深度学习在生物医药领域中的应用
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，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10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 30907 篇文献，本页显示第 1981 - 2000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1981 | 2025-08-10 |
Hybrid CNN-Transformer-WOA model with XGBoost-SHAP feature selection for arrhythmia risk prediction in acute myocardial infarction patients
2025-Aug-06, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03127-z
PMID:40770344
|
研究论文 | 提出了一种结合CNN、Transformer和鲸鱼优化算法的混合模型，用于急性心肌梗死患者心律失常风险预测 | 首次将CNN、Transformer和WOA算法结合用于心律失常预测，并采用XGBoost-SHAP进行特征选择 | 研究基于回顾性数据，需要前瞻性研究进一步验证 | 开发高精度的心律失常预测模型以改善急性心肌梗死患者的临床决策 | 急性心肌梗死患者 | 机器学习 | 心血管疾病 | CNN, Transformer, WOA, XGBoost, SHAP | CNN-Transformer-WOA混合模型 | 临床数据 | 2084名患者 |
| 1982 | 2025-08-10 |
Dynamic frailty risk prediction in elderly hip replacement: a deep learning approach to personalized rehabilitation
2025-Aug-06, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03143-z
PMID:40770716
|
研究论文 | 本研究采用深度学习模型动态预测老年髋关节置换术后虚弱风险，以指导个性化康复策略 | 首次将DeepSurv等生存分析模型应用于老年髋关节置换术后虚弱风险的动态预测，并识别关键临床预测因子 | 样本量有限，尽管进行了数据增强，但可能仍存在代表性不足的问题 | 开发能够准确预测老年髋关节置换术后虚弱风险动态变化的模型 | 647名60岁及以上接受髋关节置换手术的患者 | 数字病理 | 老年疾病 | 生存分析模型（Cox-Time, DeepHit, DeepSurv等） | DeepSurv | 临床、生化、人口统计学和手术数据 | 647名患者（数据增强后约2,500例） |
| 1983 | 2025-08-10 |
Multi-stream feature fusion of vision transformer and CNN for precise epileptic seizure detection from EEG signals
2025-Aug-06, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06862-z
PMID:40770757
|
研究论文 | 提出一种基于多流特征融合策略的癫痫检测模型CMFViT，结合CNN和ViT来捕捉EEG信号的局部特征和全局时间序列相关性 | 首次将CNN与ViT结合，通过多流特征融合策略增强模型在癫痫检测中的判别能力 | 未提及模型在实时系统中的具体表现和计算效率 | 开发高效、准确的癫痫发作检测系统 | 头皮脑电图(EEG)信号 | 数字病理 | 癫痫 | Tunable Q-factor Wavelet Transform (TQWT) | CNN, ViT | EEG信号 | CHB-MIT数据集和Kaggle 121人癫痫数据集 |
| 1984 | 2025-08-10 |
Does sequence clustering confound AlphaFold2?
2025-Aug-06, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169376
PMID:40780395
|
research paper | 本文探讨了AlphaFold2在预测蛋白质多种构象状态时的局限性，并反驳了关于AF-Cluster方法的一些误解 | 进一步分析了AF-Cluster方法中局部进化耦合的作用，反驳了对其的批评 | 未提出新的方法来改进AlphaFold2的构象采样能力 | 澄清关于AlphaFold2和AF-Cluster方法的误解，推动深度学习模型在结构生物学中的合理应用 | 蛋白质的多种构象状态 | 结构生物学 | NA | AlphaFold2, AF-Cluster | 深度学习模型 | 蛋白质序列和结构数据 | NA |
| 1985 | 2025-08-10 |
A deep learning model for diagnosing autism using brain time series
2025-Aug-05, Neuroscience
IF:2.9Q2
|
research paper | 本文提出了一种结合LSTM网络和注意力机制的混合模型，用于通过脑部时间序列数据诊断自闭症 | 创新性地引入了基于滑动窗口的数据预处理方法和投票策略，并结合残差块与通道注意力机制以增强特征融合和防止网络退化 | NA | 提高自闭症的早期识别准确率以增强干预策略的有效性 | 自闭症谱系障碍（ASD）患者与神经典型个体的脑部时间序列数据 | machine learning | autism | LSTM networks with Attention mechanism | hybrid model (LSTM + Attention) | brain time series data | Region of Interest (ROI) time series dataset from the Autism Brain Imaging Data Exchange (ABIDE) |
| 1986 | 2025-08-07 |
Dynamic and interpretable deep learning model for predicting respiratory failure following cardiac surgery
2025-Aug-05, BMC anesthesiology
IF:2.3Q2
DOI:10.1186/s12871-025-03239-z
PMID:40764535
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1987 | 2025-08-10 |
A novel approach to smart-assisted schizophrenia screening based on Raman spectroscopy and deep learning
2025-Aug-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14015-x
PMID:40764795
|
研究论文 | 本研究提出了一种基于拉曼光谱和深度学习的智能辅助精神分裂症筛查新方法 | 将常用于时间序列信号处理的马尔可夫转移场（MTF）引入拉曼光谱分析，并将一维拉曼光谱序列转换为二维光谱图以丰富分析方法 | NA | 开发一种基于血清拉曼光谱的精神分裂症辅助筛查方法 | 精神分裂症患者和健康个体的血清拉曼光谱 | 机器学习 | 精神分裂症 | 拉曼光谱 | CNN | 光谱数据 | 精神分裂症患者和健康个体的血清样本 |
| 1988 | 2025-08-10 |
Partial feature reparameterization and shallow-level interaction for remote sensing object detection
2025-Aug-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14035-7
PMID:40764799
|
research paper | 该研究提出了一种高效的单阶段目标检测器SORA-DET，专为遥感图像目标检测设计，通过部分特征重参数化和浅层交互提高检测性能和计算效率 | 提出了PRepConvBlock利用重参数化卷积和部分特征利用减少卷积操作复杂度，设计了SB-FPN浅层多尺度融合框架增强特征视觉表示，最终构建了SORA-DET检测器 | NA | 开发一种高效的单阶段目标检测器，用于遥感图像目标检测 | 遥感图像中的目标 | computer vision | NA | NA | one-stage object detector (SORA-DET) | remote sensing images | VisDrone2019测试集和SeaDroneSeeV2验证集 |
| 1989 | 2025-08-10 |
Deep learning based localisation and classification of gamma photon interactions in thick nanocomposite and ceramic monolithic scintillators
2025-Aug-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-13339-y
PMID:40764802
|
research paper | 该研究评估了基于深度神经网络的方法，用于在厚纳米复合和陶瓷单片闪烁体中定位和分类伽马光子相互作用 | 使用InceptionNet和CNN网络在厚纳米复合和陶瓷闪烁体中首次实现了高精度的光子相互作用模式分类和首次相互作用点定位 | 研究假设探测器量子效率为50%，实际应用中可能需要调整参数以适应不同效率的探测器 | 提高正电子发射断层扫描(PET)中伽马光子首次相互作用点的定位精度 | 厚纳米复合和陶瓷单片闪烁体中的伽马光子相互作用 | machine learning | NA | 深度学习 | InceptionNet, CNN | 光子分布数据 | 多种纳米复合和陶瓷闪烁体材料 |
| 1990 | 2025-08-10 |
Adaptive-learning physics-assisted light-field microscopy enables day-long and millisecond-scale super-resolution imaging of 3D subcellular dynamics
2025-Aug-04, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-62471-w
PMID:40759651
|
research paper | 提出了一种自适应学习物理辅助光场显微镜（Alpha-LFM），用于长时间、高时空分辨率的3D亚细胞动态超分辨率成像 | 结合物理辅助深度学习框架和自适应调谐策略，实现了对多种亚细胞动态的光场重建，提供亚衍射极限空间分辨率（约120纳米）并保持高时间分辨率和低光毒性 | NA | 解决超分辨率显微镜在长期高时空分辨率3D成像中的光毒性和扫描速度限制问题 | 活细胞内的亚细胞动态 | digital pathology | NA | 光场显微镜、深度学习 | 深度学习框架 | 3D图像 | NA |
| 1991 | 2025-08-10 |
Diagnostic systematic review and meta-analysis of machine learning in predicting biochemical recurrence of prostate cancer
2025-Aug-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-11445-5
PMID:40760134
|
meta-analysis | 本文通过系统综述和荟萃分析评估机器学习模型在预测前列腺癌生化复发中的有效性 | 比较机器学习模型与传统预后方法在预测前列腺癌生化复发方面的性能，并发现深度学习与混合模型表现更优 | 未来研究需要通过大规模临床试验进一步优化和验证这些模型 | 评估机器学习模型在前列腺癌生化复发预测中的有效性 | 前列腺癌患者 | machine learning | prostate cancer | 机器学习 | 深度学习与混合模型 | 多模态数据（包括影像数据） | 16项研究，共17,316名前列腺癌患者 |
| 1992 | 2025-08-10 |
Sentiment analysis for deepfake X posts using novel transfer learning based word embedding and hybrid LGR approach
2025-Aug-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-10661-3
PMID:40754634
|
研究论文 | 提出一种基于迁移学习的词嵌入和混合LGR方法，用于深度伪造X帖子的情感分析 | 结合LSTM、GRU和RNN的混合深度学习方法和新型迁移学习特征提取方法，用于深度伪造内容的情感分析 | 未提及具体的数据集规模或多样性限制 | 开发一种有效的情感分析方法，以检测和防止深度伪造内容的传播 | 深度伪造的X帖子 | 自然语言处理 | NA | 迁移学习、词嵌入、TF-IDF、BOW | LSTM+GRU+RNN (LGR) | 文本 | NA |
| 1993 | 2025-08-10 |
Leveraging deep learning and structure-based drug repurposing for the discovery of potent Trk-A inhibitors targeting CIPA
2025-Aug, Bioorganic chemistry
IF:4.5Q1
DOI:10.1016/j.bioorg.2025.108680
PMID:40517591
|
research paper | 本研究利用深度学习和基于结构的药物重定位方法，发现针对CIPA的强效Trk-A抑制剂 | 结合深度学习和结构基础的药物重定位策略，筛选出新型、强效且无毒的Trk-A抑制剂 | 未提及实验验证或临床前研究的具体结果 | 发现针对CIPA的Trk-A抑制剂 | Trk-A靶向化合物和FDA批准的药物库 | machine learning | CIPA | 深度学习、分子对接、分子模拟分析 | ANN | 生物活性数据 | NA |
| 1994 | 2025-08-10 |
Leveraging FastViT based knowledge distillation with EfficientNet-B0 for diabetic retinopathy severity classification
2025-Aug, SLAS technology
IF:2.5Q3
DOI:10.1016/j.slast.2025.100325
PMID:40588035
|
research paper | 该研究提出了一种名为FastEffNet的新框架，利用基于transformer的知识蒸馏技术提升糖尿病视网膜病变严重程度分类的准确性，同时降低计算复杂度 | 结合FastViT-MA26作为教师模型和EfficientNet-B0作为学生模型，实现了在保持轻量级架构的同时逼近教师模型的性能 | 研究仅基于APTOS数据集，未在其他数据集上验证模型的泛化能力 | 开发高效准确的深度学习模型用于糖尿病视网膜病变的自动诊断 | 糖尿病视网膜病变的严重程度分类 | computer vision | diabetic retinopathy | knowledge distillation | FastViT-MA26, EfficientNet-B0, HGNet, ResNet50, MobileNetV3, DeiT | image | 3662张图像，分为五个严重程度类别 |
| 1995 | 2025-08-10 |
Cryo-electron tomography: Challenges and computational strategies for particle picking
2025-Aug, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.103113
PMID:40639056
|
review | 本文综述了基于深度学习的粒子挑选方法在冷冻电子断层扫描中的应用 | 全面评估了基于注释和无注释的粒子挑选方法，并比较了它们的优缺点 | 未提及具体方法的性能比较数据或实验验证结果 | 探讨冷冻电子断层扫描中粒子挑选的挑战及计算策略 | 冷冻电子断层扫描中的蛋白质定位 | 计算机视觉 | NA | 冷冻电子断层扫描(cryo-ET)和子断层图平均 | 深度学习 | 图像 | NA |
| 1996 | 2025-08-10 |
Segmenting cryo-electron tomography data: Extracting models from cellular landscapes
2025-Aug, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.103114
PMID:40645092
|
综述 | 本文探讨了深度学习在冷冻电子断层扫描数据分割中的应用及其对生物学发现的推动作用 | 综述了深度学习技术如何提高冷冻电子断层扫描数据分割的自动化、准确性和可扩展性，重新定义了分割的最佳实践 | NA | 探讨冷冻电子断层扫描数据分割技术的发展及其在生物学研究中的应用 | 冷冻电子断层扫描数据中的亚细胞结构 | 数字病理学 | NA | 冷冻电子断层扫描 | 深度学习 | 图像 | NA |
| 1997 | 2025-08-10 |
Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines
2025-Aug, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02772-6
PMID:40759747
|
research paper | 该研究比较了五种基础模型和两种其他深度学习模型与简单基线方法在预测单次或双次基因扰动后转录组变化方面的表现 | 研究发现深度学习基础模型在基因扰动效应预测上并未超越简单线性基线方法，强调了关键基准测试在方法开发和评估中的重要性 | 研究仅比较了有限数量的模型，可能未涵盖所有先进的深度学习方法 | 评估深度学习模型在基因扰动效应预测方面的性能 | 单细胞数据中的基因扰动效应 | machine learning | NA | NA | foundation models, deep learning models | transcriptome data | NA |
| 1998 | 2025-08-10 |
Real-Time Prediction of Correct Yoga Asanas in Healthy Individuals With Artificial Intelligence Techniques: A Systematic Review for Nursing
2025-Aug, Nursing open
IF:2.0Q2
DOI:10.1002/nop2.70278
PMID:40768382
|
系统综述 | 本文系统综述了利用人工智能技术实时预测瑜伽体式以提高健康个体生活质量的研究 | 整合深度学习和机器学习模型以提高实时瑜伽体式预测的准确性 | 仅纳入15项研究，样本量较小，可能存在选择偏倚 | 提高健康个体瑜伽练习的实时预测准确性 | 健康个体的瑜伽体式 | 机器学习 | NA | 深度学习和机器学习 | DL和ML模型 | NA | 15项研究 |
| 1999 | 2025-08-10 |
DeepQR: single-molecule QR codes for optical gene-expression analysis
2025-Aug, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2024-0236
PMID:40771425
|
research paper | DeepQR结合紧凑光谱成像与深度学习，实现仅用3个光谱检测窗口进行4色采集，用于单分子光学基因表达分析 | 通过紧凑光谱成像与深度学习结合，实现仅用3个光谱检测窗口进行4色采集，显著提高了单分子成像的多路复用能力 | NA | 开发一种新型单分子光学基因表达分析方法，提高多路复用能力和采集效率 | 单分子荧光标记的RNA靶标 | 光学成像 | NA | 紧凑光谱成像与深度学习 | 深度学习 | 光学图像 | 临床样本（具体数量未提及） |
| 2000 | 2025-08-10 |
Adaptive normalizing flows for solving Fokker-Planck equation
2025-Aug-01, Chaos (Woodbury, N.Y.)
DOI:10.1063/5.0273776
PMID:40779784
|
research paper | 提出了一种自适应归一化流框架（ANFFP）来解决Fokker-Planck方程，该框架在保持概率解释性的同时提高了小样本条件下的适用性 | 结合归一化流的生成模型特性，解决了传统高斯混合模型和深度学习求解器在解释性和样本需求上的不足 | 计算复杂度需要进一步详细讨论，且在高维情况下的实际应用仍需验证 | 解决Fokker-Planck方程，特别是在高维和小样本条件下的应用 | 扩散过程的概率响应，通过随机微分方程（SDEs）驱动 | machine learning | NA | normalizing flows | ANFFP | numerical data | 涉及一维、二维和四维SDEs的数值示例 |