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 881 - 900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 881 | 2025-10-07 |
Application of Artificial Intelligence in Thoracic Radiology: A Narrative Review
2025-Apr, Tuberculosis and respiratory diseases
IF:2.5Q2
DOI:10.4046/trd.2024.0062
PMID:39689720
|
综述 | 本文综述人工智能在胸部放射学领域的最新应用进展与未来发展方向 | 系统梳理深度学习在胸部放射学中的最新成果，并探讨该前沿技术的当前局限与发展方向 | NA | 探讨人工智能在胸部放射学中的应用潜力与发展前景 | 胸部放射学中的人工智能技术 | 计算机视觉 | NA | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 882 | 2025-10-07 |
Evaluation of the effectiveness of panoramic radiography in impacted mandibular third molars on deep learning models developed with findings obtained with cone beam computed tomography
2025-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-024-00799-7
PMID:39729224
|
研究论文 | 本研究利用锥形束计算机断层扫描标注的全景放射影像，评估不同深度学习模型在下颌第三磨牙阻生与下颌管关系识别中的性能 | 首次将CBCT标注数据用于训练PR图像的深度学习模型，并系统比较了三种CNN架构在四个不同分类问题上的表现 | 样本量相对有限（546颗阻生牙），仅评估了三种CNN架构 | 评估基于CBCT标注训练的深度学习模型在全景放射影像中识别下颌第三磨牙阻生与下颌管关系的有效性 | 290名患者的546颗下颌第三磨牙阻生 | 计算机视觉 | 口腔疾病 | 锥形束计算机断层扫描，全景放射成像 | CNN | 医学影像 | 290名患者的546颗下颌第三磨牙阻生 | NA | SqueezeNet, GoogLeNet, Inception-v3 | 准确率 | NA |
| 883 | 2025-10-07 |
A novel deep learning-based pipeline architecture for pulp stone detection on panoramic radiographs
2025-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00804-7
PMID:39806222
|
研究论文 | 提出一种基于深度学习的两阶段流水线架构，用于在全景X光片上检测牙髓结石 | 首次提出针对全景影像牙髓结石检测的流水线架构，采用小样本标注数据的现实场景 | 标注训练数据有限 | 开发自动检测牙髓结石的方法 | 牙髓结石 | 计算机视觉 | 牙科疾病 | 全景X光摄影 | CNN | 图像 | 375张全景影像 | NA | YOLOv8, ResNeXt | 准确率, 精确率, 召回率, 假阴性率, 假阳性率, F1分数 | NA |
| 884 | 2025-10-07 |
Deep learning-based MVIT-MLKA model for accurate classification of pancreatic lesions: a multicenter retrospective cohort study
2025-Apr, La Radiologia medica
DOI:10.1007/s11547-025-01949-5
PMID:39832039
|
研究论文 | 开发并验证基于CT图像的深度学习模型MVIT-MLKA用于胰腺病变的准确分类 | 提出新型混合模型MVIT-MLKA，整合CNN和Transformer架构，并引入多尺度大核注意力机制 | 回顾性研究设计，仅使用三个医疗中心的数据 | 开发深度学习模型用于胰腺病变的良恶性分类 | 胰腺病变患者 | 计算机视觉 | 胰腺癌 | CT成像 | 深度学习, CNN, Transformer | CT图像 | 864名患者（422名男性，442名女性）来自三个医疗中心 | NA | MVIT-MLKA（多尺度大核注意力移动视觉Transformer） | AUC, 准确率, 敏感性 | NA |
| 885 | 2025-10-07 |
Kernel Conversion Improves the Correlation between the Extent of Emphysema and Clinical Parameters in Chronic Obstructive Pulmonary Disease: A Multicenter Cohort Study
2025-Apr, Tuberculosis and respiratory diseases
IF:2.5Q2
DOI:10.4046/trd.2024.0166
PMID:39904364
|
研究论文 | 通过核转换技术处理CT图像，评估其对慢性阻塞性肺疾病患者肺气肿程度与临床参数相关性的改善效果 | 首次在多中心研究中应用核转换技术标准化不同CT设备的图像，显著提高了肺气肿指数与临床参数的相关性 | 研究仅纳入韩国COPD患者，样本来源相对单一；未评估其他图像标准化方法的对比效果 | 评估核转换技术对改善CT图像中肺气肿程度与临床参数相关性的效果 | 慢性阻塞性肺疾病患者 | 医学影像分析 | 慢性阻塞性肺疾病 | 计算机断层扫描，核转换技术，深度学习 | 深度学习模型 | CT图像 | 484名COPD患者 | NA | NA | 相关系数 | NA |
| 886 | 2025-04-23 |
Physical Considerations in Memory and Information Storage
2025-Apr, Annual review of physical chemistry
IF:11.7Q1
|
review | 本文从能量学、动力学和统计力学的角度回顾了信息存储和检索的原理 | 探讨了Hopfield联想记忆模型的物理实现及其与深度学习中的能量基神经网络的联系 | 未提及具体实验验证或实际应用案例 | 理解稳健信息处理的物理原理 | 信息存储和检索的物理系统 | machine learning | NA | NA | Hopfield model, energy-based neural networks | NA | NA | NA | NA | NA | NA |
| 887 | 2025-10-07 |
An energy-aware heart disease prediction system using ESMO and optimal deep learning model for healthcare monitoring in IoT
2025-Apr, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2023.2298736
PMID:38165748
|
研究论文 | 提出一种基于增强蜘蛛猴优化算法和权重优化深度神经网络的心血管疾病预测系统，用于物联网医疗监护环境 | 结合增强蜘蛛猴优化算法进行能量感知的集群优化，并采用改进的阿基米德权重优化深度神经网络进行疾病预测 | NA | 开发能量高效的心血管疾病预测系统以提升物联网医疗监护效能 | 心血管疾病患者数据 | 机器学习 | 心血管疾病 | 物联网数据采集 | 深度神经网络 | 医疗数据 | NA | NA | EAWO-DNN | 准确率,精确率,召回率,F1分数 | NA |
| 888 | 2025-10-07 |
Revolutionizing Breast Cancer Care: AI-Enhanced Diagnosis and Patient History
2025-Apr, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2023.2300681
PMID:38178694
|
研究论文 | 本研究提出了一种结合人工智能和机器学习的综合方法，用于乳腺癌诊断和医疗史生成 | 整合传统机器学习与深度学习方法的协同效应，并采用AI驱动的动态问诊系统 | 未明确说明样本规模和数据来源的具体细节 | 提高乳腺癌诊断准确性和简化医疗史记录流程 | 乳腺癌患者诊断和医疗史数据 | 医疗人工智能 | 乳腺癌 | 机器学习、深度学习、自然语言处理 | SVM,KNN,Fuzzy Logic,深度学习模型 | 医疗数据、患者响应数据 | NA | NA | GPT-3.5 | 准确率 | NA |
| 889 | 2025-10-07 |
A pooling convolution model for multi-classification of ECG and PCG signals
2025-Apr, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2023.2299697
PMID:38193152
|
研究论文 | 提出一种用于心电信号和心音信号多分类的池化卷积模型 | 设计了包含卷积层和最大池化层的堆叠块(MCM)及其变体，以及残差块(REC)，能处理不同采样率的生理信号 | NA | 提高心血管疾病检测效率 | 心电图(ECG)和心音图(PCG)信号 | 机器学习 | 心血管疾病 | 深度学习 | CNN | 生理信号 | 多个ECG和PCG数据集 | NA | MCM, REC | 准确率 | NA |
| 890 | 2025-10-07 |
Role of artificial intelligence in predicting disease-related malnutrition - A narrative review
2025-Apr-21, Nutricion hospitalaria
IF:1.2Q4
DOI:10.20960/nh.05672
PMID:39873467
|
综述 | 本文探讨人工智能在预测疾病相关营养不良中的潜在应用 | 首次系统评估机器学习和深度学习模型在DRM预测与管理中的临床应用价值 | 需要大量标准化数据，与现有系统集成存在挑战 | 探索人工智能技术如何改变临床环境中疾病相关营养不良的预测和管理 | 疾病相关营养不良患者 | 机器学习 | 营养不良 | 机器学习，深度学习 | ML，DL | 电子健康记录 | NA | NA | NA | NA | NA |
| 891 | 2025-04-22 |
A fully automated, expert-perceptive image quality assessment system for whole-body [18F]FDG PET/CT
2025-Apr-18, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-025-01238-2
PMID:40249445
|
research paper | 开发了一种基于深度学习的全自动图像质量评估系统，用于评估[18F]FDG PET/CT全身扫描的图像质量 | 首次将Vision Transformer、Transposed Attention和Scale Swin Transformer Blocks集成到MANIQA框架中，实现了全自动、可解释的临床全身PET/CT图像质量评估 | 研究为回顾性多中心研究，可能存在选择偏倚；模型在CT图像质量评估方面的Spearman系数相对较低 | 开发一个专家感知的深度学习图像质量评估系统，解决临床全身PET/CT图像质量缺乏自动化、可解释评估的问题 | 718名患者的临床全身[18F]FDG PET/CT扫描图像 | digital pathology | NA | PET/CT扫描 | Vision Transformer, Transposed Attention, Scale Swin Transformer Blocks | image | 718名患者的PET/CT扫描图像 | NA | NA | NA | NA |
| 892 | 2025-04-22 |
A prediction method for radiation proctitis based on SAM-Med2D model
2025-Apr-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87409-6
PMID:40251184
|
研究论文 | 提出一种基于SAM-Med2D模型的放射性直肠炎预测方法，结合深度学习和放射组学分析 | 结合Transformer-based SAM-Med2D模型进行初始分割，随后进行详细的放射组学分析，以提高放射性直肠炎的预测准确性 | 需要大量手动注释，且放射组学特征可能缺乏普适性 | 优化宫颈癌放疗中放射性直肠炎的诊断和预测策略 | 宫颈癌患者的CT图像 | 数字病理 | 宫颈癌 | CT成像 | SAM-Med2D, logistic regression, random forest, naive Gaussian Bayesian | 图像 | NA | NA | NA | NA | NA |
| 893 | 2025-04-22 |
DrugGen enhances drug discovery with large language models and reinforcement learning
2025-Apr-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98629-1
PMID:40251288
|
研究论文 | 介绍了一种基于大型语言模型和强化学习的增强模型DrugGen，用于改进药物发现过程 | DrugGen通过微调已批准的药物-靶点相互作用数据，并利用近端策略优化和预训练变换器的蛋白质-配体结合亲和力预测反馈，显著提高了药物分子的生成质量和效率 | 虽然DrugGen在生成有效结构和预测结合亲和力方面表现优异，但未提及其在真实临床环境中的验证情况 | 改进传统药物设计方法，提高药物发现的效率和质量 | 小分子药物生成 | 机器学习 | NA | 大型语言模型、强化学习、近端策略优化(PPO) | Transformer-based model (DrugGen) | 蛋白质序列、药物-靶点相互作用数据 | 多个靶点评估（具体数量未提及） | NA | NA | NA | NA |
| 894 | 2025-04-22 |
Exploring a multi-path U-net with probability distribution attention and cascade dilated convolution for precise retinal vessel segmentation in fundus images
2025-Apr-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98021-z
PMID:40251298
|
research paper | 该论文提出了一种结合注意力机制和级联扩张卷积模块的多路径U-Net架构，用于精确分割眼底图像中的视网膜血管 | 创新点包括开发了双路径U-Net以分别提取粗糙和精细血管结构，集成了级联扩张卷积模块以捕获多尺度血管特征，并采用了概率分布注意力机制来调整概率分布，增强浅层信息的贡献 | 未明确提及具体局限性 | 提高眼底图像中视网膜血管分割的准确性 | 眼底图像中的视网膜血管 | computer vision | NA | 深度学习 | multi-path U-Net, CNN | image | 三个基准数据集（CHASEDB1、DRIVE和STARE） | NA | NA | NA | NA |
| 895 | 2025-04-22 |
AI analysis for ejection fraction estimation from 12-lead ECG
2025-Apr-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97113-0
PMID:40251349
|
research paper | 该研究探讨了使用12导联心电图（ECG）信号通过机器学习和深度学习模型估计心脏射血分数（EF）的潜力，特别关注农村阿巴拉契亚地区人群 | 研究首次在农村阿巴拉契亚地区人群中应用AI模型进行EF估计，并比较了不同ECG导联组合的效果，同时进行了模型可解释性分析 | 研究数据主要来自西弗吉尼亚州的医院，可能无法完全代表其他农村地区的人群特征 | 开发基于AI的EF估计方法，以替代昂贵且不易获取的超声心动图检查 | 55,500名来自西弗吉尼亚州医院的患者 | machine learning | cardiovascular disease | 12-lead ECG | Random Forest, Transformers | ECG信号数据 | 55,500名患者 | NA | NA | NA | NA |
| 896 | 2025-04-22 |
GRLGRN: graph representation-based learning to infer gene regulatory networks from single-cell RNA-seq data
2025-Apr-18, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06116-1
PMID:40251476
|
研究论文 | 提出了一种名为GRLGRN的深度学习模型，用于从单细胞RNA测序数据中推断基因调控网络 | 使用图变换网络从先验GRN中提取隐含链接，并结合基因表达谱矩阵编码基因特征，利用注意力机制改进特征提取 | 面临细胞异质性、测量噪声和数据丢失等挑战 | 研究基因调控网络的重建，以探索细胞动态、药物设计和代谢系统 | 单细胞RNA测序数据和基因调控网络 | 机器学习 | NA | scRNA-seq | graph transformer network | 基因表达数据 | 七个细胞系数据集和三个真实网络 | NA | NA | NA | NA |
| 897 | 2025-04-22 |
Smart contours: deep learning-driven internal gross tumor volume delineation in non-small cell lung cancer using 4D CT maximum and average intensity projections
2025-Apr-18, Radiation oncology (London, England)
DOI:10.1186/s13014-025-02642-7
PMID:40251610
|
research paper | 本研究提出了一种基于深度学习的自动内部总肿瘤体积（IGTV）分割方法，用于非小细胞肺癌（NSCLC）的4D CT最大和平均强度投影图像 | 使用4D CT的最大和平均强度投影（MIP和AIP）直接进行IGTV分割，而非传统的多期相4D CT方法 | 研究样本量较小（124例患者），且为回顾性研究 | 开发自动化IGTV分割方法以提高非小细胞肺癌放疗计划的准确性和一致性 | 非小细胞肺癌患者的4D CT图像 | digital pathology | lung cancer | 4D CT成像 | U-net, attention U-net, V-net | 医学影像（CT图像） | 124例NSCLC患者（87例训练集，37例验证集） | NA | NA | NA | NA |
| 898 | 2025-04-22 |
Rapid COD Sensing in Complex Surface Water Using Physicochemical-Informed Spectral Transformer with UV-Vis-SWNIR Spectroscopy
2025-Apr-08, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.4c14209
PMID:40053333
|
研究论文 | 该论文提出了一种结合物理化学信息的Transformer模型（PIST）与紫外-可见-短波近红外光谱（UV-vis-SWNIR）技术，用于复杂地表水中的化学需氧量（COD）快速检测 | 首次将Transformer模型与光谱技术结合用于水质检测，并引入了物理化学信息块以增强模型的领域适应性和特征提取能力 | 未提及模型在其他类型水质或更大规模数据集上的泛化能力测试 | 提高复杂水环境中化学需氧量（COD）的快速检测准确性和一致性 | 地表水（包括长江和鄱阳湖） | machine learning | NA | UV-vis-SWNIR spectroscopy | Transformer (PIST) | spectral data | 实际地表水光谱数据集（覆盖长江和鄱阳湖等广泛地理区域） | NA | NA | NA | NA |
| 899 | 2025-04-21 |
Deep learning model DeepNeo predicts neointimal tissue characterization using optical coherence tomography
2025-Apr-17, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-00835-5
PMID:40247001
|
研究论文 | 本文介绍了一种名为DeepNeo的深度学习模型，用于通过光学相干断层扫描（OCT）自动分割和分类新生内膜组织 | DeepNeo是首个能够完全自动化分割和分类新生内膜组织的深度学习算法，其性能与人类专家相当 | 研究样本量相对较小，仅包含1148帧来自92个OCT回拉图像，且动物模型仅使用了新西兰白兔 | 开发一种自动化工具，用于评估经皮冠状动脉介入治疗（PCI）后的血管愈合情况 | 新生内膜组织的光学相干断层扫描（OCT）图像 | 数字病理学 | 心血管疾病 | 光学相干断层扫描（OCT） | 深度学习模型（DeepNeo） | 图像 | 1148帧来自92个OCT回拉图像，以及新西兰白兔动物模型 | NA | NA | NA | NA |
| 900 | 2025-04-21 |
Enhanced anomaly network intrusion detection using an improved snow ablation optimizer with dimensionality reduction and hybrid deep learning model
2025-Apr-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97398-1
PMID:40247081
|
研究论文 | 提出了一种结合优化算法、降维技术和混合深度学习模型的增强型异常网络入侵检测方法 | 结合了改进的雪消融优化器(ISAO)、降维技术和LSTM-AE混合模型，提高了异常入侵检测的准确率 | 仅在CIC-IDS2017数据集上进行了验证，未在其他数据集上测试泛化能力 | 开发更强大可靠的网络入侵检测系统以提高网络安全 | 网络入侵行为 | 网络安全 | NA | 机器学习(ML)、深度学习(DL)、降维技术 | LSTM-AE混合模型 | 网络流量数据 | CIC-IDS2017数据集 | NA | NA | NA | NA |