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 1367 篇文献，本页显示第 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2025-05-18 |
From Morphology to Gene Expression Profiling in Mycosis Fungoides: Is It Still a Diagnostic Challenge?
2025-Apr-25, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15091089
PMID:40361907
|
综述 | 本文回顾了蕈样肉芽肿（MF）最重要的临床病理特征，并探讨了人工智能在皮肤淋巴瘤诊断中的应用前景 | 结合深度学习与临床数据探索MF的组织学特征，提出人工智能在寻找疾病进展生物标志物方面的潜力 | 基因改变主要在疾病晚期被发现，其在疾病起始阶段的重要性尚不明确 | 提高蕈样肉芽肿的早期诊断准确性并阐明其发病机制 | 蕈样肉芽肿（MF）患者 | 数字病理学 | 皮肤淋巴瘤 | 全基因组表达分析 | 深度学习 | 组织学图像和临床数据 | NA | NA | NA | NA | NA |
| 382 | 2025-10-07 |
The Effectiveness of Deep Learning in the Differential Diagnosis of Hemorrhagic Transformation and Contrast Accumulation After Endovascular Thrombectomy in Acute Ischemic Stroke Patients
2025-Apr-24, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15091080
PMID:40361898
|
研究论文 | 本研究使用深度学习模型在急性缺血性卒中患者血管内血栓切除术后，通过非对比计算机断层扫描图像区分出血性转化和造影剂积聚 | 首次在急性缺血性卒中患者中应用多种CNN架构对EVT术后NCCT图像中的高密度区域进行HT和CA的自动鉴别 | 样本量相对较小（52名患者），所有数据来自单中心研究 | 开发基于深度学习的自动诊断工具，用于早期区分EVT术后NCCT图像中的HT和CA | 急性缺血性卒中接受血管内血栓切除术的患者 | 医学影像分析 | 急性缺血性卒中 | 非对比计算机断层扫描 | CNN | 医学影像 | 52名患者（21名女性，31名男性）的556张图像 | NA | DenseNet201, InceptionResNet, InceptionV3, NASNetLarge, ResNet50, ResNet101, VGG16, VGG19, Xception | 准确率, 损失值, 验证准确率, 验证损失, F1分数, ROC曲线, 混淆矩阵, 置信区间, p值分析, AUC | NA |
| 383 | 2025-05-18 |
Rapid and Efficient Screening of Helicobacter pylori in Gastric Samples Stained with Warthin-Starry Using Deep Learning
2025-Apr-24, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15091085
PMID:40361903
|
research paper | 该研究开发了一种结合特征金字塔网络和ResNet架构的深度学习算法，用于在Warthin-Starry染色的胃活检数字化图像中自动快速检测幽门螺杆菌 | 提出了一种结合特征金字塔网络和ResNet架构的新算法，显著减少了幽门螺杆菌检测的周转时间，并提高了诊断准确性，特别是对经验较少的人员 | NA | 开发一种自动快速检测幽门螺杆菌的算法，以减少检测周转时间并提高诊断准确性 | Warthin-Starry染色的胃活检数字化图像 | digital pathology | gastric cancer | deep learning | FPN, ResNet | image | NA | NA | NA | NA | NA |
| 384 | 2025-05-18 |
A Multivariate Linear Regression-Based Ultrasonic Non-Destructive Evaluating Method for Characterizing Weld Tensile Strength Properties
2025-Apr-24, Materials (Basel, Switzerland)
DOI:10.3390/ma18091925
PMID:40363429
|
研究论文 | 提出了一种基于多元线性回归的超声波无损评估方法，用于表征焊缝的拉伸强度特性 | 使用超声波无损评估方法替代传统的破坏性测试，能够在不破坏结构的情况下评估焊缝的拉伸强度 | 方法的准确率为76.3%，仍有提升空间，未来可以考虑使用深度学习方法提高准确性 | 开发一种无损评估焊缝拉伸强度的方法 | X80钢管的焊缝 | 无损检测 | NA | 超声波信号处理 | 多元线性回归(MLR) | 声学信号 | 240个测量点 | NA | NA | NA | NA |
| 385 | 2025-10-07 |
Developments in Deep Learning Artificial Neural Network Techniques for Medical Image Analysis and Interpretation
2025-Apr-23, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15091072
PMID:40361891
|
综述 | 本文系统回顾了深度学习在医学影像分析领域的最新进展与应用 | 全面探讨了CNN、RNN、自编码器、GAN、U-Net、视觉Transformer等多种深度学习架构在医学影像中的创新应用 | 面临数据可用性、模型可解释性、过拟合和计算资源需求等关键挑战 | 探索深度学习技术在医学影像分析和解读中的发展与应用 | 医学影像分析技术 | 计算机视觉 | NA | 深度学习 | CNN, RNN, Autoencoder, GAN | 医学影像 | NA | NA | U-Net, Vision Transformer, 混合模型 | NA | NA |
| 386 | 2025-10-07 |
Classification of Intraoral Photographs with Deep Learning Algorithms Trained According to Cephalometric Measurements
2025-Apr-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15091059
PMID:40361877
|
研究论文 | 本研究评估了基于头影测量值训练的深度学习算法在口腔内临床照片分类中的应用 | 首次使用实际头影测量值训练深度学习模型对口腔内照片进行分类，无需侧位头影测量X光片即可实现病例分类 | 不同分类和深度学习算法的准确率存在较大差异，部分分类准确率较低 | 评估深度学习算法在口腔内临床照片分类中的性能 | 990名患者的侧位头影测量片和右侧口腔内图像 | 计算机视觉 | 口腔正畸 | 头影测量分析 | CNN | 图像 | 990名患者 | NA | DenseNet 121,DenseNet 169,DenseNet 201,EfficientNet B0,EfficientNet V2,Inception V3,MobileNet V2,NasNetMobile,ResNet101,ResNet152,ResNet50,VGG16,VGG19,Xception | F1分数,准确率,精确率,召回率 | NA |
| 387 | 2025-05-18 |
A Novel Artificial Intelligence-Based Mobile Application for Pediatric Weight Estimation
2025-Apr-22, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm14092873
PMID:40363905
|
研究论文 | 开发并评估了一款基于人工智能的移动应用程序PAICam，用于儿科体重估计 | 利用MoveNet的人体姿态估计和深度神经网络回归模型进行体重预测，相比传统方法在受限位置下减少测量误差 | 研究样本仅包括1个月至12岁的儿科患者，可能不适用于其他年龄段 | 开发一种在紧急情况下准确估计儿科体重的替代工具 | 1个月至12岁的儿科患者 | 人工智能 | NA | MoveNet人体姿态估计，DNN回归模型 | DNN | 图像 | 1335名儿科参与者（57.4%男孩，42.6%女孩） | NA | NA | NA | NA |
| 388 | 2025-05-17 |
Evolving and Novel Applications of Artificial Intelligence in Cancer Imaging
2025-Apr-30, Cancers
IF:4.5Q1
DOI:10.3390/cancers17091510
PMID:40361437
|
综述 | 本文综述了人工智能在癌症影像学中的新兴应用及其对筛查、诊断和治疗的革命性影响 | 深入探讨了AI在癌症影像学中的最新应用，包括风险预测、肿瘤检测与分类、治疗预后预测等，并强调了多学科合作的重要性 | AI在医疗领域的整合面临数据准确性、患者隐私保护和模型泛化性等挑战，需要更多临床验证和跨机构研究 | 概述人工智能在肿瘤影像学中的应用及其局限性，推动精准医疗和患者治疗效果提升 | 癌症影像学中的AI应用 | 数字病理学 | 癌症 | 深度学习、机器学习 | 深度学习框架 | 影像数据 | NA | NA | NA | NA | NA |
| 389 | 2025-05-17 |
Multi-Modal Graph Neural Networks for Colposcopy Data Classification and Visualization
2025-Apr-30, Cancers
IF:4.5Q1
DOI:10.3390/cancers17091521
PMID:40361447
|
research paper | 提出了一种基于图神经网络的多模态框架，用于宫颈病变分类和可视化 | 整合了阴道镜图像、分割掩码和图表示的多模态数据，提高了病变分类的准确性 | 需要多模态数据输入，可能增加数据收集和处理的复杂性 | 改进宫颈病变分类方法，实现早期宫颈癌检测 | 宫颈病变数据 | digital pathology | cervical cancer | GNN, LIME | GCNConv | image, graph | NA | NA | NA | NA | NA |
| 390 | 2025-05-17 |
Advanced Feature Extraction for Cervical Cancer Image Classification: Integrating Neural Feature Extraction and AutoInt Models
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092826
PMID:40363261
|
research paper | 本研究提出了一种结合神经特征提取器和AutoInt模型的深度学习框架，用于宫颈癌图像分类 | 整合了基于预训练VGG16架构的神经特征提取器(NFE)和用于自动特征交互学习的AutoInt模型，提出了一种新颖的分类框架 | 未提及模型在临床环境中的实际应用验证 | 提高宫颈癌图像分类的准确性，特别是在资源有限的环境中 | 宫颈癌图像数据集 | digital pathology | cervical cancer | deep learning | VGG16, AutoInt, KNN, LGBM, Extra Trees, LDA | image | 公开可用的宫颈癌图像数据集(具体数量未提及) | NA | NA | NA | NA |
| 391 | 2025-05-17 |
Hybrid Deep Learning Framework for Continuous User Authentication Based on Smartphone Sensors
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092817
PMID:40363255
|
research paper | 提出了一种混合深度学习框架，用于基于智能手机传感器的连续用户认证 | 结合了计算机视觉和序列建模技术，包括ViT启发的补丁提取、多头注意力和BiLSTM网络，以从智能手机传感器数据中连续认证用户 | 仅在MotionSense和UCI HAR数据集上进行了实验，可能需要更多数据验证其普适性 | 提高移动设备安全性，解决传统一次性认证方法的漏洞 | 智能手机传感器数据 | machine learning | NA | ViT-inspired patch extraction, multi-head attention, BiLSTM | CNN, LSTM, Transformer, Informer | sensor data | MotionSense和UCI HAR数据集 | NA | NA | NA | NA |
| 392 | 2025-05-17 |
High-Precision 3D Reconstruction in Complex Scenes via Implicit Surface Reconstruction Enhanced by Multi-Sensor Data Fusion
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092820
PMID:40363257
|
研究论文 | 本文研究了一种基于深度学习的隐式表面重建方法，通过多传感器数据融合提高复杂场景中3D重建的精度 | 提出了一种新颖的深度神经网络，通过学习连续的符号距离函数（SDF）并结合多传感器特征表示，实现了多模态数据的无缝融合和精确的表面重建 | NA | 提高复杂场景中3D重建的精度 | 复杂场景的3D重建 | 计算机视觉 | NA | 多传感器数据融合 | 深度神经网络 | 3D数据 | NA | NA | NA | NA | NA |
| 393 | 2025-05-17 |
Improving High-Precision BDS-3 Satellite Orbit Prediction Using a Self-Attention-Enhanced Deep Learning Model
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092844
PMID:40363281
|
研究论文 | 本研究提出了一种名为SCINet-SA的自注意力增强深度学习模型，用于提高BDS-3卫星的超快速轨道预测精度 | 引入了自注意力机制的深度学习模型SCINet-SA，有效捕捉长期时间依赖性，显著提升了BDS-3超快速轨道预测的准确性 | 研究主要针对BDS-3系统，未与其他GNSS系统进行广泛比较 | 提高BDS-3卫星的超快速轨道预测精度 | BDS-3卫星的轨道数据 | 机器学习 | NA | 深度学习 | SCINet-SA（结合自注意力机制的深度学习模型） | 卫星轨道数据 | NA | NA | NA | NA | NA |
| 394 | 2025-05-17 |
A Bluetooth Indoor Positioning System Based on Deep Learning with RSSI and AoA
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092834
PMID:40363271
|
research paper | 提出了一种基于深度学习的蓝牙室内定位系统，结合RSSI和AoA测量，以提高复杂室内环境中的定位精度 | 结合Kalman滤波器减少AoA测量中的角度误差，使用中值滤波器和移动平均滤波器减少RSSI距离测量的波动，并提出了CNN-MHA模型 | NA | 提高复杂室内环境中的蓝牙定位精度 | 蓝牙室内定位系统 | machine learning | NA | RSSI, AoA | CNN, multi-head attention (MHA) | signal data | NA | NA | NA | NA | NA |
| 395 | 2025-05-17 |
CGLCS-Net: Addressing Multi-Temporal and Multi-Angle Challenges in Remote Sensing Change Detection
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092836
PMID:40363274
|
研究论文 | 提出了一种名为CGLCS-Net的新网络，用于解决遥感变化检测中的多时相和多角度挑战 | 引入了全局-局部上下文感知选择器（GLCAS）和基于子空间的自注意力融合（SSAF）模块，以增强对多尺度和不规则变化区域的特征表示能力 | 在处理来自多个传感器、不同视角和长时间跨度的遥感图像数据时，现有模型在动态交互和特征表示方面存在局限 | 提高遥感图像变化检测的准确性和效率，特别是在多时相和多角度场景下 | 遥感图像数据 | 计算机视觉 | NA | 深度学习和自注意力机制 | CNN和Transformer的混合架构 | 图像 | 三个公共数据集（LEVIR-CD、SYSU-CD和S2Looking） | NA | NA | NA | NA |
| 396 | 2025-05-17 |
Image Fusion and Target Detection Based on Dual ResNet for Power Sensing Equipment
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092858
PMID:40363295
|
研究论文 | 该论文提出了一种基于改进SIFT算法和双ResNet网络的图像融合与目标检测方法，用于提升电力传感设备中复杂环境下的目标检测能力 | 改进了传统SIFT配准算法，设计了双ResNet网络进行深度特征提取，提高了图像融合质量和目标检测精度 | 未明确说明算法在极端光照条件下的表现以及计算复杂度分析 | 提升电力传感网络中关键部件的目标检测精度 | 电力传感网络中的绝缘子等关键部件 | 计算机视觉 | NA | 改进SIFT算法，双ResNet网络 | ResNet | 红外与可见光图像 | 未明确说明具体样本数量，但涉及多组电力设备图像 | NA | NA | NA | NA |
| 397 | 2025-05-17 |
Bridging Domain Gaps in Computational Pathology: A Comparative Study of Adaptation Strategies
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092856
PMID:40363293
|
研究论文 | 本文比较了三种不同的领域适应策略在计算病理学中的应用效果 | 首次在计算病理学领域比较了FixMatch、CycleGAN和自监督特征提取器三种领域适应策略的性能 | 仅关注从单一源分布到目标域的适应，未考虑多源分布的情况 | 评估不同领域适应策略在计算病理学中的适用性 | H&E染色的全切片图像(WSI) | 数字病理学 | NA | 深度学习 | FixMatch, CycleGAN, 自监督特征提取器 | 图像 | NA | NA | NA | NA | NA |
| 398 | 2025-05-17 |
Deep Ensemble Learning for Application Traffic Classification Using Differential Model Selection Technique
2025-Apr-30, Sensors (Basel, Switzerland)
DOI:10.3390/s25092853
PMID:40363289
|
research paper | 提出了一种基于模型选择的集成学习方法，用于提高应用流量分类器的性能与推理时间的平衡 | 结合了基于模型选择的集成机制，以端到端学习方式优化分类器性能与推理时间的权衡 | 未提及具体的技术限制或数据集局限性 | 提高应用流量分类的准确性和时间效率 | 互联网应用流量数据 | machine learning | NA | deep ensemble learning | ensemble mechanism | traffic data | 两个公共数据集和一个私有数据集 | NA | NA | NA | NA |
| 399 | 2025-05-17 |
Correction: Improving the Robustness and Clinical Applicability of Automatic Respiratory Sound Classification Using Deep Learning-Based Audio Enhancement: Algorithm Development and Validation
2025-Apr-29, JMIR AI
DOI:10.2196/76150
PMID:40299541
|
correction | 对一篇关于使用深度学习进行呼吸音分类的算法开发与验证的文章进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 400 | 2025-05-17 |
Lung Cancer Risk Prediction in Patients with Persistent Pulmonary Nodules Using the Brock Model and Sybil Model
2025-Apr-29, Cancers
IF:4.5Q1
DOI:10.3390/cancers17091499
PMID:40361426
|
研究论文 | 评估Brock模型和Sybil模型在持续性肺结节患者中预测肺癌风险的表现 | 比较了基于临床和放射学特征的Brock模型与新型深度学习模型Sybil在肺癌风险预测中的表现，并尝试用机器学习模型优化风险评估 | 样本量相对较小，且仅基于医院队列，可能无法代表更广泛的人群 | 评估和优化持续性肺结节的肺癌风险预测模型 | 持续性肺结节患者 | 数字病理学 | 肺癌 | CT扫描 | Brock模型, Sybil模型, 逻辑回归模型 | 影像数据 | 回顾性队列130例，前瞻性队列301例 | NA | NA | NA | NA |