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 8821 - 8840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8821 | 2025-06-07 |
Fall-Risk Monitoring in Diverse Terrains Using Dual-Task Learning and Wearable Sensing System
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3536030
PMID:40031371
|
研究论文 | 本文介绍了一种新型多传感器系统，结合地形感知传感器和惯性测量单元(IMU)，用于监测不同地形下的跌倒风险，并采用基于改进CNNLSTM模型的双任务学习(DTL)架构来识别跌倒风险水平和地形 | 提出了结合地形感知传感器与IMU的多传感器系统，并采用改进的CNNLSTM模型进行双任务学习，有效识别跌倒风险与地形 | 实验样本量较小，仅包括10名年轻受试者和10名老年受试者，且实验环境局限于实验室和医院 | 开发一种可靠的跌倒风险监测系统，用于不同地形下的跌倒风险预测 | 年轻和老年受试者在平坦和台阶地形上的活动 | 机器学习 | 老年疾病 | 双任务学习(DTL), 惯性测量单元(IMU) | 改进的CNNLSTM | 传感器信号 | 10名年轻受试者和10名老年受试者 | NA | NA | NA | NA |
| 8822 | 2025-06-07 |
Optimized Drug-Drug Interaction Extraction With BioGPT and Focal Loss-Based Attention
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3540861
PMID:40031603
|
research paper | 该研究提出了一种名为BioFocal-DDI的框架，用于优化药物-药物相互作用（DDI）的提取，通过结合BioGPT、BioBERT、BiLSTM和ReGCN等技术 | 引入了BioGPT进行数据增强，并结合Focal Loss-based Attention机制解决类别不平衡问题 | 未提及具体局限性 | 优化药物-药物相互作用（DDI）的提取，以提高治疗效果并减少不良反应 | 药物-药物相互作用（DDI） | 自然语言处理 | NA | BioGPT, BioBERT, BiLSTM, ReGCN, Focal Loss-based Attention | BioGPT, BioBERT, BiLSTM, ReGCN | text | DDI Extraction 2013数据集 | NA | NA | NA | NA |
| 8823 | 2025-06-07 |
Acupuncture State Detection at Zusanli (ST-36) Based on Scalp EEG and Transformer
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3540924
PMID:40031811
|
研究论文 | 本研究基于头皮脑电图和Transformer技术，设计了一种针灸状态检测方法，用于区分针灸过程中的不同状态 | 提出了基于CNN和Transformer的针灸Transformer检测器(ATD)，能够端到端分类足三里穴位针灸状态下的脑电图局部和全局特征 | 实验样本仅包含28名健康参与者，可能限制结果的普遍性 | 开发自动识别针灸状态的方法，为针灸程序标准化提供新方案 | 针灸状态(捻针和留针)对脑电图的影响 | 数字病理 | NA | 脑电图(EEG) | CNN, Transformer | 脑电图信号 | 28名健康参与者 | NA | NA | NA | NA |
| 8824 | 2025-06-07 |
Predicting Mutation-Disease Associations Through Protein Interactions Via Deep Learning
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3541848
PMID:40031830
|
research paper | 本文构建了一个真实的突变诱导疾病数据集，并提出了一种结合胶囊和图拓扑网络与多头注意力机制（CGM）的深度学习模型来预测突变与疾病的关联 | 提出了CGM模型，能够准确预测蛋白质突变与疾病的关联，并通过模型验证了蛋白质突变导致的结构改变可能是重要的致病因素 | 受限于突变蛋白质数据集的规模，模型在基准和不平衡数据集上进行了实验 | 预测突变与疾病的关联，进一步理解生物分子途径和疾病机制 | 蛋白质突变与疾病的关联 | machine learning | NA | deep learning | Capsule and Graph topology networks with Multi-head attention (CGM) | protein interaction data | NA | NA | NA | NA | NA |
| 8825 | 2025-06-07 |
Fast Virtual Stenting for Thoracic Endovascular Aortic Repair of Aortic Dissection Using Graph Deep Learning
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3540712
PMID:40036417
|
研究论文 | 本文提出了一种基于图深度学习的快速虚拟支架置入（FVS）模型，用于预测主动脉夹层胸主动脉腔内修复术（TEVAR）后的主动脉真腔（TL）重塑 | 首次将深度学习应用于FVS任务，实现了时间依赖性的内壁变形预测，并通过外壁信息提升预测精度 | 尚未在临床环境中实际应用，需要进一步验证其临床效果 | 开发一种能够准确预测TEVAR术后主动脉真腔重塑的术前规划工具 | 主动脉夹层患者 | 数字病理学 | 心血管疾病 | 图深度学习 | 图神经网络 | 点云数据 | 108名患者（269次真实随访） | NA | NA | NA | NA |
| 8826 | 2025-06-07 |
Diagnostic value of deep learning of multimodal imaging of thyroid for TI-RADS category 3-5 classification
2025-Jun, Endocrine
IF:3.0Q2
DOI:10.1007/s12020-025-04198-8
PMID:40056264
|
research paper | 该研究探讨了基于深度学习的超声和CT多模态成像对甲状腺TI-RADS 3-5类别结节的良恶性鉴别价值 | 结合超声和CT的多模态深度学习模型在甲状腺TI-RADS 3-5结节分类中的首次应用，其诊断效能优于单一影像学方法和放射科医师的评估 | 研究仅纳入了术后有病理结果的病例，可能存在选择偏倚；样本量相对有限 | 开发一种无需活检即可准确鉴别甲状腺TI-RADS 3-5结节良恶性的方法 | 768例甲状腺TI-RADS 3-5类结节（499例恶性，269例良性） | digital pathology | thyroid cancer | ultrasound, CT | deep learning | image | 768例甲状腺结节（来自768名患者） | NA | NA | NA | NA |
| 8827 | 2025-06-07 |
Integrating CBAM and Squeeze-and-Excitation Networks for Accurate Grapevine Leaf Disease Diagnosis
2025-Jun, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.70377
PMID:40463992
|
研究论文 | 本研究旨在通过深度学习技术自动分类葡萄叶常见病害，包括葡萄痂病、霜霉病及健康叶片 | 将CBAM和Squeeze-and-Excitation Networks集成到预训练模型中，显著提高了分类准确率 | 仅针对两种常见葡萄叶病害进行分类，未涵盖其他可能的病害类型 | 开发基于深度学习的模型，实现葡萄叶病害的自动分类 | 葡萄叶病害（葡萄痂病、霜霉病）及健康叶片 | 计算机视觉 | 葡萄叶病害 | 深度学习 | CNN（集成CBAM和SE模块） | 图像 | NA | NA | NA | NA | NA |
| 8828 | 2025-10-06 |
Multimodal Neuroimaging Based Alzheimer's Disease Diagnosis Using Evolutionary RVFL Classifier
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3242354
PMID:37022418
|
研究论文 | 提出基于小波变换的多模态MRI和PET融合方法，结合进化算法优化RVFL分类器用于阿尔茨海默病早期诊断 | 采用小波变换融合多模态神经影像数据，并使用进化算法优化RVFL网络的权重和偏置参数 | 仅使用公开ADNI数据集，未在其他独立数据集上验证 | 阿尔茨海默病的早期诊断 | 阿尔茨海默病患者和轻度认知障碍患者 | 医学影像分析 | 阿尔茨海默病 | MRI, PET, 小波变换 | RVFL, ResNet | 医学影像 | ADNI公开数据集 | NA | ResNet-50, RVFL | 准确率 | NA |
| 8829 | 2025-10-06 |
A GAN Guided Parallel CNN and Transformer Network for EEG Denoising
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3277596
PMID:37220036
|
研究论文 | 提出一种GAN引导的并行CNN和Transformer网络用于EEG信号去噪 | 首次将并行CNN和Transformer结构结合用于EEG去噪，并引入GAN训练策略保证去噪信号与真实干净信号的全局一致性 | 未明确说明模型计算复杂度及在实际临床环境中的泛化能力 | 开发高效的EEG信号去噪方法以提升后续分析质量 | 脑电图信号及其生理伪迹 | 信号处理 | NA | 脑电图信号采集 | GAN, CNN, Transformer | EEG时序信号 | 半模拟数据和真实数据（具体数量未说明） | NA | 并行CNN块和Transformer块组成的生成器架构 | RRMSE, SNR | NA |
| 8830 | 2025-10-06 |
Data Augmentation for Medical Image Classification Based on Gaussian Laplacian Pyramid Blending With a Similarity Measure
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3307216
PMID:37603476
|
研究论文 | 提出一种基于高斯拉普拉斯金字塔混合与相似性度量的医学图像数据增强方法，用于乳腺癌组织病理学图像分类 | 结合高斯拉普拉斯金字塔和金字塔混合概念，引入基于相似性度量的图像混合方法，保持图像结构特性并捕获同类患者图像间的变异性 | NA | 解决医学数据集中标记数据稀缺和数据不平衡问题，提高乳腺癌诊断准确性 | 乳腺癌组织病理学图像 | 计算机视觉 | 乳腺癌 | 数据增强，生成式人工智能 | 深度学习，迁移学习 | 医学图像 | 三个不同的医学数据集 | NA | 预训练模型拼接架构 | NA | NA |
| 8831 | 2025-10-06 |
Multi-Gate Mixture of Multi-View Graph Contrastive Learning on Electronic Health Record
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3325221
PMID:37851554
|
研究论文 | 提出一种多门混合多视图图对比学习方法，用于电子健康记录的表示学习 | 结合多任务预测和图对比学习，采用分层全连接图结构和层次本体知识预训练 | 需要手动构建图结构，关系标注过程复杂耗时 | 获得更合理的EHR表示并提升下游任务性能 | 电子健康记录中的患者就诊数据 | 机器学习 | 重症监护疾病 | 图神经网络，对比学习 | GNN | 图数据，医疗事件数据 | MIMIC-III和eICU两个大型开源医疗数据集 | NA | 多门混合多视图图对比学习架构 | 患者再入院预测、死亡率预测、住院时长预测的准确率 | NA |
| 8832 | 2025-06-07 |
Comparison of Sarcopenia Assessment in Liver Transplant Recipients by Computed Tomography Freehand Region-of-Interest versus an Automated Deep Learning System
2025-Jun, Clinical transplantation
IF:1.9Q3
DOI:10.1111/ctr.70201
PMID:40465826
|
research paper | 本研究比较了在肝移植受者中通过CT手动ROI和自动化深度学习系统评估肌肉减少症的两种方法 | 首次直接比较了手动ROI和深度学习系统在肌肉减少症评估中的表现，并分析了它们与住院时间的关联 | 样本量较小（50人），且为单中心研究 | 比较两种肌肉减少症评估方法在预测肝移植患者临床结局方面的效果 | 肝移植受者 | digital pathology | liver disease | computed tomography (CT) | deep learning | medical image | 50名肝移植受者 | NA | NA | NA | NA |
| 8833 | 2025-06-07 |
Ultrasound measurement of relative tongue size and its correlation with tongue mobility for healthy individuals
2025-Jun-01, JASA express letters
IF:1.2Q3
DOI:10.1121/10.0036838
PMID:40478168
|
研究论文 | 本研究介绍了一种基于超声的测量相对舌大小的方法，称为uRTS，作为MRI方法的成本效益替代方案 | 提出了一种新的基于超声的测量方法uRTS，并使用深度学习提取舌轮廓，验证了其与MRI测量结果的高度相关性 | 样本量较小（仅10名说话者），可能影响结果的普遍性 | 评估相对舌大小与舌运动速度之间的关系，开发更经济的测量方法 | 健康个体的舌头 | 医学影像分析 | NA | 超声测量，深度学习 | 深度学习（未指定具体模型） | 超声影像 | 10名说话者 | NA | NA | NA | NA |
| 8834 | 2025-06-07 |
Beyond episodic early warning systems: a continuous clinical alert system for early detection of in-hospital deterioration
2025-May-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.20.25327940
PMID:40475141
|
research paper | 开发了一种基于可穿戴设备的深度学习模型，用于早期检测住院患者的病情恶化 | 使用仅9个输入的可穿戴设备数据，开发了一种RNN模型，能够比传统早期预警系统更早识别病情恶化 | 数据缺失率为4-8%，且排除了SpO2数据 | 减少住院患者病情恶化的延迟识别，提高临床警报系统的效率 | 888名成人非ICU住院患者 | machine learning | geriatric disease | wearable biosensors | RNN | biosensor data | 888 adult non-ICU inpatient visits in four hospitals | NA | NA | NA | NA |
| 8835 | 2025-06-07 |
Improved Breast Cancer Detection with Artificial Intelligence in a Real-World Digital Breast Tomosynthesis Screening Program
2025-May-09, Clinical breast cancer
IF:2.9Q2
DOI:10.1016/j.clbc.2025.05.007
PMID:40473527
|
研究论文 | 本研究比较了在数字乳腺断层合成（DBT）筛查项目中实施人工智能（AI）检测系统前后放射科医生的乳腺癌筛查性能 | 在真实世界的DBT筛查项目中实施AI检测系统，显著提高了癌症检测率（CDR），降低了异常解释率（AIR），并显著提高了阳性预测值（PPV1和PPV3） | 研究为回顾性设计，且仅涉及4名放射科医生和有限的临床站点 | 评估AI检测系统在DBT筛查中对放射科医生性能的影响 | 数字乳腺断层合成（DBT）筛查中的乳腺癌检测 | 数字病理 | 乳腺癌 | 深度学习AI支持系统 | 深度学习 | 图像 | 前AI时期10,322例标准DBT解释，后AI时期6,407例DBT解释 | NA | NA | NA | NA |
| 8836 | 2025-06-07 |
Detecting Arrhythmogenic Right Ventricular Cardiomyopathy From the Electrocardiogram Using Deep Learning
2025-May-06, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.04.003
PMID:40471767
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8837 | 2025-06-07 |
Deep Learning-based Anatomy-Aware Morph Model for Registration of Prostate Whole-Mount Histopathology to MRI
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240336
PMID:40445100
|
研究论文 | 开发并评估了一种基于深度学习的创新方法，用于配准前列腺术前MRI和全切片组织病理学（WMHP）图像 | 提出了一种结合注意力机制和卷积神经网络的混合模型（Anatomy-Aware Morph模型），用于多模态前列腺图像配准，显著优于现有VoxelMorph方法 | 研究为回顾性设计，样本量相对有限（315例患者） | 实现前列腺术前MRI与术后病理图像的精准配准，辅助前列腺癌病灶映射 | 前列腺MRI和全切片组织病理学图像 | 数字病理 | 前列腺癌 | 深度学习图像配准 | 混合注意力机制与CNN（Anatomy-Aware Morph模型） | 医学影像（MRI与病理切片图像） | 315例患者（270训练集/45测试集），含160张测试图像 | NA | NA | NA | NA |
| 8838 | 2025-06-07 |
Deep Learning-Based Automated Detection of Oral Leukoplakia in Clinical Imaging
2025-May, Cureus
DOI:10.7759/cureus.83368
PMID:40462818
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统，用于自动识别口腔白斑（OLK），以解决临床实践中的诊断挑战 | 使用19种CNN架构进行比较分析，并选择经过微调的EfficientNetB0作为最优模型，通过CAM可视化决策区域，实现了高精度和可解释性 | 数据集仅包含446张经组织病理学确认的口腔白斑病例图像和1,041张正常口腔黏膜图像，样本量相对有限 | 开发并验证一种基于深度学习的系统，用于自动识别口腔白斑，以解决临床实践中的诊断挑战 | 口腔白斑（OLK）的临床图像 | 计算机视觉 | 口腔癌 | 深度学习 | CNN, EfficientNetB0 | 图像 | 446张口腔白斑病例图像和1,041张正常口腔黏膜图像 | NA | NA | NA | NA |
| 8839 | 2025-06-07 |
Trials and tribulations: Developing an artificial intelligence for screening malaria parasite from peripheral blood smears
2025 May-Jun, Medical journal, Armed Forces India
DOI:10.1016/j.mjafi.2023.10.007
PMID:40463611
|
研究论文 | 本研究旨在开发一种人工智能技术，用于自动化检测外周血涂片中的疟原虫 | 首次尝试开发一个完整模块，用于从自动化显微摄影/全切片图像中筛查疟原虫 | 模型A、B和C的性能在敏感性或特异性方面存在不足 | 开发人工智能技术以自动化疟原虫检测过程 | 外周血涂片中的疟原虫 | 数字病理学 | 疟疾 | 深度学习方法 | DCNN, Inception V3, Watershed Transform | 图像 | 352张Leishman-Giemsa染色的外周血涂片图像 | NA | NA | NA | NA |
| 8840 | 2025-06-07 |
Revolutionizing the diagnosis of dental caries using artificial intelligence-based methods
2025-May, Journal of conservative dentistry and endodontics
DOI:10.4103/JCDE.JCDE_172_25
PMID:40463673
|
review | 本文综述了人工智能在龋齿诊断中的应用及其潜力 | 探讨了AI如何通过机器学习和深度学习技术改进龋齿诊断的精确性和效率 | 讨论了当前AI在牙科诊断中面临的挑战和限制 | 探索人工智能在龋齿早期诊断和病变检测中的应用 | 龋齿诊断的影像数据和临床记录 | digital pathology | dental caries | machine learning, deep learning | NA | image, clinical records | NA | NA | NA | NA | NA |