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 36491 篇文献，本页显示第 7341 - 7360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7341 | 2025-10-06 |
A physics-informed deep learning approach to predicting bilateral ground reaction forces and centre of pressure from a single forceplate during gait
2025-Oct, Gait & posture
IF:2.2Q2
DOI:10.1016/j.gaitpost.2025.07.005
PMID:40618708
|
研究论文 | 开发了一种物理信息残差循环神经网络，用于从单个测力台数据预测步态中的双侧地面反作用力和压力中心 | 首次提出结合物理信息的残差循环神经网络(PI-ResRNN)，能够仅使用单个测力台数据准确预测双侧地面反作用力和压力中心 | 研究主要关注双接触阶段的步态分析，未涵盖完整步态周期的所有阶段 | 开发一种能够从单个测力台数据准确预测双侧地面反作用力和压力中心的方法，简化步态分析流程 | 315名参与者，包括健康人群和六种神经肌肉骨骼疾病患者 | 机器学习 | 神经肌肉骨骼疾病 | 测力台数据采集 | RNN, ResRNN | 测力台数据 | 315名参与者的6765次试验数据 | NA | 物理信息残差循环神经网络(PI-ResRNN) | 均方根误差(RMSE), 相对均方根误差(rRMSE) | NA |
| 7342 | 2025-10-06 |
Recognition of Parkinson disease using Kriging Empirical Mode Decomposition via deep learning techniques
2025-Oct, Gait & posture
IF:2.2Q2
DOI:10.1016/j.gaitpost.2025.06.024
PMID:40628146
|
研究论文 | 本研究通过克里金经验模态分解和深度学习技术开发帕金森病的识别方法 | 结合克里金经验模态分解与深度学习技术进行帕金森病识别 | NA | 开发帕金森病的自动识别方法 | 帕金森病患者 | 机器学习 | 帕金森病 | 克里金经验模态分解 | 深度学习 | NA | NA | NA | NA | NA | NA |
| 7343 | 2025-10-06 |
Pharmacoutilization data-driven artificial intelligence-assisted diagnosis algorithm to improve the pharmacological treatment of pain and agitation in patients suffering from severe dementia
2025-Oct, Current opinion in pharmacology
IF:4.0Q1
DOI:10.1016/j.coph.2025.102563
PMID:40815967
|
研究论文 | 本研究开发了一种基于药物利用数据的人工智能算法，用于改善重度痴呆患者的疼痛和躁动药物治疗 | 首次将药物流行病学数据与深度学习技术结合，通过管理药物治疗时间序列和使用自编码器来识别漏诊的阿尔茨海默病患者 | 需要进一步研究和纵向患者监测来提高疾病检测和管理水平 | 通过先进的人工智能方法诊断阿尔茨海默病，改善痴呆患者的药物治疗 | 298,000名个体，其中84,235名年龄超过60岁，包括114,920名无AD诊断患者和1,150名确诊患者 | 医疗人工智能 | 阿尔茨海默病 | 药物流行病学数据分析 | 自编码器 | 药物利用时间序列数据 | 298,000名个体 | 深度学习 | 自编码器 | 准确率79.12% | NA |
| 7344 | 2025-10-06 |
An iterative deep learning-guided algorithm for directed protein evolution
2025-Sep-19, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.113324
PMID:40927680
|
研究论文 | 提出一种基于深度学习的迭代算法DeepDE，用于指导蛋白质定向进化 | 使用三重突变体作为构建块，通过约1000个突变体的小型训练库实现高效迭代优化 | 算法性能依赖于实验可承受的约1000个变体的有限筛选 | 开发深度学习指导的蛋白质定向进化算法以提高蛋白质活性 | 绿色荧光蛋白(GFP) | 机器学习 | NA | 蛋白质定向进化 | 深度学习 | 蛋白质序列数据 | 约1000个突变体训练库 | NA | NA | 活性增强倍数 | NA |
| 7345 | 2025-10-06 |
Leveraging modified ex situ tomography data for segmentation of in situ synchrotron X-ray computed tomography
2025-Sep-12, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70032
PMID:40938296
|
研究论文 | 提出一种利用改进的离位断层扫描数据训练深度学习模型，用于在位同步辐射X射线计算机断层扫描的自动分割方法 | 通过将高质量离位实验室数据转换为适用于在位同步辐射数据分割的训练数据，解决了训练数据有限的问题 | 仅使用静态样本进行训练，但需要处理实验中显著的形态变化 | 开发在位同步辐射X射线计算机断层扫描的自动分割方法 | 金属氧化物溶解研究中的材料系统 | 计算机视觉 | NA | 同步辐射X射线计算机断层扫描 | 深度学习 | 3D断层扫描图像 | NA | NA | 改进的SegFormer | IoU | NA |
| 7346 | 2025-10-06 |
Towards reliable prediction of intraoperative hypotension: a cross-center evaluation of deep learning-based and MAP-derived methods
2025-Sep-12, Journal of clinical monitoring and computing
IF:2.0Q2
DOI:10.1007/s10877-025-01357-0
PMID:40938328
|
研究论文 | 本研究通过跨中心评估比较深度学习方法和MAP阈值方法在预测术中低血压方面的可靠性 | 引入包含临界血压病例的'灰色区域'概念，提出标准化MAP差异的方法来减少数据集特异性偏差，并发现模型在不同年龄群体间的非对称泛化能力 | 研究仅基于两个医疗中心的数据集，需要更多样化的数据集验证发现 | 评估AI模型预测术中低血压的可靠性并减少选择偏差 | 术中低血压患者 | 机器学习 | 心血管疾病 | 血压监测 | 深度学习 | 生理信号数据 | 来自瑞典卡罗林斯卡大学医院和韩国VitalDB数据库的多个外科队列 | NA | NA | 泛化能力评估 | NA |
| 7347 | 2025-10-06 |
Bimodal ECG and PCG Cardiovascular Disease Detection: Exploring the Potential and Modality Contribution
2025-Sep-12, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-025-02245-5
PMID:40938506
|
研究论文 | 提出一种结合心电图和心音图的双模态深度学习模型，用于心血管疾病的早期检测 | 首次将预训练于大规模音频数据的CNN模型迁移到心音图分析，并通过后期融合策略整合心电图和心音图双模态信息 | 仅使用当前唯一公开的双模态数据集MITHSDB，数据量有限且多样性不足 | 通过双模态深度学习提升心血管疾病的早期检测性能 | 心血管疾病患者的心电图和心音图信号 | 医疗信号处理 | 心血管疾病 | 心电图(ECG)、心音图(PCG) | CNN | 时序信号数据 | 基于MITHSDB数据集的增强版本 | NA | 1D-CNN | AUROC | NA |
| 7348 | 2025-10-06 |
Artificial intelligence in cardiac telemetry
2025-Sep-11, Heart (British Cardiac Society)
DOI:10.1136/heartjnl-2024-323947
PMID:40122590
|
综述 | 本文综述了人工智能在心脏遥测技术中的当前应用状态与发展前景 | 系统梳理了从传统统计机器学习向先进深度神经网络的技术演进，强调现代AI模型在检测复杂遥测数据模式方面的优势 | NA | 探讨人工智能在心脏遥测领域的应用现状与未来发展方向 | 心脏遥测技术与人工智能模型 | 医疗人工智能 | 心血管疾病 | 心脏遥测 | 深度神经网络 | 遥测数据 | NA | NA | NA | 准确率 | NA |
| 7349 | 2025-10-06 |
High-performance identification of insulating materials by using generalized spectrum in laser-induced breakdown spectroscopy
2025-Sep-11, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d5ay01151e
PMID:40838327
|
研究论文 | 提出一种基于激光诱导击穿光谱的广义谱方法，用于高性能识别绝缘材料 | 提出GSM-LIBS方法，相比传统PCA方法能整合多种光谱特征，保留全局和局部信息 | NA | 实现绝缘材料的高性能识别以减少资源浪费和污染 | 七种类型的绝缘材料 | 机器学习 | NA | 激光诱导击穿光谱 | KNN, SVM, NN | 光谱数据 | NA | NA | NA | 准确率 | NA |
| 7350 | 2025-10-06 |
Beyond Contact: An Open-Set Biometric Identification System Using Radar-Extracted Heart Signals
2025-Sep-11, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3608801
PMID:40932807
|
研究论文 | 提出一种基于雷达的非接触式生物特征识别系统，通过心脏信号提取实现开放集人员识别 | 通过雷达提取心脏运动数据重建心电图信号，结合固定类锚点聚类损失和超球面划分方法实现开放集识别 | 对突发身体运动和环境噪声敏感，在严重心律不齐情况下性能可能下降，未知身份数量增加时效果降低 | 开发安全且保护隐私的非接触式生物特征识别系统 | 人类心脏信号和生物特征识别 | 生物特征识别 | NA | 雷达信号处理，心电图信号重建 | 深度学习 | 雷达信号，心脏运动数据 | 27个受试者（闭集），14个已知和13个未知受试者（开集） | NA | ECGReconNet, InceptionTime | 准确率 | NA |
| 7351 | 2025-10-06 |
Evaluation of the Detectability of Oral Potentially Malignant Diseases with a Deep Learning Approach: A Retrospective Pilot Study
2025-Sep-11, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01665-6
PMID:40936018
|
研究论文 | 本研究评估基于深度学习的方法在口腔潜在恶性疾病检测中的性能 | 首次使用YOLOv8架构的深度学习模型进行口腔潜在恶性疾病的自动检测 | 回顾性研究、样本量有限、需要更大规模多中心数据集和外部验证 | 评估深度学习诊断软件在检测口腔潜在恶性疾病方面的性能 | 经组织病理学诊断的口腔扁平苔藓、口腔白斑或口腔癌患者 | 计算机视觉 | 口腔癌 | 组织病理学活检 | CNN | 图像 | 358张回顾性口腔内图像 | NA | YOLOv8 | F1分数, 敏感度, 精确度 | NA |
| 7352 | 2025-10-06 |
Prognostic models for radiation-induced complications after radiotherapy in head and neck cancer patients
2025-Sep-10, The Cochrane database of systematic reviews
DOI:10.1002/14651858.CD014745.pub2
PMID:40927975
|
系统评价 | 对头颈癌患者放疗后放射性并发症的预测模型进行系统评价和偏倚风险评估 | 首次对头颈癌放疗并发症预测模型进行全面系统评价，评估了592个模型的偏倚风险和预测性能 | 大多数验证研究存在高偏倚风险，校准性能报告不完整，缺乏GRADE系统评估 | 识别、描述和评估头颈癌患者放疗并发症的预测模型质量 | 头颈癌患者放疗并发症预测模型 | 医学预测模型 | 头颈癌 | 系统评价方法，偏倚风险评估工具 | NTCP模型，深度学习模型 | 临床研究数据 | 140,767名头颈癌患者（模型开发），34,304名患者（外部验证） | NA | NA | C统计量，校准性能 | NA |
| 7353 | 2025-10-06 |
GEDI and Sentinel data integration for quantifying agroforestry tree height and stocks
2025-Sep-10, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.127197
PMID:40934663
|
研究论文 | 本研究通过整合GEDI和Sentinel遥感数据，利用深度学习U-Net方法估算意大利帕丹平原杨树人工林的碳储量 | 首次将GEDI波形数据与Sentinel多波段影像结合，采用U-Net深度学习模型生成10米高分辨率冠层高度模型，用于杨树人工林碳储量估算 | 模型在胸径、立木蓄积量和地上生物量估算中的RMSE分别达到30.7%、46.2%和63.2%，精度有待进一步提高 | 开发有效的遥感监测方法，量化杨树人工林的高度和碳储量，支持气候变化减缓 | 意大利帕丹平原的杨树人工林 | 遥感监测, 深度学习 | NA | 遥感监测, 激光雷达, 深度学习 | U-Net | 遥感影像, 激光雷达波形数据 | 研究区域约46,000平方公里，包含2021和2022年杨树人工林地图数据 | NA | U-Net | 平均绝对误差, RMSE | NA |
| 7354 | 2025-10-06 |
Deep learning based solar forecasting for optimal PV BESS sizing in ultra fast charging stations
2025-Sep-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17408-0
PMID:40925891
|
研究论文 | 提出一种结合深度学习太阳能预测与遗传算法的优化框架，用于超快速充电站中光伏和电池储能系统的最优容量规划 | 将门控循环单元(GRU)模型用于光伏输出预测，并结合遗传算法针对工作日和周末需求曲线进行优化配置 | 未提及具体数据集的时空覆盖范围和研究区域的局限性 | 优化超快速充电站中光伏和电池储能系统的容量配置以提高经济性 | 超快速充电站、光伏系统、电池储能系统 | 机器学习 | NA | 太阳能预测、遗传算法优化 | GRU | 时间序列数据、电力需求数据、太阳能发电数据 | NA | NA | GRU | 净现值(NPV)、能源充足率(ESR)、自给率(AR) | NA |
| 7355 | 2025-10-06 |
A Deep Learning Approach for Tracking Colorectal Cancer-Derived Extracellular Vesicles in Colon and Lung Models
2025-Sep-08, ACS biomaterials science & engineering
IF:5.4Q2
DOI:10.1021/acsbiomaterials.5c00380
PMID:40857079
|
研究论文 | 开发基于深度学习的方法追踪结直肠癌来源的细胞外囊泡在结肠和肺模型中的行为 | 首次将深度学习技术应用于结直肠癌来源细胞外囊泡的追踪和定量分析 | 研究基于体外3D模型，尚未进行临床验证 | 探索细胞外囊泡在结直肠癌转移中的作用机制 | 结直肠癌来源的细胞外囊泡 | 计算机视觉 | 结直肠癌 | 深度学习,3D组织模型 | 深度学习模型 | 图像数据 | NA | NA | NA | 定量分析指标 | NA |
| 7356 | 2025-10-06 |
Large-Scale Dermatopathology Dataset for Lesion Segmentation: Model Development and Analysis
2025-Sep-08, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2025.40.e220
PMID:40923506
|
研究论文 | 构建大规模皮肤病理学图像数据集并开发基于深度学习的病变分割模型 | 创建了包含34,376张组织病理学切片图像的多机构大规模数据集，涵盖正常皮肤和六种常见皮肤病变 | 数据集可能仍存在某些特定疾病的局限性 | 开发AI辅助诊断工具以支持皮肤病理学家实现更一致的诊断 | 皮肤组织病理学图像，包括正常皮肤和六种皮肤病变 | 数字病理学 | 皮肤癌 | 组织病理学成像 | 深度学习分割模型 | 图像 | 34,376张组织病理学切片图像，来自四个机构 | NA | NA | Dice系数 | NA |
| 7357 | 2025-10-06 |
Deep Learning-Assisted Organogel Pressure Sensor for Alphabet Recognition and Bio-Mechanical Motion Monitoring
2025-Sep-08, Nano-micro letters
IF:31.6Q1
DOI:10.1007/s40820-025-01912-z
PMID:40924231
|
研究论文 | 开发了一种基于钴纳米颗粒氮掺杂碳纳米管/PVA/明胶有机凝胶的压力传感器，结合深度学习技术实现字母识别和生物力学运动监测 | 首次报道具有抗冻、自粘、自愈合特性的多功能有机凝胶压力传感器，在宽湿度范围(-20°C至95% RH)和零下温度条件下保持稳定性能 | NA | 开发高性能可穿戴传感器用于人机交互和健康监测 | 有机凝胶压力传感器及其在字母识别和人体运动监测中的应用 | 机器学习 | NA | 电化学阻抗谱 | 深度学习 | 传感器信号数据 | NA | NA | NA | 准确率 | NA |
| 7358 | 2025-10-06 |
Immunoelectron microscopy: a comprehensive guide from sample preparation to high-resolution imaging
2025-Sep-08, Discover nano
DOI:10.1186/s11671-025-04346-z
PMID:40924310
|
综述 | 本文系统介绍了免疫电子显微镜技术的完整工作流程，从样品制备到高分辨率成像的全面指南 | 提出了基于系统随机采样和深度学习算法的定量分析框架，包括FIB-SEM 3D重建和CLEM多模态整合策略 | 前包埋标记技术细胞结构保存有限，后包埋标记技术需要平衡树脂渗透和抗原表位掩蔽问题 | 提供免疫电子显微镜技术的系统性分析和工作流程指南 | 生物分子在亚细胞尺度的空间定位 | 数字病理 | 肿瘤 | 免疫电子显微镜，FIB-SEM 3D重建，CLEM | 深度学习算法 | 电子显微镜图像，3D重建数据 | NA | NA | NA | 各向同性分辨率（5nm） | NA |
| 7359 | 2025-10-06 |
HPDAF: A practical tool for predicting drug-target binding affinity using multimodal features
2025-Sep-08, European journal of medicinal chemistry
IF:6.0Q1
DOI:10.1016/j.ejmech.2025.118153
PMID:40934535
|
研究论文 | 介绍一种名为HPDAF的多模态深度学习工具，用于提高药物-靶标结合亲和力预测的准确性 | 独特整合三种生化信息类型（蛋白质序列、药物分子图、蛋白结合口袋结构相互作用数据），并采用新型分层注意力机制动态强调最相关的结构信息 | NA | 提高药物-靶标结合亲和力预测准确性以促进药物发现和设计 | 药物-靶标结合亲和力 | 机器学习 | NA | 多模态深度学习 | 深度学习 | 蛋白质序列, 药物分子图, 结构相互作用数据 | 使用CASF-2016和CASF-2013基准数据集 | NA | 分层注意力机制 | 预测性能指标 | NA |
| 7360 | 2025-10-06 |
Dosiomics-guided deep learning for radiation esophagitis prediction in lung cancer: optimal region of interest definition via multi-branch fusion auxiliary learning
2025-Sep-06, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2025.111121
PMID:40921328
|
研究论文 | 本研究开发了一种结合剂量组学和深度学习的模型，通过多任务辅助学习自动定义感兴趣区域，用于预测肺癌放疗患者的放射性食管炎 | 提出剂量组学引导的深度学习网络，通过多任务辅助学习基于辐射剂量分布图像自动定义准确客观的感兴趣区域 | 回顾性研究设计，样本量相对有限，需要外部验证 | 开发预测肺癌患者放射性食管炎的深度学习模型 | 接受放疗的肺癌患者 | 医学影像分析 | 肺癌 | 剂量组学，深度学习 | CNN | 辐射剂量分布图像 | 488例来自三家医院的患者（训练集235例，内部验证集101例，外部验证集1为57例，外部验证集2为95例） | NA | ResNet34 | AUC | NA |