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 32843 篇文献，本页显示第 9441 - 9460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9441 | 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 |
| 9442 | 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 |
| 9443 | 2025-10-06 |
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 | 本文开发并评估了用于COVID-19检测的轻量级深度学习技术 | 采用轻量级MobileNetV2模型实现COVID-19检测，在保持竞争力的性能同时显著降低计算资源需求 | 未明确说明具体的数据集规模和模型对比范围 | 开发适用于资源受限设备的COVID-19自动诊断系统 | 胸部X光和CT影像 | 医学影像分析 | COVID-19 | 深度学习 | CNN | 医学影像 | NA | NA | MobileNetV2 | NA | 资源受限设备 |
| 9444 | 2025-10-06 |
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 | 本研究开发了两种混合深度学习模型用于预测COVID-19 mRNA疫苗的RNA降解 | 首次提出结合图卷积神经网络与门控循环单元/卷积神经网络的混合模型，将RNA分子建模为图结构进行降解预测 | 未明确说明训练数据的具体规模和来源限制 | 研究混合深度学习模型预测RNA序列降解的能力 | COVID-19 mRNA疫苗的RNA分子 | 机器学习 | COVID-19 | RNA测序 | GCN, GRU, CNN | RNA序列数据 | NA | NA | GCN_GRU, GCN_CNN | MCRMSE, AuC | NA |
| 9445 | 2025-10-06 |
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 | 提出一种基于政治优化器深度神经网络(OD-PODNN)的异常检测模型用于金融危机预测 | 结合隔离森林异常检测与政治优化器优化DNN超参数，提升金融危机预测准确率 | 仅使用三个数据集验证，未说明数据合法性问题的具体解决方案 | 通过优化机器学习模型提高金融危机预测准确率以支持可持续发展 | 企业财务状态（成功/失败） | 机器学习 | NA | 异常检测，超参数优化 | 深度神经网络，隔离森林 | 财务数据 | 三个不同数据集 | NA | DNN，iForest | 准确率 | NA |
| 9446 | 2025-10-06 |
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 | 提出结合注意力机制和mixup数据增强的深度学习方法用于COVID-19 CT图像分类 | 在卷积神经网络中引入特征级注意力层增强判别性特征，并采用mixup数据增强技术提升性能 | NA | 开发计算机辅助诊断系统实现COVID-19 CT图像的自动分类 | COVID-19 CT图像 | 计算机视觉 | COVID-19 | 计算机断层扫描(CT) | CNN | 医学图像 | NA | NA | ResNet50 | 准确率 | NA |
| 9447 | 2025-10-06 |
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 | 提出一种结合深度学习和多智能体的推荐系统DR-GNOG，用于社交网络中的精准推荐 | 提出深度循环高斯Nesterov最优梯度(DR-GNOG)模型，将深度学习与多智能体场景结合解决推荐系统问题 | NA | 解决社交网络中大数据环境下的精准推荐问题 | 社交网络中的用户推文数据 | 机器学习 | NA | 深度学习，多智能体系统 | 深度循环神经网络 | 文本数据（推文） | NA | NA | 深度循环高斯Nesterov最优梯度(DR-GNOG) | 推荐准确率，推荐时间，召回率 | NA |
| 9448 | 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 |
| 9449 | 2025-10-06 |
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
|
研究论文 | 本研究提出一种基于深度学习技术的自动化COVID-19检测方法，使用完整胸部CT扫描图像 | 采用残差网络结合跳跃连接结构，通过预处理技术提升检测精度，并设计为可在边缘设备部署的轻量化方案 | NA | 开发自动化COVID-19诊断系统以加速检测过程并降低计算资源需求 | COVID-19患者的完整胸部CT扫描图像 | 计算机视觉 | COVID-19 | CT扫描 | CNN | 医学影像 | NA | NA | ResNet | 准确率 | 企业级GPU |
| 9450 | 2025-10-06 |
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
|
研究论文 | 比较四种深度学习模型在胸部X光图像中检测COVID-19的性能 | 通过45次不同实验系统比较了四种深度学习架构在COVID-19检测中的表现 | 仅进行二元分类，未涉及疾病严重程度分级或多类别分类 | 评估不同深度学习模型在COVID-19胸部X光图像诊断中的性能 | COVID-19患者的胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习，迁移学习 | CNN | 医学图像 | NA | NA | CNN with 4 convolutional blocks, VGG-19, Inception, MobileNet | 准确率 | NA |
| 9451 | 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 |
| 9452 | 2025-10-06 |
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 | 提出一种基于拓扑的网络树方法，用于预测蛋白质-蛋白质相互作用中突变引起的结合亲和力变化 | 引入元素和位点特异性持久同调方法简化蛋白质复合物结构复杂性，并提出结合CNN和梯度提升树的新深度学习算法NetTree | NA | 开发计算方法来预测蛋白质-蛋白质相互作用中突变引起的结合亲和力变化 | 蛋白质-蛋白质复合物及其突变体 | 生物信息学 | NA | 代数拓扑，持久同调 | CNN,梯度提升树 | 蛋白质结构数据 | 主要基准数据集 | NA | NetTree | NA | NA |
| 9453 | 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 |
| 9454 | 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 |
| 9455 | 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 |
| 9456 | 2025-06-06 |
NABP-LSTM-Att: Nanobody-Antigen binding prediction using bidirectional LSTM and soft attention mechanism
2025-Oct, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 该研究提出了一种名为NABP-LSTM-Att的深度学习模型，用于仅从序列信息预测纳米抗体与抗原的结合 | 使用双向LSTM和软注意力机制，仅依赖序列信息预测纳米抗体与抗原的结合，无需3D结构 | 模型的性能依赖于SAbDab-nano数据库中的序列数据，可能无法泛化到所有未知的纳米抗体-抗原对 | 提高纳米抗体与抗原结合亲和力和特异性的预测能力，以促进纳米抗体药物的开发 | 纳米抗体和抗原的序列 | 自然语言处理 | NA | 深度学习 | biLSTM和软注意力机制 | 序列数据 | 来自SAbDab-nano数据库的纳米抗体-抗原序列对 | NA | NA | NA | NA |
| 9457 | 2025-06-06 |
End-to-End Deep Learning-Based Motion Correction and Reconstruction for Accelerated Whole-Heart Joint T1/T2 Mapping
2025-Sep, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110396
PMID:40268172
|
研究论文 | 提出一种端到端深度学习算法，用于加速3D全心联合T1/T2映射，通过联合运动估计和基于模型的运动校正重建多对比度欠采样数据 | 采用端到端非刚性运动校正重建网络，显著减少重建时间（从2.5小时缩短至24秒），同时保持T1和T2值的良好一致性 | 未提及具体样本量或临床验证范围 | 加速全心心肌组织表征的3D联合T1/T2映射 | 多对比度欠采样MRI数据 | 医学影像分析 | 心血管疾病 | 深度学习算法、MRI多对比度成像 | 端到端非刚性运动校正重建网络 | 3D MRI影像 | NA | NA | NA | NA | NA |
| 9458 | 2025-06-06 |
Self-supervised learning for MRI reconstruction through mapping resampled k-space data to resampled k-space data
2025-Sep, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110404
PMID:40324545
|
研究论文 | 本文提出了一种自监督深度学习方法RSSDU，用于从欠采样的MRI数据中高效准确地重建图像，无需完全采样数据集作为参考 | 提出了一种新的自监督学习方法RSSDU，通过两次重采样k空间数据并训练网络从一个子集映射到另一个子集，无需完全采样数据 | 未提及具体在哪些临床场景下该方法可能表现不佳 | 开发一种无需完全采样数据的MRI图像重建方法 | 欠采样的MRI数据 | 医学影像处理 | NA | 深度学习 | DL | MRI k空间数据 | 未提及具体样本量 | NA | NA | NA | NA |
| 9459 | 2025-06-06 |
Accelerating prostate rs-EPI DWI with deep learning: Halving scan time, enhancing image quality, and validating in vivo
2025-Sep, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110418
PMID:40368253
|
研究论文 | 本研究评估了基于深度学习的超分辨率技术在减少前列腺扩散加权成像（DWI）扫描时间的同时保持图像质量的可行性和有效性 | 使用多尺度自相似网络（MSSNet）进行图像重建，显著减少扫描时间并提升图像质量 | 研究未提及对大规模临床数据集的验证，可能影响结果的普适性 | 评估深度学习超分辨率技术在前列腺DWI中的应用效果 | 前列腺扩散加权成像（DWI）数据 | 数字病理 | 前列腺癌 | readout-segmented echo-planar imaging (rs-EPI) | MSSNet | 医学影像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 9460 | 2025-06-06 |
A Multihead Attention Deep Learning Algorithm to Detect Amblyopia Using Fixation Eye Movements
2025 Sep-Oct, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100775
PMID:40458668
|
研究论文 | 开发了一种基于多注意力头的深度学习模型，通过简单的视觉注视任务中的眼动数据来检测不同类型和严重程度的弱视患者 | 使用多注意力头的transformer编码器模型，首次利用眼动数据进行弱视的客观分类 | 样本量相对较小（135名受试者），且仅在单一医疗中心进行 | 开发客观检测弱视的深度学习模型 | 40名对照组和95名弱视患者（包括不同类型和严重程度） | 计算机视觉 | 弱视 | 红外视频眼动追踪技术 | 多注意力头transformer编码器 | 眼动位置数据 | 135名受试者（40名对照，95名弱视患者） | NA | NA | NA | NA |