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 33853 篇文献，本页显示第 12841 - 12860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12841 | 2025-05-12 |
Injecting structure-aware insights for the learning of RNA sequence representations to identify m6A modification sites
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18878
PMID:40017651
|
研究论文 | 提出了一种名为M6A-SAI的新型预测器，用于识别RNA中的m6A修饰位点，通过整合结构感知的见解来增强序列表示学习 | M6A-SAI通过Transformer编码器学习RNA序列表示，构建相似性图捕捉序列相关性，并通过结构感知优化块和图卷积框架整合结构信息，显著提高了m6A修饰位点的识别精度 | 未提及具体的数据集规模或实验中的潜在偏差 | 准确识别RNA序列中的m6A修饰位点 | RNA序列中的m6A修饰位点 | 自然语言处理 | NA | Transformer, 图卷积, SVM | Transformer, 图卷积网络, SVM | RNA序列数据 | NA | NA | NA | NA | NA |
| 12842 | 2025-05-12 |
Deep-learning tool for early identification of non-traumatic intracranial hemorrhage etiology and application in clinical diagnostics based on computed tomography (CT) scans
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18850
PMID:40028214
|
研究论文 | 开发了一种基于深度学习的人工智能系统，用于早期识别非创伤性颅内出血的病因，并在临床诊断中应用 | 该系统能够基于非对比计算机断层扫描（NCCT）准确识别多种颅内出血病因，并在临床诊断中显著提升医生的诊断性能 | 模型在Moyamoya病（MMD）和其他病因上的AUC值相对较低，可能影响其在这些病因上的诊断准确性 | 开发一种能够准确识别非创伤性颅内出血病因的人工智能系统，并评估其在临床诊断中的应用价值 | 非创伤性颅内出血患者 | 数字病理学 | 颅内出血 | 深度学习 | 深度学习模型 | CT扫描图像 | 1,868例NCCT扫描（训练集），TT200和SD98两个独立测试集 | NA | NA | NA | NA |
| 12843 | 2025-05-12 |
Optimizing Stroke Detection Using Evidential Networks and Uncertainty-Based Refinement
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3531768
PMID:40031143
|
研究论文 | 本研究利用证据网络和基于不确定性的优化方法，提高中风后神经损伤的检测灵敏度 | 采用证据网络和不确定性估计方法，显著提高了对轻微中风损伤和短暂性脑缺血发作（TIA）的检测准确性 | 研究样本量有限，且仅针对Kinarm系统采集的运动学数据进行分析 | 优化中风后神经损伤的检测方法，提高临床评估的准确性和灵敏度 | 337名中风患者和368名健康对照者 | 机器学习 | 心血管疾病 | 深度学习 | 证据网络 | 运动学数据 | 705人（337名中风患者和368名健康对照者） | NA | NA | NA | NA |
| 12844 | 2025-05-12 |
High-Density EMG Grip Force Estimation During Muscle Fatigue via Domain Adaptation
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3541227
PMID:40031585
|
研究论文 | 提出一种基于域适应的高密度EMG握力估计方法，以改善肌肉疲劳状态下的握力估计精度 | 结合对抗训练策略和端到端深度学习模型，对齐非疲劳和疲劳状态下的EMG特征分布 | 研究仅涉及8名受试者，样本量较小 | 提高肌电接口在肌肉疲劳状态下解码用户意图的准确性 | 肌电信号（EMG）和握力估计 | 机器学习 | NA | 高密度EMG | 深度学习模型 | EMG信号 | 8名受试者 | NA | NA | NA | NA |
| 12845 | 2025-05-12 |
The More, the Better? Evaluating the Role of EEG Preprocessing for Deep Learning Applications
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3547616
PMID:40031716
|
research paper | 该研究首次全面评估了EEG预处理对深度学习应用的影响，并提出了未来研究的指导原则 | 首次系统性地研究了不同EEG预处理水平对深度学习模型性能的影响，并提出了预处理指南 | 研究仅针对特定的六种分类任务和四种EEG架构，结果可能不具备普遍性 | 评估EEG预处理在深度学习应用中的作用，确定最优预处理策略 | EEG数据及其预处理方法 | machine learning | Parkinson's, Alzheimer's disease, 精神疾病 | EEG | 深度学习模型 | EEG信号数据 | 4800个训练模型 | NA | NA | NA | NA |
| 12846 | 2025-05-12 |
Emotion-RGC net: A novel approach for emotion recognition in social media using RoBERTa and Graph Neural Networks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318524
PMID:40029933
|
研究论文 | 提出了一种名为Emotion-RGC Net的新方法，用于社交媒体中的情感识别，结合了RoBERTa、图神经网络和条件随机场 | 整合RoBERTa、GNN和CRF，提高了情感分类的准确性和鲁棒性 | 模型依赖大量标记数据，计算效率有待提高，未考虑情感演化的时间动态 | 提高社交媒体中情感识别的准确性和鲁棒性 | 社交媒体用户生成的内容 | 自然语言处理 | NA | RoBERTa, GNN, CRF | Emotion-RGC Net | 文本 | Sentiment140和Emotion两个数据集 | NA | NA | NA | NA |
| 12847 | 2025-05-12 |
Deep learning based semantic segmentation of leukemia effected white blood cell
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320596
PMID:40338981
|
research paper | 该论文提出了一种基于深度学习的白血病影响的白细胞语义分割方法 | 结合UNet++、标记分水岭算法和神经常微分方程（ODE）进行白细胞分割，提高了分割的准确性和鲁棒性 | 计算复杂度和内存空间有待优化，以便在低资源设备上部署 | 提高白细胞分割的准确性，以支持自动化血细胞分析、诊断成像和疾病监测 | 白血病影响的白细胞 | digital pathology | leukemia | UNet++, 标记分水岭算法, 神经常微分方程（ODE） | UNet++, Neural ODE | image | ALL_IDB1和ALL_IDB2数据集中的血涂片图像 | NA | NA | NA | NA |
| 12848 | 2025-05-12 |
Deep learning in assisting dermatologists in classifying basal cell carcinoma from seborrheic keratosis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1507322
PMID:40342818
|
research paper | 评估深度学习模型在辅助皮肤科医生分类基底细胞癌（BCC）和脂溢性角化病（SK）中的有效性 | 使用基于CLIP ViT-B/16架构的深度学习模型，结合注意力机制（如Grad-CAM）增强模型决策的可解释性 | 模型在验证队列中的AUC为0.71，表现略低于训练和测试队列 | 评估AI辅助诊断是否能提高分类准确性、减少误诊并改善临床结果 | 基底细胞癌（BCC）和脂溢性角化病（SK）患者 | digital pathology | skin cancer | deep learning, Grad-CAM | CLIP ViT-B/16 | image | 707名患者（内部数据集）和5572名患者（ISIC公共数据集） | NA | NA | NA | NA |
| 12849 | 2025-05-12 |
A review of lightweight convolutional neural networks for ultrasound signal classification
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1536542
PMID:40342856
|
综述 | 本文综述了轻量级卷积神经网络在超声信号分类中的应用 | 结合超声信号特点，从模型压缩和操作优化两个角度详细回顾了轻量级算法 | 未提及具体实验验证或实际应用效果 | 探索轻量级卷积神经网络在超声信号处理领域的应用 | 超声信号 | 医学图像分析 | NA | 深度学习 | 轻量级CNN | 超声信号 | 基于ImageNet数据集的经典模型实验结果 | NA | NA | NA | NA |
| 12850 | 2025-05-12 |
Automatic segmentation and quantitative analysis of brain CT volume in 2-year-olds using deep learning model
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1573060
PMID:40343184
|
研究论文 | 本研究开发了一种使用ResU-Net深度学习模型自动分割2岁儿童脑部CT图像的方法，并量化特定脑区体积，建立临床和研究应用的参考数据库 | 首次在2岁儿童脑CT图像中应用ResU-Net模型进行自动分割和体积量化，建立了该年龄段的标准参考数据库 | 研究仅纳入放射学表现正常的儿童样本，未涵盖异常或疾病状态 | 开发儿童脑CT图像的自动分割方法并建立标准体积参考值 | 2岁健康儿童的脑部CT图像 | 数字病理 | NA | CT成像 | ResU-Net, 3D U-Net | 医学影像 | 1,487例2岁儿童头部CT扫描（训练集1,041例，测试集446例） | NA | NA | NA | NA |
| 12851 | 2025-05-12 |
High-yield spidroin mimics for bioinspired fibers via computational design
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1587546
PMID:40343205
|
研究论文 | 通过计算设计高产的蜘蛛丝蛋白模拟物，用于仿生纤维的生产 | 结合深度学习和生物工程技术，设计出适合原核表达的水溶性、富含β-折叠的蜘蛛丝蛋白模拟物，克服了传统表达系统的瓶颈 | NA | 解决蜘蛛丝蛋白在大规模生产中的表达难题，推动高性能仿生纤维的应用 | 蜘蛛丝蛋白模拟物 | 生物工程 | NA | 深度学习、生物工程、静电纺丝、粗粒化分子动力学模拟 | NA | NA | 设计了五种功能性蜘蛛丝蛋白，并在原核系统中表达，产量高达0.99克/升 | NA | NA | NA | NA |
| 12852 | 2025-05-12 |
Brain tumor classification using MRI images and deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322624
PMID:40344143
|
research paper | 本研究开发了一种基于深度学习和MRI图像的自动化脑肿瘤分类系统 | 采用预训练的VGG16作为基础模型的CNN架构，结合数据增强技术和微调策略，实现了99.24%的高准确率 | 未提及模型在临床环境中的实际应用效果验证 | 开发一个能够准确检测和分类不同类型脑肿瘤的模型 | 脑MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和正常脑扫描 | digital pathology | brain tumor | MRI | CNN (VGG16) | image | 17,136张脑MRI图像 | NA | NA | NA | NA |
| 12853 | 2025-05-12 |
EEG Emotion Recognition Based on 3D-CTransNet
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782401
PMID:40031451
|
research paper | 提出了一种基于3D-CTransNet的EEG情绪识别方法，用于解决传统CNN-LSTM混合结构在长序列信号识别中的性能下降问题 | 采用混合CNN-Transformer结构（3D-CTransNet），引入自注意力机制和平行模式，提高了识别精度和处理速度 | 未提及具体局限性 | 改进脑机接口深度学习模型，提升EEG信号中复杂特征的识别能力 | EEG信号 | 脑机接口 | NA | EEG信号处理 | CNN-Transformer混合结构（3D-CTransNet） | 3D数据 | 公共数据集DEAP | NA | NA | NA | NA |
| 12854 | 2025-05-12 |
An Attention-Based Hybrid Deep Learning Approach for Patient-Specific, Cross-Patient, and Patient-Independent Seizure Detection
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782346
PMID:40031456
|
研究论文 | 提出了一种基于注意力机制的混合深度学习方法，用于患者特异性、跨患者和患者独立的癫痫发作检测 | 结合1D CNN、MLSTM和多注意力层（MAT）的混合深度学习框架，能够同时提取空间和时间特征，并进行特征融合 | 方法在临床应用中可能面临新患者数据适应性的挑战 | 开发一种适用于不同患者群体的自动癫痫发作检测方法 | 癫痫患者的EEG数据 | 机器学习 | 癫痫 | EEG信号分析 | 1D CNN, MLSTM, 多注意力层（MAT） | EEG信号数据 | CHB-MIT EEG数据集 | NA | NA | NA | NA |
| 12855 | 2025-05-12 |
Multi-dataset Collaborative Learning for Liver Tumor Segmentation
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781844
PMID:40031465
|
研究论文 | 提出一种利用外部公开数据集进行MRI肝脏和肿瘤分割的多数据集协作学习方法 | 采用伪标签、非配对图像到图像转换和自集成学习技术，显著提升了肝脏和肿瘤分割的性能 | 依赖于外部数据集的可用性，且未明确说明数据集的规模和多样性 | 提高MRI肝脏和肿瘤自动分割的准确性和鲁棒性 | MRI肝脏和肿瘤图像 | 数字病理 | 肝癌 | 伪标签、非配对图像到图像转换、自集成学习 | nnU-Net | MRI图像 | NA | NA | NA | NA | NA |
| 12856 | 2025-05-12 |
EEG-Based Tension Recognition Annotated with Electrodermal Activity
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782145
PMID:40031475
|
research paper | 提出了一种通过整合皮肤电活动（EDA）和脑电图（EEG）数据来精确标注情绪的新方法 | 利用EDA作为情绪唤醒的心理生理标记，为EEG数据提供高唤醒和低唤醒的精确标注 | 现有标注方法通常为整个视频分配统一标签，忽略了观看过程中受试者情绪唤醒的变化 | 提高情绪EEG数据集的标注精确度，增强情绪识别的准确性 | 情绪EEG数据集 | machine learning | NA | electrodermal activity (EDA), EEG | machine learning, deep learning | EEG数据 | 初始训练集中的71.75%数据 | NA | NA | NA | NA |
| 12857 | 2025-05-12 |
Channel Stacking: A Rapid Classification Method for Parkinson's Disease Based on EEG Data
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782619
PMID:40031483
|
research paper | 本文介绍了一种名为'通道堆叠'的技术，用于基于脑电图数据准确识别帕金森病 | 提出'通道堆叠'技术，结合多通道信息为模型准备输入信号，使深度学习架构能高效捕获跨通道信息 | NA | 开发一种快速分类方法，用于帕金森病的准确识别 | 帕金森病患者 | machine learning | 帕金森病 | EEG | ResNet18 | EEG信号 | NA | NA | NA | NA | NA |
| 12858 | 2025-05-12 |
RTA-Former: Reverse Transformer Attention for Polyp Segmentation
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782181
PMID:40031481
|
研究论文 | 本文提出了一种名为RTA-Former的新型网络，用于提高息肉分割的边缘准确性 | 创新性地在解码器中采用了反向注意力机制与Transformer阶段相结合的方法 | 未提及具体的局限性 | 提高基于Transformer的息肉分割准确性，以改善临床决策和患者结果 | 息肉分割 | 计算机视觉 | 结直肠癌 | 深度学习 | Transformer, RTA-Former | 图像 | 五个息肉分割数据集 | NA | NA | NA | NA |
| 12859 | 2025-05-12 |
Automated Basilar Artery Lumen Segmentation for High Resolution in Black Blood MRI
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781514
PMID:40031485
|
研究论文 | 开发了一种自动图像分割技术，用于在基底动脉的黑血MR血管壁图像中检测管腔和壁边界 | 利用Detectron2/Mask RCNN深度学习模型实现基底动脉管腔和壁的自动分割，通过迁移学习有效标记薄血管结构 | 研究数据集较小，仅包含26个MRI扫描 | 开发自动化图像分割技术以评估基底动脉疾病的管腔形状和壁厚 | 基底动脉的管腔和壁 | 数字病理学 | 脑血管疾病 | 黑血MR血管壁成像 | Detectron2/Mask RCNN | MRI图像 | 26个MRI扫描（20个用于训练，6个用于测试），169个基底动脉横截面图像 | NA | NA | NA | NA |
| 12860 | 2025-05-12 |
Via Multi-attention Guided UNet for Thyroid Nodule Segmentation of Ultrasound Images
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782780
PMID:40031497
|
research paper | 提出了一种多注意力引导的UNet（MAUNet）用于甲状腺结节超声图像分割 | 引入了多尺度交叉注意力（MSCA）模块和双注意力（DA）模块，减少了结节形状和大小对分割结果的影响 | 未提及具体的数据集大小或多样性限制 | 提高甲状腺结节超声图像分割的准确性 | 甲状腺结节超声图像 | computer vision | thyroid disease | deep learning | UNet with multi-attention modules | ultrasound images | 多中心超声图像，来自17家医院 | NA | NA | NA | NA |