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 10801 - 10820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10801 | 2025-05-15 |
Content-Based Histopathological Image Retrieval
2025-Feb-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25051350
PMID:40096145
|
research paper | 该研究提出了一种基于局部-全局特征融合的嵌入模型，用于提高组织病理学图像检索的性能 | 提出了一种结合多尺度信息的局部-全局特征融合嵌入模型，显著提升了特征描述符的深度和实用性 | 模型依赖于预训练主干网络，可能受限于预训练数据的质量和范围 | 提高组织病理学图像检索系统的性能，支持病理学家的工作 | 组织病理学图像 | digital pathology | NA | 深度学习 | CNN, Vision Transformers | image | ImageNet-1k和PanNuke数据集，并在Kimia Path24C数据集上进行测试 | NA | NA | NA | NA |
| 10802 | 2025-05-15 |
Comparative analysis of intestinal tumor segmentation in PET CT scans using organ based and whole body deep learning
2025-Feb-17, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01587-3
PMID:39962481
|
研究论文 | 比较基于器官和全身深度学习方法在PET CT扫描中对肠道肿瘤分割的效果 | 提出了一种新颖的基于器官的训练方法，通过利用训练数据的组织同质性来提高肠道肿瘤分割的准确性 | 研究主要针对DLBCL患者，对其他类型非霍奇金淋巴瘤（如FL）的泛化性有待进一步验证 | 评估训练数据同质性对准确识别肠道肿瘤的影响 | 肠道肿瘤 | 数字病理学 | 非霍奇金淋巴瘤 | FDG-PET/CT | 深度学习 | 医学影像 | 来自大型多中心临床试验（NCT01287741）的DLBCL患者 | NA | NA | NA | NA |
| 10803 | 2025-05-15 |
Application of artificial intelligence in forecasting survival in high-grade glioma: systematic review and meta-analysis involving 79,638 participants
2025-Feb-15, Neurosurgical review
IF:2.5Q1
DOI:10.1007/s10143-025-03419-y
PMID:39954167
|
meta-analysis | 本文通过系统综述和荟萃分析评估了基于人工智能的模型在预测高级别胶质瘤患者生存结果中的表现 | 特别关注AI在高级别胶质瘤复发中的潜力，并整合了多模态数据以提高预测准确性 | 需要在前瞻性、多中心研究中进一步验证以确保临床适用性 | 评估AI模型在预测高级别胶质瘤患者生存结果中的性能 | 高级别胶质瘤患者 | 数字病理学 | 脑肿瘤 | 机器学习（ML）和深度学习（DL） | 随机森林（RF）和逻辑回归（LR） | 临床、放射组学和遗传特征 | 39项研究，涉及79,638名患者 | NA | NA | NA | NA |
| 10804 | 2025-05-15 |
Machine Learning-Based Resource Management in Fog Computing: A Systematic Literature Review
2025-Jan-23, Sensors (Basel, Switzerland)
DOI:10.3390/s25030687
PMID:39943326
|
系统文献综述 | 本文通过系统文献综述分析了雾计算中基于机器学习的资源管理技术 | 采用PRISMA协议，全面分析了雾计算中机器学习和深度学习在资源管理中的应用，并识别了关键因素和约束 | 研究仅基于68篇研究论文，可能未涵盖所有相关文献 | 分析雾计算中基于机器学习的资源管理技术及其关键因素 | 雾计算中的资源管理技术 | 机器学习 | NA | 机器学习和深度学习 | NA | 文献数据 | 68篇研究论文 | NA | NA | NA | NA |
| 10805 | 2025-05-15 |
Enhanced Detection of Colon Diseases via a Fused Deep Learning Model with an Auxiliary Fusion Layer and Residual Blocks on Endoscopic Images
2025, Current medical imaging
IF:1.1Q3
|
research paper | 本文提出了一种融合深度学习模型，用于通过内窥镜图像增强结肠疾病的检测 | 结合了EfficientNetB0、MobileNetV2和ResNet50V2架构，引入了辅助融合层和融合残差块，以提高分类准确性和鲁棒性 | NA | 提高结肠疾病的自动诊断准确性和鲁棒性 | 内窥镜图像中的胃肠道异常或疾病 | digital pathology | colon diseases | deep learning | CNN, EfficientNetB0, MobileNetV2, ResNet50V2 | image | NA | NA | NA | NA | NA |
| 10806 | 2025-05-15 |
Enhanced Pneumonia Detection in Chest X-Rays Using Hybrid Convolutional and Vision Transformer Networks
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究通过结合CNN和改良的Swin Transformer模块，提出了一种新型混合深度学习模型，用于增强胸部X光中的肺炎检测 | 提出了一种结合CNN和改良Swin Transformer模块的混合模型，有效捕捉图像的局部和全局特征，显著提高了肺炎检测的准确性 | 未来研究需要进一步优化模型架构，探索更先进的图像处理技术，并引入可解释AI方法 | 提高胸部X光中肺炎检测的准确性，减少误诊，为资源有限地区提供可部署的解决方案 | 胸部X光图像 | 计算机视觉 | 肺炎 | CLAHE图像增强，数据增强（水平翻转、旋转、缩放） | CNN与Swin Transformer混合模型 | 图像 | 广州妇女儿童医疗中心提供的数据集 | NA | NA | NA | NA |
| 10807 | 2025-05-15 |
CERVIXNET: An Efficient Approach for the Detection and Classifications of the Cervigram Images Using Modified Deep Learning Architecture
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出了一种名为CERVIXNET的改进深度学习架构，用于检测和分类宫颈图像，以早期发现宫颈癌 | 提出了一种改进的深度学习架构CervixNet，提高了宫颈癌的检测率，并在异常宫颈图像中分割出癌症区域 | NA | 早期检测宫颈癌以提高患者生存率 | 宫颈图像 | 数字病理学 | 宫颈癌 | 深度学习 | 改进的CNN架构（CervixNet） | 图像 | IMODT和Guanacaste数据库中的宫颈图像 | NA | NA | NA | NA |
| 10808 | 2025-05-15 |
Automatic Detection of Cognitive Impairment in Patients With White Matter Hyperintensity Using Deep Learning and Radiomics
2025 Jan-Dec, American journal of Alzheimer's disease and other dementias
DOI:10.1177/15333175251325091
PMID:40087144
|
研究论文 | 本研究利用深度学习和放射组学技术自动检测白质高信号患者的认知障碍 | 结合VB-Nets深度学习卷积神经网络和放射组学特征，开发了一种新的随机森林模型，用于早期诊断白质高信号患者的认知障碍 | 样本量较小（总共108名患者），且外部验证集仅来自一家医院 | 开发一种可靠的早期诊断工具，用于检测白质高信号患者的认知障碍 | 白质高信号患者 | 数字病理学 | 老年疾病 | 放射组学特征提取 | VB-Nets CNN和随机森林 | 医学影像 | 79名患者（医院1）和29名患者（医院2） | NA | NA | NA | NA |
| 10809 | 2025-05-15 |
OnmiMHC: a machine learning solution for UCEC tumor vaccine development through enhanced peptide-MHC binding prediction
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1550252
PMID:40092998
|
研究论文 | 本研究开发了一种名为OnmiMHC的机器学习框架，用于预测MHC I类和II类分子对抗原肽的呈递，以促进UCEC肿瘤疫苗的开发 | 通过整合大规模质谱数据和其他相关数据类型，提出了基于深度学习的预测模型OnmiMHC，其在MHC-I和MHC-II任务中的表现优于现有方法 | NA | 开发一种新型机器学习框架，用于预测抗原肽与MHC分子的结合，以促进肿瘤疫苗的开发 | MHC I类和II类分子对抗原肽的呈递 | 机器学习 | 子宫体子宫内膜癌(UCEC) | 质谱数据 | 深度学习 | 质谱数据和其他相关数据 | NA | NA | NA | NA | NA |
| 10810 | 2025-05-15 |
AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women
2025, Experimental biology and medicine (Maywood, N.J.)
DOI:10.3389/ebm.2025.10389
PMID:40093658
|
research paper | 比较LDA和BERTopic在分析女性阿片类药物相关心血管风险中的表现 | 整合AI模块到LDA和BERTopic中，并首次在女性阿片类药物相关心血管风险分析中进行全面比较 | 研究仅基于PubMed摘要，未涉及全文分析，且样本量有限 | 比较传统和现代主题建模技术在文本分析中的效果 | 女性阿片类药物使用与心血管风险的文本数据 | natural language processing | cardiovascular disease | topic modeling, deep learning | LDA, BERTopic | text | 1,837 abstracts from PubMed | NA | NA | NA | NA |
| 10811 | 2025-05-15 |
Artificial intelligence-enhanced retinal imaging as a biomarker for systemic diseases
2025, Theranostics
IF:12.4Q1
DOI:10.7150/thno.100786
PMID:40093903
|
review | 本文综述了人工智能增强的视网膜成像作为系统性疾病的生物标志物的研究进展 | 利用AI技术（特别是深度学习）分析视网膜图像，预测多种系统性疾病，展示了在医疗健康领域的潜在影响 | 面临数据和技术上的挑战与限制，包括生成AI技术的应用带来的机遇与担忧 | 探索视网膜成像在系统性疾病的筛查、早期检测、预测、风险分层和个性化预后中的价值 | 视网膜图像及其与系统性疾病的关联 | digital pathology | 心血管疾病, 中枢神经系统疾病, 慢性肾病, 代谢疾病, 内分泌疾病, 肝胆疾病 | 深度学习, 自然语言处理框架, 大型语言模型, 生成AI技术 | NA | 图像（数字彩色眼底照片, 光学相干断层扫描OCT, OCT血管造影, 超广角成像） | NA | NA | NA | NA | NA |
| 10812 | 2025-05-15 |
A malware classification method based on directed API call relationships
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0299706
PMID:40096061
|
research paper | 提出了一种基于有向API调用关系的恶意软件分类方法，通过建模API序列为有向图并结合FSGCN和CNN进行分类 | 利用有向API调用关系建模恶意软件分类，提出FSGCN近似DGCN操作，并结合SMOTE处理数据不平衡问题 | 未提及方法在实时检测或大规模数据集上的性能表现 | 开发一种更有效的恶意软件分类方法以应对日益复杂的网络威胁 | 恶意软件样本及其API调用序列 | machine learning | NA | SMOTE | FSGCN, CNN | API序列数据 | 两个真实世界的恶意软件数据集 | NA | NA | NA | NA |
| 10813 | 2025-05-15 |
Data-driven cultural background fusion for environmental art image classification: Technical support of the dual Kernel squeeze and excitation network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313946
PMID:40111961
|
研究论文 | 本研究探索了一种数据驱动的文化背景融合方法，以提高环境艺术图像分类的准确性 | 提出了一种新颖的双核挤压与激励网络（DKSE-Net）模型，结合了选择性核网络（SKNet）和挤压与激励网络（SENet）的优点，全面提取图像的全局和局部特征 | 未明确提及研究的局限性 | 提高环境艺术图像分类的准确性 | 环境艺术图像 | 计算机视觉 | NA | 扩张卷积、L2正则化、Dropout、修正线性单元激活函数、深度卷积 | DKSE-Net、CNN | 图像 | NA | NA | NA | NA | NA |
| 10814 | 2025-05-15 |
Extreme heat prediction through deep learning and explainable AI
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316367
PMID:40111979
|
研究论文 | 本研究通过深度学习和可解释AI技术，利用五年的气象数据，开发了一个预测极端高温的综合框架 | 首次将深度学习和可解释AI技术结合用于极端高温预测，并揭示了湿度和最高温度在预测中的重要性 | 研究仅基于巴基斯坦气象局五年的数据，可能在其他地区的适用性有限 | 提高极端高温事件的预测准确性，以支持主动规划和安全保障 | 极端高温事件 | 机器学习 | NA | 深度学习，可解释AI（XAI） | ANN, CNN, LSTM | 气象数据 | 五年的气象数据 | NA | NA | NA | NA |
| 10815 | 2025-05-15 |
Uncovering water conservation patterns in semi-arid regions through hydrological simulation and deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319540
PMID:40112018
|
研究论文 | 本研究结合InVEST模型、水资源保护区时空转移和深度学习，揭示半干旱地区水资源保护模式及其驱动机制 | 首次将InVEST模型、时空转移分析和深度学习相结合，量化水资源保护的复杂数据并识别关键影响因素 | 研究仅针对雄安新区2000-2020年的数据，可能无法完全代表其他半干旱地区的情况 | 揭示半干旱地区水资源保护的空间分布模式及其驱动机制 | 雄安新区的水资源保护特征 | 深度学习 | NA | InVEST模型、深度学习 | 深度学习模型（未指定具体类型） | 时空数据、土地利用数据、降水数据等 | 雄安新区2000-2020年的水资源保护数据 | NA | NA | NA | NA |
| 10816 | 2025-05-15 |
Optimizing deep learning models for glaucoma screening with vision transformers for resource efficiency and the pie augmentation method
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314111
PMID:40117284
|
research paper | 该研究通过优化深度学习模型，使用视觉变换器（ViT）和创新的'pie方法'增强技术，提高了青光眼筛查的效率和准确性 | 采用Data-efficient image Transformers (DeiT)降低计算需求，预处理时间减少10倍，并引入'pie方法'增强技术以提升性能 | DeiT的初始性能低于CNN，且数据集的某些区域（如上部和鼻区）需要排除 | 优化青光眼筛查的深度学习模型，提高资源效率和检测准确性 | 青光眼患者、疑似青光眼患者及非青光眼患者的眼底图像 | digital pathology | glaucoma | fundus imaging | DeiT (vision transformer) | image | GlauCUTU-DATA数据集，包含一致同意（3/3）和多数同意（2/3）的数据 | NA | NA | NA | NA |
| 10817 | 2025-05-15 |
Unveiling CNS cell morphology with deep learning: A gateway to anti-inflammatory compound screening
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320204
PMID:40117300
|
研究论文 | 利用深度学习揭示中枢神经系统细胞形态，为抗炎化合物筛选提供新方法 | 采用深度学习技术分析神经元和小胶质细胞的形态表型，解决了传统方法在检测细微细胞变化和批次效应方面的挑战 | 需要大量标记数据，且在检测细微细胞变化和批次效应方面仍存在困难 | 理解神经炎症背景下细胞形态与表型表现之间的复杂关系 | 神经元和小胶质细胞 | 数字病理学 | 神经炎症 | 深度学习 | DL | 图像 | 内部数据（未明确样本数量） | NA | NA | NA | NA |
| 10818 | 2025-05-15 |
Multi-scale image edge detection based on spatial-frequency domain interactive attention
2025, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2025.1550939
PMID:40356606
|
research paper | 提出了一种基于空间-频域交互注意力的多尺度图像边缘检测网络，旨在复杂背景下准确检测主要目标的边缘 | 使用空间-频域交互注意力模块，通过频域过滤干扰并利用频域与空间域的交互，更准确地提取和分析不同尺度的边缘特征 | 未提及具体在哪些复杂背景或小目标场景下的性能限制 | 解决复杂背景下图像边缘检测的准确性问题 | 动物、植物、建筑物等复杂背景下的图像 | computer vision | NA | 深度学习 | 多尺度边缘检测网络 | image | NA | NA | NA | NA | NA |
| 10819 | 2025-05-15 |
A bibliometric analysis of electroencephalogram research in stroke: current trends and future directions
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1539736
PMID:40356632
|
研究论文 | 本文通过文献计量学方法分析了脑电图（EEG）在中风研究中的应用趋势及未来发展方向 | 首次对中风领域EEG研究的趋势进行全面分析，并揭示了机器学习与多模态数据整合的最新研究方向 | 仅基于Web of Science数据库，可能未涵盖所有相关研究 | 分析EEG在中风研究中的应用现状和发展趋势 | 2005-2024年间发表的2,931篇与中风和EEG相关的研究文献 | 神经科学 | 中风 | 文献计量学分析（VOSviewer和CiteSpace） | NA | 文献数据 | 2,931篇出版物 | NA | NA | NA | NA |
| 10820 | 2025-05-15 |
Deep learning-based fine-grained assessment of aneurysm wall characteristics using 4D-CT angiography
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.19393
PMID:40356666
|
research paper | 提出了一种基于深度学习的细粒度评估方法，用于分析动脉瘤壁特征，包括薄壁区域和增生重塑区域 | 开发了一种结合CNN-LSTM和注意力层的回归模型，并引入了患者无关特征提取机制及未标记数据增强 | 样本量较小（52例未破裂脑动脉瘤），且依赖术中记录作为金标准 | 通过4D-CTA评估动脉瘤壁动力学特征以实现精准风险预测 | 未破裂脑动脉瘤的壁运动特性 | digital pathology | cardiovascular disease | 4D-computed tomography angiography (4D-CTA) | CNN-LSTM with attention mechanism | 4D影像序列+术中视频 | 52例未破裂脑动脉瘤 | NA | NA | NA | NA |