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 11101 - 11120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11101 | 2025-05-15 |
Leveraging artificial intelligence in disaster management: A comprehensive bibliometric review
2025, Jamba (Potchefstroom, South Africa)
DOI:10.4102/jamba.v17i1.1776
PMID:40357012
|
综述 | 本文通过文献计量学方法回顾了人工智能在灾害管理中的应用 | 利用VOSviewer和Biblioshiny工具分析了848篇文献，揭示了AI在灾害管理中的研究趋势和科学图谱 | 仅基于Scopus数据库的英文文献，可能遗漏其他语言或数据库的重要研究 | 评估人工智能技术在灾害管理领域的应用现状和发展趋势 | 自然灾害管理相关的人工智能研究文献 | 机器学习 | NA | 文献计量分析 | NA | 文献数据 | 848篇出版物 | NA | NA | NA | NA |
| 11102 | 2025-05-15 |
Making, not breaking the young, aspiring athlete: the development of Prep to be PRO (Nærmere Best) - a Norwegian school-based educational programme
2025, BMJ open sport & exercise medicine
IF:3.9Q1
DOI:10.1136/bmjsem-2024-002388
PMID:40357054
|
research paper | 本文记录了Prep to be PRO教育模块化计划的开发过程，旨在支持和保护体育初中和体育高中年轻运动员的健康与发展 | 该计划首次系统性地整合了多学科知识，并通过国家高中课程确保其相关性和教育标准的一致性 | 尚未进行系统性的数据收集和效果评估，长期可持续性仍需验证 | 开发一个教育计划，以预防年轻运动员的健康问题并支持其发展 | 体育初中和体育高中的年轻运动员 | 运动科学 | NA | NA | NA | NA | 超过40名利益相关者参与开发过程 | NA | NA | NA | NA |
| 11103 | 2025-05-15 |
Deep learning object detection-based early detection of lung cancer
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1567119
PMID:40357272
|
research paper | 本文探讨了基于深度学习的物体检测技术在肺癌早期诊断中的应用 | 比较了不同版本的YOLO模型在肺癌CT图像检测任务中的性能，发现YOLOv8表现最佳 | 研究仅基于公开数据集Lung-PET-CT-Dx，未涉及其他数据集验证 | 提高肺癌早期诊断和分类的准确性 | 肺癌CT图像 | computer vision | lung cancer | deep learning | YOLO系列（YOLOv5, YOLOv8, YOLOv9, YOLOv10, YOLOv11） | image | Lung-PET-CT-Dx公共数据集 | NA | NA | NA | NA |
| 11104 | 2025-05-15 |
RAMAS-Net: a module-optimized convolutional network model for aortic valve stenosis recognition in echocardiography
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1587307
PMID:40357270
|
研究论文 | 提出了一种名为RAMAS-Net的深度学习模型，用于在超声心动图中自动识别和诊断主动脉瓣狭窄 | 通过将ResNet50主干的Stage 4替换为SCConv和MDTA模块，减少了冗余计算并提高了特征提取能力 | NA | 提高主动脉瓣狭窄的诊断准确性，支持临床决策 | 主动脉瓣狭窄（AS）患者 | 数字病理 | 心血管疾病 | 深度学习 | CNN（ResNet50改进版） | 图像（超声心动图） | TMED-2和TMED-1数据集 | NA | NA | NA | NA |
| 11105 | 2025-05-15 |
An optimized deep learning model based on transperineal ultrasound images for precision diagnosis of female stress urinary incontinence
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1564446
PMID:40357276
|
研究论文 | 本研究开发并验证了一种基于经会阴超声图像的优化深度学习模型，以提高女性压力性尿失禁的诊断精度和可靠性 | 首次将深度学习模型（如DenseNet-121）应用于经会阴超声图像，显著提高了女性压力性尿失禁的诊断性能 | 研究为回顾性设计，样本量相对有限（464例），且仅评估了三种深度学习模型 | 提高女性压力性尿失禁的诊断精度和可靠性 | 464名女性的经会阴超声图像（200例患者和264例对照） | 数字病理 | 尿失禁 | 经会阴超声（TPUS） | ResNet-50, ResNet-152, DenseNet-121 | 图像 | 464名女性（200例患者和264例对照） | NA | NA | NA | NA |
| 11106 | 2025-05-15 |
Automatic segmentation and volume measurement of anterior visual pathway in brain 3D-T1WI using deep learning
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1530361
PMID:40357297
|
研究论文 | 本研究探讨了使用3D UX-Net深度学习模型在脑部T1加权成像中自动分割和测量前视通路（AVP）体积的可行性 | 首次在脑部T1WI中使用3D UX-Net模型进行AVP自动分割和体积测量，并提供了成人AVP的标准化测量值 | 研究样本量相对较小（119名成人），且为回顾性研究 | 开发自动分割和测量前视通路体积的深度学习模型 | 前视通路（AVP） | 数字病理学 | NA | 3D T1加权成像（T1WI） | 3D UX-Net, 3D U-Net, Swin UNEt TRansformers (UNETR), UNETR++, Swin Soft Mixture Transformer (Swin SMT) | 3D医学影像 | 119名成人的临床数据和脑部3D T1WI影像 | NA | NA | NA | NA |
| 11107 | 2025-05-15 |
Regional, rural and remote medicine attracts students with a similar approach to learning in both the Northern and Southern hemisphere
2024-12, International journal of circumpolar health
IF:1.3Q4
DOI:10.1080/22423982.2024.2404274
PMID:39285655
|
研究论文 | 本研究比较了南北半球两个医学项目中学生的学习目标取向和学习特征，以探讨适合农村医疗环境的学生特质 | 首次在跨半球背景下比较农村医学项目学生的学习特征和目标取向 | 样本仅来自两个医学项目，可能无法代表所有农村医学学生 | 探讨适合农村医疗环境的学生学习特征和目标取向 | 263名医学学生（分别来自南北半球的两个医学项目） | 医学教育 | NA | 问卷调查（三种调查工具） | NA | 问卷调查数据 | 263名医学学生 | NA | NA | NA | NA |
| 11108 | 2025-05-15 |
Monitoring Substance Use with Fitbit Biosignals: A Case Study on Training Deep Learning Models Using Ecological Momentary Assessments and Passive Sensing
2024-Dec, AI (Basel, Switzerland)
DOI:10.3390/ai5040131
PMID:40351335
|
研究论文 | 本研究探讨了使用Fitbit生物信号监测物质使用的可行性，并通过个性化机器学习和自监督学习技术提高了检测准确性 | 采用参与者特定的卷积神经网络（CNNs）结合自监督学习（SSL）来检测药物使用，以应对个体间数据异质性问题 | 样本量较小（仅9名参与者），限制了研究结果的普适性 | 开发一种基于可穿戴设备生物信号的物质使用实时监测系统 | 物质使用障碍患者 | 机器学习 | 物质使用障碍 | 自监督学习（SSL） | 1D-CNN | 生物信号数据 | 9名参与者 | NA | NA | NA | NA |
| 11109 | 2025-05-15 |
Using Deep Learning to Suggest Treatment for Proximal Humerus Fractures
2024-11-22, Studies in health technology and informatics
DOI:10.3233/SHTI241080
PMID:39575796
|
research paper | 该研究开发了一个基于深度学习的模型，用于根据肱骨近端骨折的放射影像预测治疗类型 | 利用深度学习模型预测肱骨近端骨折的治疗类型，其准确性和观察者间可靠性超过了肩部外科医生的判断 | 模型仅在特定测试数据集上进行了验证，可能需要更多样化的数据以提高泛化能力 | 开发一个治疗决策支持系统，以加快急诊科对肱骨近端骨折的治疗决策 | 肱骨近端骨折患者 | digital pathology | 骨折 | 深度学习 | NA | image | NA | NA | NA | NA | NA |
| 11110 | 2025-05-15 |
ECG classification via integration of adaptive beat segmentation and relative heart rate with deep learning networks
2024-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109062
PMID:39205344
|
research paper | 提出了一种先进的深度学习方法，用于准确分析心电图（ECG）信号，同时处理波形描绘和心跳类型分类任务 | 将自适应心跳分割方法和相对心率信息整合到深度学习模型中，显著提高了模型性能 | NA | 提高心电图信号分析的准确性，特别是在波形描绘和心跳类型分类方面 | 心电图信号 | machine learning | cardiovascular disease | deep learning | deep learning networks | ECG signal | PhysioNet QT Database, MIT-BIH Arrhythmia Database, and real-world wearable device data | NA | NA | NA | NA |
| 11111 | 2025-05-15 |
TA-RNN: an attention-based time-aware recurrent neural network architecture for electronic health records
2024-06-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae264
PMID:38940180
|
研究论文 | 提出了一种基于注意力机制的时间感知循环神经网络架构TA-RNN，用于电子健康记录分析 | 提出了两种可解释的深度学习架构TA-RNN和TA-RNN-AE，通过时间嵌入处理临床访问间隔不规则问题，并采用双级注意力机制提高模型可解释性 | 模型性能仅在特定疾病(阿尔茨海默病)和特定数据集上验证 | 开发可解释的深度学习模型来预测患者临床结果 | 电子健康记录(EHR)数据 | 机器学习 | 阿尔茨海默病 | 深度学习 | RNN, TA-RNN, TA-RNN-AE | 电子健康记录 | ADNI和NACC数据集(阿尔茨海默病)，MIMIC-III数据集(死亡率预测) | NA | NA | NA | NA |
| 11112 | 2025-10-07 |
Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial
2024-May-28, ArXiv
PMID:38855551
|
研究论文 | 开发基于组织病理学切片的深度学习模型预测肾癌抗血管生成治疗反应 | 首次使用深度学习从常规组织病理学切片预测RNA水平的血管生成评分，并生成可视化血管网络提高模型可解释性 | 需要多个独立队列验证模型泛化能力，肿瘤异质性可能影响预测准确性 | 预测转移性透明细胞肾细胞癌对抗血管生成治疗的反应 | 转移性透明细胞肾细胞癌患者 | 数字病理学 | 肾癌 | 组织病理学，RNA测序 | 深度学习 | 组织病理学图像 | 多个独立队列包括IMmotion150临床试验数据集 | NA | NA | Spearman相关系数，c-index | NA |
| 11113 | 2025-05-15 |
DEEP IMAGE PRIOR WITH STRUCTURED SPARSITY (DISCUS) FOR DYNAMIC MRI RECONSTRUCTION
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635579
PMID:40352104
|
research paper | 提出了一种名为DISCUS的自监督深度学习方法，用于动态MRI图像重建 | DISCUS方法在深度图像先验基础上引入结构化稀疏性，无需指定流形维度即可发现描述帧间时间变化的低维流形 | 仅在三项数值研究中进行了验证，临床实际应用效果有待进一步验证 | 解决动态MRI中高质量训练数据不足的问题，提高图像重建质量 | 动态MRI图像序列 | 医学影像分析 | 心血管疾病 | 深度学习 | DISCUS（基于DIP改进的模型） | MRI图像序列 | 5例患者的回顾性欠采样单次LGE数据 | NA | NA | NA | NA |
| 11114 | 2025-10-07 |
Deep learning assisted single particle tracking for automated correlation between diffusion and function
2024-Feb-02, Research square
DOI:10.21203/rs.3.rs-3716053/v1
PMID:38352328
|
研究论文 | 提出DeepSPT深度学习框架，用于自动分析细胞内颗粒的扩散行为与功能关联 | 首个能够仅通过扩散行为自动提取亚细胞功能信息的深度学习框架 | NA | 开发自动化工具来关联亚细胞颗粒扩散行为与生物学功能 | 病毒感染的早期事件、内体细胞器、网格蛋白包被小窝和囊泡 | 计算机视觉 | 病毒感染 | 光学显微镜，单颗粒追踪 | 深度学习 | 2D/3D时间序列图像 | NA | NA | NA | 准确率 | NA |
| 11115 | 2025-10-07 |
Using DeepContact with Amira graphical user interface
2023-12-15, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102558
PMID:37717213
|
protocol | 介绍如何在Amira软件中集成DeepContact深度学习模型，用于细胞器分割和膜接触位点量化 | 将DeepContact深度学习模型与Amira图形用户界面相结合，提供用户友好的膜接触位点分析工具 | 仅支持2D电子显微镜图像分析，具体使用细节需参考原始文献 | 开发膜接触位点的高通量量化方法 | 2D电子显微镜图像中的膜接触位点 | digital pathology | NA | electron microscopy | deep learning | 2D electron microscopy images | NA | NA | DeepContact | NA | NA |
| 11116 | 2025-10-07 |
Protocol to analyze fundus images for multidimensional quality grading and real-time guidance using deep learning techniques
2023-12-15, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102565
PMID:37733597
|
研究论文 | 提出DeepFundus协议，使用深度学习技术对眼底图像进行多维质量分级并为现场图像采集提供实时指导 | 开发了能够进行多维眼底图像质量分类并提供实时采集指导的深度学习系统 | NA | 解决医学人工智能研究中数据质量问题，提高眼底图像采集质量 | 眼底图像 | 计算机视觉 | 眼科疾病 | 深度学习 | 深度学习模型 | 图像 | NA | Python | NA | NA | NA |
| 11117 | 2025-10-07 |
Deep learning assisted single particle tracking for automated correlation between diffusion and function
2023-Nov-17, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.16.567393
PMID:38014323
|
研究论文 | 提出DeepSPT深度学习框架，用于自动分析细胞内颗粒的扩散行为与功能关联 | 首次开发出能够仅通过扩散行为自动提取功能信息的深度学习框架，实现秒级分析而非传统所需的数周时间 | NA | 开发自动化工具来关联亚细胞颗粒扩散行为与生物学功能 | 病毒感染的早期事件、内体细胞器、网格蛋白包被小窝和囊泡 | 计算机视觉 | 病毒感染 | 光学显微镜，单颗粒追踪 | 深度学习 | 2D/3D时间序列图像 | NA | NA | DeepSPT | 准确率 | NA |
| 11118 | 2025-10-07 |
Protocol for predicting peptides with anticancer and antimicrobial properties by a tri-fusion neural network
2023-09-15, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102541
PMID:37660298
|
研究论文 | 介绍使用TriNet三融合神经网络预测具有抗癌和抗菌特性的肽 | 开发了名为TriNet的三融合神经网络架构用于肽性质预测 | NA | 预测具有抗癌和抗菌特性的肽 | 肽序列 | 机器学习 | 癌症, 感染性疾病 | 深度学习 | 神经网络 | 肽序列数据 | NA | Python | TriNet（三融合神经网络） | NA | NA |
| 11119 | 2025-05-14 |
Deep learning for the prediction of acute kidney injury after coronary angiography and intervention in patients with chronic kidney disease: a model development and validation study
2025-Dec, Renal failure
IF:3.0Q1
DOI:10.1080/0886022X.2025.2474206
PMID:40083057
|
研究论文 | 本研究开发并验证了一种基于深度学习的模型，用于预测慢性肾脏病患者在接受冠状动脉造影和介入治疗后发生对比剂后急性肾损伤的风险 | 首次为慢性肾脏病患者开发了可解释的深度神经网络模型来预测对比剂后急性肾损伤，并提供了基于网络的临床决策工具 | 研究为单中心回顾性研究，样本量相对有限（989例患者） | 开发预测慢性肾脏病患者冠状动脉造影/介入术后对比剂肾损伤风险的AI工具 | 接受冠状动脉造影或介入治疗的慢性肾脏病患者 | 数字病理 | 心血管疾病 | 机器学习算法比较（包括随机森林和深度神经网络） | DNN（深度神经网络） | 临床数据（术前和术中变量） | 989例慢性肾脏病患者（125例发生PC-AKI） | NA | NA | NA | NA |
| 11120 | 2025-05-14 |
A comprehensive review of computational methods for Protein-DNA binding site prediction
2025-Aug, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2025.115862
PMID:40209920
|
review | 本文全面回顾了蛋白质-DNA结合位点预测的计算方法 | 对14种最先进的DNA结合位点预测模型进行了基准测试，并展示了深度学习方法，特别是基于预训练大型语言模型的方法，优于其他两类方法 | 未提及具体方法的局限性 | 开发高效且准确的DNA结合位点预测计算方法 | 蛋白质-DNA结合位点 | computational biology | NA | template detection, statistical machine learning, deep learning | pre-trained large language model | protein sequences | 136 non-redundant proteins | NA | NA | NA | NA |