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 32373 篇文献，本页显示第 9461 - 9480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9461 | 2025-05-31 |
Free-running isotropic three-dimensional cine magnetic resonance imaging with deep learning image reconstruction
2025-May-29, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06266-7
PMID:40442341
|
research paper | 评估结合深度学习重建和Heart-NAV技术的ferumoxytol增强3D cine成像MR序列在先天性心脏病患者中的效率和准确性 | 提出了一种结合深度学习重建和Heart-NAV技术的自由运行3D cine成像方法，可同时获取cine和血管造影图像，缩短采集时间 | 样本量较小（16名患者），且仅在先天性心脏病患者中进行了评估 | 评估新型3D cine成像技术在心血管磁共振成像中的效率和准确性 | 先天性心脏病患者 | 医学影像 | 先天性心脏病 | 深度学习图像重建，Heart-NAV技术，3D cine磁共振成像 | DL（深度学习） | 医学影像数据 | 16名患者（7名男性，中位年龄6岁） | NA | NA | NA | NA |
| 9462 | 2025-05-31 |
Ultrasound image-based contrastive fusion non-invasive liver fibrosis staging algorithm
2025-May-29, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04991-z
PMID:40442504
|
研究论文 | 本研究利用深度学习技术构建了一种基于超声图像的非侵入性肝纤维化分期算法 | 创造性引入了纤维化对比层（FCL）概念，并通过标签融合（LF）提高诊断模型的准确性和稳定性 | NA | 实现肝纤维化的非侵入性分期，避免并发症并降低成本 | 肝纤维化患者 | 数字病理 | 肝纤维化 | 深度学习 | FCLLF模型（基于对比融合的深度学习模型） | 超声图像 | 未明确说明总样本量，但在小样本条件下使用了30%的数据 | NA | NA | NA | NA |
| 9463 | 2025-05-31 |
Multicentre evaluation of deep learning CT autosegmentation of the head and neck region for radiotherapy
2025-May-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01624-z
PMID:40419731
|
研究论文 | 一项多中心研究评估了头颈部CT自动分割软件在全球七个机构的性能 | 首次在全球范围内多中心评估头颈部CT自动分割软件的性能，并量化了不同机构间的观察者间变异性 | 自动分割软件的临床效益在不同ROI和诊所间差异显著，部分淋巴结区域未显示显著时间节省 | 评估头颈部CT自动分割软件在放射治疗中的性能和时间节省效果 | 头颈部CT图像中的11个淋巴结水平和7个风险器官轮廓 | 数字病理 | 头颈部疾病 | CT成像 | 深度学习 | 医学影像 | 七个机构的CT图像数据 | NA | NA | NA | NA |
| 9464 | 2025-05-31 |
Automatic assessment of lower limb deformities using high-resolution X-ray images
2025-May-27, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-025-08784-9
PMID:40420033
|
研究论文 | 提出了一种基于图像金字塔的新型骨骼标志点检测方法，用于自动评估下肢畸形 | 采用CNN结合误差反馈方法迭代优化标志点坐标，提高了检测精度并降低了计算成本 | NA | 开发自动评估下肢畸形的算法以辅助骨科手术规划 | 下肢X射线图像中的骨骼标志点和角度测量 | 计算机视觉 | 骨科疾病 | X射线成像 | CNN | X射线图像 | 临床采集的全腿X射线数据集（具体数量未说明） | NA | NA | NA | NA |
| 9465 | 2025-05-31 |
LucaPCycle: Illuminating microbial phosphorus cycling in deep-sea cold seep sediments using protein language models
2025-May-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60142-4
PMID:40419512
|
research paper | 该研究开发了一个名为LucaPCycle的深度学习模型，用于揭示深海冷泉沉积物中微生物磷循环的过程 | 整合了原始序列和基于蛋白质语言模型ESM2-3B的上下文嵌入，显著提高了对磷循环蛋白家族的检测能力 | 传统序列搜索方法难以检测到具有远程同源性的蛋白质 | 研究深海冷泉沉积物中微生物磷循环的多样性和功能 | 全球冷泉基因和基因组目录中的磷循环蛋白家族 | machine learning | NA | 蛋白质语言模型ESM2-3B | 深度学习模型 | 基因和基因组数据 | 5241个磷循环蛋白家族 | NA | NA | NA | NA |
| 9466 | 2025-05-31 |
RGE-YOLO enables lightweight road packaging bag detection for enhanced driving safety
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03240-z
PMID:40419594
|
研究论文 | 提出了一种轻量级深度学习模型RGE-YOLO，用于实时检测道路上的包装袋，以提高驾驶安全性 | RGE-YOLO结合了RepViTBlock、GSConv和EMA机制，优化了计算效率、模型稳定性和检测精度 | 研究仅限于道路包装袋的检测，未涉及其他类型的道路异物 | 提高驾驶安全性，通过实时检测道路上的包装袋 | 道路上的包装袋 | 计算机视觉 | NA | 深度学习 | RGE-YOLO（基于YOLOv8s改进） | 图像 | 6000张增强图像 | NA | NA | NA | NA |
| 9467 | 2025-05-31 |
Evaluation of spatial visual perception of streets based on deep learning and spatial syntax
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03189-z
PMID:40419619
|
research paper | 该研究应用深度学习和空间句法评估街道空间视觉感知质量，并分析其与街道构成元素的相关性 | 结合深度学习和人机对抗模型对街景图像进行六维度评分，并通过空间可视化与多元线性回归分析街道质量与构成元素的关系 | 研究区域有限，未涉及不同气候或文化背景下的街道质量对比 | 提升城市街道视觉质量，为精准化街道改造提供数据支持 | 城市街道空间及其视觉构成元素（绿化、行人、墙体等） | computer vision | NA | deep learning, spatial syntax | human-machine adversarial model | street view images | 未明确样本量（研究区域内街道） | NA | NA | NA | NA |
| 9468 | 2025-05-28 |
Correction: Formation permeability estimation using mud loss data by deep learning
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03476-9
PMID:40419611
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9469 | 2025-05-31 |
Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02933-9
PMID:40419628
|
research paper | 该研究提出了一种结合双向长短期记忆网络（BiLSTM）和自适应秘书鸟优化器（ASBO）的深度学习方法，用于智能交通系统中的交通拥堵预测 | 创新点在于将强化学习（RL）与BiLSTM结合，并引入ASBO优化器，显著提高了交通拥堵预测的准确性 | 未提及具体的数据集规模或实际应用场景的限制 | 旨在通过智能交通拥堵预测减少空气污染，提升城市交通的可持续性 | 城市交通网络中的交通拥堵模式 | machine learning | NA | Deep Learning, Reinforcement Learning | BiLSTM, ASBO | traffic data | 基于Traffic Prediction Dataset，具体样本量未提及 | NA | NA | NA | NA |
| 9470 | 2025-05-31 |
Digital image enhancement using deep learning algorithm in 3D heads-up vitreoretinal surgery
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98801-7
PMID:40419711
|
research paper | 本研究旨在利用深度学习算法预测3D头戴式玻璃体视网膜手术中的最佳成像参数，并评估其在提高手术中玻璃体视网膜表面可见性方面的有效性 | 采用两阶段生成对抗网络(GAN)和卷积神经网络(CNN)架构，开发了一种深度学习算法，用于数字图像增强 | 研究仅基于212张手动优化的静态图像和121张匿名高分辨率ERM眼底图像，样本量相对较小 | 提高3D头戴式玻璃体视网膜手术中图像的清晰度、亮度和对比度 | 玻璃体视网膜手术图像和ERM眼底图像 | digital pathology | 视网膜疾病 | 深度学习算法 | GAN和CNN | 图像 | 212张手术视频提取的静态图像和121张ERM眼底图像 | NA | NA | NA | NA |
| 9471 | 2025-05-31 |
A novel MRI-based deep learning imaging biomarker for comprehensive assessment of the lenticulostriate artery-neural complex
2025-May-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01676-3
PMID:40420012
|
研究论文 | 开发一种基于深度学习的MRI成像生物标志物，用于全面评估豆纹动脉-神经复合体 | 利用ResNet18框架从豆纹动脉供血区域提取深度学习特征，并将其作为成像生物标志物，首次全面评估豆纹动脉-神经复合体 | 样本量较小，仅79名患者参与研究 | 开发一种新的成像生物标志物，用于评估豆纹动脉-神经复合体的功能状态 | 豆纹动脉供血区域和豆纹动脉-神经复合体 | 数字病理学 | 脑血管疾病 | MRI, DTI, ASL | ResNet18 | 图像 | 79名患者 | NA | NA | NA | NA |
| 9472 | 2025-05-31 |
A comparative analysis of deep learning models for assisting in the diagnosis of periapical lesions in periapical radiographs
2025-May-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06104-0
PMID:40420083
|
研究论文 | 本研究比较了ConvNeXt和ResNet34两种深度学习模型在辅助诊断根尖周病变中的效果 | 首次评估了深度学习模型对新手牙医诊断根尖周病变的辅助作用，并比较了两种模型的性能差异 | 研究仅使用了根尖周X线片，未考虑其他影像学检查方法 | 评估深度学习模型在辅助诊断根尖周病变中的应用价值 | 根尖周病变的X线影像 | 数字病理学 | 根尖周病变 | 深度学习 | CNN（ConvNeXt和ResNet34） | 图像 | 1305张根尖周X线片（训练集1044张，验证集261张）和800颗单独牙齿的X线片 | NA | NA | NA | NA |
| 9473 | 2025-05-31 |
Surfactant representation using COSMO screened charge density for adsorption isotherm prediction using Physics-Informed Neural Network (PINN)
2025-May-26, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01027-y
PMID:40420147
|
research paper | 本研究开发了一种基于物理信息神经网络（PINN）的吸附模型，用于预测表面活性剂的吸附行为，整合了分子特征、测试条件和固体性质 | 将COSMO屏蔽电荷密度描述符整合到物理信息深度学习模型中，以预测表面活性剂吸附等温线，提供了一种新颖的方法来准确表示表面活性剂分子 | 模型在全新结构的表面活性剂预测上表现一般（RMSE 2.95 mg/g） | 开发一个包含分子特征、测试条件和固体性质的吸附模型，以预测表面活性剂的吸附行为 | 56个吸附等温线和20种阴离子和非离子表面活性剂，在不同条件下以沙子和氧化硅为固体 | machine learning | NA | Conductor-like Screening Model (COSMO), Physics-Informed Neural Network (PINN) | Physics-Informed Neural Network (PINN), artificial neural networks (ANN) | adsorption isotherms, molecular descriptors | 56 adsorption isotherms and 20 types of surfactants | NA | NA | NA | NA |
| 9474 | 2025-05-31 |
An advanced deep learning method for pepper diseases and pests detection
2025-May-26, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01387-4
PMID:40420214
|
research paper | 本研究提出了一种名为YOLO-Pepper的深度学习模型，专门用于温室辣椒病虫害检测，解决了小目标识别、遮挡下的多尺度特征提取和实时处理需求等关键问题 | YOLO-Pepper引入了四个主要创新点：自适应多尺度特征提取模块(AMSFE)、动态特征金字塔网络(DFPN)、专为小目标设计的小检测头(SDH)以及Inner-CIoU损失函数，相比标准CIoU定位精度提高了18% | NA | 开发一种高效的深度学习模型，用于温室辣椒病虫害的智能检测 | 温室辣椒的病虫害 | computer vision | NA | deep learning-based object detection | YOLO-Pepper (基于YOLOv10n改进) | image | 8046张标注图像 | NA | NA | NA | NA |
| 9475 | 2025-05-31 |
Advancing Traditional Dunhuang Regional Pattern Design with Diffusion Adapter Networks and Cross-Entropy
2025-May-21, Entropy (Basel, Switzerland)
DOI:10.3390/e27050546
PMID:40422500
|
研究论文 | 本文提出了一种名为扩散适配器网络（DANet）的新方法，用于高效生成敦煌图案，以促进传统文化的传承 | 引入了轻量级适配器模块和多头注意力模块（MHAM），结合多尺度注意力模块（MSAM）和自适应控制机制（ACM），显著提高了敦煌图案生成的准确性和细节捕捉能力 | 敦煌图案的可用性有限，难以大量收集 | 通过机器学习和深度学习方法促进传统敦煌图案的设计与传承 | 敦煌图案 | 计算机视觉 | NA | 扩散模型 | DANet（扩散适配器网络） | 图像 | 多样化敦煌图案数据集（DDHP） | NA | NA | NA | NA |
| 9476 | 2025-05-31 |
Three-Blind Validation Strategy of Deep Learning Models for Image Segmentation
2025-May-21, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050170
PMID:40423027
|
研究论文 | 提出了一种称为三盲验证策略的新验证框架，用于在主观性和标签变异性显著的情况下严格评估分割模型 | 引入了三盲验证策略，通过独立专家评估混合的分割结果，以无偏见地评估模型性能并揭示系统性问题 | 未提及具体的样本数量或数据集的多样性限制 | 介绍并证明这种验证策略作为一种可推广的框架，用于主观分割任务中的稳健模型评估 | 图像分割模型 | 计算机视觉 | NA | NA | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 9477 | 2025-05-31 |
IEWNet: Multi-Scale Robust Watermarking Network Against Infrared Image Enhancement Attacks
2025-May-21, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050171
PMID:40423028
|
research paper | 提出了一种名为IEWNet的多尺度鲁棒水印网络，用于抵抗红外图像增强攻击 | 结合UDTCWT提取图像特征，并开发了一个针对深度学习和经典攻击的噪声层 | 未提及具体的数据集规模或实验条件的限制 | 提高红外图像水印在增强攻击下的鲁棒性 | 红外图像 | computer vision | NA | Undecimated Dual Tree Complex Wavelet Transform (UDTCWT) | IEWNet | image | 六个公共数据集 | NA | NA | NA | NA |
| 9478 | 2025-05-31 |
Multi-Threshold Remote Sensing Image Segmentation Based on Improved Black-Winged Kite Algorithm
2025-May-19, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10050331
PMID:40422161
|
研究论文 | 提出了一种名为IBKA-OTSU的自适应多阈值图像分割方法，用于解决现有基于深度学习的图像分割方法对大规模标注数据集和高计算复杂度的依赖问题 | 通过系统改进核心算法组件（包括种群初始化策略、攻击行为模式、迁移机制和基于对立的学习策略），显著提升了复杂遥感场景的处理能力，并将改进的智能优化算法与OTSU阈值方法创新性结合，建立了专门针对遥感图像的多阈值分割模型 | NA | 提出一种自适应多阈值图像分割方法，以解决现有深度学习方法的局限性 | 遥感图像 | 计算机视觉 | NA | IBKA-OTSU多阈值分割方法 | OTSU | 图像 | ISPRS Potsdam基准数据集中的代表性样本 | NA | NA | NA | NA |
| 9479 | 2025-05-31 |
Recognizing Epithelial Cells in Prostatic Glands Using Deep Learning
2025-05-18, Cells
IF:5.1Q2
DOI:10.3390/cells14100737
PMID:40422240
|
research paper | 该研究开发了一种名为GlandNet的深度学习网络，用于识别前列腺活检组织中的腺上皮细胞 | 首次开发了GlandNet这一集成机器学习网络，结合半监督学习和人类与AI预测，提高了对前列腺腺上皮细胞的识别能力 | 研究仅针对早期前列腺癌患者的活检样本，样本量相对有限 | 开发AI方法用于前列腺癌病理诊断中的腺上皮细胞识别 | 前列腺活检组织中的腺上皮细胞 | digital pathology | prostate cancer | Feulgen-Thionin染色 | GlandNet (深度学习网络) | image | 82名活动监测患者的110针活检样本，共1,264,772个细胞中心核斑块 | NA | NA | NA | NA |
| 9480 | 2025-05-31 |
Evaluating Second-Generation Deep Learning Technique for Noise Reduction in Myocardial T1-Mapping Magnetic Resonance Imaging
2025-May-18, Diseases (Basel, Switzerland)
DOI:10.3390/diseases13050157
PMID:40422589
|
研究论文 | 评估第二代深度学习技术在心肌T1映射磁共振成像中降噪的效果 | 首次在心肌T1映射中评估超分辨率深度学习重建（SR-DLR）技术对降噪和测量一致性的影响 | 单中心回顾性研究，样本量较小（36例患者） | 评估SR-DLR在心肌T1映射中的降噪效果和测量一致性 | 心肌T1映射磁共振成像 | 数字病理 | 心血管疾病 | 磁共振成像（MRI）、超分辨率深度学习重建（SR-DLR） | 深度学习 | 图像 | 36例患者和7个自制模型 | NA | NA | NA | NA |