深度学习在生物医药领域中的应用
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，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10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 26637 篇文献，本页显示第 1181 - 1200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1181 | 2024-08-07 |
Editorial for "Automated Breast Density Assessment in MRI Using Deep Learning and Radiomics: Strategies for Reducing Inter-Observer Variability"
2024-07, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29059
PMID:37818764
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1182 | 2025-06-07 |
Scan-Specific Self-Supervised Bayesian Deep Non-Linear Inversion for Undersampled MRI Reconstruction
2024-06, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3364911
PMID:38335079
|
research paper | 提出一种用于欠采样MRI重建的扫描特异性自监督贝叶斯深度非线性反演方法 | 无需自动校准扫描区域，采用深度图像先验型生成建模方法和近似贝叶斯推理来正则化深度卷积神经网络 | 需要进一步验证在不同解剖结构、对比度和采样模式下的广泛适用性 | 提高欠采样MRI重建的效率和准确性 | 欠采样的MRI数据 | 医学影像处理 | NA | 深度卷积神经网络，贝叶斯推理 | CNN | MRI图像 | 多种解剖结构、对比度和采样模式的MRI数据 |
| 1183 | 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） |
| 1184 | 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 |
| 1185 | 2025-06-07 |
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 | 本文总结了人工智能（AI）、机器学习和深度学习在人类感染研究和临床实践中的最新应用及未来潜力 | 重点关注使用前瞻性收集的真实世界数据进行临床验证的研究，以及具有转化潜力的研究，如新药发现和基于微生物组的干预 | 大多数研究缺乏真实世界的验证或临床效用指标，研究设计和报告的异质性限制了可比性，存在算法透明度和偏见风险等实际和伦理问题 | 探讨AI在感染研究和临床管理中的应用及其对临床感染实践的潜在影响 | 人类感染的研究和管理 | 机器学习 | 感染性疾病 | AI、机器学习、深度学习 | NA | 实验室诊断数据、临床影像数据、公共卫生数据 | 1617篇PubMed文献被筛选，优先考虑临床试验、系统评价和荟萃分析 |
| 1186 | 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 |
| 1187 | 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 |
| 1188 | 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 |
| 1189 | 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 |
| 1190 | 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 |
| 1191 | 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 |
| 1192 | 2025-06-07 |
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 | 本文评估了轻量级深度学习技术在医学影像中用于高精度COVID-19诊断的性能 | 提出使用轻量级深度学习模型MobileNetV2进行COVID-19检测，显著降低了计算资源的成本和内存需求 | 研究未提及模型在多样化数据集上的泛化能力以及在实际临床环境中的验证 | 开发低成本、移动化的即时COVID-19检测系统，特别是在中低收入国家 | COVID-19的医学影像诊断 | 数字病理 | COVID-19 | 深度学习 | MobileNetV2 | 医学影像（胸部X光和CT） | NA |
| 1193 | 2025-06-07 |
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 | 使用深度学习预测COVID-19 mRNA疫苗的降解 | 提出了两种混合深度神经网络模型GCN_GRU和GCN_CNN，用于从RNA序列预测RNA降解，其中GCN_GRU模型在测试中表现显著优于GCN_CNN模型 | NA | 研究混合深度学习是否能从RNA序列预测RNA降解 | COVID-19 mRNA疫苗的RNA序列 | 机器学习 | COVID-19 | 深度学习 | GCN_GRU, GCN_CNN | RNA序列 | NA |
| 1194 | 2025-06-07 |
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 | 本文提出了一种基于政治优化器的深度神经网络（OD-PODNN）的异常检测模型，用于金融危机的预测 | 提出了一种结合隔离森林（iForest）异常检测方法和政治优化器（PO）的深度神经网络（DNN）模型，用于金融危机的预测，并通过超参数优化提高了分类准确性 | 模型训练过程中超参数调优的复杂性可能是其局限性之一 | 提高金融危机预测（FCP）的准确性，以支持可持续经济的发展 | 公司或企业的财务状况 | 机器学习 | NA | 政治优化器（PO）、隔离森林（iForest）、深度神经网络（DNN） | OD-PODNN（基于政治优化器的深度神经网络） | 金融数据 | 使用了三个不同的数据集进行评估 |
| 1195 | 2025-06-07 |
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 | 本文提出了一种结合注意力机制和mixup数据增强技术的深度卷积神经网络，用于COVID-19 CT图像的自动分类 | 引入了特征级注意力层以增强卷积网络提取的判别性特征，并采用mixup数据增强技术提升网络性能 | 仅在COVID-CT数据集上进行了验证，未在其他COVID-19影像数据集上测试泛化能力 | 开发高精度的COVID-19 CT图像自动分类系统 | COVID-19患者的CT影像 | 计算机视觉 | COVID-19 | mixup数据增强 | CNN（ResNet50架构） | 医学影像（CT图像） | COVID-CT数据集（具体数量未说明） |
| 1196 | 2025-06-07 |
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 | 提出了一种结合深度学习和多智能体场景的深度循环高斯Nesterov最优梯度（DR-GNOG）推荐系统，用于社交网络中的精确推荐 | 结合深度学习和多智能体场景，提出DR-GNOG模型，解决了推荐系统中的梯度消失问题，并提高了推荐准确性和效率 | 未提及模型在大规模数据集上的可扩展性和计算资源需求 | 提高社交网络中信息推荐的准确性和效率 | 社交网络中的用户推文数据 | 机器学习 | NA | 深度学习和多智能体技术 | DR-GNOG（深度循环高斯Nesterov最优梯度模型） | 文本（推文） | 未明确提及具体样本数量 |
| 1197 | 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 |
| 1198 | 2025-06-07 |
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
|
research paper | 该研究提出了一种基于深度学习的自动化COVID-19检测方法，使用完整的胸部CT扫描 | 利用残差网络和跳跃连接的优势，提出了一种硬件需求较低的COVID-19检测方法，可在网络边缘部署 | 未提及模型在不同数据集上的泛化能力或临床验证结果 | 开发一种自动化COVID-19诊断方法，以加快诊断过程并保持准确性 | COVID-19患者的胸部CT扫描 | digital pathology | COVID-19 | deep learning | ResNet | CT图像 | 未明确提及样本数量 |
| 1199 | 2025-06-07 |
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
|
research paper | 比较不同深度学习模型在胸部X光图像中检测COVID-19的性能 | 设计并比较了四种深度学习架构（包括CNN、VGG-19、Inception和MobileNet）在COVID-19检测中的表现，使用迁移学习技术进行了45次不同实验 | 仅进行了二元分类，未考虑COVID-19的严重程度或其他肺部疾病的鉴别诊断 | 比较不同深度学习模型在COVID-19诊断中的性能 | 胸部X光图像 | computer vision | COVID-19 | transfer learning | CNN, VGG-19, Inception, MobileNet | image | NA |
| 1200 | 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 |