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 1430 篇文献，本页显示第 481 - 500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 481 | 2025-10-06 |
Using generative adversarial deep learning networks to synthesize cerebrovascular reactivity imaging from pre-acetazolamide arterial spin labeling in moyamoya disease
2025-May, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03605-1
PMID:40183965
|
研究论文 | 本研究使用生成对抗网络从基线动脉自旋标记MRI合成脑血管反应性图像，以替代需要乙酰唑胺挑战的传统测量方法 | 首次使用生成对抗网络从无需药物挑战的基线ASL MRI合成CVR图像，为无法进行ACZ挑战的临床情况提供替代方案 | 研究仅针对烟雾病患者，样本量相对有限，低CVR区域的Dice相似系数仅为0.593 | 开发无需乙酰唑胺挑战的脑血管反应性评估方法 | 烟雾病患者的脑血流图像 | 医学影像分析 | 烟雾病 | 动脉自旋标记MRI, 脑血管反应性成像 | GAN | 医学影像 | 203例烟雾病病例，共3248张ACZ前后的ASL脑血流图像 | NA | Pixel-to-Pixel GAN | 结构相似性指数, 空间相关系数, 均方根误差, Dice相似系数, Cohen's Kappa | NA |
| 482 | 2025-10-06 |
Deep learning-based denoising image reconstruction of body magnetic resonance imaging in children
2025-May, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06230-5
PMID:40186652
|
研究论文 | 评估基于深度学习的儿童体部磁共振成像去噪重建技术的图像质量 | 首次在儿童体部MRI中应用基于深度学习的去噪重建技术，并与传统重建方法进行系统比较 | 回顾性研究，样本量较小（21名儿童），非呼吸门控T1加权图像运动伪影更明显 | 评估深度学习去噪重建在儿童体部MRI中的图像质量 | 接受胸腹部MRI检查的儿童患者 | 医学影像 | 儿科疾病 | 径向k空间采样（PROPELLER），磁共振成像 | 深度学习 | 医学影像 | 21名儿童（中位年龄7岁，范围1.5-15.8岁） | NA | NA | 信噪比，对比噪声比，4点Likert量表 | NA |
| 483 | 2025-10-06 |
AI-Driven TENGs for Self-Powered Smart Sensors and Intelligent Devices
2025-May, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202417414
PMID:40277838
|
综述 | 探讨人工智能驱动的摩擦纳米发电机在自供能智能传感器和智能设备中的协同应用与发展前景 | 首次系统阐述人工智能与摩擦纳米发电机的融合潜力，通过机器学习与深度学习算法提升能量收集和智能传感能力 | 未涉及具体实验验证，主要基于理论分析和现有研究成果的整合 | 探索人工智能技术如何解决摩擦纳米发电机在材料优化、输出稳定性等方面的挑战 | 摩擦纳米发电机与人工智能的集成系统 | 机器学习 | NA | 摩擦发电技术 | 机器学习,深度学习 | 传感器数据 | NA | NA | NA | 输出稳定性,能量收集效率 | NA |
| 484 | 2025-10-06 |
Automated, Standardized, Quantitative Analysis of Cardiovascular Borders on Chest X-Rays Using Deep Learning
2025-May, JACC. Advances
DOI:10.1016/j.jacadv.2025.101687
PMID:40286357
|
研究论文 | 开发基于深度学习的胸片心血管边界自动量化分析方法并探索其临床应用价值 | 首次建立基于深度学习的胸片心血管边界标准化定量分析系统，并定义了年龄和性别特异性正常值范围 | 研究数据来源于特定医疗中心，需要进一步多中心验证 | 开发自动化的胸片心血管边界定量分析方法并验证其临床效用 | 胸片中的心血管边界 | 计算机视觉 | 心血管疾病 | 胸片成像 | 深度学习 | 医学图像 | 96,129张正常胸片和44,567张疾病胸片 | NA | NA | AUC, HR | NA |
| 485 | 2025-10-06 |
Deep Learning Assisted Outer Volume Removal for Highly-Accelerated Real-Time Dynamic MRI
2025-May-01, ArXiv
PMID:40342862
|
研究论文 | 提出一种基于深度学习的外容积去除方法，用于高加速实时动态MRI中的伪影消除 | 首次将深度学习与物理驱动重建相结合，通过时间交织欠采样模式估计外容积信号并消除非心脏区域的混叠伪影 | 未明确说明模型在不同患者群体和病理条件下的泛化能力 | 开发高加速实时动态MRI重建技术，消除外容积伪影 | 心脏实时电影MRI数据 | 医学影像处理 | 心血管疾病 | 动态MRI，实时成像 | 深度学习模型 | MRI k空间数据，时间序列图像 | NA | NA | 物理驱动深度学习(PD-DL) | 定性评估，定量评估，图像质量比较 | NA |
| 486 | 2025-10-06 |
Large-scale information retrieval and correction of noisy pharmacogenomic datasets through residual thresholded deep matrix factorization
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf226
PMID:40420482
|
研究论文 | 提出一种名为残差阈值深度矩阵分解(RT-DMF)的深度学习框架，用于校正和填补药物敏感性数据中的噪声 | 结合深度矩阵分解与迭代残差阈值程序，能有效识别并保留具有治疗重要性的信号 | 仅使用单一药物敏感性数据矩阵作为输入，未整合其他类型分子数据 | 解决药物基因组学数据中噪声和不一致性问题，提高药物敏感性数据的可靠性 | 分子特征明确的癌细胞系(CCLs)的药物敏感性数据 | 机器学习 | 癌症 | 高通量实验，多重分析方法 | 深度矩阵分解 | 药物敏感性数据矩阵 | 大规模癌细胞系药物敏感性数据集 | NA | 深度矩阵分解 | NA | NA |
| 487 | 2025-10-06 |
Image-Based Deep Learning Model for Predicting Lymph Node Metastasis in Lung Adenocarcinoma With CT ≤ 2 cm
2025-May, Thoracic cancer
IF:2.3Q2
DOI:10.1111/1759-7714.70048
PMID:40425526
|
研究论文 | 开发基于CT图像的深度学习模型预测直径≤2cm肺腺癌淋巴结转移 | 首次结合临床特征和影像学特征建立针对小直径肺腺癌淋巴结转移的预测模型 | 仅使用单中心数据，需要外部验证集进一步验证模型泛化能力 | 术前准确识别小直径肺腺癌患者的淋巴结转移以改善手术治疗方案 | 1740例接受手术切除的临床早期肺腺癌患者 | 数字病理 | 肺癌 | CT影像分析 | 逻辑回归, Lasso | 医学影像 | 1740例肺腺癌患者 | NA | NA | AUC, 决策曲线分析, 校准曲线 | NA |
| 488 | 2025-05-31 |
Evidential Deep Learning for Open-Set Active Domain Adaptation
2025-May-29, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3571943
PMID:40440139
|
research paper | 该论文提出了一种基于证据深度学习的开放集主动域适应方法（EOSADA），用于在包含新类别的未标记目标域中转移知识 | 利用证据深度学习（EDL）构建开放集分类器，并采用两轮选择策略平衡已知和新类别样本的选择，同时识别信息丰富的样本，无需修改模型结构且使用有限的标注预算 | 未明确提及具体局限性 | 提升开放集域适应（OSDA）场景下模型的性能 | 未标记目标域中的样本，包括已知和新类别 | machine learning | NA | evidential deep learning (EDL), open-set active domain adaptation | 分类神经网络（具体架构未提及） | 未明确提及，推测为图像或文本数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 489 | 2025-05-31 |
Detecting Human Frequency-Following Responses Using an Artificial Neural Network
2025-May-29, Perceptual and motor skills
IF:1.4Q4
DOI:10.1177/00315125251347006
PMID:40440687
|
研究论文 | 本研究探讨了三层人工神经网络（ANN）在检测由英语元音/i/的上升语调引发的频率跟随响应（FFRs）中的有效性 | 首次在FFR研究中探索深度学习模型的潜力，特别是使用ANN进行FFR检测 | 研究仅针对英语元音/i/的上升语调引发的FFRs，未涵盖其他语音特征或语调 | 评估ANN在FFR检测中的效能，为听觉处理评估和临床诊断提供基础 | 由英语元音/i/的上升语调引发的频率跟随响应（FFRs） | 机器学习 | NA | 人工神经网络（ANN） | ANN | 神经信号（FFR recordings） | NA | NA | NA | NA | NA |
| 490 | 2025-05-31 |
Multicentre evaluation of deep learning CT autosegmentation of the head and neck region for radiotherapy
2025-May-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01624-z
PMID:40419731
|
研究论文 | 一项多中心研究评估了头颈部CT自动分割软件在全球七个机构的性能 | 首次在全球范围内多中心评估头颈部CT自动分割软件的性能，并量化了不同机构间的观察者间变异性 | 自动分割软件的临床效益在不同ROI和诊所间差异显著，部分淋巴结区域未显示显著时间节省 | 评估头颈部CT自动分割软件在放射治疗中的性能和时间节省效果 | 头颈部CT图像中的11个淋巴结水平和7个风险器官轮廓 | 数字病理 | 头颈部疾病 | CT成像 | 深度学习 | 医学影像 | 七个机构的CT图像数据 | NA | NA | NA | NA |
| 491 | 2025-05-31 |
Automatic assessment of lower limb deformities using high-resolution X-ray images
2025-May-27, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-025-08784-9
PMID:40420033
|
研究论文 | 提出了一种基于图像金字塔的新型骨骼标志点检测方法，用于自动评估下肢畸形 | 采用CNN结合误差反馈方法迭代优化标志点坐标，提高了检测精度并降低了计算成本 | NA | 开发自动评估下肢畸形的算法以辅助骨科手术规划 | 下肢X射线图像中的骨骼标志点和角度测量 | 计算机视觉 | 骨科疾病 | X射线成像 | CNN | X射线图像 | 临床采集的全腿X射线数据集（具体数量未说明） | NA | NA | NA | NA |
| 492 | 2025-05-31 |
LucaPCycle: Illuminating microbial phosphorus cycling in deep-sea cold seep sediments using protein language models
2025-May-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60142-4
PMID:40419512
|
research paper | 该研究开发了一个名为LucaPCycle的深度学习模型，用于揭示深海冷泉沉积物中微生物磷循环的过程 | 整合了原始序列和基于蛋白质语言模型ESM2-3B的上下文嵌入，显著提高了对磷循环蛋白家族的检测能力 | 传统序列搜索方法难以检测到具有远程同源性的蛋白质 | 研究深海冷泉沉积物中微生物磷循环的多样性和功能 | 全球冷泉基因和基因组目录中的磷循环蛋白家族 | machine learning | NA | 蛋白质语言模型ESM2-3B | 深度学习模型 | 基因和基因组数据 | 5241个磷循环蛋白家族 | NA | NA | NA | NA |
| 493 | 2025-05-31 |
RGE-YOLO enables lightweight road packaging bag detection for enhanced driving safety
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03240-z
PMID:40419594
|
研究论文 | 提出了一种轻量级深度学习模型RGE-YOLO，用于实时检测道路上的包装袋，以提高驾驶安全性 | RGE-YOLO结合了RepViTBlock、GSConv和EMA机制，优化了计算效率、模型稳定性和检测精度 | 研究仅限于道路包装袋的检测，未涉及其他类型的道路异物 | 提高驾驶安全性，通过实时检测道路上的包装袋 | 道路上的包装袋 | 计算机视觉 | NA | 深度学习 | RGE-YOLO（基于YOLOv8s改进） | 图像 | 6000张增强图像 | NA | NA | NA | NA |
| 494 | 2025-05-31 |
Evaluation of spatial visual perception of streets based on deep learning and spatial syntax
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03189-z
PMID:40419619
|
research paper | 该研究应用深度学习和空间句法评估街道空间视觉感知质量，并分析其与街道构成元素的相关性 | 结合深度学习和人机对抗模型对街景图像进行六维度评分，并通过空间可视化与多元线性回归分析街道质量与构成元素的关系 | 研究区域有限，未涉及不同气候或文化背景下的街道质量对比 | 提升城市街道视觉质量，为精准化街道改造提供数据支持 | 城市街道空间及其视觉构成元素（绿化、行人、墙体等） | computer vision | NA | deep learning, spatial syntax | human-machine adversarial model | street view images | 未明确样本量（研究区域内街道） | NA | NA | NA | NA |
| 495 | 2025-05-28 |
Correction: Formation permeability estimation using mud loss data by deep learning
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03476-9
PMID:40419611
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 496 | 2025-05-31 |
Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02933-9
PMID:40419628
|
research paper | 该研究提出了一种结合双向长短期记忆网络（BiLSTM）和自适应秘书鸟优化器（ASBO）的深度学习方法，用于智能交通系统中的交通拥堵预测 | 创新点在于将强化学习（RL）与BiLSTM结合，并引入ASBO优化器，显著提高了交通拥堵预测的准确性 | 未提及具体的数据集规模或实际应用场景的限制 | 旨在通过智能交通拥堵预测减少空气污染，提升城市交通的可持续性 | 城市交通网络中的交通拥堵模式 | machine learning | NA | Deep Learning, Reinforcement Learning | BiLSTM, ASBO | traffic data | 基于Traffic Prediction Dataset，具体样本量未提及 | NA | NA | NA | NA |
| 497 | 2025-05-31 |
Digital image enhancement using deep learning algorithm in 3D heads-up vitreoretinal surgery
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98801-7
PMID:40419711
|
research paper | 本研究旨在利用深度学习算法预测3D头戴式玻璃体视网膜手术中的最佳成像参数，并评估其在提高手术中玻璃体视网膜表面可见性方面的有效性 | 采用两阶段生成对抗网络(GAN)和卷积神经网络(CNN)架构，开发了一种深度学习算法，用于数字图像增强 | 研究仅基于212张手动优化的静态图像和121张匿名高分辨率ERM眼底图像，样本量相对较小 | 提高3D头戴式玻璃体视网膜手术中图像的清晰度、亮度和对比度 | 玻璃体视网膜手术图像和ERM眼底图像 | digital pathology | 视网膜疾病 | 深度学习算法 | GAN和CNN | 图像 | 212张手术视频提取的静态图像和121张ERM眼底图像 | NA | NA | NA | NA |
| 498 | 2025-05-31 |
A novel MRI-based deep learning imaging biomarker for comprehensive assessment of the lenticulostriate artery-neural complex
2025-May-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01676-3
PMID:40420012
|
研究论文 | 开发一种基于深度学习的MRI成像生物标志物，用于全面评估豆纹动脉-神经复合体 | 利用ResNet18框架从豆纹动脉供血区域提取深度学习特征，并将其作为成像生物标志物，首次全面评估豆纹动脉-神经复合体 | 样本量较小，仅79名患者参与研究 | 开发一种新的成像生物标志物，用于评估豆纹动脉-神经复合体的功能状态 | 豆纹动脉供血区域和豆纹动脉-神经复合体 | 数字病理学 | 脑血管疾病 | MRI, DTI, ASL | ResNet18 | 图像 | 79名患者 | NA | NA | NA | NA |
| 499 | 2025-05-31 |
A comparative analysis of deep learning models for assisting in the diagnosis of periapical lesions in periapical radiographs
2025-May-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06104-0
PMID:40420083
|
研究论文 | 本研究比较了ConvNeXt和ResNet34两种深度学习模型在辅助诊断根尖周病变中的效果 | 首次评估了深度学习模型对新手牙医诊断根尖周病变的辅助作用，并比较了两种模型的性能差异 | 研究仅使用了根尖周X线片，未考虑其他影像学检查方法 | 评估深度学习模型在辅助诊断根尖周病变中的应用价值 | 根尖周病变的X线影像 | 数字病理学 | 根尖周病变 | 深度学习 | CNN（ConvNeXt和ResNet34） | 图像 | 1305张根尖周X线片（训练集1044张，验证集261张）和800颗单独牙齿的X线片 | NA | NA | NA | NA |
| 500 | 2025-05-31 |
Surfactant representation using COSMO screened charge density for adsorption isotherm prediction using Physics-Informed Neural Network (PINN)
2025-May-26, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01027-y
PMID:40420147
|
research paper | 本研究开发了一种基于物理信息神经网络（PINN）的吸附模型，用于预测表面活性剂的吸附行为，整合了分子特征、测试条件和固体性质 | 将COSMO屏蔽电荷密度描述符整合到物理信息深度学习模型中，以预测表面活性剂吸附等温线，提供了一种新颖的方法来准确表示表面活性剂分子 | 模型在全新结构的表面活性剂预测上表现一般（RMSE 2.95 mg/g） | 开发一个包含分子特征、测试条件和固体性质的吸附模型，以预测表面活性剂的吸附行为 | 56个吸附等温线和20种阴离子和非离子表面活性剂，在不同条件下以沙子和氧化硅为固体 | machine learning | NA | Conductor-like Screening Model (COSMO), Physics-Informed Neural Network (PINN) | Physics-Informed Neural Network (PINN), artificial neural networks (ANN) | adsorption isotherms, molecular descriptors | 56 adsorption isotherms and 20 types of surfactants | NA | NA | NA | NA |