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 1821 篇文献，本页显示第 1681 - 1700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1681 | 2025-10-24 |
Deep Learning-Based Contrast Boosting in Low-Contrast Media Pre-TAVR CT Imaging
2025-Nov, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251322054
PMID:40071690
|
研究论文 | 本研究探讨深度学习对比度增强技术在低对比剂CT成像中对图像质量和测量可靠性的影响 | 首次将深度学习对比度增强技术应用于肾功能不全患者的低对比剂TAVR术前CT评估 | 回顾性研究，样本量有限，需进一步前瞻性验证 | 评估深度学习对比度增强技术在低对比剂CT中的图像质量和测量可靠性 | 接受经导管主动脉瓣置换术的肾功能不全患者 | 医学影像分析 | 心血管疾病 | CT成像 | 深度学习 | 医学影像 | 68例患者（低对比剂组与标准对比剂对照组） | NA | NA | 对比噪声比, 信噪比, 组内相关系数 | NA |
| 1682 | 2025-10-23 |
Deep Learning for EEG-Based Visual Classification and Reconstruction: Panorama, Trends, Challenges and Opportunities
2025-Nov, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3568282
PMID:40343828
|
综述 | 本文首次系统综述了基于脑电图的视觉分类与重建领域的深度学习方法 | 首次对基于EEG的视觉分类与重建进行系统性综述，提出特征编码与解码的双重视角分析方法，并探讨方法论本质与神经科学见解的闭环互动关系 | 作为综述性论文，不包含原始实验数据和新算法开发 | 促进基于脑电图的视觉分类与重建领域的研究进展 | 脑电图信号与视觉信息处理 | 脑机接口, 深度学习 | NA | 脑电图 | NA | 脑电图信号, 视觉刺激数据 | NA | NA | NA | NA | NA |
| 1683 | 2025-10-19 |
Predictive Value of Social Determinants of Health on 90-Day Readmission and Health Utilization Following ACDF: A Comparative Analysis of XGBoost, Random Forest, Elastic-Net, SVR, and Deep Learning
2025-Nov, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682251332556
PMID:40173192
|
研究论文 | 本研究评估社会健康决定因素对前路颈椎间盘切除融合术患者90天再入院和医疗资源利用的预测价值 | 首次应用机器学习方法评估社会健康决定因素在ACDF手术预后中的作用 | 依赖单一医疗系统数据和使用代理SDH测量指标 | 评估社会健康决定因素对ACDF患者术后90天再入院和医疗资源利用的预测能力 | 3127名接受前路颈椎间盘切除融合术的患者 | 机器学习 | 颈椎疾病 | 社会脆弱性指数评估 | XGBoost, Random Forest, Elastic-Net, SVR, Deep Learning | 临床和人口统计学数据 | 3127名ACDF患者(2003-2023年) | NA | 平衡随机森林, 支持向量回归 | AUC, MAE | NA |
| 1684 | 2025-06-10 |
Re: Using Deep Learning To Differentiate Among Histology Renal Tumor Types in Computed Tomography Scans
2025-Nov, European urology
IF:25.3Q1
DOI:10.1016/j.eururo.2025.05.028
PMID:40484756
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1685 | 2025-10-13 |
Model predictive control of nonlinear dynamical systems based on long sequence stable Koopman network
2025-Nov, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2025.07.003
PMID:40653404
|
研究论文 | 提出一种基于长序列稳定Koopman网络的非线性动力系统模型预测控制方法 | 提出SDKN-MPC方法，通过稳定Koopman求解器算法获得稳定Koopman算子，结合神经网络训练嵌入函数，解决了传统深度学习方法收敛慢和长期预测稳定性不足的问题 | NA | 解决非线性动力系统的控制问题 | 非线性动力系统 | 机器学习 | NA | Koopman算子方法 | 神经网络 | 动力系统数据 | NA | NA | 稳定深度Koopman网络 | 收敛速度，预测性能 | NA |
| 1686 | 2025-10-05 |
Efficient Visual Transformer by Learnable Token Merging
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3588186
PMID:40663671
|
研究论文 | 提出一种可学习令牌合并的紧凑型视觉Transformer块LTM-Transformer，用于提升视觉任务的效率 | 通过可学习的令牌合并方案减少计算量，并基于信息瓶颈理论推导出可分离的变分上界来指导模型设计 | NA | 开发高效的视觉Transformer模型以降低计算成本同时保持或提升预测精度 | 视觉Transformer模型 | 计算机视觉 | NA | 深度学习 | Transformer | 图像 | NA | NA | LTM-Transformer, MobileViT, EfficientViT, ViT, Swin | FLOPs, 推理时间, 预测准确率 | NA |
| 1687 | 2025-10-05 |
Re-Boosting Self-Collaboration Parallel Prompt GAN for Unsupervised Image Restoration
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3589606
PMID:40668718
|
研究论文 | 提出一种用于无监督图像恢复的自协作并行提示生成对抗网络框架 | 引入自协作策略，通过迭代增强修复器和提示学习模块，在不增加推理复杂度的情况下显著提升性能；提出再增强模块将自集成策略融入自协作框架 | 未明确说明具体数据集规模和应用场景限制 | 提升无监督图像恢复方法的性能 | 退化图像 | 计算机视觉 | NA | 生成对抗网络 | GAN | 图像 | NA | NA | 并行生成对抗分支架构 | PSNR（峰值信噪比） | NA |
| 1688 | 2025-10-05 |
NUPES: Non-Uniform Post-Training Quantization via Power Exponent Search
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3593987
PMID:40758517
|
研究论文 | 提出一种通过幂指数搜索的非均匀后训练量化方法NUPES，用于深度神经网络特别是大语言模型的压缩部署 | 利用自同构保持标量乘法，通过幂函数变换实现非均匀量化，并提出在完整量化空间中学习新权重的优化范式 | 论文未明确说明具体计算资源需求和最大可处理模型规模 | 降低深度神经网络特别是大语言模型的内存占用和推理延迟 | 深度神经网络权重和激活值，特别关注大语言模型中的异常值 | 机器学习 | NA | 后训练量化 | Transformer | 神经网络权重和激活值 | NA | NA | Transformer, 大语言模型 | 压缩率，推理延迟，内存占用 | NA |
| 1689 | 2025-10-05 |
Protecting Feature Privacy in Person Re-Identification
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3590979
PMID:40758524
|
研究论文 | 提出一种基于GAN的特征隐私保护行人重识别模型，通过双重对抗目标和两步训练策略平衡隐私保护与识别性能 | 引入GAN强制重建图像遵循原始图像分布，提出效用-可逆比(URR)评估指标，设计两步训练和惰性更新策略解决双重对抗优化难题 | 在保护隐私的同时仍会带来微小的识别精度损失 | 保护行人重识别中深度特征的隐私安全，防止特征被逆向还原为原始图像 | 行人重识别系统中的深度特征表示 | 计算机视觉 | NA | 生成对抗网络(GAN) | GAN, CNN | 图像 | NA | NA | GAN | 效用-可逆比(URR), 识别准确率 | NA |
| 1690 | 2025-10-05 |
EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose Estimation
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3354997
PMID:38227417
|
研究论文 | 提出一种广义端到端概率性PnP方法EPro-PnP，用于单目物体姿态估计 | 将PnP构建为可输出SE(3)流形上姿态分布的概率层，通过最小化预测与目标姿态分布的KL散度来学习2D-3D对应关系 | 未明确说明方法在极端遮挡或光照条件下的鲁棒性 | 解决单目RGB图像中3D物体姿态估计问题 | 3D物体姿态 | 计算机视觉 | NA | 深度学习 | 神经网络 | RGB图像 | NA | NA | 可变形对应网络 | 姿态精度 | NA |
| 1691 | 2025-10-05 |
Deep Learning-Based Point Cloud Compression: An In-Depth Survey and Benchmark
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3594355
PMID:40742848
|
综述 | 本文系统综述了基于深度学习的点云压缩方法，包括数据集介绍、算法演进、基准测试分析和未来趋势展望 | 首次对深度学习点云压缩领域进行全面系统综述，并进行了广泛的基准测试比较分析 | 作为综述性文章，主要依赖现有文献分析，缺乏原创性算法提出 | 总结深度学习点云压缩的研究进展并指明未来研究方向 | 点云压缩算法、数据集和国际标准 | 计算机视觉 | NA | 深度学习 | NA | 点云数据 | 多个点云数据集 | NA | NA | 基准测试比较 | NA |
| 1692 | 2025-10-05 |
SEMI-CAVA: A Causal Variational Approach to Semi-Supervised Learning
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3594360
PMID:40742852
|
研究论文 | 提出一种结合因果推理和变分推断的半监督学习方法SEMI-CAVA | 将Mixup策略解释为随机干预并引入一致性损失以促进潜在表示的一致性，为学习到的潜在表示与真实因果因子对齐提供理论保证 | NA | 开发用于半监督学习的因果生成模型 | 医学数据集和标准基准数据集(CIFAR10, CIFAR100, SVHN) | 机器学习 | NA | 变分推断 | 生成模型 | 多模态医学数据，图像数据 | NA | NA | NA | NA | NA |
| 1693 | 2025-10-05 |
VLPose: Bridging the Domain Gap in Pose Estimation With Language-Vision Tuning
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3594097
PMID:40788797
|
研究论文 | 提出了一种名为VLPose的新框架，通过语言-视觉调优来解决姿态估计中的领域差距问题 | 利用语言模型的潜力增强传统姿态估计模型的适应性，通过语言和视觉的协同作用扩展姿态估计模型的泛化能力和鲁棒性 | NA | 通过高效的调优策略弥合自然场景和人工场景之间的领域差距 | 人体姿态估计 | 计算机视觉 | NA | 语言-视觉调优 | NA | 图像 | HumanArt和MSCOCO数据集 | NA | VLPose | 准确率提升百分比 | NA |
| 1694 | 2025-10-05 |
Progress of MRI-based radiomics and deep learning for predicting the prognosis of locally advanced rectal cancer (Review)
2025-Nov, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15282
PMID:41040910
|
综述 | 回顾基于MRI的影像组学和深度学习在预测局部晚期直肠癌患者预后方面的最新进展 | 系统总结了多参数影像组学模型、Delta影像组学和深度学习模型在预测局部晚期直肠癌预后方面的性能提升 | NA | 改善局部晚期直肠癌患者的长期生存结果 | 接受新辅助放化疗的局部晚期直肠癌患者 | 数字病理 | 直肠癌 | MRI影像组学, 深度学习 | 深度学习模型 | MRI图像 | NA | NA | NA | AUC, C-index | NA |
| 1695 | 2025-10-05 |
An overview of the current situation and future development direction of grain detection: taking computer vision combined with deep learning
2025-Nov, Journal of food science and technology
DOI:10.1007/s13197-025-06428-3
PMID:41041505
|
综述 | 本文综述了计算机视觉与深度学习在粮食检测领域的应用现状及未来发展方向 | 系统梳理了计算机视觉与深度学习在粮食质量检测中的结合应用，并探讨了未来发展趋势 | NA | 探讨计算机视觉与深度学习技术在粮食质量检测领域的应用现状和发展方向 | 粮食质量检测技术 | 计算机视觉 | NA | 计算机视觉，深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 1696 | 2025-10-05 |
Applications of artificial intelligence and nanotechnology in vaccine development
2025-Nov-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.126096
PMID:40886810
|
综述 | 探讨人工智能和纳米技术在疫苗开发中的协同应用及其对传统疫苗研发局限性的突破 | 提出人工智能与纳米技术协同整合的创新范式，通过AI算法优化抗原设计结合纳米载体精准递送，实现个性化免疫策略开发 | 未提及具体临床转化挑战和规模化生产成本控制等实践性限制 | 推动疫苗研发技术革新以应对新发传染病和复杂疾病挑战 | 疫苗设计、递送系统和免疫优化策略 | 机器学习 | 传染病 | 基因组学、蛋白质组学、免疫组学数据分析 | 机器学习,深度学习 | 基因组数据,蛋白质组数据,免疫学数据 | NA | NA | NA | NA | NA |
| 1697 | 2025-10-05 |
Label-free classification of nanoscale drug delivery systems using hyperspectral imaging and convolutional neural networks
2025-Nov-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.126065
PMID:40885220
|
研究论文 | 本研究开发了一种结合高光谱成像和深度学习技术的无标记纳米药物递送系统分类方法 | 首次将3D卷积神经网络与高光谱成像结合用于无标记脂质体分类，并采用SMOTE技术解决药物数据集中的类别不平衡问题 | 研究中未明确说明样本量的具体数值，且方法在更广泛的纳米颗粒类型上的适用性有待验证 | 开发无标记、非侵入性的纳米药物递送系统表征方法 | 治疗性脂质体（对照组和阿霉素负载脂质体） | 计算机视觉 | NA | 高光谱成像，暗场成像 | 3D CNN | 高光谱图像 | NA | NA | 3D CNN | 准确率，F1分数，Cohen's Kappa | NA |
| 1698 | 2025-10-05 |
Does Sequence Clustering Confound AlphaFold2?
2025-Nov-01, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169376
PMID:40780395
|
评论 | 本文回应了多篇论文对AF-Cluster方法的误解和错误结论，并进一步分析证实了局部进化耦合在AlphaFold2多构象预测中的重要作用 | 通过进一步分析证实局部进化耦合在AF-Cluster预测中的关键作用，反驳了相关文献中的错误主张 | NA | 澄清AlphaFold2多构象采样方法中的误解，解释深度学习模型预测结果的原理 | 蛋白质多构象状态预测方法 | 结构生物学 | NA | 深度学习 | AlphaFold2 | 蛋白质序列 | NA | NA | AlphaFold2 | NA | NA |
| 1699 | 2025-10-05 |
FoldExplorer: Fast and Accurate Protein Structure Search with Sequence-Enhanced Graph Embedding
2025-Nov-01, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169412
PMID:40889693
|
研究论文 | 提出一种名为FoldExplorer的新型深度学习方法，用于快速准确的蛋白质结构搜索 | 结合图注意力神经网络和蛋白质语言模型，联合编码结构和序列信息，生成专门用于蛋白质结构搜索的嵌入表示 | NA | 开发高效的蛋白质结构搜索方法以应对蛋白质结构数据库的指数级扩张 | 蛋白质结构 | 生物信息学 | NA | 图注意力神经网络，蛋白质语言模型 | 图神经网络 | 蛋白质结构数据，序列数据 | NA | NA | 图注意力神经网络 | 几何相似性搜索精度，分类准确率 | NA |
| 1700 | 2025-10-05 |
Comparative Study of a Variant Neural Relational Inference Deep Learning Model and Dynamical Network Analysis for p53-DNA Allosteric Interactions
2025-Nov-01, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169374
PMID:40769488
|
研究论文 | 本研究比较了改进的神经关系推理深度学习模型与动态网络分析在p53-DNA变构相互作用中的表现 | 通过集成Transformer的多头自注意力模块改进神经关系推理模型，首次系统比较深度学习与动态网络分析在蛋白质变构研究中的差异 | 研究主要针对p53-DNA系统，未验证在其他蛋白质体系中的普适性 | 比较不同计算方法在蛋白质变构相互作用研究中的性能差异 | p53蛋白与DNA的变构相互作用，包括野生型和突变型p53 | 机器学习 | NA | 动态网络分析，深度学习 | 神经关系推理(NRI)，Transformer | 蛋白质结构数据，分子动力学数据 | 野生型和突变型p53-DNA复合物 | NA | 改进的神经关系推理模型，多头自注意力机制 | 准确性，全面性 | NA |