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 33008 篇文献，本页显示第 661 - 680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 661 | 2025-10-30 |
HSNet: An adaptive fusion network based on laryngoscope-speech multimodal data for laryngeal disease classification
2025-Oct-21, American journal of otolaryngology
IF:1.8Q2
DOI:10.1016/j.amjoto.2025.104731
PMID:41151383
|
研究论文 | 提出基于喉镜图像和语音信号的多模态融合网络HSNet，用于喉部疾病分类 | 首次将喉镜图像与语音信号进行自适应多模态融合，提出分层特征整合方法 | NA | 提高喉部疾病诊断准确率，为临床提供快速精准识别支持 | 六种喉部疾病 | 计算机视觉, 自然语言处理 | 喉部疾病 | 深度学习 | 多模态融合网络 | 图像, 语音信号 | NA | NA | HSNet | 准确率, 精确率, 召回率, 特异性, F1分数 | NA |
| 662 | 2025-10-30 |
TranSIC-Net: An End-to-End Transformer Network for OFDM Symbol Demodulation with Validation on DroneID Signals
2025-Oct-21, Sensors (Basel, Switzerland)
DOI:10.3390/s25206488
PMID:41157542
|
研究论文 | 提出一种基于Transformer的端到端神经网络TranSIC-Net，用于复杂无线环境下的OFDM符号解调 | 将信道估计和符号检测统一在单一架构中，通过注意力机制捕捉子载波间相关性，无需显式信道估计 | NA | 解决复杂无线环境下OFDM信号解调的基本挑战，特别是在低信噪比或载波频率偏移等不利条件下 | OFDM信号和DroneID信号（大疆无人机使用的专有类OFDM信令格式） | 无线通信 | NA | OFDM解调 | Transformer | 无线信号 | NA | NA | Transformer | 误码率, 估计精度, 鲁棒性 | NA |
| 663 | 2025-10-30 |
An Adaptive Framework for Remaining Useful Life Prediction Integrating Attention Mechanism and Deep Reinforcement Learning
2025-Oct-14, Sensors (Basel, Switzerland)
DOI:10.3390/s25206354
PMID:41157408
|
研究论文 | 提出一种集成注意力机制和深度强化学习的自适应剩余使用寿命预测框架 | 首次将深度确定性策略梯度(DDPG)策略引入RUL预测，实现个体退化阶段构建关键参数的自适应优化 | 仅在飞机发动机和铁路货车车轮上验证，未在其他工业设备上测试 | 开发能够有效捕捉异构传感器个体差异和复杂工况下失效模式的自适应RUL预测方法 | 机械部件（飞机发动机、铁路货车车轮） | 机器学习 | NA | 功能对齐重采样(FAR)、动态时间规整(DTW) | 深度学习、深度强化学习 | 多格式传感器数据、时间序列数据 | 飞机发动机和铁路货车车轮数据集 | NA | 注意力增强混合多尺度RUL预测网络 | 均方根误差(RMSE)、准确率 | NA |
| 664 | 2025-10-30 |
From screening to subtyping in a single glance
2025-Oct-10, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101391
PMID:41142900
|
研究论文 | 提出了一种从筛查到分型的整体深度学习框架S2S，用于放射影像中复杂疾病的诊断 | 首次将整个诊断流程从病灶检测到疾病分型整合到统一的深度学习系统中 | NA | 开发能够处理复杂疾病诊断的整体AI系统，提升精准医疗水平 | 胸部复杂癌症的放射影像 | 计算机视觉 | 胸部癌症 | 深度学习 | 深度学习 | 放射影像 | NA | NA | S2S框架 | 准确率 | NA |
| 665 | 2025-10-30 |
S2S: A deep learning method for the radiological diagnosis of fine-grained diseases spanning screening to subtyping
2025-Oct-10, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101294
PMID:41142912
|
研究论文 | 提出一种用于细粒度疾病放射学诊断的筛查到分型AI范式，覆盖从初筛到最终分型的完整诊断流程 | 首次提出专门针对细粒度疾病的多阶段放射学诊断AI范式，整合多诊断阶段、多放射学视角、多病灶维度和多成像模态信息 | NA | 开发能够准确诊断细粒度疾病的放射学AI系统 | 细粒度胸部癌症亚型的放射影像 | 计算机视觉 | 胸部癌症 | 放射影像分析 | 深度学习 | 放射影像 | 大规模多中心放射影像数据集 | NA | NA | NA | NA |
| 666 | 2025-10-30 |
DeepProtein: deep learning library and benchmark for protein sequence learning
2025-Oct-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf165
PMID:40388205
|
研究论文 | 本文介绍了专为蛋白质相关任务设计的深度学习库DeepProtein及其基准测试 | 开发了专门针对蛋白质序列学习的综合深度学习库，并建立了多任务基准评估体系，同时提出了基于Prot-T5微调的DeepProt-T5模型系列 | NA | 为蛋白质科学研究提供易用的深度学习工具和性能基准 | 蛋白质序列数据 | 机器学习 | NA | 深度学习 | 基于Prot-T5的微调模型 | 蛋白质序列数据 | NA | 基于DeepPurpose构建 | Prot-T5, DeepProt-T5 | 在蛋白质功能预测、亚细胞定位预测、蛋白质-蛋白质相互作用预测和蛋白质结构预测等任务上的性能评估 | NA |
| 667 | 2025-10-30 |
G4STAB: a multi-input deep learning model to predict G-quadruplex thermodynamic stability based on sequence and salt concentration
2025-Oct-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf545
PMID:41014017
|
研究论文 | 开发了一个多输入深度学习模型G4STAB，用于基于序列特征和盐浓度预测G-四链体热力学稳定性 | 首个不依赖预定结构特征，能够同时考虑序列特征、盐浓度和pH值来预测G-四链体熔解温度的多输入深度学习模型 | 模型训练数据量相对有限（2382个DNA G4序列），可能无法覆盖所有可能的G4拓扑结构 | 开发准确预测G-四链体热力学稳定性的计算模型 | DNA G-四链体序列及其热力学稳定性 | 机器学习 | NA | 深度学习 | 多输入深度神经网络 | 序列数据, 化学浓度数据 | 2382个DNA G-四链体序列用于训练，391502个实验验证的G4用于分析 | NA | 多输入深度神经网络 | R² | NA |
| 668 | 2025-10-30 |
Multimodal deep learning with hyperspectral imaging for accurate origin classification of wolfberries
2025-Oct, Food chemistry: X
DOI:10.1016/j.fochx.2025.103166
PMID:41140601
|
研究论文 | 提出一种融合高光谱成像的多模态深度学习模型，用于枸杞地理产地的精确分类 | 采用交叉注意力机制有效融合光谱和图像特征，通过简化注意力机制降低计算复杂度并提升模型可解释性 | NA | 实现枸杞地理产地的精确分类，以评估其营养和药用特性 | 枸杞 | 计算机视觉 | NA | 高光谱成像 | CNN | 图像, 光谱数据 | NA | NA | 多模态卷积神经网络(MTCNN) | 准确率 | NA |
| 669 | 2025-10-30 |
HER2-IHC-40x: A high-resolution histopathology dataset for HER2 IHC scoring in breast cancer
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111922
PMID:41143256
|
研究论文 | 本文介绍了一个用于乳腺癌HER2免疫组织化学评分的高分辨率数字病理学数据集 | 提供了首个专门针对HER2 IHC评分的高分辨率全切片图像和提取区域集合数据集，包含两种数据划分策略和颜色直方图过滤方法 | 数据集仅包含107张全切片图像，样本规模相对有限 | 为计算病理学分析提供结构化的高质量数据资源 | 乳腺癌组织切片中的HER2免疫组织化学染色区域 | 数字病理学 | 乳腺癌 | 免疫组织化学染色，全切片图像扫描 | 深度学习模型 | 图像 | 107张全切片图像，从中提取的1024×1024像素图像块 | NA | NA | NA | NA |
| 670 | 2025-10-30 |
MeatScan: An image dataset for machine learning-based classification of fresh and spoiled cow meat
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.112045
PMID:41143259
|
研究论文 | 本文介绍了MeatScan数据集，用于支持基于深度学习的鲜肉与变质牛肉二元分类 | 提供了首个在加纳真实环境中采集的牛肉新鲜度分类图像数据集，填补了计算机视觉与食品安全检测在资源匮乏环境中的应用空白 | 数据集仅包含加纳地区的样本，可能限制了在其他地理区域的泛化能力 | 开发用于食品安全监测的机器学习分类方法 | 新鲜与变质的牛肉样本 | 计算机视觉 | NA | 图像采集 | CNN | 图像 | 11,000张高分辨率RGB图像（5,627张新鲜，5,373张变质） | NA | NA | NA | NA |
| 671 | 2025-10-30 |
Development and validation of deep learning models for qualitative classification of benign and malignant enlarged cervical lymph nodes based on ultrasound images
2025-Sep-30, Gland surgery
IF:1.5Q3
DOI:10.21037/gs-2024-576
PMID:41142548
|
研究论文 | 开发并验证基于超声图像的深度学习模型，用于良恶性颈部淋巴结的定性分类 | 首次系统比较多种深度学习模型在颈部淋巴结良恶性分类中的性能，发现VGG16模型表现最佳 | 回顾性研究设计，样本来源单一，模型性能存在提升空间 | 提高颈部淋巴结良恶性术前定性诊断的准确性 | 经超声引导活检病理证实的颈部淋巴结 | 计算机视觉 | 淋巴结疾病 | 超声成像 | 深度学习 | 超声图像 | 2,697名患者的3,014个颈部淋巴结（良性1,489例，恶性1,525例） | NA | VGG16, ResNet101, ResNet50 | AUC, 准确率, 敏感度, 特异度 | NA |
| 672 | 2025-10-30 |
Performance assessment of computed tomographic angiography fractional flow reserve using deep learning: SMART trial summary
2025-Sep-28, Journal of geriatric cardiology : JGC
IF:1.8Q3
DOI:10.26599/1671-5411.2025.09.002
PMID:41143164
|
研究论文 | 评估基于深度学习的CT血管造影血流储备分数技术(DVFFR)在诊断冠状动脉疾病中的性能 | 开发了基于深度学习的CT-FFR方法DeepVessel FFR，利用完整的冠状动脉树结构进行血流储备分数计算 | 回顾性单中心研究，样本量有限(339名患者) | 评估深度学习CT-FFR技术在诊断冠状动脉疾病缺血中的性能 | 疑似稳定型冠状动脉疾病患者 | 医学影像分析 | 心血管疾病 | 计算机断层扫描血管造影(CTA) | 深度学习 | 医学影像 | 339名患者(60.5±10.0岁，209名男性)，414条血管 | NA | DeepVessel FFR | 灵敏度,特异性,准确度,阳性预测值,阴性预测值,AUC | NA |
| 673 | 2025-10-30 |
High Resolution TOF-MRA Using Compressed Sensing-based Deep Learning Image Reconstruction for the Visualization of Lenticulostriate Arteries: A Preliminary Study
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0025
PMID:39034144
|
研究论文 | 本研究比较压缩感知深度学习重建与传统压缩感知算法在时间飞跃磁共振血管成像中对豆纹动脉的显示效果 | 首次将压缩感知与深度学习相结合用于高分辨率TOF-MRA图像重建，提高了豆纹动脉的显示质量 | 样本量较小（仅5名健康志愿者），属于初步研究 | 评估基于压缩感知的深度学习重建算法在TOF-MRA中对豆纹动脉显示效果的改善 | 健康志愿者的豆纹动脉 | 医学影像分析 | 脑血管疾病 | 时间飞跃磁共振血管成像（TOF-MRA） | 深度学习 | 磁共振影像 | 5名健康志愿者 | NA | NA | 可见豆纹动脉数量、豆纹动脉长度、归一化均方误差、整体图像质量评分、外周豆纹动脉可见性评分 | NA |
| 674 | 2025-10-30 |
The Evolution and Clinical Impact of Deep Learning Technologies in Breast MRI
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.rev.2024-0056
PMID:39477506
|
综述 | 本文综述了深度学习技术在乳腺MRI中的演变历程和临床影响，重点探讨其在图像重建、分类、检测、分割及临床结局预测等方面的应用 | 系统总结了深度学习在乳腺MRI多任务应用中的革命性进展，包括改善图像质量、提升良恶性病变鉴别精度以及实现个性化治疗策略预测 | 技术临床应用仍面临挑战，需要进一步研究验证并建立法律伦理框架 | 探讨深度学习技术在乳腺MRI领域的演进过程及其对临床实践的影响 | 乳腺MRI影像数据及相关临床结局（新辅助化疗反应、乳腺癌复发） | 医学影像 | 乳腺癌 | MRI | CNN, RNN, GAN | 医学影像 | NA | NA | NA | NA | NA |
| 675 | 2025-10-30 |
MedImg: An Integrated Database for Public Medical Images
2025-Sep-22, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf068
PMID:40833036
|
研究论文 | 构建了一个集成公共医学图像的综合数据库MedImg，包含105个数据集和近200万张图像 | 整合了来自多个公共来源的多样化医学图像数据集，构建了系统化的在线数据库平台 | 仅包含公开可用的数据集，可能无法覆盖所有医学图像类型和临床应用场景 | 解决医学图像分析中大规模、特征化数据集缺乏的问题，促进深度学习算法的验证和推广 | 医学图像数据集 | 医学图像分析 | 多疾病类型 | 医学影像采集技术 | NA | 医学图像 | 105个数据集，共1,995,671张图像 | NA | NA | NA | NA |
| 676 | 2025-09-15 |
A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images
2025-Sep-11, Journal of the American Academy of Dermatology
IF:12.8Q1
DOI:10.1016/j.jaad.2025.09.010
PMID:40945744
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 677 | 2025-10-30 |
Artificial Intelligence in Fracture Diagnosis on Radiographs: Evidence, Pitfalls, and Pathways for Clinical Integration (2020-2025)
2025-Sep, Cureus
DOI:10.7759/cureus.93124
PMID:41141172
|
综述 | 本文对2020-2025年间人工智能在X光片骨折诊断中的应用证据、局限性和临床整合路径进行叙事性综合评述 | 系统梳理了近五年AI骨折诊断的研究进展，重点关注临床部署实践和监管审批现状 | 存在数据集偏差、泛化能力有限、可解释性不足和患者中心结局不确定等挑战 | 评估AI在骨折诊断中的诊断性能、临床效用和整合路径 | X光片和其他影像模态中的骨折检测 | 医学影像分析 | 骨折 | 深度学习 | 深度学习系统 | X光影像 | 基于多项系统评价和荟萃分析的综合样本 | NA | NA | 灵敏度, 特异性 | NA |
| 678 | 2025-10-30 |
[Exploration and application of attention mechanism in survival analysis of competitive events in oral cancer]
2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41157971
|
研究论文 | 本研究基于注意力机制构建了OSAA模型用于口腔癌竞争事件生存分析，并探索其在口腔癌辅助诊疗中的应用价值 | 首次将注意力机制应用于口腔癌竞争事件的生存分析，开发了OSAA模型 | NA | 开发基于注意力机制的口腔癌竞争事件生存分析模型并评估其性能 | 来自SEER数据库的口腔癌患者数据 | 机器学习 | 口腔癌 | 生存分析 | 深度学习 | 临床数据 | NA | NA | 注意力机制 | C-index, IBS, Kaplan-Meier生存曲线, 时间依赖性ROC曲线 | NA |
| 679 | 2025-10-30 |
[Preliminary study of alveolar socket measurement on CBCT based on SAM]
2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41157983
|
研究论文 | 本研究开发了一种基于SAM的深度学习自动测量工具，用于CBCT影像中牙槽窝尺寸的测量 | 首次将Segment Anything Model(SAM)应用于CBCT影像的牙槽窝自动测量，开发了交互式分割测量工具 | 样本量较小（29名患者），仅评估了特定牙位（5-5位置）的测量准确性 | 评估基于深度学习的CBCT自动测量工具的准确性，并与手动测量进行比较验证 | 成人患者的CBCT影像和牙槽窝横断面 | 计算机视觉 | 口腔疾病 | CBCT成像 | SAM | 医学影像 | 29名成年患者（11男，18女），427个牙槽窝横断面 | NA | Segment Anything Model | 决定系数(R2), 测量误差, Pearson相关系数 | NA |
| 680 | 2025-10-30 |
A ViTUNeT-based model using YOLOv8 for efficient LVNC diagnosis and automatic cleaning of dataset
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0048
PMID:40460443
|
研究论文 | 提出结合ViTUNeT和YOLOv8的模型，用于左心室致密化不全诊断和数据集自动清洗 | 提出ViTUNeT架构（结合U-Net和Vision Transformers），并集成YOLOv8模型进行感兴趣区域检测和数据集自动清洗 | 数据集质量限制了模型精度的进一步提升 | 改进左心室致密化不全的诊断准确性和心脏图像分析 | 左心室致密化不全患者、Titin心肌病患者和健康个体的心脏MRI图像 | 计算机视觉 | 心血管疾病 | MRI | U-Net, Vision Transformer, YOLO | 医学图像 | 包含新患者和健康个体的扩展数据集 | NA | ViTUNeT, YOLOv8, U-Net | NA | NA |