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 33776 篇文献，本页显示第 361 - 380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 361 | 2025-11-14 |
Correction to: AllerTrans: a deep learning method for predicting the allergenicity of protein sequences
2025, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpaf076
PMID:41215776
|
修正 | 对先前发表的AllerTrans蛋白质过敏原性预测深度学习方法的文章进行修正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 362 | 2025-11-14 |
RETRACTION: Food Image Recognition and Food Safety Detection Method Based on Deep Learning
2025, Computational intelligence and neuroscience
DOI:10.1155/cone/9874231
PMID:41216016
|
撤稿声明 | 本文是对一篇基于深度学习的食品图像识别与食品安全检测文章的正式撤稿声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 363 | 2025-11-14 |
RETRACTION: A Method for Extracting Building Information from Remote Sensing Images Based on Deep Learning
2025, Computational intelligence and neuroscience
DOI:10.1155/cone/9830696
PMID:41216024
|
撤稿声明 | 本文宣布撤回一篇基于深度学习从遥感图像中提取建筑物信息的论文 | NA | NA | NA | NA | 计算机视觉 | NA | NA | NA | 遥感图像 | NA | NA | NA | NA | NA |
| 364 | 2025-11-14 |
PSO-FeatureFusion: a general framework for fusing heterogeneous features via particle swarm optimization
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf263
PMID:41216218
|
研究论文 | 提出一种基于粒子群优化的异质特征融合通用框架PSO-FeatureFusion，用于生物信息学中的多源数据整合 | 将粒子群优化与神经网络结合，以任务无关和模块化方式联合优化多源生物特征，捕获特征间相互作用 | NA | 解决生物信息学中异质数据整合的挑战，提高药物-药物相互作用和药物-疾病关联预测的准确性 | 药物、疾病和分子特征等生物实体 | 生物信息学 | NA | 粒子群优化，神经网络 | 神经网络 | 异质生物数据 | 多个基准数据集 | NA | PSO-FeatureFusion | 准确率，精确率，召回率，F1分数，AUC | NA |
| 365 | 2025-11-14 |
Hybrid ResNet-ViT Framework for Endometrial Lesion Analysis: A Comparative Study of MRI and CT in Endometrial Cancer Classification
2025, International journal of women's health
DOI:10.2147/IJWH.S555688
PMID:41216220
|
研究论文 | 本研究使用混合ResNet-ViT深度学习框架比较MRI和CT在子宫内膜癌分类中的诊断性能 | 提出结合ResNet50和Vision Transformer的混合深度学习模型ViTNet，用于子宫内膜病变分析 | 需要进一步验证模型评估浸润深度和其他预后特征的能力 | 评估和比较CT和MRI在子宫内膜癌检测中的诊断性能 | 子宫内膜图像，包括良性、恶性和正常三类 | 计算机视觉 | 子宫内膜癌 | MRI, CT | CNN, Transformer | 医学图像 | 300名22-85岁患者的图像数据集（KAUH-ECMD和KAUH-ECCTD） | NA | ResNet50, Vision Transformer | 准确率 | NA |
| 366 | 2025-11-14 |
GeoGenIE: a deep learning approach to predict geographic provenance of biodiversity samples from genomic SNPs
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf250
PMID:41216217
|
研究论文 | 提出GeoGenIE深度学习软件包，用于从基因组SNP数据预测生物多样性样本的地理来源 | 结合新颖的地理遗传数据增强和预处理技术，减少参考面板需求并在稀疏采样区域提高准确性 | NA | 开发从基因组数据预测地理来源的深度学习方法 | 生物多样性样本，以白尾鹿(Odocoileus virginianus)为例 | 机器学习 | NA | 双酶切限制性位点相关DNA测序(ddRAD-seq) | 多层感知机(MLP) | 基因组SNP数据 | NA | PyTorch | 多层感知机 | 地理位置准确性，空间偏差 | 并行化执行 |
| 367 | 2025-11-14 |
Explainable Transfer Learning with Residual Attention BiLSTM for Prognosis of Ischemic Heart Disease
2025, F1000Research
DOI:10.12688/f1000research.166307.2
PMID:41216267
|
研究论文 | 提出一种可解释的迁移学习残差注意力双向LSTM模型用于缺血性心脏病的预后预测 | 结合迁移学习、残差注意力机制、SHAP可解释性分析和人口统计学重加权策略，提升模型准确性、可解释性和公平性 | 仅在UCI心脏病数据集上验证，需要更多临床数据验证泛化能力 | 开发准确、可解释且公平的缺血性心脏病预后预测模型 | 缺血性心脏病患者临床数据 | 机器学习 | 心血管疾病 | 深度学习，可解释人工智能 | BiLSTM, 注意力机制 | 临床数据 | UCI心脏病数据集，采用10折交叉验证 | NA | X-TLRABiLSTM（可解释迁移学习残差注意力双向LSTM） | 准确率，F1分数，AUC，错误率 | NA |
| 368 | 2025-11-14 |
GAM-enhanced deepLabv3+ for accurate burn scar extraction in karst regions from remote sensing images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0336384
PMID:41218024
|
研究论文 | 提出一种结合全局注意力机制的DeepLabv3+模型，用于喀斯特地区遥感图像中火烧迹地的精确提取 | 优化ASPP模块的空洞率设置以减少网格伪影，并引入全局注意力模块动态重标定通道-空间依赖关系 | 参数量和推理速度仍有优化空间 | 解决喀斯特地区地形破碎和植被模式复杂等挑战，实现火烧迹地的精确语义分割 | 贵州省贵阳市花溪区2024年典型火灾事件的喀斯特地区火烧迹地 | 计算机视觉 | NA | 遥感技术，GIS | 深度学习，语义分割 | 遥感图像 | 单区域数据集（具体样本数未提及） | NA | DeepLabv3+, ResNet50 | mIoU, mAcc | NA |
| 369 | 2025-11-14 |
Hybrid deep learning framework for real-time fault detection in squirrel-cage induction motors
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0336323
PMID:41218031
|
研究论文 | 提出一种基于混合深度学习的实时故障检测框架，用于鼠笼式感应电机的故障诊断 | 开发了结合CNN和循环神经网络的混合深度学习架构，能同时捕捉时空特征，在实时故障检测中实现高精度和计算效率 | 缺乏与最先进方法的直接基准比较，需要大量计算资源和标注数据集，尚未在真实工业噪声数据中验证 | 开发智能可靠的预测性维护系统，实现鼠笼式感应电机的实时故障检测 | 鼠笼式感应电机(SCIMs) | 机器学习 | NA | 传感器数据分析 | CNN, GRU, LSTM, BiLSTM, ANN | 传感器时序数据 | 100万样本(健康与故障状态各50%) | MATLAB Simulink | CNN-GRU, CNN-LSTM, LSTM, BiLSTM, Stacked LSTM, GRU, CNN, ANN | 准确率, 精确率, 召回率, F1分数, 推理时间, 延迟, 吞吐量 | 需要大量计算资源，具体硬件未明确说明 |
| 370 | 2025-11-14 |
Enhancing museum visitor forecasting using deep learning and sentiment analysis: A transformer-based approach for sustainable management
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335623
PMID:41218039
|
研究论文 | 本研究开发了一种结合结构化数据和情感分析的Transformer模型，用于预测博物馆年参观人数 | 首次将博物馆相关新闻和用户评论的情感分析融入参观人数预测，采用Transformer模型并证明其优于传统方法 | 未明确说明数据来源的具体时间跨度和样本规模，可能影响模型的泛化能力 | 开发高精度的博物馆参观人数预测模型，支持可持续的博物馆管理决策 | 博物馆参观人数预测 | 自然语言处理,机器学习 | NA | 情感分析,深度学习 | Transformer,RNN,GAN,CNN,LSTM,线性回归,随机森林 | 结构化博物馆数据,非结构化文本数据(新闻文章和用户评论) | NA | NA | Transformer | RMSE,MSLE,MAPE | NA |
| 371 | 2025-11-14 |
SH-DETR: Enhancing steel surface defect detection and classification with an improved transformer architecture
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334048
PMID:41218093
|
研究论文 | 提出一种改进的SH-DETR模型，通过多通道随机编码和多尺度特征融合模块提升钢材表面缺陷检测与分类性能 | 结合多通道混洗编码模块和参数无关的UPC-SimAM多特征融合模块，在Transformer架构中融入CNN特征提取优势 | NA | 解决钢材表面缺陷检测中识别精度低和分类能力不足的问题 | 钢材表面缺陷 | 计算机视觉 | NA | 深度学习 | Transformer, CNN | 图像 | NEU-DET和GC10-DE数据集 | NA | ResNet18, Transformer | 分类准确率, mAP@0.5, mAP@0.5:0.95 | NA |
| 372 | 2025-11-14 |
Computational models for pan-cancer classification based on multi-omics data
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1667325
PMID:41220429
|
综述 | 本文综述了基于多组学数据的泛癌分类计算模型，总结了现有方法并探讨了未来研究方向 | 系统梳理了泛癌分类的计算模型方法，比较了不同机器学习与深度学习方法的优劣，并指出了当前研究的局限性 | 现有框架难以整合肿瘤内部的动态时间变化和空间异质性，限制了实时临床应用 | 研究泛癌分类的计算方法，旨在提高癌症早期诊断准确性和治疗策略定制化 | 多组学数据（基因组学、转录组学、蛋白质组学）和泛癌图谱 | 机器学习 | 泛癌（多种癌症类型） | 多组学数据整合分析 | 机器学习,深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 373 | 2025-11-14 |
A rapid approach for discriminating Ganoderma species using attenuated total reflectance-Fourier transform infrared (ATR-FTIR) spectroscopy integrated with chemometric analysis and convolutional neural network (CNN)
2025, Frontiers in chemistry
IF:3.8Q2
DOI:10.3389/fchem.2025.1655760
PMID:41220432
|
研究论文 | 本研究开发了一种结合化学计量学分析和卷积神经网络的ATR-FTIR光谱方法，用于快速鉴别灵芝属物种 | 首次将ATR-FTIR光谱与化学计量学分析和深度学习CNN相结合，构建了一个新颖而全面的物种鉴别框架 | 仅针对三种灵芝物种进行验证，需要扩展到更多药用植物物种 | 解决物种掺假和错误分类问题，开发高效的物种鉴别方法 | 三种灵芝属物种 | 化学计量学与深度学习 | NA | 衰减全反射-傅里叶变换红外光谱(ATR-FTIR) | CNN, OPLS-DA | 光谱数据 | NA | NA | 卷积神经网络 | 准确率, 灵敏度, 特异性, RMSEE, RMSEP, RMSECV, 精确率, 召回率, F1分数 | NA |
| 374 | 2025-11-14 |
DeepTDM: Deep Learning-Based Prediction of Sequential Therapeutic Drug Monitoring Levels of Vancomycin
2025, IEEE journal of translational engineering in health and medicine
IF:3.7Q2
DOI:10.1109/JTEHM.2025.3623605
PMID:41220794
|
研究论文 | 开发基于深度学习的DeepTDM系统用于预测重症患者万古霉素序列治疗药物监测水平 | 提出GRU集成联合多层感知器网络(GointMLP)模型，结合回归和分类预测提供双重验证机制 | NA | 优化重症患者万古霉素治疗药物监测和剂量决策 | 重症监护病房患者 | 医疗人工智能 | 重症监护 | 治疗药物监测 | GRU, MLP | 临床监测数据 | MIMIC-IV数据集及本地验证队列 | NA | GointMLP（GRU集成联合多层感知器网络） | 预测准确性 | NA |
| 375 | 2025-11-14 |
Diagnosis and Severity Rating of Parkinson's Disease Based on Multimodal Gait Signal Analysis With GLRT and ST-CNN-Transformer Networks
2025, IEEE journal of translational engineering in health and medicine
IF:3.7Q2
DOI:10.1109/JTEHM.2025.3611498
PMID:41220792
|
研究论文 | 基于多模态步态信号分析和GLRT与ST-CNN-Transformer网络开发帕金森病诊断与严重程度评级方法 | 提出结合广义似然比检验的零速度点检测和时空卷积神经网络-Transformer混合模型，实现多模态步态数据的自动分析与PD严重程度分类 | 样本量相对较小（仅40名参与者），需要在更大规模数据集中验证模型泛化能力 | 开发自动化帕金森病严重程度分类系统以辅助临床诊断 | 帕金森病患者和健康对照者的步态数据 | 数字病理学 | 帕金森病 | 惯性测量单元数据采集，广义似然比检验，多模态步态分析 | CNN, Transformer | 多模态步态信号（足部加速度、角速度、垂直地面反作用力） | 40名参与者（10名健康对照，30名PD患者） | NA | ST-CNN-Transformer（时空卷积神经网络-Transformer） | 准确率 | NA |
| 376 | 2025-11-14 |
Two-step pipeline for oral diseases detection and classification: a deep learning approach
2025, Frontiers in oral health
IF:3.0Q1
DOI:10.3389/froh.2025.1659323
PMID:41221302
|
研究论文 | 开发并评估了一种结合目标检测和分类模型的两步人工智能流程，用于口腔疾病的早期识别和区分 | 首次将YOLOv11目标检测模型与MobileNetV2分类模型结合，构建了两步式口腔疾病检测与分类流程 | YOLO检测阶段遗漏的图像（17.4%）无法进入分类阶段，可能影响性能指标评估 | 开发人工智能辅助口腔疾病早期诊断系统 | 口腔潜在恶性病变和口腔鳞状细胞癌的临床图像 | 计算机视觉 | 口腔癌 | 深度学习 | YOLO, CNN | 图像 | 基线数据集773张图像（FOP-UNICAMP），外部验证集132张图像（UFPB） | NA | YOLOv11, MobileNetV2 | mAP50, 准确率, 精确率, 召回率, F1分数, AUC-ROC | NA |
| 377 | 2025-11-14 |
AI-Based Detection of Coronary Artery Occlusion Using Acoustic Biomarkers Before and After Stent Placement
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3615394
PMID:41221436
|
研究论文 | 本研究利用人工智能技术通过心音分析检测冠状动脉阻塞，并比较支架置入前后的声学特征变化 | 首次将DeepSets架构应用于患者特异性声学生物标志物学习，通过匹配追踪分解心音信号并识别与冠状动脉疾病相关的声学特征 | 样本量较小（仅12名患者），属于初步研究阶段 | 开发基于人工智能的非侵入性冠状动脉疾病监测方法 | 冠状动脉疾病患者的心音信号 | 机器学习 | 心血管疾病 | 心音记录，匹配追踪信号分解 | DeepSets | 音频信号 | 12名人类患者 | NA | DeepSets | 准确率 | NA |
| 378 | 2025-11-14 |
Discriminating Between Marijuana and Alcohol Gait Impairments Using Tile CNN With TICA Pooling
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3607556
PMID:41221437
|
研究论文 | 提出一种基于智能手机传感器数据和深度学习的新方法，通过步态分析区分酒精和大麻的损害效应 | 首次使用Gramian Angular Field将时间序列传感器数据编码为图像，并采用带TICA池化的平铺CNN架构，通过预训练策略解决正样本不足问题 | 正标记的酒精和大麻样本数量不足，依赖预训练策略 | 研究机器学习分析智能手机传感器数据是否能从步态中区分酒精和大麻损害 | 受酒精或大麻影响的受试者步态数据 | 机器学习 | NA | 智能手机加速度计和陀螺仪传感器数据采集 | CNN | 时间序列传感器数据，图像 | NA | NA | 平铺CNN，TICA池化 | 准确率，F1分数，ROC AUC | NA |
| 379 | 2025-11-14 |
Development of an Improved Stacked U-Net Model for Cuffless Blood Pressure Estimation Based on PPG Signals
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3624566
PMID:41221440
|
研究论文 | 开发了一种改进的堆叠U-Net模型，仅使用光电容积脉搏波信号进行无袖带血压估计 | 引入速度容积脉搏波输入和加性空间与通道注意力机制，改善特征提取并缓解U-Net架构中的解码器不匹配问题 | NA | 提高无创血压测量的准确性 | 光电容积脉搏波信号 | 机器学习 | 心血管疾病 | PPG信号处理 | U-Net | 生理信号 | NA | NA | 堆叠U-Net | 平均绝对误差 | NA |
| 380 | 2025-11-14 |
Enhancing Super-Resolution Network Efficacy in CT Imaging: Cost-Effective Simulation of Training Data
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3610160
PMID:41221441
|
研究论文 | 提出一种从薄层CT图像生成厚层CT图像的简单而真实的方法，用于创建超分辨率算法的训练数据对 | 首次识别并解决了基于深度学习的CT超分辨率模型训练数据生成难题，提出的方法既简单又真实，无需原始数据或复杂重建算法 | NA | 提高CT成像中超分辨率网络的效能和适用性 | CT图像，特别是肺纤维化相关的厚层CT图像 | 计算机视觉 | 肺纤维化 | CT成像 | 生成模型 | CT图像 | NA | NA | NA | PSNR, Cox回归分析, 风险比(HR) | NA |