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 12261 - 12280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12261 | 2025-05-03 |
Causality-driven candidate identification for reliable DNA methylation biomarker discovery
2025-Jan-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56054-y
PMID:39814752
|
研究论文 | 提出了一种基于因果驱动的深度正则化框架，用于可靠地识别DNA甲基化生物标志物候选 | 结合因果思维、深度学习和生物先验知识，通过对比方案和空间关系正则化处理非因果混杂因素 | 未明确提及具体局限性 | 提高DNA甲基化生物标志物发现的可靠性，减少资源浪费 | DNA甲基化生物标志物候选 | 生物信息学 | 多种人类疾病 | DNA甲基化测序 | 深度学习 | DNA甲基化数据 | 涉及多种人类疾病、样本来源和测序技术的模拟和应用 | NA | NA | NA | NA |
| 12262 | 2025-05-03 |
Fast and accurate deep learning scans for signatures of natural selection in genomes using FASTER-NN
2025-Jan-15, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-025-07480-7
PMID:39814854
|
research paper | 介绍了一种名为FASTER-NN的深度学习模型，用于在基因组中快速准确地检测自然选择的特征 | FASTER-NN通过扩张卷积处理等位基因频率和基因组位置，提高了检测自然选择的敏感性，且执行时间不受样本大小和染色体长度的影响 | 未提及具体的局限性 | 开发一种能够精确检测自然选择特征的深度学习分类器 | 基因组中的自然选择特征 | machine learning | NA | CNN | FASTER-NN | genomic data | NA | NA | NA | NA | NA |
| 12263 | 2025-05-03 |
Signatures of H3K4me3 modification predict cancer immunotherapy response and identify a new immune checkpoint-SLAMF9
2025-Jan-15, Respiratory research
IF:4.7Q1
DOI:10.1186/s12931-024-03093-6
PMID:39815269
|
研究论文 | 本研究通过分析H3K4me3修饰模式，构建了一个预测癌症免疫治疗反应的风险评分系统，并发现SLAMF9在免疫抑制和免疫治疗抵抗中的作用 | 首次构建了基于H3K4me3修饰模式的风险评分系统（H3K4me3-RS），并发现SLAMF9作为新的免疫检查点基因 | 研究主要基于生物信息学分析，实验验证部分仅限于小鼠黑色素瘤模型 | 探索H3K4me3修饰与抗肿瘤免疫之间的调控关系，并开发预测免疫治疗反应的生物标志物系统 | 肺癌腺癌（LUAD）患者和多种癌症类型的样本 | 癌症免疫学 | 肺癌 | RNA-seq, 深度学习分析 | PCA, 深度学习模型 | 基因表达数据 | 12,159个癌症样本（来自26种癌症类型）和725个癌症样本（来自5个免疫治疗队列） | NA | NA | NA | NA |
| 12264 | 2025-05-03 |
Optimizing pain management in breast cancer care: Utilizing 'All of Us' data and deep learning to identify patients at elevated risk for chronic pain
2025-Jan, Journal of nursing scholarship : an official publication of Sigma Theta Tau International Honor Society of Nursing
IF:2.4Q1
DOI:10.1111/jnu.13009
PMID:39056443
|
研究论文 | 本研究利用深度学习方法和'All of Us'数据开发了一个预测模型，用于识别乳腺癌患者中慢性疼痛高风险人群 | 创新点在于结合时间序列和静态数据，使用基于Transformer的时间序列分类器进行预测 | NA | 开发预测模型以识别乳腺癌患者中慢性疼痛高风险人群 | 乳腺癌患者 | 机器学习 | 乳腺癌 | 深度学习 | Transformer-based time-series classifier | 人口统计、诊断和社会调查数据 | 1131名患者 | NA | NA | NA | NA |
| 12265 | 2025-05-03 |
An ensemble deep learning framework for energy demand forecasting using genetic algorithm-based feature selection
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0310465
PMID:39813218
|
研究论文 | 提出了一种集成深度学习方法，结合遗传算法进行特征选择，用于能源需求预测 | 集成遗传算法与多种预测模型（LSTM、BiLSTM、GRU）进行特征选择，并使用堆叠集成技术结合预测结果 | 未提及模型在实际应用中的泛化能力或在不同地理区域的适用性 | 提高能源需求预测的准确性和鲁棒性 | 历史能源消耗数据、天气变量和时间特征 | 机器学习 | NA | 遗传算法、深度学习 | LSTM、BiLSTM、GRU、集成学习 | 时间序列数据 | 数据集被分为工作日和周末子集，进行了十次模拟 | NA | NA | NA | NA |
| 12266 | 2025-05-03 |
Dynamics and triggers of misinformation on vaccines
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316258
PMID:39813203
|
research paper | 该研究分析了2016至2021年间意大利社交媒体上关于疫苗的辩论，探讨了虚假信息的动态和触发因素 | 揭示了虚假信息不仅是新闻生态系统的寄生虫，而且是一种能够压倒主流媒体疫苗相关内容生产的自主力量 | 研究仅关注意大利的社交媒体平台，可能无法完全代表其他地区的情况 | 探讨疫苗相关虚假信息的动态和触发因素，以及其对公众参与的影响 | 意大利社交媒体平台（Facebook、Instagram、Twitter、YouTube）上的疫苗辩论内容 | natural language processing | NA | symbolic transfer entropy analysis, deep learning models | deep learning | text | 6年（2016-2021）的意大利社交媒体数据 | NA | NA | NA | NA |
| 12267 | 2025-05-03 |
A framework for assessing reliability of observer annotations of aerial wildlife imagery, with insights for deep learning applications
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316832
PMID:39813190
|
研究论文 | 提出一个评估空中野生动物图像观察者标注可靠性的框架，并探讨其对深度学习应用的影响 | 通过聚类多个观察者的标注并选择模式分类，计算个体观察者与聚合标注集之间的一致性指标，评估标注可靠性 | 样本量有限，可能影响结果的普遍性 | 评估空中野生动物图像观察者标注的可靠性，以提高深度学习模型的训练数据质量 | 新墨西哥州迁徙水禽的无人机图像 | 计算机视觉 | NA | NA | 深度学习 | 图像 | 12张无人机图像 | NA | NA | NA | NA |
| 12268 | 2025-05-03 |
A novel multi-user collaborative cognitive radio spectrum sensing model: Based on a CNN-LSTM model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316291
PMID:39813223
|
研究论文 | 提出了一种基于CNN-LSTM模型的多用户协作认知无线电频谱感知模型，以提高频谱感知的准确性和效率 | 结合CNN的局部特征提取能力和LSTM处理序列数据的优势，并引入多头自注意力机制，优化了动态复杂环境下的模型适应性和鲁棒性 | NA | 提升多用户协作认知无线电系统中的频谱感知性能 | 认知无线电系统中的多用户协作频谱感知 | 机器学习 | NA | NA | CNN-LSTM | 序列数据 | 不同数量的次级用户（16、24、32、40、48） | NA | NA | NA | NA |
| 12269 | 2025-05-03 |
Deep learning methods for improving the accuracy and efficiency of pathological image analysis
2025 Jan-Mar, Science progress
IF:2.6Q2
DOI:10.1177/00368504241306830
PMID:39814425
|
研究论文 | 本研究提出了一种结合U-Net和EfficientNetV2的深度学习模型，用于提高病理图像分析的准确性和效率 | 开发了一种新的热图生成算法，结合了精细的图像预处理、数据增强策略、集成学习、注意力机制和深度特征融合技术 | NA | 提高病理图像分析的准确性和效率 | 病理图像 | 数字病理 | NA | 深度学习 | U-Net, EfficientNetV2 | 图像 | NA | NA | NA | NA | NA |
| 12270 | 2025-05-03 |
Machine Learning Approaches for Neuroblastoma Risk Prediction and Stratification
2025, Critical reviews in oncogenesis
DOI:10.1615/CritRevOncog.2024056447
PMID:39819432
|
研究论文 | 本文探讨了机器学习在神经母细胞瘤风险预测和分层中的应用及其潜力 | 利用大规模生物和临床数据，机器学习模型能够检测传统方法常忽视的复杂模式，从而实现更个性化的治疗和更好的患者预后 | 数据规模有限、模型可解释性、数据变异性以及临床整合困难等问题阻碍了更广泛的应用 | 通过机器学习改进神经母细胞瘤的早期诊断、风险评估和治疗决策 | 神经母细胞瘤患者 | 机器学习 | 神经母细胞瘤 | 支持向量机、随机森林、深度学习 | SVM、随机森林、深度学习模型 | 生物和临床数据 | NA | NA | NA | NA | NA |
| 12271 | 2025-05-03 |
Multispectral imaging-based detection of apple bruises using segmentation network and classification model
2025-Jan, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70003
PMID:39832229
|
研究论文 | 提出了一种结合多光谱成像系统和深度学习的方法，用于准确检测苹果的损伤程度和损伤时间 | 改进了DeepLabV3+网络，采用深度可分离卷积和高效通道注意力机制，并替换损失函数为焦点损失，提高了损伤区域分割的准确性；改进DenseNet121，使用余弦退火算法调整学习率，引入压缩-激励注意力机制和高斯误差线性单元激活函数，提高了损伤程度和时间的识别准确率 | NA | 准确检测苹果的损伤程度和损伤时间 | 苹果 | 计算机视觉 | NA | 多光谱成像 | DeepLabV3+, EfficientNetV2, DenseNet121, ShuffleNetV2 | 图像 | 测试集中两种类型的苹果 | NA | NA | NA | NA |
| 12272 | 2025-05-03 |
Deep learning in neurosurgery: a systematic literature review with a structured analysis of applications across subspecialties
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1532398
PMID:40308224
|
系统文献综述 | 本研究系统综述了深度学习在神经外科实践中的应用，全面了解深度学习在神经外科中的角色 | 提供了深度学习技术在神经外科各亚专科中的具体应用、局限性和未来方向的系统综述 | 深度学习模型在神经外科实践中的整合面临挑战和限制 | 系统评估深度学习在神经外科实践中的应用及其潜力 | 神经外科各亚专科的深度学习应用研究 | 数字病理 | 神经外科相关疾病 | 深度学习 | DL算法 | 视频、图像、CT、MRI和超声数据 | 181篇符合条件的研究文章 | NA | NA | NA | NA |
| 12273 | 2025-05-03 |
An android-smartphone application for rice panicle detection and rice growth stage recognition using a lightweight YOLO network
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1561632
PMID:40308302
|
研究论文 | 本研究开发了一个基于改进YOLOv8模型的安卓智能手机应用，用于水稻穗检测和生长阶段识别 | 提出了YOLO_ECO模型，通过C2f-Faster-EMA模块、Slim Neck结构和LSCD头部等改进，显著提升了检测效率和精度 | NA | 提高精准田间管理水平以最大化粮食产量 | 水稻穗及其生长阶段（孕穗期、抽穗期和灌浆期） | 计算机视觉 | NA | 深度学习 | YOLO_ECO（改进的YOLOv8） | 图像 | NA | NA | NA | NA | NA |
| 12274 | 2025-05-03 |
Approach for enhancing the accuracy of semantic segmentation of chest X-ray images by edge detection and deep learning integration
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1522730
PMID:40309721
|
研究论文 | 提出了一种结合边缘检测和深度学习的方法来提高胸部X光图像语义分割的准确性 | 整合了Sobel和Scharr边缘检测滤波器与U-net深度学习架构，显著提升了分割精度 | 未提及对不同设备或不同质量X光图像的泛化能力 | 提高胸部X光图像中解剖结构的分割准确性，以改善心胸疾病的诊断 | 胸部X光图像中的肺、心脏和锁骨 | 计算机视觉 | 心胸疾病 | 边缘检测（Sobel和Scharr滤波器） | U-net | 图像 | NA | NA | NA | NA | NA |
| 12275 | 2025-05-03 |
EfficientNetB0-Based End-to-End Diagnostic System for Diabetic Retinopathy Grading and Macular Edema Detection
2025, Diabetes, metabolic syndrome and obesity : targets and therapy
DOI:10.2147/DMSO.S506494
PMID:40309724
|
研究论文 | 开发并验证了一种基于深度学习的自动化诊断系统，用于快速准确诊断糖尿病视网膜病变（DR）及其并发症 | 采用EfficientNetB0模型构建端到端诊断系统，实现DR分级和糖尿病黄斑水肿（DME）检测，并通过Grad-CAM增强模型可解释性 | 未提及模型在不同人群或设备采集图像上的泛化能力 | 提高糖尿病视网膜病变诊断的效率和准确性 | 2753名患者的19,031张荧光素血管造影（FFA）图像 | 数字病理学 | 糖尿病视网膜病变 | 荧光素血管造影（FFA） | EfficientNetB0 | 图像 | 19,031张FFA图像（来自2,753名患者） | NA | NA | NA | NA |
| 12276 | 2025-05-03 |
Corrigendum: Bioinformatic analysis reveals the association between bacterial morphology and antibiotic resistance using light microscopy with deep learning
2025, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2025.1607769
PMID:40313407
|
correction | 本文是对先前发表的文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12277 | 2025-05-03 |
Psoriasis severity assessment: Optimizing diagnostic models with deep learning
2024-Dec, Narra J
DOI:10.52225/narra.v4i3.1512
PMID:39816098
|
research paper | 本研究评估了深度学习模型在银屑病严重程度自动分类中的应用 | 使用五种改进的深度卷积神经网络（DCNN）进行银屑病严重程度分类，并确定ResNet50为最优模型 | 需要进一步的临床验证和模型优化 | 优化银屑病严重程度的诊断模型 | 银屑病临床图像 | computer vision | psoriasis | deep learning | ResNet50, VGGNet19, MobileNetV3, MnasNet, EfficientNetB0 | image | 1,546张临床图像（1,082张用于训练，463张用于验证和测试） | NA | NA | NA | NA |
| 12278 | 2025-05-03 |
scHiClassifier: a deep learning framework for cell type prediction by fusing multiple feature sets from single-cell Hi-C data
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf009
PMID:39831891
|
研究论文 | 提出了一种名为scHiClassifier的深度学习框架，通过融合单细胞Hi-C数据的多个特征集来预测细胞类型 | 提出了四个具有明确解释性和生物学意义的新特征集，并开发了一个基于多头自注意力编码器、1D卷积和特征融合的新型深度学习框架 | 当前基于单细胞Hi-C数据的细胞类型预测框架有限，常面临特征解释性和生物学意义的挑战，且缺乏令人信服和稳健的分类性能验证 | 开发一种能够利用单细胞Hi-C数据识别细胞类型的方法 | 单细胞Hi-C数据 | 生物信息学 | NA | 单细胞高通量染色体构象捕获技术（Hi-C） | 多头自注意力编码器、1D卷积 | 单细胞Hi-C数据 | 六个数据集 | NA | NA | NA | NA |
| 12279 | 2025-05-03 |
The Updated Registry of Fast Myocardial Perfusion Imaging with Next-Generation SPECT (REFINE SPECT 2.0)
2024-Nov-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.268292
PMID:39362762
|
研究论文 | 介绍了更新后的REFINE SPECT 2.0注册表，包括更多患者和CT衰减校正成像的设计和初步结果 | 扩展了REFINE SPECT注册表，增加了CT衰减校正成像，并利用深度学习软件检测冠状动脉钙化 | 仅8.4%的患者有侵入性冠状动脉造影相关数据 | 评估SPECT心肌灌注成像的价值，验证新的人工智能工具在多模态成像中预测不良结局的效果 | 45,252名患者的心肌灌注成像数据 | 数字病理学 | 心血管疾病 | SPECT, CT衰减校正成像, 深度学习 | 深度学习 | 图像 | 45,252名患者来自13个中心 | NA | NA | NA | NA |
| 12280 | 2025-05-03 |
Advancing Vascular Surgery: The Role Of Artificial Intelligence And Machine Learning In Managing Carotid Stenosis
2024-Oct-12, Portuguese journal of cardiac thoracic and vascular surgery
DOI:10.48729/pjctvs.411
PMID:39820882
|
review | 本文探讨了人工智能和机器学习在颈动脉狭窄诊断、风险分层和管理中的应用 | 利用AI增强的影像技术和深度学习显著提高了颈动脉斑块易损性和症状性斑块的诊断准确性 | 面临临床验证和数据隐私的挑战 | 提高颈动脉狭窄的诊断准确性和风险分层，改善患者管理 | 颈动脉狭窄患者 | machine learning | cardiovascular disease | deep learning | NA | image | NA | NA | NA | NA | NA |