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 881 - 900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 881 | 2025-02-19 |
DeepFlood for Inundated Vegetation High-Resolution Dataset for Accurate Flood Mapping and Segmentation
2025-Feb-15, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04554-3
PMID:39955285
|
研究论文 | 本文介绍了DeepFlood，一个用于洪水映射和分割的高分辨率数据集，旨在提高洪水范围的快速准确评估 | DeepFlood是一个包含高分辨率载人和无人机航拍图像以及合成孔径雷达（SAR）图像的新数据集，特别标注了淹没植被，这是洪水映射中最具挑战性的区域之一 | NA | 提高洪水范围的快速准确评估，以支持有效的灾害响应、减灾规划和资源分配 | 洪水映射和分割 | 计算机视觉 | NA | 卷积神经网络（CNNs） | CNN | 图像 | NA | NA | NA | NA | NA |
| 882 | 2025-02-19 |
Exploration of contemporary modernization in UWSNs in the context of localization including opportunities for future research in machine learning and deep learning
2025-Feb-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89916-y
PMID:39955359
|
综述 | 本文探讨了水下无线传感器网络（UWSNs）中的定位技术现代化，包括机器学习与深度学习在未来研究中的机遇 | 本文不仅回顾了UWSNs定位技术的基础与挑战，还探讨了机器学习和深度学习在提升定位过程中的潜在贡献，并提出了未来研究方向 | 本文主要基于理论分析和模拟评估，缺乏实际应用场景的验证 | 提升水下无线传感器网络中的定位技术，以支持环境监测、灾害管理、军事监视等应用 | 水下无线传感器网络（UWSNs）中的节点定位 | 机器学习 | NA | 机器学习（ML）、深度学习（DL） | NA | 模拟数据 | NA | NA | NA | NA | NA |
| 883 | 2025-02-19 |
Enhancing pediatric congenital heart disease detection using customized 1D CNN algorithm and phonocardiogram signals
2025-Feb-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e42257
PMID:39959496
|
研究论文 | 本研究提出了一种定制的1D卷积神经网络（1D-CNN），用于将心音图（PCG）信号分类为正常或异常，为先天性心脏病（CHD）的诊断提供了一种自动化且高效的解决方案 | 结合现代信号处理与深度学习，提出了一种定制的1D-CNN模型，用于CHD的自动检测，显著提高了诊断的准确性和可靠性 | 数据集变异性和噪声问题仍然存在，未来需要扩展到多类分类并评估在更广泛医疗问题上的表现 | 提高先天性心脏病的早期检测效率，提供一种自动化诊断方法 | 心音图（PCG）信号 | 数字病理 | 先天性心脏病 | 低通和高通滤波（60-650 Hz）、重采样、降噪、数据增强技术（分块、填充、音高变换） | 1D-CNN | 信号 | 本地儿科PCG信号和公开可访问的数据集 | NA | NA | NA | NA |
| 884 | 2025-02-19 |
Optimal surface defect detector design based on deep learning for 3D geometry
2025-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88112-2
PMID:39952973
|
研究论文 | 本文提出了一种基于深度学习的3D几何表面缺陷检测器设计方法，用于钢铁制造环境中的自动检测 | 通过几何变换生成数据集，并提出了基于性能的模型优化算法，解决了现有方法中图像数据曲率问题和2D产品的局限性 | 研究仅针对3D几何产品，未涉及其他类型的钢铁产品 | 开发一种适用于钢铁制造环境的自动表面缺陷检测方法 | 钢铁制造环境中的3D几何产品 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 885 | 2025-02-19 |
Model-constrained deep learning for online fault diagnosis in Li-ion batteries over stochastic conditions
2025-Feb-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56832-8
PMID:39952987
|
研究论文 | 本文采用深度学习方法开发了一种适用于锂离子电池在不可预测条件下运行的在线故障诊断网络 | 网络集成了电池模型约束，并采用了一个框架来管理随机系统的演化，从而实现故障的实时确定 | NA | 探索深度学习在电池实时预测和诊断中的应用，以提高电池安全性和经济效益 | 锂离子电池 | 机器学习 | NA | 深度学习 | NA | 电池运行数据 | 来自515辆车的1820万条有效数据 | NA | NA | NA | NA |
| 886 | 2025-02-19 |
Multi-step ahead forecasting of daily streamflow based on the transform-based deep learning model under different scenarios
2025-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89837-w
PMID:39953056
|
研究论文 | 本文介绍了一种基于相对位置编码增强的Informer模型（Rel-Informer），用于多步径流预测，并与标准Informer、Transformer和LSTM模型进行比较 | 提出了相对位置编码增强的Informer模型（Rel-Informer），并在不同情景下验证其多步径流预测能力 | 区域建模的精度低于个体建模，尽管通过微调有所改善 | 研究多步径流预测的深度学习模型在不同情景下的表现 | 径流预测 | 机器学习 | NA | 深度学习 | Rel-Informer, Informer, Transformer, LSTM | 径流数据 | 使用公开的CAMELS数据集进行训练和验证 | NA | NA | NA | NA |
| 887 | 2025-02-19 |
MultiT2: A Tool Connecting the Multimodal Data for Bacterial Aromatic Polyketide Natural Products
2025-Feb-11, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c11266
PMID:39959056
|
研究论文 | 本文介绍了一种名为MultiT2的算法，用于整合细菌芳香聚酮类天然产物的多模态数据 | 首次在天然产物领域应用多模态算法整合生物学相关但数学上不同的数据集，以重组知识图谱 | 由于天然产物数据的高度碎片化，整合多模态数据具有挑战性 | 提高天然产物科学的研究效率，特别是在克服繁琐和耗时的过程方面 | 细菌芳香聚酮类天然产物 | 机器学习 | NA | 深度学习 | NA | 多模态数据 | NA | NA | NA | NA | NA |
| 888 | 2025-02-18 |
An efficient deep learning approach for automatic speech recognition using EEG signals
2025-Feb-16, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2456982
PMID:39957214
|
研究论文 | 本文提出了一种结合Gannet优化算法和Elman递归神经网络的高效深度学习方法，用于基于EEG信号的自动语音识别 | 提出了一种新的高效深度学习框架EDLA，结合了Gannet优化算法和Elman递归神经网络，显著提高了基于EEG信号的语音识别准确率 | 研究仅在Kara One数据集上进行了评估，可能需要更多样化的数据集来验证其泛化能力 | 提高基于EEG信号的自动语音识别准确率，以促进人机交互和辅助技术发展 | EEG信号 | 自然语言处理 | NA | Savitzky-Golay滤波器，递归特征消除 | Elman Recurrent Neural Network (ERNN) | EEG信号 | Kara One数据集 | NA | NA | NA | NA |
| 889 | 2025-02-18 |
Comment on "A deep learning approach for the screening of referable age-related macular degeneration - Model development and external validation"
2025-Feb-15, Journal of the Formosan Medical Association = Taiwan yi zhi
DOI:10.1016/j.jfma.2025.02.017
PMID:39956680
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 890 | 2025-02-18 |
Deep learning for automated hip fracture detection and classification : achieving superior accuracy
2025-Feb-01, The bone & joint journal
|
研究论文 | 本研究旨在开发和评估一种基于深度学习的模型，用于髋部骨折的分类，以提高诊断准确性 | 使用卷积神经网络（CNN）进行髋部骨折的分类，并利用DAMO-YOLO进行数据处理和增强，显著提高了诊断准确性 | 研究仅使用了回顾性数据，且外部验证数据集的样本量相对较小 | 提高髋部骨折的诊断准确性 | 髋部骨折的X光片 | 计算机视觉 | 髋部骨折 | 深度学习 | CNN | 图像 | 5,168张髋部前后位X光片（4,493张用于训练，675张用于验证） | NA | NA | NA | NA |
| 891 | 2025-02-17 |
Diagnosis of microbial keratitis using smartphone-captured images; a deep-learning model
2025-Feb-13, Journal of ophthalmic inflammation and infection
IF:2.9Q1
DOI:10.1186/s12348-025-00465-x
PMID:39946047
|
研究论文 | 本研究探讨了使用智能手机拍摄的图像通过深度学习模型诊断和区分微生物性角膜炎（MK）亚型的应用 | 利用智能手机拍摄的图像和深度学习技术进行微生物性角膜炎的诊断，提供了一种快速且适用于资源有限地区的诊断方法 | 研究样本量相对较小，且未涵盖所有可能的MK亚型 | 开发一种快速且准确的微生物性角膜炎诊断方法，特别是在资源有限的地区 | 微生物性角膜炎（MK）及其亚型（细菌性角膜炎、真菌性角膜炎和阿米巴性角膜炎） | 计算机视觉 | 角膜炎 | 深度学习 | 卷积神经网络（CNN） | 图像 | 889例（2020年至2023年收集的细菌性角膜炎、真菌性角膜炎和阿米巴性角膜炎病例） | NA | NA | NA | NA |
| 892 | 2025-02-17 |
Advancing Pancreatic Cancer Prediction with a Next Visit Token Prediction Head on Top of Med-BERT
2025-Feb-04, Cancers
IF:4.5Q1
DOI:10.3390/cancers17030516
PMID:39941883
|
研究论文 | 本文提出了一种基于Med-BERT的胰腺癌预测方法，通过将疾病预测任务重新表述为令牌预测任务和下一次访问掩码令牌预测任务，以提高胰腺癌预测的准确性 | 将疾病预测任务重新表述为令牌预测任务和下一次访问掩码令牌预测任务，以更好地利用Med-BERT的预训练任务格式，从而在少量数据和完全监督设置下提高预测准确性 | 研究主要关注胰腺癌，未涉及其他类型的癌症或疾病 | 提高胰腺癌预测的准确性，尤其是在少量数据的情况下 | 电子健康记录（EHRs）中的胰腺癌预测 | 自然语言处理 | 胰腺癌 | Med-BERT | Med-BERT-Sum, Med-BERT-Mask | 电子健康记录（EHRs） | 10到500个样本 | NA | NA | NA | NA |
| 893 | 2025-02-17 |
Development of Nipple Trauma Evaluation System With Deep Learning
2025-Feb, Journal of human lactation : official journal of International Lactation Consultant Association
IF:2.1Q2
DOI:10.1177/08903344241303867
PMID:39718190
|
研究论文 | 本研究旨在开发一种基于深度学习的乳头创伤评估系统，以支持母乳喂养 | 首次将深度学习技术应用于母乳喂养支持领域，开发了自动检测和分类乳头创伤的系统 | 研究中未提及样本的多样性或模型的泛化能力，可能限制了系统的广泛应用 | 开发一种能够自动检测和分类乳头创伤的深度学习系统 | 乳头创伤图像 | 计算机视觉 | NA | 深度学习 | 对象检测和分类模型 | 图像 | 753张图像 | NA | NA | NA | NA |
| 894 | 2025-02-17 |
Development of deep learning auto-encoder algorithms for predicting alcohol use in Korean adolescents based on cross-sectional data
2025-Feb, Social science & medicine (1982)
DOI:10.1016/j.socscimed.2025.117690
PMID:39892039
|
研究论文 | 本研究旨在开发基于机器学习和深度学习模型的韩国青少年饮酒预测算法，并识别重要特征 | 利用深度学习自编码器（Auto-encoder）和多种机器学习算法（如逻辑回归、决策树等）结合，突破了传统回归方法的限制，提供了对韩国青少年饮酒关键风险因素的新见解 | 研究基于横截面数据，可能无法捕捉随时间变化的动态风险因素 | 开发预测韩国青少年饮酒的算法，并识别重要特征 | 韩国青少年 | 机器学习 | NA | 深度学习自编码器（Auto-encoder）和多种机器学习算法（如逻辑回归、决策树等） | Auto-encoder, Logistic regression, Ridge, LASSO, Elasticnet, Decision tree, Random forest, AdaBoost, XGBoost | 横截面数据 | 41,239名韩国青少年 | NA | NA | NA | NA |
| 895 | 2025-02-16 |
Unsupervised cross talk suppression for self-interference digital holography
2025-Feb-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.544342
PMID:39951778
|
研究论文 | 本文提出了一种基于循环一致性生成对抗网络（CycleGAN）的无监督串扰抑制方法，用于自干涉数字全息术 | 创新点在于提出了一种无需配对训练数据的无监督学习方法，通过显著性约束避免图像内容失真 | 在实际实验中，获取配对数据集以完成训练是困难的 | 研究目的是提高自干涉数字全息术在非相干成像领域的分辨率 | 自干涉数字全息术中的串扰信息 | 计算机视觉 | NA | 自干涉数字全息术 | CycleGAN | 图像 | NA | NA | NA | NA | NA |
| 896 | 2025-02-16 |
Fourier-inspired single-pixel holography
2025-Feb-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.547399
PMID:39951780
|
研究论文 | 本文介绍了一种名为傅里叶启发的单像素全息术（FISH）的有效数字全息术方法，该方法使用单像素探测器而非传统相机来捕捉光场信息 | FISH结合了傅里叶单像素成像和离轴全息技术，能够直接获取有用信息，而无需在空间域记录全息图并在傅里叶域过滤不需要的项，此外，还采用深度学习技术联合优化采样掩模和成像增强模型，以在低采样率下实现高质量结果 | NA | 探索并验证一种新的数字全息术方法，以在低采样率下实现高质量的单像素相位成像 | 光场信息的捕捉与成像 | 计算机视觉 | NA | 傅里叶单像素成像、离轴全息技术、深度学习 | 深度学习模型 | 光场信息 | NA | NA | NA | NA | NA |
| 897 | 2025-02-16 |
A deep learning model to predict dose distributions for breast cancer radiotherapy
2025-Feb-12, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-01942-4
PMID:39937302
|
研究论文 | 本文提出了一种基于3D U-Net的深度学习模型，用于准确预测乳腺癌放射治疗的剂量分布 | 该模型采用了双编码器组合注意力（DECA）模块、跨阶段部分+Resnet+注意力（CRA）模块、难度感知和关键区域损失等创新技术 | 研究仅针对乳腺癌患者，未涉及其他类型的癌症 | 提高乳腺癌放射治疗的剂量分布预测精度和规划效率 | 乳腺癌患者 | 计算机视觉 | 乳腺癌 | 深度学习 | 3D U-Net | 3D图像 | 176名乳腺癌患者 | NA | NA | NA | NA |
| 898 | 2025-02-16 |
OHID-1: A New Large Hyperspectral Image Dataset for Multi-Classification
2025-Feb-12, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04542-7
PMID:39939330
|
研究论文 | 本文介绍了一个新的大规模高光谱图像数据集OHID-1，旨在提升高光谱图像分类性能并挑战现有算法 | OHID-1数据集提供了更复杂的特征和更高的分类复杂性，包含7个类别标签，覆盖更广的区域 | NA | 提升高光谱图像分类性能并挑战现有高光谱图像处理算法 | 高光谱图像数据集OHID-1 | 计算机视觉 | NA | NA | NA | 高光谱图像 | 10幅高光谱图像，来自中国珠海市不同区域 | NA | NA | NA | NA |
| 899 | 2025-02-16 |
Steering drilling wellbore trajectory prediction based on the NOA-LSTM-FCNN method
2025-Feb-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89826-z
PMID:39939666
|
研究论文 | 本文提出了一种基于NOA-LSTM-FCNN方法的导向钻井井眼轨迹预测方法，旨在解决复杂地质条件下井眼轨迹难以准确预测的问题 | 结合NOA、LSTM和FCNN，提出了一种新的井眼轨迹预测方法，显著提高了预测精度 | NA | 提高复杂地质条件下井眼轨迹的预测精度 | 井眼轨迹数据 | 机器学习 | NA | NA | LSTM, FCNN | 井眼轨迹数据 | NA | NA | NA | NA | NA |
| 900 | 2025-02-16 |
A machine learning model for detecting and quantifying tropical cyclone related disturbance and recovery in estuaries
2025-Feb-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89196-6
PMID:39939689
|
研究论文 | 本研究开发了一种基于机器学习的模型，用于检测和量化热带气旋对河口生态系统造成的干扰及其恢复时间 | 利用LSTM深度学习模型检测干扰并量化其严重性，同时开发基于高斯滤波的算法评估恢复时间 | 模型主要关注河口水质的变化，未全面考虑其他生态系统因素 | 开发一种能够检测和量化热带气旋对河口生态系统干扰及其恢复时间的模型 | 河口生态系统，特别是水质变化 | 机器学习 | NA | LSTM深度学习模型，高斯滤波算法 | LSTM | 时间序列数据 | NOAA国家河口研究保护区系统的数据 | NA | NA | NA | NA |