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 6601 - 6620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6601 | 2025-10-06 |
Event-Driven Taxonomy (EDT) Screening: Leveraging Effect-Based Spectral Libraries to Accelerate Semiquantitative Nontarget Analysis of AhR Agonists in Sediment in the Era of Big Data
2025-Jul-08, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c07344
PMID:40626791
|
研究论文 | 开发了一种事件驱动分类法筛选策略，用于加速沉积物中非目标生物活性污染物的识别和半定量分析 | 将效应导向分析与非目标筛选工作流程整合为单一步骤，并嵌入两种新型效应基谱库 | 仅以芳烃受体活性为例进行验证，方法在其他生物活性体系中的适用性有待进一步研究 | 加速复杂化学混合物中生物活性污染物的识别和风险评估 | 沉积物中的芳烃受体激动剂 | 环境分析化学 | NA | 液相色谱-高分辨质谱, 效应导向分析, 非目标筛选 | 深度学习 | 质谱数据, 生物活性数据 | NA | NA | NA | 识别准确率, 假阳性率, 生物活性贡献解释率 | NA |
| 6602 | 2025-10-06 |
A Meta-Analysis of the Diagnosis of Condylar and Mandibular Fractures Based on 3-dimensional Imaging and Artificial Intelligence
2025-Jul-08, The Journal of craniofacial surgery
IF:1.0Q3
DOI:10.1097/SCS.0000000000011622
PMID:40627036
|
meta-analysis | 通过系统综述和荟萃分析评估3D影像和人工智能在髁状突及下颌骨骨折诊断中的准确性和实用性 | 首次对基于3D影像和人工智能的髁状突骨折诊断方法进行系统性荟萃分析 | 面临数据质量、模型可解释性和临床验证等挑战，需要更多多中心研究验证 | 改善髁状突骨折的快速准确分类诊断，评估人工智能在颌面外科的应用价值 | 髁状突骨折和下颌骨骨折 | medical imaging | maxillofacial fractures | 3-dimensional computed tomography (CT) | deep learning models | 3D medical images | NA | NA | NA | prediction accuracy, diagnostic efficiency | NA |
| 6603 | 2025-10-06 |
A fully automated deep learning framework for age estimation in adults using periapical radiographs of canine teeth
2025-Jul-08, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-025-03558-3
PMID:40627040
|
研究论文 | 提出了一种基于犬齿根尖周X线片的成人年龄自动估计深度学习框架 | 开发了包含牙齿检测和年龄估计的两步流程全自动框架，并比较了四种不同CNN架构在年龄估计中的表现 | 结合性别信息未能提升模型性能，且不同牙齿间的预测准确性无显著差异 | 开发用于法医鉴定的自动年龄估计工具 | 成人犬齿根尖周X线片 | 计算机视觉 | 法医鉴定 | 根尖周X线摄影 | CNN | X线图像 | 2,587张X线片来自1,004名患者（691名女性，313名男性） | NA | YOLOv8-Nano, ResNet-18, DenseNet-121, EfficientNet-B0, MobileNetV3 | F1分数, 检测成功率, 中位绝对误差 | NA |
| 6604 | 2025-10-06 |
Deep learning 3D super-resolution radiomics model based on Gd-enhanced MRI for improving preoperative prediction of HCC pathological grading
2025-Jul-08, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05085-6
PMID:40627133
|
研究论文 | 本研究开发了一种基于深度学习的3D超分辨率放射组学模型，用于术前预测肝细胞癌病理分级 | 首次将深度学习3D超分辨率技术与放射组学结合应用于HCC病理分级预测 | 样本量相对有限（197例患者），需进一步多中心验证 | 评估基于深度学习的3D超分辨率MRI放射组学模型预测HCC病理分级的可行性和有效性 | 肝细胞癌患者 | 医学影像分析 | 肝细胞癌 | 钆增强MRI，3D超分辨率技术 | 深度学习，梯度提升，支持向量机 | 3D MRI图像 | 197例HCC患者（训练集157例，测试集40例） | NA | 梯度提升，LightGBM，支持向量机 | AUC，敏感度，特异度，准确率 | NA |
| 6605 | 2025-10-06 |
MTMedFormer: multi-task vision transformer for medical imaging with federated learning
2025-Jul-08, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03404-z
PMID:40627238
|
研究论文 | 提出了一种基于Transformer的多任务医学影像模型MTMedFormer，并结合联邦学习解决医学数据隐私问题 | 首次将Transformer架构与多任务学习结合用于医学影像，并提出新颖的贝叶斯联邦聚合方法 | 仅在乳腺X光片和肺炎数据集上进行了验证，需要更多医学影像任务的测试 | 解决医学影像分析中数据不足和隐私保护的双重挑战 | 医学影像数据，包括乳腺X光片和肺炎影像 | 医学影像分析 | 乳腺癌, 肺炎 | 深度学习 | Transformer | 医学影像 | NA | NA | Transformer | NA | NA |
| 6606 | 2025-10-06 |
A novel UNet-SegNet and vision transformer architectures for efficient segmentation and classification in medical imaging
2025-Jul-08, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01564-8
PMID:40627277
|
研究论文 | 提出一种结合卷积自编码器、UNet、SegNet和视觉变换器的混合深度学习模型，用于医学图像分割和分类 | 提出动态特征融合机制，集成多种架构优势；使用混合帝王企鹅优化器进行特征选择；开发HyViT-CE用于分类任务 | 未明确说明模型计算复杂度及在临床环境中的实时性能 | 解决医学图像中复杂结构的分割和分类挑战 | 脑肿瘤MRI、乳腺超声和胸部X光图像 | 计算机视觉 | 脑肿瘤, 乳腺癌, 胸部疾病 | MRI, 超声, X射线 | CAE, UNet, SegNet, Transformer | 医学图像 | 三个主要数据集（具体数量未说明） | NA | UNet, SegNet, Vision Transformer, 卷积自编码器 | 准确率 | NA |
| 6607 | 2025-10-06 |
Deep Learning Approach for Biomedical Image Classification
2025-Jul-08, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01590-8
PMID:40627296
|
综述 | 本文全面概述了深度学习技术在生物医学图像分类中的应用 | 系统调研了50种医疗领域深度学习方法，强调公开数据集在推动AI医疗创新中的重要作用 | NA | 探讨深度学习在生物医学图像分析中的潜力和未来研究方向 | 医疗图像数据（乳腺X光、组织病理学、放射学等） | 计算机视觉 | NA | NA | CNN, RNN, GAN | 医学图像 | NA | NA | NA | NA | NA |
| 6608 | 2025-10-06 |
Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis
2025-Jul-08, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3587003
PMID:40627470
|
研究论文 | 提出一种基于置信度驱动的深度学习框架，用于膝关节骨关节炎的早期检测 | 采用孪生网络框架结合多层级特征提取架构和混合损失策略，通过置信度划分训练样本来处理标注不确定性 | 仅针对KL-0和KL-2阶段进行区分，未涵盖所有KOA分级 | 开发辅助诊断工具以提升早期膝关节骨关节炎检测能力 | 膝关节骨关节炎患者 | 计算机视觉 | 骨关节炎 | 深度学习 | Siamese网络 | 医学影像 | 骨关节炎倡议(OAI)数据集 | NA | 多层级全局平均池化(GAP) | 准确率, 灵敏度, 特异性, Cohen's kappa, McNemar检验 | NA |
| 6609 | 2025-10-06 |
Coupled Diffusion Models for Metal Artifact Reduction of Clinical Dental CBCT Images
2025-Jul-08, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3587131
PMID:40627491
|
研究论文 | 提出一种耦合扩散模型用于减少临床牙科CBCT图像中的金属伪影 | 首次将耦合扩散模型应用于牙科CBCT金属伪影减少，设计了噪声转换模块和金属伪影自适应推理技术 | 未提及模型在跨中心数据上的泛化能力 | 减少临床牙科CBCT图像中的金属伪影 | 牙科CBCT图像 | 计算机视觉 | 牙科疾病 | CBCT成像 | 扩散模型 | 医学图像 | 临床数据集（具体数量未说明） | NA | 耦合扩散模型 | 客观指标，视觉质量 | NA |
| 6610 | 2025-10-06 |
ssEM Image Restoration via Diffusion Models with Multi-output Joint Strategy for Noise Estimation
2025-Jul-08, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3584726
PMID:40627490
|
研究论文 | 本研究提出了一种基于扩散模型的串行切片电子显微镜图像恢复方法，通过多输出联合策略进行噪声估计 | 提出了自适应可学习重建模块和首尾切片注意力块，采用多输出联合策略进行噪声估计，并重新设计了推理过程以优化部分损坏切片的恢复 | 未明确说明方法在极端噪声条件下的表现和计算效率 | 恢复串行切片电子显微镜中缺失的切片图像 | 串行切片电子显微镜图像 | 计算机视觉 | NA | 串行切片电子显微镜 | 扩散模型 | 3D图像 | NA | NA | 非对称和对称3D卷积 | 感知质量，分割性能 | NA |
| 6611 | 2025-10-06 |
Protecting Deep Learning Model Copyrights With Adversarial Example-Free Reuse Detection
2025-Jul-08, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3578664
PMID:40627481
|
研究论文 | 提出一种基于神经元功能分析的深度学习模型重用检测方法，用于保护模型版权 | 首个无需对抗样本、利用神经元功能分析进行DNN版权保护的方法，可处理异构重用场景 | 未明确说明方法在超大规模模型上的适用性 | 开发深度学习模型版权保护技术，防止未经授权的模型重用和复制 | 深度神经网络模型 | 机器学习 | NA | 神经元功能分析 | 深度神经网络 | 正常测试样本 | NA | NA | NA | F1分数 | NA |
| 6612 | 2025-10-06 |
FusionMVSA: Multi-View Fusion Strategy with Self-Attention for Enhancing Drug Recommendation
2025-Jul-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3586758
PMID:40622834
|
研究论文 | 提出一种基于多视图融合和自注意力机制的深度学习模型FusionMVSA，用于预测药物与疾病之间的关联关系 | 开发了利用共享组参数计算多视角自注意力的特征提取机制，并通过生物医学相似性指导特征融合过程 | NA | 开发动态整合多源数据的药物推荐方法 | 药物与疾病之间的关联关系 | 机器学习 | NA | 深度学习 | 多层感知机神经网络,自注意力机制 | 多源生物医学数据 | NA | NA | 多层感知机,自注意力机制 | 交叉验证,案例研究 | NA |
| 6613 | 2025-10-06 |
Real-time super-resolution structured illumination microscopy: current progress in joint space and frequency reconstruction
2025-Jul-07, Reports on progress in physics. Physical Society (Great Britain)
DOI:10.1088/1361-6633/adecb1
PMID:40623425
|
研究论文 | 提出联合空间和频率重建框架实现结构光照明显微镜的实时超分辨率成像 | 提出联合空间和频率重建框架，实现2D-SIM、3D-SIM和非线性SIM的实时伪影减少超分辨率成像 | NA | 改进结构光照明显微镜的重建算法以实现实时成像 | 活细胞细胞内结构的动态相互作用 | 计算显微成像 | NA | 结构光照明显微镜 | NA | 显微图像 | NA | JSFR框架 | NA | 成像速度 | NA |
| 6614 | 2025-10-06 |
Deep Learning based Collateral Scoring on Multi-Phase CTA in patients with acute ischemic stroke in MCA region
2025-Jul-07, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8911
PMID:40623825
|
研究论文 | 开发基于深度学习的自动化方法评估急性缺血性卒中患者多期相CTA侧支循环评分 | 首次提出针对多期相CTA的深度学习分类方法，结合定制化预处理模块，显著降低观察者间差异 | 回顾性研究设计，样本量相对有限（420例患者） | 开发自动化侧支循环评估方法以减少观察者差异并提高诊断效率 | 急性缺血性卒中MCA区域患者 | 医学影像分析 | 急性缺血性卒中 | 多期相CT血管成像 | 深度学习分类模型 | 医学影像 | 420例急性缺血性卒中患者 | NA | NA | 准确率,F1分数,精确率,敏感度,特异度,AUC,ICC,Kappa | NA |
| 6615 | 2025-07-09 |
Correction to "Deep Learning Enhanced Near Infrared-II Imaging and Image-Guided Small Interfering Ribonucleic Acid Therapy of Ischemic Stroke"
2025-Jul-07, ACS nano
IF:15.8Q1
DOI:10.1021/acsnano.5c07799
PMID:40623919
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6616 | 2025-07-09 |
Author Correction: Detecting command injection attacks in web applications based on novel deep learning methods
2025-Jul-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-09836-9
PMID:40624202
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6617 | 2025-07-09 |
Retraction Note: A combined microfluidic deep learning approach for lung cancer cell high throughput screening toward automatic cancer screening applications
2025-Jul-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-09817-y
PMID:40624239
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6618 | 2025-10-06 |
Radiographic Bone Texture Analysis using Deep Learning Models for Early Rheumatoid Arthritis Diagnosis
2025-Jul-07, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01579-3
PMID:40624389
|
研究论文 | 使用深度学习模型分析X射线骨纹理特征以实现早期类风湿关节炎诊断 | 首次比较两种深度学习模型（Deep-TEN和ResNet-50）在早期RA诊断中的性能，实现完全自动化的骨纹理定量评估 | 模型诊断性能仅为中等水平（AUC 0.69-0.73），需要进一步优化 | 开发基于深度学习的自动化方法用于早期类风湿关节炎诊断 | 早期类风湿关节炎患者和非RA患者的双手X光片 | 计算机视觉 | 类风湿关节炎 | X射线成像 | 深度学习 | 医学影像 | 891例早期RA患者和1237例非RA患者，共计2128例双手X光片 | NA | Deep Texture Encoding Network (Deep-TEN), ResNet-50 | AUC, 阳性预测值, 比值比 | NA |
| 6619 | 2025-10-06 |
Learning interpretable network dynamics via universal neural symbolic regression
2025-Jul-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-61575-7
PMID:40617863
|
研究论文 | 开发了一种结合深度学习与符号回归的通用计算工具，用于自动学习复杂网络动态的符号模式 | 将深度学习的优秀拟合能力与预训练符号回归的方程推断能力相结合，创建通用计算工具 | NA | 发现复杂网络动态的控制方程，揭示复杂现象形成和演化的隐藏模式与机制 | 复杂网络动态系统 | 机器学习 | NA | 深度学习，符号回归 | NA | 网络动态数据 | 十余个代表性场景，包括物理、生物化学、生态学和流行病学领域 | NA | NA | 有效性，效率 | NA |
| 6620 | 2025-10-06 |
Deep learning-based extraction of Kenya's historical road network from topographic maps
2025-Jul-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05442-6
PMID:40617814
|
研究论文 | 使用深度学习技术从肯尼亚历史地形图中提取道路网络数据 | 首次将深度学习方法应用于肯尼亚历史地形图道路网络提取，创建了包含5.6万公里历史道路的详细数据集 | 仅使用533张地图，验证仅基于7张代表性地图样本 | 解决肯尼亚历史道路数字数据集缺乏的问题，为环境和社会经济分析提供数据支持 | 肯尼亚1950s-1980s时期的历史道路网络 | 计算机视觉 | NA | 地形图数字化、地理配准、深度学习分类 | 深度学习 | 地形图图像 | 533张历史地形图（1:50,000和1:100,000比例尺） | NA | NA | 精确率, 召回率, F1分数 | NA |