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 36553 篇文献，本页显示第 4241 - 4260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4241 | 2025-11-10 |
Impact of blood culture positivity at intensive care unit admission on mortality in infective endocarditis: Machine learning and deep learning-based causal inference models
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0333351
PMID:41196883
|
研究论文 | 本研究利用机器学习和深度学习因果推断模型分析血培养阳性对感染性心内膜炎ICU患者住院死亡率的影响 | 首次将GANITE因果推断模型应用于感染性心内膜炎预后分析，结合传统机器学习模型和SHAP解释性分析 | 样本量相对有限（484例），来自单一数据库（MIMIC-III），可能存在选择偏倚 | 评估ICU入院时血培养阳性对感染性心内膜炎患者住院死亡率的影响 | 484例成人感染性心内膜炎ICU患者 | 机器学习 | 感染性心内膜炎 | 血培养，临床数据分析 | Random Forest, XGBoost, GAN, 集成模型 | 临床数据，实验室数据，人口统计学数据 | 484例患者（训练集339例，测试集145例） | Scikit-learn, XGBoost, GANITE | Random Forest, Extreme Gradient Boosting, Generative Adversarial Nets | AUROC, 准确率 | NA |
| 4242 | 2025-11-10 |
Broad-spectrum eye disease classification using a deep learning-based tailored software lens
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335419
PMID:41196894
|
研究论文 | 提出一种基于深度学习的新型架构，通过定制软件透镜利用视网膜眼底图像特征实现广谱眼病的稳健分类 | 首次通过定制软件透镜利用视网膜眼底图像特定特征（如图像噪声和精细结构）实现广谱眼病的高性能诊断 | NA | 开发能够稳健分类多种眼病的深度学习系统 | 视网膜眼底图像 | 计算机视觉 | 眼病 | 深度学习 | CNN | 图像 | 16,242张图像，包含九种疾病和健康样本 | NA | 定制深度学习架构 | 平衡准确率 | NA |
| 4243 | 2025-11-10 |
Monitoring of granite quarries using deep learning and UAV photogrammetry in Bengaluru, India
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334493
PMID:41196908
|
研究论文 | 本研究提出了一种结合深度学习和无人机摄影测量的多模态框架，用于监测印度班加罗尔的花岗岩采石场 | 首次将深度学习与多时相Sentinel-2卫星影像和无人机SfM-MVS摄影测量相结合，实现采石场自动分割和体积量化 | 研究基于干季数据，可能无法反映雨季变化；外部验证样本有限 | 开发自动化监测花岗岩采石场的框架，支持环境管理和监管 | 印度班加罗尔地区的花岗岩采石场 | 计算机视觉,遥感监测 | NA | UAV摄影测量,SfM-MVS,卫星遥感 | CNN | 卫星影像,无人机影像 | 252个候选采石场，227个经实地验证，总面积740公顷 | NA | U-Net,PSPNet,DeepLabV3+,FCN,EMANet | F1-score,IoU,95%置信区间,McNemar检验 | NA |
| 4244 | 2025-11-10 |
Machine learning based fault classification for improved induction motor performance
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335367
PMID:41196920
|
研究论文 | 本研究开发了一种基于机器学习的故障分类算法，用于提高三相感应电机的性能 | 通过综合应用多种数据预处理技术（SMOTE、FFT、PCA）和比较多种机器学习算法，实现了高效的电机故障分类 | 仅考虑了特定类型的轴承和转子故障，XGBoost模型性能不佳需要进一步优化，未涵盖多种故障类型和电机规格 | 开发准确高效的感应电机故障检测算法 | 三相感应电机的轴承和转子故障 | 机器学习 | NA | 振动数据分析，FFT频域分析 | Random Forest, Decision Tree, KNN, XGBoost | 三轴振动电流数据 | 在100W、200W和300W负载下的0.7mm轴承和转子故障数据 | Scikit-learn | NA | 准确率 | NA |
| 4245 | 2025-11-10 |
aiGeneR 3.0: an enhanced deep network model for resistant strain identification and multi-drug resistance prediction in Escherichia coli causing urinary tract infection using next-generation sequencing data
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1651917
PMID:41199746
|
研究论文 | 提出增强型深度学习模型aiGeneR 3.0，用于识别尿路感染大肠杆菌的耐药菌株和预测多药耐药性 | 首次将SNP水平分析与深度学习相结合，采用简化的LSTM架构处理不平衡和小型数据集 | 未明确说明样本数据集的具体规模和来源限制 | 开发有效的抗生素耐药性检测和分类方法 | 引起尿路感染的大肠杆菌及其抗生素耐药基因 | 机器学习 | 尿路感染 | 二代测序 | LSTM | 基因序列数据 | NA | NA | LSTM | ROC-AUC, F1-score, 准确率, 精确率, 灵敏度, 特异性 | NA |
| 4246 | 2025-11-10 |
Legal Logit Model for predicting judicial disagreement in Indian courts
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1671474
PMID:41199807
|
研究论文 | 提出一种结合离散选择理论与神经网络的法律Logit模型，用于预测印度最高法院对下级法院判决的推翻情况 | 将离散选择理论的可解释性与神经网络的灵活性相结合，在保持特征影响透明度的同时建模复杂非线性交互 | 最高法院意见中可能存在动机推理，限制了因果关系的解释 | 预测司法分歧并理解驱动法官决策的因素 | 印度最高法院的上诉案件和法官决策行为 | 自然语言处理 | NA | NA | 神经网络 | 最高法院意见文本数据 | NA | NA | Legal Logit Model (LLM) | 准确率 | NA |
| 4247 | 2025-11-10 |
Multicenter evaluation of machine and deep learning methods to predict glaucoma surgical outcomes
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1636410
PMID:41199806
|
研究论文 | 开发机器学习和深度学习模型，利用术前电子健康记录预测青光眼手术结果 | 首次在大型多中心队列中使用1D-CNN和传统机器学习方法预测青光眼手术结果，并在内部和外部测试集上验证模型性能 | 仅使用术前EHR特征，未考虑术中或术后因素；外部测试集性能略有下降 | 预测青光眼手术结果，包括眼压控制、抗青光眼药物使用和是否需要再次手术 | 来自10个机构的9,386名接受青光眼手术的患者 | 医疗人工智能 | 青光眼 | 电子健康记录分析 | CNN, 随机森林 | 结构化电子健康记录数据 | 13,173例手术，其中8,743例(66.4%)符合失败标准 | NA | 一维卷积神经网络(1D-CNN) | AUROC, 准确率 | NA |
| 4248 | 2025-11-10 |
The inclusion of psychological factors in the evaluation of a curriculum enrichment program for students with high ability
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1699593
PMID:41200045
|
研究论文 | 本研究评估了针对高能力学生的课程丰富项目Sakonduz对学业表现和心理因素的影响 | 在评估课程丰富项目时首次系统性地纳入了自尊、学习方法和创造力等心理变量 | 存在较高的流失率，项目持续时间较短，需要学校与教师更深入的参与以收集更多有效性证据 | 评估课程丰富项目对高能力学生学业表现和心理因素的影响 | 9所教育中心的5-6年级小学和1-2年级中学高能力学生，年龄9-13岁，68%男生，32%女生 | 教育心理学 | NA | 准实验研究设计，重复测量设计 | NA | 心理测评量表数据，学业成绩数据 | 来自9所教育中心的高能力学生，分为实验组和对照组 | NA | NA | 学业成绩评分，罗森伯格自尊量表，修订学习过程调查，CREA创造力测试 | NA |
| 4249 | 2025-11-09 |
Methods for the synthesis of natural UDP-sugars and synthetic analogues
2025-Dec, Carbohydrate research
IF:2.4Q2
DOI:10.1016/j.carres.2025.109651
PMID:40946501
|
综述 | 本文综述了天然和非天然UDP-糖的酶法和化学酶法合成方法的最新进展 | 整合了深度学习引导的酶工程设计、一锅多酶系统和化学-酶法组合策略，扩展了UDP-糖的合成范围 | NA | 开发高效合成天然和非天然UDP-糖的方法 | UDP-葡萄糖、UDP-半乳糖、UDP-木糖、UDP-N-乙酰葡糖胺、UDP-N-乙酰半乳糖胺及其合成类似物 | 生物化学 | NA | 酶法合成、化学酶法合成、一锅多酶系统、重组表达、酶工程、深度学习引导设计 | NA | NA | NA | NA | NA | NA | NA |
| 4250 | 2025-11-09 |
External validation of SpineNetv2 deep learning system for automated lumbar spine MRI analysis: A multi-pathology diagnostic agreement study
2025-Nov-08, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-025-09543-z
PMID:41204023
|
研究论文 | 对SpineNetv2深度学习系统进行独立外部验证，评估其在腰椎MRI多病理自动分析中的诊断一致性 | 首个对公开可用的SpineNetv2系统进行独立外部验证的研究，比较了深度学习系统与初级骨科医生的诊断性能 | Pfirrmann分级在老年患者和上腰椎间盘表现较差，假阴性多于假阳性，不推荐依赖阴性发现 | 验证深度学习系统在腰椎MRI多病理自动分析中的诊断准确性 | 491名患者的2,455个腰椎间盘（L1/2-L5/S1） | 数字病理学 | 脊柱退行性疾病 | 磁共振成像 | 深度学习系统 | 医学影像 | 491名患者，2,455个腰椎间盘 | NA | SpineNetv2 | 灵敏度, 特异度, 阳性预测值, 阴性预测值, F1分数, Matthews相关系数, 精确一致率, 加权kappa, 平均绝对误差 | NA |
| 4251 | 2025-11-09 |
Data-Driven differentiation of idiopathic Normal-Pressure hydrocephalus and progressive supranuclear palsy via automated volumetric analysis
2025-Nov-08, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03830-8
PMID:41204957
|
研究论文 | 本研究开发了基于深度学习的自动化脑容积分析方法，用于区分特发性正常压力脑积水和进行性核上性麻痹 | 首次将深度学习自动容积分析与多组影像特征结合，实现了对iNPH和PSP的高精度自动鉴别诊断 | 样本量相对有限（192例），仅使用T1加权MRI数据 | 开发自动化机器学习方法鉴别iNPH和PSP两种神经退行性疾病 | 特发性正常压力脑积水（iNPH）和进行性核上性麻痹（PSP）患者 | 医学影像分析 | 神经退行性疾病 | T1加权3D脑部MRI扫描 | 支持向量机, 深度学习 | 医学影像 | 192名患者（132例iNPH，60例PSP） | NA | NA | AUROC | NA |
| 4252 | 2025-11-09 |
Efficient automated quantification of midline shift in intracerebral hemorrhage using a binarized deep learning model on non-contrast head CT
2025-Nov-08, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03835-3
PMID:41204958
|
研究论文 | 提出一种基于二值化深度学习的轻量化模型，用于自动量化脑出血患者的脑中线移位 | 采用基于XNOR的二值化和通道缩放技术，将模型参数从3100万大幅减少至4.4万，实现实时自动化中线移位量化 | 需要进一步进行多中心验证 | 开发高效自动的脑中线移位量化方法 | 脑出血患者的非增强头部CT扫描 | 数字病理 | 脑出血 | CT扫描 | CNN | 医学影像 | RSNA 2019出血CT数据集的5000个测试切片 | PyTorch | 残差U-Net | Dice系数, 平均绝对误差 | NVIDIA GTX 1650 (4 GB) |
| 4253 | 2025-11-09 |
Correction to: Deep learning approach for tooth numbering and restoration detection on pediatric periapical radiographs in mixed dentition
2025-Nov-08, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-025-06646-1
PMID:41205095
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4254 | 2025-11-09 |
Artificial intelligence in nephrology: predicting CKD progression and personalizing treatment
2025-Nov-08, International urology and nephrology
IF:1.8Q3
DOI:10.1007/s11255-025-04878-4
PMID:41205136
|
综述 | 探讨人工智能在肾病学中预测慢性肾脏病进展和个性化治疗的应用 | 整合机器学习、深度学习、自然语言处理和多模态数据，提升CKD检测、进展预测和个性化管理能力 | 存在算法偏差、数据隐私、可解释性和监管合规等持续挑战 | 改善慢性肾脏病的检测、进展预测和个性化管理 | 慢性肾脏病患者 | 自然语言处理, 机器学习 | 慢性肾脏病 | 多组学融合, 电子健康记录分析, 医学影像分析, 可穿戴设备监测 | 梯度提升, LSTM | 电子健康记录, 影像数据, 组学数据, 可穿戴设备数据 | NA | NA | NA | AUC | NA |
| 4255 | 2025-11-09 |
Deep Learning-based Eddy Segmentation with Vector-Data for Biochemical Analysis in Ocean Simulations
2025-Nov-07, IEEE computer graphics and applications
IF:1.7Q3
DOI:10.1109/MCG.2025.3630582
PMID:41201923
|
研究论文 | 本研究提出一种基于深度学习的涡旋分割方法，专门处理海洋模拟中的矢量数据以支持生化分析 | 提出双分支注意力U-Net架构，分别编码矢量大小和方向信息，解决了矢量数据在深度学习分割模型中的表示难题 | 仅针对海洋模拟数据验证，未在真实观测数据上测试 | 开发能够有效处理矢量数据的海洋涡旋精确分割方法 | 海洋模拟中的涡旋结构 | 计算机视觉 | NA | 海洋数值模拟 | U-Net | 3D矢量场数据 | 四个大规模3D海洋模拟数据集 | NA | 双分支注意力U-Net | 四种分割指标 | NA |
| 4256 | 2025-11-09 |
Efficient Large-Deformation Medical Image Registration via Recurrent Dynamic Correlation
2025-Nov-07, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3630584
PMID:41201925
|
研究论文 | 提出一种基于循环动态相关性的高效大变形医学图像配准方法 | 通过动态重定位匹配区域实现高效的大变形配准，采用轻量级循环更新模块并解耦运动与纹理特征 | NA | 解决医学图像中大变形配准的计算效率问题 | 脑部MRI和腹部CT图像 | 医学图像处理 | NA | 医学图像配准 | 循环神经网络,卷积神经网络 | 医学图像(MRI, CT) | NA | NA | 循环相关框架 | 配准精度, FLOPs, 运行速度 | NA |
| 4257 | 2025-11-09 |
Pix2Pix generative-adversarial network in improving the quality of T2-weighted prostate magnetic resonance imaging: a multi-reader study
2025-11-06, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2025.243102
PMID:40320939
|
研究论文 | 本研究评估了Pix2Pix生成对抗网络在提升T2加权前列腺磁共振成像质量方面的性能与可行性 | 首次将Pix2Pix GAN应用于前列腺MRI图像质量增强，通过合成退化图像训练模型并验证其在真实数据上的适用性 | 样本量相对有限，仅使用单一类型MRI序列(T2W)，未涵盖多中心数据 | 评估生成式深度学习在前列腺MRI图像质量增强中的性能 | 前列腺T2加权磁共振图像 | 医学影像处理 | 前列腺癌 | 磁共振成像，生成对抗网络 | GAN | 医学图像 | 训练集1300例，验证集100例，测试集100例，外加33例外部测试集 | NA | Pix2Pix | 前列腺成像质量标准评分，Wilcoxon符号秩检验 | NA |
| 4258 | 2025-11-07 |
Detection of common bile duct dilatation on magnetic resonance cholangiopancreatography by deep learning
2025-11-06, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2025.253218
PMID:40321102
|
研究论文 | 本研究使用深度学习算法通过磁共振胰胆管成像检测胆总管扩张 | 首次将深度学习模型应用于MRCP图像中胆总管扩张的自动检测 | 样本量较小，需要多中心大样本研究验证 | 开发基于深度学习的胆总管扩张自动检测方法 | 胆总管扩张患者的MRCP图像 | 计算机视觉 | 胆道疾病 | 磁共振胰胆管成像 | CNN | 医学图像 | 147例MRCP图像（77例正常，70例胆总管扩张） | NA | ResNet50, DenseNet121, VGG | 准确率 | NA |
| 4259 | 2025-11-06 |
Letter to the Editor: Advancing deep learning-based segmentation for multiple lung cancer lesions in real-world multicenter CT scans
2025-Nov-05, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-025-00649-z
PMID:41191183
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4260 | 2025-11-06 |
Reply to the letter to the Editor: Advancing deep learning-based segmentation for multiple lung cancer lesions in real-world multicenter CT scans
2025-Nov-05, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-025-00650-6
PMID:41191206
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |