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 32373 篇文献，本页显示第 5021 - 5040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5021 | 2025-10-06 |
A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3496996
PMID:40030193
|
研究论文 | 提出一种混合人工智能系统，用于自动分析EEG背景活动并生成报告 | 结合深度学习模型与专家设计的异常检测算法，集成PDR预测、无监督伪影去除和报告生成功能 | 局灶性异常检测的改进未达到统计学显著性 | 开发自动EEG背景分析和报告生成系统，解决资源有限医疗机构的EEG解读困难 | 脑电图信号和神经科医生 | 医疗人工智能 | 神经系统疾病 | 脑电图分析 | 深度学习, 集成模型, 大语言模型 | EEG信号 | 1530个标记EEG，内部数据集和天普大学异常EEG语料库 | NA | 集成模型 | MAE, RMSE, 准确率, F1分数 | NA |
| 5022 | 2025-10-06 |
EEGDfus: A Conditional Diffusion Model for Fine-Grained EEG Denoising
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3504716
PMID:40030273
|
研究论文 | 提出一种用于脑电图精细去噪的条件扩散模型EEGDfus | 将标准扩散模型改进为条件扩散模型，用含噪EEG信息作为条件指导生成干净EEG信号，并设计双分支网络结合CNN和Transformer的优势 | 未明确说明模型计算复杂度及实时处理能力 | 开发更精确的EEG信号去噪方法以提高脑电数据分析质量 | 脑电图信号 | 生物医学信号处理 | NA | 脑电图信号处理 | 条件扩散模型,CNN,Transformer | 脑电图信号数据 | 两个公开数据集EEGdenoiseNet和SSED | NA | 双分支网络架构 | 相关系数 | NA |
| 5023 | 2025-10-06 |
From Micro to Meso: A Data-Driven Mesoscopic Region Division Method Based on Functional Connectivity for EEG-Based Driver Fatigue Detection
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3504847
PMID:40030270
|
研究论文 | 提出一种基于功能连接性的数据驱动中观区域划分方法，用于EEG脑电信号的驾驶员疲劳检测 | 首次提出基于数据特征和功能连接性的中观区域划分方法，无需依赖任务特定先验知识 | 方法在多样化任务中的泛化能力仍需进一步验证 | 开发更有效的EEG信号处理方法以提升驾驶员疲劳检测性能 | EEG脑电信号和驾驶员疲劳状态 | 脑机接口, 深度学习 | 疲劳状态检测 | EEG脑电信号分析, 功能连接性分析 | GNN | EEG脑电信号 | 公共驾驶员疲劳检测数据集 | NA | 基于功能连接性的图神经网络 | 分类准确率 | NA |
| 5024 | 2025-10-06 |
C2BNet: A Deep Learning Architecture With Coupled Composite Backbone for Parasitic Egg Detection in Microscopic Images
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3318604
PMID:37747862
|
研究论文 | 提出一种用于显微图像中寄生虫卵检测的深度学习架构C2BNet | 采用双路径结构的耦合复合主干网络，通过模型异质性从不同视角学习目标特征，并提出新颖的特征组合方式实现路径间特征表示能力的相互增强 | NA | 改进显微图像中寄生虫卵检测的模型性能 | 显微图像中的寄生虫卵 | 计算机视觉 | 肠道寄生虫感染 | 显微成像 | 深度学习 | 2D显微图像 | Chula-ParasiteEgg-11数据集 | NA | C2BNet | 检测精度 | NA |
| 5025 | 2025-10-06 |
SeqNovo: De Novo Peptide Sequencing Prediction in IoMT via Seq2Seq
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3321780
PMID:37792659
|
研究论文 | 提出一种名为SeqNovo的新模型，用于IoMT中的从头肽段测序预测 | 结合Seq2Seq编码-解码结构、多层感知机的高度非线性特性以及注意力机制捕获长程依赖的能力 | NA | 解决现有深度学习模型在肽段测序预测中可解释性差和长程依赖捕获能力不足的问题 | 肽段测序预测 | 自然语言处理 | NA | 从头肽段测序 | Seq2Seq, MLP, 注意力机制 | 序列数据 | NA | NA | Seq2Seq, MLP, 注意力机制 | 准确率 | NA |
| 5026 | 2025-10-06 |
Label-Aware Dual Graph Neural Networks for Multi-Label Fundus Image Classification
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3457232
PMID:39255075
|
研究论文 | 提出一种用于多标签眼底图像分类的标签感知双图神经网络方法 | 首次将基于人群的图表示学习和基于病理的图表示学习相结合，同时考虑受试者间关联和病理标签共现关系 | 未明确说明模型在临床环境中的泛化能力和计算效率 | 开发更准确的眼底疾病多标签分类方法 | 眼底图像及其相关的多病理标签 | 计算机视觉 | 眼底疾病 | 深度学习 | 图神经网络 | 眼底图像 | NA | NA | 双图神经网络 | NA | NA |
| 5027 | 2025-10-06 |
Deep Learning for Predicting Difficulty in Radical Prostatectomy: A Novel Evaluation Scheme
2025-04, Urology
IF:2.1Q2
DOI:10.1016/j.urology.2025.01.028
PMID:39814211
|
研究论文 | 通过两阶段深度学习方法从术前磁共振成像预测根治性前列腺切除术难度 | 提出基于高斯热图的改进PointNet网络间接回归解剖标志点，并创新性地定义了描述前列腺与骨盆空间关系的新评估指标 | 研究样本量相对有限（290例患者），且仅针对两种手术方式（腹腔镜和机器人辅助）进行验证 | 探索评估根治性前列腺切除术难度的新指标 | 接受根治性前列腺切除术的患者 | 医学影像分析 | 前列腺癌 | 磁共振成像 | 深度学习 | 医学影像 | 290例患者（来自两个真实队列） | nnUNet_v2 | nnUNet, PointNet | Dice系数, 毫米级精度 | NA |
| 5028 | 2025-10-06 |
HIPPIE: A Multimodal Deep Learning Model for Electrophysiological Classification of Neurons
2025-Mar-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.14.642461
PMID:40161713
|
研究论文 | 提出一种名为HIPPIE的多模态深度学习模型，用于从细胞外电生理记录中进行神经元分类 | 结合自监督预训练和监督微调，使用条件卷积联合自编码器学习波形和放电动力学的鲁棒表示，能够跨实验系统进行技术调整 | NA | 解决细胞外电生理记录中因噪声、技术变异和批次效应带来的神经元分类挑战 | 小鼠记录和脑切片中的神经元 | 机器学习 | NA | 细胞外电生理记录 | 自编码器,深度学习 | 电生理信号 | NA | NA | 条件卷积联合自编码器 | 细胞类型鉴别性能 | NA |
| 5029 | 2025-10-06 |
Syn-Net: A Synchronous Frequency-Perception Fusion Network for Breast Tumor Segmentation in Ultrasound Images
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3514134
PMID:40030423
|
研究论文 | 提出一种用于超声图像中乳腺肿瘤分割的同步频率感知融合网络 | 设计了同步双分支编码器同时提取局部和全局特征，并引入频率感知交叉特征融合模块利用离散余弦变换学习全频特征 | NA | 实现复杂超声图像中乳腺肿瘤的精确分割 | 超声图像中的乳腺肿瘤 | 计算机视觉 | 乳腺癌 | 超声成像 | 深度学习分割网络 | 超声图像 | 三个公开超声乳腺肿瘤数据集 | NA | 同步双分支编码器,频率感知交叉特征融合模块,全尺度深度监督 | Dice系数 | NA |
| 5030 | 2025-10-06 |
LymoNet: An Advanced Neck Lymph Node Detection Network for Ultrasound Images
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3515995
PMID:40030474
|
研究论文 | 提出基于YOLOv8的颈部淋巴结检测网络LymoNet，用于超声图像中正常、炎症和转移性淋巴结的检测与分类 | 集成坐标注意力和多头自注意力机制增强关键特征学习，并引入医学知识嵌入提升分类性能 | NA | 开发高精度的自动化颈部淋巴结检测方法以辅助临床诊断 | 颈部淋巴结超声图像 | 计算机视觉 | 癌症转移 | 超声成像 | CNN | 图像 | NA | PyTorch | YOLOv8 | mAP@0.5 | NA |
| 5031 | 2025-10-06 |
RTGN: Robust Traditional Chinese Medicine Graph Networks for Patient Similarity Learning
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3510884
PMID:40030577
|
研究论文 | 提出一种鲁棒的中医图网络用于患者相似性学习 | 首次构建中医胃肠恶性肿瘤真实世界数据集，开发结合自注意力和自监督策略的孪生网络架构，设计融合中西医方法的患者相似性度量 | 依赖医师生理感官判断可能导致患者评估的非标准化描述和干扰 | 在中医背景下研究患者相似性学习 | 中医胃肠恶性肿瘤患者 | 机器学习 | 胃肠恶性肿瘤 | 图神经网络 | 图神经网络, 孪生网络 | 图结构数据 | 719名患者的406种多维信息 | NA | RTGN, 自注意力机制 | 患者检索准确率, 聚类性能 | NA |
| 5032 | 2025-10-06 |
Fusing Micro- and Macro-Scale Information to Predict Anticancer Synergistic Drug Combinations
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3500789
PMID:40030241
|
研究论文 | 提出一种融合微观和宏观尺度信息预测抗癌药物协同作用的新方法MMFSynergy | 同时精细表征药物和细胞系的微观与宏观尺度信息，并考虑跨尺度信息的交互作用 | NA | 预测抗癌药物的协同组合 | 药物组合和细胞系 | 机器学习 | 癌症 | 深度学习 | Transformer | 药物和蛋白质数据 | 基于两个公共数据集 | NA | Transformer Encoder | NA | NA |
| 5033 | 2025-10-06 |
Analysis of Research Hotspots and Development Trends in the Diagnosis of Lung Diseases Using Low-Dose CT Based on Bibliometrics
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 基于文献计量学分析低剂量CT在肺部疾病诊断中的研究热点和发展趋势 | 首次系统梳理低剂量CT在肺部疾病诊断领域的研究演进轨迹，揭示从技术改进到健康风险评估再到AI辅助诊断的研究路径转变 | 仅基于Web of Science英文文献，可能遗漏其他语言的重要研究成果 | 探索低剂量CT在肺部疾病诊断领域的研究热点和发展趋势 | 2005年至2024年6月期间发表的关于低剂量CT和肺部疾病的文献 | 医学影像分析 | 肺癌 | 文献计量分析，CiteSpace软件分析 | NA | 文献数据 | Web of Science核心合集中2005-2024年6月的相关文献 | CiteSpace | NA | 中心性指标，关键词频率 | NA |
| 5034 | 2025-10-06 |
Deep learning-based text generation for plant phenotyping and precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1564394
PMID:40535926
|
研究论文 | 提出一种结合深度学习文本生成与领域知识的植物表型分析计算框架 | 开发了混合生成模型、生物约束优化策略和环境感知模块的新型框架 | NA | 提高植物表型分析的准确性、可解释性和适应性 | 植物表型特征 | 计算机视觉 | NA | 深度学习文本生成 | 生成模型 | 高维成像数据 | NA | NA | 混合生成模型 | 预测准确性、可解释性、可扩展性 | NA |
| 5035 | 2025-10-06 |
Robust Palmprint Recognition via Multi-Stage Noisy Label Selection and Correction
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3588040
PMID:40668719
|
研究论文 | 提出一种多阶段噪声标签选择与校正框架，用于提升噪声标签环境下掌纹识别的鲁棒性 | 首次提出结合自监督学习、傅里叶分析和原型校正的多阶段噪声标签处理框架 | 未明确说明计算复杂度及在极低质量图像上的适用性 | 解决实际应用中掌纹识别受噪声标签影响的问题 | 约束和非约束环境下的掌纹图像 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 多个掌纹数据库（具体数量未说明） | NA | NA | 准确率 | NA |
| 5036 | 2025-10-06 |
Brain tumor segmentation using deep learning: high performance with minimized MRI data
2025, Frontiers in radiology
DOI:10.3389/fradi.2025.1616293
PMID:40697313
|
研究论文 | 本研究开发了一种基于深度学习的大脑肿瘤分割方法，通过最小化所需的MRI序列数量实现高性能分割 | 证明了仅使用T1C和FLAIR两种MRI序列即可达到或优于传统四序列组合的分割性能 | 研究主要针对胶质瘤分割，未验证其他类型脑肿瘤的适用性 | 优化脑肿瘤分割流程，减少MRI序列依赖 | 胶质瘤的增强肿瘤区域和肿瘤核心区域 | 医学影像分析 | 脑肿瘤 | MRI成像 | 3D U-Net | 医学影像 | 训练集285例，测试集358例（包含2018 BraTS验证集66例和2021 BraTS数据集292例） | NA | 3D U-Net | Dice系数, 敏感性, 特异性, Hausdorff距离 | NA |
| 5037 | 2025-10-06 |
Progress and current trends in prediction models for the occurrence and prognosis of cancer and cancer-related complications: a bibliometric and visualization analysis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1556521
PMID:40697367
|
文献计量分析 | 通过文献计量和可视化分析方法探讨癌症相关预测模型的研究热点与未来趋势 | 首次采用文献计量学方法系统分析癌症预测模型领域的研究现状和发展趋势 | 仅基于Web of Science数据库，可能遗漏其他重要数据库中的相关研究 | 识别癌症相关预测模型的研究热点和未来发展方向 | 癌症预测模型相关学术文献 | 文献计量学 | 癌症 | 文献计量分析，可视化分析 | NA | 文献数据 | 1,556篇出版物 | VOSviewer, CiteSpace | NA | NA | NA |
| 5038 | 2025-10-06 |
Integrating deep learning and clinical characteristics for early prediction of endometrial cancer using multimodal ultrasound imaging: a multicenter study
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1600242
PMID:40697376
|
研究论文 | 本研究开发了一种结合多模态超声成像和临床特征的深度学习模型，用于子宫内膜癌的早期预测 | 首次将多模态超声图像（二维和彩色多普勒）与临床风险因素通过深度学习进行整合，构建子宫内膜癌早期诊断模型 | 回顾性研究设计，样本量相对有限，需要更大规模的前瞻性多中心试验验证 | 提高子宫内膜癌的早期诊断准确性 | 611名患者（132例子宫内膜癌，479例非子宫内膜癌） | 医学影像分析 | 子宫内膜癌 | 多模态超声成像 | 深度学习模型 | 超声图像 | 1,443张多模态超声图像（来自611名患者） | NA | NA | AUC | NA |
| 5039 | 2025-10-06 |
FGA-Corn: an integrated system for precision pesticide application in center leaf areas using deep learning vision
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1571228
PMID:40697871
|
研究论文 | 开发了一种基于深度学习视觉的玉米中心叶片区域精准农药喷洒集成系统 | 提出FGA-Corn集成系统，包含FCRF机械结构、ASDS决策算法和GMA-YOLOv8检测算法，在YOLOv8n基础上引入GHG2S骨干网络和混合局部通道注意力机制 | NA | 解决传统农药喷洒浪费和环境污染问题，实现精准农业施药 | 玉米作物的中心叶片区域 | 计算机视觉 | NA | 深度学习视觉 | CNN | 图像 | D1和D2两个数据集 | YOLOv8 | YOLOv8n, GHG2S, GhostConv, SimAM, Mixed Local Channel Attention | mAP@0.5, 检测准确率, 农药输送率, 输送精度, 模型大小, 计算复杂度 | NA |
| 5040 | 2025-10-06 |
Development and validation of a deep learning-based pathomics signature for prognosis and chemotherapy benefits in colorectal cancer: a retrospective multicenter cohort study
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1602909
PMID:40698083
|
研究论文 | 开发并验证基于深度学习的病理组学特征用于结直肠癌预后预测和化疗获益评估 | 首次从H&E染色全切片图像中开发可解释的多示例学习模型构建病理组学特征，结合SHAP和Grad-CAM提升模型可解释性 | 回顾性研究设计，需要前瞻性研究进一步验证 | 提高结直肠癌预后预测准确性并指导辅助化疗决策 | 结直肠癌患者 | 数字病理 | 结直肠癌 | 全切片图像分析，转录组测序 | 多示例学习 | 病理图像，转录组数据 | 883张切片来自两个独立队列 | 深度学习框架 | 多示例学习模型 | 净重分类指数，综合判别指数 | NA |