深度学习在生物医药领域中的应用
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，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10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 26283 篇文献，本页显示第 5101 - 5120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5101 | 2025-05-02 |
DDUM: Deformable Dilated U-structure Module for coronary stenosis detection
2025-May, Medical engineering & physics
IF:1.7Q3
DOI:10.1016/j.medengphy.2025.104337
PMID:40306887
|
research paper | 提出了一种可变形可扩展的U结构模块（DDUM），用于提高冠状动脉狭窄检测的准确性和泛化能力 | DDUM模块能够针对冠状动脉狭窄检测任务优化通用网络，显著提升模型性能和泛化能力 | 未提及具体的数据集规模和多样性限制 | 提高冠状动脉狭窄检测的准确性和模型泛化能力 | 冠状动脉狭窄检测 | computer vision | cardiovascular disease | deep learning | ResNet50 + faster R-CNN | medical imaging (coronary angiography) | NA |
| 5102 | 2025-05-02 |
TabNet and TabTransformer: Novel Deep Learning Models for Chemical Toxicity Prediction in Comparison With Machine Learning
2025-May-01, Journal of applied toxicology : JAT
IF:2.7Q3
DOI:10.1002/jat.4803
PMID:40309751
|
research paper | 本研究评估了TabNet和TabTransformer这两种先进的深度学习架构与传统机器学习方法在预测化学化合物毒性方面的性能 | 引入了TabNet和TabTransformer这两种新型深度学习模型，用于化学毒性预测，并通过SHAP分析增强了模型的可解释性 | 研究仅基于分子描述符数据，未考虑其他可能的毒性影响因素 | 评估深度学习模型在化学毒性预测中的性能 | 12,228个训练样本和3,057个测试样本，每个样本由801个分子描述符表征 | machine learning | NA | SHAP分析, PCA, RFE, MI | TabNet, TabTransformer, XGBoost, CatBoost, SVM | 分子描述符数据 | 12,228个训练样本和3,057个测试样本 |
| 5103 | 2025-05-02 |
Reirradiation for recurrent glioblastoma: the significance of the residual tumor volume
2025-May-01, Journal of neuro-oncology
IF:3.2Q2
DOI:10.1007/s11060-025-05042-9
PMID:40310485
|
research paper | 本研究分析了71例复发性中枢神经系统WHO 4级IDH野生型胶质母细胞瘤患者再放疗的疗效和安全性 | 首次明确了残留肿瘤体积对复发性高级别胶质瘤患者总生存期的显著预测作用 | 单中心回顾性研究，样本量相对较小 | 评估复发性胶质母细胞瘤再放疗的疗效和预后因素 | 71例复发性CNS WHO 4级IDH野生型胶质母细胞瘤患者 | digital pathology | glioblastoma | deep learning auto-segmentation | NA | medical imaging | 71例患者 |
| 5104 | 2025-05-02 |
Determinants of ascending aortic morphology: cross-sectional deep learning-based analysis on 25 073 non-contrast-enhanced NAKO MRI studies
2025-Apr-30, European heart journal. Cardiovascular Imaging
DOI:10.1093/ehjci/jeaf081
PMID:40052574
|
研究论文 | 本研究利用深度学习自动分割胸主动脉，并从25,073例非对比增强磁共振血管造影数据中提取升主动脉形态特征，探讨了升主动脉中段直径的可能决定因素 | 首次在大型流行病学横断面研究中结合深度学习和因果分析来理解升主动脉形态的决定因素 | 研究为横断面设计，无法确定因果关系的时间顺序 | 探究升主动脉形态的决定因素，为精准诊断和治疗提供依据 | 25,073例来自德国国家队列(NAKO)的非对比增强磁共振血管造影数据 | 数字病理学 | 心血管疾病 | 非对比增强磁共振血管造影(NC-MRA) | 深度学习(DL) | 3D医学影像 | 25,073例NC-MRA数据 |
| 5105 | 2025-05-02 |
Improved Image Quality of Virtual Monochromatic Images with Deep Learning Image Reconstruction Algorithm on Dual-Energy CT in Patients with Pancreatic Ductal Adenocarcinoma
2025-Apr-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01514-6
PMID:40307592
|
研究论文 | 本研究旨在评估使用深度学习图像重建（DLIR）算法在双能CT（DECT）上重建的虚拟单色图像（VMIs）在胰腺导管腺癌（PDAC）诊断中的图像质量 | 首次在DECT上应用DLIR算法重建VMIs，显著提高了图像质量，特别是在低keV水平下 | 研究样本量较小（50例患者），且为回顾性分析 | 评估DLIR算法在DECT上重建VMIs的图像质量，以改善PDAC的诊断 | 50例经组织学确认的PDAC患者 | 数字病理 | 胰腺癌 | 双能CT（DECT） | 深度学习图像重建（DLIR） | 医学影像 | 50例PDAC患者 |
| 5106 | 2025-05-01 |
Correction: Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug‑in modules
2025-Apr-29, Knee surgery & related research
IF:4.1Q1
DOI:10.1186/s43019-025-00268-3
PMID:40302005
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5107 | 2025-05-02 |
Enhancing the Diagnostic Accuracy of Deep Learning-Based CTS Grading Could Expand Its Clinical Applicability
2025-Apr-29, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.04.022
PMID:40307112
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5108 | 2025-05-02 |
Harnessing deep learning to monitor people's perceptions towards climate change on social media
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97441-1
PMID:40295576
|
研究论文 | 利用深度学习监测社交媒体上人们对气候变化的看法 | 提出了一种基于自然语言处理的可扩展方法框架，用于长期监测社交媒体用户对气候变化的看法和反应 | 研究仅针对西班牙、葡萄牙和英语的社交媒体帖子，可能无法代表全球范围内的观点 | 监测和分析社交媒体上人们对气候变化的看法，以支持基于数据的决策 | 社交媒体用户对气候变化的看法和反应 | 自然语言处理 | NA | 自然语言处理 | 深度学习 | 文本 | 1771千条来自西班牙、葡萄牙和英语的X/Twitter帖子 |
| 5109 | 2025-05-02 |
SkinEHDLF a hybrid deep learning approach for accurate skin cancer classification in complex systems
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98205-7
PMID:40295588
|
research paper | 提出了一种名为SkinEHDLF的混合深度学习模型，用于提高皮肤癌分类的准确性 | 结合了ConvNeXt、EfficientNetV2和Swin Transformer的优势，并引入了自适应注意力特征融合机制 | 未提及具体局限性 | 提高皮肤癌分类的准确性和可靠性 | 皮肤病变图像 | computer vision | skin cancer | 深度学习 | ConvNeXt, EfficientNetV2, Swin Transformer | image | 401,059张皮肤病变图像 |
| 5110 | 2025-05-02 |
Optimizing photovoltaic integration in grid management via a deep learning-based scenario analysis
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98724-3
PMID:40295668
|
research paper | 该研究开发了一种结合深度学习技术的双阶段优化模型，以解决光伏系统并入电网的挑战 | 利用生成对抗网络（GANs）模拟多样化和高分辨率的能源生成-消耗模式，并通过实时自适应控制框架进行动态调整，显著提升电网效率和稳定性 | 未提及具体的地理或气候条件限制，可能影响模型的普适性 | 优化光伏系统在电网管理中的集成，提高经济与环境效益 | 光伏系统与电网的集成管理 | machine learning | NA | GANs | GAN | 能源生成与消耗数据 | NA |
| 5111 | 2025-05-02 |
Impact of fine-tuning parameters of convolutional neural network for skin cancer detection
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99529-0
PMID:40295678
|
research paper | 该研究探讨了卷积神经网络（CNN）参数微调对皮肤癌检测性能的影响 | 通过调整CNN的层数、Conv2D层的滤波器数量及去除dropout层，显著提高了分类器的准确率，从62.5%提升至85% | 研究未涉及其他类型的深度学习模型或更广泛的数据集验证 | 优化CNN参数以提高皮肤癌图像数据集的分类准确率 | 皮肤癌图像数据集 | computer vision | skin cancer | NA | CNN | image | NA |
| 5112 | 2025-05-02 |
Research on noninvasive electrophysiologic imaging based on cardiac electrophysiology simulation and deep learning methods for the inverse problem
2025-Apr-28, BMC cardiovascular disorders
IF:2.0Q3
DOI:10.1186/s12872-025-04728-2
PMID:40295939
|
研究论文 | 本研究结合心脏电生理模拟和深度学习方法，为非侵入性心脏电生理成像（ECGI）的实现提供了新方案 | 结合三维双域心脏电生理活动模型与深度学习算法（包括粒子群优化-反向传播神经网络、CNN和LSTM）来重建心脏表面电位 | 未提及实际临床应用中的潜在限制或样本多样性问题 | 开发非侵入性心脏电生理成像技术以改善心律失常的诊断和治疗 | 心脏电活动及体表电位映射 | 数字病理 | 心血管疾病 | 心脏电生理模拟、深度学习 | 粒子群优化-BP神经网络、CNN、LSTM | 模拟心电图数据 | NA |
| 5113 | 2025-05-02 |
Intermittent hypoxemia during hemodialysis: AI-based identification of arterial oxygen saturation saw-tooth pattern
2025-Apr-28, BMC nephrology
IF:2.2Q2
DOI:10.1186/s12882-025-04133-z
PMID:40295983
|
研究论文 | 利用人工智能技术自动识别血液透析患者中重复出现的间歇性动脉血氧饱和度锯齿模式 | 首次应用一维卷积神经网络(1D-CNN)对血液透析过程中的SaO2锯齿模式进行实时分类 | 研究样本量较小(仅22名患者)，且仅针对特定血管通路(动静脉瘘)患者 | 开发自动识别血液透析患者间歇性低氧血症的人工智能系统 | 维持性血液透析患者的动脉血氧饱和度(SaO2)数据 | 数字病理学 | 心血管疾病 | Crit-Line设备连续监测 | 1D-CNN | 时间序列数据 | 22名患者的89次血液透析治疗中的4075个5分钟片段 |
| 5114 | 2025-05-02 |
Deep learning-based tennis match type clustering
2025-Apr-28, BMC sports science, medicine & rehabilitation
DOI:10.1186/s13102-025-01147-w
PMID:40296175
|
研究论文 | 本研究旨在基于比赛方式定义和聚类网球比赛类型 | 首次使用深度学习模型对网球比赛类型进行聚类分析，并识别出四种不同的比赛类型 | 样本量较小，仅包含2023年国际网球公开赛五场决赛的32场比赛 | 聚类网球比赛类型并为每种类型制定比赛策略 | 2023年国际网球公开赛五场决赛的32场比赛 | 机器学习 | NA | 深度学习 | 三种未指定具体名称的聚类模型 | 比赛记录数据 | 32场比赛 |
| 5115 | 2025-05-02 |
Publisher Correction: The intelligent fault identification method based on multi-source information fusion and deep learning
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99035-3
PMID:40295585
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5116 | 2025-05-02 |
18F-FDG PET/CT-based deep learning models and a clinical-metabolic nomogram for predicting high-grade patterns in lung adenocarcinoma
2025-Apr-28, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01684-3
PMID:40295979
|
research paper | 开发并验证基于18F-FDG PET/CT图像的深度学习和传统临床代谢模型，用于无创预测侵袭性肺腺癌的高级别模式 | 结合深度学习和临床代谢参数构建预测模型，并通过列线图可视化 | 样本量较小且为回顾性研究，可能影响模型的泛化能力 | 预测侵袭性肺腺癌的高级别模式 | 303名侵袭性肺腺癌患者 | digital pathology | lung cancer | 18F-FDG PET/CT | DL (deep learning), logistic regression | image (PET/CT) | 303名患者，按7:1:2比例分为训练集、验证集和测试集 |
| 5117 | 2025-05-02 |
Artificial intelligence entering the pathology arena in oncology: current applications and future perspectives
2025-Apr-28, Annals of oncology : official journal of the European Society for Medical Oncology
IF:56.7Q1
DOI:10.1016/j.annonc.2025.03.006
PMID:40307127
|
综述 | 本文综述了人工智能在病理学和肿瘤学领域的当前应用及未来前景 | 系统性地总结了AI在肿瘤诊断、分子生物标志物检测和癌症预后评估中的应用，并探讨了未来发展方向 | 目前尚无基于AI的预后或预测性生物标志物获得IA或IB级证据支持，数据可用性、可解释性和监管问题仍是主要障碍 | 探讨人工智能在肿瘤病理学中的应用现状和未来发展方向 | 肿瘤病理学中的AI应用 | 数字病理学 | 肿瘤 | AI算法（包括基础模型、通用模型和基于transformer的深度学习） | 深度学习模型 | 多组学数据 | NA |
| 5118 | 2025-05-02 |
Prediction of significant congenital heart disease in infants and children using continuous wavelet transform and deep convolutional neural network with 12-lead electrocardiogram
2025-Apr-24, BMC pediatrics
IF:2.0Q2
DOI:10.1186/s12887-025-05628-2
PMID:40275174
|
研究论文 | 本研究开发了一种基于连续小波变换和深度卷积神经网络的AI模型，用于预测五岁以下儿童中的显著先天性心脏病 | 使用真实世界的心电图数据训练AI模型，特别针对五岁以下儿童，显著提高了对血流动力学显著先天性心脏病的检测能力 | 研究数据来自单一中心，且未涵盖所有先天性心脏病亚型 | 开发一种AI辅助的心电图分析方法，用于早期检测儿童先天性心脏病 | 五岁以下儿童的心电图数据 | 数字病理学 | 心血管疾病 | 连续小波变换 | ResNet-18, InceptionResNet-V2, NasNetMobile | 心电图信号 | 1,035名五岁以下患者 |
| 5119 | 2025-05-02 |
DTC-m6Am: A Framework for Recognizing N6,2'-O-dimethyladenosine Sites in Unbalanced Classification Patterns Based on DenseNet and Attention Mechanisms
2025-Apr-24, Frontiers in bioscience (Landmark edition)
DOI:10.31083/FBL36603
PMID:40302345
|
研究论文 | 提出了一种基于DenseNet和注意力机制的深度学习模型DTC-m6Am，用于识别RNA中的N6,2'-O-二甲基腺苷（m6Am）位点 | 结合DenseNet和TCN模块提取局部和全局特征，并引入CBAM注意力机制优化特征提取，使用焦点损失函数解决数据不平衡问题 | 未明确说明模型在更广泛RNA序列上的泛化能力 | 开发高效的计算工具预测m6Am位点，以研究其在转录和转录后水平的功能机制 | RNA中的m6Am修饰位点 | 生物信息学 | NA | One-Hot编码，深度学习 | DenseNet, TCN, CBAM | RNA序列数据 | 未明确说明样本数量 |
| 5120 | 2025-05-02 |
Comparison of machine learning models with conventional statistical methods for prediction of percutaneous coronary intervention outcomes: a systematic review and meta-analysis
2025-Apr-23, BMC cardiovascular disorders
IF:2.0Q3
DOI:10.1186/s12872-025-04746-0
PMID:40269704
|
meta-analysis | 比较机器学习模型与传统统计方法在预测经皮冠状动脉介入治疗（PCI）结果中的性能 | 首次系统比较机器学习模型与逻辑回归模型在预测PCI后多种结果中的表现，并进行荟萃分析 | 大多数研究存在高偏倚风险，机器学习模型解释复杂可能影响临床应用的适应性 | 评估机器学习模型相比传统统计方法在预测PCI后结果中的优势 | 经皮冠状动脉介入治疗（PCI）后的死亡率、主要不良心脏事件（MACE）、院内出血和急性肾损伤（AKI） | machine learning | cardiovascular disease | NA | ML vs. logistic regression | clinical data | 59项研究 |