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 1368 篇文献，本页显示第 581 - 600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 581 | 2025-05-03 |
Detection of precancerous lesions in cervical images of perimenopausal women using U-net deep learning
2025-Apr-23, African journal of reproductive health
IF:0.7Q4
DOI:10.29063/ajrh2025/v29i4.10
PMID:40314307
|
研究论文 | 本研究开发了一种基于U-Net和ResNet的高效准确宫颈细胞图像分割与识别模型，用于提高围绝经期女性癌前病变的检测 | 结合U-Net与SegNet，并引入SE注意力机制构建2Se/U-Net分割模型；优化ResNet，采用LD-loss和DRL块构建LD/ResNet病变识别模型 | 研究仅基于103张围绝经期女性的细胞学图像，样本量较小 | 提高围绝经期女性宫颈癌前病变的检测效率和准确性 | 围绝经期女性的宫颈细胞图像 | 数字病理学 | 宫颈癌 | 深度学习 | U-Net, ResNet, SegNet, SE注意力机制 | 图像 | 103张围绝经期女性的细胞学图像 | NA | NA | NA | NA |
| 582 | 2025-05-03 |
A Paradigm of Computer Vision and Deep Learning Empowers the Strain Screening and Bioprocess Detection
2025-Apr, Biotechnology and bioengineering
IF:3.5Q2
DOI:10.1002/bit.28926
PMID:39821114
|
研究论文 | 本研究提出并验证了一种结合计算机视觉与深度学习的创新研究范式，以促进高效菌株筛选和有效发酵过程优化 | 结合计算机视觉与深度学习，开发了一种用于菌株筛选和发酵过程优化的视觉传感研究范式 | NA | 提高菌株筛选和发酵过程优化的效率和稳定性 | 庆大霉素C1a效价和荧光蛋白表达 | 计算机视觉 | NA | 计算机视觉、深度学习 | 1D-CNN | 图像 | NA | NA | NA | NA | NA |
| 583 | 2025-05-03 |
DIFLF: A domain-invariant features learning framework for single-source domain generalization in mammogram classification
2025-Apr, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108592
PMID:39813937
|
研究论文 | 提出了一种用于乳腺X光片分类的单源域泛化的域不变特征学习框架（DIFLF） | 通过风格增强模块（SAM）和内容-风格解耦模块（CSDM）增加源域特征多样性并提取域不变特征 | 仅使用单一源数据集进行训练，可能无法覆盖所有可能的域偏移情况 | 提高深度学习模型在乳腺X光片分类中的跨域泛化能力 | 乳腺X光片 | 计算机视觉 | 乳腺癌 | 深度学习 | DIFLF（包含SAM和CSDM模块） | 图像 | 一个私有数据集（PRI1）用于训练，另一个私有数据集（PRI2）和两个公共数据集（INbreast和MIAS）用于测试 | NA | NA | NA | NA |
| 584 | 2025-05-03 |
Neurophysiological data augmentation for EEG-fNIRS multimodal features based on a denoising diffusion probabilistic model
2025-Apr, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108594
PMID:39813939
|
研究论文 | 提出了一种基于去噪扩散概率模型和高斯噪声添加的EEG-fNIRS数据增强框架，以提高混合脑机接口系统的性能 | 结合去噪扩散概率模型（DDPM）和传统高斯噪声添加方法，首次为EEG-fNIRS混合信号创建联合分布样本并进行数据增强 | 研究依赖于特定任务的数据集，可能无法直接推广到其他脑机接口应用场景 | 解决脑机接口系统中脑信号数据稀缺问题，提高深度学习模型性能 | EEG和fNIRS混合脑信号数据 | 脑机接口 | NA | 去噪扩散概率模型（DDPM），高斯噪声添加 | DDPM | EEG-fNIRS多模态神经生理信号 | 三个公开数据库和一个自采集数据库 | NA | NA | NA | NA |
| 585 | 2025-05-03 |
A comparative study of the EAT-Lancet diet and the Mediterranean diet in relation to neuroimaging biomarkers and cognitive performance
2025-Apr, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.70191
PMID:40302043
|
research paper | 比较EAT-Lancet饮食与地中海饮食对老年人神经影像生物标志物和认知表现的影响 | 首次比较EAT-Lancet行星健康饮食与地中海饮食对大脑健康的影响 | 研究对象仅限于瑞典70岁无痴呆老年人，样本代表性有限 | 评估两种饮食模式对大脑健康和认知功能的影响 | 615名70岁无痴呆老年人 | 神经科学 | 阿尔茨海默病 | 神经影像测量（皮质厚度、海马体积、小血管疾病、深度学习脑年龄） | 深度学习 | 神经影像数据、认知评估数据 | 615名来自瑞典哥德堡H70出生队列研究的70岁老年人 | NA | NA | NA | NA |
| 586 | 2025-05-03 |
Reconstructing illusory camouflage patterns on moth wings using computer vision
2025-Apr, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0757
PMID:40304197
|
research paper | 利用计算机视觉技术重建蛾翅膀上的伪装图案，探索动物颜色图案如何利用深度感知机制产生错觉 | 首次利用先进的计算机视觉算法（如单图像单目深度估计）来重建动物颜色图案产生的潜在视觉错觉 | 研究仅针对六种蛾类物种，且深度感知模型的性能受限于自然世界的经验 | 探索动物颜色图案如何利用单目深度线索（如阴影）产生三维错觉，以实现伪装等功能 | 六种蛾类（鳞翅目）的翅膀图案 | computer vision | NA | intrinsic image decomposition, deep learning | Retinex-based model, deep-learning models | image | 六种蛾类物种的翅膀图案 | NA | NA | NA | NA |
| 587 | 2025-05-01 |
Correction: Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug‑in modules
2025-Apr-29, Knee surgery & related research
IF:4.1Q1
DOI:10.1186/s43019-025-00268-3
PMID:40302005
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 588 | 2025-05-02 |
Harnessing deep learning to monitor people's perceptions towards climate change on social media
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97441-1
PMID:40295576
|
研究论文 | 利用深度学习监测社交媒体上人们对气候变化的看法 | 提出了一种基于自然语言处理的可扩展方法框架，用于长期监测社交媒体用户对气候变化的看法和反应 | 研究仅针对西班牙、葡萄牙和英语的社交媒体帖子，可能无法代表全球范围内的观点 | 监测和分析社交媒体上人们对气候变化的看法，以支持基于数据的决策 | 社交媒体用户对气候变化的看法和反应 | 自然语言处理 | NA | 自然语言处理 | 深度学习 | 文本 | 1771千条来自西班牙、葡萄牙和英语的X/Twitter帖子 | NA | NA | NA | NA |
| 589 | 2025-05-02 |
SkinEHDLF a hybrid deep learning approach for accurate skin cancer classification in complex systems
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98205-7
PMID:40295588
|
research paper | 提出了一种名为SkinEHDLF的混合深度学习模型，用于提高皮肤癌分类的准确性 | 结合了ConvNeXt、EfficientNetV2和Swin Transformer的优势，并引入了自适应注意力特征融合机制 | 未提及具体局限性 | 提高皮肤癌分类的准确性和可靠性 | 皮肤病变图像 | computer vision | skin cancer | 深度学习 | ConvNeXt, EfficientNetV2, Swin Transformer | image | 401,059张皮肤病变图像 | NA | NA | NA | NA |
| 590 | 2025-05-02 |
Optimizing photovoltaic integration in grid management via a deep learning-based scenario analysis
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98724-3
PMID:40295668
|
research paper | 该研究开发了一种结合深度学习技术的双阶段优化模型，以解决光伏系统并入电网的挑战 | 利用生成对抗网络（GANs）模拟多样化和高分辨率的能源生成-消耗模式，并通过实时自适应控制框架进行动态调整，显著提升电网效率和稳定性 | 未提及具体的地理或气候条件限制，可能影响模型的普适性 | 优化光伏系统在电网管理中的集成，提高经济与环境效益 | 光伏系统与电网的集成管理 | machine learning | NA | GANs | GAN | 能源生成与消耗数据 | NA | NA | NA | NA | NA |
| 591 | 2025-05-02 |
Impact of fine-tuning parameters of convolutional neural network for skin cancer detection
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99529-0
PMID:40295678
|
research paper | 该研究探讨了卷积神经网络（CNN）参数微调对皮肤癌检测性能的影响 | 通过调整CNN的层数、Conv2D层的滤波器数量及去除dropout层，显著提高了分类器的准确率，从62.5%提升至85% | 研究未涉及其他类型的深度学习模型或更广泛的数据集验证 | 优化CNN参数以提高皮肤癌图像数据集的分类准确率 | 皮肤癌图像数据集 | computer vision | skin cancer | NA | CNN | image | NA | NA | NA | NA | NA |
| 592 | 2025-05-02 |
Deep learning-based tennis match type clustering
2025-Apr-28, BMC sports science, medicine & rehabilitation
DOI:10.1186/s13102-025-01147-w
PMID:40296175
|
研究论文 | 本研究旨在基于比赛方式定义和聚类网球比赛类型 | 首次使用深度学习模型对网球比赛类型进行聚类分析，并识别出四种不同的比赛类型 | 样本量较小，仅包含2023年国际网球公开赛五场决赛的32场比赛 | 聚类网球比赛类型并为每种类型制定比赛策略 | 2023年国际网球公开赛五场决赛的32场比赛 | 机器学习 | NA | 深度学习 | 三种未指定具体名称的聚类模型 | 比赛记录数据 | 32场比赛 | NA | NA | NA | NA |
| 593 | 2025-05-02 |
Publisher Correction: The intelligent fault identification method based on multi-source information fusion and deep learning
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99035-3
PMID:40295585
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 594 | 2025-05-02 |
18F-FDG PET/CT-based deep learning models and a clinical-metabolic nomogram for predicting high-grade patterns in lung adenocarcinoma
2025-Apr-28, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01684-3
PMID:40295979
|
research paper | 开发并验证基于18F-FDG PET/CT图像的深度学习和传统临床代谢模型，用于无创预测侵袭性肺腺癌的高级别模式 | 结合深度学习和临床代谢参数构建预测模型，并通过列线图可视化 | 样本量较小且为回顾性研究，可能影响模型的泛化能力 | 预测侵袭性肺腺癌的高级别模式 | 303名侵袭性肺腺癌患者 | digital pathology | lung cancer | 18F-FDG PET/CT | DL (deep learning), logistic regression | image (PET/CT) | 303名患者，按7:1:2比例分为训练集、验证集和测试集 | NA | NA | NA | NA |
| 595 | 2025-05-02 |
DTC-m6Am: A Framework for Recognizing N6,2'-O-dimethyladenosine Sites in Unbalanced Classification Patterns Based on DenseNet and Attention Mechanisms
2025-Apr-24, Frontiers in bioscience (Landmark edition)
DOI:10.31083/FBL36603
PMID:40302345
|
研究论文 | 提出了一种基于DenseNet和注意力机制的深度学习模型DTC-m6Am，用于识别RNA中的N6,2'-O-二甲基腺苷（m6Am）位点 | 结合DenseNet和TCN模块提取局部和全局特征，并引入CBAM注意力机制优化特征提取，使用焦点损失函数解决数据不平衡问题 | 未明确说明模型在更广泛RNA序列上的泛化能力 | 开发高效的计算工具预测m6Am位点，以研究其在转录和转录后水平的功能机制 | RNA中的m6Am修饰位点 | 生物信息学 | NA | One-Hot编码，深度学习 | DenseNet, TCN, CBAM | RNA序列数据 | 未明确说明样本数量 | NA | NA | NA | NA |
| 596 | 2025-05-02 |
Cooking loss estimation of semispinalis capitis muscle of pork butt using a deep neural network on hyperspectral data
2025-Apr, Meat science
IF:5.7Q1
DOI:10.1016/j.meatsci.2025.109754
PMID:39799874
|
研究论文 | 本研究评估了一种基于深度学习的模型，利用死后24小时采集的高光谱图像预测猪颈肉半棘肌的烹饪损失 | 首次将深度学习模型应用于高光谱图像数据，预测猪颈肉半棘肌的烹饪损失，并通过像素级数据增强克服小样本问题 | 样本量相对较小（70个猪颈肉），且分类准确率随等级数量增加而下降 | 开发一种非破坏性方法来预测猪颈肉的质量特性 | 猪颈肉的半棘肌（SC肌肉） | 计算机视觉 | NA | 高光谱成像 | 深度学习模型（具体未说明），对比PCR和PLSR模型 | 高光谱图像 | 70个猪颈肉样本，采用像素级数据增强 | NA | NA | NA | NA |
| 597 | 2025-05-02 |
Improved Pine Wood Nematode Disease Diagnosis System Based on Deep Learning
2025-Apr, Plant disease
IF:4.4Q1
DOI:10.1094/PDIS-06-24-1221-RE
PMID:40267359
|
研究论文 | 本研究提出了一种基于深度学习的松材线虫病诊断系统，通过荧光识别技术提高检测效率和准确性 | 首次将荧光识别技术应用于松材线虫病检测，并开发了集激发、检测、数据分析与传输于一体的专用系统，改进了YOLOv5模型，提高了大尺寸图像的识别精度 | 未提及系统在不同环境条件下的稳定性和泛化能力 | 开发快速有效的松材线虫病检测方法以减少病害传播和松树砍伐 | 松材线虫病 | 计算机视觉 | 植物病害 | 荧光识别技术 | 改进的YOLOv5（集成Res2Net、SimAM注意力机制和Bi-FPN） | 图像 | 未明确提及具体样本数量，但系统可检测DNA浓度低至1 fg/μl的样本 | NA | NA | NA | NA |
| 598 | 2025-05-02 |
Deep learning and its applications in nuclear magnetic resonance spectroscopy
2025 Apr-Jun, Progress in nuclear magnetic resonance spectroscopy
IF:7.3Q1
DOI:10.1016/j.pnmrs.2024.101556
PMID:40306798
|
综述 | 本文综述了深度学习在核磁共振光谱中的基础知识和当前应用，并指出了现有挑战和改进方向 | 深度学习技术在核磁共振光谱中的应用展示了在速度和准确性上的显著改进 | 深度学习在核磁共振中的应用仍面临数据量和模型泛化能力的挑战 | 探讨深度学习如何解决核磁共振光谱中的获取时间长和灵敏度低的问题 | 核磁共振光谱技术及其在化学、生物学和医学领域的应用 | 机器学习 | NA | 核磁共振光谱 | 深度学习 | 光谱数据 | NA | NA | NA | NA | NA |
| 599 | 2025-10-07 |
Determinants of ascending aortic morphology: cross-sectional deep learning-based analysis on 25 073 non-contrast-enhanced NAKO MRI studies
2025-Apr-30, European heart journal. Cardiovascular Imaging
DOI:10.1093/ehjci/jeaf081
PMID:40052574
|
研究论文 | 基于深度学习自动分析25073例非对比增强MRI数据，研究升主动脉形态的决定因素 | 首次在大规模流行病学队列中应用深度学习自动分割胸主动脉，并结合因果分析揭示升主动脉直径的决定因素 | 研究为横断面设计，无法确定因果关系的时间顺序，且仅基于德国人群数据 | 探究升主动脉形态的决定因素及其与心血管健康的关系 | 25073名德国国家队列(NAKO)参与者的非对比增强磁共振血管成像数据 | 医学影像分析 | 心血管疾病 | 非对比增强磁共振血管成像(NC-MRA) | 深度学习 | 3D MRI图像 | 25073例NC-MRA研究 | NA | NA | 决定系数(r²), P值 | NA |
| 600 | 2025-10-07 |
Hyperspectral Imaging and Deep Learning for Quality and Safety Inspection of Fruits and Vegetables: A Review
2025-Apr-30, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.4c11492
PMID:40237548
|
综述 | 本文综述了高光谱成像技术结合深度学习方法在果蔬质量安全检测中的应用现状与前景 | 系统整合高光谱成像与深度学习技术在果蔬质量检测中的最新应用，提出未来研究方向包括成本优化、个性化特征提取和模型泛化能力提升 | NA | 探讨高光谱成像与深度学习技术在果蔬质量安全检测中的应用潜力与发展方向 | 水果和蔬菜的质量安全检测 | 计算机视觉 | NA | 高光谱成像技术 | 深度学习 | 高光谱图像 | NA | NA | NA | 检测精度, 检测效率 | NA |