深度学习在生物医药领域中的应用
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，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10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 28616 篇文献，本页显示第 9941 - 9960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9941 | 2025-04-12 |
Deep neural network modeling for brain tumor classification using magnetic resonance spectroscopic imaging
2025-Apr, PLOS digital health
DOI:10.1371/journal.pdig.0000784
PMID:40202966
|
研究论文 | 本研究探讨了深度神经网络在脑肿瘤分类中的应用，特别是针对磁共振波谱成像（MRSI）数据的处理 | 直接对原始MRSI时域数据应用深度神经网络，避免了传统方法中复杂的手动处理步骤 | 需要更大数据集进行验证以建立标准化指南并增强临床实用性 | 提高脑肿瘤早期和准确检测的效率，以支持有效治疗 | 脑肿瘤患者的合成和真实MRSI数据 | 数字病理学 | 脑肿瘤 | 磁共振波谱成像（MRSI） | 深度神经网络 | 光谱时间序列数据 | 包括合成和真实MRSI数据的脑肿瘤患者数据集 |
| 9942 | 2025-04-12 |
Universal photonic artificial intelligence acceleration
2025-Apr, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-08854-x
PMID:40205212
|
研究论文 | 介绍了一种光子AI处理器，能够执行包括ResNet和BERT在内的高级AI模型，以及DeepMind最初展示的Atari深度强化学习算法 | 该光子AI处理器在许多工作负载上实现了接近电子精度的性能，标志着光子计算进入与现有电子AI加速器竞争的新阶段 | 尚未有光子芯片达到实际AI应用所需的精度，且演示仅限于简化的基准任务 | 探索光子技术在AI和深度学习中的加速张量操作，以提高能源效率和性能 | 光子AI处理器 | 机器学习 | NA | 光子计算 | ResNet, BERT, 深度强化学习算法 | NA | NA |
| 9943 | 2025-04-12 |
Optimizing Input Selection for Cardiac Model Training and Inference: An Efficient 3D Convolutional Neural Networks-Based Approach to Automate Coronary Angiogram Video Selection
2025-Mar, Mayo Clinic proceedings. Digital health
DOI:10.1016/j.mcpdig.2025.100195
PMID:40206993
|
研究论文 | 开发了一种基于3D卷积神经网络的自动化方法，用于选择适合训练深度学习模型的冠状动脉造影视频 | 使用3D-CNN模型（特别是X3D-L）在冠状动脉造影视频选择中实现了高效自动化，并在计算效率和复杂性之间取得了平衡 | 在独立数据集上验证时，所有指标略有下降 | 提高医学图像分析的准确性和效率 | 冠状动脉造影视频 | 数字病理 | 心血管疾病 | 深度学习 | 3D-CNN（ResNet和X3D） | 视频 | 232例冠状动脉造影研究用于训练，3208例手术用于独立验证 |
| 9944 | 2025-04-12 |
Gait Speed and Task Specificity in Predicting Lower-Limb Kinematics: A Deep Learning Approach Using Inertial Sensors
2025-Mar, Mayo Clinic proceedings. Digital health
DOI:10.1016/j.mcpdig.2024.11.004
PMID:40207006
|
研究论文 | 开发一个深度学习框架，利用惯性测量单元(IMU)数据预测多任务步态下的下肢关节运动学，并评估动态时间规整(DTW)对减少预测误差的影响 | 提出了一种结合LSTM自编码器和监督回归的深度学习模型，用于多任务步态下的关节运动学预测，并验证了DTW在降低预测误差方面的有效性 | 样本量较小(仅18名参与者)，且仅验证了矢状面的关节角度预测 | 开发远程连续生物力学评估的实用解决方案 | 下肢关节(髋、膝、踝)运动学预测 | 机器学习 | NA | 惯性测量单元(IMU)，光学运动捕捉系统 | LSTM自编码器监督回归模型(含LSTM和CNN层) | IMU传感器数据(加速度计和陀螺仪的3轴数据及其幅值) | 18名参与者 |
| 9945 | 2025-04-12 |
Leveraging Comprehensive Echo Data to Power Artificial Intelligence Models for Handheld Cardiac Ultrasound
2025-Mar, Mayo Clinic proceedings. Digital health
DOI:10.1016/j.mcpdig.2025.100194
PMID:40207004
|
研究论文 | 开发了一个端到端的深度学习框架，用于从超声心动图视频中估计左心室射血分数（LVEF）、患者年龄和性别分类，包括使用手持心脏超声（HCU）收集的视频 | 利用全面的超声心动图数据为手持心脏超声的人工智能模型提供支持，展示了手持设备可以获得聚焦诊断图像 | 研究主要基于Mayo Clinic的数据，可能在其他医疗系统中的泛化性有待验证 | 开发深度学习模型以提升手持心脏超声的诊断能力 | 超声心动图视频，包括手持心脏超声（HCU）和经胸超声心动图（TTE）数据 | 数字病理 | 心血管疾病 | 深度学习 | 深度学习模型 | 视频 | 训练集6432项研究，内部验证集1369项研究，前瞻性数据集625名患者 |
| 9946 | 2025-04-12 |
Spatial single-cell proteomics landscape decodes the tumor microenvironmental ecosystem of intrahepatic cholangiocarcinoma
2025-Feb-25, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001283
PMID:39999448
|
研究论文 | 本研究利用人工智能辅助的空间多组学模式，生成了肝内胆管癌（iCCA）的综合空间图谱，并识别了与预后和免疫治疗相关的空间特征 | 首次揭示了iCCA的空间肿瘤微环境（TME）特征，包括细胞沉积模式、细胞群落和细胞间通讯，并开发了一个深度学习系统来预测患者预后 | 样本量在某些组学数据中相对较小（如空间转录组学n=4），可能影响结果的广泛适用性 | 解析iCCA的空间TME特征，为精准患者分类和个性化治疗策略开发提供基础 | 肝内胆管癌（iCCA）患者的肿瘤微环境 | 数字病理学 | 肝内胆管癌 | 成像质谱流式细胞术、空间蛋白质组学、空间转录组学、多重免疫荧光、单细胞RNA测序（scRNA-seq）、批量RNA测序、批量蛋白质组学 | 深度学习 | 多组学数据（蛋白质组、转录组、影像数据） | 总计超过106万个细胞，包括155例内部成像质谱流式细胞术样本、155例内部空间蛋白质组学样本、4例内部空间转录组学样本、20例内部多重免疫荧光样本、9例内部和34例公共scRNA-seq样本、244例公共批量RNA-seq样本、110例内部和214例公共批量蛋白质组学样本 |
| 9947 | 2025-04-12 |
Integrating artificial intelligence with endoscopic ultrasound in the early detection of bilio-pancreatic lesions: Current advances and future prospects
2025-Feb, Best practice & research. Clinical gastroenterology
DOI:10.1016/j.bpg.2025.101975
PMID:40210329
|
综述 | 本文综述了人工智能（AI）与内镜超声（EUS）结合在胆胰病变早期检测中的当前进展和未来前景 | AI驱动的模型（如机器学习和深度学习）显著提高了诊断准确性，特别是在区分胰腺导管腺癌与良性病变及胰腺囊性肿瘤的特征分析方面 | 数据标准化、模型可解释性以及数据隐私的伦理问题仍是挑战 | 探讨AI与EUS结合在胆胰病变早期检测和管理中的潜力 | 胆胰病变，包括胰腺导管腺癌（PDAC）、良性病变及胰腺囊性肿瘤 | 数字病理 | 胰腺癌 | 机器学习和深度学习 | CNN | 图像 | NA |
| 9948 | 2025-04-12 |
A deep learning based model for diabetic retinopathy grading
2025-01-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87171-9
PMID:39885230
|
研究论文 | 开发了一种基于深度学习的模型RSG-Net，用于糖尿病视网膜病变的分级 | 提出了一种新的深度神经网络RSG-Net，能够自动进行特征提取，并在多类和二分类任务中表现出色 | 未提及模型在其他数据集上的泛化能力 | 开发一个自动化且高效的系统，用于早期检测和准确分级糖尿病视网膜病变的严重程度 | 糖尿病视网膜病变患者 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | CNN | 图像 | Messidor-1数据集 |
| 9949 | 2025-04-12 |
Hierarchical image classification using transfer learning to improve deep learning model performance for amazon parrots
2025-01-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88103-3
PMID:39885290
|
研究论文 | 本研究利用迁移学习构建分层分类模型，以提高亚马逊鹦鹉物种分类的深度学习模型性能 | 通过基于诊断形态特征构建分层分类模型，显著提升了模型在检测和分类亚马逊鹦鹉方面的性能，特别是在形态相似物种间的分类准确性 | 研究依赖于有限的野生动物数据，尤其是稀有或濒危物种的数据 | 提高野生动物物种分类的深度学习模型性能，以支持野生种群监测和全球贸易管理 | 亚马逊鹦鹉物种 | 计算机视觉 | NA | 迁移学习 | 深度学习模型 | 图像 | NA |
| 9950 | 2025-04-12 |
Ensemble Deep Learning Models for Automated Segmentation of Tumor and Lymph Node Volumes in Head and Neck Cancer Using Pre- and Mid-Treatment MRI: Application of Auto3DSeg and SegResNet
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_21
PMID:40201772
|
research paper | 该研究开发了一种基于SegResNet架构的深度学习管道，用于头颈癌MRI中肿瘤和淋巴结体积的自动分割 | 集成了Auto3DSeg框架，采用加权多数投票融合多个SegResNet模型的预测结果，实现了治疗前和治疗中MRI的自动分割 | 治疗中MRI的分割性能有待提高，特别是GTVp的分割效果较差（DSCagg为0.49） | 改进放射肿瘤学工作流程，特别是自适应放射治疗中的自动分割技术 | 头颈癌患者的MRI扫描图像（治疗前和治疗中） | digital pathology | head and neck cancer | MRI | SegResNet | image | NA |
| 9951 | 2025-04-12 |
Benchmark of Deep Encoder-Decoder Architectures for Head and Neck Tumor Segmentation in Magnetic Resonance Images: Contribution to the HNTSMRG Challenge
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_15
PMID:40201773
|
research paper | 本文对几种先进的深度学习编码器-解码器架构在头颈部肿瘤磁共振图像分割任务中的表现进行了基准测试 | 比较了多种最新的分割架构在低数据量和低对比度任务（如头颈部肿瘤MRI分割）中的表现，发现传统残差UNet方法优于其他最新方法 | 研究仅针对头颈部肿瘤MRI分割任务，结果可能不适用于其他医学图像分割场景 | 评估不同深度学习架构在头颈部肿瘤MRI分割中的性能 | 头颈部肿瘤的磁共振图像 | digital pathology | head and neck cancer | MRI | UNet, UNETR, SwinUNETR, SegMamba | image | HNTSMRG挑战赛数据集 |
| 9952 | 2025-04-11 |
Retraction: The use of deep learning algorithm and digital media art in all-media intelligent electronic music system
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321391
PMID:40202926
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9953 | 2025-04-11 |
Retraction: Performance for rotor system of hybrid electromagnetic bearing and elastic foil gas bearing with dynamic characteristics analysis under deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321328
PMID:40202933
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9954 | 2025-04-11 |
Retraction: Applying Internet information technology combined with deep learning to tourism collaborative recommendation system
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321330
PMID:40202931
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9955 | 2025-04-11 |
Retraction: Risk factor analysis combined with deep learning in the risk assessment of overseas investment of enterprises
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321411
PMID:40202928
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9956 | 2025-04-11 |
Retraction: Single image super-resolution via image quality assessment-guided deep learning network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321386
PMID:40202936
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9957 | 2025-04-11 |
Retraction: Deep learning in public health: Comparative predictive models for COVID-19 case forecasting
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321232
PMID:40203008
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9958 | 2025-04-12 |
Enhancing student-centered walking environments on university campuses through street view imagery and machine learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321028
PMID:40203019
|
research paper | 该研究开发了一个深度学习框架，用于评估中国长三角地区四所大学校园步行环境的感知体验 | 利用大规模街景图像和机器学习模型预测校园步行环境的感知评分，并识别影响感知体验的关键空间设计元素 | 研究仅涵盖中国长三角地区的四所大学，样本覆盖范围有限 | 优化以学生为中心的校园步行环境 | 大学校园步行环境 | machine learning | NA | Baidu Street View Images (BSVIs), machine learning | Random Forest (RF), linear regression | image, perceptual ratings | 15,596张街景图像和100名志愿者的感知评分 |
| 9959 | 2025-04-11 |
Retraction: Harnessing the power of AI: Advanced deep learning models optimization for accurate SARS-CoV-2 forecasting
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321233
PMID:40203015
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9960 | 2025-04-12 |
Utilizing a deep learning model based on BERT for identifying enhancers and their strength
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320085
PMID:40203028
|
研究论文 | 提出了一种基于BERT和CNN的深度学习模型DNABERT2-Enhancer，用于识别增强子及其强度 | 结合BERT模型进行特征提取和CNN模型进行分类，通过迁移学习优化增强子识别任务，性能优于现有预测器 | 未提及具体的数据集规模或模型在其他数据集上的泛化能力 | 提高增强子及其活动强度的识别准确性 | DNA序列中的增强子 | 自然语言处理 | NA | 深度学习 | BERT, CNN | DNA序列 | 未提及具体样本数量 |