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 32372 篇文献，本页显示第 561 - 580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 561 | 2025-10-05 |
The interembodiment of healing: Holistic transformations in neurological rehabilitation and care
2025-Oct, Social science & medicine (1982)
DOI:10.1016/j.socscimed.2025.118468
PMID:40768952
|
研究论文 | 通过民族志研究探讨神经康复中患者与治疗师之间的跨身体互动对康复过程的影响 | 提出'跨身体性'概念，强调康复过程中情感、信息与身体学习的多维整合，挑战将瘫痪视为个体状况的传统观点 | 基于10个月民族志研究，样本范围有限，未涉及量化验证 | 探索神经康复过程中患者与治疗师之间的互动机制及其对康复效果的影响 | 瘫痪患者（脊髓损伤和创伤性脑损伤）、护理人员及康复专业人员 | 医学人类学 | 神经系统疾病 | 民族志研究、案例研究 | NA | 定性数据、观察记录、案例资料 | 10个月田野调查涉及的患者、护理人员和康复专业人员群体 | NA | NA | NA | NA |
| 562 | 2025-10-05 |
Fusing Echocardiography Images and Medical Records for Continuous Patient Stratification
2025-Oct, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3600902
PMID:40833913
|
研究论文 | 提出融合超声心动图图像和医疗记录的方法，用于高血压患者的连续分层 | 首次将Transformer模型应用于表格数据，融合多模态医疗数据学习心血管疾病的连续表征 | 训练样本有限（少于200个训练样本），仅针对高血压患者进行研究 | 开发能够综合考虑医疗记录和超声心动图描述符的患者分层方法 | 239名高血压患者 | 医疗人工智能 | 心血管疾病 | 超声心动图，医疗记录分析 | Transformer | 图像，表格数据 | 239名高血压患者 | NA | XTab基础模型，Transformer编码器 | AUROC，平均绝对误差(MAE) | NA |
| 563 | 2025-10-05 |
Explainable Machine Learning for Characterizing Unknown Molecular Structures in Infrared Spectra
2025-Sep-30, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03126
PMID:40960350
|
研究论文 | 提出一种用于红外光谱中未知分子结构功能基团检测的可解释深度学习方法 | 开发了子结构导向光谱解释器网络(SSIN)，将红外光谱分析先验知识融入训练和推理过程，解决了现有方法的黑盒问题 | NA | 开发高效且可解释的红外光谱功能基团检测方法 | 未知分子的红外光谱 | 机器学习 | NA | 红外光谱分析 | 深度学习 | 红外光谱数据 | NIST数据库中的8845个气相红外光谱 | NA | 子结构导向光谱解释器网络(SSIN) | 准确率 | NA |
| 564 | 2025-10-05 |
Prediction of Atrial Fibrillation From the ECG in the Community Using Deep Learning: A Multinational Study
2025-Sep-30, Circulation. Arrhythmia and electrophysiology
DOI:10.1161/CIRCEP.125.013734
PMID:41025252
|
研究论文 | 开发并验证基于心电图的深度学习模型用于预测心房颤动风险 | 使用多国社区队列数据开发单输入心电图深度学习模型，首次在多样化人群中验证其预测心房颤动及其他心血管结局的能力 | 研究基于观察性队列数据，可能存在未测量的混杂因素 | 通过深度学习模型从心电图中预测心房颤动风险 | 来自Framingham心脏研究、英国生物银行和ELSA-Brasil三个队列的参与者 | 数字病理 | 心血管疾病 | 心电图分析 | 深度神经网络 | 心电图信号 | FHS: 10,097人，英国生物银行: 49,280人，ELSA-Brasil: 12,284人 | NA | 深度神经网络 | AUC | NA |
| 565 | 2025-10-05 |
Utilising Cot-Side Cameras in Neonatal Intensive Care Unit for Deep Learning-Assisted General Movement Assessment
2025-Sep-30, Acta paediatrica (Oslo, Norway : 1992)
DOI:10.1111/apa.70319
PMID:41025287
|
综述 | 探讨如何利用新生儿重症监护室床旁摄像头结合深度学习技术辅助进行全身运动评估 | 首次系统综述床旁摄像头与深度学习结合在新生儿全身运动评估中的应用潜力 | 基于文献综述，缺乏原始实验数据验证 | 研究深度学习辅助的自动化全身运动评估方法 | 新生儿（蠕动期婴儿） | 计算机视觉 | 新生儿神经发育障碍 | 视频分析，运动捕捉 | 深度学习 | RGB视频数据 | NA | NA | 基于外观和姿态的方法 | NA | NA |
| 566 | 2025-10-05 |
UAMRL: Multi-Granularity Uncertainty-Aware Multimodal Representation Learning for Drug-Target Affinity Prediction
2025-Sep-30, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf512
PMID:41025463
|
研究论文 | 提出一种用于药物-靶点亲和力预测的不确定性感知多模态表示学习框架 | 引入基于Normal-Inverse-Gamma分布的不确定性量化机制，建模异构信息可靠性并在融合过程中抑制不可信贡献 | NA | 提高药物-靶点亲和力预测的准确性和决策透明度 | 化合物和蛋白质的多模态数据 | 机器学习 | NA | 多模态表示学习 | 双流编码器 | 多模态数据 | 多个公共DTA数据集 | NA | 双流编码器 | 预测准确性 | NA |
| 567 | 2025-10-05 |
Manifold Embedding of Quantum Information as Molecule Representation to Predict Blood-Brain Barrier Permeability by Deep Learning
2025-Sep-30, Molecular pharmaceutics
IF:4.5Q1
|
研究论文 | 本研究利用分子表面流形嵌入作为量子信息分子表示，通过深度学习模型预测血脑屏障渗透性 | 提出分子表面流形嵌入方法作为量子信息分子表示，能更真实地编码分子相互作用 | 模型性能受数据规模和质量影响，在不同B3DB组间表现差异显著，且缺乏足够的立体化学数据 | 改进血脑屏障渗透性预测以促进中枢神经系统药物设计 | 分子化合物及其血脑屏障渗透性 | 机器学习 | 神经系统疾病 | 量子信息分子表示 | 深度学习 | 分子结构数据 | B3DB数据集 | NA | NA | RMSE, MAE, R² | NA |
| 568 | 2025-10-05 |
Analysis of trichoscopic images using deep neural networks for the diagnosis and activity assessment of alopecia areata - a retrospective study
2025-Sep-30, Journal der Deutschen Dermatologischen Gesellschaft = Journal of the German Society of Dermatology : JDDG
DOI:10.1111/ddg.15847
PMID:41025749
|
研究论文 | 开发基于深度学习的双步骤框架，利用毛发镜图像诊断斑秃并评估疾病活动水平 | 首次提出人工智能在斑秃诊断和分期中的潜在应用，实现更准确的诊断和更好的护理 | 回顾性研究设计，可能存在选择偏倚 | 开发深度学习框架用于斑秃诊断和活动水平评估 | 头皮疾病患者和健康对照者的毛发镜图像 | 计算机视觉 | 斑秃 | 毛发镜检查 | 深度学习神经网络 | 图像 | NA | NA | NA | 准确率, F1分数 | NA |
| 569 | 2025-10-05 |
Nephrocast-V: A Deep Learning Model for the Prediction of Vancomycin Trough Concentration Using Electronic Health Record Data
2025-Sep-30, Pharmacotherapy
IF:2.9Q2
DOI:10.1002/phar.70062
PMID:41025800
|
研究论文 | 开发了一个深度学习模型Nephrocast-V，用于提前2天预测危重患者万古霉素谷浓度并提供剂量调整建议 | 结合长短期记忆网络和多头注意力机制，并在深度学习模型最后一层加入跳跃连接以整合历史剂量信息 | 研究数据来自单一医疗中心的ICU患者，需要外部验证 | 通过深度学习模型预测万古霉素谷浓度并优化给药方案 | 加州大学圣地亚哥健康系统ICU收治的成年患者 | 医疗人工智能 | 细菌感染 | 电子健康记录数据分析 | LSTM, Attention机制 | 电子健康记录数据 | 2205次住院记录 | NA | 长短期记忆网络, 多头注意力机制 | 平均绝对误差, 均方根误差 | NA |
| 570 | 2025-10-05 |
MEMO-Stab2: Multi-View Sequence-Based Deep Learning Framework for Predicting Mutation-Induced Stability Changes in Transmembrane Proteins
2025-Sep-29, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01774
PMID:41021316
|
研究论文 | 提出一种基于多视图序列的深度学习框架MEMO-Stab2，用于预测跨膜蛋白中点突变引起的稳定性变化 | 首个不依赖三维结构或多序列比对的跨膜蛋白稳定性预测框架，通过整合多个预训练蛋白质语言模型的嵌入特征和基于Transformer的架构实现 | 主要针对跨膜蛋白，对其他类型蛋白质的适用性需要进一步验证 | 开发快速准确的跨膜蛋白突变稳定性预测工具 | 跨膜蛋白的点突变 | 生物信息学 | NA | 深度学习，蛋白质语言模型 | Transformer | 蛋白质序列数据 | 内部和外部跨膜突变数据集 | NA | Transformer | F1分数 | NA |
| 571 | 2025-10-05 |
Comparison of machine learning and deep learning models in manual strength prediction using anthropometric variables
2025-Sep-29, International journal of occupational safety and ergonomics : JOSE
IF:1.6Q3
DOI:10.1080/10803548.2025.2554461
PMID:41021732
|
研究论文 | 比较机器学习和深度学习模型在利用人体测量变量预测手动力量方面的性能 | 首次系统比较多种机器学习和深度学习模型在人体测量变量预测手动力量任务中的表现，并采用SHAP分析进行特征重要性解释 | 样本仅来自墨西哥坎佩切经济活跃人群，可能限制结果的普适性；集成方法存在过拟合倾向 | 评估不同预测模型在基于人体测量变量估计手动力量方面的性能 | 382名来自墨西哥坎佩切经济活跃人群的参与者 | 机器学习 | NA | 人体测量学 | 线性回归,随机森林,AdaBoost,极端梯度提升,TabNet,TabPFN,CNN | 人体测量数据和力量数据 | 382名参与者 | NA | TabNet,TabPFN,自定义卷积神经网络 | 平均绝对误差,均方误差,解释方差得分 | NA |
| 572 | 2025-10-05 |
Specific Emitter Identification by Edge Pattern Detection and Incremental Open-World Learning
2025-Sep-29, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3615797
PMID:41021937
|
研究论文 | 提出了一种基于边缘模式检测和增量开放世界学习的特定辐射源识别方法 | 首次将增量开放世界学习框架应用于特定辐射源识别，提出了边缘样本生成和混合类增量学习方法 | 未明确说明数据收集的具体环境和设备类型限制 | 解决开放世界场景下无线设备信号识别中新类别不断出现的问题 | 无线设备发射的射频信号 | 机器学习 | NA | 边缘模式检测 | 深度学习模型 | 时域信号 | 真实采集的数据集（未明确具体数量） | NA | NA | 泛化误差界限 | NA |
| 573 | 2025-10-05 |
Low-Count PET Image Reconstruction with Generalized Sparsity Priors via Unrolled Deep Networks
2025-Sep-29, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3615075
PMID:41021951
|
研究论文 | 提出一种基于展开深度网络的低计数PET图像重建方法GS-Net，通过广义稀疏先验和自适应参数学习提升重建性能 | 结合泊松分布最大似然估计和广义域变换稀疏学习，采用ADMM框架和自适应超参数调整，充分挖掘PET成像的物理特性 | 未明确说明计算复杂度及在更广泛临床场景中的适用性 | 提升低计数PET图像重建质量 | 模拟患者脑部数据集和真实患者全身临床数据集 | 医学影像 | NA | PET成像 | 深度网络 | PET图像 | 多计数水平的模拟和真实患者数据集 | NA | GS-Net | 定性和定量评估 | NA |
| 574 | 2025-10-05 |
M-TabNet: A Transformer-Based Multi-Encoder for Early Neonatal Birth Weight Prediction Using Multimodal Data
2025-Sep-29, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3614285
PMID:41021962
|
研究论文 | 提出基于Transformer的多编码器模型M-TabNet，用于早期新生儿出生体重预测 | 首次将Transformer架构与多编码器结合用于早期出生体重预测，整合生理、生活方式、营养和遗传等多模态数据 | 使用内部私有数据集，需要进一步外部验证 | 开发早期新生儿出生体重预测模型以改善新生儿健康结局 | 孕妇和新生儿 | 机器学习 | 新生儿疾病 | 深度学习 | Transformer | 多模态数据（生理、生活方式、营养、遗传） | 内部私有数据集和IEEE儿童数据集 | NA | Transformer, 多编码器架构 | MAE, R², 灵敏度, 特异性 | NA |
| 575 | 2025-10-05 |
Bonferroni Mean Pre-Aggregation Operator Assisted Dynamic Fuzzy Histogram Equalization for Retinal Vascular Segmentation
2025-Sep-29, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3615462
PMID:41021955
|
研究论文 | 提出一种基于Bonferroni均值预聚合算子和动态模糊直方图均衡化的无监督视网膜血管分割方法 | 通过构建关联处理预聚合算子融合颜色通道，利用动态模糊直方图均衡化增强血管特征，无需标注数据 | 未与深度学习方法的性能进行直接对比，验证数据集有限 | 开发无监督的视网膜血管分割方法以提高分割准确性 | 眼底图像中的视网膜血管结构 | 计算机视觉 | 视网膜疾病 | 动态模糊直方图均衡化 | 无监督分割方法 | 眼底图像 | DRIVE、STARE和HRF三个公开数据集 | NA | BMPDFHESeg | 定性评估、定量评估、计算速度 | NA |
| 576 | 2025-10-05 |
Beyond the human eye: Artificial intelligence revolutionizing plasma quality control
2025-Sep-29, Vox sanguinis
IF:1.8Q3
DOI:10.1111/vox.70122
PMID:41022431
|
研究论文 | 开发基于人工智能的自动化系统用于标准化检测血浆颜色和浊度异常 | 首次将深度学习技术应用于血浆质量控制的自动化检测，替代传统主观视觉检查 | 研究在单一输血中心进行，样本量相对有限 | 评估人工智能系统在输血医学中血浆质量控制的准确性和可靠性 | 输血用血浆袋 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 训练集789袋血浆（467正常，322异常），测试集Phase 1 184袋（145正常，39异常），Phase 2 486袋（287正常，199异常） | NA | NA | 准确率，灵敏度，特异性，精确度 | NA |
| 577 | 2025-10-01 |
Correction: Transformer-based deep learning ensemble framework predicts autism spectrum disorder using health administrative and birth registry data
2025-Sep-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-19777-y
PMID:41023127
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 578 | 2025-10-01 |
ResViT-GANNet: a deep learning framework for classifying breast cancer histopathology images using multimodal attention and GAN-based augmentation
2025-Sep-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01940-6
PMID:41023673
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 579 | 2025-10-01 |
Hepatocellular carcinoma (HCC) and focal nodular hyperplasia (FNH) showing iso- or hyperintensity in the hepatobiliary phase: differentiation using Gd-EOB-DTPA enhanced MRI radiomics and deep learning features
2025-Sep-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01927-3
PMID:41023894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 580 | 2025-10-05 |
Optimized T1-weighted MP-RAGE MRI of the brain at 0.55 T using variable flip angle coherent gradient echo imaging and deep learning reconstruction
2025-Sep-29, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70109
PMID:41024478
|
研究论文 | 本研究提出并评估了一种在0.55T磁场下使用可变翻转角相干梯度回波成像和深度学习重建的优化MP-RAGE脑部T1加权成像协议 | 结合可变翻转角SSFP-FID内核与深度学习重建方法，在低场强(0.55T)下实现快速T1加权全脑成像 | 可变翻转角SSFP-FID的微分点扩散函数比传统方法略有增加(8%) | 开发优化的MP-RAGE协议用于快速脑部T1加权成像 | 脑部白质和灰质 | 医学影像处理 | NA | MP-RAGE MRI, SSFP-FID, 深度学习重建 | 深度学习 | MRI图像 | NA | NA | NA | 白质信噪比, 白质-灰质信号差异, 微分点扩散函数, 扫描时间 | NA |