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 34204 篇文献，本页显示第 10921 - 10940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10921 | 2025-06-07 |
Generalization challenges in electrocardiogram deep learning: insights from dataset characteristics and attention mechanism
2024-Mar-11, Future cardiology
IF:1.6Q3
DOI:10.1080/14796678.2024.2354082
PMID:39049767
|
研究论文 | 本研究探讨了训练数据特性对深度学习模型在心电图异常检测中泛化性能的影响，并引入了注意力机制以提高泛化能力 | 揭示了平衡数据集（仅占大型数据集的1%）在泛化任务中的等效性能，以及注意力机制对模型泛化能力的进一步优化 | 未提及具体的心电图异常类型或模型在其他医疗领域的泛化能力 | 研究训练数据特性对深度学习模型泛化性能的影响，并探索提高模型泛化能力的方法 | 心电图数据集和深度学习模型 | 机器学习 | 心血管疾病 | 深度学习 | 带有注意力机制的深度学习模型 | 心电图数据 | 多个心电图数据集（具体数量未提及） | NA | NA | NA | NA |
| 10922 | 2025-06-07 |
Real-time monitoring of single dendritic cell maturation using deep learning-assisted surface-enhanced Raman spectroscopy
2024, Theranostics
IF:12.4Q1
DOI:10.7150/thno.100298
PMID:39479453
|
research paper | 该研究开发了一种基于深度学习和表面增强拉曼光谱（SERS）的方法，用于实时监测单个树突状细胞（DC）的成熟状态 | 结合Au@CpG@PEG纳米颗粒作为自报告纳米疫苗，利用无标记SERS策略和深度学习CNN算法，实现了对DC成熟状态的动态实时检测，准确率超过98.92% | 未提及具体样本量或实验重复次数，可能影响结果的普遍性 | 开发一种实时监测单个树突状细胞成熟状态的方法，以预测免疫系统激活、评估疫苗效果和免疫治疗有效性 | 树突状细胞（DC） | digital pathology | NA | 表面增强拉曼光谱（SERS） | CNN | 光谱数据 | NA | NA | NA | NA | NA |
| 10923 | 2025-10-06 |
Artificial intelligence, machine learning and deep learning: Potential resources for the infection clinician
2023-10, The Journal of infection
IF:14.3Q1
DOI:10.1016/j.jinf.2023.07.006
PMID:37468046
|
综述 | 总结人工智能在感染性疾病研究和临床管理中的潜在应用 | 重点关注使用前瞻性收集的真实世界数据的研究，并强调具有转化潜力的研究方向 | 大多数研究缺乏真实世界验证或临床效用指标，研究设计和报告存在显著异质性 | 探索人工智能在感染性疾病领域的应用潜力 | 感染性疾病的诊断、治疗和公共卫生管理 | 机器学习 | 感染性疾病 | NA | 深度学习 | 医学影像, 实验室数据, 临床数据 | 筛选了1617篇PubMed文献 | NA | NA | 临床效用指标 | NA |
| 10924 | 2025-06-07 |
A survey on recent trends in deep learning for nucleus segmentation from histopathology images
2023-Mar-06, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-023-09491-3
PMID:38625364
|
综述 | 本文系统综述了过去五年（2017-2021）中深度学习在组织病理学图像中细胞核分割的应用 | 总结了多种分割模型（如U-Net、SCPP-Net、Sharp U-Net和LiverNet）的相似性、优势、使用的数据集以及新兴研究领域 | 仅覆盖了过去五年的研究，可能未包括最新的技术进展 | 探讨深度学习在细胞核分割中的最新趋势和应用 | 组织病理学图像中的细胞核 | 数字病理学 | 癌症 | 深度学习 | U-Net, SCPP-Net, Sharp U-Net, LiverNet | 图像 | NA | NA | NA | NA | NA |
| 10925 | 2025-06-07 |
PDRF-Net: a progressive dense residual fusion network for COVID-19 lung CT image segmentation
2023-Feb-17, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-023-09489-x
PMID:38625320
|
research paper | 提出了一种名为PDRF-Net的渐进密集残差融合网络，用于COVID-19肺部CT图像的分割 | 引入了密集跳跃连接以捕获多级上下文信息，设计了高效的聚合残差模块，结合视觉Transformer和残差块，以及双边通道像素加权模块逐步融合多分支特征图 | NA | 实现COVID-19患者肺部CT图像中病变部位的快速准确分割 | COVID-19患者的肺部CT图像 | digital pathology | COVID-19 | CT图像分割 | PDRF-Net (progressive dense residual fusion network) | image | 在两个COVID-19数据集上进行测试 | NA | NA | NA | NA |
| 10926 | 2025-06-07 |
AMTLDC: a new adversarial multi-source transfer learning framework to diagnosis of COVID-19
2023-Jan-12, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-023-09484-2
PMID:38625255
|
research paper | 提出了一种新的对抗性多源迁移学习框架AMTLDC，用于COVID-19的诊断 | AMTLDC框架通过对抗性学习提取多个数据源间的通用表示，提高了模型在不同数据集间的泛化能力 | 未明确说明框架在极端数据不足情况下的表现 | 提高COVID-19诊断模型的跨数据集泛化性能 | COVID-19医学影像数据 | digital pathology | COVID-19 | adversarial transfer learning | CNN | medical images | NA | NA | NA | NA | NA |
| 10927 | 2025-06-07 |
Detection of anomalies in cycling behavior with convolutional neural network and deep learning
2023, European transport research review
IF:5.1Q1
DOI:10.1186/s12544-023-00583-4
PMID:38625141
|
研究论文 | 本文提出了一种基于深度学习的异常检测方法BeST-DAD，用于识别骑行行为中的异常并在地图上标记危险点 | 结合CNN和自编码器(AE)进行异常检测，相比传统PCA方法表现更优 | 需要依赖GPS轨迹数据，可能受数据质量和覆盖范围限制 | 提高骑行安全性，通过技术手段识别潜在危险点 | 骑行者的GPS轨迹数据 | 机器学习 | NA | 深度学习 | CNN, Autoencoder | GPS轨迹数据 | 未明确说明具体样本数量，涉及多个用户的数据 | NA | NA | NA | NA |
| 10928 | 2025-06-07 |
Evaluation of artificial intelligence techniques in disease diagnosis and prediction
2023, Discover artificial intelligence
DOI:10.1007/s44163-023-00049-5
PMID:40478140
|
综述 | 本文综述了人工智能技术在疾病诊断和预测中的应用及其优势 | 涵盖了多种AI技术在医疗图像分析中的应用，并比较了ML和DL技术的优势 | 讨论了AI在医疗领域中的现有挑战和局限性 | 评估AI技术在疾病诊断和预测中的应用效果 | 多种疾病（如癌症、心脏、肺、皮肤、遗传和神经疾病）的诊断和预测 | 数字病理学 | 多种疾病（如癌症、心脏、肺、皮肤、遗传和神经疾病） | 机器学习（ML）和深度学习（DL） | SVM, CNN | 医疗图像 | NA | NA | NA | NA | NA |
| 10929 | 2025-06-07 |
An efficient real-time stock prediction exploiting incremental learning and deep learning
2022-Dec-21, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-022-09481-x
PMID:38625328
|
研究论文 | 提出了一种基于增量学习和离线-在线学习的实时股票价格预测策略 | 结合增量学习和离线-在线学习两种方法，实时更新模型以适应市场的动态变化 | 仅在美国NASDAQ和印度NSE交易所的八只高流动性股票上进行了测试，可能不适用于其他市场或股票 | 提高实时股票价格预测的准确性 | 股票市场的实时价格数据 | 机器学习 | NA | 增量学习, 离线-在线学习 | 深度学习模型 | 时间序列数据 | 美国NASDAQ和印度NSE交易所的八只高流动性股票 | NA | NA | NA | NA |
| 10930 | 2025-10-06 |
An evaluation of lightweight deep learning techniques in medical imaging for high precision COVID-19 diagnostics
2022-Nov, Healthcare analytics (New York, N.Y.)
DOI:10.1016/j.health.2022.100096
PMID:37520618
|
研究论文 | 本文开发并评估了用于COVID-19检测的轻量级深度学习技术 | 采用轻量级MobileNetV2模型实现COVID-19检测，在保持竞争力的性能同时显著降低计算资源需求 | 未明确说明具体的数据集规模和模型对比范围 | 开发适用于资源受限设备的COVID-19自动诊断系统 | 胸部X光和CT影像 | 医学影像分析 | COVID-19 | 深度学习 | CNN | 医学影像 | NA | NA | MobileNetV2 | NA | 资源受限设备 |
| 10931 | 2025-10-06 |
iVaccine-Deep: Prediction of COVID-19 mRNA vaccine degradation using deep learning
2022-Oct, Journal of King Saud University. Computer and information sciences
DOI:10.1016/j.jksuci.2021.10.001
PMID:38620874
|
研究论文 | 本研究开发了两种混合深度学习模型用于预测COVID-19 mRNA疫苗的RNA降解 | 首次提出结合图卷积神经网络与门控循环单元/卷积神经网络的混合模型，将RNA分子建模为图结构进行降解预测 | 未明确说明训练数据的具体规模和来源限制 | 研究混合深度学习模型预测RNA序列降解的能力 | COVID-19 mRNA疫苗的RNA分子 | 机器学习 | COVID-19 | RNA测序 | GCN, GRU, CNN | RNA序列数据 | NA | NA | GCN_GRU, GCN_CNN | MCRMSE, AuC | NA |
| 10932 | 2025-10-06 |
A new metaheuristic optimization model for financial crisis prediction: Towards sustainable development
2022-Sep, Sustainable computing : informatics and systems
DOI:10.1016/j.suscom.2022.100778
PMID:37521169
|
研究论文 | 提出一种基于政治优化器深度神经网络(OD-PODNN)的异常检测模型用于金融危机预测 | 结合隔离森林异常检测与政治优化器优化DNN超参数，提升金融危机预测准确率 | 仅使用三个数据集验证，未说明数据合法性问题的具体解决方案 | 通过优化机器学习模型提高金融危机预测准确率以支持可持续发展 | 企业财务状态（成功/失败） | 机器学习 | NA | 异常检测，超参数优化 | 深度神经网络，隔离森林 | 财务数据 | 三个不同数据集 | NA | DNN，iForest | 准确率 | NA |
| 10933 | 2025-10-06 |
Attention mechanism and mixup data augmentation for classification of COVID-19 Computed Tomography images
2022-Sep, Journal of King Saud University. Computer and information sciences
DOI:10.1016/j.jksuci.2021.07.005
PMID:38620953
|
研究论文 | 提出结合注意力机制和mixup数据增强的深度学习方法用于COVID-19 CT图像分类 | 在卷积神经网络中引入特征级注意力层增强判别性特征，并采用mixup数据增强技术提升性能 | NA | 开发计算机辅助诊断系统实现COVID-19 CT图像的自动分类 | COVID-19 CT图像 | 计算机视觉 | COVID-19 | 计算机断层扫描(CT) | CNN | 医学图像 | NA | NA | ResNet50 | 准确率 | NA |
| 10934 | 2025-10-06 |
Deep recurrent Gaussian Nesterovs recommendation using multi-agent in social networks
2022, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-022-09435-3
PMID:37521128
|
研究论文 | 提出一种结合深度学习和多智能体的推荐系统DR-GNOG，用于社交网络中的精准推荐 | 提出深度循环高斯Nesterov最优梯度(DR-GNOG)模型，将深度学习与多智能体场景结合解决推荐系统问题 | NA | 解决社交网络中大数据环境下的精准推荐问题 | 社交网络中的用户推文数据 | 机器学习 | NA | 深度学习，多智能体系统 | 深度循环神经网络 | 文本数据（推文） | NA | NA | 深度循环高斯Nesterov最优梯度(DR-GNOG) | 推荐准确率，推荐时间，召回率 | NA |
| 10935 | 2025-06-07 |
FocusCovid: automated COVID-19 detection using deep learning with chest X-ray images
2022, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-021-09385-2
PMID:38624806
|
研究论文 | 本文提出了一种基于深度卷积神经网络的架构，用于通过胸部X光片自动检测COVID-19 | 利用深度学习技术自动检测COVID-19，减轻医疗基础设施的压力 | 尽管模型准确率高，但COVID-19的诊断仍需与专业医疗临床医生协商决定 | 开发一种自动化工具以辅助COVID-19的早期筛查和检测 | 胸部X光片 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 10936 | 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 |
| 10937 | 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 |
| 10938 | 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 |
| 10939 | 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 |
| 10940 | 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 |