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 1401 篇文献，本页显示第 1221 - 1240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1221 | 2025-04-06 |
Optical label-free microscopy characterization of dielectric nanoparticles
2025-Apr-03, Nanoscale
IF:5.8Q1
DOI:10.1039/d4nr03860f
PMID:40079204
|
教程 | 本文综述了无标记光学显微镜技术在纳米颗粒表征中的应用，重点介绍了亚微米尺寸介电颗粒的光学散射理论及其与颗粒质量、大小、结构和材料特性的关系 | 探讨了不同无标记显微镜技术在纳米颗粒表征中的差异与相似性，并介绍了结合深度学习图像分析的Python笔记本等新兴技术 | 目前尚无适用于所有纳米颗粒表征的通用解决方案，需要根据样品特性选择合适的技术 | 为纳米颗粒表征提供测量策略选择指导 | 亚微米尺寸介电颗粒 | 光学显微镜 | NA | 无标记光学显微镜技术 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1222 | 2025-04-06 |
A deep learning framework for instrument-to-instrument translation of solar observation data
2025-Apr-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58391-4
PMID:40175360
|
研究论文 | 本文提出了一种深度学习框架，用于太阳观测数据的仪器间转换，以实现多仪器数据集的同质化 | 利用生成对抗网络（GAN）进行无配对域转换，无需空间或时间重叠即可关联不同仪器 | NA | 解决不同仪器观测数据因校准和质量差异而难以联合使用的问题 | 太阳观测数据 | 计算机视觉 | NA | 生成对抗网络（GAN） | GAN | 图像 | 24年的空间观测数据及地面和空间太阳观测的四个不同应用 | NA | NA | NA | NA |
| 1223 | 2025-04-06 |
A compact deep learning approach integrating depthwise convolutions and spatial attention for plant disease classification
2025-Apr-02, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01325-4
PMID:40176127
|
研究论文 | 提出一种轻量级深度学习模型LWDSC-SA，用于植物病害分类，结合深度可分离卷积和空间注意力机制以提高特征提取能力并保持计算效率 | 整合空间注意力和深度可分离卷积，提升模型在资源受限环境中的部署能力，同时在PlantVillage数据集上达到98.7%的准确率 | 模型仅在PlantVillage数据集上进行测试，未在其他多样化的真实农业场景中验证 | 开发高效轻量的植物病害分类模型以支持农业生产力 | 14种植物物种的叶片病害图像 | 计算机视觉 | 植物病害 | 深度学习 | LWDSC-SA（深度可分离卷积与空间注意力结合的轻量模型） | 图像 | 55,000张图像（涵盖38个病害类别） | NA | NA | NA | NA |
| 1224 | 2025-04-06 |
Covariate-Balancing-Aware Interpretable Deep Learning Models for Treatment Effect Estimation
2025-Apr, Statistics in biosciences
IF:0.8Q4
DOI:10.1007/s12561-023-09394-6
PMID:40170916
|
research paper | 本文提出了一种新的深度学习方法，用于在观察数据中估计处理效应，并提高了模型的可解释性 | 通过利用加权能量距离的特性，提出了一个更紧的平均处理效应（ATE）估计偏差上界，并设计了一个新的目标函数，不需要正确指定倾向得分模型 | NA | 提高观察数据中处理效应估计的准确性和可解释性 | 观察数据中的处理效应 | machine learning | NA | 深度学习方法 | neural additive models | 观察数据 | 使用了两个基准数据集（IHDP和ACIC）以及NHANES中关于吸烟对血镉水平影响的研究数据 | NA | NA | NA | NA |
| 1225 | 2025-04-05 |
Reconstructing historical climate fields with deep learning
2025-Apr-04, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adp0558
PMID:40173235
|
research paper | 使用基于傅里叶卷积的深度学习方法重建历史气候场 | 提出了一种基于傅里叶卷积的深度学习方法，能够在大面积和不规则缺失数据的情况下，仅凭极少信息就能真实重建历史气候场，并重现已知历史事件 | NA | 填补历史气候记录的缺失数据，重建历史气候场 | 历史气候场数据 | machine learning | NA | deep learning, Fourier convolutions | CNN | climate model output | NA | NA | NA | NA | NA |
| 1226 | 2025-04-05 |
Interpretable multimodal deep learning model for predicting post-surgical international society of urological pathology grade in primary prostate cancer
2025-Apr-04, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07248-5
PMID:40183953
|
研究论文 | 开发了一种可解释的多模态深度学习模型，用于预测前列腺癌术后国际泌尿病理学会分级 | 整合了18F-PSMA-PET/CT成像特征与临床变量，构建了可解释的多模态融合模型，显著优于术前活检Gleason评分 | 研究为回顾性设计，样本量相对有限（222例患者） | 提高前列腺癌病理分级的准确性，优化手术规划和个性化治疗策略 | 前列腺癌患者 | 数字病理 | 前列腺癌 | 18F-PSMA-PET/CT成像，深度迁移学习 | 多模态融合模型 | 医学影像（PET/CT），临床参数 | 222例前列腺癌患者（2020-2024年） | NA | NA | NA | NA |
| 1227 | 2025-04-05 |
Advancing Visual Perception Through VCANet-Crossover Osprey Algorithm: Integrating Visual Technologies
2025-Apr-03, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01467-w
PMID:40180632
|
research paper | 该研究提出了一种基于视觉核心适应网络和交叉鱼鹰算法的VCANet-COP模型，用于糖尿病视网膜病变的细微病变识别 | VCANet-COP模型整合了稀疏自编码器和鱼鹰优化算法，模拟了人类视觉系统的多个处理区域，提高了病变检测的准确性和计算效率 | 虽然模型在多个数据集上表现优异，但未提及在临床实际应用中的验证情况 | 开发一种高效准确的自动化糖尿病视网膜病变筛查方法 | 糖尿病视网膜病变的细微病变识别 | digital pathology | diabetic retinopathy | deep learning | VCANet-COP (整合SAEs和OOA) | retinal fundus images | 多个DR数据集（DR-Data, STARE, IDRiD, DRIVE, RFMID） | NA | NA | NA | NA |
| 1228 | 2025-10-07 |
Global Clue-Guided Cross-Memory Quaternion Transformer Network for Multisource Remote Sensing Data Classification
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3406735
PMID:38875091
|
研究论文 | 提出一种用于多源遥感数据分类的全局线索引导跨记忆四元数Transformer网络 | 设计了独立挤压扩展融合结构、跨记忆四元数Transformer结构和跨模态对比学习结构，有效处理多模态数据的异构性并挖掘互补性 | NA | 解决多源遥感数据分类中模态异构性问题并探索模态互补性 | 多源遥感数据[高光谱图像(HSI)和合成孔径雷达(SAR)/激光雷达(LiDAR)] | 计算机视觉 | NA | 遥感成像技术 | Transformer | 多源遥感图像数据 | 三个公共多源遥感数据集 | NA | 三分支结构,独立挤压扩展融合结构,跨记忆四元数Transformer,跨模态对比学习 | NA | NA |
| 1229 | 2025-10-07 |
Leveraging Unsupervised Data and Domain Adaptation for Deep Regression in Low-Cost Sensor Calibration
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3409364
PMID:38889022
|
研究论文 | 本文提出了一种用于低成本传感器校准的半监督域自适应深度回归方法 | 将传感器校准任务转化为半监督域自适应问题，提出使用直方图损失对抗协变量偏移，并通过样本加权处理标签间隙 | NA | 提高低成本空气质量传感器的校准精度 | 低成本空气质量传感器数据 | 机器学习 | NA | 深度学习 | 深度回归模型 | 传感器数据 | NA | NA | NA | R²分数, MAE | NA |
| 1230 | 2025-10-07 |
A Novel Hierarchical Cross-Stream Aggregation Neural Network for Semantic Segmentation of 3-D Dental Surface Models
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3404276
PMID:38848227
|
研究论文 | 提出一种用于3D牙科模型语义分割的分层跨流聚合神经网络 | 设计了基于多流架构的分层跨流聚合模块，通过上下文聚合和判别性聚合联合优化多视图特征学习 | NA | 实现精确的3D牙科模型语义分割以支持个性化正畸治疗规划 | 真实患者的3D牙科表面模型 | 计算机视觉 | 牙科疾病 | 3D牙科模型分析 | 神经网络 | 3D点云数据 | 公共数据集和内部真实患者数据集 | PyTorch | 分层跨流聚合网络,多流骨干网络 | 语义分割精度 | NA |
| 1231 | 2025-10-07 |
Learning Disentangled Priors for Hyperspectral Anomaly Detection: A Coupling Model-Driven and Data-Driven Paradigm
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3401589
PMID:38833391
|
研究论文 | 提出一种结合模型驱动与数据驱动方法的学习解耦先验耦合范式，用于高光谱异常检测 | 首次将模型驱动的低秩表示方法与数据驱动的深度学习技术通过解耦先验学习相结合，通过跳跃残差连接优雅地建模显式和隐式先验之间的关系 | 未在抽象中明确说明具体局限性 | 提高高光谱图像中背景与异常物体的区分准确度 | 高光谱图像中的背景和异常物体 | 计算机视觉 | NA | 高光谱成像 | 深度学习, 低秩表示 | 高光谱图像 | 多个广泛认可的数据集（未指定具体数量） | NA | 深度展开架构, 跳跃残差连接 | 检测性能, 泛化能力 | NA |
| 1232 | 2025-10-07 |
Brain-Inspired Learning, Perception, and Cognition: A Comprehensive Review
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3401711
PMID:38809737
|
综述 | 本文从微观、介观、宏观和超宏观视角全面回顾了受脑启发的深度学习算法在感知、认知和理解决策方面的研究进展 | 首次从四个空间尺度（微观/介观/宏观/超宏观）系统梳理脑启发算法，并总结了该领域面临的十大开放性问题 | 作为综述文章未提出新的算法模型，主要聚焦于现有研究的系统性归纳 | 推动下一代人工智能技术发展，通过脑科学机制提升现有模型的智能水平 | 脑启发的人工智能算法与模型 | 机器学习 | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 1233 | 2025-10-07 |
Spectral Tensor Layers for Communication-Free Distributed Deep Learning
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3394861
PMID:38809740
|
研究论文 | 提出一种用于无通信分布式深度学习的光谱张量层 | 将数据表示为张量形式并用张量积替代传统神经网络中的矩阵积，通过线性变换将数据集分割为多个光谱子数据集实现零通信成本的并行训练 | NA | 实现无通信成本的分布式深度学习 | 分布式深度学习系统 | 机器学习 | NA | 张量分解，线性变换 | 光谱张量网络 | 图像 | MNIST, CIFAR-10, ImageNet-1K, ImageNet-21K数据集 | NA | 并行分支神经网络 | NA | NA |
| 1234 | 2025-10-07 |
Deep Geometric Learning With Monotonicity Constraints for Alzheimer's Disease Progression
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3394598
PMID:38771688
|
研究论文 | 提出一种结合单调性约束的深度几何学习方法用于预测阿尔茨海默病进展 | 开发了结合拓扑空间变换、ODE-RGRU和轨迹估计三个模块的新型几何学习框架，并引入单调性约束来反映测量转换的不可逆性 | NA | 预测阿尔茨海默病的临床进展轨迹 | 阿尔茨海默病患者 | 医学影像分析 | 阿尔茨海默病 | 结构磁共振成像 | RNN, ODE | MRI影像, 认知评分 | NA | NA | ODE-RGRU | 临床标签预测准确率, 认知评分预测准确率 | NA |
| 1235 | 2025-10-07 |
An Interpretable Adaptive Multiscale Attention Deep Neural Network for Tabular Data
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3392355
PMID:38748522
|
研究论文 | 提出一种用于表格数据的自适应多尺度注意力深度神经网络架构 | 通过并行多级特征加权实现自适应多尺度注意力机制，提供四个层次的可解释性 | NA | 提升深度学习在表格数据上的性能并增强模型可解释性 | 表格结构化数据 | 机器学习 | NA | 深度学习 | 深度神经网络 | 表格数据 | 包含小型、中型、大型和超大型数据集 | NA | 自适应多尺度注意力深度神经网络 | F1-score, 平均绝对误差 | NA |
| 1236 | 2025-10-07 |
Deep Probabilistic Principal Component Analysis for Process Monitoring
2025-Apr, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3386890
PMID:38652625
|
研究论文 | 提出一种新型深度概率主成分分析模型用于工业过程监控 | 结合概率建模与深度学习的优势，通过分层预训练和端到端微调构建深度概率主成分分析模型 | NA | 工业过程监控与故障检测 | 工业过程数据 | 机器学习 | NA | 概率潜在变量模型 | 深度概率主成分分析 | 工业过程数据 | 田纳西伊斯曼过程和多相流设施数据集 | NA | DePPCA | 监控统计量 | NA |
| 1237 | 2025-04-05 |
Soft sensor modeling using deep learning with maximum relevance and minimum redundancy for quality prediction of industrial processes
2025-Apr, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2025.02.010
PMID:39961741
|
研究论文 | 提出了一种基于最大相关和最小冗余的表示学习方法（MRMRRL），用于工业过程的质量预测 | 结合了质量相关特征提取、隐藏特征冗余减少和信息补偿三个通道的优点，显著提升了性能 | 未提及具体的工业过程类型或应用范围的局限性 | 提高工业过程质量预测的准确性和效率 | 工业过程的质量预测 | 机器学习 | NA | 自动编码器（AE）、堆叠自动编码器（SAE）、核主成分分析（KPCA） | MRMRRL、SAE | 工业过程数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 1238 | 2025-04-05 |
The current landscape of artificial intelligence in computational histopathology for cancer diagnosis
2025-Apr-01, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-02212-z
PMID:40167870
|
综述 | 本文综述了2013年至2024年间人工智能在计算组织病理学中用于癌症诊断的关键方法和应用 | 涵盖了监督学习、无监督学习、弱监督学习和迁移学习等多种深度学习方法在组织病理学图像识别中的应用，并探讨了AI在识别基因突变和标准病理生物标志物方面的潜力 | 仅基于41项主要研究，可能未涵盖该领域所有最新进展 | 评估人工智能在计算组织病理学中用于癌症诊断和预后的应用现状 | 组织病理学图像 | 数字病理学 | 癌症 | 深度学习 | NA | 图像 | 41项主要研究 | NA | NA | NA | NA |
| 1239 | 2025-04-05 |
The potential of combined robust model predictive control and deep learning in enhancing control performance and adaptability in energy systems
2025-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95636-0
PMID:40169731
|
研究论文 | 本研究探讨了将鲁棒模型预测控制（RMPC）与深度学习相结合，以提升能源系统的性能和适应性 | 结合RMPC的鲁棒性与深度学习的学习和适应能力，提出了一种新型控制框架，显著提高了控制精度和运行效率 | 研究仅通过模拟验证，缺乏实际系统应用的验证 | 提升能源系统的控制性能和适应性 | 热电联产（CHP）、电力制氢和电力制甲烷等能源系统 | 机器学习 | NA | 鲁棒模型预测控制（RMPC）和深度学习 | RMPC与深度学习模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 1240 | 2025-04-05 |
Robust ensemble classifier for advanced synthetic aperture radar target classification in diverse operational conditions
2025-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93536-x
PMID:40169814
|
research paper | 本文提出了一种增强的集成分类框架，用于合成孔径雷达（SAR）自动目标识别（ATR）在多样化操作条件下的应用 | 该方法整合了ResNet、SVM和模板匹配的优势，通过多数投票结合它们的互补能力，提高了分类准确性和鲁棒性 | 未提及具体的计算资源需求或处理时间，可能在实际应用中存在效率问题 | 提高SAR自动目标识别在多样化操作条件下的分类准确性和鲁棒性 | 合成孔径雷达（SAR）图像中的目标 | computer vision | NA | ResNet, SVM, 模板匹配 | ResNet, SVM | SAR图像 | 使用MSTAR数据集进行实验验证 | NA | NA | NA | NA |