fetal Electrocardiography Monitoring Techniques
2025-Feb-26, Sensors (Basel, Switzerland)
DOI:10.3390/s25051412
PMID:40096208
|
review | 本文综述了非侵入性胎儿心电图（NIFECG）监测技术的最新进展，包括信号采集、预处理、胎儿心电图提取及心脏异常分类 | 讨论了深度学习技术、多模态数据融合和远程监测系统在NIFECG中的潜在应用 | 分析了现有NIFECG数据集的特点和局限性，并提出了改进建议 | 推进NIFECG监测技术的发展和应用 | 非侵入性胎儿心电图监测技术 | 数字病理 | NA | 非侵入性胎儿心电图（NIFECG） | 深度学习 | 心电图信号 | NA | NA | NA | NA | NA |
| 242 | 2025-05-15 |
Optimization of Improved YOLOv8 for Precision Tomato Leaf Disease Detection in Sustainable Agriculture
2025-Feb-25, Sensors (Basel, Switzerland)
DOI:10.3390/s25051398
PMID:40096213
|
研究论文 | 提出了一种改进的YOLOv8算法，用于番茄叶病的实时检测，以提高农药施用的精确性 | 通过集成Depthwise Grouped Convolutions和AdamW优化器，提高了计算效率和检测精度，同时引入SE_Block增强特征表示 | 研究仅在受控环境中部署，未涉及大规模田间试验 | 提高番茄叶病检测的精确性，减少农药使用和环境污染 | 番茄叶片 | 计算机视觉 | 番茄病害 | 深度学习 | YOLOv8 | 图像 | 1500张番茄叶片图像，包含四种标签（全部、绿番茄、霜霉病和白粉病） | NA | NA | NA | NA |
| 243 | 2025-05-15 |
MRI-Based Meningioma Firmness Classification Using an Adversarial Feature Learning Approach
2025-Feb-25, Sensors (Basel, Switzerland)
DOI:10.3390/s25051397
PMID:40096246
|
研究论文 | 该研究提出了一种基于对抗特征学习方法的MRI脑膜瘤硬度分类模型 | 引入了无监督特征提取方法（BiGAN）和深度可分离深度学习模型，用于脑膜瘤硬度分类 | 未提及具体样本量或数据集的多样性限制 | 提高脑膜瘤硬度分类的准确性和效率 | MRI图像中的脑膜瘤 | 计算机视觉 | 脑膜瘤 | MRI | BiGAN, 深度可分离深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 244 | 2025-05-15 |
Deep Learning Approach for Automatic Heartbeat Classification
2025-Feb-25, Sensors (Basel, Switzerland)
DOI:10.3390/s25051400
PMID:40096255
|
研究论文 | 本研究提出了一种基于深度学习的自动心跳分类方法，用于心律失常检测 | 提出了一种结合多类分类器和LSTM自编码器的模型，解决了分类任务中梯度消失的问题，并在MIT-BIH数据集上取得了高准确率 | 未提及模型在其他数据集上的泛化能力 | 开发一种自动化的心律失常检测方法以提高诊断效率和准确性 | 心电图(ECG)信号 | 机器学习 | 心血管疾病 | 深度学习 | LSTM, 自编码器 | ECG信号 | MIT-BIH数据集 | NA | NA | NA | NA |
| 245 | 2025-05-15 |
U-Net-Based Fingerprint Enhancement for 3D Fingerprint Recognition
2025-Feb-24, Sensors (Basel, Switzerland)
DOI:10.3390/s25051384
PMID:40096221
|
研究论文 | 本文提出了一种基于U-Net的指纹增强方法，用于3D指纹识别 | 使用深度学习U-Net进行图像分割以增强指纹对比度，显著提高了指纹识别的准确率 | NA | 解决2D指纹识别中的传感器欺骗攻击和接触传播疾病的问题 | 3D指纹点云数据 | 计算机视觉 | NA | 深度学习 | U-Net | 3D点云和2D灰度图像 | 公共数据集 | NA | NA | NA | NA |
| 246 | 2025-05-15 |
Content-Based Histopathological Image Retrieval
2025-Feb-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25051350
PMID:40096145
|
research paper | 该研究提出了一种基于局部-全局特征融合的嵌入模型，用于提高组织病理学图像检索的性能 | 提出了一种结合多尺度信息的局部-全局特征融合嵌入模型，显著提升了特征描述符的深度和实用性 | 模型依赖于预训练主干网络，可能受限于预训练数据的质量和范围 | 提高组织病理学图像检索系统的性能，支持病理学家的工作 | 组织病理学图像 | digital pathology | NA | 深度学习 | CNN, Vision Transformers | image | ImageNet-1k和PanNuke数据集，并在Kimia Path24C数据集上进行测试 | NA | NA | NA | NA |
| 247 | 2025-05-15 |
Comparative analysis of intestinal tumor segmentation in PET CT scans using organ based and whole body deep learning
2025-Feb-17, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01587-3
PMID:39962481
|
研究论文 | 比较基于器官和全身深度学习方法在PET CT扫描中对肠道肿瘤分割的效果 | 提出了一种新颖的基于器官的训练方法，通过利用训练数据的组织同质性来提高肠道肿瘤分割的准确性 | 研究主要针对DLBCL患者，对其他类型非霍奇金淋巴瘤（如FL）的泛化性有待进一步验证 | 评估训练数据同质性对准确识别肠道肿瘤的影响 | 肠道肿瘤 | 数字病理学 | 非霍奇金淋巴瘤 | FDG-PET/CT | 深度学习 | 医学影像 | 来自大型多中心临床试验（NCT01287741）的DLBCL患者 | NA | NA | NA | NA |
| 248 | 2025-10-07 |
stAI: a deep learning-based model for missing gene imputation and cell-type annotation of spatial transcriptomics
2025-Feb-27, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf158
PMID:40057378
|
研究论文 | 提出一种基于深度学习的模型stAI，用于空间转录组数据的缺失基因填补和细胞类型注释 | 使用联合嵌入方法结合scST和参考scRNA-seq数据，通过两个独立的编码器-解码器模块在潜在空间中同时进行基因填补和细胞类型注释 | NA | 解决单细胞空间转录组技术中全转录组水平表征和细胞类型全面注释的挑战 | 单细胞空间转录组数据 | 生物信息学 | NA | 空间转录组技术，单细胞空间转录组，scRNA-seq | 深度学习 | 空间转录组数据，scRNA-seq数据 | NA | NA | 编码器-解码器 | 准确率，精确度 | NA |
| 249 | 2025-10-07 |
Machine Learning Methods for Classifying Multiple Sclerosis and Alzheimer's Disease Using Genomic Data
2025-Feb-27, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms26052085
PMID:40076709
|
研究论文 | 本研究使用机器学习方法分析英国生物银行的基因组数据，预测多发性硬化症和阿尔茨海默病的基因组易感性 | 比较了多种机器学习方法在复杂疾病基因组预测中的表现，并利用可解释性工具揭示了多发性硬化症的基因组特征 | 深度学习模型表现存在较大变异性，可能受限于数据特征或模型架构 | 开发基于基因组数据的复杂疾病预测模型 | 多发性硬化症和阿尔茨海默病患者 | 机器学习 | 神经退行性疾病 | 基因组测序 | 逻辑回归,集成树方法,深度学习 | 基因组数据 | 英国生物银行数据集 | NA | NA | NA | NA |
| 250 | 2025-10-07 |
Multimodal depression detection based on an attention graph convolution and transformer
2025-Feb-27, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2025024
PMID:40083285
|
研究论文 | 提出一种基于脑电图和语音信号的多模态抑郁症检测模型MHA-GCN_ViT | 结合图卷积网络和视觉Transformer，引入多头注意力机制增强脑网络表示能力，实现多模态特征的深度提取与融合 | 未明确说明模型计算复杂度及实时性表现 | 提高多模态抑郁症检测的准确率 | 抑郁症患者的多模态生理信号 | 机器学习 | 抑郁症 | 离散小波变换, 短时傅里叶变换 | GCN, Transformer | 脑电图信号, 语音信号 | MODMA数据集（具体样本数未明确） | NA | 图卷积网络, 视觉Transformer | 准确率, 精确率, 召回率, F1分数 | NA |
| 251 | 2025-10-07 |
AI-driven health analysis for emerging respiratory diseases: A case study of Yemen patients using COVID-19 data
2025-Feb-24, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2025021
PMID:40083282
|
研究论文 | 本研究利用AI驱动的预测模型和分类器，基于也门COVID-19数据预测呼吸道疾病趋势并识别疾病严重程度指标 | 在资源有限的也门地区首次结合自回归滑动平均模型与多种机器学习、深度学习算法进行呼吸道疾病预测和严重程度分类 | 研究仅限于也门地区数据，样本规模未明确说明，深度学习模型准确率相对较低（约70%） | 通过AI技术提升资源有限地区对呼吸道疾病的医疗准备和资源分配能力 | 也门COVID-19患者数据，包括每日确诊死亡病例和疾病严重程度指标 | 机器学习 | COVID-19 | 时间序列分析，机器学习分类 | ARMA, 决策树, 随机森林, 支持向量机, 深度学习 | 时间序列数据，医疗数据 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数, AUC-ROC | NA |
| 252 | 2025-10-07 |
Uncertainty CNNs: A path to enhanced medical image classification performance
2025-Feb-20, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2025020
PMID:40083281
|
研究论文 | 提出一种低复杂度不确定性CNN架构，通过测试集增强技术提升医学图像分类性能 | 首次证明测试集增强能显著提升医学图像分类性能，并同时提供不确定性量化 | 未明确说明具体数据集样本量和模型架构细节 | 开发具有不确定性量化的医学图像分类方法，特别关注肿瘤和心力衰竭检测 | 脑部MRI、肺部CT扫描和心脏MRI图像 | 计算机视觉 | 肿瘤和心血管疾病 | 医学影像分析 | CNN | 医学图像 | NA | NA | 低复杂度CNN架构 | 分类性能，不确定性量化 | 低计算资源需求 |
| 253 | 2025-10-07 |
Unsupervised translation of vascular masks to NIR-II fluorescence images using Attention-Guided generative adversarial networks
2025-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91416-y
PMID:40000690
|
研究论文 | 提出一种无监督生成对抗网络方法，将血管掩码转换为真实的NIR-II荧光血管图像 | 在损失函数中集成注意力机制，使模型在生成过程中聚焦关键特征，无需监督即可生成高质量NIR-II图像 | NA | 解决近红外血管成像数据集获取困难的问题，通过数据合成方法生成高质量合成图像 | 血管掩码和NIR-II荧光血管图像 | 计算机视觉 | NA | NIR-II荧光成像 | GAN | 图像 | NA | NA | Attention-Guided GAN | 视觉质量，定量指标 | NA |
| 254 | 2025-10-07 |
SVEA: an accurate model for structural variation detection using multi-channel image encoding and enhanced AlexNet architecture
2025-Feb-22, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06213-y
PMID:39987107
|
研究论文 | 提出一种名为SVEA的深度学习模型，通过多通道图像编码和增强的AlexNet架构改进结构变异检测 | 采用新颖的多通道图像编码方法将结构变异转换为多维图像格式，并集成多头自注意力机制和多尺度卷积模块 | 存在进一步优化的空间 | 提高基因组结构变异的检测准确性 | 基因组结构变异 | 机器学习 | NA | 多通道图像编码 | CNN | 基因组数据转换的图像 | 多样化的基因组数据集 | NA | AlexNet, 多头自注意力机制, 多尺度卷积模块 | 准确率 | NA |
| 255 | 2025-10-07 |
Deep learning-based automatic ASPECTS calculation can improve diagnosis efficiency in patients with acute ischemic stroke: a multicenter study
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10960-9
PMID:39060495
|
研究论文 | 开发基于深度学习的自动ASPECTS评分系统，用于急性缺血性卒中的早期CT评估 | 首次在四个中心的大规模研究中验证深度学习自动ASPECTS评分系统的临床适用性 | 临床应用仍需医师验证，系统处理成功率未达100% | 提高急性缺血性卒中患者ASPECTS评分的诊断效率和一致性 | 急性缺血性卒中患者的非增强CT扫描图像 | 医学影像分析 | 急性缺血性卒中 | 非增强计算机断层扫描(NCCT) | 深度学习 | 医学影像 | 开发队列1767例，测试队列220例，前瞻性应用研究13399例患者 | NA | NA | AUC, ICC, 敏感性, 诊断时间 | NA |
| 256 | 2025-05-12 |
GBCHV an advanced deep learning anatomy aware model for accurate classification of gallbladder cancer utilizing ultrasound images
2025-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89232-5
PMID:40016258
|
研究论文 | 本研究介绍了一种新颖的深度学习方法，旨在利用超声图像准确分类胆囊癌（GBC）为良性、恶性和正常类别 | 该模型的创新点在于其解剖感知机制，通过水平-垂直条带变换更准确地描绘胆囊的空间关系和复杂解剖特征 | NA | 提高胆囊癌的早期精确分类 | 胆囊癌的超声图像 | 数字病理学 | 胆囊癌 | 超声成像 | GBCHV-Trans（基于Transformer的模型） | 图像 | GBC USG（GBCU）数据集中的超声图像 | NA | NA | NA | NA |
| 257 | 2025-05-12 |
CatPred: a comprehensive framework for deep learning in vitro enzyme kinetic parameters
2025-Feb-28, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-57215-9
PMID:40021618
|
研究论文 | 提出了一种名为CatPred的深度学习框架，用于预测体外酶动力学参数 | CatPred解决了标准化数据集缺乏、训练期间未见酶序列的性能评估以及模型不确定性量化等关键挑战 | NA | 开发一个深度学习框架来预测体外酶动力学参数 | 酶动力学参数（包括转换数k、米氏常数K和抑制常数K） | 机器学习 | NA | 深度学习 | 预训练蛋白质语言模型 | 酶序列数据 | 约23k、41k和12k个数据点（分别对应k、K和K） | NA | NA | NA | NA |
| 258 | 2025-05-12 |
Semantic structure preservation for accurate multi-modal glioma diagnosis
2025-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88458-7
PMID:40021688
|
research paper | 提出了一种名为RFPMSS的新型语义结构保持一致性方法，用于多模态胶质瘤诊断 | 通过多锚点分配和自由文本报告提取监督信号，实现了多模态语义结构的保留和全局对齐 | 需要依赖患者检查报告作为监督信号，可能受报告质量和完整性的影响 | 提高多模态医学图像分析的准确性 | 胶质瘤患者的多模态医学图像和检查报告 | digital pathology | glioma | deep learning | RFPMSS | multimodal medical images and text reports | datasets from Shanxi Provincial Cancer Hospital and Shanxi Provincial People's Hospital | NA | NA | NA | NA |
| 259 | 2025-05-12 |
Integrating convolutional layers and biformer network with forward-forward and backpropagation training
2025-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92218-y
PMID:40021838
|
研究论文 | 提出了一种名为Deep-CBN的新框架，用于提高分子属性预测的准确性和效率 | 结合了卷积神经网络和BiFormer注意力机制，并采用前向-前向算法和反向传播进行训练 | 未提及具体的数据集规模限制或模型计算复杂度 | 提高分子属性预测的准确性以加速药物发现过程 | 分子属性预测 | 机器学习 | NA | 卷积神经网络和BiFormer注意力机制 | CNN和BiFormer | SMILES字符串 | 多个基准数据集（Tox21、BBBP、SIDER、ClinTox、BACE、HIV、MUV） | NA | NA | NA | NA |
| 260 | 2025-05-12 |
Software defect prediction based on residual/shuffle network optimized by upgraded fish migration optimization algorithm
2025-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91784-5
PMID:40021906
|
研究论文 | 提出了一种基于残差/洗牌网络和升级版鱼群迁移优化算法的软件缺陷预测新方法 | 结合深度学习和元启发式算法训练软件代码，提取语义和结构特征 | 分析仅限于开源项目，需进一步评估在专有软件上的表现 | 提高软件缺陷预测的准确性，减少人工工作量 | 开源软件项目 | 机器学习 | NA | 元启发式优化算法 | Residual/Shuffle Networks | 软件代码 | 多个开源项目 | NA | NA | NA | NA |