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 1210 篇文献，本页显示第 941 - 960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 941 | 2025-10-06 |
Topological Data Analysis in Graph Neural Networks: Surveys and Perspectives
2025-Jun, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3520147
PMID:40030848
|
综述 | 本文系统综述了拓扑数据分析与图神经网络结合的研究进展，包括分类体系、基础知识和最新拓扑驱动的GNN模型 | 首次系统梳理了TDA与GNN结合的研究方向，提出了通用分类体系并总结了该新兴领域的最新进展 | 作为综述性文章，不包含原始实验验证，主要依赖已有文献的分析和总结 | 探索拓扑数据分析与图神经网络结合的理论基础和应用前景 | 图数据集和拓扑数据结构 | 机器学习 | NA | 拓扑数据分析 | GNN | 图数据 | NA | NA | 拓扑驱动的GNN架构 | NA | NA |
| 942 | 2025-10-06 |
Learning-Based Modeling and Predictive Control for Unknown Nonlinear System With Stability Guarantees
2025-Jun, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3525264
PMID:40030974
|
研究论文 | 提出一种基于学习的建模和预测控制方法，用于具有稳定性保证的未知非线性系统 | 结合Koopman理论和深度学习，在建模过程中引入稳定性约束和Lipschitz约束，并采用鲁棒预测控制消除建模失配影响 | 方法在具有未知非线性动力学的系留空间机器人上进行验证，未涉及其他复杂系统 | 实现未知非线性系统的安全学习和稳定控制 | 未知非线性动力系统 | 机器学习 | NA | 深度学习，Koopman理论 | 深度学习模型 | 系统动态数据 | NA | NA | NA | 稳定性保证 | NA |
| 943 | 2025-10-06 |
Stacked Ensemble Deep Random Vector Functional Link Network With Residual Learning for Medium-Scale Time-Series Forecasting
2025-Jun, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3529219
PMID:40031590
|
研究论文 | 提出一种结合残差学习和集成学习的深度随机向量函数链接网络用于时间序列预测 | 将堆叠深度块和残差学习与集成深度随机向量函数链接网络结合，提出ResdRVFL和SResdRVFL模型，通过残差校准和缩放参数控制提升性能 | 未明确说明模型计算复杂度和训练时间方面的限制 | 改进时间序列预测模型的准确性和鲁棒性 | 中等规模时间序列数据 | 机器学习 | NA | NA | 随机向量函数链接网络,集成学习,残差网络 | 时间序列数据 | 28个数据集 | NA | ResdRVFL,SResdRVFL | 平均排名,误差指标 | NA |
| 944 | 2025-10-06 |
TDSF-Net: Tensor Decomposition-Based Subspace Fusion Network for Multimodal Medical Image Classification
2025-Jun, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3541170
PMID:40031645
|
研究论文 | 提出基于张量分解的子空间融合网络TDSF-Net，用于多模态医学图像分类 | 引入Tucker低秩张量分解模块将高维张量映射到低秩子空间，并采用跨张量注意力机制融合子空间特征 | NA | 提升多模态医学图像分类性能 | 多模态医学图像 | 计算机视觉 | NA | 多模态医学图像分析 | 深度学习 | 多模态医学图像 | 一个自建数据集和三个公共多模态医学图像数据集 | NA | TDSF-Net | NA | NA |
| 945 | 2025-10-06 |
Fine-Tuning Deep Learning Model for Quantitative Knee Joint Mapping With MR Fingerprinting and Its Comparison to Dictionary Matching Method: Fine-Tuning Deep Learning Model for Quantitative MRF
2025-Jun, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.70045
PMID:40259681
|
研究论文 | 本研究探讨了深度学习模型在磁共振指纹技术中用于膝关节定量映射的微调效果，并与传统字典匹配方法进行了比较 | 首次系统研究神经网络训练参数选择对MRF多参数映射性能的影响，并进行了与字典匹配方法的公平比较 | 样本量相对有限，仅包含14名健康志愿者的体内膝关节数据 | 优化磁共振指纹技术中的定量参数映射方法，提高准确性和鲁棒性 | 膝关节定量参数映射 | 医学影像分析 | 骨关节炎 | 磁共振指纹技术 | 深度学习神经网络 | 磁共振图像数据 | 合成数据、NIST/ISMRM MRI系统体模和14名健康志愿者的体内膝关节数据 | NA | NA | T1、T2映射准确性、鲁棒性 | NA |
| 946 | 2025-06-04 |
Deep learning-based acceleration of high-resolution compressed sense MR imaging of the hip
2025-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2025.100656
PMID:40453036
|
research paper | 评估一种结合并行成像、压缩感知和深度学习的压缩感知人工智能框架（CSAI）在髋关节高分辨率MRI中的应用，并与标准分辨率CS成像进行比较 | 提出了一种结合并行成像、压缩感知和深度学习的CSAI框架，用于提高髋关节MRI的分辨率和软骨描绘，而不增加采集时间 | 骨骼描绘评分较低，且研究样本量较小（32名患者） | 评估CSAI框架在髋关节高分辨率MRI中的性能 | 髋关节软骨、唇缘、股骨头韧带和骨骼 | 医学影像 | 髋关节撞击综合征 | 压缩感知（CS）、深度学习 | NA | MRI图像 | 32名髋关节撞击综合征患者 | NA | NA | NA | NA |
| 947 | 2025-06-04 |
A systematic review on deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction
2025-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2025.100652
PMID:40453037
|
系统综述 | 本文系统综述了深度学习在冠状动脉CT血管造影（CCTA）中用于斑块和狭窄量化以及心脏风险预测的应用 | 强调了深度学习技术在CCTA分析中的自动化量化能力，提高了心脏风险评估的精确性 | 研究设计存在变异性，可能存在潜在偏倚 | 评估深度学习技术在CCTA中用于冠状动脉疾病（CAD）诊断和管理的效果 | 18岁及以上接受CCTA检查的患者 | 数字病理学 | 心血管疾病 | CCTA | 深度学习模型 | 医学影像 | 10篇研究文章的系统评价 | NA | NA | NA | NA |
| 948 | 2025-10-06 |
Effects of various cross-linked collagen scaffolds on wound healing in rats model by deep-learning CNN
2025-Jun, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2315141
PMID:38357717
|
研究论文 | 研究四种胶原支架对大鼠伤口愈合的影响，并开发深度学习模型进行组织分类 | 结合胶原支架实验与深度学习图像分析方法，提出新的伤口愈合评估方法 | 仅使用24只雌性大鼠样本，样本量有限 | 评估不同类型胶原支架对伤口愈合的促进作用并开发自动组织分类方法 | Sprague-Dawley雌性大鼠 | 计算机视觉 | 伤口愈合 | 组织形态学分析，数据增强 | CNN | 图像 | 24只雌性大鼠 | NA | VGG16 | AUC | NA |
| 949 | 2025-10-06 |
Identification and segregation of genes with improved recurrent neural network trained with optimal gene level and mutation level features
2025-Jun, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2311322
PMID:38424698
|
研究论文 | 提出一种基于改进循环神经网络和优化特征选择的癌症驱动基因识别与分离模型 | 结合基因水平和突变水平特征，采用改进K-Means+SMOTE处理类别不平衡，并使用FIHFSO优化特征选择 | 未明确说明数据来源和具体基因数量，性能比较方法有限 | 解决癌症突变异质性问题，准确识别驱动基因 | 癌症基因突变数据 | 机器学习 | 癌症 | 基因突变分析 | RNN | 基因特征数据 | NA | NA | 改进循环神经网络(I-RNN) | 准确率 | NA |
| 950 | 2025-06-04 |
Deep learning model for predicting immunotherapy response in patients with advanced NSCLC: Study findings demonstrate a strong and independent deep learning-based feature associated with an immune checkpoint inhibitor response in patients with NSCLC across cohorts
2025-Jun-01, Cancer
IF:6.1Q1
DOI:10.1002/cncr.35883
PMID:40457864
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 951 | 2025-06-03 |
Deep learning-based image classification and quantification models for tablet sticking
2025-Jun-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.125690
PMID:40339626
|
研究论文 | 本研究提出了一种基于深度学习的图像分类和量化模型，用于检测和量化制药片剂生产中的粘附问题 | 结合CNN和GLCM特征的集成模型，能够检测和量化片剂粘附，克服了传统视觉检查的局限性 | 研究仅针对10批片剂进行了验证，样本量相对较小 | 提高制药片剂生产的效率和质量控制 | 制药片剂生产中的粘附问题 | 计算机视觉 | NA | CNN, GLCM, SVM | AlexNet, VGG 16, ResNet 50, GoogLeNet | 图像 | 10批片剂 | NA | NA | NA | NA |
| 952 | 2025-06-03 |
Hyaluronan network remodeling by ZEB1 and ITIH2 enhances the motility and invasiveness of cancer cells
2025-Jun-02, The Journal of clinical investigation
IF:13.3Q1
DOI:10.1172/JCI180570
PMID:40178908
|
研究论文 | 研究透明质酸（HA）网络中ZEB1和ITIH2的作用及其对肺癌细胞迁移和侵袭能力的影响 | 揭示了ZEB1通过调控ITIH2、HAS2和CD44重塑肿瘤微环境中的HA网络，并提出针对该网络的抑制策略 | 研究主要基于体外实验和小鼠模型，尚未在人体中进行验证 | 探究HA网络在肺癌细胞迁移和侵袭中的作用机制 | 肺癌细胞和癌症相关成纤维细胞 | 肿瘤生物学 | 肺癌 | 深度学习药物-靶点相互作用算法 | NA | NA | NA | NA | NA | NA | NA |
| 953 | 2024-12-20 |
Deep learning on chromatin profiles reveals the cis-regulatory sequence code of the rice genome
2025-Jun, Journal of genetics and genomics = Yi chuan xue bao
DOI:10.1016/j.jgg.2024.12.007
PMID:39694233
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 954 | 2025-10-06 |
AI image analysis as the basis for risk-stratified screening
2025-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01734-4
PMID:39794661
|
综述 | 本文综述了人工智能在乳腺癌筛查中风险预测模型的研究进展与应用挑战 | 系统整合了从传统影像生物标志物到前沿深度学习方法及多模态方法在乳腺癌风险预测中的发展 | AI风险模型目前主要处于研究阶段，尚未在临床实践中广泛采用 | 优化人工智能工具在乳腺癌筛查中的应用，改善不同人群的公平性和筛查结果 | 乳腺癌筛查中的风险预测模型 | 计算机视觉 | 乳腺癌 | NA | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 955 | 2025-06-03 |
Prediction of Lymph Node Metastasis in Lung Cancer Using Deep Learning of Endobronchial Ultrasound Images With Size on CT and PET-CT Findings
2025-Jun, Respirology (Carlton, Vic.)
DOI:10.1111/resp.70010
PMID:40033122
|
研究论文 | 本研究评估了深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力，并强调了整合ROI、CT上的淋巴结大小和PET-CT结果的价值 | 首次将ROI、CT上的淋巴结大小和PET-CT结果整合到深度学习模型中，显著提高了诊断能力 | 研究仅基于回顾性数据，未进行前瞻性验证 | 评估深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | 数字病理学 | 肺癌 | EBUS-TBNA, CT, PET-CT | ResNet18 | 图像 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | NA | NA | NA | NA |
| 956 | 2025-04-03 |
Integrating Deep Learning in Breast MRI: Technical Advances and Clinical Promise
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.047
PMID:40169328
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 957 | 2025-06-03 |
Strategies to Improve the Robustness and Generalizability of Deep Learning Segmentation and Classification in Neuroimaging
2025-Jun, BioMedInformatics
DOI:10.3390/biomedinformatics5020020
PMID:40271381
|
review | 本文回顾并总结了提高深度学习模型在神经影像分割和分类中鲁棒性和泛化能力的策略 | 识别并总结了包括正则化、数据增强、迁移学习和不确定性估计在内的关键策略，以应对数据变异性和领域转移等主要挑战 | 仅包括英文同行评审的脑成像研究，可能忽略了其他语言或非脑成像的相关研究 | 提高深度学习模型在神经影像分割和分类中的鲁棒性和泛化能力，以增强其在实际临床实践中的可靠性 | 神经影像数据 | machine learning | NA | 深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 958 | 2025-06-03 |
EEG-ConvoBLSTM: A novel hybrid model for efficient EEG signal classification
2025-Jun-01, The Review of scientific instruments
DOI:10.1063/5.0258358
PMID:40454762
|
研究论文 | 提出一种新型混合模型EEG-ConvoBLSTM，用于高效分类EEG信号以进行情感识别 | 结合卷积层和双向LSTM网络，实现对EEG信号时空特征的全面建模及长时依赖信息捕获 | 未明确说明模型在更大规模或多样化数据集上的泛化能力 | 提升基于EEG信号的情感识别准确率及跨被试泛化能力 | EEG信号的情感识别 | 机器学习 | NA | 深度学习 | CNN与BLSTM混合模型 | EEG信号 | 使用SEED数据集（具体样本量未说明） | NA | NA | NA | NA |
| 959 | 2025-06-03 |
Physics-driven deep learning methods and numerically intractable "bad" Jaulent-Miodek equation
2025-Jun-01, Chaos (Woodbury, N.Y.)
DOI:10.1063/5.0264041
PMID:40455205
|
research paper | 该论文提出了一种结合PINN和PECANN的两阶段深度学习方法，用于解决'bad' Jaulent-Miodek (JM)方程的非线性波演化问题 | 将PINN和PECANN两种物理驱动的深度学习方法结合成一个两阶段神经网络，提高了计算效率并正确求解了'bad' JM方程 | NA | 解决具有不良性质的'bad' JM方程的非线性波演化问题 | 'bad' JM方程的非线性波演化 | machine learning | NA | Physics-Informed Neural Networks (PINN), Physics and Equality-Constrained Artificial Neural Networks (PECANN) | PINN+PECANN neural network | numerical data | NA | NA | NA | NA | NA |
| 960 | 2025-10-06 |
Comparative analysis of kidney function prediction: traditional statistical methods vs. deep learning techniques
2025-Jun, Clinical and experimental nephrology
IF:2.2Q2
DOI:10.1007/s10157-024-02616-1
PMID:39813007
|
研究论文 | 比较传统统计方法与深度学习技术在预测肾功能方面的性能差异 | 首次在日本全国性CKD登记数据库中使用GRU-D等深度学习模型处理缺失值并预测肾功能 | 深度学习技术在此研究中未显示出优于传统统计方法的预测准确性 | 评估深度学习技术是否比传统统计方法能更准确地预测未来肾功能 | 慢性肾病患者 | 机器学习 | 慢性肾病 | 电子健康记录分析 | FFNN, GRU-D, 多元线性回归 | 临床登记数据 | 22,929名CKD患者 | NA | 前馈神经网络, GRU-D | 均方根误差(RMSE) | NA |