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 1352 篇文献，本页显示第 1121 - 1140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1121 | 2025-03-19 |
An optimal federated learning-based intrusion detection for IoT environment
2025-Mar-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93501-8
PMID:40082567
|
研究论文 | 本文提出了一种基于联邦学习的最优入侵检测方法，用于物联网环境中的网络安全 | 采用联邦学习训练深度学习分类器，结合Chimp优化算法选择最优特征，提高了入侵检测的准确率 | 未提及具体的数据集规模或实验环境的局限性 | 提高物联网网络中入侵检测的准确性和效率 | 物联网网络中的入侵检测系统 | 机器学习 | NA | 联邦学习, Chimp优化算法 | 深度学习分类器 | 网络数据 | 使用MQTT基准数据集进行实验 | NA | NA | NA | NA |
| 1122 | 2025-03-19 |
Multilabel classification for defect prediction in software engineering
2025-Mar-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93242-8
PMID:40082581
|
研究论文 | 本文探讨了在软件工程中使用多标签分类进行缺陷预测的方法 | 将缺陷预测从传统的多类分类问题转变为多标签分类问题，考虑了缺陷可能同时属于多个类别的情况 | 未提及具体的数据集大小或来源，可能影响结果的普适性 | 提高软件缺陷预测的准确性和效率 | 软件缺陷报告 | 机器学习 | NA | 机器学习、深度学习 | Multinomial Naive Bayes, Logistic Regression, Random Forest, MLP, CNN | 文本 | NA | NA | NA | NA | NA |
| 1123 | 2025-03-19 |
A dual branch model for predicting microseismic magnitude time series named DTFNet
2025-Mar-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93272-2
PMID:40082632
|
研究论文 | 本文提出了一种名为DTFNet的双分支模型，用于预测微震震级时间序列，以提高煤矿岩爆的智能预警准确性 | DTFNet模型结合了时间序列分解和深度学习，通过二次分解和双分支结构有效建模微震时间序列数据，并深度提取微震震级数据的特征 | 未明确提及具体局限性 | 提高煤矿岩爆的智能预警准确性 | 微震震级时间序列数据 | 机器学习 | NA | 互补集合经验模态分解、排列熵、变分模态分解 | DTFNet（双分支时间序列预测模型） | 时间序列数据 | 多个工作面的微震监测目录 | NA | NA | NA | NA |
| 1124 | 2025-03-19 |
Exploring the significance of the frontal lobe for diagnosis of schizophrenia using explainable artificial intelligence and group level analysis
2025-Mar-13, Psychiatry research. Neuroimaging
|
研究论文 | 本文通过可解释的人工智能和群体水平分析，探讨了额叶在精神分裂症诊断中的重要性 | 使用可解释的深度学习方法（Grad-CAM）和群体水平分析，识别精神分裂症患者的重要脑区，并在额叶中发现了显著的分类特征 | 未提及样本的具体数量或多样性，可能影响结果的普适性 | 研究精神分裂症诊断中额叶的作用，并帮助临床医生制定治疗方案 | 精神分裂症患者和健康对照组（CN） | 数字病理学 | 精神分裂症 | 功能性磁共振成像（fMRI）、结构性磁共振成像（sMRI） | 深度学习（Grad-CAM） | MRI图像（sMRI和fMRI） | NA | NA | NA | NA | NA |
| 1125 | 2025-03-19 |
Deep Learning for Odor Prediction on Aroma-Chemical Blends
2025-Mar-11, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c07078
PMID:40092758
|
研究论文 | 本文探讨了深度学习技术在预测香气化学混合物嗅觉品质方面的应用 | 提出了图神经网络模型，用于准确预测香气化学混合物的嗅觉品质，并分析了模型架构变化对预测性能的显著影响 | 研究主要集中于分子对的预测，未涉及更复杂的混合物 | 探索深度学习在预测香气化学混合物嗅觉品质中的应用 | 香气化学混合物 | 机器学习 | NA | 深度学习 | 图神经网络 | 分子对数据 | NA | NA | NA | NA | NA |
| 1126 | 2025-03-19 |
DeepEpiIL13: Deep Learning for Rapid and Accurate Prediction of IL-13-Inducing Epitopes Using Pretrained Language Models and Multiwindow Convolutional Neural Networks
2025-Mar-11, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c10960
PMID:40092768
|
研究论文 | 本文介绍了一种名为DeepEpilL13的新型深度学习框架，用于快速准确地预测IL-13诱导的表位 | DeepEpilL13结合了预训练语言模型和多窗口卷积神经网络（CNN），能够从蛋白质序列中有效探索与IL-13诱导相关的局部和全局序列模式 | NA | 提高IL-13诱导表位预测的效率和准确性，以推动针对过敏性炎症、COVID-19相关细胞因子风暴及相关疾病的靶向治疗 | IL-13诱导的表位 | 自然语言处理 | COVID-19 | 深度学习 | 预训练语言模型和多窗口卷积神经网络（CNN） | 蛋白质序列 | 基准数据集和独立的SARS-CoV-2数据集 | NA | NA | NA | NA |
| 1127 | 2025-03-19 |
Deep Learning-Assisted Triboelectric Sensor for Complex Gesture Recognition
2025-Mar-11, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.4c10150
PMID:40092790
|
研究论文 | 本文提出了一种基于人工智能的手势识别系统，结合摩擦电传感器、Arduino信号处理模块和深度学习模块，用于复杂手势识别 | 将摩擦电技术与深度学习相结合，特别是使用一维卷积神经网络（CNN），实现了超过95%的12种不同手势识别准确率 | 未提及具体样本量或实验场景的局限性 | 开发一种灵活、高效且准确的手势识别系统，以满足物联网和5G技术的需求 | 手势识别系统 | 机器学习 | NA | 摩擦电传感器技术 | 一维卷积神经网络（CNN） | 传感器信号 | NA | NA | NA | NA | NA |
| 1128 | 2025-03-19 |
DDCSR: A Novel End-to-End Deep Learning Framework for Cortical Surface Reconstruction from Diffusion MRI
2025-Mar-05, ArXiv
PMID:40093365
|
研究论文 | 本文提出了一种名为DDCSR的端到端深度学习框架，用于从扩散MRI数据直接进行皮质表面重建 | 首次实现了直接从扩散MRI数据进行皮质表面重建，克服了传统方法依赖T1加权数据和跨模态配准的局限性 | 未提及具体的样本量或数据来源的多样性限制 | 提高从扩散MRI数据进行皮质表面重建的准确性和效率 | 扩散MRI数据 | 数字病理学 | NA | 扩散MRI | 深度学习框架 | MRI图像 | NA | NA | NA | NA | NA |
| 1129 | 2025-03-19 |
Measurement noise scaling laws for cellular representation learning
2025-Mar-04, ArXiv
PMID:40093368
|
研究论文 | 本文探讨了测量噪声对深度学习模型性能的影响，并提出了一个信息论指标来评估细胞表示模型的质量 | 首次将测量噪声作为性能扩展轴，并发现其遵循独特的对数规律，同时提出了一个通用的信息论指标来评估模型质量 | 研究主要基于生物单细胞基因组数据，虽然结果在图像分类模型中也有体现，但尚未广泛验证于其他领域 | 研究测量噪声对深度学习模型性能的影响，并探索其在数据生成和整理中的指导作用 | 生物单细胞基因组数据和图像分类模型 | 机器学习 | NA | 单细胞基因组学 | 表示学习模型 | 基因组数据和图像数据 | 多个数据集，具体样本数量未明确 | NA | NA | NA | NA |
| 1130 | 2025-10-07 |
Whole Slide Imaging, Artificial Intelligence, and Machine Learning in Pediatric and Perinatal Pathology: Current Status and Future Directions
2025 Mar-Apr, Pediatric and developmental pathology : the official journal of the Society for Pediatric Pathology and the Paediatric Pathology Society
IF:1.3Q3
DOI:10.1177/10935266241299073
PMID:39552500
|
综述 | 概述人工智能和机器学习在儿科及围产期病理学中应用的最新进展与挑战 | 聚焦儿科和发育病理学这一专业领域，探讨WSI与AI结合在胎盘病理标准化和发育尸检等特殊诊断挑战中的创新应用 | 临床实验室整合WSI-AI面临证据质量、监管适应、临床评估和安全考虑等挑战 | 探讨人工智能在儿科和发育病理学中的应用现状与未来方向 | 儿科病理学标本的全切片图像 | 数字病理学 | 儿科疾病 | 全切片成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1131 | 2025-03-19 |
Real-time quantification of activated sludge concentration and viscosity through deep learning of microscopic images
2025-Mar, Environmental science and ecotechnology
IF:14.0Q1
DOI:10.1016/j.ese.2025.100527
PMID:40083746
|
研究论文 | 本文介绍了一种通过深度学习分析显微镜图像实时量化活性污泥浓度和粘度的系统 | 创新点在于使用Xception卷积神经网络架构，从显微镜图像中实时定量识别活性污泥的混合液悬浮固体（MLSS）和表观粘度 | 研究仅在实验室规模的序批式反应器中进行，尚未在实际废水处理厂中验证 | 研究目的是开发一种实时在线测量活性污泥参数的方法，以支持未来智能废水处理厂的运行 | 研究对象是活性污泥的混合液悬浮固体（MLSS）和表观粘度 | 计算机视觉 | NA | 深度学习 | Xception卷积神经网络 | 显微镜图像 | 41482张高质量图像 | NA | NA | NA | NA |
| 1132 | 2025-03-19 |
Explainable deep learning algorithm for identifying cerebral venous sinus thrombosis-related hemorrhage (CVST-ICH) from spontaneous intracerebral hemorrhage using computed tomography
2025-Mar, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103128
PMID:40093990
|
研究论文 | 本研究开发了一种可解释的深度学习模型，用于基于非增强计算机断层扫描（NCCT）快速识别由脑静脉窦血栓形成（CVST）引起的脑出血（ICH） | 提出了一种基于迁移学习的3D U-Net模型，结合分割和分类，仅使用入院时的平扫CT进行CVST-ICH的识别，并采用多种可解释性方法（如Grad-CAM++、SHAP、IG和遮挡）来理解模型的注意力 | 需要更大样本量的前瞻性验证 | 开发一种可解释的深度学习模型，用于快速识别CVST-ICH与自发性脑出血（sICH） | CVST-ICH患者和自发性脑出血（sICH）患者 | 数字病理学 | 脑静脉窦血栓形成（CVST） | 非增强计算机断层扫描（NCCT） | 3D U-Net | CT图像 | 内部数据集包括102名CVST-ICH患者和306名sICH患者，外部数据集包括38名CVST-ICH患者和119名sICH患者 | NA | NA | NA | NA |
| 1133 | 2025-03-19 |
Deep learning-based model for prediction of early recurrence and therapy response on whole slide images in non-muscle-invasive bladder cancer: a retrospective, multicentre study
2025-Mar, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103125
PMID:40093987
|
研究论文 | 本研究旨在开发和验证基于深度学习的早期复发预测模型（ERPM）和治疗反应预测模型（TRPM），以辅助非肌层浸润性膀胱癌（NMIBC）患者的临床决策 | 首次在NMIBC患者中开发并验证了基于全切片图像的深度学习模型，用于预测早期复发和治疗反应 | 研究为回顾性研究，需要进一步的前瞻性验证 | 开发并验证基于深度学习的预测模型，以辅助NMIBC患者的临床决策 | 非肌层浸润性膀胱癌（NMIBC）患者 | 数字病理学 | 膀胱癌 | 深度学习 | 多实例学习和集成学习模型 | 全切片图像（H&E染色和免疫组化染色） | 1275名患者的4395张全切片图像 | NA | NA | NA | NA |
| 1134 | 2025-10-07 |
Metric-Guided Conformal Bounds for Probabilistic Image Reconstruction
2025-Mar-04, ArXiv
PMID:38711427
|
研究论文 | 提出一种为概率性黑盒图像重建算法提供统计保证预测边界的框架 | 通过临床关注指标表示重建扫描，并利用保形预测校准真实指标的边界，提供比传统像素级边界方法更好的语义解释 | 需要先前的校准数据集进行边界校准 | 为深度学习重建算法提供统计保证的预测边界 | 稀疏视图计算机断层扫描(CT)图像 | 计算机视觉 | NA | 稀疏视图计算机断层扫描(CT) | 深度学习重建算法 | 医学图像 | NA | NA | NA | 边界语义解释质量, 异常重建检测能力 | NA |
| 1135 | 2025-03-17 |
Self-training EEG discrimination model with weakly supervised sample construction: An age-based perspective on ASD evaluation
2025-Mar-10, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107337
PMID:40088831
|
研究论文 | 本研究开发了一个名为STEM的自训练EEG判别模型框架，用于在标记样本有限的情况下优化自闭症谱系障碍（ASD）的评估 | STEM框架通过自训练模型和伪标签样本构建，解决了标记样本有限和个体差异的问题，特别是在ASD评估中表现出色 | 研究主要依赖于有限的标记样本，且样本来自ASD可疑儿童，可能限制了模型的泛化能力 | 优化EEG判别模型，提高ASD评估的准确性和适应性 | 自闭症谱系障碍（ASD）可疑儿童的静息态EEG数据 | 脑机接口 | 自闭症谱系障碍 | 自训练模型，伪标签样本构建 | AutoEncoder, BiGRU, 多任务学习模型（MAC） | EEG数据 | 175名不同年龄组的ASD可疑儿童 | NA | NA | NA | NA |
| 1136 | 2025-10-07 |
Toward understanding the role of genomic repeat elements in neurodegenerative diseases
2025-Mar-01, Neural regeneration research
IF:5.9Q1
DOI:10.4103/NRR.NRR-D-23-01568
PMID:38886931
|
综述 | 本文综述了基因组重复元件在神经退行性疾病中的作用及其分子机制 | 系统探讨了长读长测序技术和深度学习语言模型在解析重复元件变异功能影响中的创新应用 | NA | 理解基因组重复元件在神经退行性疾病中的角色 | 基因组重复元件变异 | 自然语言处理 | 神经退行性疾病 | 全基因组关联研究, 靶向测序, 长读长测序技术 | 深度学习语言模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 1137 | 2025-03-17 |
Can artificial intelligence lower the global sudden cardiac death rate? A narrative review
2025 Mar-Apr, Journal of electrocardiology
IF:1.3Q3
|
综述 | 本文探讨了人工智能在预测和预防心脏骤停中的作用和应用 | 综述了人工智能、机器学习和深度学习在心脏骤停风险分层中的显著前景，并提出了未来研究的方向 | 当前的人工智能技术尚未得到充分的训练和测试，需要进一步研究可解释性技术、更大的样本量、外部验证、更多样化的患者样本、多模态工具、伦理和偏见缓解 | 探索人工智能在预测和预防心脏骤停中的作用和应用 | 心脏骤停 | 机器学习 | 心血管疾病 | NA | 机器学习, 深度学习 | NA | NA | NA | NA | NA | NA |
| 1138 | 2025-03-16 |
Fast and reliable probabilistic reflectometry inversion with prior-amortized neural posterior estimation
2025-Mar-14, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adr9668
PMID:40085716
|
研究论文 | 本文提出了一种新的概率深度学习方法，用于快速可靠地从X射线或中子散射测量中重建薄膜和多层结构 | 提出了一种名为PANPE（先验摊销神经后验估计）的新方法，结合了基于模拟的推理和自适应先验，能够在几秒钟内识别所有现实结构 | 未明确提及具体限制 | 提高从反射测量数据中重建薄膜和多层结构的可靠性和计算效率 | 薄膜和多层结构 | 物理学 | NA | 反射测量 | PANPE（先验摊销神经后验估计） | X射线或中子散射测量数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 1139 | 2025-03-16 |
Deep learning models in classifying primary bone tumors and bone infections based on radiographs
2025-Mar-13, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-025-00855-3
PMID:40074845
|
研究论文 | 本研究开发了一种集成深度学习框架，用于基于X光片准确区分原发性骨肿瘤和骨感染 | 提出了一种集成深度学习框架，结合多中心X光片和广泛的临床特征，提高了诊断准确性 | 研究依赖于特定数据集，可能无法完全推广到其他医疗环境 | 提高原发性骨肿瘤和骨感染的诊断精度 | 原发性骨肿瘤和骨感染 | 计算机视觉 | 骨肿瘤 | 深度学习 | EfficientNet B3, EfficientNet B4, Vision Transformer, Swin Transformers | X光片 | 外部数据集423例，内部数据集1044例（训练集）、354例（测试集）、171例（验证集） | NA | NA | NA | NA |
| 1140 | 2025-03-16 |
AI in Histopathology Explorer for comprehensive analysis of the evolving AI landscape in histopathology
2025-Mar-12, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01524-2
PMID:40074858
|
研究论文 | 本文介绍了AI在组织病理学中的应用探索器（HistoPathExplorer），一个实时在线资源，用于评估AI在特定临床任务中的应用现状、分析其性能并探索影响其转化为实践的因素 | 开发了一个交互式仪表板HistoPathExplorer，提供了一个实时在线资源，用于评估AI在组织病理学中的应用现状，并定义了一个质量指数来评估已发表AI方法的全面性 | 未明确提及具体的研究限制 | 深入了解应用于组织病理学数据的深度学习算法方法，并评估其在不同任务中的表现，以开发下一代AI技术 | 组织病理学数据 | 数字病理学 | 癌症 | 深度学习算法 | NA | 组织病理学数据 | NA | NA | NA | NA | NA |