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 32705 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2025-10-30 |
Virtual multiplex immunofluorescence identifies lymphocyte subsets predictive of response to neoadjuvant therapy
2025, Therapeutic advances in medical oncology
IF:4.3Q2
DOI:10.1177/17588359251379411
PMID:41142474
|
研究论文 | 开发并验证一种能够将标准H&E染色病理图像转换为高质量合成多路免疫荧光图像的深度学习工具 | 开发了mSIGHT管道，通过整合配准网络克服输入与目标图像不对齐问题，优于标准Pix2Pix和CycleGAN图像转换网络 | 回顾性研究，样本量有限（17例用于模型开发），需要进一步外部验证 | 从常规H&E染色组织学图像中提取预测治疗反应的免疫细胞信息 | 三阴性乳腺癌患者的穿刺活检样本 | 数字病理学 | 乳腺癌 | 多路免疫荧光成像，H&E染色 | 生成对抗网络 | 病理图像 | 17例三阴性乳腺癌病例用于模型开发，218例乳腺癌病例用于验证 | Pix2Pix, CycleGAN | mSIGHT（整合配准网络的图像转换架构） | 像素级指标，细胞密度，细胞间邻近度，调整后优势比，置信区间，p值 | NA |
| 262 | 2025-10-30 |
Deep Learning with Contrast-Enhanced Ultrasound for Preoperative Prediction of Early Recurrence in Hepatocellular Carcinoma After Hepatectomy
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S555110
PMID:41142639
|
研究论文 | 开发基于对比增强超声和深度学习的框架，用于术前预测肝细胞癌患者肝切除术后早期复发 | 首次将多期相CEUS影像与深度学习相结合构建预测模型，并通过列线图整合临床变量 | 回顾性研究设计，样本量相对有限（115例患者） | 提高肝细胞癌患者肝切除术后早期复发的术前预测准确性 | 早期肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 对比增强超声 | 深度学习 | 超声影像 | 115例早期肝细胞癌患者（训练集75例，验证集40例） | NA | 四种深度学习模型（CEUS-AP, CEUS-PP, CEUS-LP, CEUS-MP） | AUC, 敏感性, 特异性 | NA |
| 263 | 2025-10-30 |
BrainScape: An open-source framework for integrating and preprocessing anatomical MRI datasets
2025, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/IMAG.a.944
PMID:41143077
|
研究论文 | 介绍BrainScape开源框架，用于整合和预处理160个公开MRI数据集 | 开发了首个基于插件的开源Python框架，可自动下载、组织和预处理多源MRI数据 | 主要依赖公开数据集，可能无法覆盖所有临床场景和人口统计学特征 | 解决神经影像数据整合中的不一致性问题，促进可重复性研究 | 27227名受试者的46583个多模态MRI扫描 | 医学影像分析 | 脑部疾病 | MRI | NA | 医学影像 | 27227名受试者，46583个MRI扫描 | Python | NA | NA | NA |
| 264 | 2025-10-30 |
Hazediff: A training-free diffusion-based image dehazing method with pixel-level feature injection
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0329759
PMID:41150673
|
研究论文 | 提出一种无需训练的基于扩散模型的图像去雾方法HazeDiff，通过像素级特征注入实现高效去雾 | 首次提出无需配对训练数据的扩散模型去雾方法，创新性地使用像素级特征注入和结构保留模型 | 未明确说明计算资源需求和运行效率的具体数据 | 解决图像去雾问题，提升雾天图像质量 | 雾天退化图像 | 计算机视觉 | NA | 图像去雾技术 | 扩散模型 | 图像 | 真实世界和合成数据集 | NA | 自注意力机制,交叉注意力机制 | NIQE, PSNR | NA |
| 265 | 2025-10-30 |
A surface defect detection method for electronic products based on improved YOLOv11
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334333
PMID:41150691
|
研究论文 | 提出一种基于改进YOLOv11的电子产品表面缺陷检测方法 | 引入MD-C2F模块、DualConv模块和Inner_MPDIoU损失函数，显著提升复杂背景和小目标缺陷的检测性能 | NA | 解决现有YOLO模型在处理复杂背景和小目标缺陷方面的局限性 | 电子产品表面缺陷 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | NA | NA | YOLOv11 | 精确率, 召回率, mAP50, 检测速度 | NA |
| 266 | 2025-10-30 |
Enhanced local feature extraction of lite network with scale-invariant CNN for precise segmentation of small brain tumors in MRI
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334447
PMID:41150687
|
研究论文 | 提出一种用于脑部MRI小肿瘤精确分割的轻量级网络LiteMRINet，通过尺度不变CNN增强局部特征提取能力 | 引入共享CNN网络架构实现尺度不变性，直接对输入图像进行三尺度下采样，在不增加参数总量的情况下增强大尺度局部特征提取能力 | 未明确说明模型在更广泛数据集上的泛化能力，以及在实际临床环境中的验证结果 | 开发轻量级脑部MRI肿瘤精确分割方法，适用于资源受限设备 | 脑部MRI图像中的小肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | CNN, Transformer | 医学图像 | LGG分割数据集和BraTS21数据集 | NA | UNet | 分割准确率 | 内存资源受限设备 |
| 267 | 2025-10-30 |
CausalFormer-HMC: a hybrid memory-driven transformer with causal reasoning and counterfactual explainability for leukemia diagnosis
2025, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2025.1674393
PMID:41158308
|
研究论文 | 提出一种结合卷积神经网络、视觉变换器和因果图学习器的混合AI架构CausalFormer-HMC，用于从外周血涂片图像中诊断急性淋巴细胞白血病 | 首次将因果推理和反事实可解释性集成到混合内存驱动的变换器架构中，用于白血病诊断 | NA | 提高急性淋巴细胞白血病的诊断精度和可解释性 | 外周血涂片图像中的白血病细胞 | 医学影像分析 | 白血病 | 外周血涂片图像分析 | CNN, Transformer, 因果图学习器 | 图像 | ALL数据集：89名患者的3,256张图像；C-NMC数据集：118名患者的15,135张分割细胞图像 | NA | CausalFormer-HMC（混合架构） | 准确率, F1分数, ROC-AUC | NA |
| 268 | 2025-10-30 |
An explainable hybrid deep learning framework for precise skin lesion segmentation and multi-class classification
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1681542
PMID:41158448
|
研究论文 | 提出一种可解释的混合深度学习框架，用于精确的皮肤病变分割和多类别分类 | 结合U-Net分割网络和EfficientNet-B0分类模块的双任务架构，并集成Grad-CAM增强模型可解释性 | 存在类别不平衡问题，部分类别代表性不足，需在真实场景中进一步验证 | 开发用于皮肤病变分割和分类的AI诊断工具 | 皮肤病变的皮肤镜图像 | 计算机视觉 | 皮肤癌 | 皮肤镜成像 | 深度学习 | 图像 | HAM10000数据集 | NA | U-Net, EfficientNet-B0 | Dice系数, 准确率 | NA |
| 269 | 2025-10-30 |
Correction: DeepRNAac4C: a hybrid deep learning framework for RNA N4-acetylcytidine site prediction
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1704319
PMID:41158509
|
修正 | 对先前发表的RNA N4-乙酰胞苷位点预测深度学习框架论文进行内容修正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 270 | 2025-10-30 |
GOUHFI: A novel contrast- and resolution-agnostic segmentation tool for ultra-high-field MRI
2025, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/IMAG.a.960
PMID:41158555
|
研究论文 | 提出一种名为GOUHFI的新型深度学习分割工具，专门用于超高频磁共振图像的分割 | 首次提出对对比度和分辨率不敏感的超高频MRI分割方法，无需微调或重新训练 | 训练数据仅包含206个标注图，可能限制模型泛化能力 | 开发适用于超高频MRI的自动分割技术 | 超高频磁共振脑部图像 | 医学影像分析 | 神经系统疾病 | 超高频磁共振成像 | 深度学习 | 3D磁共振图像 | 来自4个数据集的206个标注图（包含3T、7T和9.4T数据） | NA | 3D U-Net | Dice-Sørensen相似系数 | NA |
| 271 | 2025-10-30 |
Anomaly detection and early risk identification in digital disaster response-based on deep learning in public health
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1624345
PMID:41158574
|
研究论文 | 提出基于深度学习的异常检测和早期风险识别框架，用于数字灾难响应中的公共卫生危机管理 | 结合LSTM和Transformer架构分析时空数据，在异常检测精度上提升23%，误报率降低31% | 未提及模型在极端灾难场景下的泛化能力和计算效率限制 | 提升公共卫生危机中的实时决策能力和态势感知 | 来自医院、急救服务、社交媒体和环境传感器的多源异构数据 | 机器学习 | 公共卫生事件 | 深度学习 | LSTM, Transformer | 时空数据 | 多个数据集（EM-DAT、FEMA、UNOSAT、Earthquake） | NA | LSTM, Transformer | 精确度, 误报率 | NA |
| 272 | 2025-10-30 |
New-generation rice seed germination assessment: high efficiency and flexibility via SeedRuler web-based platform
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1671998
PMID:41158679
|
研究论文 | 开发了一个基于网络的稻种发芽评估平台SeedRuler，结合传统图像处理和深度学习技术提高分析效率和准确性 | 整合了三种核心模块（传统图像处理、YOLOv5目标检测和SAM分割模型），支持用户自定义发芽标准，提供自动种子尺寸测量功能 | NA | 提高稻种发芽评估的准确性、效率和可用性 | 水稻种子 | 计算机视觉 | NA | 图像处理，深度学习 | YOLOv5, Segment Anything Model (SAM) | 图像 | 1,200张水稻种子图像 | NA | YOLOv5, SAM | 平均精度均值(mAP), 平均绝对误差(MAE) | 基于网络平台 |
| 273 | 2025-10-30 |
Deep learning for scene understanding in mitochondrial dysregulation and blood cancer diagnosis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1609851
PMID:41158859
|
研究论文 | 提出一种集成医学影像、基因组信息和临床参数的新型深度学习框架，用于线粒体失调相关血癌的全面场景理解和诊断 | 结合自监督学习、视觉Transformer和图神经网络，采用基于注意力的多模态融合机制，并整合对抗域适应和不确定性量化模块 | NA | 开发精确可扩展的血癌早期检测和管理框架 | 线粒体失调相关血癌 | 数字病理 | 血癌 | 医学影像、基因组信息、临床参数多模态数据整合 | Transformer, GNN | 图像, 基因组数据, 临床数据 | NA | NA | 视觉Transformer, 图神经网络 | 分类性能 | NA |
| 274 | 2025-10-30 |
Deep learning radiomics model of epicardial adipose tissue for predicting postoperative atrial fibrillation after lung lobectomy in lung cancer patients
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1623248
PMID:41158854
|
研究论文 | 开发并验证基于心外膜脂肪组织的深度学习影像组学模型，用于预测肺癌患者肺叶切除术后心房颤动的风险 | 首次结合心外膜脂肪组织的手工和深度学习影像组学特征，构建术后房颤预测模型 | 机器学习算法和重采样技术未显著提升模型性能 | 预测肺癌患者肺叶切除术后心房颤动的发生风险 | 来自两个中心的1,008名肺癌患者 | 医学影像分析 | 肺癌 | 对比增强胸部CT成像 | 深度学习,逻辑回归 | 医学影像 | 1,008名患者 | NA | NA | AUC,G-mean,F-measure | NA |
| 275 | 2025-10-30 |
LiT: limit order book transformer
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1616485
PMID:41159129
|
研究论文 | 提出一种基于Transformer架构的限价订单簿预测模型LiT，用于预测短期市场走势 | 首次将结构化补丁和基于Transformer的自注意力机制应用于限价订单簿预测，能够同时建模市场微观结构中的空间和时间特征 | NA | 开发能够准确预测短期市场走势的深度学习模型 | 高频限价订单簿数据 | 机器学习 | NA | 深度学习 | Transformer | 金融时间序列数据 | 多个限价订单簿数据集 | NA | Transformer | NA | NA |
| 276 | 2025-10-30 |
Enhancing COVID-19 classification of X-ray images with hybrid deep transfer learning models
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1646743
PMID:41159128
|
研究论文 | 提出一种混合深度迁移学习框架用于COVID-19 X射线图像分类 | 整合三种不同实验流程，将传统用于目标检测的YOLOV4应用于COVID-19特征检测，并采用遗传算法进行超参数优化 | NA | 开发高效的COVID-19 X射线图像分类方法 | COVID-19 X射线图像 | 计算机视觉 | COVID-19 | 深度迁移学习 | CNN | X射线图像 | 超过5000个样本的Kaggle数据集 | NA | AlexNet, EfficientNetB1, ResNet18, VGG16, YOLOV4 | 准确率, F1分数, 精确率, AUC | NA |
| 277 | 2025-10-30 |
Intracranial aneurysm segmentation on digital subtraction angiography: a retrospective and multi-center study
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1646517
PMID:41159199
|
研究论文 | 本研究开发了一种新型深度学习模型SDAN，用于数字减影血管造影中颅内动脉瘤的精确分割 | 提出了形状感知双流注意力网络，包含边缘感知局部注意力模块和全局形状感知融合块，专门解决小动脉瘤分割难题 | 回顾性研究，数据来自三个机构，需要进一步前瞻性验证 | 提高数字减影血管造影中颅内动脉瘤的分割性能，特别是小动脉瘤的分割准确性 | 颅内动脉瘤 | 数字病理 | 脑血管疾病 | 数字减影血管造影 | 深度学习 | 医学图像 | 62,187张回顾性DSA图像用于训练和测试，26,415张图像用于外部验证 | NA | SDAN, ELAM, GSFB | DSC, HD95, 敏感度 | NA |
| 278 | 2025-10-30 |
Deep Learning System Outperforms Clinicians in Identifying Optic Disc Abnormalities
2023-Jun-01, Journal of neuro-ophthalmology : the official journal of the North American Neuro-Ophthalmology Society
IF:2.0Q2
DOI:10.1097/WNO.0000000000001800
PMID:36719740
|
研究论文 | 开发了一种基于深度学习的人工智能系统(BONSAI-DLS)，用于通过眼底照片检测视盘异常，并在性能上超越临床医生 | 首次开发出能够准确检测视盘异常(包括视乳头水肿)的深度学习系统，并在多中心研究中证明其性能优于一线临床医生 | 使用回顾性收集的便利样本，可能限制结果的泛化性 | 评估深度学习系统在识别视盘异常方面的诊断性能，并与不同专业背景的临床医生进行比较 | 454名患者的800张眼底照片，包括正常视盘、视乳头水肿和其他异常 | 计算机视觉 | 眼科疾病 | 数字眼底摄影 | 深度学习系统 | 图像 | 训练集14,341张眼底照片，测试集800张眼底照片(来自454名患者) | NA | NA | AUC, 错误率, 准确率, 敏感性, 特异性 | NA |
| 279 | 2025-10-29 |
Dataset of two-phase flow in a horizontal pipe: synchronized measurements of acceleration, pressure, void fraction and high-velocity camera
2025-Dec, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.112117
PMID:41140862
|
研究论文 | 本文提供了一个水平管道中气水两相流的同步测量数据集，包含加速度、压力、空隙率和高速摄像数据 | 通过同步采集多传感器数据与高速摄像，并应用深度学习算法进行气泡分割和跟踪，实现了对多相流动力学的综合分析 | 数据集仅包含23个实验点，覆盖三种流型（分层流、段塞流和分散气泡流），样本规模有限 | 研究管道中两相流和流致振动现象 | 水平管道中的气水混合两相流 | 流体力学 | NA | 高速摄像、传感器同步测量、图像处理 | 深度学习算法 | 时间序列传感器数据、视频图像 | 23个实验点，600秒传感器数据（25.6 kHz采样率），15秒高速视频（800 fps） | NA | NA | NA | NA |
| 280 | 2025-10-29 |
Unravelling emotions: exploring deep learning approaches for EEG-based emotion recognition with current challenges and future recommendations
2025-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-025-10328-9
PMID:41141240
|
综述 | 本文系统综述了基于脑电图信号和深度学习的情绪识别研究现状，并比较了不同模型的性能 | 系统比较了多种深度学习模型与传统机器学习模型在脑电图情绪识别中的性能，并提出了未来研究路线图 | 仅基于PRISMA指南筛选了2018-2024年间120篇文献，可能存在文献覆盖不全的局限性 | 探索深度学习在基于脑电图的情绪识别中的应用效果 | 脑电图信号和情绪识别 | 机器学习 | NA | 脑电图 | CNN, LSTM, GRU, BiLSTM, 双向GRU, 卷积循环神经网络, EEG-Conformer | 脑电图信号 | 基于SEED和GAMEEMO两个数据集 | NA | 卷积循环神经网络, EEG-Conformer | 准确率, 精确率, 召回率, F1分数 | NA |