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 9041 - 9060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9041 | 2025-06-15 |
Detection of cervical cell based on multi-scale spatial information
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87165-7
PMID:39856153
|
研究论文 | 提出了一种基于多尺度空间信息的宫颈细胞检测方法，以提高宫颈癌筛查和诊断的效率 | 设计了多尺度空间信息增强模块（MSA）和通道注意力增强模块（CAE），有效捕捉和整合不同尺度的空间信息，并动态优化关键特征 | 未提及具体的数据集规模或多样性限制，也未讨论模型在其他数据集上的泛化能力 | 提高宫颈癌筛查和诊断的效率和准确性 | 宫颈细胞 | 数字病理学 | 宫颈癌 | 深度学习 | Sparse R-CNN | 图像 | NA | NA | NA | NA | NA |
| 9042 | 2025-06-15 |
Phyla: Towards a foundation model for phylogenetic inference
2025-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.01.17.633626
PMID:39896621
|
研究论文 | 本文介绍了Phyla，一种专为系统发育推理设计的混合状态空间变换器架构，旨在通过树损失函数实现序列推理和系统发育树重建的最新性能 | Phyla采用了一种新颖的混合状态空间变换器架构和树损失函数，专注于序列间的推理能力，而非传统的单个序列学习 | NA | 开发一个用于系统发育推理的基础模型，提升计算生物学中序列分析和系统发育推理的性能 | 蛋白质序列和系统发育树 | 计算生物学 | NA | 深度学习 | 混合状态空间变换器 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 9043 | 2025-06-15 |
Artificial intelligence: the human response to approach the complexity of big data in biology
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf057
PMID:40504538
|
综述 | 本文探讨了人工智能在生命科学中的应用，特别是在处理高通量组学数据时的作用 | 强调了基于组学的预测分析在系统生物学中的作用，以及创新的AI分析方法在理解复杂生物系统中的价值 | 未具体提及研究的局限性 | 探讨人工智能在生命科学中的应用及其对组学数据分析的影响 | 植物科学、动物科学和微生物学中的生物过程和生态系统动态 | 机器学习 | NA | 高通量组学数据分析 | 深度学习 | 组学数据 | NA | NA | NA | NA | NA |
| 9044 | 2025-06-15 |
Improving lung cancer diagnosis and survival prediction with deep learning and CT imaging
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323174
PMID:40498724
|
研究论文 | 该论文提出了一种结合深度学习和CT影像的方法，用于改善肺癌的诊断和生存预测 | 使用卷积神经网络建模肺癌风险与肺部形态之间的非线性关系，并提出了结合小批量损失和二元交叉熵的方法来预测肺癌发生和死亡风险 | 未提及具体的数据集局限性或模型泛化能力问题 | 提高肺癌的诊断准确性和生存预测效果 | 肺癌患者 | 计算机视觉 | 肺癌 | CT成像 | 3D CNN | 医学影像 | 国家肺癌筛查试验数据集 | NA | NA | NA | NA |
| 9045 | 2025-06-15 |
An ensemble-based 3D residual network for the classification of Alzheimer's disease
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324520
PMID:40498744
|
研究论文 | 本研究提出了一种基于深度学习的集成方法，用于阿尔茨海默病的分类 | 采用加权概率的集成方法整合3D残差网络的结果，并引入CBAM注意力机制增强模型性能 | 数据量有限，需通过数据增强技术来提升准确率 | 早期诊断轻度认知障碍（MCI）以延缓阿尔茨海默病（AD）的进展 | 阿尔茨海默病（AD）及其前驱阶段轻度认知障碍（MCI）患者 | 数字病理学 | 老年病 | 深度学习 | 3D ResNet-18, 3D ResNet-34, 3D ResNet-50 | 图像 | NA | NA | NA | NA | NA |
| 9046 | 2025-06-15 |
In-depth exploration of software defects and self-admitted technical debt through cutting-edge deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324847
PMID:40498858
|
研究论文 | 提出了一种利用深度学习技术同时识别和分类自承认技术债务（SATD）及软件缺陷的创新方法 | 首次结合深度学习技术同时处理SATD和软件缺陷的识别与分类，并采用Transformer模型如GPT-3提升性能 | 未明确提及模型在小规模或特定领域软件项目中的泛化能力 | 提升软件质量评估与维护的全面性，优化技术债务与缺陷的认知及维护资源分配 | 软件注释中的自承认技术债务（SATD）及相关缺陷 | 自然语言处理 | NA | 深度学习架构（LSTM, BI-LSTM, GRU, BI-GRU）及Transformer模型（BERT, GPT-3） | LSTM, GRU, BERT, GPT-3 | 文本（软件注释） | 来自Apache、Mozilla Firefox和Eclipse等仓库的多样化项目数据，含SATD示例和缺陷实例 | NA | NA | NA | NA |
| 9047 | 2025-06-15 |
Interpretable deep learning for gastric cancer detection: a fusion of AI architectures and explainability analysis
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1596085
PMID:40510366
|
研究论文 | 本文提出了一种结合多种深度学习架构和可解释性分析的胃癌检测方法 | 融合了VGG16、RESNET50和MobileNetV2三种深度学习架构，并采用LIME技术提高模型决策的可解释性 | 未提及具体的数据集来源和样本多样性问题 | 开发高精度且可解释的胃癌检测系统以支持临床决策 | 胃癌的医学影像检测 | 数字病理学 | 胃癌 | 深度学习融合架构、LIME可解释性分析 | VGG16、RESNET50、MobileNetV2融合模型 | 医学影像 | NA | NA | NA | NA | NA |
| 9048 | 2025-06-15 |
Deep learning-based action recognition for analyzing drug-induced bone remodeling mechanisms
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1564157
PMID:40510423
|
research paper | 提出了一种基于深度学习的动作识别框架，用于分析药物诱导的骨重塑机制 | 结合图神经网络（GNNs）和动态信号传播模型，识别驱动骨重塑的关键分子相互作用，并集成预测药理学相互作用模型以量化药物-靶点相互作用 | 未提及具体实验样本量或数据来源的局限性 | 优化治疗干预并减少骨健康管理中的不良反应 | 药物诱导的骨重塑机制 | machine learning | geriatric disease | graph neural networks (GNNs), dynamic signal propagation model | GNN | multi-scale biological data | NA | NA | NA | NA | NA |
| 9049 | 2025-06-15 |
Graph convolutional neural networks improved target-specific scoring functions for cGAS and kRAS in virtual screening
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.023
PMID:40510763
|
研究论文 | 本研究通过结合分子图和卷积神经网络，提高了针对cGAS和kRAS蛋白的靶向特异性评分函数在虚拟筛选中的外推能力和准确性 | 首次将图卷积神经网络应用于靶向特异性评分函数的开发，显著提升了虚拟筛选的准确性和外推性能 | 研究仅针对cGAS和kRAS两种蛋白进行验证，需要更多靶点验证其普适性 | 提高虚拟筛选中靶向特异性评分函数的准确性和外推能力 | cGAS和kRAS蛋白 | 机器学习 | NA | 分子对接、虚拟筛选 | 图卷积神经网络(GCN)、传统机器学习模型 | 分子图数据 | NA | NA | NA | NA | NA |
| 9050 | 2025-06-15 |
Random splicing assisted deep learning for breast cancer cell line classification via Raman spectroscopy
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.051
PMID:40510766
|
研究论文 | 本文开发了一种名为随机拼接-卷积神经网络（RS-CNN）的深度学习框架，用于通过拉曼光谱对乳腺癌细胞系进行分类 | 通过随机拼接同一细胞系的拉曼光谱，RS-CNN增强了特征光谱特征，同时扩大了数据集规模并改善了信号质量 | NA | 开发一种深度学习框架以提高拉曼光谱在癌症识别中的准确性和效率 | 六种乳腺癌细胞系 | 数字病理学 | 乳腺癌 | 拉曼光谱 | RS-CNN（随机拼接-卷积神经网络） | 光谱数据 | 每种细胞系450个光谱，数据有限条件下为100个光谱/细胞系 | NA | NA | NA | NA |
| 9051 | 2025-10-06 |
A Deep Learning Application of Capsule Endoscopic Gastric Structure Recognition Based on a Transformer Model
2024-Oct-01, Journal of clinical gastroenterology
IF:2.8Q2
DOI:10.1097/MCG.0000000000001972
PMID:38457410
|
研究论文 | 基于Transformer模型开发用于胶囊内镜胃结构识别的深度学习应用 | 首次将Transformer模型应用于胶囊内镜胃结构识别，通过自注意力机制提升胃肠道图像识别性能 | 数据来源于单一医院（南方医院），样本时间跨度较长（2011-2021年） | 建立胶囊内镜胃结构识别模型，提升深度学习在内镜图像识别中的临床应用价值 | 胶囊内镜视频中的15种上消化道结构 | 计算机视觉 | 胃部病变 | 胶囊内镜 | Transformer | 视频 | 3343个无线胶囊内镜视频用于无监督预训练，2433个用于训练，118个用于验证 | NA | Transformer | 准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值 | NA |
| 9052 | 2025-06-15 |
Discrete Representation Learning for Multivariate Time Series
2024-Aug, Proceedings of the ... European Signal Processing Conference (EUSIPCO). EUSIPCO (Conference)
|
research paper | 本文提出了一种基于高斯过程的多元时间序列离散表示学习方法 | 使用Gumbel-softmax重参数化技巧解决离散潜在变量在深度学习模型中的不可微问题，实现联合聚类和嵌入 | NA | 开发多元时间序列的离散表示学习方法以提高可解释性 | 多元时间序列数据 | machine learning | NA | Gumbel-softmax reparameterization | Gaussian processes | multivariate time series | 合成数据和真实fMRI数据 | NA | NA | NA | NA |
| 9053 | 2025-06-15 |
A practical machine learning approach for predicting the quality of 3D (bio)printed scaffolds
2024-Jul-25, Biofabrication
IF:8.2Q1
DOI:10.1088/1758-5090/ad6374
PMID:39008994
|
research paper | 本研究提出了一种实用的机器学习方法，用于预测3D（生物）打印支架的质量 | 提供了最全面的开源数据集，并应用了从无监督到监督学习的多种AI技术，开发了一个具有六层隐藏层的全连接神经网络 | AI在组织工程中的应用常因缺乏全面可靠的数据而受到阻碍 | 预测3D（生物）打印支架的质量 | 3D（生物）打印支架 | machine learning | NA | AI, machine learning, deep learning | XGBoost, Gradient Boosting, Extra Trees Classifier, Random Forest Classifier, LightGBM, fully connected neural network | dataset on 3D-printed scaffolds | 1171 scaffolds, 60 biomaterials, 49 cell lines | NA | NA | NA | NA |
| 9054 | 2025-06-15 |
A hybrid model for the detection of retinal disorders using artificial intelligence techniques
2024-Jul-10, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad5db2
PMID:38955139
|
research paper | 该研究提出了一种结合机器学习和深度学习技术的混合模型，用于自动分类视网膜疾病 | 提出了一种新的框架，结合了多种分类器（SVM、K-NN、DT、EM）和InceptionV3 CNN特征提取器，实现了高精度的视网膜疾病分类 | 未提及模型在临床环境中的实际应用效果或泛化能力 | 开发一种自动化的视网膜疾病分类方法 | 视网膜疾病（脉络膜新生血管、糖尿病性黄斑水肿、玻璃膜疣）和正常病例 | computer vision | 视网膜疾病 | OCT（光学相干断层扫描） | SVM、K-NN、DT、EM、InceptionV3 CNN | image | 18000张OCT图像 | NA | NA | NA | NA |
| 9055 | 2025-06-15 |
Explainable AI based automated segmentation and multi-stage classification of gastroesophageal reflux using machine learning techniques
2024-06-28, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad5a14
PMID:38901416
|
研究论文 | 本文提出了一种基于可解释AI的自动化分割和多阶段分类方法，用于诊断胃食管反流病（GERD） | 开发了一个针对胃肠道疾病诊断的系统，结合了Yolov5目标检测、DeepLabV3+分割和多种机器学习分类器进行多阶段分类 | NA | 通过计算机辅助技术快速准确地诊断胃食管反流病（GERD） | 胃食管反流病（GERD）患者的内窥镜图像 | 数字病理学 | 胃食管反流病 | 视频内窥镜 | Yolov5, DeepLabV3+, SVM, 自定义深度神经网络 | 图像 | NA | NA | NA | NA | NA |
| 9056 | 2025-06-15 |
An extensive analysis of artificial intelligence and segmentation methods transforming cancer recognition in medical imaging
2024-06-18, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad555b
PMID:38848695
|
综述 | 本文全面分析了人工智能和分割方法在医学影像中癌症识别的应用 | 重点评估了卷积神经网络（CNNs）在医学图像分割和分类中的自学习和决策能力 | 现有图像分割方法在应用于某些特定类型图像时存在局限性 | 探讨图像分割技术在医学影像中癌症识别的重要性和应用 | 医学影像中的癌症区域 | 计算机视觉 | 癌症 | 计算机辅助诊断（CAD）系统 | CNN | 医学影像 | NA | NA | NA | NA | NA |
| 9057 | 2025-06-15 |
Optimizing motor imagery BCI models with hard trials removal and model refinement
2024-06-04, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad4f8e
PMID:38781932
|
研究论文 | 本文提出两种新方法来识别和减轻困难试验对运动想象脑机接口模型性能的影响 | 提出基于模型预测分数和可解释人工智能（XAI）的定量方法来识别困难试验，并通过移除这些试验来优化模型性能 | 实验仅在Open BMI数据集上进行，未在其他数据集上验证方法的普适性 | 优化运动想象脑机接口（BCI）模型的分类性能 | 运动想象BCI系统中的困难试验 | 机器学习 | NA | 定量可解释人工智能（XAI） | 深度CNN | 脑电图（EEG）数据 | Open BMI数据集中的样本 | NA | NA | NA | NA |
| 9058 | 2025-06-15 |
Investigation on ultrasound images for detection of fetal congenital heart defects
2024-05-31, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad4f91
PMID:38781934
|
综述 | 本文综述了利用超声图像和深度学习技术检测胎儿先天性心脏缺陷（CHD）的前沿技术 | 结合胎儿超声图像评估（FUSI）和深度学习技术，提高CHD的检测率 | 当前筛查技术的检测率相对较低（约60%） | 提高胎儿先天性心脏缺陷的早期检测率，降低死亡率和发病率 | 胎儿先天性心脏缺陷（CHD） | 数字病理学 | 心血管疾病 | 深度学习技术，包括CNN、ANN等 | CNN, ANN | 超声图像 | NA | NA | NA | NA | NA |
| 9059 | 2025-10-06 |
Exploring the potential of pretrained CNNs and time-frequency methods for accurate epileptic EEG classification: a comparative study
2024-May-30, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad3cde
PMID:38599183
|
研究论文 | 本研究比较了多种预训练CNN模型与不同时频分析方法在癫痫EEG分类中的性能 | 首次使用时频数据评估预训练框架参数调整对EEG数据分类的影响，并系统比较多种时频表示算法与CNN模型的组合效果 | 研究主要基于特定数据集（Bern-Barcelona EEG数据集），需要在更多数据集上验证模型的泛化能力 | 开发准确的癫痫EEG自动分类系统，比较不同预训练CNN和时频方法的性能 | 癫痫患者的脑电图（EEG）信号 | 机器学习 | 癫痫 | 连续小波变换（CWT）、经验傅里叶分解（EFD）、经验模式分解（EMD）、经验小波变换（EWT）、变分模式分解（VMD） | CNN | EEG信号，时频图（scalograms） | Bern-Barcelona EEG数据集和天普大学数据库 | NA | AlexNet, GoogLeNet, MobileNetV2, ResNet-18, SqueezeNet | 灵敏度, 特异性, F1分数, 分类准确率 | NA |
| 9060 | 2025-06-15 |
Segmentation and quantitative analysis of optical coherence tomography (OCT) images of laser burned skin based on deep learning
2024-05-21, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad488f
PMID:38718764
|
研究论文 | 本研究基于深度学习对激光烧伤皮肤的光学相干断层扫描（OCT）图像进行分割和定量分析，以评估皮肤恢复情况 | 利用深度学习U-Net模型对OCT图像进行皮肤分层和烧伤区域分割，结合三维重建技术量化损伤组织体积 | 研究仅在小鼠模型中进行，尚未在人体皮肤上验证 | 开发一种快速准确评估烧伤皮肤恢复情况的方法 | 激光诱导的小鼠皮肤热损伤模型 | 数字病理 | 烧伤 | 光学相干断层扫描（OCT） | U-Net（同时验证了PSPNe和HRNet模型） | 图像 | 30只昆明小鼠，生成7000张正常组织B扫描图像和1400张烧伤组织B扫描图像 | NA | NA | NA | NA |