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 9501 - 9520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9501 | 2025-05-31 |
Unsupervised Test-Time Adaptation for Hepatic Steatosis Grading Using Ultrasound B-Mode Images
2025-05, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3555180
PMID:40138246
|
研究论文 | 本文提出了一种无监督的测试时间自适应方法，用于超声B模式图像的肝脏脂肪变性分级 | 提出了一种测试时间批量归一化（TTN）技术，专门针对标签分布变化引起的域偏移，通过调整训练好的卷积神经网络模型中批量归一化层的选定特征来实现无监督自适应 | 方法仅在两个不同机构收集的腹部超声数据集上进行了评估，可能需要更多样化的数据集验证其泛化能力 | 解决肝脏脂肪变性分级中因临床环境差异导致的域偏移问题，提高模型在不同临床环境中的泛化能力 | 超声B模式图像中的肝脏脂肪变性分级 | 数字病理学 | 肝脏疾病 | 无监督域适应技术 | CNN | 图像 | 两个不同机构收集的腹部超声数据集 | NA | NA | NA | NA |
| 9502 | 2025-05-31 |
Predicting the structures of cyclic peptides containing unnatural amino acids by HighFold2
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf202
PMID:40350698
|
research paper | 本文介绍了一种名为HighFold2的新模型，用于预测含有非天然氨基酸的环肽的三维结构 | HighFold2基于AlphaFold-Multimer框架，首次将预定义的刚性基团及其初始原子坐标从天然氨基酸扩展到非天然氨基酸，并引入额外的神经网络来表征肽的原子级特征，同时构建了基于不同环化约束的环肽相对位置编码矩阵 | NA | 准确预测含有非天然氨基酸的环肽的三维结构，以促进基于环肽的药物发现 | 含有非天然氨基酸的环肽及其与蛋白质的复合物 | machine learning | NA | deep learning | HighFold2 (基于AlphaFold-Multimer框架) | 3D结构数据 | NA | NA | NA | NA | NA |
| 9503 | 2025-05-31 |
Grading of Foveal Hypoplasia Using Deep Learning on Retinal Fundus Images
2025-May-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.5.18
PMID:40402544
|
research paper | 本研究开发并评估了一种基于深度学习的模型，用于使用视网膜眼底图像对中心凹发育不全进行分级 | 该研究首次使用深度学习模型对中心凹发育不全进行六级分类，并在准确性和效率上优于资深和初级临床医生的评估 | 研究为回顾性研究，样本量相对有限（303名患者），且数据来源于单一时间段（2001年至2021年） | 开发并评估一种深度学习模型，用于中心凹发育不全的分级诊断 | 中心凹发育不全患者 | digital pathology | 眼科疾病 | 深度学习 | EfficientNet_b1 | image | 605张视网膜眼底图像（来自303名患者，其中男性55.1%，女性44.9%） | NA | NA | NA | NA |
| 9504 | 2025-05-31 |
Formation permeability estimation using mud loss data by deep learning
2025-Apr-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94617-7
PMID:40307334
|
研究论文 | 本研究提出了一种利用泥浆流失数据和深度学习技术估算地层渗透率的新方法 | 首次将泥浆流失数据与深度学习技术结合用于地层渗透率估算，并引入了DJINN模型提高预测精度 | 研究基于模拟数据，需要在实际钻井环境中进一步验证 | 开发一种准确估算地层渗透率的新方法 | 油气储层的地层渗透率 | 机器学习 | NA | 深度学习 | 1D-CNN, DJINN | 数值数据（泥浆流失率、储层参数等） | 模拟生成的泥浆流失率数据集 | NA | NA | NA | NA |
| 9505 | 2025-05-31 |
ARAN: Age-Restricted Anonymized Dataset of Children Images and Body Measurements
2025-Apr-30, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050142
PMID:40422998
|
research paper | 本文介绍了ARAN数据集，这是首个符合欧洲通用数据保护条例的儿童图像与身体测量标记数据集，用于开发预测模型 | 首个符合伦理委员会批准的儿童图像与身体测量标记数据集，支持多视角图像，数据规模远超同类数据集 | 数据集仅包含16至98个月的儿童，可能无法覆盖所有年龄段 | 开发从单张图像精确估计儿童身体测量和体重的模型，用于儿科生长监测和营养不良早期检测 | 512名16至98个月的儿童，每人4个不同视角的图像，共2048张图像 | computer vision | malnutrition | deep learning | DenseNet121 | image | 512名儿童（2048张图像） | NA | NA | NA | NA |
| 9506 | 2025-05-31 |
Medical Image Segmentation: A Comprehensive Review of Deep Learning-Based Methods
2025-Apr-30, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11050052
PMID:40423254
|
review | 本文全面回顾了基于深度学习的医学图像分割方法 | 对当前医学图像分割领域的代表性方法进行了分类、回顾和总结，并预测了未来研究方向 | 未提及具体方法的局限性 | 分析医学图像分割领域的研究现状和发展趋势 | 医学图像分割方法 | computer vision | NA | deep learning | CNN | image | NA | NA | NA | NA | NA |
| 9507 | 2025-05-31 |
SwinTCS: A Swin Transformer Approach to Compressive Sensing with Non-Local Denoising
2025-Apr-29, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050139
PMID:40422996
|
研究论文 | 提出了一种基于Swin Transformer的新型深度学习框架SwinTCS，用于压缩感知图像重建，结合了非局部均值去噪模块以提高重建质量 | 利用Swin Transformer架构整合分层特征表示策略增强全局上下文建模，同时引入辅助CNN捕捉局部特征，并加入非局部均值去噪模块抑制噪声 | NA | 解决传统压缩感知重建方法在边界伪影和鲁棒性方面的挑战，提高多媒体应用中的图像重建质量 | 压缩感知图像重建 | 计算机视觉 | NA | 压缩感知(CS) | Swin Transformer, CNN | 图像 | 多个公共基准数据集 | NA | NA | NA | NA |
| 9508 | 2025-05-31 |
Automatic smart brain tumor classification and prediction system using deep learning
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95803-3
PMID:40295548
|
研究论文 | 提出了一种基于深度学习的智能脑肿瘤分类和预测系统 | 结合定制CNN模型和预训练模型（Inception-v4和EfficientNet-B4），用于脑肿瘤的早期检测和分类，系统具有高准确性和适应性 | 未提及模型在临床环境中的实际应用效果及泛化能力 | 开发智能监测系统以实现脑肿瘤的早期检测、分类和预测 | 脑肿瘤MRI图像 | 数字病理 | 脑肿瘤 | 深度学习 | CNN, Inception-v4, EfficientNet-B4 | 图像 | 1000张脑肿瘤图像 | NA | NA | NA | NA |
| 9509 | 2025-05-31 |
Automatic Controversy Detection Based on Heterogeneous Signed Attributed Network and Deep Dual-Layer Self-Supervised Community Analysis
2025-Apr-27, Entropy (Basel, Switzerland)
DOI:10.3390/e27050473
PMID:40422428
|
研究论文 | 本研究提出了一种基于异构签名属性网络和深度双层自监督社区分析的计算方法，用于社交媒体平台上的争议检测 | 该方法整合了社交媒体中的多维异构信息，并引入了一种新的争议度量标准，考虑了社区区分、介数中心性和用户表示三个维度 | NA | 开发一种更稳定和准确的社交媒体争议检测方法 | 社交媒体平台上的争议内容 | 自然语言处理 | NA | 文本挖掘和深度学习 | 深度双层自监督算法 | 文本 | 微博数据集，包括#微博(3792)、#评论(45,741)、#转发(36,126)和#用户(61,327) | NA | NA | NA | NA |
| 9510 | 2025-05-31 |
Bilingual Sign Language Recognition: A YOLOv11-Based Model for Bangla and English Alphabets
2025-Apr-27, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050134
PMID:40422991
|
研究论文 | 本研究开发了一种基于YOLOv11的双语手语识别模型，用于同时识别孟加拉手语(BdSL)和英语手语(ASL)的字母 | 首次提出了一种能够同时识别两种不同手语字母的实时检测系统，采用改进的YOLOv11架构并取得了较高的识别准确率 | 仅针对字母级别的识别，未涉及更复杂的手语词汇或句子结构 | 开发一个统一的双语手语识别系统以改善听障人士的跨语言交流 | 孟加拉手语(BdSL)和英语手语(ASL)的字母符号 | 计算机视觉 | NA | 深度学习 | YOLOv11 | 图像 | 9556张包含64种不同字母符号的图像 | NA | NA | NA | NA |
| 9511 | 2025-05-31 |
Performance Evaluation of Image Segmentation Using Dual-Energy Spectral CT Images with Deep Learning Image Reconstruction: A Phantom Study
2025-Apr-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11050051
PMID:40423253
|
research paper | 评估不同能量水平的单色图像在医学图像分割中的性能 | 使用双能谱CT图像结合深度学习图像重建技术进行图像分割性能评估 | 研究仅针对低密度、非增强物体在低剂量条件下的表现 | 评估不同能量水平和重建算法对医学图像分割性能的影响 | ACR464体模中的低密度模块 | digital pathology | NA | 双能谱CT成像，深度学习图像重建 | U-Net | CT图像 | ACR464体模中的低密度模块（直径25 mm，密度差6 HU） | NA | NA | NA | NA |
| 9512 | 2025-05-31 |
A Deep Learning Algorithm for Multi-Source Data Fusion to Predict Effluent Quality of Wastewater Treatment Plant
2025-Apr-27, Toxics
IF:3.9Q1
DOI:10.3390/toxics13050349
PMID:40423427
|
研究论文 | 本文介绍了一种融合多源数据的深度学习方法，用于预测污水处理厂的出水质量 | 提出了一种结合LSTM和GRU的深度学习算法，用于多源数据融合，预测污水处理厂出水质量，相比传统机器学习算法有显著提升 | 案例研究仅在中国安徽省的一个工业污水处理厂进行，可能限制了结果的普适性 | 构建准确的污水处理厂出水质量模型，为运营管理提供决策支持 | 污水处理厂的出水质量 | 机器学习 | NA | 深度学习 | LSTM, GRU | 多源数据（水量数据、工艺数据、能耗数据、水质数据） | 中国安徽省的一个工业污水处理厂案例 | NA | NA | NA | NA |
| 9513 | 2025-05-31 |
An integrated AI knowledge graph framework of bacterial enzymology and metabolism
2025-Apr-15, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2425048122
PMID:40193601
|
research paper | 该研究介绍了一个名为IBIS的集成AI知识图谱框架，用于快速、可扩展的细菌代谢推断 | 利用深度学习和知识图谱技术，结合Transformer模型生成高质量的酶、生物合成域和代谢途径的嵌入表示，实现大规模代谢蛋白质和途径的快速比较 | 未提及具体的数据集规模或模型性能的详细比较 | 改进细菌代谢研究，促进人类健康和农业实践的发展 | 细菌代谢、酶、生物合成域和代谢途径 | machine learning | NA | 深度学习、知识图谱、Transformer模型 | Transformer | 基因组测序数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 9514 | 2025-05-31 |
A lightweight adaptive spatial channel attention efficient net B3 based generative adversarial network approach for MR image reconstruction from under sampled data
2025-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2024.110281
PMID:39672285
|
research paper | 提出了一种基于轻量级自适应空间通道注意力EfficientNet B3的生成对抗网络方法，用于从欠采样数据中重建MR图像 | 引入了自适应空间通道注意力机制和EfficientNet B3的生成对抗网络，优化了模型深度、宽度和分辨率之间的平衡，提高了重建质量 | 未提及具体的数据集规模和多样性，可能影响模型的泛化能力 | 加速MR图像采集并提高从欠采样k空间数据中重建图像的质量 | MR图像 | computer vision | NA | CS-MRI, deep learning | GAN, U-net, ResNet, EfficientNet B3 | image | NA | NA | NA | NA | NA |
| 9515 | 2025-05-31 |
Waveform-Specific Performance of Deep Learning-Based Super-Resolution for Ultrasound Contrast Imaging
2025-04, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3537298
PMID:40031250
|
研究论文 | 本研究探讨了基于深度学习的超分辨率技术在超声对比成像中针对不同波形脉冲的性能表现 | 首次评估了CNN在谐波脉冲、啁啾脉冲和延迟编码脉冲序列驱动下对微泡定位的去卷积性能，并比较了不同脉冲在噪声条件下的鲁棒性 | 仅提供了初步的体外和体内超分辨率实验结果，尚未进行全面的临床应用验证 | 提高超声对比成像的空间分辨率以更好地解析动脉血流 | 超声对比成像中的微泡信号 | 医学影像处理 | 心血管疾病 | 超声对比成像、深度学习超分辨率 | CNN | 射频(RF)信号 | NA | NA | NA | NA | NA |
| 9516 | 2025-05-31 |
Tissue Clutter Filtering Methods in Ultrasound Localization Microscopy Based on Complex-Valued Networks and Knowledge Distillation
2025-04, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3544692
PMID:40031806
|
研究论文 | 本研究提出了一种基于复数神经网络和知识蒸馏的超声定位显微镜组织杂波滤波方法，以提高滤波效率和性能 | 提出使用知识蒸馏技术，将复数卷积神经网络（CCNN）的知识迁移到实值卷积神经网络（CNN）中，从而在保持性能的同时提高滤波效率 | 虽然该方法在模拟和体内数据上表现良好，但可能仍需进一步验证其在更广泛临床数据上的适用性 | 提高超声定位显微镜（ULM）中组织杂波滤波的效率和性能 | 微泡（MBs）作为对比剂的超声定位显微镜图像 | 医学影像处理 | NA | 知识蒸馏、复数卷积神经网络（CCNN）、实值卷积神经网络（CNN） | CL-UNet（教师模型）、UNet-T（学生模型）、Guided UNet-T | I/Q信号、包络数据 | 模拟数据和体内数据 | NA | NA | NA | NA |
| 9517 | 2025-05-31 |
Advancing Single-Plane Wave Ultrasound Imaging With Implicit Multiangle Acoustic Synthesis via Deep Learning
2025-04, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3541113
PMID:40031850
|
research paper | 该论文提出了一种通过深度学习隐式合成多角度声波信息的方法，以提升单平面波超声成像的质量，同时保持其高帧率优势 | 开发了一种新颖的网络架构，能够隐式集成多角度信息，通过生成和动态结合虚拟转向平面波来模拟多角度复合效果，而无需实际增加平面波数量 | 虽然论文展示了在模拟、实验模型和体内目标数据集上的优越性能，但未明确说明该方法在临床环境中的广泛适用性和潜在限制 | 提升单平面波超声成像的质量，同时保持其高帧率优势 | 平面波超声成像技术 | 医学影像处理 | NA | 深度学习 | 深度学习网络（具体架构未明确说明） | 超声图像数据 | 模拟数据、实验模型数据和体内目标数据（具体数量未明确说明） | NA | NA | NA | NA |
| 9518 | 2025-05-31 |
A Single-Camera Method for Estimating Lift Asymmetry Angles Using Deep Learning Computer Vision Algorithms
2025-Apr, IEEE transactions on human-machine systems
IF:3.5Q1
DOI:10.1109/thms.2025.3539187
PMID:40160534
|
research paper | 提出了一种使用单摄像头和深度学习计算机视觉算法自动测量NIOSH提升方程不对称角的方法 | 利用单摄像头和深度学习算法解决了实际场景中视角遮挡和摄像头放置限制的问题 | 与3D运动捕捉相比，精度误差为6.25°，准确度误差为9.45° | 开发一种自动测量提升不对称角的方法 | 十名参与者在实验室环境中进行的各种提升动作 | computer vision | NA | HR-Net, VideoPose3D | deep learning | video | 10名参与者，360个样本 | NA | NA | NA | NA |
| 9519 | 2025-05-31 |
Deep neural networks excel in COVID-19 disease severity prediction-a meta-regression analysis
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95282-6
PMID:40133706
|
meta-analysis | 该研究通过元回归分析评估了深度神经网络在COVID-19疾病严重程度预测中的优越性 | 首次使用MetaForest算法识别工具性能的相关混杂因素，并通过混合效应元回归模型比较了线性、机器学习和深度学习方法 | 88%的研究存在高偏倚风险，主要由于数据分析的缺陷 | 评估COVID-19严重程度预测工具的性能，指导临床医生选择最佳工具并优化资源管理 | 住院的COVID-19患者 | 机器学习 | COVID-19 | MetaForest算法, 混合效应元回归模型 | Neural Networks, 机器学习方法 | 临床、实验室和影像数据 | 约280万患者，来自430项独立评估 | NA | NA | NA | NA |
| 9520 | 2025-05-31 |
AI-Derived Blood Biomarkers for Ovarian Cancer Diagnosis: Systematic Review and Meta-Analysis
2025-Mar-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/67922
PMID:40126546
|
meta-analysis | 本文通过系统综述和荟萃分析评估了AI衍生的血液生物标志物在卵巢癌诊断中的研究质量和有效性 | 首次对AI在卵巢癌血液生物标志物发现中的诊断价值进行了系统评估，并比较了不同AI算法和样本类型的性能差异 | 纳入研究之间存在异质性，且部分研究缺乏外部验证 | 评估AI衍生的血液生物标志物在卵巢癌诊断中的有效性 | 卵巢癌患者 | 数字病理 | 卵巢癌 | AI算法（包括机器学习和深度学习） | 机器学习 vs 深度学习 | 血液生物标志物数据 | 40项研究 | NA | NA | NA | NA |