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 11461 - 11480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11461 | 2025-05-31 |
ProtoASNet: Comprehensive evaluation and enhanced performance with uncertainty estimation for aortic stenosis classification in echocardiography
2025-Jul, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103600
PMID:40324320
|
research paper | 提出了一种基于原型的新型神经网络ProtoASNet，用于从B型超声心动图视频中分类主动脉瓣狭窄的严重程度，并增强预测的可解释性和不确定性估计 | ProtoASNet通过相似性分数和可学习的时空原型提供内在可解释性，并利用弃权损失估计数据的不确定性，增强了模型的透明度和临床适用性 | 研究依赖于私有和公开数据集，可能无法涵盖所有临床场景，且模型性能在不确定案例中有所下降 | 开发一种可解释且具有不确定性估计能力的深度学习模型，用于主动脉瓣狭窄的自动分类 | 主动脉瓣狭窄（AS）患者 | digital pathology | cardiovascular disease | B-mode echocardiography | prototype-based neural network | video | 私有数据集和公开可用的TMED-2数据集 | NA | NA | NA | NA |
| 11462 | 2025-05-31 |
Deep implicit optimization enables robust learnable features for deformable image registration
2025-Jul, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103577
PMID:40328129
|
research paper | 该论文提出了一种深度隐式优化方法，用于在可变形图像配准中实现鲁棒的可学习特征 | 通过将优化作为深度网络中的一层，结合统计学习和优化的优势，首次实现了在测试时无需重新训练即可切换任意变换表示 | NA | 弥合统计学习与优化方法在图像配准中的差距，提高配准性能和对领域偏移的鲁棒性 | 可变形图像配准 | computer vision | NA | deep learning, iterative optimization solver | deep network | image | NA | NA | NA | NA | NA |
| 11463 | 2025-05-31 |
Rethinking boundary detection in deep learning-based medical image segmentation
2025-Jul, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103615
PMID:40344946
|
research paper | 提出了一种名为CTO的新型网络架构，结合CNN、ViT和显式边缘检测算子，以解决医学图像分割中边界区域精确分割的挑战 | CTO网络架构结合了CNN、ViT和显式边缘检测算子，通过双流编码器网络和边界引导解码器网络，提高了边界区域的分割精度 | 未提及具体局限性 | 提高医学图像分割中边界区域的精确分割能力 | 医学图像分割 | digital pathology | NA | CNN, ViT, 边缘检测算子 | CTO (结合CNN和ViT的双流编码器网络及边界引导解码器网络) | image | 七个医学图像分割数据集（ISIC 2016, PH2, ISIC 2018, CoNIC, LiTS17, BraTS, BTCV） | NA | NA | NA | NA |
| 11464 | 2025-05-31 |
CausalMixNet: A mixed-attention framework for causal intervention in robust medical image diagnosis
2025-Jul, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103581
PMID:40359724
|
research paper | 提出了一种名为CausalMixNet的创新方法，通过混合注意力机制探究医学图像与标签之间的因果关系，以提高诊断的准确性和泛化性能 | 采用查询混合内部注意力和键值混合外部注意力机制，结合非局部推理模块和键值混合外部注意力进行前门调整策略，以及补丁掩码排序模块和查询混合内部注意力增强中介学习 | 未明确提及具体限制 | 提高医学图像诊断的准确性和泛化性能，探究图像与标签之间的因果关系 | 医学图像及其诊断标签 | digital pathology | NA | deep learning | CausalMixNet | image | 多个数据集，具体数量未提及 | NA | NA | NA | NA |
| 11465 | 2025-05-31 |
Evidential Deep Learning for Open-Set Active Domain Adaptation
2025-May-29, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3571943
PMID:40440139
|
research paper | 该论文提出了一种基于证据深度学习的开放集主动域适应方法（EOSADA），用于在包含新类别的未标记目标域中转移知识 | 利用证据深度学习（EDL）构建开放集分类器，并采用两轮选择策略平衡已知和新类别样本的选择，同时识别信息丰富的样本，无需修改模型结构且使用有限的标注预算 | 未明确提及具体局限性 | 提升开放集域适应（OSDA）场景下模型的性能 | 未标记目标域中的样本，包括已知和新类别 | machine learning | NA | evidential deep learning (EDL), open-set active domain adaptation | 分类神经网络（具体架构未提及） | 未明确提及，推测为图像或文本数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 11466 | 2025-05-31 |
Detecting Human Frequency-Following Responses Using an Artificial Neural Network
2025-May-29, Perceptual and motor skills
IF:1.4Q4
DOI:10.1177/00315125251347006
PMID:40440687
|
研究论文 | 本研究探讨了三层人工神经网络（ANN）在检测由英语元音/i/的上升语调引发的频率跟随响应（FFRs）中的有效性 | 首次在FFR研究中探索深度学习模型的潜力，特别是使用ANN进行FFR检测 | 研究仅针对英语元音/i/的上升语调引发的FFRs，未涵盖其他语音特征或语调 | 评估ANN在FFR检测中的效能，为听觉处理评估和临床诊断提供基础 | 由英语元音/i/的上升语调引发的频率跟随响应（FFRs） | 机器学习 | NA | 人工神经网络（ANN） | ANN | 神经信号（FFR recordings） | NA | NA | NA | NA | NA |
| 11467 | 2025-05-31 |
Multicentre evaluation of deep learning CT autosegmentation of the head and neck region for radiotherapy
2025-May-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01624-z
PMID:40419731
|
研究论文 | 一项多中心研究评估了头颈部CT自动分割软件在全球七个机构的性能 | 首次在全球范围内多中心评估头颈部CT自动分割软件的性能，并量化了不同机构间的观察者间变异性 | 自动分割软件的临床效益在不同ROI和诊所间差异显著，部分淋巴结区域未显示显著时间节省 | 评估头颈部CT自动分割软件在放射治疗中的性能和时间节省效果 | 头颈部CT图像中的11个淋巴结水平和7个风险器官轮廓 | 数字病理 | 头颈部疾病 | CT成像 | 深度学习 | 医学影像 | 七个机构的CT图像数据 | NA | NA | NA | NA |
| 11468 | 2025-05-31 |
Automatic assessment of lower limb deformities using high-resolution X-ray images
2025-May-27, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-025-08784-9
PMID:40420033
|
研究论文 | 提出了一种基于图像金字塔的新型骨骼标志点检测方法，用于自动评估下肢畸形 | 采用CNN结合误差反馈方法迭代优化标志点坐标，提高了检测精度并降低了计算成本 | NA | 开发自动评估下肢畸形的算法以辅助骨科手术规划 | 下肢X射线图像中的骨骼标志点和角度测量 | 计算机视觉 | 骨科疾病 | X射线成像 | CNN | X射线图像 | 临床采集的全腿X射线数据集（具体数量未说明） | NA | NA | NA | NA |
| 11469 | 2025-05-31 |
LucaPCycle: Illuminating microbial phosphorus cycling in deep-sea cold seep sediments using protein language models
2025-May-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60142-4
PMID:40419512
|
research paper | 该研究开发了一个名为LucaPCycle的深度学习模型，用于揭示深海冷泉沉积物中微生物磷循环的过程 | 整合了原始序列和基于蛋白质语言模型ESM2-3B的上下文嵌入，显著提高了对磷循环蛋白家族的检测能力 | 传统序列搜索方法难以检测到具有远程同源性的蛋白质 | 研究深海冷泉沉积物中微生物磷循环的多样性和功能 | 全球冷泉基因和基因组目录中的磷循环蛋白家族 | machine learning | NA | 蛋白质语言模型ESM2-3B | 深度学习模型 | 基因和基因组数据 | 5241个磷循环蛋白家族 | NA | NA | NA | NA |
| 11470 | 2025-05-31 |
RGE-YOLO enables lightweight road packaging bag detection for enhanced driving safety
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03240-z
PMID:40419594
|
研究论文 | 提出了一种轻量级深度学习模型RGE-YOLO，用于实时检测道路上的包装袋，以提高驾驶安全性 | RGE-YOLO结合了RepViTBlock、GSConv和EMA机制，优化了计算效率、模型稳定性和检测精度 | 研究仅限于道路包装袋的检测，未涉及其他类型的道路异物 | 提高驾驶安全性，通过实时检测道路上的包装袋 | 道路上的包装袋 | 计算机视觉 | NA | 深度学习 | RGE-YOLO（基于YOLOv8s改进） | 图像 | 6000张增强图像 | NA | NA | NA | NA |
| 11471 | 2025-05-31 |
Evaluation of spatial visual perception of streets based on deep learning and spatial syntax
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03189-z
PMID:40419619
|
research paper | 该研究应用深度学习和空间句法评估街道空间视觉感知质量，并分析其与街道构成元素的相关性 | 结合深度学习和人机对抗模型对街景图像进行六维度评分，并通过空间可视化与多元线性回归分析街道质量与构成元素的关系 | 研究区域有限，未涉及不同气候或文化背景下的街道质量对比 | 提升城市街道视觉质量，为精准化街道改造提供数据支持 | 城市街道空间及其视觉构成元素（绿化、行人、墙体等） | computer vision | NA | deep learning, spatial syntax | human-machine adversarial model | street view images | 未明确样本量（研究区域内街道） | NA | NA | NA | NA |
| 11472 | 2025-05-28 |
Correction: Formation permeability estimation using mud loss data by deep learning
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03476-9
PMID:40419611
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11473 | 2025-05-31 |
Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02933-9
PMID:40419628
|
research paper | 该研究提出了一种结合双向长短期记忆网络（BiLSTM）和自适应秘书鸟优化器（ASBO）的深度学习方法，用于智能交通系统中的交通拥堵预测 | 创新点在于将强化学习（RL）与BiLSTM结合，并引入ASBO优化器，显著提高了交通拥堵预测的准确性 | 未提及具体的数据集规模或实际应用场景的限制 | 旨在通过智能交通拥堵预测减少空气污染，提升城市交通的可持续性 | 城市交通网络中的交通拥堵模式 | machine learning | NA | Deep Learning, Reinforcement Learning | BiLSTM, ASBO | traffic data | 基于Traffic Prediction Dataset，具体样本量未提及 | NA | NA | NA | NA |
| 11474 | 2025-05-31 |
Digital image enhancement using deep learning algorithm in 3D heads-up vitreoretinal surgery
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98801-7
PMID:40419711
|
research paper | 本研究旨在利用深度学习算法预测3D头戴式玻璃体视网膜手术中的最佳成像参数，并评估其在提高手术中玻璃体视网膜表面可见性方面的有效性 | 采用两阶段生成对抗网络(GAN)和卷积神经网络(CNN)架构，开发了一种深度学习算法，用于数字图像增强 | 研究仅基于212张手动优化的静态图像和121张匿名高分辨率ERM眼底图像，样本量相对较小 | 提高3D头戴式玻璃体视网膜手术中图像的清晰度、亮度和对比度 | 玻璃体视网膜手术图像和ERM眼底图像 | digital pathology | 视网膜疾病 | 深度学习算法 | GAN和CNN | 图像 | 212张手术视频提取的静态图像和121张ERM眼底图像 | NA | NA | NA | NA |
| 11475 | 2025-05-31 |
A novel MRI-based deep learning imaging biomarker for comprehensive assessment of the lenticulostriate artery-neural complex
2025-May-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01676-3
PMID:40420012
|
研究论文 | 开发一种基于深度学习的MRI成像生物标志物，用于全面评估豆纹动脉-神经复合体 | 利用ResNet18框架从豆纹动脉供血区域提取深度学习特征，并将其作为成像生物标志物，首次全面评估豆纹动脉-神经复合体 | 样本量较小，仅79名患者参与研究 | 开发一种新的成像生物标志物，用于评估豆纹动脉-神经复合体的功能状态 | 豆纹动脉供血区域和豆纹动脉-神经复合体 | 数字病理学 | 脑血管疾病 | MRI, DTI, ASL | ResNet18 | 图像 | 79名患者 | NA | NA | NA | NA |
| 11476 | 2025-05-31 |
A comparative analysis of deep learning models for assisting in the diagnosis of periapical lesions in periapical radiographs
2025-May-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06104-0
PMID:40420083
|
研究论文 | 本研究比较了ConvNeXt和ResNet34两种深度学习模型在辅助诊断根尖周病变中的效果 | 首次评估了深度学习模型对新手牙医诊断根尖周病变的辅助作用，并比较了两种模型的性能差异 | 研究仅使用了根尖周X线片，未考虑其他影像学检查方法 | 评估深度学习模型在辅助诊断根尖周病变中的应用价值 | 根尖周病变的X线影像 | 数字病理学 | 根尖周病变 | 深度学习 | CNN（ConvNeXt和ResNet34） | 图像 | 1305张根尖周X线片（训练集1044张，验证集261张）和800颗单独牙齿的X线片 | NA | NA | NA | NA |
| 11477 | 2025-05-31 |
Surfactant representation using COSMO screened charge density for adsorption isotherm prediction using Physics-Informed Neural Network (PINN)
2025-May-26, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01027-y
PMID:40420147
|
research paper | 本研究开发了一种基于物理信息神经网络（PINN）的吸附模型，用于预测表面活性剂的吸附行为，整合了分子特征、测试条件和固体性质 | 将COSMO屏蔽电荷密度描述符整合到物理信息深度学习模型中，以预测表面活性剂吸附等温线，提供了一种新颖的方法来准确表示表面活性剂分子 | 模型在全新结构的表面活性剂预测上表现一般（RMSE 2.95 mg/g） | 开发一个包含分子特征、测试条件和固体性质的吸附模型，以预测表面活性剂的吸附行为 | 56个吸附等温线和20种阴离子和非离子表面活性剂，在不同条件下以沙子和氧化硅为固体 | machine learning | NA | Conductor-like Screening Model (COSMO), Physics-Informed Neural Network (PINN) | Physics-Informed Neural Network (PINN), artificial neural networks (ANN) | adsorption isotherms, molecular descriptors | 56 adsorption isotherms and 20 types of surfactants | NA | NA | NA | NA |
| 11478 | 2025-05-31 |
An advanced deep learning method for pepper diseases and pests detection
2025-May-26, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01387-4
PMID:40420214
|
research paper | 本研究提出了一种名为YOLO-Pepper的深度学习模型，专门用于温室辣椒病虫害检测，解决了小目标识别、遮挡下的多尺度特征提取和实时处理需求等关键问题 | YOLO-Pepper引入了四个主要创新点：自适应多尺度特征提取模块(AMSFE)、动态特征金字塔网络(DFPN)、专为小目标设计的小检测头(SDH)以及Inner-CIoU损失函数，相比标准CIoU定位精度提高了18% | NA | 开发一种高效的深度学习模型，用于温室辣椒病虫害的智能检测 | 温室辣椒的病虫害 | computer vision | NA | deep learning-based object detection | YOLO-Pepper (基于YOLOv10n改进) | image | 8046张标注图像 | NA | NA | NA | NA |
| 11479 | 2025-05-31 |
Advancing Traditional Dunhuang Regional Pattern Design with Diffusion Adapter Networks and Cross-Entropy
2025-May-21, Entropy (Basel, Switzerland)
DOI:10.3390/e27050546
PMID:40422500
|
研究论文 | 本文提出了一种名为扩散适配器网络（DANet）的新方法，用于高效生成敦煌图案，以促进传统文化的传承 | 引入了轻量级适配器模块和多头注意力模块（MHAM），结合多尺度注意力模块（MSAM）和自适应控制机制（ACM），显著提高了敦煌图案生成的准确性和细节捕捉能力 | 敦煌图案的可用性有限，难以大量收集 | 通过机器学习和深度学习方法促进传统敦煌图案的设计与传承 | 敦煌图案 | 计算机视觉 | NA | 扩散模型 | DANet（扩散适配器网络） | 图像 | 多样化敦煌图案数据集（DDHP） | NA | NA | NA | NA |
| 11480 | 2025-05-31 |
Three-Blind Validation Strategy of Deep Learning Models for Image Segmentation
2025-May-21, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050170
PMID:40423027
|
研究论文 | 提出了一种称为三盲验证策略的新验证框架，用于在主观性和标签变异性显著的情况下严格评估分割模型 | 引入了三盲验证策略，通过独立专家评估混合的分割结果，以无偏见地评估模型性能并揭示系统性问题 | 未提及具体的样本数量或数据集的多样性限制 | 介绍并证明这种验证策略作为一种可推广的框架，用于主观分割任务中的稳健模型评估 | 图像分割模型 | 计算机视觉 | NA | NA | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |