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 1467 篇文献，本页显示第 1081 - 1100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1081 | 2025-10-06 |
LUMEN-A deep learning pipeline for analysis of the 3D morphology of the cerebral lenticulostriate arteries from time-of-flight 7T MRI
2025-Sep, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121377
PMID:40675425
|
研究论文 | 开发了一个名为LUMEN的深度学习流程，用于从7T TOF-MRI分析脑豆纹动脉的3D形态 | 提出了首个半自动化的3D LSA形态量化流程，结合深度学习分割与传统形态分析 | 样本量相对较小（69名受试者），仅针对CSVD患者 | 开发量化脑豆纹动脉3D形态的分析工具 | 脑豆纹动脉（LSAs） | 医学影像分析 | 脑小血管病 | 7T时间飞跃磁共振血管成像（TOF-MRA） | 深度学习 | 3D MRI图像 | 69名CSVD患者 | NA | DS6, nnU-Net | Dice系数, 灵敏度, 平均Hausdorff距离, 精确度 | NA |
| 1082 | 2025-10-06 |
Deep diffusion MRI template (DDTemplate): A novel deep learning groupwise diffusion MRI registration method for brain template creation
2025-Sep, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121401
PMID:40721052
|
研究论文 | 提出一种基于深度学习的群体扩散MRI配准方法DDTemplate，用于创建脑模板并提高群体差异检测的敏感性 | 首次将深度学习方法应用于群体扩散MRI配准，结合全脑组织微结构和纤维束定向信息 | 未明确说明方法在特定病理条件下的适用性限制 | 开发一种能够同时训练群体配准网络并生成人口脑模板的深度学习框架 | 多个人群队列（青少年、年轻成人、老年人）的扩散MRI数据 | 医学影像分析 | NA | 扩散MRI（dMRI） | 深度学习 | 扩散MRI图像 | 来自不同扫描仪的多个人群队列数据 | 基于VoxelMorph框架 | NA | 配准精度、群体差异检测敏感性 | NA |
| 1083 | 2025-10-06 |
A Comprehensive Review on Blockchain-based Systems for Groundwater Conservation and Wastewater Management
2025-Sep, Environmental management
IF:2.7Q3
DOI:10.1007/s00267-025-02247-6
PMID:40760176
|
综述 | 系统分析区块链技术结合机器学习和深度学习在水资源管理中的应用进展 | 首次全面评估区块链与AI技术在水资源管理中的集成应用，量化性能改进并识别研究空白 | 数据整合、可扩展性和监管采用方面仍存在挑战 | 评估区块链技术在 groundwater conservation 和 wastewater management 中的技术集成与性能改进 | 地下水保护和废水管理系统 | 机器学习 | NA | 区块链技术、机器学习、深度学习、智能传感器、物联网实时监测 | 机器学习模型、深度学习模型 | 水资源管理数据、传感器数据 | 97篇同行评审文章 | NA | NA | 预测准确率、废水处理效率、资源分配效率 | NA |
| 1084 | 2025-10-06 |
Root mixture analysis: methods and vision
2025-Sep, Trends in plant science
IF:17.3Q1
DOI:10.1016/j.tplants.2025.07.003
PMID:40781027
|
综述 | 本文综述了作物根系混合物分析的方法与愿景，强调开发标准化、经济高效的根系表型分析方法的迫切性 | 提出利用与根系功能相关的理化性状作为物种识别标记，并通过优化深度学习和机器学习方法实现高通量根系混合物分析 | 当前工具无法实现非破坏性采样的根系物种区分，导致研究规模受限 | 开发支持可持续农业的根系混合物分析方法 | 多样化作物混合物中的根系相互作用 | 机器学习 | NA | 根系表型分析 | 深度学习, 机器学习 | 根系理化性状数据 | NA | NA | NA | NA | NA |
| 1085 | 2025-10-06 |
Automated surgical workflow recognition in privacy-preserving depth videos of the operating room
2025-Sep, Surgical endoscopy
DOI:10.1007/s00464-025-12031-6
PMID:40770511
|
研究论文 | 本研究使用深度学习技术，基于隐私保护的深度视频实现手术室工作流程的自动识别 | 首次在手术室工作流程识别中采用隐私保护的深度摄像头，并提出新的阶段持续时间估计误差评估指标 | 实时预测性能低于术后分析，性能受摄像头在手术室中的位置影响 | 开发自动识别手术室工作流程的方法以提高手术室效率 | 21台腹腔镜手术的深度视频数据 | 计算机视觉 | NA | 深度摄像头视频采集 | 深度学习 | 深度视频 | 21台腹腔镜手术 | NA | ASFormer | 平均精度均值, 平均绝对误差 | NA |
| 1086 | 2025-10-06 |
Training of physical neural networks
2025-Sep, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-09384-2
PMID:40903603
|
综述 | 本文探讨了物理神经网络(PNNs)的训练方法及其在人工智能计算中的潜在应用 | 提出利用模拟物理系统直接执行计算的新型神经网络架构，可能改变人工智能计算的基本范式 | 目前仅局限于小规模实验室演示，尚无方法能够扩展到与当前反向传播算法相媲美的大型模型 | 探索物理神经网络的训练方法及其在人工智能领域的应用潜力 | 物理神经网络及其训练算法 | 机器学习 | NA | 模拟物理计算 | 物理神经网络 | NA | NA | NA | NA | NA | 模拟物理系统 |
| 1087 | 2025-10-06 |
Applying Deep Learning to Quantify Drivers of Long-Term Ecological Change in a Swedish Marine Protected Area
2025-Sep, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.72091
PMID:40904377
|
研究论文 | 应用深度学习技术分析瑞典海洋保护区长期生态变化驱动因素 | 首次将目标检测模型应用于海洋保护区长期视频监测数据，量化底栖无脊椎动物的深度分布和丰度趋势 | 仅针对瑞典西海岸单一研究地点的17个分类群进行分析，结果可能不具有普遍性 | 量化海洋保护区长期生态变化驱动因素 | 瑞典Kosterhavet国家公园海底底栖无脊椎动物 | 计算机视觉 | NA | 视频监测，深度学习 | 目标检测模型 | 视频影像 | 1997-2023年间72,369条出现记录 | NA | NA | 平均精度均值(mAP) | NA |
| 1088 | 2025-10-06 |
Lightweight and precise cell classification based on holographic tomography-derived refractive index point cloud
2025-Sep, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.9.096501
PMID:40904524
|
研究论文 | 提出基于全息层析成像折射率点云的轻量级精确细胞分类方法 | 将3D折射率体素数据转换为点云表示，并专门设计RI-PointNet++深度学习模型，在保持分类精度的同时大幅降低计算复杂度 | 仅针对HeLa细胞活力分类进行验证，未在其他细胞类型或疾病场景中测试 | 开发基于全息层析成像3D折射率点云数据的高效准确细胞分类方法 | HeLa细胞的活力状态 | 计算机视觉 | NA | 全息层析成像 | 深度学习 | 3D折射率点云 | NA | NA | RI-PointNet++ | 准确率 | 中央处理器(CPU)硬件 |
| 1089 | 2025-10-06 |
Enzyme functional classification using artificial intelligence
2025-Sep, Trends in biotechnology
IF:14.3Q1
DOI:10.1016/j.tibtech.2025.03.003
PMID:40155269
|
综述 | 本文综述了人工智能在酶功能分类与预测中的研究进展，从传统机器学习过渡到深度学习，并展望了生成式AI与生物大数据结合的未来方向 | 系统总结了AI在酶功能预测领域从传统机器学习到深度学习的演进，特别强调了深度学习自动特征提取的优势，并前瞻性地提出生成式AI与生物大数据结合用于新酶功能发现和从头酶设计 | NA | 探讨人工智能技术在酶功能分类与预测中的应用与发展趋势 | 酶的功能分类与预测 | 机器学习 | NA | 人工智能，机器学习，深度学习 | NA | 生物化学数据 | NA | NA | NA | NA | NA |
| 1090 | 2025-10-06 |
Synthesized myelin and iron stainings from 7T multi-contrast MRI via deep learning
2025-Sep, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121417
PMID:40784593
|
研究论文 | 开发深度学习模型从7T多对比度MRI数据生成铁和髓磷脂染色图像 | 首次使用自注意力生成对抗网络从体内MRI数据合成达到离体组织学分辨率水平的铁和髓磷脂染色图像 | 模型训练仅使用有限样本（两个尸体头部），需要更多数据验证泛化能力 | 通过深度学习实现非侵入性的髓磷脂和铁染色图像合成，促进脑组织学研究 | 人脑组织（尸体头部和活体MRI数据） | 医学影像分析 | 神经退行性疾病 | 7T MRI, T1加权成像, 多回波GRE, R2*, QSM, 组织学染色 | GAN | MRI图像, 组织学图像 | 2个尸体头部标本和2个活体MRI数据集 | NA | 自注意力生成对抗网络 | 定性评估（图像细节相似度, 组织区分能力） | NA |
| 1091 | 2025-10-06 |
From Support Vector Machines to Neural Networks: Advancing Automated Velopharyngeal Dysfunction Detection in Patients With Cleft Palate
2025-Sep-01, Annals of plastic surgery
IF:1.4Q3
DOI:10.1097/SAP.0000000000004460
PMID:40911835
|
研究论文 | 本研究开发了一种基于神经网络的深度学习模型，用于从语音样本中自动检测腭裂患者的腭咽功能障碍 | 从支持向量机转向神经网络方法，开发自监督深度学习模型用于VPD自动检测 | 模型可能捕捉到混杂数据，需要解决此问题并实现多语言语音分析 | 在低收入和中等收入国家扩大腭咽功能障碍护理规模 | 腭裂修复后患者，包括30名对照组和30名VPD患者 | 机器学习 | 腭咽功能障碍 | 语音分析 | 神经网络 | 音频 | 60名患者，约8000个音频样本 | NA | 自监督深度学习 | 准确率, 宏精确率, 宏召回率, F1分数 | NA |
| 1092 | 2025-10-06 |
LoRA-PT: Low-rank adapting UNETR for hippocampus segmentation using principal tensor singular values and vectors
2025-Sep-01, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103254
PMID:40912142
|
研究论文 | 提出一种基于低秩自适应UNETR的参数量高效微调方法用于海马体分割 | 将transformer结构参数矩阵分解为三个三阶张量，通过张量奇异值分解生成仅需更新主奇异值和向量的低秩张量 | 方法在三个公开海马体数据集上验证，但未提及在其他脑部结构或医学图像分割任务中的泛化能力 | 开发参数高效的微调方法以降低海马体分割模型的计算需求和数据依赖 | 海马体脑部结构 | 医学图像分割 | 精神疾病 | 深度学习，张量分解 | UNETR | 医学图像 | 三个公开海马体数据集 | NA | UNETR, Transformer | 分割精度，参数更新数量 | NA |
| 1093 | 2025-10-06 |
Terahertz ptychography enabled by untrained physics-driven neural networks
2025-Sep-19, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.113278
PMID:40894909
|
研究论文 | 提出一种无需预训练的物理驱动神经网络方法，用于实现高质量太赫兹叠层衍射成像重建 | 开发了无需预训练数据的物理驱动神经网络，通过整合真实物理模型指导推理过程，适应不同成像对象和硬件 | 未提及具体的数据获取难度和计算资源需求限制 | 解决太赫兹波段叠层衍射成像中标记数据稀缺导致的神经网络泛化能力受限问题 | 太赫兹波段的相位成像 | 计算成像 | NA | 太赫兹叠层衍射成像 | 物理驱动神经网络 | 强度图像 | 单个数据集 | 神经网络 | 未指定具体架构 | 图像质量、横向分辨率、鲁棒性 | NA |
| 1094 | 2025-09-06 |
Enhancing Breast Density Assessment in Mammograms Through Artificial Intelligence
2025-Sep-05, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01657-6
PMID:40911159
|
研究论文 | 开发并评估一种基于深度学习的开源计算机视觉方法，用于乳腺X线摄影图像中的客观乳腺密度评估 | 提出结合定制设计卷积神经网络(CD-CNN)和极限学习机(ELM)层的创新模型，专注于资源有限医疗环境中的可及性和一致性 | 在外部mini-MIAS数据集上准确率(73.9%)明显低于内部测试集(95.4%)，表明可能存在泛化能力限制 | 开发低成本、可访问的AI解决方案，提供一致的乳腺密度分类以支持乳腺癌早期检测 | 乳腺X线摄影图像 | 计算机视觉 | 乳腺癌 | 深度学习 | CD-CNN with ELM | 图像 | 10,371张全视野数字乳腺X线摄影图像 | NA | NA | NA | NA |
| 1095 | 2025-10-06 |
Detectability Driven Recommendation of Anomaly Detection Models for Time-Series Data
2025-Sep-04, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3601712
PMID:40907047
|
研究论文 | 提出一种基于可检测性概念的时间序列异常检测模型推荐方法 | 首次引入可检测性概念，采用细粒度数据特征比较策略定义模型检测能力，并设计高效模型推荐算法 | 未明确说明算法在极端数据分布或大规模实时场景下的性能表现 | 解决在线异常检测应用中因计算资源限制无法同时运行多个检测模型的问题 | 时间序列异常检测模型 | 机器学习 | NA | 深度学习 | NA | 时间序列数据 | 真实时间序列数据集 | NA | NA | 有效性、效率 | NA |
| 1096 | 2025-10-06 |
Geometric-Driven Cross-Modal Registration Framework for Optical Scanning and CBCT Models in AR-Based Maxillofacial Surgical Navigation
2025-Sep-04, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3606469
PMID:40907041
|
研究论文 | 提出一种几何驱动的跨模态配准框架，用于光学扫描模型与CBCT模型在AR辅助颌面外科导航中的精确配准 | 结合几何特征提取与深度学习工作流程，实现低辐射不透性模板在CBCT中的精确定位 | NA | 提升牙科种植手术中放射模板空间定位的精确度 | 无牙颌或部分无牙颌患者的放射模板 | 计算机视觉 | 牙科疾病 | 光学扫描，锥形束计算机断层扫描（CBCT） | 深度学习 | 3D模型，医学影像 | NA | NA | NA | 均方根误差（RMSE），平均绝对误差（MAE） | NA |
| 1097 | 2025-09-06 |
Artificial intelligence oculomics for systemic health and longevity medicine: 2025 and beyond
2025-Sep-04, Current opinion in ophthalmology
IF:3.0Q1
DOI:10.1097/ICU.0000000000001174
PMID:40910901
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1098 | 2025-10-06 |
Vision transformer network discovers the prognostic value of pancreatic cancer pathology sections via interpretable risk scores
2025-Sep-03, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-03547-3
PMID:40897976
|
研究论文 | 本研究开发了一种改进的视觉Transformer模型，通过可解释风险评分从胰腺癌病理切片中发现预后价值 | 首次将改进的视觉Transformer模型应用于胰腺癌病理切片分析，结合空间注意力机制和ImageNet2012微调，生成可解释的风险评分 | 样本量相对有限（125例公共数据库病例和28例真实世界患者），验证集C-index相对较低（0.62） | 利用深度学习预测胰腺癌患者预后，推进病理切片的精准肿瘤学应用 | 胰腺癌及癌前病变患者的H&E染色全切片图像 | 计算机视觉 | 胰腺癌 | H&E染色病理切片成像 | Vision Transformer (ViT) | 病理图像 | 153例（125例公共数据库病例，28例真实世界患者） | PyTorch, TensorFlow | 改进的Vision Transformer with spatial attention | C-index, AUC, 中位生存期 | NA |
| 1099 | 2025-09-06 |
From shadow to sustainability: How informality, environmental taxes, and green innovation reshape carbon and biodiversity futures in the G7 countries
2025-Sep-03, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.127153
PMID:40907225
|
研究论文 | 本研究提出一个结合计量经济学模型与深度学习的集成框架，分析G7国家中非正规经济、环境税和绿色创新对消费碳排放和生物多样性的影响 | 首次将计量经济模型（CS-ARDL和FMOLS）与深度学习模型（LSTM和CNN）结合，量化非正规经济在气候与生物多样性政策中的影响 | 研究仅限于G7国家1994-2020年数据，可能无法完全推广到其他国家或时期 | 探讨非正规经济、环境税和绿色创新如何共同影响碳排放和生物多样性，以支持可持续发展转型 | G7国家（加拿大、法国、德国、意大利、日本、英国、美国） | 机器学习 | NA | 计量经济分析，深度学习 | LSTM, CNN, CS-ARDL, FMOLS | 时间序列数据 | G7国家1994-2020年的年度数据 | NA | NA | NA | NA |
| 1100 | 2025-10-06 |
Development and evaluation of deep learning models for detecting and classifying various bone tumours in full-field limb radiographs using automated object detection models
2025-Sep-02, Bone & joint research
IF:4.7Q1
|
研究论文 | 开发并评估用于在全视野肢体X光片中检测和分类良恶性骨肿瘤的深度学习模型 | 首次将DINO目标检测模型应用于骨肿瘤的自动检测和分类，并与专业医生的诊断性能进行系统比较 | 模型诊断错误主要发生在骨科肿瘤专家也难以诊断的病例或出现在不典型部位的肿瘤 | 开发全自动深度学习模型检测和分类骨肿瘤，并比较模型与医生的诊断性能 | 来自三个机构的642例肢体骨肿瘤病例（378例良性，264例恶性包括中间类型） | 计算机视觉 | 骨肿瘤 | X射线成像 | 目标检测模型 | X光图像 | 642例肢体骨肿瘤病例，包含40种病理确诊的诊断类型 | NA | DINO,YOLO | 准确率,灵敏度,特异性,精确率,F-measure,检测率 | NA |