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 33366 篇文献，本页显示第 10041 - 10060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10041 | 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 |
| 10042 | 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 |
| 10043 | 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 |
| 10044 | 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 |
| 10045 | 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 |
| 10046 | 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 |
| 10047 | 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 |
| 10048 | 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 |
| 10049 | 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 |
| 10050 | 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 |
| 10051 | 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 |
| 10052 | 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 |
| 10053 | 2025-06-06 |
Deep Ensemble for Central Serous Microscopic Retinopathy Detection in Retinal Optical Coherence Tomographic Images
2025-Jul, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.24836
PMID:40014549
|
research paper | 该研究提出了一种基于卷积神经网络的框架，结合分割和后处理技术，用于视网膜光学相干断层扫描图像中的中央浆液性视网膜病变检测 | 采用三种网络（ResNet-18、GoogleNet和VGG-19）的融合方法进行图像分类，实现了高准确率（99.6%）和高特异性（100%） | 研究仅使用了公开数据集OCTID，样本量相对较小（207张正常图像和102张CSR图像） | 开发一种自动检测中央浆液性视网膜病变的方法，以减少视力丧失的风险 | 视网膜光学相干断层扫描图像 | digital pathology | retinal disorder | 光学相干断层扫描（OCT） | CNN（ResNet-18、GoogleNet、VGG-19） | image | 309张图像（207张正常，102张CSR） | NA | NA | NA | NA |
| 10054 | 2025-06-06 |
Estimating canopy leaf angle from leaf to ecosystem scale: a novel deep learning approach using unmanned aerial vehicle imagery
2025-Jul, The New phytologist
DOI:10.1111/nph.70197
PMID:40346911
|
研究论文 | 提出一种基于无人机影像和深度学习的创新方法，用于从叶片到生态系统尺度高效估算冠层叶片角度 | 相比传统方法，该方法更经济、高效、自动化且劳动强度低，能够跨尺度估算叶片角度分布 | 目前仅在三种植物物种上进行了单叶尺度的验证，需要更多物种和生态系统验证其普适性 | 开发高效估算植被冠层叶片角度分布的方法，以支持生态系统建模 | 植物冠层叶片角度 | 计算机视觉 | NA | 无人机影像、运动结构点云算法 | Mask R-CNN | 图像 | 57,032片叶片（来自30m×30m样地内的四种代表性树种） | NA | NA | NA | NA |
| 10055 | 2025-06-06 |
Development of a deep learning model for measuring sagittal parameters on cervical spine X-ray
2025-Jun-05, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-025-08946-2
PMID:40471336
|
研究论文 | 开发了一种深度学习模型，用于自动测量颈椎X射线图像上的矢状面参数 | 使用CNN模型自动识别颈椎X射线图像上的关键点并测量相关参数，提高了诊断效率 | 研究仅基于700张X射线图像，样本量可能不足 | 开发一种自动测量颈椎矢状面参数的深度学习模型 | 颈椎X射线图像 | 计算机视觉 | 颈椎疾病 | X射线成像 | CNN | 图像 | 700张颈椎X射线图像（500张训练集，100张内部测试集，100张外部测试集） | NA | NA | NA | NA |
| 10056 | 2025-06-06 |
MSFHNet: a hybrid deep learning network for multi-scale spatiotemporal feature extraction of spatial cognitive EEG signals in BCI-VR systems
2025-Jun-05, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03386-y
PMID:40471491
|
research paper | 提出了一种名为MSFHNet的混合深度学习网络，用于在BCI-VR系统中提取空间认知EEG信号的多尺度时空特征 | MSFHNet采用分层架构，时间模块使用多尺度扩张卷积捕捉动态EEG变化，空间模块集成通道-空间注意力机制建模通道间依赖和空间分布，通过跨堆叠模块进行深层融合优化特征提取 | NA | 提升BCI-VR系统中空间认知训练和评估的EEG信号表征能力 | 空间认知EEG信号 | 脑机接口 | NA | EEG信号分析 | MSFHNet（混合神经网络） | EEG信号 | NA | NA | NA | NA | NA |
| 10057 | 2025-06-06 |
Physics-Assisted Machine Learning for the Simulation of the Slurry Drying in the Manufacturing Process of Battery Electrodes: A Hybrid Time-Dependent VGG16-DEM Model
2025-Jun-04, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.4c23103
PMID:40327815
|
研究论文 | 本研究提出了一种结合深度学习与离散元方法的混合物理辅助机器学习模型，用于模拟锂离子电池电极制造过程中的浆料干燥过程 | 提出了一种混合物理辅助机器学习模型，结合了深度学习与离散元方法，显著提高了模拟效率并保持了物理合理性 | 模型训练基于特定配方（96%活性材料和4%碳粘合剂），虽然展示了良好的泛化能力，但未测试更广泛配方范围的适用性 | 提高锂离子电池电极制造过程中浆料干燥模拟的效率和准确性 | 锂离子电池电极制造过程中的浆料干燥过程 | 机器学习 | NA | 深度学习（DL）、离散元方法（DEM） | VGG16-DEM混合模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 10058 | 2025-06-06 |
Advances in Machine Learning-Driven Flexible Strain Sensors: Challenges, Innovations, and Applications
2025-Jun-04, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.5c06453
PMID:40418062
|
综述 | 本文系统评估了柔性应变传感器的最新进展，重点探讨了机器学习在提升传感器性能中的关键作用 | 强调了机器学习特别是深度学习在提升柔性应变传感器稳定性、灵敏度和适应性方面的创新应用 | 传感器材料优化面临挑战，机器学习算法存在局限性、复杂环境下的噪声容忍度低以及模型可解释性有限 | 探讨机器学习驱动的柔性应变传感器的创新、挑战及应用 | 柔性应变传感器及其在健康监测、人机交互和智能家居中的应用 | 机器学习 | NA | 机器学习和深度学习 | 传统机器学习方法和深度学习 | 传感器数据 | NA | NA | NA | NA | NA |
| 10059 | 2025-06-06 |
GONet: A Generalizable Deep Learning Model for Glaucoma Detection
2025-Jun-04, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3576688
PMID:40465450
|
research paper | 介绍了一种名为GONet的深度学习模型，用于从彩色眼底照片中检测青光眼性视神经病变 | GONet采用DINOv2预训练的自监督视觉变换器，并通过多源域策略进行微调，展现出较高的跨分布泛化能力 | 模型在不同种族、疾病群体和检查环境中的泛化能力仍有待进一步验证 | 开发一种能够自动检测青光眼性视神经病变的深度学习模型 | 青光眼性视神经病变患者 | digital pathology | glaucoma | deep learning | vision transformers | image | 超过119,000张彩色眼底照片，以及一个新的包含747张标记CFPs的数据集 | NA | NA | NA | NA |
| 10060 | 2025-06-06 |
Early diagnosis model of mycosis fungoides and five inflammatory skin diseases based on multi-modal data-based convolutional neural network
2025-Jun-04, The British journal of dermatology
DOI:10.1093/bjd/ljaf212
PMID:40465821
|
research paper | 开发了一种基于多模态数据和卷积神经网络的AI模型，用于早期诊断蕈样肉芽肿和五种炎症性皮肤病 | 首次提出基于多模态信息（临床信息、临床图像和皮肤镜图像）的卷积神经网络模型，用于早期诊断蕈样肉芽肿和炎症性皮肤病 | 单中心回顾性研究，样本来源有限 | 构建AI辅助的早期诊断模型，提高蕈样肉芽肿和炎症性皮肤病的诊断准确性 | 蕈样肉芽肿（MF）和五种炎症性皮肤病患者 | digital pathology | cutaneous T-cell lymphoma | deep learning | CNN (RegNetY-400MF) | multimodal data (clinical information, clinical images, dermoscopic images) | 1157例患者（2452张临床图像和6550张皮肤镜图像） | NA | NA | NA | NA |