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 1206 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2025-05-16 |
SS-DTI: A deep learning method integrating semantic and structural information for drug-target interaction prediction
2025-Feb, Journal of bioinformatics and computational biology
IF:0.9Q4
DOI:10.1142/S0219720025500027
PMID:40134345
|
research paper | 提出了一种名为SS-DTI的深度学习方法，整合语义和结构信息用于药物-靶点相互作用预测 | SS-DTI是一种新颖的端到端深度学习方法，整合了药物和蛋白质的语义与结构信息，通过多尺度语义特征提取块和GCNs来捕获局部和全局信息 | NA | 提高药物-靶点相互作用预测的准确性和效率 | 药物和蛋白质分子 | machine learning | NA | deep learning | GCNs (Graph Convolutional Networks) | 序列数据和结构数据 | 四个基准数据集 | NA | NA | NA | NA |
| 262 | 2025-05-16 |
Drug repurposing for non-small cell lung cancer by predicting drug response using pathway-level graph convolutional network
2025-Feb, Journal of bioinformatics and computational biology
IF:0.9Q4
DOI:10.1142/S0219720025500015
PMID:40134346
|
research paper | 该研究提出了一种基于通路-通路相互作用网络的图卷积网络模型，用于预测药物反应并识别非小细胞肺癌的潜在药物再利用候选药物 | 该模型首次将已知的生物通路-通路相互作用整合到药物反应预测中，通过图卷积操作更有效地表示癌细胞系的特征 | 研究仅基于GDSC1000数据集进行验证，未在其他独立数据集上测试模型性能 | 开发更有效的药物反应预测模型以识别非小细胞肺癌的潜在再利用药物 | 非小细胞肺癌(NSCLC)和现有药物 | machine learning | lung cancer | graph convolutional network | GCN | pathway-pathway interaction network | GDSC1000数据集 | NA | NA | NA | NA |
| 263 | 2025-05-15 |
Neural Network-Assisted Dual-Functional Hydrogel-Based Microfluidic SERS Sensing for Divisional Recognition of Multimolecule Fingerprint
2025-02-28, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.4c03096
PMID:39964084
|
research paper | 提出了一种基于深度学习的双功能分区微流控集成水凝胶表面增强拉曼散射（SERS）平台，以提高拉曼检测系统的灵敏度、集成度和实用性 | 结合深度学习和双功能微流控技术，实现多分子指纹的分区识别和同时检测 | 未提及具体样本量或实验重复次数，可能影响结果的统计显著性 | 提高拉曼检测系统的灵敏度、集成度和实用性 | 罗丹明6G（R6G）、福美双、芘、蒽和邻苯二甲酸二丁酯等分子 | 机器学习和微流控技术 | NA | 表面增强拉曼散射（SERS）和全连接神经网络技术 | 全连接神经网络 | 拉曼光谱数据 | NA | NA | NA | NA | NA |
| 264 | 2025-05-15 |
GPC-YOLO: An Improved Lightweight YOLOv8n Network for the Detection of Tomato Maturity in Unstructured Natural Environments
2025-Feb-28, Sensors (Basel, Switzerland)
DOI:10.3390/s25051502
PMID:40096330
|
研究论文 | 提出了一种基于YOLOv8n的轻量级模型GPC-YOLO，用于在非结构化自然环境中检测番茄成熟度 | 引入了C2f-PC模块、GSConv轻量卷积、CCFF跨尺度特征融合模块，以及SimAM注意力机制和EIoU损失函数，显著降低了计算负担并提高了检测精度 | 研究仅针对番茄成熟度检测，未验证在其他水果或作物上的适用性 | 开发一种轻量化的目标检测模型，用于农业场景中的番茄成熟度识别 | 番茄果实 | 计算机视觉 | NA | 深度学习目标检测 | GPC-YOLO（基于YOLOv8n改进） | 图像 | 1249张手机拍摄的番茄图像 | NA | NA | NA | NA |
| 265 | 2025-05-15 |
A Comparative Study of Plantar Pressure and Inertial Sensors for Cross-Country Ski Classification Using Deep Learning
2025-Feb-28, Sensors (Basel, Switzerland)
DOI:10.3390/s25051500
PMID:40096333
|
研究论文 | 本研究比较了足底压力和惯性传感器在越野滑雪技术分类中的应用，并开发了一种基于CNN和LSTM的深度学习模型 | 首次比较了低成本、低侵入性的足底压力传感器和惯性传感器在越野滑雪技术分类中的性能，并展示了在最小传感器设置下实现高分类准确率的潜力 | 研究仅针对越野滑雪技术分类，未验证在其他运动项目中的适用性 | 比较不同传感器在越野滑雪技术分类中的性能，并开发高效的分类方法 | 越野滑雪运动员 | 机器学习 | NA | 深度学习 | CNN和LSTM | 足底压力数据和惯性测量数据 | 未明确说明样本数量，但涉及多名滑雪运动员的数据 | NA | NA | NA | NA |
| 266 | 2025-05-15 |
Gesture Recognition Achieved by Utilizing LoRa Signals and Deep Learning
2025-Feb-27, Sensors (Basel, Switzerland)
DOI:10.3390/s25051446
PMID:40096281
|
研究论文 | 本研究提出了一种基于LoRa技术的新型手势识别系统，结合了先进的信号预处理、自适应分割算法和改进的SS-ResNet50深度学习模型 | 通过结合残差学习和动态卷积技术，SS-ResNet50模型显著增强了多尺度手势特征的提取能力，提高了分类准确率 | NA | 开发一种低功耗、长距离的非接触式手势识别系统 | 手势识别 | 计算机视觉 | NA | LoRa技术 | SS-ResNet50 | 信号数据 | 六种手势的平均识别准确率超过95% | NA | NA | NA | NA |
| 267 | 2025-05-15 |
Application of Multiple Deep Learning Architectures for Emotion Classification Based on Facial Expressions
2025-Feb-27, Sensors (Basel, Switzerland)
DOI:10.3390/s25051478
PMID:40096310
|
research paper | 该研究评估了十种先进的深度学习模型在面部表情识别任务上的性能，使用FER2013数据集 | 对多种深度学习架构在面部表情识别任务上的综合评估，揭示了计算效率与预测准确性之间的关键权衡 | 轻量级模型如MobileNet V1和ShuffleNet V2在准确性上存在限制，特别是在识别'恐惧'和'厌恶'等挑战性情绪类别时 | 评估深度学习模型在面部表情识别任务上的性能，以选择适合特定应用需求的架构 | 面部表情识别 | computer vision | NA | 深度学习 | VGG16, VGG19, ResNet50, ResNet101, DenseNet, GoogLeNet V1, MobileNet V1, EfficientNet V2, ShuffleNet V2, RepVGG | image | FER2013数据集 | NA | NA | NA | NA |
| 268 | 2025-05-15 |
Joint Driver State Classification Approach: Face Classification Model Development and Facial Feature Analysis Improvement
2025-Feb-27, Sensors (Basel, Switzerland)
DOI:10.3390/s25051472
PMID:40096318
|
research paper | 本研究提出了一种结合CNN和面部标志分析模型的双框架方法，用于增强驾驶员困倦检测 | 通过集成CNN分类和精确的面部标志分析，提高了检测的鲁棒性，并在低光等挑战性条件下表现出更强的适应性 | NA | 开发一种鲁棒的驾驶员困倦检测方法，以提高道路安全 | 驾驶员的面部特征和生理状态 | computer vision | NA | image normalization, illumination correction, face hallucination | CNN, deep learning-based facial landmark analysis model | image | NA | NA | NA | NA | NA |
| 269 | 2025-05-15 |
EEG-Based Music Emotion Prediction Using Supervised Feature Extraction for MIDI Generation
2025-Feb-27, Sensors (Basel, Switzerland)
DOI:10.3390/s25051471
PMID:40096343
|
研究论文 | 本文提出了一种基于EEG的音乐情感预测深度学习框架，用于生成与标记情感预测对齐的MIDI序列 | 通过监督特征提取和Centered Kernel Alignment技术，解决了神经和听觉领域之间的语义鸿沟问题，提高了情感分类和MIDI序列生成的质量 | 对于想象能力较弱的受试者，生成的MIDI输出质量较低，因为其神经模式与训练数据的一致性较差 | 开发一种能够生成与情感预测对齐的MIDI序列的AI驱动算法 | 脑电图(EEG)数据和听觉数据 | 机器学习 | NA | EEGNet, 自编码器, Centered Kernel Alignment | EEGNet, 自编码器 | EEG信号, MIDI序列 | 未明确说明样本数量，但涉及真实世界数据和特定受试者分析 | NA | NA | NA | NA |
| 270 | 2025-05-15 |
DAHD-YOLO: A New High Robustness and Real-Time Method for Smoking Detection
2025-Feb-26, Sensors (Basel, Switzerland)
DOI:10.3390/s25051433
PMID:40096207
|
研究论文 | 提出了一种名为DAHD-YOLO的新型高鲁棒性实时吸烟检测方法 | 基于YOLOv8构建的DAHD-YOLO模型，引入了DBCA模块、AFGCA注意力机制、改进的ECA-FPN特征金字塔网络、解耦检测头更新以及Wise-PIoU边界框回归损失函数，显著提升了检测精度和实时性能 | 未提及在极端光照或遮挡条件下的性能表现 | 提高复杂环境中吸烟行为检测的准确性和实时性 | 吸烟行为 | 计算机视觉 | NA | 深度学习 | YOLOv8改进模型（DAHD-YOLO） | 图像 | 自建吸烟检测数据集（具体数量未说明） | NA | NA | NA | NA |
| 271 | 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 |
| 272 | 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 |
| 273 | 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 |
| 274 | 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 |
| 275 | 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 |
| 276 | 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 |
| 277 | 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 |
| 278 | 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 |
| 279 | 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 |
| 280 | 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 |