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 1370 篇文献，本页显示第 901 - 920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 901 | 2025-04-01 |
A Robust YOLOv8-Based Framework for Real-Time Melanoma Detection and Segmentation with Multi-Dataset Training
2025-Mar-11, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15060691
PMID:40150034
|
研究论文 | 提出了一种基于YOLOv8的深度学习框架，用于实时黑色素瘤检测和分割 | 采用多数据集训练策略增强泛化能力，将检测和分割任务统一到单次推理中，显著提高计算效率 | 建议整合可解释AI技术以增强临床信任和可解释性 | 提高黑色素瘤诊断的准确性和实时性 | 黑色素瘤图像 | 计算机视觉 | 黑色素瘤 | 深度学习 | YOLOv8 | 图像 | ISIC 2020、HAM10000和PH2数据集 | NA | NA | NA | NA |
| 902 | 2025-04-01 |
Real-Time Object Detector for Medical Diagnostics (RTMDet): A High-Performance Deep Learning Model for Brain Tumor Diagnosis
2025-Mar-11, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12030274
PMID:40150738
|
研究论文 | 介绍了一种名为RTMDet的高性能深度学习模型，用于实时脑肿瘤诊断 | RTMDet通过优化CNN架构，在保持诊断精度的同时降低了计算负担，实现了实时处理 | 未提及具体的数据集规模或模型在多样化临床环境中的泛化能力 | 优化深度学习模型以实现脑肿瘤的实时高精度诊断 | 脑肿瘤的医学影像数据 | 数字病理 | 脑肿瘤 | 深度卷积神经网络 | CNN | 医学影像 | 未明确提及具体样本量，但使用了综合医学影像数据集 | NA | NA | NA | NA |
| 903 | 2025-04-01 |
Integrated Machine Learning Algorithms-Enhanced Predication for Cervical Cancer from Mass Spectrometry-Based Proteomics Data
2025-Mar-09, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12030269
PMID:40150733
|
研究论文 | 本研究利用基于质谱的蛋白质组学数据和多种机器学习算法，开发了一个AI驱动的流程，用于宫颈癌早期诊断血清生物标志物的识别和验证 | 结合八种不同的机器学习算法和多维学习模型，显著提高了早期宫颈癌诊断的准确性，AUC接近1 | 研究样本量相对较小（240例患者），且仅针对宫颈癌，未验证其他癌症类型的适用性 | 开发AI驱动的流程，提高早期癌症诊断的准确性 | 宫颈癌患者血清中的多肽差异峰 | 机器学习 | 宫颈癌 | 质谱蛋白质组学 | 多种机器学习算法（未具体说明） | 蛋白质组学数据 | 240例患者 | NA | NA | NA | NA |
| 904 | 2025-04-01 |
Deep learning‑based prediction of in‑hospital mortality for acute kidney injury
2025-Mar-07, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2470809
PMID:40052403
|
research paper | 该研究提出了一种基于深度学习的GCAT模型，用于预测急性肾损伤（AKI）患者的院内死亡率 | GCAT模型通过探索患者属性特征的相似性并构建患者特征相似性网络（PFSN），显著提高了预测准确性 | 研究仅使用了MIMIC-III数据集，可能无法涵盖所有临床场景 | 预测急性肾损伤（AKI）患者的院内死亡率 | 急性肾损伤（AKI）患者 | machine learning | acute kidney injury | 深度学习 | GCAT | 临床数据 | MIMIC-III数据集中的患者 | NA | NA | NA | NA |
| 905 | 2025-04-01 |
Anomaly Detection in Retinal OCT Images With Deep Learning-Based Knowledge Distillation
2025-Mar-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.3.26
PMID:40146150
|
研究论文 | 开发了一种基于深度学习的无监督异常检测系统，用于识别视网膜OCT图像中的病理形态学表现 | 采用Teacher-Student知识蒸馏方法，仅使用正常病例进行训练，无需额外人工标注，实现了高效的异常检测和定位 | 在外部数据集上的B-scan检测AUC值在0.81-0.87之间，性能有待进一步提升 | 开发一个稳健且通用的AI系统，用于筛查视网膜OCT图像中的病理异常 | 视网膜OCT图像 | 计算机视觉 | 年龄相关性黄斑变性(AMD)和糖尿病性黄斑水肿(DME) | 深度学习 | Teacher-Student知识蒸馏模型 | 图像 | 3358名患者的OCT扫描数据 | NA | NA | NA | NA |
| 906 | 2025-04-01 |
A Novel Tactile Learning Assistive Tool for the Visually and Hearing Impaired with 3D-CNN and Bidirectional LSTM Leveraging Morse Code Technology
2025-Mar-03, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12030253
PMID:40150717
|
研究论文 | 开发一种结合3D-CNN和双向LSTM的新型触觉学习辅助工具，利用摩尔斯电码技术帮助视力和听力受损儿童 | 结合3D-CNN和双向LSTM深度学习技术，将说话者的唇部动作转换为摩尔斯电码，通过可穿戴设备传递给聋盲儿童 | 实验评估中单词错误率为2%，可能存在一定的识别误差 | 减少聋盲儿童与同伴沟通的困难，并帮助他们在课堂环境中独立学习 | 聋盲儿童 | 机器学习 | NA | 摩尔斯电码技术 | 3D-CNN和双向LSTM | 唇部动作视频 | NA | NA | NA | NA | NA |
| 907 | 2025-04-01 |
Non-Contact Blood Pressure Monitoring Using Radar Signals: A Dual-Stage Deep Learning Network
2025-Mar-02, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12030252
PMID:40150716
|
研究论文 | 提出了一种基于雷达信号的非接触式血压监测方法，采用双阶段深度学习网络 | 结合空间和时间特征学习的层次神经网络框架，利用雷达信号实现非接触式血压监测，并通过早期估计扩展特征集以提升预测能力 | 临床误差虽可接受，但仍存在改进空间（SBP: -1.09 ± 5.15 mmHg, DBP: -0.26 ± 4.35 mmHg） | 开发一种非接触式血压监测技术，提升用户舒适度和隐私保护 | 通过雷达信号捕捉的胸壁微振动及其二阶导数 | 机器学习 | 心血管疾病 | 雷达传感技术 | CNN和Transformer结合的层次神经网络 | 雷达信号 | NA | NA | NA | NA | NA |
| 908 | 2025-03-05 |
Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules
2025-Mar, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250387
PMID:40035670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 909 | 2025-03-30 |
Accelerating fringe projection profilometry to 100k fps at high-resolution using deep learning
2025-Mar-27, Light, science & applications
DOI:10.1038/s41377-025-01802-4
PMID:40140350
|
research paper | 该论文通过深度学习技术将条纹投影轮廓测量法的速度提升至每秒10万帧，同时保持高分辨率 | 利用深度学习技术显著提升条纹投影轮廓测量法的速度至100k fps，同时保持高分辨率 | NA | 提升条纹投影轮廓测量法的速度和分辨率，扩展其在高速瞬态场景中的应用 | 条纹投影轮廓测量法 | computer vision | NA | deep learning | NA | 3D imaging data | NA | NA | NA | NA | NA |
| 910 | 2025-03-30 |
Lightweight coal mine conveyor belt foreign object detection based on improved Yolov8n
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87848-1
PMID:40133307
|
research paper | 提出了一种基于改进Yolov8n模型的轻量级算法，用于煤矿传送带异物检测，以提高检测速度并降低模型复杂度 | 采用轻量级StarNet作为主干网络，提出C2f.-EIEM模块增强特征学习能力，使用LSKA机制改进SPPF，替换通道注意力机制为C2f_MLCA，增加轻量级检测头Detect-LSDECD，以及用MPDIoU替换CIoU损失函数 | 未提及算法在不同光照或极端环境下的表现，也未讨论模型在其他类型异物检测上的泛化能力 | 解决基于深度学习的传送带异物检测方法速度慢、参数多、计算需求高的问题 | 煤矿传送带上的异物 | computer vision | NA | NA | Yolov8n改进模型 | image | NA | NA | NA | NA | NA |
| 911 | 2025-03-30 |
Integrating vibration signal analysis and image embedding for enhanced bearing fault diagnosis in manufacturing
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94351-0
PMID:40140467
|
研究论文 | 提出了一种名为ZERONE的新型图像嵌入方法，用于增强机械系统中轴承故障的诊断 | ZERONE方法通过将时域特征、频域特征和振动信号的操作条件整合到单一图像中，简化了表示，并利用CNN模型进行故障诊断，显著提高了诊断准确率 | 未明确提及方法的局限性 | 提高机械系统中轴承故障诊断的准确性和效率 | 机械系统中的轴承故障 | 计算机视觉 | NA | 振动信号分析、图像嵌入 | CNN | 图像、振动信号 | Paderborn University轴承数据集和Jiangnan University数据集 | NA | NA | NA | NA |
| 912 | 2025-03-30 |
Research on the influence of spontaneous commercial space on the commercial vitality of historical and cultural districts
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94712-9
PMID:40140652
|
研究论文 | 本研究探讨了自发商业空间对历史文化街区商业活力的影响，并利用深度学习和机器学习方法进行了系统分析 | 首次结合Mask R-CNN深度学习和随机森林回归分析，量化了自发商业空间对商业活力的影响，并提出了预测框架 | 研究仅基于武汉昙华林历史文化街区的数据，可能无法完全代表其他地区的情况 | 探究自发商业空间对历史文化街区商业活力的影响 | 武汉昙华林历史文化街区的自发商业空间 | 计算机视觉 | NA | Mask R-CNN深度学习、随机森林回归分析、SHAP解释方法 | Mask R-CNN、随机森林 | 图像 | 4217张标注图像 | NA | NA | NA | NA |
| 913 | 2025-03-30 |
Steel surface defect detection based on multi-layer fusion networks
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-74601-3
PMID:40140671
|
research paper | 该论文提出了一种基于多层融合网络的钢材表面缺陷检测方法，通过改进YOLOv5模型提高了复杂背景下大目标和小目标的检测能力 | 将RepBi-PAN融合网络集成到YOLOv5中，优化模型结构并引入DenseNet结构和归一化注意力模块(NAM)，提升了检测性能 | 未明确说明在极端低分辨率或极端复杂背景下的性能表现 | 提高钢材表面缺陷检测的准确率和召回率 | 钢材表面缺陷 | computer vision | NA | deep learning | YOLOv5 with RepBi-PAN and DenseNet | image | 未明确说明具体样本数量 | NA | NA | NA | NA |
| 914 | 2025-03-30 |
Evaluating segmentation methods for UAV-Based Spoil Pile Delineation
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77616-y
PMID:40133311
|
研究论文 | 本研究评估了不同分割方法在无人机拍摄的废料堆划分中的应用 | 比较了传统分割方法与深度学习方法，特别是基于形态学的深度学习分割方法Segment Anything Model (SAM)的优越性能 | 未提及具体的数据集大小或实验条件的限制 | 优化分割策略，以促进基于图像的废料堆监测和矿山环境的可持续管理 | 矿山废料堆 | 计算机视觉 | NA | 对象分类和图像分割 | Segment Anything Model (SAM) | 图像 | NA | NA | NA | NA | NA |
| 915 | 2025-03-30 |
A plug and play fuzzy mask extraction module for single image deraining
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94643-5
PMID:40133341
|
研究论文 | 提出了一种用于单幅图像去雨的即插即用模糊掩模提取模块 | 基于像素级成员资格提取模糊掩模地面真值，能更精细地表达单幅雨图中每个像素与其邻域像素的灰色相似性和空间相似性 | 未提及具体的数据集规模和计算资源需求 | 提高单幅图像去雨算法的性能 | 单幅雨图 | 计算机视觉 | NA | 深度学习 | 编码-解码网络 | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 916 | 2025-03-30 |
A multilayer deep autoencoder approach for cross layer IoT attack detection using deep learning algorithms
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93473-9
PMID:40133346
|
研究论文 | 本文提出了一种多层深度自编码器方法（M-LDAE），用于跨层物联网攻击检测 | M-LDAE利用深度自编码器的分层简化能力提取包含全局和局部属性的潜在表示，有效防御多种网络威胁 | NA | 提高跨层物联网攻击检测的准确性和适应性 | 物联网网络中的网络层和传输层攻击 | 机器学习 | NA | 深度学习算法 | RNNs, GNNs, TCNs | 网络数据 | 基准数据集和真实场景数据 | NA | NA | NA | NA |
| 917 | 2025-03-30 |
African buffalo optimization with deep learning-based intrusion detection in cyber-physical systems
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91500-3
PMID:40133383
|
研究论文 | 提出了一种结合非洲水牛优化算法和深度学习的网络入侵检测模型（ABOADL-IDS），用于网络物理系统中的安全攻击检测 | 首次将非洲水牛优化算法（ABO）与堆叠深度信念网络（SDBN）相结合，并利用海鸥优化（SGO）算法进行超参数选择，提高了入侵检测的准确率 | 仅在NSLKDD2015和CICIDS2015数据集上进行了验证，未在其他数据集上测试模型的泛化能力 | 提高网络物理系统（CPS）中入侵检测的准确性和效率 | 网络物理系统（CPS）中的安全攻击 | 机器学习 | NA | 非洲水牛优化算法（ABO）、堆叠深度信念网络（SDBN）、海鸥优化（SGO） | SDBN | 网络流量数据 | NSLKDD2015和CICIDS2015数据集 | NA | NA | NA | NA |
| 918 | 2025-03-30 |
An effective microscopic image augmentation approach
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93954-x
PMID:40133431
|
研究论文 | 提出一种有效的显微图像增强方法，用于解决中草药显微图像样本量小和稀有特征比例低的问题 | 结合条件引导显微图像生成模型(CGMIGM)和半监督学习数据增强模型(SSLDAM)，有效生成稀有特征并提升图像可用性 | 未明确说明方法在其他类型显微图像上的泛化能力 | 解决中草药显微图像样本量小和稀有特征检测困难的问题 | 中草药显微图像 | 计算机视觉 | NA | 去噪扩散概率模型(DDPM)、半监督学习 | CGMIGM, SSLDAM | 显微图像 | 未明确说明具体样本量，但提到小样本问题 | NA | NA | NA | NA |
| 919 | 2025-03-30 |
An enhanced image restoration using deep learning and transformer based contextual optimization algorithm
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94449-5
PMID:40133442
|
research paper | 提出了一种结合Lewin架构与SwinIR的增强图像修复模型，利用深度学习和Transformer技术优化图像修复过程 | 结合Lewin架构与SwinIR，采用深度学习和Transformer技术，图像修复性能提升4.2% | 未提及具体计算资源消耗或处理速度，可能在实际应用中存在效率问题 | 解决图像处理中噪声和模糊等问题，提升图像修复质量 | 受损图像（受噪声、模糊等问题影响） | computer vision | NA | deep learning, Transformer | Lewin architecture, SwinIR | image | 多种图像数据集（未提具体数量） | NA | NA | NA | NA |
| 920 | 2025-03-30 |
Adaptive signal recognition in mines based on deep learning
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95070-2
PMID:40133479
|
研究论文 | 本文提出了一种基于深度学习的自适应信号识别方法，用于解决煤矿复杂无线环境中多种无线通信技术共存和严重信号干扰导致的识别准确率低和系统复杂度高的问题 | 结合分组残差卷积和通道混洗技术，显著减少模型参数数量（比原始WaveNet少37%），同时利用扩张因果卷积捕捉信号中的长程依赖关系，增强模型对多径干扰特征的判别能力，并引入动态通道注意力机制自适应调整特征权重，提高识别准确率 | NA | 提高煤矿复杂无线环境中的信号识别准确率和系统效率 | 煤矿复杂无线环境中的信号 | 机器学习 | NA | 深度学习 | Group Residual Shuffle Attention WaveNet | 信号数据 | 公共数据集（RML2016.10a）和模拟数据集 | NA | NA | NA | NA |