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 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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1181 | 2025-10-05 |
An interpretable credit risk assessment model with boundary sample identification
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2988
PMID:40989404
|
研究论文 | 提出一种结合逻辑回归和深度学习的可解释信用风险评估模型，通过边界样本识别提升预测精度 | 提出ARPD算法过滤噪声样本并识别边界样本，结合可解释逻辑回归和深度学习子模型的混合架构 | 未明确说明模型计算复杂度及处理大规模数据时的效率问题 | 开发高精度且可解释的信用风险评估模型 | 信用风险预测中的边界样本和噪声样本 | 机器学习 | NA | NA | 逻辑回归,深度学习 | 信用风险数据 | 四个公开数据集(PCL、FICO、CCF、VL) | NA | 混合模型架构(逻辑回归+深度学习) | AUC | NA |
| 1182 | 2025-10-05 |
Optimising AI writing assessment using feedback and knowledge graph integration
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2893
PMID:40989410
|
研究论文 | 提出一种结合深度学习、用户反馈和知识图谱的AI写作评估框架 | 集成动态关系知识图谱和用户反馈机制，提供个性化写作建议 | 仅基于初步数据验证，需要更广泛的用户研究 | 优化AI写作评估系统的效果和个性化反馈能力 | 写作评估系统和学习者写作能力 | 自然语言处理 | NA | 深度学习, 知识图谱, 用户反馈机制 | Transformer, GNN | 文本 | NA | NA | BERT, GPT-3, 图神经网络 | 用户满意度, 文本质量改进, 参与度 | NA |
| 1183 | 2025-10-05 |
HTCNN-Attn: a fine-grained hierarchical multi-label deep learning model for disaster emergency information intelligent extraction from social media
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2992
PMID:40989418
|
研究论文 | 提出一种用于从社交媒体中智能提取灾害应急信息的细粒度分层多标签深度学习模型HTCNN-Attn | 集成三级树状标签架构、基于Transformer的全局特征提取、CNN局部模式捕获和分层注意力机制，采用分层损失函数确保标签一致性 | NA | 从嘈杂的社交媒体中提取细粒度灾害应急信息以支持应急响应协调 | 社交媒体文本数据（推文） | 自然语言处理 | NA | 深度学习 | Transformer, CNN | 文本 | Appen、HumAID和CrisisBench数据集 | NA | HTCNN-Attn（分层Transformer-CNN注意力模型） | 准确率, Micro-F1, 分层一致性分数 | 轻量级设计实现高效实时部署（12.0 ms延迟） |
| 1184 | 2025-10-05 |
Comparison of EfficientNet CNN models for multi-label chest X-ray disease diagnosis
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2968
PMID:40989417
|
研究论文 | 本研究使用EfficientNet CNN模型和坐标注意力机制开发了一种轻量级快速架构，用于胸部X射线图像的多标签疾病诊断 | 提出了一种混合轻量级、快速且基于注意力的架构，在保持高分类性能的同时降低了计算成本 | 仅使用单一数据集进行验证，未在外部数据集上测试模型泛化能力 | 开发自主检测14种不同疾病的深度学习系统，支持放射科医生的诊断决策 | 胸部X射线图像中的14种疾病 | 计算机视觉 | 胸部疾病 | 深度学习 | CNN | 图像 | 112,104张标记的胸部X射线图像 | NA | EfficientNetB0-B7,坐标注意力机制 | AUC | NA |
| 1185 | 2025-10-05 |
Transformer-based tokenization for IoT traffic classification across diverse network environments
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3126
PMID:40989431
|
研究论文 | 提出了一种基于Transformer的物联网流量分类框架MIND-IoT，通过自定义标记化处理解决多样化网络环境中的流量分类问题 | 设计了IoT-Tokenize自定义标记化管道，将统计流量特征转换为语义特征-值对；采用混合架构结合Transformer和CNN的优势 | 未明确说明在极端网络环境或对抗性攻击下的性能表现 | 开发能够跨多样化物联网环境进行流量分类的通用框架 | 物联网网络流量数据 | 自然语言处理, 机器学习 | NA | 网络流量分析 | Transformer, CNN | 网络流量数据 | 多个大规模物联网数据集（UNSW IoT Traces, MonIoTr, IoT Sentinel, YourThings, IoT-FCSIT） | NA | Transformer, CNN混合架构 | 准确率, F1分数 | NA |
| 1186 | 2025-10-05 |
Regularized multi-path XSENet ensembler for enhanced student performance prediction in higher education
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3032
PMID:40989441
|
研究论文 | 提出一种新型教育数据挖掘方法XSEJNet，用于预测高等教育中的学生表现水平 | 集成ResNeXt架构与SE注意力机制的混合模型，并采用Jaya优化算法优化超参数 | NA | 预测高等教育中学生表现水平（低、中、高）以支持学术规划和学生支持 | 高等教育学生 | 教育数据挖掘 | NA | 教育数据挖掘 | 混合模型 | 结构化和非结构化学术数据 | NA | NA | ResNeXt,SE注意力机制 | 准确率 | NA |
| 1187 | 2025-10-05 |
A novel deep learning approach for predicting stone-free rates post-ESWL on uncontrasted CT
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3111
PMID:40989424
|
研究论文 | 开发一种基于非对比CT图像的深度学习模型，用于预测体外冲击波碎石术后的无石率 | 提出结合局部二值模式和方向梯度直方图特征提取方法，并使用邻域成分分析降维的混合人工智能模型 | 回顾性研究设计，样本仅来自单一时间段（2016-2021年）的910名患者 | 评估人工智能模型在预测ESWL治疗效果方面的效能 | 接受体外冲击波碎石术治疗的肾结石患者 | 医学影像分析 | 肾结石 | 非对比计算机断层扫描 | CNN, 纹理特征模型 | CT图像 | 910名患者 | NA | 七种不同卷积神经网络架构与两种纹理基模型的混合模型 | 准确率 | NA |
| 1188 | 2025-10-05 |
A hybrid deep learning approach with progressive cyclical CNN and firebug swarm optimization for breast cancer detection
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3119
PMID:40989432
|
研究论文 | 提出一种结合渐进循环CNN和萤火虫群优化的混合深度学习方法来提升乳腺癌检测性能 | 整合了分块图像分割、混合深度特征提取、渐进循环CNN训练策略和萤火虫群优化算法进行超参数调优 | 仅在CBIS-DDSM数据集上验证，未在其他数据集测试泛化能力 | 提高乳腺癌医学影像检测的准确性和及时性 | 乳腺X线摄影图像中的恶性病变 | 计算机视觉 | 乳腺癌 | 医学影像分析 | CNN | 图像 | CBIS-DDSM数据集 | NA | 渐进循环卷积神经网络(P-CycCNN) | 准确率,精确率,召回率,F1分数,AUC | NA |
| 1189 | 2025-10-05 |
A progressive attention-based cross-modal fusion network for cardiovascular disease detection using synchronized electrocardiogram and phonocardiogram signals
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3038
PMID:40989428
|
研究论文 | 提出一种基于渐进注意力的跨模态融合网络PACFNet，用于同步心电图和心音图信号的心血管疾病检测 | 提出四层渐进融合机制和选择性注意力跨模态融合模块，通过级联空间和通道注意力动态强调跨模态的显著特征贡献 | 仅在公开数据集PhysioNet 2016上进行验证，需要更多临床数据验证泛化能力 | 开发端到端的心血管疾病检测方法 | 同步心电图(ECG)和心音图(PCG)信号 | 医疗信号处理 | 心血管疾病 | 心跳到心跳分割方法 | 深度学习神经网络 | 生理信号数据(ECG和PCG) | 公共PhysioNet 2016数据集 | NA | 三分支架构(两个模态特定编码器和一个跨模态融合编码器) | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 1190 | 2025-10-05 |
Feature-based enhanced boosting algorithm for depression detection
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2981
PMID:40989434
|
研究论文 | 提出一种基于特征的增强提升算法用于抑郁症检测 | 开发了特征工程和分类双管道的新型增强提升算法，集成注意力机制和对抗层防御机制 | NA | 通过机器学习技术改进抑郁症早期检测 | 社交媒体数据中的抑郁症检测 | 自然语言处理 | 抑郁症 | 文本分析 | 集成学习,注意力机制 | 文本 | 超过4600万条记录 | NA | BERT,WordVec | 准确率 | NA |
| 1191 | 2025-10-05 |
Periodontitis bone loss detection in panoramic radiographs using modified YOLOv7
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3102
PMID:40989442
|
研究论文 | 提出改进的YOLOv7模型用于全景X光片中的牙周炎骨流失检测 | 提出YOLOv7-M模型，包含焦点模块和特征融合模块，实现快速推理和增强特征提取能力 | NA | 开发自动化牙周炎骨流失诊断方法 | 全景X光片中的牙周炎骨流失区域 | 计算机视觉 | 牙周炎 | 全景X光成像 | YOLO | 医学影像 | NA | NA | YOLOv7-M | F1分数,精确率,召回率,平均精度均值(mAP) | NA |
| 1192 | 2025-10-05 |
Design of tennis auxiliary teaching system based on reinforcement learning and multi-feature fusion
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3188
PMID:40989459
|
研究论文 | 基于强化学习和多特征融合的网球辅助教学系统，用于准确识别和评估网球动作 | 结合强化学习提取优化关键帧，使用遗传算法融合多特征，提出基于动态时间规整的评分方法 | NA | 设计网球辅助教学系统以准确识别和评估网球动作 | 网球动作视频序列 | 计算机视觉 | NA | 人体姿态识别，强化学习，遗传算法 | NA | 视频 | NA | NA | AGCN, ST-GCN | 分类准确率 | NA |
| 1193 | 2025-10-05 |
Multi-objective optimization for smart cities: a systematic review of algorithms, challenges, and future directions
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3042
PMID:40989444
|
系统综述 | 本文对智能城市中的多目标优化技术进行了系统文献综述，涵盖算法分类、性能评估和未来研究方向 | 提出了多目标优化算法的四大家族分类体系，开发了即用型基准测试工具包和部署导向的算法选择矩阵 | 现有方法存在跨领域泛化能力有限、不确定性处理不足和AI模型可解释性低等挑战 | 评估智能城市背景下多目标优化技术的演进、分类和性能表现 | 117篇2015-2025年间发表的同行评审研究 | 机器学习 | NA | 多目标优化算法 | 深度学习,进化算法 | 文献数据 | 117篇研究论文 | NA | NSGA-II, MOED/D | 计算效率,可扩展性,场景适用性 | NA |
| 1194 | 2025-10-05 |
A robust detect and describe framework for object recognition in early childhood education
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3080
PMID:40989446
|
研究论文 | 提出一个用于幼儿教育中物体识别的鲁棒检测与描述框架 | 结合YOLOv8和VGG16进行物体及内部物体检测，并利用LSTM生成语义描述，应用于学前教育场景 | 使用自定义数据集PreEduDS，可能缺乏广泛泛化性 | 开发认知增强框架以识别嵌套物体，提升学前教育质量 | 幼儿教育中的基本形状、颜色和字母等物体 | 计算机视觉 | NA | 深度学习 | YOLOv8, VGG16, LSTM | 图像 | 自定义数据集PreEduDS | PyTorch, OpenCV, Ultralytics | YOLOv8, VGG16, LSTM | 准确率 | Google Colab |
| 1195 | 2025-10-05 |
Systematic review: progress in EEG-based speech imagery brain-computer interface decoding and encoding research
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2938
PMID:40989443
|
综述 | 系统回顾基于脑电图的语音想象脑机接口在神经解码与编码方面的研究进展 | 深入探讨语音想象脑机接口的脑连接机制及其在神经编码解码中的关键作用，分析多种语音想象范式的研究进展 | 作为综述文章未涉及原始实验数据，主要基于现有文献进行分析总结 | 系统总结语音想象脑机接口技术的研究现状与发展方向 | 基于脑电图的语音想象脑机接口研究 | 脑机接口 | NA | 脑电图 | 机器学习,深度学习 | 脑电信号 | NA | NA | NA | NA | NA |
| 1196 | 2025-10-05 |
A hybrid deep learning framework for skin disease localization and classification using wearable sensors
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3002
PMID:40989455
|
研究论文 | 提出一种基于可穿戴传感器和临床数据的混合深度学习框架，用于皮肤疾病的定位和分类 | 结合全卷积残差神经网络生成可解释的疾病概率图，并采用多模态融合方法整合图像特征与临床数据 | NA | 开发可解释的皮肤疾病检测系统 | 皮肤疾病患者 | 计算机视觉 | 皮肤疾病 | 可穿戴传感器技术 | CNN, FCRN | 图像, 临床数据 | NA | NA | 全卷积残差神经网络 | 准确率, 灵敏度, 特异性 | NA |
| 1197 | 2025-10-05 |
Quantification of left ventricular mass in multiple views of echocardiograms using model-agnostic meta learning in a few-shot setting
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3161
PMID:40989454
|
研究论文 | 本研究提出了一种基于热图的点估计分割模型，通过模型无关元学习在少样本设置下实现多视角超声心动图中左心室质量的量化 | 采用模型无关元学习(MAML)方法，能够在少样本情况下快速适应新的超声心动图视角，学习共享表示和视角特定头部 | 研究仅在特定数据集和有限样本量(1-shot, 5-shot, 10-shot)下验证，临床应用的普适性需要进一步验证 | 开发能够在少样本情况下准确量化多视角超声心动图中左心室质量的方法 | 超声心动图中的左心室质量测量 | 医学影像分析 | 心血管疾病 | 超声心动图 | MAML, 分割模型 | 超声心动图图像 | 使用EchoNet-LVH数据集(PLAX视图)、TMED-2数据集(PSAX视图)和CAMUS数据集(心尖2腔和4腔视图)，在1-shot、5-shot和10-shot场景下训练 | NA | 基于热图的点估计分割模型 | 平均距离误差, 平均角度误差, 成功距离误差, 空间角度相似性 | NA |
| 1198 | 2025-10-05 |
Deep learning in time series forecasting with transformer models and RNNs
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3001
PMID:40989451
|
研究论文 | 本研究比较了14种神经网络模型在时间序列天气预报中的性能，重点关注Transformer和RNN模型的表现差异 | 系统比较了多种Transformer和RNN模型在时间序列预测中的表现，明确了各自在长期和短期预测中的优势 | RNN模型在短期预测中更容易出现显著误差 | 评估不同神经网络模型在时间序列天气预报中的准确性和适用性 | 天气变量时间序列数据 | 机器学习 | NA | 时间序列分析 | Transformer, RNN | 时间序列数据 | NA | NA | Informer, iTransformer, Former, PatchTST, TCN, BiTCN | MedianAbsE, MeanAbsE, MaxAbsE, RMSPE, RMSE | NA |
| 1199 | 2025-10-05 |
Predicting danceability and song ratings using deep learning and auditory features
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3009
PMID:40989462
|
研究论文 | 提出一种融合双向长短期记忆网络和残差网络的深度学习框架，用于联合预测歌曲的舞蹈性和流行度评分 | 首次将跨注意力机制应用于异构音乐数据建模，通过BiLSTM和ResNet分别处理分类输入和数值听觉特征，实现多模态特征的有效融合 | 未明确说明模型在跨音乐流派和不同文化背景下的泛化能力 | 开发能够准确预测歌曲舞蹈性和流行度的智能音乐分析系统 | 音乐歌曲的听觉特征和分类属性 | 机器学习 | NA | 深度学习 | BiLSTM, ResNet | 数值听觉特征，分类音乐数据 | NA | NA | 双向长短期记忆网络，残差网络，跨注意力机制 | NA | NA |
| 1200 | 2025-10-05 |
Enhancing fruit freshness classification with adaptive knowledge distillation and global response normalization in convolutional networks
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3198
PMID:40989448
|
研究论文 | 提出一种结合自适应知识蒸馏和全局响应归一化的深度学习架构用于水果新鲜度分类 | 首次将自适应知识蒸馏与全局响应归一化结合，通过从教师模型向学生模型传递注意力图实现高效知识迁移 | NA | 通过早期检测腐烂水果来减少食物浪费并提升农业质量控制 | 水果新鲜度分类（新鲜或腐烂） | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | 教师模型-学生模型架构 | 准确率,F1分数,AUC | NA |