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 4 篇文献。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-05-31 |
A new method for accurate detection of counterfeit sesame oil using three-dimensional fluorescence spectroscopy
2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.128055
PMID:42143998
|
研究论文 | 提出一种基于差分光谱重建和TabTransformer-XGBoost深度学习模型的方法，用于准确检测掺假芝麻油 | 首次将差分光谱重建技术与TabTransformer-XGBoost深度学习模型结合，同时实现芝麻油真伪分类和芝麻香精浓度的定量预测 | 未提及方法在不同品牌或不同批次芝麻油中的泛化能力，以及样本来源和数量的具体描述 | 开发一种高精度检测芝麻油掺假的新方法 | 芝麻油及掺入芝麻香精的假冒产品 | 机器学习 | 不适用 | 三维荧光光谱 | TabTransformer-XGBoost | 三维荧光光谱数据 | 不适用 | TabTransformer, XGBoost | TabTransformer, XGBoost | 准确率, 相关系数R, 均方根误差RMSE, 平均绝对百分比误差MAPE, 平均绝对误差MAE | NA |
| 2 | 2026-05-31 |
Deep learning-assisted metasurface-enhanced near-infrared spectroscopy for alcohol detection
2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.128007
PMID:42085821
|
研究论文 | 本研究介绍了一种深度学习辅助的超表面平台，用于近红外光谱分析，能够同时定性和定量检测多种醇类物质 | 结合超表面增强近红外光谱与深度学习模型（CNN-Transformer混合架构），实现了醇类物质的高精度定性和定量检测 | NA | 开发深度学习辅助的超表面近红外光谱平台，用于多醇类物质的定性和定量分析 | 多种醇类物质 | 机器学习, 计算机视觉 | NA | 近红外光谱, 超表面 | CNN, Transformer | 光谱数据 | NA | NA | CNN, Transformer | 决定系数, 均方根误差, 识别准确率 | NA |
| 3 | 2026-05-31 |
Identification of soybean variety based on spectral data and RGB image fusion combined with deep learning method
2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.128009
PMID:42107308
|
研究论文 | 提出一种基于高光谱数据与RGB图像融合及改进YOLOv11深度学习框架的大豆品种识别方法 | 创新性融合高光谱与RGB图像数据，提出线性插值方法集成光谱与视觉信息，并通过优化参数效率和增强空间注意力机制改进YOLOv11架构 | 未明确提及局限性 | 实现大豆品种的高精度识别，为农产品分类和质量控制提供新策略 | 大豆品种 | 计算机视觉, 机器学习 | NA | 高光谱成像, RGB成像 | YOLOv11 | 图像, 光谱数据 | NA | NA | YOLOv11 | 准确率 | NA |
| 4 | 2026-05-30 |
Early apple moldy core classification via multi-modal sensing and SE-ResNet18
2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.128056
PMID:42161033
|
研究论文 | 提出一种融合可见-近红外光谱与电子鼻数据的多模态图像编码方法，结合SE-ResNet18深度学习模型，实现对苹果早期霉心病的高效、无损分类 | 首次结合格拉米角场、马尔可夫转移场和递归图编码技术，将一维时域和光谱数据转换为图像表示，并构建基于通道注意力机制的SE-ResNet18双分支融合模型，显著提升多模态特征提取与分类性能 | 研究未提及模型在不同品种苹果或其他病害上的泛化能力，且在实际部署中可能存在传感器成本较高的问题 | 实现苹果霉心病早期内部病变的无损、高效分类，验证多模态数据互补性及注意力机制在特征融合中的有效性 | 苹果（早期霉心病样本） | 计算机视觉, 机器学习 | 植物病害（苹果霉心病） | 光谱分析法（可见-近红外光谱）, 电子鼻技术 | 卷积神经网络 (SE-ResNet18) | 图像（编码后的时域和光谱图像） | 未在标题和摘要中明确说明 | PyTorch | SE-ResNet18（双分支架构） | 分类准确率 (95.93%) | 未在标题和摘要中明确说明 |