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 36465 篇文献，本页显示第 5301 - 5320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5301 | 2025-10-05 |
Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning
2024-Sep-12, ArXiv
PMID:39314499
|
研究论文 | 本研究提出一种基于深度学习的数字体积活检核心方法，用于改进前列腺癌的Gleason分级 | 提出新型数字病理数据源'体积核心'，通过形态保持对齐框架从连续组织切片中提取并对齐，并采用改进的视频变换器处理体积数据 | NA | 开发深度学习方法来改进前列腺癌的Gleason分级 | 前列腺癌活检组织 | 数字病理学 | 前列腺癌 | 数字病理学，连续组织切片 | 注意力多实例学习(ABMIL)，视频变换器 | 体积图像数据 | 10,210个体积核心 | PyTorch | 改进的视频变换器，注意力多实例学习框架 | AUC，F1分数，精确度，召回率 | NA |
| 5302 | 2025-10-05 |
Optimizing mammography interpretation education: leveraging deep learning for cohort-specific error detection to enhance radiologist training
2024-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.5.055502
PMID:39372519
|
研究论文 | 本研究探索利用卷积神经网络和迁移学习对乳腺X线摄影中的假阳性区域进行分类，以优化放射科医师培训 | 首次针对具有相似地理特征的放射科医师群体，开发基于深度学习的假阳性错误检测方法 | 概念验证研究，样本量有限，仅包含两个地理群体 | 通过深度学习技术优化乳腺X线摄影解读培训 | 乳腺X线摄影图像中的假阳性区域 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | 两个地理群体（群体A和B）的放射科医师评估的乳腺X线摄影测试集 | NA | ResNet-50 | AUC | NA |
| 5303 | 2025-10-05 |
qMAP enabled microanatomical mapping of human skin aging
2024-Jul-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.04.03.588011
PMID:39005293
|
研究论文 | 本研究开发了一种名为qMAP的组织图像分析工作流程，用于定量分析人类皮肤衰老过程中的微观解剖结构变化 | 首次建立了能够全面标记组织和细胞区室的定量微观解剖表型分析工作流程，填补了组织水平衰老研究的空白 | 研究仅针对皮肤组织，样本量相对有限（99名捐赠者），需要进一步验证在其他组织类型中的适用性 | 开发定量分析组织微观解剖结构的方法，探索皮肤衰老的组织水平特征 | 人类皮肤组织样本 | 数字病理学 | 衰老相关疾病 | 组织切片成像，深度学习，机器视觉 | 深度学习 | 组织图像 | 99名年龄在14-92岁之间的捐赠者 | NA | NA | 平均绝对误差（MAE） | NA |
| 5304 | 2025-10-05 |
Prediction of MRI-Induced Power Absorption in Patients with DBS Leads
2024-Jun, Proceedings. IEEE International Symposium on Computer-Based Medical Systems
DOI:10.1109/cbms61543.2024.00087
PMID:41030917
|
研究论文 | 使用机器学习和深度学习算法预测深部脑刺激患者MRI扫描中DBS导线尖端的局部比吸收率值 | 首次将XgBoost和残差网络家族应用于DBS患者MRI功率吸收预测，显著超越了现有最佳方法的性能 | 研究处于小数据机制，已提取的有限特征更适合集成学习而非深度网络 | 开发高效算法预测DBS患者MRI扫描时的组织加热风险 | 植入深部脑刺激系统的患者 | 机器学习 | 神经系统疾病 | 电磁仿真，MRI | XgBoost，深度学习 | 仿真数据 | 260个实例（包含患者来源和人工生成数据） | XgBoost | 残差网络家族 | RMSE | NA |
| 5305 | 2025-10-05 |
Fully Automated OCT-based Tissue Screening System
2024-May-15, ArXiv
PMID:38800655
|
研究论文 | 介绍了一种基于光学相干断层扫描的全自动组织筛选系统，用于离体组织培养的高通量筛选应用 | 开发了首个结合定制电动平台、组织检测能力和Transformer深度学习分割算法的全自动OCT组织筛选系统 | 目前仅在视网膜退行性疾病小鼠模型的视网膜外植体培养中进行了验证 | 开发用于药物发现和相关研究领域的高通量组织筛选系统 | 小鼠视网膜退行性疾病模型的视网膜外植体培养组织 | 数字病理学 | 视网膜退行性疾病 | 光学相干断层扫描(OCT) | Transformer | OCT图像 | NA | NA | Transformer | NA | NA |
| 5306 | 2025-10-05 |
Current Research and Development in the Field of Magnetic Resonance Contrast Media
2025-Nov-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001206
PMID:40622723
|
综述 | 本文讨论磁共振造影剂领域的新一代钆基造影剂、安全性研究、技术改进和新型造影剂开发 | 重点介绍新一代高弛豫率钆基造影剂gadopiclenol和gadoquatrane可能取代现有标准，重新研究锰基化合物，并探讨人工智能在磁共振造影剂领域的应用潜力 | 锰基化合物的临床影响尚不明确，人工智能技术的应用仍处于早期阶段 | 综述磁共振造影剂领域的最新研究进展和发展趋势 | 钆基造影剂、锰基化合物、磁共振成像技术 | 医学影像 | NA | 磁共振成像、人工智能、深度学习 | 深度学习 | 医学影像数据 | NA | NA | NA | NA | NA |
| 5307 | 2025-10-05 |
Progress of MRI-based radiomics and deep learning for predicting the prognosis of locally advanced rectal cancer (Review)
2025-Nov, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15282
PMID:41040910
|
综述 | 回顾基于MRI的影像组学和深度学习在预测局部晚期直肠癌患者预后方面的最新进展 | 系统总结了多参数影像组学模型、Delta影像组学和深度学习模型在预测局部晚期直肠癌预后方面的性能提升 | NA | 改善局部晚期直肠癌患者的长期生存结果 | 接受新辅助放化疗的局部晚期直肠癌患者 | 数字病理 | 直肠癌 | MRI影像组学, 深度学习 | 深度学习模型 | MRI图像 | NA | NA | NA | AUC, C-index | NA |
| 5308 | 2025-10-05 |
An overview of the current situation and future development direction of grain detection: taking computer vision combined with deep learning
2025-Nov, Journal of food science and technology
DOI:10.1007/s13197-025-06428-3
PMID:41041505
|
综述 | 本文综述了计算机视觉与深度学习在粮食检测领域的应用现状及未来发展方向 | 系统梳理了计算机视觉与深度学习在粮食质量检测中的结合应用，并探讨了未来发展趋势 | NA | 探讨计算机视觉与深度学习技术在粮食质量检测领域的应用现状和发展方向 | 粮食质量检测技术 | 计算机视觉 | NA | 计算机视觉，深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 5309 | 2025-10-05 |
Getting Started on Artificial Intelligence in Health Care and Clinical Research: Includes Rigor Checklist for Authors and Reviewers
2025-Oct-03, Advances in wound care
IF:5.8Q1
DOI:10.1177/21621918251380217
PMID:41039915
|
综述 | 本文为医疗保健和临床研究领域的人工智能应用提供入门指南和严谨性检查清单 | 提出分层框架（基础层、核心技术层、应用层）和系统化的生物医学AI人才培养方法，强调从人员培养入手的AI实施路径 | NA | 指导研究人员、临床医生和评审员严谨地理解和应用人工智能技术 | 生物医学研究和医疗保健领域的人工智能应用 | 机器学习,自然语言处理,计算机视觉 | NA | 专家系统,机器学习,深度学习,可解释AI,自然语言处理,分布式AI/多智能体系统 | NA | NA | NA | NA | NA | NA | NA |
| 5310 | 2025-10-04 |
Reply to 'Risk stratification of cutaneous melanoma using deep learning on whole slide images'
2025-Oct-03, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.70092
PMID:41041696
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5311 | 2025-10-05 |
Prediction of Pathological Subthalamic Nucleus Beta Burst Occurrence in Parkinson's Disease
2025-Oct-03, Movement disorders : official journal of the Movement Disorder Society
IF:7.4Q1
DOI:10.1002/mds.70076
PMID:41041724
|
研究论文 | 本研究开发深度学习模型预测帕金森病患者丘脑底核β爆发的发生 | 首次发现β振幅下降可作为预测β爆发发生的生物标志物，实现提前100毫秒预测 | 研究样本量有限，需要在更大人群中验证模型的泛化能力 | 开发能够预测帕金森病病理状态下丘脑底核β爆发发生的预测模型 | 帕金森病患者的丘脑底核活动记录 | 机器学习 | 帕金森病 | 深部脑刺激记录，神经信号分析 | 深度神经网络 | 神经电生理信号 | 两个独立的丘脑底核记录数据集，包括自然行为下的长期记录 | NA | NA | 预测准确性，时间预测精度 | NA |
| 5312 | 2025-10-05 |
Highly Tunable Synaptic Modulation in Photo-Activated Remote Charge Trap Memory for Hardware-Based Fault-Tolerant Learning
2025-Oct-03, Advanced materials (Deerfield Beach, Fla.)
DOI:10.1002/adma.202515140
PMID:41041969
|
研究论文 | 提出一种基于硬件的光激活远程电荷陷阱存储器，用于实现容错学习算法 | 利用缺陷工程六方氮化硼实现4380的高突触可调比，能够选择性衰减误训练信号引起的权重更新 | 仅在MNIST数据集上验证，未在更复杂数据集测试 | 开发硬件容错学习算法以应对标注噪声数据 | 光激活远程电荷陷阱存储器器件 | 机器学习 | NA | 缺陷工程六方氮化硼技术 | 人工突触 | 图像数据 | MNIST数据集 | NA | NA | 识别准确率 | 内存计算系统 |
| 5313 | 2025-10-05 |
Multilevel Correlation-aware and Modal-aware Graph Convolutional Network for Diagnosing Neurodevelopmental Disorders
2025-Oct-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3617348
PMID:41037545
|
研究论文 | 提出一种多级相关性感知和模态感知图卷积网络(MCM-GCN)，用于神经发育障碍的可靠诊断 | 在个体层面设计相关性驱动特征生成模块感知图间相关性，在群体层面通过多模态解耦特征增强模块深度整合多模态信息 | NA | 开发可靠的神经发育障碍诊断方法 | 自闭症谱系障碍(ASD)和注意缺陷多动障碍(ADHD)患者 | 医学影像分析 | 神经发育障碍 | 静息态功能磁共振成像 | 图卷积网络 | 脑网络图数据,表型数据 | 两个公共数据集 | NA | MCM-GCN,图注意力网络 | 准确率 | NA |
| 5314 | 2025-10-05 |
Heterogeneous Network With Multiview Path Aggregation: Drug-Target Interaction Prediction Study Design
2025-Oct-02, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/74974
PMID:41037779
|
研究论文 | 提出一种基于多视图路径聚合的异质网络模型用于药物-靶点相互作用预测 | 结合分子注意力转换器提取药物3D构象特征和Prot-T5蛋白质语言模型探索蛋白质序列特征，构建异质图模型并引入元路径聚合机制动态整合特征视图和生物网络关系视图 | 未明确说明模型在更大规模数据集上的泛化能力和计算效率 | 预测药物与靶点之间的相互作用关系 | 药物、蛋白质、疾病和副作用等生物实体 | 生物信息学 | NA | 分子注意力转换器, Prot-T5蛋白质语言模型 | 图神经网络, 异质网络模型 | 化学结构, 蛋白质序列, 多源异质数据 | KCNH2靶点的53个候选药物案例研究 | NA | 分子注意力转换器, Prot-T5, 元路径聚合机制 | AUPR, AUROC | NA |
| 5315 | 2025-10-05 |
Fast water/fat T2 and PDFF mapping via multiple overlapping‑echo detachment acquisition and deep learning reconstruction
2025-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae0efa
PMID:41038241
|
研究论文 | 开发了一种结合化学位移编码与多重重叠回波分离序列的深度学习重建方法，用于快速水/脂肪T2和PDFF成像 | 提出了CSE-MOLED新型水脂分离框架，首次实现每层162毫秒的超快速同步水脂分离和T2定量 | 样本量较小（仅5名健康志愿者和2名患者），脂肪T2的R²值相对较低（0.733） | 开发超快速同步水脂分离和T2定量方法，用于神经肌肉疾病的诊断和监测 | 肌肉组织，包括健康志愿者、肌肉萎缩患者和肌肉损伤患者 | 医学影像分析 | 神经肌肉疾病 | 磁共振成像，化学位移编码，多重重叠回波分离序列 | 深度学习 | 磁共振图像 | 5名健康志愿者，1名肌肉萎缩患者，1名肌肉损伤患者 | NA | NA | R²，变异系数 | NA |
| 5316 | 2025-10-05 |
Bioinspired high-order in-sensor spatiotemporal enhancement in van der Waals optoelectronic neuromorphic electronics
2025-Oct-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-63873-6
PMID:41038807
|
研究论文 | 提出一种基于范德华光电晶体管的视觉传感器，利用三重脉冲时序依赖可塑性实现生物启发的高阶时空关联学习，提升动态目标跟踪性能 | 采用三重脉冲时序依赖可塑性替代传统配对脉冲时序依赖可塑性架构，通过界面缺陷主导的持续光电导现象实现可调光-电协同竞争效应 | 仅在6×6范德华光电晶体管阵列上进行硬件验证，规模有限 | 开发高性能动态目标跟踪系统以推进先进机器视觉技术 | 动态目标跟踪与混淆物体分类任务 | 机器视觉 | NA | 范德华光电晶体管技术 | 脉冲神经网络 | 动态视觉信息 | 6×6范德华光电晶体管阵列 | NA | 基于三重脉冲时序依赖可塑性的脉冲神经网络 | 跟踪准确率(90.44%) | 范德华光电晶体管硬件阵列 |
| 5317 | 2025-10-05 |
Clinical validation of a deep learning tool for characterizing spinopelvic mobility in total hip arthroplasty
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16824-6
PMID:41038863
|
研究论文 | 开发并临床验证了一种用于全髋关节置换术中脊柱骨盆活动度测量的深度学习工具 | 首次将深度学习技术应用于脊柱骨盆活动度的自动化测量，相比传统手动方法更高效准确 | 研究主要基于单一国际关节登记处的数据，可能需要更多外部验证 | 开发自动化工具来改善全髋关节置换术中的脊柱骨盆活动度测量 | 全髋关节置换术患者的脊柱骨盆活动度 | 计算机视觉 | 骨科疾病 | 深度学习 | 深度学习管道 | X射线图像 | 分类任务52,772张图像，目标检测9,875张图像，关键点检测25,249张图像 | NA | 集成图像分类、椎体检测和关键点检测的深度学习管道 | AUC, F1分数, 平均绝对误差, 精确度, 召回率 | NA |
| 5318 | 2025-10-05 |
A lightweight YOLOv11-based framework for small steel defect detection with a newly enhanced feature fusion module
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16619-9
PMID:41038869
|
研究论文 | 提出一种基于改进YOLOv11的轻量级钢表面缺陷检测模型PSF-YOLO，用于解决终端设备上小目标检测效率低和部署困难的问题 | 采用低参数Ghost卷积大幅减少计算资源需求，用多维融合颈部结构替代传统特征金字塔网络，并引入虚拟融合头和注意力拼接模块增强小目标特征提取 | 仅在GC10-DET+数据集上验证，未在其他工业缺陷数据集上测试泛化能力 | 开发适用于计算能力有限终端设备的轻量级钢表面缺陷检测模型 | 钢表面缺陷 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | GC10-DET+数据集 | NA | YOLOv11n, GhostConv, MDF-Neck | mAP, mAP50 | 有限计算能力的终端设备 |
| 5319 | 2025-10-05 |
A lightweight deep learning method for medicinal leaf image classification using feature fusion
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17436-w
PMID:41038908
|
研究论文 | 提出一种基于联邦学习的特征融合深度学习模型，用于药用植物叶片图像的自动分类 | 采用NCA-CNN框架结合手工特征(LBP、HOG)与深度特征进行特征融合，通过典型相关分析增强关键特征并降低噪声 | NA | 开发自动化计算机视觉系统以准确高效识别药用植物叶片 | 药用植物叶片图像 | 计算机视觉 | NA | 图像分析 | CNN | RGB图像 | 来自Mendeley数据集(https://data.mendeley.com/datasets/nnytj2v3n5/1)的药用植物叶片图像 | NA | NCA-CNN | 准确率 | NA |
| 5320 | 2025-10-05 |
Fault classification in the architecture of virtual machine using deep learning
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17109-8
PMID:41038942
|
研究论文 | 提出一种结合特征选择、注意力变换器和特征变换器的深度学习模型，用于虚拟机架构中的故障分类 | 首次将注意力变换器与特征变换器结合用于虚拟机故障分类，处理表格数据并实现高精度故障预测 | 仅在Telstra集群网络数据集上进行验证，未在其他网络环境中测试 | 预测虚拟机中的故障发生，检测和分类集群网络故障 | 虚拟机架构和集群网络 | 机器学习 | NA | 深度学习 | Transformer,神经网络 | 表格数据 | 来自Telstra集群网络的表格数据集 | NA | 注意力变换器,特征变换器 | 准确率,精确率,召回率,F1分数 | NA |