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 1354 篇文献，本页显示第 981 - 1000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2025-03-26 |
Deep-Learning-Assisted Understanding of the Self-Assembly of Miktoarm Star Block Copolymers
2025-Mar-25, ACS nano
IF:15.8Q1
DOI:10.1021/acsnano.5c00811
PMID:40074545
|
research paper | 该研究应用深度学习技术解析了AB型星形嵌段共聚物PEO-PS在蒸发诱导自组装系统中的相行为 | 首次将深度学习技术应用于复杂拓扑结构嵌段共聚物的自组装行为研究，成功预测了三维合成场图并揭示了参数与结构之间的关联 | 研究仅针对特定类型的星形嵌段共聚物(PEO-PS)，结论可能不适用于其他拓扑结构的共聚物 | 探索复杂拓扑结构嵌段共聚物的自组装行为规律 | AB型星形嵌段共聚物PEO-PS | soft matter science | NA | deep learning | neural network | experimental data | 包含两种聚合物特性和三种合成条件参数的数据集 | NA | NA | NA | NA |
| 982 | 2025-03-26 |
From 1-D to 3-D: LIBS Pseudohyperspectral Data Cube Deep Learning Mechanism Used in Nuclear Metal Materials Classification
2025-Mar-25, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c05707
PMID:40085530
|
研究论文 | 提出一种名为LIBS伪高光谱数据立方体的新光谱数据机制，将1-D LIBS光谱转化为3-D数据立方体，以提高核金属材料分类的准确性 | 引入两个额外维度捕捉光谱变化信息，使LIBS系统在处理不稳定光谱时更加稳健，并充分利用深度学习算法 | 未明确提及具体局限性 | 提高核电站中不稳定光谱的分类准确性 | 核金属材料 | 机器学习 | NA | LIBS（激光诱导击穿光谱） | 深度学习算法（含注意力机制） | 光谱数据 | NA | NA | NA | NA | NA |
| 983 | 2025-03-26 |
Leveraging Deep Learning for Urban Health Insights: Transforming Street-Level Imagery into Cardiovascular Risk Indicators
2025-Mar-25, European journal of preventive cardiology
IF:8.4Q1
DOI:10.1093/eurjpc/zwaf148
PMID:40130376
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 984 | 2025-03-26 |
DASNet: A Convolutional Neural Network with SE Attention Mechanism for ccRCC Tumor Grading
2025-Mar-24, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00693-8
PMID:40126867
|
research paper | 该研究提出了一种名为DASNet的卷积神经网络，结合SE注意力机制，用于通过CT图像对透明细胞肾细胞癌（ccRCC）进行分级 | 引入了Domain Adaptive Squeeze-and-Excitation Network (DASNet)，结合SE注意力机制和域对抗神经网络（DANNs）来提高分类准确性和模型的泛化能力 | 未提及具体的数据集规模或潜在的过拟合问题 | 开发一种非侵入性且高效的ccRCC分级方法，以促进早期检测和治疗干预 | 透明细胞肾细胞癌（ccRCC）的CT图像 | digital pathology | renal cell carcinoma | Computed Tomography (CT), deep learning, machine learning | CNN, EfficientNet, RegNet, DANN | image | NA | NA | NA | NA | NA |
| 985 | 2025-03-26 |
Effectiveness Evaluation for Clinical Depression Detection Using Deep Learning Based Synthetic House-Tree-Person Test
2025-Mar-24, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3553502
PMID:40126963
|
研究论文 | 本文介绍了一种基于深度学习的合成屋树人测试（S-HTP）的抑郁症检测方法DeHTP，旨在减少诊断过程中的主观影响 | 提出了一种无需人际互动的灵活便捷的抑郁症检测方法DeHTP，其性能优于传统的人工S-HTP分析，并揭示了22个与抑郁症相关的绘图特征 | 方法的有效性可能受到分析师专业能力的限制 | 开发一种基于深度学习的抑郁症检测方法，以减少诊断过程中的主观影响 | 抑郁症患者 | 数字病理学 | 抑郁症 | 深度学习 | DeHTP | 图像 | 基于先前研究中与抑郁症相关的50个结论的指南 | NA | NA | NA | NA |
| 986 | 2025-03-26 |
Augmenting atmospheric turbulence effects on thermal-adapted deep object detection models
2025-Mar-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86830-1
PMID:40121214
|
research paper | 本文探讨了大气湍流图像增强技术在提高热适应和基于深度学习的物体检测模型在大气湍流条件下的准确性和鲁棒性方面的有效性 | 研究了三种不同的基于近似的湍流模拟器（几何、Zernike-based和P2S）生成的湍流训练和测试数据集，并评估了三种最先进的深度学习物体检测模型（RTMDet-x、DINO-4scale和YOLOv8-x）在这些数据集上的性能 | NA | 提高物体检测模型在大气湍流条件下的准确性和鲁棒性 | 热适应和基于深度学习的物体检测模型 | computer vision | NA | turbulence image augmentation techniques | RTMDet-x, DINO-4scale, YOLOv8-x | image | NA | NA | NA | NA | NA |
| 987 | 2025-03-26 |
High-resolution image reflection removal by Laplacian-based component-aware transformer
2025-Mar-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94464-6
PMID:40121298
|
research paper | 提出了一种基于Laplacian金字塔和transformer的高分辨率图像反射去除框架LapCAT | 利用Laplacian金字塔网络去除高频反射模式，并通过反射感知的多头自注意力机制设计组件可分离transformer块（CSTB） | NA | 解决高分辨率图像反射去除问题，提升照片拍摄质量和场景理解 | 高分辨率图像中的反射模式 | computer vision | NA | Laplacian金字塔网络，transformer | transformer (CSTB) | image | 多个基准数据集 | NA | NA | NA | NA |
| 988 | 2025-10-07 |
Protocol to infer off-target effects of drugs on cellular signaling using interactome-based deep learning
2025-Mar-21, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2024.103573
PMID:39823233
|
研究论文 | 提出基于相互作用组深度学习推断药物细胞信号传导脱靶效应的实验方案 | 首次将人工神经网络与相互作用组数据结合，系统性地预测药物转录活性并解释脱靶作用机制 | 仅以lestaurtinib在A375细胞系中的FOXM1脱靶效应作为案例研究，需要进一步验证通用性 | 理解药物作用机制并预测其脱靶效应 | 药物-靶标相互作用及细胞转录反应 | 机器学习 | NA | 相互作用组分析，转录活性检测 | 人工神经网络 | 转录组数据，相互作用组数据 | NA | NA | NA | NA | NA |
| 989 | 2025-03-26 |
4D-ONIX for reconstructing 3D movies from sparse X-ray projections via deep learning
2025-Mar-21, Communications engineering
DOI:10.1038/s44172-025-00390-w
PMID:40119014
|
research paper | 提出了一种基于深度学习的4D-ONIX方法，用于从极少数X射线投影中重建3D电影 | 结合X射线与物质相互作用的计算物理模型和最先进的深度学习方法，能够从极少数投影中高质量重建4D信息 | 需要验证在更广泛实验条件下的适用性 | 解决从稀疏投影重建4D信息的挑战 | 水滴碰撞模拟和增材制造实验数据 | 计算机视觉 | NA | X射线多投影成像 | 深度学习 | X射线投影图像 | 模拟水滴碰撞和增材制造实验数据，每个时间戳仅2-3个投影 | NA | NA | NA | NA |
| 990 | 2025-03-26 |
The artificial intelligence revolution in gastric cancer management: clinical applications
2025-Mar-21, Cancer cell international
IF:5.3Q1
DOI:10.1186/s12935-025-03756-4
PMID:40119433
|
review | 本文全面回顾了人工智能算法在胃癌管理中的最新研究现状和应用 | 人工智能技术，特别是机器学习和深度学习，在胃癌的诊断、治疗和预后评估中带来了前所未有的创新和突破 | 目前大多数基于AI的模型尚未在临床实践中广泛应用 | 探讨人工智能技术在胃癌临床管理中的应用及其潜力 | 胃癌 | digital pathology | gastric cancer | machine learning, deep learning | NA | image, text | NA | NA | NA | NA | NA |
| 991 | 2025-03-26 |
Nomogram to predict 1-year cognitive decline after stent placement for unruptured intracranial aneurysms
2025-Mar-21, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.111839
PMID:40124476
|
研究论文 | 开发了一种深度学习放射组学列线图（DLRN）用于预测未破裂颅内动脉瘤支架置入术后1年认知功能下降 | 首次结合治疗后DWI和临床特征，利用深度学习放射组学方法构建预测模型 | 样本量相对有限（526例），且前瞻性队列样本量较小（108例） | 预测未破裂颅内动脉瘤支架置入术后认知功能下降风险 | 接受支架置入术治疗的未破裂颅内动脉瘤患者 | 数字病理学 | 颅内动脉瘤 | 扩散加权磁共振成像（DWI） | 深度学习放射组学列线图（DLRN） | 医学影像 | 526例患者（训练队列251例，外部验证队列167例，前瞻性队列108例） | NA | NA | NA | NA |
| 992 | 2025-03-26 |
CSEA-Net: A channel-spatial enhanced attention network for lung tumor segmentation on CT images
2025-Mar-21, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.111974
PMID:40124480
|
研究论文 | 介绍了一种名为CSEA-Net的深度学习模型，用于在CT图像上自动分割肺结节 | 提出了结合双分支通道-空间特征增强网络和坐标注意力机制的深度学习架构，以提高对小且轮廓不清的肺结节的分割精度 | 未提及具体的数据集限制或模型在特定条件下的性能下降情况 | 提高肺结节分割的效率和准确性，以辅助肺癌的早期检测 | CT图像中的肺结节 | 数字病理 | 肺癌 | 深度学习 | CSEA-Net（结合双分支通道-空间特征增强网络和坐标注意力机制的CNN） | CT图像 | 多个公开数据集（未提及具体数量） | NA | NA | NA | NA |
| 993 | 2025-03-26 |
Inference for Log-Gaussian Cox Point Processes using Bayesian Deep Learning: Application to Human Oral Microbiome Image Data
2025-Mar-18, ArXiv
PMID:40034134
|
研究论文 | 本文提出了一种基于贝叶斯深度学习的无似然推断方法，用于对数高斯考克斯点过程（LGCPs）的参数估计，并应用于人类口腔微生物图像数据分析 | 使用BayesFlow方法和可逆神经网络近似感兴趣参数的后验分布，实现了计算效率的大幅提升 | 方法在高维情况下可能仍面临计算挑战 | 开发一种计算高效的方法来量化空间点模式中的聚集现象 | 人类口腔微生物生物膜图像 | 机器学习 | NA | BayesFlow方法 | 可逆神经网络 | 图像 | 两个不同的口腔微生物生物膜图像 | NA | NA | NA | NA |
| 994 | 2025-03-26 |
Attention-Enhanced Multi-Task Deep Learning Model for Classification and Segmentation of Esophageal Lesions
2025-Mar-18, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c10763
PMID:40124037
|
research paper | 提出了一种新型多任务深度学习模型，用于食管病变的分类和分割，以辅助内窥镜医师进行诊断 | 结合分类和分割任务，采用MobileNetV2架构并增强互注意力模块，显著提升模型性能 | 模型设计并非替代内窥镜医师，而是辅助其修正错误预测，需额外支持信息 | 提高食管病变的自动诊断准确率，辅助内窥镜医师减轻工作负担并提升诊断精度 | 食管病变 | digital pathology | esophageal cancer | deep learning | MobileNetV2 with mutual attention module | image | 三个数据集：Early Esophageal Cancer (EEC)、CVC-ClinicDB和KVASIR | NA | NA | NA | NA |
| 995 | 2025-10-07 |
Automatic medical imaging segmentation via self-supervising large-scale convolutional neural networks
2025-Mar, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2025.110711
PMID:39798701
|
研究论文 | 本研究开发了一种基于自监督学习的大规模卷积神经网络，用于医学图像分割 | 采用掩码图像建模和稀疏子流形卷积进行自监督预训练，设计了不同规模的稀疏子流形U-Net架构 | NA | 开发鲁棒的医学图像分割模型，减少对标注数据的依赖 | CT、MRI和PET医学影像数据 | 医学影像分析 | 癌症 | 自监督学习，掩码图像建模 | CNN | 医学影像 | 多中心CT数据集和TotalSegmentator数据集 | NA | U-Net, Sparse Submanifold U-Net (SS-UNet) | Dice Similarity Coefficient (DSC), Surface Dice Coefficient (SDC) | NA |
| 996 | 2025-03-26 |
Detection of deterministic and chaotic signals on the basis of the LSTM model training results
2025-Mar-01, Chaos (Woodbury, N.Y.)
DOI:10.1063/5.0224768
PMID:40131283
|
研究论文 | 本文提出了一种基于LSTM模型训练结果的信号分类新方法，用于检测动态信号中的混沌行为 | 该方法基于学习确定性行为比混沌行为更容易的假设，利用简单的LSTM神经网络计算信号中的'混沌量'，无需预先训练数据 | 方法的有效性仅在公开可用的混沌和确定性信号数据集上进行了验证，可能需要更多样化的数据集进一步测试 | 提供一种替代传统LLE计算的混沌信号检测方法 | 动态信号（混沌和确定性信号） | 机器学习 | NA | LSTM神经网络 | LSTM | 动态信号数据 | 公开可用的混沌和确定性信号数据集 | NA | NA | NA | NA |
| 997 | 2025-03-25 |
Thermal conductivity of the layered titanate K0.8Li0.27Ti1.73O4 explored by a deep learning interatomic potential
2025-Mar-28, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0255515
PMID:40125679
|
研究论文 | 本研究通过深度学习原子间势能预测层状钛酸盐K0.8Li0.27Ti1.73O4的热导率 | 采用深度神经网络模型构建原子间势能，克服了传统方法的局限性，为层状材料的热导率研究提供了新方法 | 研究仅针对K0.8Li0.27Ti1.73O4一种材料，未验证其他层状材料的适用性 | 预测层状氧化物材料的热导率 | 层状钛酸盐K0.8Li0.27Ti1.73O4 (KLTO) | 材料科学 | NA | 深度学习 | 深度神经网络 | 原子力、能量和弹性性质数据 | NA | NA | NA | NA | NA |
| 998 | 2025-03-25 |
Deep learning for cardiac abnormalities in chest X-rays: performance metrics with imbalanced data and extracardiac objects
2025-Mar-24, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehae759
PMID:39776179
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 999 | 2025-03-25 |
Transforming wearable sensor data for robust feature selection in human activity recognition using reinforcement learning approach
2025-Mar-24, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2480686
PMID:40125899
|
研究论文 | 本文提出了一种利用深度强化学习方法处理可穿戴传感器数据，以提高人体活动识别的准确性和鲁棒性 | 结合生成式演员-评论家（GAC）方法和循环生成对抗网络，增强了类间差异并减少了类内变化，提高了噪声环境下的识别准确率 | 未提及该方法在实时处理或计算资源消耗方面的表现 | 提高可穿戴传感器数据在人体活动识别中的准确性和鲁棒性 | 可穿戴传感器收集的人体活动数据 | 机器学习 | NA | 深度强化学习（GAC）、循环生成对抗网络 | GAC、GAN | 时间序列传感器数据 | UCI-HAR和Motion Sense数据集（具体样本量未提及） | NA | NA | NA | NA |
| 1000 | 2025-03-25 |
Parallel convolutional SpinalNet: A hybrid deep learning approach for breast cancer detection using mammogram images
2025-Mar-24, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2480299
PMID:40125951
|
研究论文 | 提出了一种并行卷积SpinalNet混合深度学习模型，用于通过乳腺X光图像高效检测乳腺癌 | 结合并行卷积神经网络(PCNN)和SpinalNet开发了PConv-SpinalNet模型，在乳腺癌检测中表现出色 | NA | 通过深度学习技术提高乳腺癌检测的准确率 | 乳腺X光图像中的肿瘤检测 | 计算机视觉 | 乳腺癌 | Gabor滤波器、LadderNet、图像增强技术(图像操作、图像擦除、图像混合)、多种特征提取方法(CNN特征、Texton、LGBP、SIFT、LMP与DCT) | PConv-SpinalNet (PCNN与SpinalNet的集成) | 图像 | NA | NA | NA | NA | NA |