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 8241 - 8260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8241 | 2025-06-16 |
Deep learning based measurement accuracy improvement of high dynamic range objects in fringe projection profilometry
2024-Sep-23, Optics express
IF:3.2Q2
DOI:10.1364/OE.538247
PMID:40514923
|
research paper | 本文提出了一种基于深度学习的方法，用于提高条纹投影轮廓术中高动态范围物体的测量精度 | 使用改进的UNet深度神经网络建立“多对一”映射关系，并采用π移位二进制条纹以获取更多饱和条纹信息，从而快速准确地解调高动态范围物体的相位 | 未明确提及具体局限性 | 解决高动态范围物体在条纹投影轮廓术中的相位解调问题，提高三维测量精度 | 高动态范围物体 | computer vision | NA | 条纹投影轮廓术(FPP) | 改进的UNet | 图像 | NA | NA | NA | NA | NA |
| 8242 | 2025-10-06 |
Association of retinal image-based, deep learning cardiac BioAge with telomere length and cardiovascular biomarkers
2024-Jul-01, Optometry and vision science : official publication of the American Academy of Optometry
IF:1.6Q3
DOI:10.1097/OPX.0000000000002158
PMID:38935034
|
研究论文 | 本研究开发了一种基于视网膜图像的深度学习心脏生物年龄模型，用于评估心血管疾病风险并与端粒长度关联 | 首次将视网膜图像与深度学习相结合，开发非侵入性心脏生物年龄评估模型，并与端粒长度建立关联 | 横断面研究设计无法确定因果关系，研究人群仅限于UK Biobank参与者 | 验证深度学习心脏生物年龄模型与传统心血管疾病风险标志物及端粒长度的一致性 | UK Biobank中具有白细胞端粒长度数据的个体 | 数字病理学 | 心血管疾病 | 深度学习 | 深度学习模型 | 视网膜图像 | UK Biobank中具有端粒长度数据的参与者群体 | NA | NA | 相关系数, r平方值, p值 | NA |
| 8243 | 2025-06-15 |
Machine learning-based approaches for distinguishing viral and bacterial pneumonia in paediatrics: A scoping review
2025-Aug, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108802
PMID:40349546
|
综述 | 本文综述了基于机器学习的儿科病毒性和细菌性肺炎分类研究 | 总结了机器学习在儿科肺炎分类中的应用现状，并指出了当前研究的局限性 | 研究主要依赖单一数据集（Kermany数据集），且方法学存在较大变异性，限制了结果的普适性和临床应用性 | 评估机器学习技术在区分儿科病毒性和细菌性肺炎方面的应用效果 | 0-18岁通过胸部X光确诊的肺炎患儿 | 数字病理学 | 肺炎 | 机器学习（ML）和深度学习（DL） | CNN | 胸部X光图像 | 35项研究（主要使用Kermany数据集） | NA | NA | NA | NA |
| 8244 | 2025-06-15 |
Experimental demonstration of integrated encryption and communication over optical fiber
2025-Jul, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf112
PMID:40511367
|
研究论文 | 本文提出了一种集成加密与通信(IEAC)框架，旨在通过端到端深度学习优化加密过程和传输质量 | 提出了一种集成加密与通信(IEAC)框架，通过端到端深度学习训练随机数选择的几何星座成形方案，同时优化加密过程和传输质量，实现了单通道1 Tb/s的传输速率 | 未提及具体局限性 | 解决大数据和AI时代下光纤通信中的安全与高容量传输问题 | 光纤通信系统 | 通信技术 | NA | 深度学习，波长分复用(WDM) | 深度学习模型 | 光信号 | 1200公里光纤链路，26通道，3.9 THz带宽的全C波段WDM配置 | NA | NA | NA | NA |
| 8245 | 2025-06-15 |
Deep learning for fetal inflammatory response diagnosis in the umbilical cord
2025-Jun-26, Placenta
IF:3.0Q2
DOI:10.1016/j.placenta.2025.04.013
PMID:40294507
|
研究论文 | 本研究利用深度学习技术从脐带全切片图像中诊断胎儿炎症反应 | 首次应用基于注意力的全切片学习模型对脐带组织进行胎儿炎症反应分类，并比较了不同预训练模型的性能 | 研究仅基于单一医疗中心的样本，且未来需要验证模型在识别系统性炎症反应高风险婴儿方面的效用 | 开发辅助病理学家诊断胎儿炎症反应的深度学习模型 | 脐带组织全切片图像 | 数字病理学 | 新生儿败血症/胎儿炎症反应综合征 | 全切片图像分析 | 注意力机制模型/ConvNeXtXLarge/UNI/集成模型 | 病理图像 | 4100张脐带组织H&E染色切片 | NA | NA | NA | NA |
| 8246 | 2025-06-15 |
Implementation of 400 Gbps quantum noise stream cipher encryption for 1520 km fiber transmission using end-to-end deep learning
2025-Jun-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.553692
PMID:40512879
|
研究论文 | 本文提出了一种端到端深度学习的量子噪声流密码加密方案，实现了400 Gbps的量子噪声流密码加密，并在1520公里的光纤传输中进行了验证 | 将深度学习引入量子噪声流密码（QNSC），提出端到端量子噪声流密码（E2E-QNSC）方案，将16QAM加密为E2E-65536QAM/QNSC | NA | 提升光纤通信骨干网的物理层安全性，满足400G光纤骨干网的速率需求 | 光纤通信骨干网的安全传输 | 机器学习 | NA | 深度学习 | NA | 光纤传输数据 | NA | NA | NA | NA | NA |
| 8247 | 2025-06-15 |
Self-adaptive hybrid data-model optimization for secure end-to-end radio-over-fiber transmission
2025-Jun-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.566422
PMID:40512893
|
研究论文 | 提出了一种新颖的自适应安全端到端传输方法，用于光纤无线电(RoF)系统 | 系统集成了深度学习和传统模型，通过端到端优化将加密功能嵌入调制(TransNN)和解调(ReceivNN)中，训练阶段的随机化和噪声扰动确保了不同训练轮次间调制与解调模型的不兼容性 | 数值模拟结果未在实际系统中验证 | 为RoF系统提供安全且自适应的传输解决方案 | 光纤无线电(RoF)系统 | 机器学习 | NA | 深度学习 | TransNN, ReceivNN | 信号数据 | NA | NA | NA | NA | NA |
| 8248 | 2025-06-15 |
RF-photonic deep learning processor with Shannon-limited data movement
2025-Jun-13, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adt3558
PMID:40498817
|
research paper | 介绍了一种名为MAFT-ONN的新型光学神经网络硬件加速器，用于处理原始射频信号并进行深度学习计算 | 提出了MAFT-ONN，一种能够在原始射频信号上实现全模拟深度学习计算的硬件加速器，具有高准确率和可扩展性 | 未提及具体局限性 | 开发新型计算范式以满足未来高级通信（如6G）的需求 | 射频信号和光学神经网络 | machine learning | NA | 光学神经网络（ONN） | MAFT-ONN | 射频信号 | MNIST数据集 | NA | NA | NA | NA |
| 8249 | 2025-06-15 |
Data Fusion for Integrative Species Identification Using Deep Learning
2025-Jun-13, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syaf026
PMID:40512613
|
research paper | 该研究提出了一种融合分子和图像数据的深度学习方案，用于细粒度物种识别 | 首次系统地评估和比较了不同的DNA数据预处理和编码方法，并提出了三种融合分子和视觉特征的策略 | 研究仅针对四个真核生物数据集进行了测试，可能无法推广到所有物种 | 通过融合分子和图像数据提高物种识别的准确性 | 四个真核生物数据集（包括两个植物科和两个动物科） | machine learning | NA | DNA测序和图像分析 | artificial neural networks | 分子数据和图像数据 | 四个真核生物数据集（Asteraceae, Poaceae, Lycaenidae, Coccinellidae） | NA | NA | NA | NA |
| 8250 | 2025-06-15 |
Enhancing Free-hand 3D Photoacoustic and Ultrasound Reconstruction using Deep Learning
2025-Jun-13, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3579454
PMID:40512645
|
research paper | 本研究介绍了一种基于运动的深度学习网络（MoGLo-Net），用于增强手持式光声和超声（PAUS）成像的3D重建 | 通过创新的自注意力机制适应，MoGLo-Net能够有效利用关键区域（如完全发育的散斑区域或高回声组织区域）来准确估计运动参数，从而提升3D重建的精度 | 研究未提及对极端运动或低质量图像的鲁棒性测试 | 提升手持式光声和超声成像的3D重建质量 | 光声和超声成像的3D重建 | medical imaging | NA | 深度学习，自注意力机制，光声成像，超声成像 | MoGLo-Net | 3D图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 8251 | 2025-06-15 |
Study on a Traditional Chinese Medicine constitution recognition model using tongue image characteristics and deep learning: a prospective dual-center investigation
2025-Jun-12, Chinese medicine
IF:5.3Q1
DOI:10.1186/s13020-025-01126-w
PMID:40506765
|
研究论文 | 本研究开发了一种基于舌象特征和深度学习的传统中医体质识别模型 | 结合传统舌象特征和深度学习特征，构建了融合特征的智能体质识别模型，克服了传统方法的局限性 | 样本仅来自两个医疗中心，可能存在选择偏倚 | 开发定量分析的中医体质识别模型 | 接受中医体质评估的参与者 | 数字病理 | 中医体质分类 | LASSO回归、随机森林(RF)、多层感知机(MLP) | MLP | 图像 | 1374名参与者的舌象和体质数据 | NA | NA | NA | NA |
| 8252 | 2025-06-15 |
Seamless finer-resolution soil moisture from the synergistic merging of the FengYun-3 satellite series
2025-Jun-11, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05263-7
PMID:40500275
|
research paper | 该研究开发了一种从风云系列卫星数据中合并土壤湿度的方法，生成空间分辨率为0.15°的数据集，并利用深度学习插值方法填补缺失数据 | 通过最小化均方误差的合并技术，结合风云系列卫星的上升和下降观测数据，生成更高分辨率的土壤湿度数据集，并使用深度学习进行数据插值 | 研究仅覆盖2011年至2020年的数据，可能无法反映更长时间尺度的变化 | 提供全球卫星土壤湿度观测数据，以解决相关应用中的挑战 | 风云系列卫星（FY-3B、C、D）的被动微波观测数据 | 遥感 | NA | 深度学习插值方法 | NA | 卫星遥感数据 | 2011年至2020年的风云系列卫星数据 | NA | NA | NA | NA |
| 8253 | 2025-06-15 |
Mechanisms of organotropism in breast cancer and predicting metastasis to distant organs using deep learning
2025-Jun-11, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-02905-5
PMID:40500539
|
研究论文 | 本研究探讨了乳腺癌器官趋向性的机制，并利用深度学习预测乳腺癌向远处器官转移 | 结合单细胞RNA测序、批量RNA测序、ChIP-seq数据和深度学习技术，开发了一个深度神经网络模型来识别器官特异性转移基因 | 研究仅关注了乳腺癌向骨、脑、肝和肺四种器官的转移，未涵盖其他可能的转移部位 | 探索乳腺癌器官趋向性的分子机制，并预测其向特定器官转移的可能性 | 乳腺癌及其向骨、脑、肝和肺的转移 | 数字病理学 | 乳腺癌 | 单细胞RNA测序、批量RNA测序、ChIP-seq | DNN | 基因组数据 | NA | NA | NA | NA | NA |
| 8254 | 2025-06-15 |
Enhancing differentiation between unipolar and bipolar depression through integration of machine learning and electroencephalogram analysis
2025-Jun-10, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.119599
PMID:40505986
|
研究论文 | 本研究通过整合机器学习和脑电图分析，提高了单相抑郁和双相抑郁的区分能力 | 首次将深度学习模型与EEG数据和临床特征结合，用于区分单相抑郁和双相抑郁 | 模型可解释性有待提高，未来需要整合多模态数据和开发更先进的特征提取技术 | 提高单相抑郁和双相抑郁的区分准确性 | 370名被诊断为单相抑郁或双相抑郁的患者 | 机器学习 | 抑郁症 | EEG分析 | SVM, Random Forest, FCNN, RNN, LSTM, Transformers | EEG数据和临床特征 | 370名患者 | NA | NA | NA | NA |
| 8255 | 2025-06-15 |
Towards prehospital risk stratification using deep learning for ECG interpretation in suspected acute coronary syndrome
2025-Jun-06, BMJ health & care informatics
IF:4.1Q2
DOI:10.1136/bmjhci-2024-101292
PMID:40480678
|
研究论文 | 本研究开发并验证了一种基于卷积神经网络（CNN）的模型，用于疑似非ST段抬高急性冠脉综合征（NSTE-ACS）患者的风险分层，并与现有的院前诊断工具进行比较 | 首次将CNN应用于院前ECG解读，用于NSTE-ACS的风险分层，并展示了AI与临床风险评分结合可提高诊断性能 | 研究人群中心肌梗死患病率较高，可能影响诊断性能的评估 | 开发并验证AI模型用于院前NSTE-ACS的风险分层 | 疑似NSTE-ACS患者 | 数字病理学 | 心血管疾病 | ECG解读 | CNN | ECG数据 | 5645名疑似NSTE-ACS患者（外部验证队列754名） | NA | NA | NA | NA |
| 8256 | 2025-06-15 |
Retinal Vessel Geometry and Retinal Abnormalities in Cerebral Autosomal Dominant Arteriopathy With Subcortical Infarcts and Leukoencephalopathy
2025-Jun-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.6.17
PMID:40488700
|
研究论文 | 研究CADASIL患者的视网膜血管几何形态和视网膜异常 | 使用基于深度学习模型的自动化视网膜血管几何评估程序，首次系统评估CADASIL患者的视网膜血管几何参数 | 样本量较小（35例患者和35例对照），且为回顾性研究 | 探讨CADASIL患者的视网膜血管几何形态和视网膜异常 | 35例CADASIL患者和35例正常对照 | 数字病理学 | 脑常染色体显性遗传动脉病伴皮质下梗死和白质脑病（CADASIL） | 深度学习 | 深度学习模型 | 图像 | 35例CADASIL患者和35例正常对照 | NA | NA | NA | NA |
| 8257 | 2025-05-01 |
BiaPy: accessible deep learning on bioimages
2025-Jun, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02699-y
PMID:40301624
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8258 | 2025-06-15 |
Artificial Intelligence in Aesthetic Medicine: Applications, Challenges, and Future Directions
2025-Jun, Journal of cosmetic dermatology
IF:2.3Q2
DOI:10.1111/jocd.70241
PMID:40501296
|
综述 | 本文探讨了人工智能在美容医学中的应用、挑战及未来发展方向 | 深入分析了AI在面部分析、机器人辅助手术、预测性患者结果建模和个性化治疗规划中的创新应用，并探讨了伦理问题和监管挑战 | 存在训练数据偏见、AI决策透明度不足、监管审批不一致等问题，过度依赖AI可能削弱美容医学中以人为本的核心方法 | 评估人工智能在美容医学领域的应用潜力及其面临的伦理和监管挑战 | 美容医学中的AI技术应用 | 医疗人工智能 | NA | 机器学习（ML）、深度学习、计算机视觉 | NA | 医学图像、患者数据 | NA | NA | NA | NA | NA |
| 8259 | 2025-06-15 |
Training Set Design for Uneven Illumination Correction in High-Resolution Whole Slide Images
2025-Jun, Journal of biomedical physics & engineering
DOI:10.31661/jbpe.v0i0.2502-1890
PMID:40510308
|
research paper | 本研究提出了一种新的训练集设计策略，用于高分辨率全切片图像中的不均匀光照校正 | 提出了一种新的训练集设计策略，优化神经网络性能并有效利用计算资源，确保整个WSI幻灯片上更均匀的校正 | 未具体提及样本量或实验验证的详细情况 | 提高深度学习模型在不均匀光照校正中的泛化能力和实用性 | 高分辨率全切片图像（WSI） | digital pathology | NA | deep learning | deep neural networks | image | NA | NA | NA | NA | NA |
| 8260 | 2025-06-15 |
AE-BoNet: A Deep Learning Method for Pediatric Bone Age Estimation using an Unsupervised Pre-Trained Model
2025-Jun, Journal of biomedical physics & engineering
DOI:10.31661/jbpe.v0i0.2304-1609
PMID:40510303
|
research paper | 本研究提出了一种基于无监督预训练模型的深度学习方法AE-BoNet，用于儿科骨龄评估 | 利用无监督预训练的自动编码器进行骨龄估计，解决了标记数据有限和手骨X光图像独特特征的挑战 | 未提及具体样本量外的其他限制 | 开发一种自动骨龄估计方法，减少对标记数据的依赖 | 儿科手骨X光图像 | digital pathology | geriatric disease | autoencoder | AE-BoNet | image | Radiological Society of North America (RSNA) X-ray image collection | NA | NA | NA | NA |