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 9001 - 9020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9001 | 2025-06-07 |
PDRF-Net: a progressive dense residual fusion network for COVID-19 lung CT image segmentation
2023-Feb-17, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-023-09489-x
PMID:38625320
|
research paper | 提出了一种名为PDRF-Net的渐进密集残差融合网络，用于COVID-19肺部CT图像的分割 | 引入了密集跳跃连接以捕获多级上下文信息，设计了高效的聚合残差模块，结合视觉Transformer和残差块，以及双边通道像素加权模块逐步融合多分支特征图 | NA | 实现COVID-19患者肺部CT图像中病变部位的快速准确分割 | COVID-19患者的肺部CT图像 | digital pathology | COVID-19 | CT图像分割 | PDRF-Net (progressive dense residual fusion network) | image | 在两个COVID-19数据集上进行测试 | NA | NA | NA | NA |
| 9002 | 2025-06-07 |
AMTLDC: a new adversarial multi-source transfer learning framework to diagnosis of COVID-19
2023-Jan-12, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-023-09484-2
PMID:38625255
|
research paper | 提出了一种新的对抗性多源迁移学习框架AMTLDC，用于COVID-19的诊断 | AMTLDC框架通过对抗性学习提取多个数据源间的通用表示，提高了模型在不同数据集间的泛化能力 | 未明确说明框架在极端数据不足情况下的表现 | 提高COVID-19诊断模型的跨数据集泛化性能 | COVID-19医学影像数据 | digital pathology | COVID-19 | adversarial transfer learning | CNN | medical images | NA | NA | NA | NA | NA |
| 9003 | 2025-06-07 |
Detection of anomalies in cycling behavior with convolutional neural network and deep learning
2023, European transport research review
IF:5.1Q1
DOI:10.1186/s12544-023-00583-4
PMID:38625141
|
研究论文 | 本文提出了一种基于深度学习的异常检测方法BeST-DAD，用于识别骑行行为中的异常并在地图上标记危险点 | 结合CNN和自编码器(AE)进行异常检测，相比传统PCA方法表现更优 | 需要依赖GPS轨迹数据，可能受数据质量和覆盖范围限制 | 提高骑行安全性，通过技术手段识别潜在危险点 | 骑行者的GPS轨迹数据 | 机器学习 | NA | 深度学习 | CNN, Autoencoder | GPS轨迹数据 | 未明确说明具体样本数量，涉及多个用户的数据 | NA | NA | NA | NA |
| 9004 | 2025-06-07 |
Evaluation of artificial intelligence techniques in disease diagnosis and prediction
2023, Discover artificial intelligence
DOI:10.1007/s44163-023-00049-5
PMID:40478140
|
综述 | 本文综述了人工智能技术在疾病诊断和预测中的应用及其优势 | 涵盖了多种AI技术在医疗图像分析中的应用，并比较了ML和DL技术的优势 | 讨论了AI在医疗领域中的现有挑战和局限性 | 评估AI技术在疾病诊断和预测中的应用效果 | 多种疾病（如癌症、心脏、肺、皮肤、遗传和神经疾病）的诊断和预测 | 数字病理学 | 多种疾病（如癌症、心脏、肺、皮肤、遗传和神经疾病） | 机器学习（ML）和深度学习（DL） | SVM, CNN | 医疗图像 | NA | NA | NA | NA | NA |
| 9005 | 2025-06-07 |
An efficient real-time stock prediction exploiting incremental learning and deep learning
2022-Dec-21, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-022-09481-x
PMID:38625328
|
研究论文 | 提出了一种基于增量学习和离线-在线学习的实时股票价格预测策略 | 结合增量学习和离线-在线学习两种方法，实时更新模型以适应市场的动态变化 | 仅在美国NASDAQ和印度NSE交易所的八只高流动性股票上进行了测试，可能不适用于其他市场或股票 | 提高实时股票价格预测的准确性 | 股票市场的实时价格数据 | 机器学习 | NA | 增量学习, 离线-在线学习 | 深度学习模型 | 时间序列数据 | 美国NASDAQ和印度NSE交易所的八只高流动性股票 | NA | NA | NA | NA |
| 9006 | 2025-06-07 |
An evaluation of lightweight deep learning techniques in medical imaging for high precision COVID-19 diagnostics
2022-Nov, Healthcare analytics (New York, N.Y.)
DOI:10.1016/j.health.2022.100096
PMID:37520618
|
研究论文 | 本文评估了轻量级深度学习技术在医学影像中用于高精度COVID-19诊断的性能 | 提出使用轻量级深度学习模型MobileNetV2进行COVID-19检测，显著降低了计算资源的成本和内存需求 | 研究未提及模型在多样化数据集上的泛化能力以及在实际临床环境中的验证 | 开发低成本、移动化的即时COVID-19检测系统，特别是在中低收入国家 | COVID-19的医学影像诊断 | 数字病理 | COVID-19 | 深度学习 | MobileNetV2 | 医学影像（胸部X光和CT） | NA | NA | NA | NA | NA |
| 9007 | 2025-06-07 |
iVaccine-Deep: Prediction of COVID-19 mRNA vaccine degradation using deep learning
2022-Oct, Journal of King Saud University. Computer and information sciences
DOI:10.1016/j.jksuci.2021.10.001
PMID:38620874
|
研究论文 | 使用深度学习预测COVID-19 mRNA疫苗的降解 | 提出了两种混合深度神经网络模型GCN_GRU和GCN_CNN，用于从RNA序列预测RNA降解，其中GCN_GRU模型在测试中表现显著优于GCN_CNN模型 | NA | 研究混合深度学习是否能从RNA序列预测RNA降解 | COVID-19 mRNA疫苗的RNA序列 | 机器学习 | COVID-19 | 深度学习 | GCN_GRU, GCN_CNN | RNA序列 | NA | NA | NA | NA | NA |
| 9008 | 2025-06-07 |
A new metaheuristic optimization model for financial crisis prediction: Towards sustainable development
2022-Sep, Sustainable computing : informatics and systems
DOI:10.1016/j.suscom.2022.100778
PMID:37521169
|
研究论文 | 本文提出了一种基于政治优化器的深度神经网络（OD-PODNN）的异常检测模型，用于金融危机的预测 | 提出了一种结合隔离森林（iForest）异常检测方法和政治优化器（PO）的深度神经网络（DNN）模型，用于金融危机的预测，并通过超参数优化提高了分类准确性 | 模型训练过程中超参数调优的复杂性可能是其局限性之一 | 提高金融危机预测（FCP）的准确性，以支持可持续经济的发展 | 公司或企业的财务状况 | 机器学习 | NA | 政治优化器（PO）、隔离森林（iForest）、深度神经网络（DNN） | OD-PODNN（基于政治优化器的深度神经网络） | 金融数据 | 使用了三个不同的数据集进行评估 | NA | NA | NA | NA |
| 9009 | 2025-06-07 |
Attention mechanism and mixup data augmentation for classification of COVID-19 Computed Tomography images
2022-Sep, Journal of King Saud University. Computer and information sciences
DOI:10.1016/j.jksuci.2021.07.005
PMID:38620953
|
研究论文 | 本文提出了一种结合注意力机制和mixup数据增强技术的深度卷积神经网络，用于COVID-19 CT图像的自动分类 | 引入了特征级注意力层以增强卷积网络提取的判别性特征，并采用mixup数据增强技术提升网络性能 | 仅在COVID-CT数据集上进行了验证，未在其他COVID-19影像数据集上测试泛化能力 | 开发高精度的COVID-19 CT图像自动分类系统 | COVID-19患者的CT影像 | 计算机视觉 | COVID-19 | mixup数据增强 | CNN（ResNet50架构） | 医学影像（CT图像） | COVID-CT数据集（具体数量未说明） | NA | NA | NA | NA |
| 9010 | 2025-06-07 |
Deep recurrent Gaussian Nesterovs recommendation using multi-agent in social networks
2022, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-022-09435-3
PMID:37521128
|
研究论文 | 提出了一种结合深度学习和多智能体场景的深度循环高斯Nesterov最优梯度（DR-GNOG）推荐系统，用于社交网络中的精确推荐 | 结合深度学习和多智能体场景，提出DR-GNOG模型，解决了推荐系统中的梯度消失问题，并提高了推荐准确性和效率 | 未提及模型在大规模数据集上的可扩展性和计算资源需求 | 提高社交网络中信息推荐的准确性和效率 | 社交网络中的用户推文数据 | 机器学习 | NA | 深度学习和多智能体技术 | DR-GNOG（深度循环高斯Nesterov最优梯度模型） | 文本（推文） | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 9011 | 2025-06-07 |
FocusCovid: automated COVID-19 detection using deep learning with chest X-ray images
2022, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-021-09385-2
PMID:38624806
|
研究论文 | 本文提出了一种基于深度卷积神经网络的架构，用于通过胸部X光片自动检测COVID-19 | 利用深度学习技术自动检测COVID-19，减轻医疗基础设施的压力 | 尽管模型准确率高，但COVID-19的诊断仍需与专业医疗临床医生协商决定 | 开发一种自动化工具以辅助COVID-19的早期筛查和检测 | 胸部X光片 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 9012 | 2025-06-07 |
Deep learning assisted COVID-19 detection using full CT-scans
2021-Jun, Internet of things (Amsterdam, Netherlands)
DOI:10.1016/j.iot.2021.100377
PMID:38620521
|
research paper | 该研究提出了一种基于深度学习的自动化COVID-19检测方法，使用完整的胸部CT扫描 | 利用残差网络和跳跃连接的优势，提出了一种硬件需求较低的COVID-19检测方法，可在网络边缘部署 | 未提及模型在不同数据集上的泛化能力或临床验证结果 | 开发一种自动化COVID-19诊断方法，以加快诊断过程并保持准确性 | COVID-19患者的胸部CT扫描 | digital pathology | COVID-19 | deep learning | ResNet | CT图像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 9013 | 2025-06-07 |
A Comparison of Deep Learning Models for Detecting COVID-19 in Chest X-ray Images
2021, IFAC-PapersOnLine
DOI:10.1016/j.ifacol.2021.10.282
PMID:38620947
|
research paper | 比较不同深度学习模型在胸部X光图像中检测COVID-19的性能 | 设计并比较了四种深度学习架构（包括CNN、VGG-19、Inception和MobileNet）在COVID-19检测中的表现，使用迁移学习技术进行了45次不同实验 | 仅进行了二元分类，未考虑COVID-19的严重程度或其他肺部疾病的鉴别诊断 | 比较不同深度学习模型在COVID-19诊断中的性能 | 胸部X光图像 | computer vision | COVID-19 | transfer learning | CNN, VGG-19, Inception, MobileNet | image | NA | NA | NA | NA | NA |
| 9014 | 2025-06-07 |
MOXA: A Deep Learning Based Unmanned Approach For Real-Time Monitoring of People Wearing Medical Masks
2020, Transactions of the Indian National Academy of Engineering : an international journal of engineering and technology
DOI:10.1007/s41403-020-00157-z
PMID:38624452
|
research paper | 提出了一种基于深度学习的无人实时监测人们佩戴口罩的方法MOXA | 将口罩佩戴监测任务建模为物体检测的特殊案例，并在边缘设备上实现实时场景解析 | 嵌入式设备的内存和计算能力有限，可能影响实时监测的性能 | 实时监测人们是否佩戴口罩，以预防COVID-19的传播 | 佩戴口罩的人群 | computer vision | COVID-19 | object detection algorithms | YOLOv3, YOLOv3Tiny, SSD, Faster R-CNN | video | Moxa3K benchmark dataset | NA | NA | NA | NA |
| 9015 | 2025-06-07 |
A topology-based network tree for the prediction of protein-protein binding affinity changes following mutation
2020, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-020-0149-6
PMID:34170981
|
研究论文 | 本文提出了一种基于拓扑的网络树方法，用于预测蛋白质-蛋白质结合亲和力在突变后的变化 | 引入了元素和位点特定的持久同调（代数拓扑的新分支）来简化蛋白质-蛋白质复合物的结构复杂性，并将关键生物信息嵌入拓扑不变量中，同时提出了一种名为NetTree的新深度学习算法 | NA | 预测蛋白质-蛋白质相互作用结合亲和力在突变后的变化（ΔΔ），以指导药物发现 | 蛋白质-蛋白质复合物 | 生物信息学 | NA | 代数拓扑、持久同调、深度学习 | CNN、梯度提升树（NetTree） | 蛋白质结构数据 | 主要基准数据集 | NA | NA | NA | NA |
| 9016 | 2025-06-06 |
Incremental learning for acute lymphoblastic leukemia classification based on hybrid deep learning using blood smear image
2025-Oct, Computational biology and chemistry
IF:2.6Q2
|
research paper | 该研究提出了一种基于混合深度学习的增量学习方法，用于血涂片图像中急性淋巴细胞白血病的精确分类 | 提出了TSCO-L-LeNet模型，结合Tangent Sand Cat Swarm Optimization和长短期记忆网络，采用增量学习方法提高分类准确率 | 未提及模型在其他类型白血病或更大规模数据集上的泛化能力 | 开发一种快速、准确的白血病自动诊断方法 | 急性淋巴细胞白血病患者的血涂片图像 | digital pathology | leukemia | 图像处理、深度学习 | TSCO-L-LeNet (结合LSTM和LeNet的混合模型) | image | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 9017 | 2025-06-06 |
MGMA-DTI: Drug target interaction prediction using multi-order gated convolution and multi-attention fusion
2025-Oct, Computational biology and chemistry
IF:2.6Q2
|
research paper | 提出了一种基于多门控卷积和多注意力融合的药物-靶标相互作用预测模型MGMA-DTI | 使用多门控卷积增强对氨基酸序列全局特征的捕捉能力，并设计了多注意力融合模块以有效捕获药物-靶标相互作用特征 | 未提及具体的数据集规模限制或模型计算复杂度问题 | 提高药物-靶标相互作用预测的准确性和模型可解释性 | 药物分子和靶标蛋白质 | machine learning | NA | graph convolutional neural network, multi-order gated convolution, multi-attention fusion | MGMA-DTI | SMILES字符串（药物分子），氨基酸序列（蛋白质） | 三个基准数据集：BindingDB、BioSNAP和Human | NA | NA | NA | NA |
| 9018 | 2025-06-06 |
ProAttUnet: Advancing protein secondary structure prediction with deep learning via U-Net dual-pathway feature fusion and ESM2 pretrained protein language model
2025-Oct, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种名为ProAttUnet的新型深度学习方法，用于提升基于单序列的蛋白质二级结构预测性能 | 整合了最先进的蛋白质语言模型ESM2，采用独特的双路径U-Net框架进行特征融合，并引入交叉注意力机制和GCU_SE模块 | NA | 提升蛋白质二级结构预测的准确性 | 蛋白质序列 | 生物信息学 | NA | 深度学习 | U-Net, ESM2 | 蛋白质序列数据 | 五个测试集（SPOT-2016, SPOT-2016-HQ, SPOT-2018, SPOT-2018-HQ和TEST2018） | NA | NA | NA | NA |
| 9019 | 2025-06-06 |
DICCA-DTA: Diffusion and Contextualized Capsule Attention guided Factorized Cross-Pooling for Drug-Target Affinity prediction
2025-Oct, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种名为DICCA-DTA的新框架，用于预测药物-靶标亲和力，通过改进分子信息的上下文整合和药物-靶标相互作用的全面表示 | 引入了扩散同构网络(DIN)和上下文胶囊注意力网络(CCAN)模块，结合因子化交叉池化(FCP)机制，动态优化药物-蛋白质相互作用建模，提高预测准确性和可解释性 | 未明确提及具体局限性 | 改进药物-靶标亲和力预测，加速药物发现和再利用过程 | 药物分子和蛋白质靶标 | 机器学习 | 癌症 | 深度学习 | DIN, CCAN, FCP | 分子图和蛋白质序列 | Davis、KIBA、Metz和BindingDB数据集，以及DrugBank数据库中的癌症相关蛋白质相互作用案例 | NA | NA | NA | NA |
| 9020 | 2025-06-06 |
scDGG: Dynamic gene graphs for enhancing clustering analysis of single-cell RNA sequencing data via spatiotemporal representations
2025-Oct, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本文提出了一种名为scDGG的多视图图学习架构，用于从不同信号通路中压缩动态基因图，以增强单细胞RNA测序数据的聚类分析 | 提出动态基因图（dynamic gene graphs）来捕捉调控机制的动态变化，相比静态基因图能更全面地观察细胞命运和疾病进展的调控机制 | 未明确提及具体局限性 | 提高单细胞RNA测序数据的聚类分析准确性 | 单细胞RNA测序数据 | 生物信息学 | NA | 单细胞RNA测序（scRNA-seq） | 多视图图学习架构（multi-view graph learning architecture） | 基因表达数据 | 基准scRNA-seq数据集（未明确数量） | NA | NA | NA | NA |