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 32371 篇文献，本页显示第 4661 - 4680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4661 | 2025-07-29 |
Deep learning framework for cardiorespiratory disease detection using smartphone IMU sensors
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110595
PMID:40614516
|
研究论文 | 本研究提出了一种基于智能手机IMU传感器的深度学习框架，用于早期检测心肺疾病 | 利用智能手机内置的惯性测量单元传感器，通过标准化协议采集五个不同胸腹区域的加速度计和陀螺仪数据，实现非侵入性、低成本的心肺疾病早期检测 | 需要扩展数据集，改进长期监测方法，并评估在不同临床和家庭环境中的适用性 | 开发一种创新、可及且成本效益高的心肺疾病筛查解决方案 | 健康个体和心血管疾病患者（包括瓣膜功能不全、冠状动脉疾病和主动脉瘤等术前患者） | 机器学习 | 心血管疾病 | 惯性测量单元(IMU)传感器数据采集 | 双向循环神经网络(BiRNN) | 时间序列数据 | 未明确提及具体样本数量，但采用留一法交叉验证 | NA | NA | NA | NA |
| 4662 | 2025-07-29 |
Towards reliable WMH segmentation under domain shift: An application study using maximum entropy regularization to improve uncertainty estimation
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110639
PMID:40614515
|
research paper | 本研究探讨了在领域偏移情况下白质高信号（WMH）分割的可靠性，提出最大熵正则化技术以增强模型校准和不确定性估计 | 提出使用最大熵正则化技术来增强模型在领域偏移下的校准和不确定性估计，无需真实标签即可预测分割错误 | 研究仅基于两个公开数据集进行实验，可能无法涵盖所有临床场景中的领域偏移情况 | 提高在领域偏移情况下白质高信号分割的可靠性和不确定性估计 | 白质高信号（WMH） | digital pathology | multiple sclerosis | MRI | U-Net | image | 两个公开数据集：WMH Segmentation Challenge和3D-MR-MS dataset | NA | NA | NA | NA |
| 4663 | 2025-07-29 |
DeepPerfusion: A comprehensible two-branched deep learning architecture for high-precision blood volume pulse extraction based on imaging photoplethysmography
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110571
PMID:40614513
|
研究论文 | 提出了一种名为DeepPerfusion的双分支深度学习架构，用于基于成像光电容积描记法(iPPG)高精度提取血容量脉冲(BVP) | 结合精确的皮肤分割与加权以及BVP提取于单一模型中，并开发了新的基于块的时间归一化机制和创新训练流程 | 未明确提及具体限制 | 提高基于iPPG的BVP提取精度 | 156名受试者的iPPG数据 | 计算机视觉 | NA | 成像光电容积描记法(iPPG) | 双分支深度学习架构 | 图像 | 来自三个公开数据集的156名受试者 | NA | NA | NA | NA |
| 4664 | 2025-07-29 |
Transformer attention-based neural network for cognitive score estimation from sMRI data
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110579
PMID:40614523
|
研究论文 | 本文提出了一种基于Transformer注意力的深度神经网络，用于从结构MRI数据中联合预测多种认知评分 | 结合Transformer注意力和3D卷积神经网络，自适应捕捉大脑中的判别性成像特征，有效关注与认知相关的关键区域 | 未提及具体样本量限制或数据多样性问题 | 提高基于结构MRI的认知评分预测准确性，以理解痴呆病理阶段和预测阿尔茨海默病 | 阿尔茨海默病患者的结构MRI数据 | 数字病理学 | 阿尔茨海默病 | sMRI | Transformer + 3D CNN | 3D MRI图像 | 基于ADNI数据集，但未提及具体样本量 | NA | NA | NA | NA |
| 4665 | 2025-07-29 |
EnsemPred-ACP: Combining machine and deep learning to improve anticancer peptide prediction
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110668
PMID:40614519
|
研究论文 | 介绍了一种结合机器学习和深度学习的集成框架EnsemPred-ACP，用于提高抗癌肽（ACP）的预测准确性 | 引入了二进制轮廓特征（BPF）来增强预训练的蛋白质嵌入，从而捕捉对ACP识别至关重要的位置特异性模式 | 未明确提及具体局限性 | 提高抗癌肽（ACP）的预测准确性，以促进基于肽的癌症治疗的发展 | 抗癌肽（ACP） | 机器学习 | 癌症 | 机器学习和深度学习 | 集成框架（结合ML和DL模型） | 蛋白质序列数据 | 独立数据集评估 | NA | NA | NA | NA |
| 4666 | 2025-07-29 |
A comprehensive targeted panel of 295 genes: Unveiling key disease initiating and transformative biomarkers in multiple myeloma
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110619
PMID:40617081
|
研究论文 | 本研究开发了一种结合传统统计方法和深度学习架构的AI工作流程，用于识别多发性骨髓瘤的关键生物标志物 | 提出了基于生物启发的图网络学习基因-基因交互（BIO-DGI）的深度学习架构，整合了多种变异谱数据 | 未提及样本来源的多样性或潜在的数据偏差问题 | 通过分子水平区分多发性骨髓瘤（MM）与其前体阶段MGUS，促进早期检测和病理机制理解 | 多发性骨髓瘤（MM）及其前体阶段MGUS的基因变异和生物标志物 | 机器学习 | 多发性骨髓瘤 | WES（全外显子组测序）、WGS（全基因组测序） | BIO-DGI（基于注意力机制的深度学习架构） | 基因组数据（SNVs、CNVs、SVs） | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 4667 | 2025-07-29 |
Exploring advanced deep learning approaches in cardiac image analysis: A comprehensive review
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110708
PMID:40617082
|
review | 本文全面综述了深度学习在心脏图像分析中的应用，包括常见成像模态和模型压缩技术 | 介绍了如transformers、基础模型和压缩技术等新方法在心脏图像分析中的应用 | 未提及具体实验验证或实际应用效果 | 探索深度学习在心脏图像分析中的最新进展和应用 | 心脏图像和心血管疾病 | digital pathology | cardiovascular disease | deep learning | transformers, foundation models | image | NA | NA | NA | NA | NA |
| 4668 | 2025-07-29 |
Enhancing automatic multilabel diagnosis of electrocardiogram signals: A masked transformer approach
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110674
PMID:40628168
|
研究论文 | 本文提出了一种基于掩码Transformer的心电图信号多标签自动诊断方法，显著提高了分类准确率 | 将基于图像的掩码自编码器适应于心电图时间序列的自监督表示学习，提出MTECG模型 | 仅在特定数据集上验证，未说明在实时临床环境中的表现 | 提高心电图分类的准确性，特别是在处理复杂信号模式时 | 心电图信号 | 机器学习 | 心血管疾病 | 自监督学习 | Transformer | 时间序列数据 | 220,251条心电图记录（Fuwai数据集）及两个公共数据集 | NA | NA | NA | NA |
| 4669 | 2025-07-29 |
Deep learning for giant cell arteritis diagnosis on temporal artery biopsy
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110707
PMID:40633216
|
研究论文 | 本研究评估了深度学习模型在颞动脉活检图像中诊断巨细胞动脉炎的准确性 | 采用基于注意力的多实例学习机制，模型在诊断巨细胞动脉炎方面达到了最先进的性能，并提供了模型决策过程的可解释性 | 研究样本量相对较小，外部测试队列仅包含58名患者 | 评估深度学习模型在颞动脉活检图像中诊断巨细胞动脉炎的准确性 | 颞动脉活检的数字化全切片图像 | 数字病理学 | 巨细胞动脉炎 | 深度学习，基于注意力的多实例学习 | CTransPath | 图像 | 训练队列366名患者（137例GCA，229例对照），外部测试队列58名患者（21例GCA，37例对照） | NA | NA | NA | NA |
| 4670 | 2025-07-29 |
Post-hoc eXplainable AI methods for analyzing medical images of gliomas (- A review for clinical applications)
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110649
PMID:40633214
|
综述 | 本文系统回顾了65项关于可解释人工智能（XAI）在胶质瘤影像分析中的应用研究，探讨了XAI方法在提高深度学习模型透明度和临床信任中的作用 | 提出了一个基于梯度（G-XAI）和扰动（P-XAI）的XAI方法框架，用于评估深度学习模型并解释其在胶质瘤影像分析中的应用 | 讨论了深度学习和XAI方法在临床整合中面临的挑战，以及未来从临床用户角度出发的研究方向 | 提高人工智能系统在胶质瘤影像分析中的透明度和可解释性，以促进临床决策的信任和应用 | 胶质瘤的磁共振成像（MRI）和组织病理学图像 | 数字病理学 | 胶质瘤 | 深度学习（DL），可解释人工智能（XAI） | 深度学习模型 | 图像 | 65项研究 | NA | NA | NA | NA |
| 4671 | 2025-07-29 |
Deep supervised transformer-based noise-aware network for low-dose PET denoising across varying count levels
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110733
PMID:40633213
|
research paper | 开发了一种基于Swin Transformer的噪声感知网络（ST-UNN），用于在低剂量PET成像中处理不同噪声水平并重建高质量图像 | 提出了一种监督式Swin Transformer基础统一噪声感知网络（ST-UNN），能动态整合多个子网络输出，有效处理不同噪声水平 | 未提及具体的数据集大小或计算资源限制，可能影响模型的广泛适用性 | 开发一种能处理不同噪声水平的深度学习模型，以提高低剂量PET成像的图像质量 | PET/CT数据集，涵盖整个头部及头颈部恶性病变区域 | digital pathology | NA | deep learning, PET imaging | Swin Transformer | image | NA | NA | NA | NA | NA |
| 4672 | 2025-07-29 |
Metaverse-based deep learning framework for coronary artery stenosis classification using Monte Carlo Dropout-based ResNet-152
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110720
PMID:40639014
|
研究论文 | 本文提出了一种基于元宇宙的深度学习框架，用于冠状动脉狭窄分类，结合了Monte Carlo Dropout的ResNet-152模型 | 结合元宇宙和深度学习技术，提出了一种新的冠状动脉狭窄分类方法，并利用Monte Carlo Dropout提高模型的不确定性管理能力 | 未提及样本的具体来源和多样性，可能影响模型的泛化能力 | 提高冠状动脉狭窄的诊断精度，并通过元宇宙技术提供沉浸式医疗体验 | 冠状动脉狭窄患者 | 数字病理学 | 心血管疾病 | Invasive Coronary Angiography (ICA), Quantum-Adapted Diffusion (QAD), Gray Level Co-occurrence Matrix (GLCM), Stochastic Gradient Descent (SGD) | Monte Carlo Dropout-based ResNet-152 (MCD-ResNet-152) | 图像 | NA | NA | NA | NA | NA |
| 4673 | 2025-07-29 |
Emotion recognition in EEG Signals: Deep and machine learning approaches, challenges, and future directions
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110713
PMID:40644885
|
综述 | 本文探讨了使用深度学习和机器学习方法从脑电图（EEG）信号中识别人类情绪的研究现状、挑战及未来方向 | 综述了深度学习（如CNN和RNN）在EEG信号自动特征提取中的最新应用，对比了传统机器学习方法（如SVM、KNN和RF）的优缺点 | EEG信号具有受试者特异性、高噪声水平和高质量标记数据稀缺等问题，限制了模型的泛化能力和信号分析的复杂性 | 提高脑机交互应用的先进性和脑健康评估系统的准确性 | 脑电图（EEG）信号 | 脑机接口 | NA | EEG信号分析 | CNN, RNN, SVM, KNN, RF | EEG信号 | 流行数据集（如DEAP、SEED、AMIGOS） | NA | NA | NA | NA |
| 4674 | 2025-07-29 |
Applications of machine learning for peripheral artery disease diagnosis and management: A systematic review
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110744
PMID:40644890
|
系统性综述 | 本文系统性综述了机器学习在周围动脉疾病（PAD）诊断和管理中的应用 | 探讨了机器学习算法在PAD诊断和管理中的多样化应用，包括不同类型的数据、特征、性能指标和软件工具 | 纳入研究的偏倚风险评估显示50%的研究在所有领域中表现出低风险，但仍存在一定的偏倚可能 | 评估机器学习在周围动脉疾病诊断和管理中的应用效果 | 周围动脉疾病（PAD）患者 | 机器学习 | 心血管疾病 | 神经网络（全连接和卷积）、集成学习、深度学习 | 随机森林、回归、分类、聚类 | 数值和非数值数据 | 30项相关研究（2014年至2024年发表） | NA | NA | NA | NA |
| 4675 | 2025-07-29 |
Hierarchical deep learning system for orbital fracture detection and trap-door classification on CT images
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110732
PMID:40644886
|
research paper | 开发并评估了一种分层深度学习系统，用于在CT图像上检测眼眶骨折并分类为凹陷型或活板门型 | 采用分层方法结合YOLOv8和Vision Transformer模型，首次实现了眼眶骨折的自动检测与分类 | 研究为单中心回顾性研究，外部验证尚未进行 | 开发自动化眼眶骨折诊断系统以提高临床诊断效率 | 眼眶骨折患者的CT图像 | digital pathology | orbital fracture | CT影像分析 | YOLOv8 + Vision Transformer | CT图像 | 686名患者的46,013张CT切片（最终使用7,809张） | NA | NA | NA | NA |
| 4676 | 2025-07-29 |
A deep learning approach for objective evaluation of microscopic neuro-drilling craniotomy skills
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110650
PMID:40644889
|
研究论文 | 本研究提出了一种基于深度学习的客观评估显微镜下神经钻孔手术技能的方法 | 首次引入了标注良好的显微镜下神经钻孔效果数据集，并开发了自动技能评估系统，其性能超过了独立专家评估者 | 研究在超低数据环境下进行，可能限制了模型的泛化能力 | 开发自动化、个性化的神经外科钻孔技能评估工具 | 显微镜下神经钻孔手术技能 | 数字病理 | NA | 深度学习 | Transformer-based architectures, CNN | 图像 | 435张图像，包括已故羊头和肩胛骨的微钻孔样本 | NA | NA | NA | NA |
| 4677 | 2025-07-29 |
Deep learning for diagnosing and grading pterygium: A systematic review and meta-analysis
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110743
PMID:40644893
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估深度学习模型在翼状胬肉诊断和严重程度评估中的准确性 | 首次对深度学习在翼状胬肉诊断和分级中的应用进行系统评价，并与临床专家表现进行对比 | 方法学局限包括缺乏外部验证、病例对照研究设计、未预设决策阈值以及未考虑个体内相关性 | 评估深度学习模型在翼状胬肉诊断和分级中的准确性 | 翼状胬肉患者的前节段照片 | 数字病理 | 眼科疾病 | 深度学习 | DL | 图像 | 45,913张前节段照片（来自>4460名患者） | NA | NA | NA | NA |
| 4678 | 2025-07-29 |
EEG quantization and entropy of multi-step transition probabilities for driver drowsiness detection via LSTM
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110758
PMID:40651200
|
研究论文 | 本研究提出了一种结合特征提取流程和LSTM网络的驾驶员嗜睡检测方法，通过EEG信号的量化和转移概率熵来提取特征 | 使用EEG信号的量化和多步转移概率熵作为特征，结合LSTM网络进行嗜睡检测，并在单通道上实现了先进的准确率 | 未提及模型在不同EEG设备或环境下的泛化能力 | 开发一种高效的驾驶员嗜睡检测方法 | 驾驶员的EEG信号 | 机器学习 | NA | EEG信号处理，HMM，熵计算 | LSTM | EEG信号 | 平衡和不平衡的EEG数据集，具体样本数量未提及 | NA | NA | NA | NA |
| 4679 | 2025-07-29 |
Fusion of bio-inspired optimization and machine learning for Alzheimer's biomarker analysis
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110746
PMID:40651201
|
research paper | 该研究结合生物启发优化和机器学习技术，用于阿尔茨海默病生物标志物分析，以提高早期诊断准确性 | 创新点在于融合了Elephant Herding Optimization (EHO)和Crow Search Optimization (CSO)优化技术，并与ResNet50分类器结合，用于海马体区域的分割和分类 | 研究未提及样本的具体来源或多样性，可能影响模型的泛化能力 | 提高阿尔茨海默病的早期诊断准确性，并优化治疗效果评估 | 阿尔茨海默病患者的大脑区域，特别是海马体 | digital pathology | geriatric disease | histogram equalization, Otsu's thresholding, EHO, CSO | ResNet50 | image | NA | NA | NA | NA | NA |
| 4680 | 2025-07-29 |
A preprocessing method based on 3D U-Net for abdomen segmentation
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110709
PMID:40652756
|
research paper | 本研究提出了一种基于3D U-Net的预处理方法，用于腹部区域的分割，旨在提高分割性能并加快分割速度 | 提出了一种新的预处理步骤，结合3D U-Net和Connected Components Analysis (CCA)来识别腹部感兴趣区域(ROI)，并在不同损失函数下评估分割效果 | 研究仅使用了特定的数据集（CHAOS和AbdomenCT-1K），可能限制了方法的泛化能力 | 提高生物医学图像自动分割的性能和效率 | 腹部CT图像 | digital pathology | NA | 3D U-Net, Connected Components Analysis (CCA) | 3D U-Net | image | 训练数据集包含6998张切片，测试数据集包含1311张切片 | NA | NA | NA | NA |