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 621 - 640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 621 | 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 |
| 622 | 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 |
| 623 | 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 |
| 624 | 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 |
| 625 | 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 |
| 626 | 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 |
| 627 | 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 |
| 628 | 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 |
| 629 | 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 |
| 630 | 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 |
| 631 | 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 |
| 632 | 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 |
| 633 | 2025-10-07 |
Advances in Infant Cry Paralinguistic Classification-Methods, Implementation, and Applications: Systematic Review
2025-Apr-29, JMIR rehabilitation and assistive technologies
DOI:10.2196/69457
PMID:40163619
|
系统综述 | 本文系统综述了过去24年婴儿哭声分类方法、实施和应用方面的进展 | 首次系统性地回顾婴儿哭声分类领域24年的发展历程，识别了从传统统计方法向机器学习和深度学习方法的转变趋势 | 90%的模型未在实际应用中部署，数据隐私和保密性考虑不足，联邦学习等去噪技术使用有限 | 系统回顾婴儿哭声分类技术的进展，识别该领域的最新趋势和发展方向 | 婴儿哭声信号 | 自然语言处理 | NA | 音频信号处理 | 机器学习,深度学习,混合方法 | 音频 | 126项符合条件的研究 | NA | NA | NA | NA |
| 634 | 2025-10-07 |
Renewable energy forecasting using optimized quantum temporal model based on Ninja optimization algorithm
2025-Apr-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97109-w
PMID:40289143
|
研究论文 | 本研究提出一种基于忍者优化算法的优化量子时序模型，用于提高可再生能源预测性能 | 首次将忍者优化算法(NiOA)与量子时序模型(QTM)结合，通过二进制忍者优化引擎实现特征选择优化 | 未明确说明数据集的具体规模和来源，缺乏与其他先进深度学习模型的详细对比 | 优化可再生能源预测的准确性和性能 | 可再生能源预测系统 | 机器学习 | NA | 深度学习，优化算法 | 量子时序模型(QTM) | 可再生能源时间序列数据 | NA | NA | 量子时序模型 | 准确率，RMSE | NA |
| 635 | 2025-05-01 |
The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning
2025-Apr-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99777-0
PMID:40289170
|
研究论文 | 本研究构建了一种基于物联网技术、复杂网络层次分析法和深度学习的工程实践教学评价模型，旨在提升高校工程实践教学质量管理效率 | 结合物联网技术、复杂网络层次分析法和深度学习（RNN和CNN）构建全新教学评价模型，并引入动态特性实现模型持续更新以适应教育环境变化 | 模型预测一致性存在波动（76-98%），且样本数据为模拟生成（500名学生），需进一步验证实际应用效果 | 优化高校工程实践教学质量评价体系 | 高校工程实践教学课程及学生表现数据 | 教育技术 | NA | NLP、GAN、复杂网络分析 | RNN、CNN | 课程文本数据、学生表现数据 | 10个专业的500名学生模拟数据 | NA | NA | NA | NA |
| 636 | 2025-05-01 |
Leveraging multi-source data and teleconnection indices for enhanced runoff prediction using coupled deep learning models
2025-Apr-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00115-1
PMID:40289219
|
research paper | 本研究通过结合统计和深度学习方法，提出了两种创新的耦合模型SRA-SVR和SRA-MLPR，以提高径流预测的准确性和稳定性 | 结合了统计和深度学习方法的优势，利用逐步回归分析处理高维数据和多重共线性，同时整合了80个大气环流指数作为遥相关变量 | 研究仅以雅砻江流域为案例进行模型验证，未在其他流域进行广泛测试 | 提高中长期的径流预测准确性，以支持洪水控制、干旱恢复、水资源开发和生态改善 | 雅砻江流域的径流数据 | machine learning | NA | Stepwise Regression Analysis (SRA), Support Vector Regression (SVR), Multi-Layer Perceptron Regression (MLPR), SHAP analysis | SRA-SVR, SRA-MLPR | hydrological data, atmospheric circulation indices | 雅砻江流域的径流数据及80个大气环流指数 | NA | NA | NA | NA |
| 637 | 2025-05-01 |
Sweet pepper yield modeling via deep learning and selection of superior genotypes using GBLUP and MGIDI
2025-Apr-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99779-y
PMID:40289216
|
研究论文 | 通过深度学习和GBLUP、MGIDI方法对甜椒产量进行建模并筛选优良基因型 | 结合卷积神经网络（CNN）模型与基因组最佳线性无偏预测（GBLUP）和多性状基因型-理想型距离指数（MGIDI），有效预测甜椒产量并筛选优良基因型 | 研究仅涉及29个甜椒种质，样本量较小 | 提高甜椒产量预测和优良基因型筛选的效率 | 甜椒（Capsicum annuum L.）种质 | 数字农业 | NA | ISSR标记、深度学习 | CNN、GBLUP、MGIDI | 形态性状数据、基因组数据 | 29个甜椒种质，每个种质3个重复 | NA | NA | NA | NA |
| 638 | 2025-10-07 |
[Cross-session motor imagery-electroencephalography decoding with Riemannian spatial filtering and domain adaptation]
2025-Apr-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202411035
PMID:40288968
|
研究论文 | 提出一种黎曼空间滤波与域自适应方法，用于提升跨会话运动想象脑电信号分类的准确性和效率 | 通过多模块协同框架解决源域与目标域数据分布不一致问题，显著提升跨会话MI-EEG分类模型的泛化能力 | 在复杂迁移学习场景中的适用性仍需进一步研究 | 提高跨会话运动想象脑机接口分类任务的性能 | 运动想象脑电信号 | 脑机接口 | NA | 脑电图 | 域自适应 | 脑电信号 | 三个公共数据集 | NA | 黎曼空间滤波 | 分类准确率, 计算效率 | NA |
| 639 | 2025-10-07 |
[Research progress in motor assessment of neurodegenerative diseases driven by motion capture data]
2025-Apr-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403004
PMID:40288984
|
综述 | 本文综述了基于运动捕捉数据的神经退行性疾病运动评估研究进展 | 将神经退行性疾病运动评估方法按特征提取方式分为统计分析、机器学习和深度学习三类进行对比分析 | NA | 探讨运动捕捉数据驱动的神经退行性疾病运动评估方法 | 神经退行性疾病患者的运动功能评估 | 机器学习 | 神经退行性疾病 | 运动捕捉技术 | 统计分析,机器学习,深度学习 | 运动捕捉数据 | NA | NA | NA | NA | NA |
| 640 | 2025-10-07 |
A review of machine learning methods for imbalanced data challenges in chemistry
2025-Apr-22, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc00270b
PMID:40271022
|
综述 | 本文系统回顾了化学领域中处理不平衡数据挑战的机器学习方法 | 首次全面梳理化学领域不平衡数据问题的解决方案，并强调数据增强、物理模型和大型语言模型等未来研究方向 | 作为综述文章，不包含原始实验数据验证 | 解决化学领域中不平衡数据对机器学习和深度学习模型的影响 | 化学领域中的不平衡数据集 | 机器学习 | NA | 机器学习，深度学习 | NA | 化学数据 | NA | NA | 大型语言模型 | NA | NA |