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 1103 篇文献，本页显示第 501 - 520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 501 | 2025-10-31 |
Combining deep learning and microfluidics for fast and noninvasive sorting of zebrafish embryo
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17946-7
PMID:41162419
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 502 | 2025-11-03 |
Optimizing deep learning models for on-orbit deployment through neural architecture search
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21467-8
PMID:41162441
|
研究论文 | 提出基于神经架构搜索的进化算法框架，优化面向星载边缘计算设备的深度学习模型部署 | 将硬件感知嵌入优化循环，联合优化网络架构与部署方案，实现资源受限平台上的实时推理 | 仅针对特定CubeSat硬件平台进行验证，未涵盖所有类型的星载计算设备 | 通过神经架构搜索实现模型压缩，平衡精度、模型大小和推理延迟 | CubeSat卫星的星载边缘计算设备 | 机器学习 | NA | 神经架构搜索 | 深度学习模型 | 遥感图像 | NA | NA | EfficientNet-lite0 | mIoU, MCC, 延迟, 加速比 | NVIDIA Jetson AGX, Intel Myriad X, NVIDIA A100-SXM |
| 503 | 2025-11-03 |
LyricEmotionNet for robust emotion recognition with hybrid CapsNet-memory network architecture
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21593-3
PMID:41162458
|
研究论文 | 提出一种基于CapsNet和记忆网络的混合深度学习架构LyricEmotionNet，用于歌词情感识别任务 | 结合CapsNet和记忆网络的混合架构，能同时处理局部情感特征和长序列依赖关系，在数据缺失场景下表现优异 | 仅基于660首歌曲的数据集进行验证，需要更大规模数据验证泛化能力 | 解决歌词情感分析中的局部特征提取和长距离依赖建模挑战 | 音乐歌词文本数据 | 自然语言处理 | NA | 深度学习 | CapsNet, Memory Network | 文本 | 660首歌曲，涵盖6种情感类别 | NA | CapsNet, Memory Network | 准确率 | NA |
| 504 | 2025-11-03 |
SCBM-Net: a multimodal feature fusion-based dual-channel method for bearing fault diagnosis
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21665-4
PMID:41162495
|
研究论文 | 提出基于双通道多模态融合架构的SCBM-Net深度学习模型用于轴承故障诊断 | 创新性地结合连续小波变换和变分模态分解提取互补特征，采用双通道架构分别处理时频图像和时序信号 | NA | 解决复杂工况下轴承故障诊断中单模态方法的局限性 | 轴承故障诊断 | 机器学习 | NA | 连续小波变换(CWT), 变分模态分解(VMD) | 深度学习, Swin Transformer, CNN, BiGRU, 注意力机制 | 时频图像, 时序信号 | CWRU数据集和SEU轴承数据集 | NA | Swin Transformer, CNN-BiGRU-Attention, 多模态紧凑双线性池化(MCB) | 准确率 | NA |
| 505 | 2025-11-03 |
A deep learning-based dual-branch framework for automated skin lesion segmentation and classification via dermoscopic Images
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21783-z
PMID:41162506
|
研究论文 | 提出一种基于深度学习的双分支框架，通过皮肤镜图像实现皮肤病变的自动分割和分类 | 开发了同时执行分割和分类的双分支框架，结合视觉外观和形态学特征进行综合分析 | NA | 开发自动化皮肤病变诊断系统 | 皮肤镜图像中的皮肤病变 | 计算机视觉 | 皮肤疾病 | 皮肤镜成像 | 深度学习 | 图像 | 五个基准数据集（包括HAM10000、PH2、ISIC 2016-2018） | NA | EfficientNet-B7, DenseNet-121, ASPP, Transformer | Dice系数, IoU, 准确率, 灵敏度, 特异性 | NA |
| 506 | 2025-11-03 |
Detection, localization, and staging of breast cancer lymph node metastasis in digital pathology whole slide images using selective neighborhood attention-based deep learning
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21787-9
PMID:41162515
|
研究论文 | 提出一种基于选择性邻域注意力的深度学习框架，用于在数字病理全切片图像中检测、定位和分期乳腺癌淋巴结转移 | 结合细胞核级特征与组织级嵌入，采用动态注意力机制选择并强调与目标区域相似的邻域区域 | NA | 精确检测、标注和分期乳腺癌淋巴结转移，为治疗决策和预后预测提供支持 | 乳腺癌淋巴结转移的病理切片图像 | 数字病理 | 乳腺癌 | 数字病理全切片成像 | 深度学习, Transformer | 全切片图像 | CAMELYON16和CAMELYON17数据集 | NA | 双路径特征提取器, 选择性邻域注意力机制 | 灵敏度, 精确度, F1分数, Dice系数, Jaccard指数, FROC评分, AUC, kappa分数 | NA |
| 507 | 2025-11-03 |
A deep learning approach to predict temporal changes of subdural hemorrhage on computed tomography
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21721-z
PMID:41162522
|
研究论文 | 本研究开发了一种深度学习模型，通过CT扫描预测硬膜下出血的时间变化 | 首次利用亨氏单位(HU)值通过深度学习模型预测硬膜下出血的急性、亚急性和慢性分期 | 仅使用825个预处理CT切片，样本量相对有限 | 开发能够预测硬膜下出血时间变化的深度学习模型 | 硬膜下出血患者的CT扫描图像 | 计算机视觉 | 脑血管疾病 | CT扫描 | CNN | 医学图像 | 825个预处理CT切片 | Python, Google Colab | 卷积神经网络 | 准确率, 敏感度, 特异性, 精确率, F1分数, AUC-ROC | Google Colab云平台 |
| 508 | 2025-11-03 |
Enhanced drug-drug interaction extraction from biomedical text using deep learning-based sentence representations
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21782-0
PMID:41162586
|
研究论文 | 提出一种基于卷积神经网络的CNN-DDI模型，用于从生物医学文本中高效提取药物相互作用关系 | 开发了计算效率更高的CNN-DDI模型，在保持竞争力的性能同时显著降低计算资源需求 | 仅在SemEval-2013数据集上进行评估，未在其他数据集验证泛化能力 | 改进从生物医学文本中提取药物相互作用关系的方法 | 药物相互作用关系 | 自然语言处理 | NA | 文本挖掘 | CNN | 文本 | SemEval-2013数据集 | NA | CNN-DDI | 准确率,F1分数 | NA |
| 509 | 2025-11-03 |
Deep learning-based bacterial foraging optimization algorithm to improve digital mammography-based breast cancer detection
2025-Oct-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97301-y
PMID:41162641
|
研究论文 | 本研究提出基于细菌觅食优化算法的深度学习方法来改进数字乳腺X线摄影的乳腺癌检测 | 首次将细菌觅食优化算法(BFO)应用于卷积神经网络超参数优化，显著提升了乳腺癌检测准确率 | 仅使用单一数据集(DDSM)进行验证，未在其他数据集上测试泛化能力 | 通过深度学习技术改进基于乳腺X线摄影的乳腺癌早期检测 | 乳腺X线摄影图像中的乳腺癌病变 | 计算机视觉 | 乳腺癌 | 数字乳腺X线摄影 | CNN | 医学图像 | DDSM乳腺X线摄影数据集 | NA | VGG19, InceptionV3, 自定义20层CNN | 准确率 | NA |
| 510 | 2025-11-03 |
De Novo Design of High-Performance Sec-type Signal Peptide via a Hybrid Deep Learning Architecture
2025-Oct-27, JACS Au
IF:8.5Q1
DOI:10.1021/jacsau.5c00757
PMID:41169554
|
研究论文 | 开发了一种结合规则域组装和Transformer深度生成模型的混合深度学习架构SPgo，用于从头设计高性能Sec型信号肽 | 首次将规则域组装与Transformer深度生成模型相结合，通过BERT-LSTM管道探索疏水核心区的广阔序列空间，突破了传统方法的限制 | NA | 开发计算框架优化信号肽设计，提高蛋白质分泌效率 | Sec型信号肽序列 | 机器学习 | NA | 深度生成模型 | Transformer, BERT, LSTM | 蛋白质序列数据 | 多种蛋白质靶标（荧光蛋白、工业酶、生物活性肽） | NA | Transformer, BERT-LSTM混合架构 | 蛋白质产量（mg/L） | NA |
| 511 | 2025-11-03 |
A Study on the Performance Comparison of Brain MRI Image-Based Abnormality Classification Models
2025-Oct-16, Life (Basel, Switzerland)
DOI:10.3390/life15101614
PMID:41157286
|
研究论文 | 本研究比较了基于脑部MRI图像的异常分类模型性能，重点评估了深度学习与传统机器学习方法的差异 | 在合成数据集上系统比较了自定义CNN、ResNet-50迁移学习与传统机器学习方法在脑MRI异常分类中的表现 | 结果基于合成数据集，需要进一步用真实临床MRI数据验证才能确定临床适用性 | 开发并比较脑部MRI图像的异常分类模型性能 | 脑部MRI图像（正常与异常） | 计算机视觉 | 脑部疾病 | MRI成像 | CNN, ResNet-50, SVM, 随机森林 | 图像 | 合成数据集10,000张图像（5,000正常+5,000异常），参考数据集253张真实患者MRI图像（98正常+155异常） | NA | ResNet-50, 自定义CNN | 准确率, F1分数 | NA |
| 512 | 2025-11-03 |
Deep Learning Models for Automatic Classification of Anatomic Location in Abdominopelvic Digital Subtraction Angiography
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01351-z
PMID:39789320
|
研究论文 | 本研究开发深度学习模型用于自动分类腹盆腔数字减影血管造影中的解剖位置 | 提出使用模式模型和多示例学习模型处理DSA序列中的信息稀疏性问题，并自动识别关键图像 | 数据来自单一医疗中心，样本量相对有限 | 评估深度学习算法在DSA序列中自动识别解剖位置的性能 | 腹主动脉、腹腔动脉、肠系膜上动脉、肠系膜下动脉和双侧髂外动脉的DSA图像 | 计算机视觉 | 心血管疾病 | 数字减影血管造影 | 深度学习 | 医学图像序列 | 来自205名患者和276个手术的819个血管造影序列 | NA | 模式模型, 多示例学习模型 | 多类分类准确率, McNemar检验 | NA |
| 513 | 2025-09-12 |
Multi-region ultrasound-based deep learning for post-neoadjuvant therapy axillary decision support in breast cancer
2025-Oct, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2025.105916
PMID:40929754
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 514 | 2025-11-03 |
MMSE-Based Dementia Prediction: Deep vs. Traditional Models
2025-Oct-01, Life (Basel, Switzerland)
DOI:10.3390/life15101544
PMID:41157217
|
研究论文 | 本研究开发了基于MMSE数据的深度学习痴呆预测模型，并与传统机器学习模型进行性能比较 | 首次将项目级MMSE特征与可解释AI（SHAP分析）结合，实现高预测准确性和临床可解释性 | 使用单一临床中心数据且样本量较小，可能限制模型的泛化能力 | 开发准确的早期痴呆预测模型并比较深度学习方法与传统方法的性能 | 164名参与者，分为认知正常组、轻度认知障碍组和痴呆组 | 机器学习 | 老年疾病 | MMSE认知功能评估 | 全连接神经网络, Random Forest, SVM | 临床评估数据 | 164名参与者 | NA | 全连接神经网络 | 准确率, F1分数, 混淆矩阵, ROC曲线 | NA |
| 515 | 2025-11-03 |
Leveraging artificial intelligence for risk stratification of inherited cardiomyopathies in under-resourced settings
2025-Oct, Heart rhythm O2
IF:2.5Q2
DOI:10.1016/j.hroo.2025.07.020
PMID:41169969
|
综述 | 评估人工智能在资源匮乏地区遗传性心肌病风险分层中的应用潜力 | 首次将多种AI技术整合到统一框架中，针对资源匮乏地区的遗传性心肌病风险预测提出系统性解决方案 | 主要基于文献综述，缺乏实际临床验证数据 | 探索AI技术在改善资源匮乏地区遗传性心肌病风险分层和个性化护理中的作用 | 遗传性心肌病患者，特别是资源匮乏地区的年轻人群 | 自然语言处理, 机器学习 | 心血管疾病 | 机器学习, 深度学习, 自然语言处理 | NA | 电生理数据, 影像数据, 临床数据 | NA | NA | NA | NA | NA |
| 516 | 2025-11-02 |
A review of the application of deep learning in thyroid nodule imaging: from model architectures to training methods and core image analysis tasks
2025-Oct-31, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae1505
PMID:41115427
|
综述 | 系统回顾深度学习在甲状腺结节影像分析中的应用，涵盖模型架构、训练方法和核心任务 | 从模型架构、训练方法和核心任务三个维度系统总结深度学习在甲状腺结节影像分析中的最新进展 | NA | 为未来相关研究提供有价值的参考见解和改进方向 | 甲状腺结节医学影像 | 计算机视觉 | 甲状腺结节 | 医学影像分析 | CNN, RNN, GAN, Transformer, 混合模型 | 医学影像 | NA | NA | NA | NA | NA |
| 517 | 2025-11-02 |
An explainable modified convolutional mixer neural network-based deep learning framework for accurate brain tumor detection and classification
2025-Oct-31, Neurological research
IF:1.7Q4
DOI:10.1080/01616412.2025.2574357
PMID:41170771
|
研究论文 | 提出一种可解释的改进卷积混合神经网络框架，用于精确检测和分类脑肿瘤 | 结合ConvMixer+块去除冗余特征、CANet融合多尺度特征、EANet精炼空间特征，并使用Grad-CAM增强模型可解释性 | 仅使用公开数据集，未在临床环境中进行验证 | 开发计算效率高且可解释的脑肿瘤检测分类方法 | 脑部MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, ANN | 图像 | 10,087张MRI图像（来自两个公开数据集） | NA | EM-ConvMixer+Net, ConvMixer+, CANet, EANet, M-ANN | 准确率, F1分数 | NA |
| 518 | 2025-11-02 |
Hybrid deep learning model for spinal tumor diagnosis on MRI scans
2025-Oct-31, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.1177/09287329251385793
PMID:41172043
|
研究论文 | 提出一种结合MRI图像和患者年龄数据的混合深度学习模型，用于脊柱肿瘤的诊断和分类 | 融合Inception V3和Vision Transformer的混合模型，结合患者年龄信息，使用自注意力融合机制提升诊断准确性 | NA | 提高脊柱肿瘤诊断准确率，区分良性和恶性肿瘤 | 脊柱肿瘤患者的MRI扫描图像和年龄数据 | 计算机视觉 | 脊柱肿瘤 | MRI扫描 | 混合深度学习模型 | 图像, 临床数据 | NA | NA | Inception V3, Vision Transformer | 准确率, 敏感性, 特异性 | NA |
| 519 | 2025-11-02 |
Ensemble learning of attention-based BiLSTM networks for ADHD detection from EEG signals code
2025-Oct-31, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2576625
PMID:41173469
|
研究论文 | 提出一种基于注意力机制的双向LSTM集成学习方法，用于从脑电图信号中检测注意力缺陷多动障碍 | 使用并行注意力机制的双向LSTM集成学习模型，结合频谱图、分形维度和递归图等多种特征提取方法 | NA | 开发客观准确的ADHD自动检测方法 | 脑电图信号 | 机器学习 | 注意力缺陷多动障碍 | 脑电图 | BiLSTM, 集成学习 | 脑电图信号 | 两个数据集 | NA | PABiLSTM, ResNet-50 | 准确率 | NA |
| 520 | 2025-11-02 |
Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection
2025-Oct-31, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12069-z
PMID:41174040
|
研究论文 | 本研究开发了一种基于深度学习的T1和T2心脏MRI图像分割方法，用于自动化疾病检测 | 首次将深度学习应用于心脏T1/T2图谱分割，并探索了多种强度统计特征在疾病检测中的效用 | 样本量相对较小（144名受试者），需要更大规模的外部验证 | 评估深度学习在心脏MRI分割中的准确性，并探索多特征机器学习在疾病检测中的优势 | 心脏T1和T2图谱的左心室血池和心肌组织 | 医学影像分析 | 心血管疾病 | 心脏MRI，T1/T2 mapping | 深度学习，机器学习 | 医学影像 | 144名受试者（平均年龄42.2±16.1岁，76名男性），分为训练集100例、验证集15例和测试集29例 | NA | NA | Dice相似系数，平均绝对百分比误差，F1分数，精确率，召回率，AUC | NA |