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 33366 篇文献，本页显示第 13001 - 13020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13001 | 2025-05-08 |
A novel deep learning-based framework with particle swarm optimisation for intrusion detection in computer networks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316253
PMID:39937819
|
research paper | 提出了一种基于深度学习和粒子群优化的新型入侵检测框架 | 结合PSO进行超参数优化，并优化组合三种预训练网络模型 | 未提及具体在实际网络环境中的部署效果 | 提高计算机网络安全中的入侵检测效率和准确性 | 计算机网络的入侵行为 | machine learning | NA | deep learning, particle swarm optimisation (PSO) | DNN | network traffic data | KDDCUP'99, NSL-KDD和UNSW-NB15数据集 | NA | NA | NA | NA |
| 13002 | 2025-05-08 |
Long duration multi-channel surface electromyographic signals during walking at natural pace: Data acquisition and analysis
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318560
PMID:39937870
|
research paper | 该研究介绍了一个长时间表面肌电信号（sEMG）数据集，记录了31名健康受试者在自然步速行走时的肌肉活动 | 提供了长时间（几分钟而非几秒）的sEMG信号数据集，支持对肌肉活动变异性的全面分析 | 研究仅涉及健康受试者，未包括病理条件下的数据 | 分析行走过程中表面肌电信号的变异性，并验证数据集的可靠性和可用性 | 31名20至30岁的健康受试者 | 生物医学工程 | NA | 表面肌电信号（sEMG）采集 | NA | sEMG信号、电测角信号和足地接触信号 | 31名健康受试者，每名受试者采集10个下肢肌肉的sEMG信号 | NA | NA | NA | NA |
| 13003 | 2025-05-08 |
Semisupervised adaptive learning models for IDH1 mutation status prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321404
PMID:40323991
|
research paper | 提出了一种基于放射组学和粗糙集的半监督自适应深度学习模型，用于从MRI数据预测IDH1突变状态 | 使用粗糙集算法去除冗余医学图像特征，通过统计T检验为未标记数据添加伪标签，并采用SCSO算法优化伪标签数据权重，构建UCNet分类模型 | 未明确提及具体局限性 | 提高胶质瘤IDH1突变状态预测的准确性和医学影像数据利用率 | 316名胶质瘤患者的术前MRI数据 | digital pathology | glioma | MRI, radiomics, rough sets | UCNet (U-Net + CRNN), SCSO | MRI图像 | 316名胶质瘤患者 | NA | NA | NA | NA |
| 13004 | 2025-05-08 |
TCN-QV: an attention-based deep learning method for long sequence time-series forecasting of gold prices
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319776
PMID:40324013
|
research paper | 提出了一种结合Temporal Convolutional Networks（TCN）与注意力机制的深度学习模型TCN-QV，用于提高黄金价格预测的准确性 | 结合TCN与Query和Keys注意力机制，自适应分配权重以提升预测精度 | 未明确提及具体局限性，但可能涉及模型在更广泛金融数据上的泛化能力 | 提高黄金价格时间序列预测的准确性 | 上海黄金价格时间序列数据 | machine learning | NA | 深度学习，注意力机制 | TCN, CNN, RNN | 时间序列数据 | 四个实验数据集，具体样本量未明确 | NA | NA | NA | NA |
| 13005 | 2025-05-08 |
Introducing TEC-LncMir for prediction of lncRNA-miRNA interactions through deep learning of RNA sequences
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf046
PMID:39927859
|
研究论文 | 介绍了一种名为TEC-LncMir的新方法，通过深度学习和Transformer Encoder结合CNN来预测lncRNA-miRNA的相互作用 | 使用Transformer Encoder和CNN结合的方法，将lncRNA和miRNA序列视为自然语言，并通过接触张量进行特征提取，显著提高了预测性能 | 未明确提及具体局限性 | 提高lncRNA-miRNA相互作用预测的性能 | lncRNA和miRNA的相互作用 | 自然语言处理 | 阿尔茨海默病 | 深度学习和序列分析 | Transformer Encoder和CNN | RNA序列 | NA | NA | NA | NA | NA |
| 13006 | 2025-10-07 |
G-Protein Signaling in Alzheimer's Disease: Spatial Expression Validation of Semi-supervised Deep Learning-Based Computational Framework
2024-Nov-06, The Journal of neuroscience : the official journal of the Society for Neuroscience
DOI:10.1523/JNEUROSCI.0587-24.2024
PMID:39327003
|
研究论文 | 开发了一种半监督深度学习计算框架digID，用于预测阿尔茨海默病相关基因并识别新的治疗靶点 | 提出结合半监督深度学习分类器和蛋白质相互作用网络分析的新计算框架，发现G蛋白信号通路在AD中的新作用机制 | 计算预测结果需要实验验证，研究样本和脑区覆盖可能有限 | 识别阿尔茨海默病相关基因和新的治疗靶点 | 阿尔茨海默病相关基因、G蛋白亚基(GNAI1, GNB1)、KNG1蛋白、淀粉样前体蛋白(APP) | 机器学习 | 阿尔茨海默病 | 多组学数据分析、STORM超分辨率显微镜、mRNA表达分析 | 半监督深度学习 | 多组学数据、基因表达数据、显微镜图像 | NA | NA | NA | NA | NA |
| 13007 | 2025-10-07 |
Development of Machine Learning-Based Mpox Surveillance Models in a Learning Health System
2024-Sep-27, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.09.25.24314318
PMID:39399027
|
研究论文 | 开发基于机器学习的猴痘监测模型，用于从临床笔记中识别猴痘病例 | 在学习型医疗系统框架下开发监测模型，Lasso回归在最小化假阳性方面表现优于深度学习模型 | NA | 开发猴痘病例识别模型以支持持续质量改进 | 临床笔记中的猴痘病例 | 机器学习 | 猴痘 | NA | Lasso回归,深度学习模型 | 临床文本笔记 | NA | NA | NA | 假阳性率 | NA |
| 13008 | 2025-10-07 |
A systematic evaluation of Euclidean alignment with deep learning for EEG decoding
2024-06-11, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad4f18
PMID:38776898
|
研究论文 | 系统评估欧几里得对齐与深度学习结合在脑电图解码中的效果 | 首次系统评估欧几里得对齐对共享和个体深度学习模型训练性能的影响 | 未明确说明实验数据规模和具体使用的深度学习模型架构 | 评估欧几里得对齐作为预处理技术对脑机接口信号解码性能的提升效果 | 脑电图信号和脑机接口任务 | 机器学习 | NA | 脑电图信号处理 | 深度学习模型 | 脑电图信号 | 多受试者数据（具体数量未明确说明） | NA | NA | 准确率，收敛时间 | NA |
| 13009 | 2025-10-07 |
Tailored Intraoperative MRI Strategies in High-Grade Glioma Surgery: A Machine Learning-Based Radiomics Model Highlights Selective Benefits
2024-Jun-01, Operative neurosurgery (Hagerstown, Md.)
DOI:10.1227/ons.0000000000001023
PMID:38289331
|
研究论文 | 本研究开发了一种基于机器学习的放射组学模型，用于预测高级别胶质瘤手术中5-ALA单独使用的局限性，并确定哪些病例需要联合使用术中MRI | 首次将U2-Net深度学习算法与放射组学特征相结合，建立预测模型识别5-ALA在高级别胶质瘤手术中效果不佳的情况 | 样本量相对较小（73例患者），研究结果为单中心数据 | 评估术中MRI在高级别胶质瘤手术中的选择性应用价值 | 73例高级别胶质瘤患者 | 数字病理 | 脑肿瘤 | MRI, 5-ALA荧光引导手术 | 深度学习, 逻辑回归 | 医学影像 | 73例高级别胶质瘤患者 | NA | U2-Net | Nagelkerke R², ROC曲线下面积 | NA |
| 13010 | 2025-10-07 |
PyHFO: lightweight deep learning-powered end-to-end high-frequency oscillations analysis application
2024-05-28, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad4916
PMID:38722308
|
研究论文 | 开发并验证了一个名为PyHFO的端到端软件平台，用于简化深度学习在癫痫区域神经生理生物标志物检测中的应用 | 首次开发了轻量级端到端高频振荡分析应用，优化技术使其处理速度比传统HFO检测应用快50倍 | NA | 开发能够简化深度学习在癫痫研究中应用的软件平台 | 癫痫患者的脑电图记录和神经生理生物标志物 | 数字病理 | 癫痫 | 脑电图记录，高频振荡检测 | 深度学习模型 | 脑电图信号 | 三个独立数据集：网格/条状电极数据、混合电极数据和啮齿动物研究数据 | PyTorch | NA | 处理速度 | 标准计算机硬件 |
| 13011 | 2025-10-07 |
Deep learning-based auditory attention decoding in listeners with hearing impairment
2024-05-22, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad49d7
PMID:38729132
|
研究论文 | 本研究开发了一种基于深度学习的快速听觉注意解码方法，用于分析听力受损者的脑电图数据 | 首次针对听力受损人群开发深度学习听觉注意解码方法，并比较了两种数据划分策略对模型性能的影响 | 仅使用了31名参与者的数据，样本量有限；仅测试了深度卷积神经网络架构 | 开发快速听觉注意解码方法，理解听力技术对听力受损人群听觉处理的影响 | 听力受损人群的脑电图数据 | 脑机接口 | 听力障碍 | 脑电图 | DCNN | 脑电图信号 | 31名听力受损参与者 | NA | 深度卷积神经网络 | 准确率, AUC | NA |
| 13012 | 2025-10-07 |
FetchEEG: a hybrid approach combining feature extraction and temporal-channel joint attention for EEG-based emotion classification
2024-05-15, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad4743
PMID:38701773
|
研究论文 | 提出一种结合特征提取和时空联合注意力的混合方法FetchEEG，用于基于脑电信号的情绪分类 | 首次将传统特征提取与深度学习相结合，采用多头自注意力机制同时提取不同时间点和通道的联合表征 | 未明确说明模型在跨数据集泛化能力的具体限制 | 开发高效的脑电信号情绪分类方法 | 人类情绪状态的脑电信号 | 神经工程 | NA | 脑电信号分析 | Transformer, 注意力机制 | 脑电信号 | 自建数据集和两个公共数据集 | NA | 多头自注意力机制，全连接层 | 分类准确率，泛化能力，训练效率 | NA |
| 13013 | 2025-10-07 |
EEGminer: discovering interpretable features of brain activity with learnable filters
2024-05-13, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad44d7
PMID:38684154
|
研究论文 | 提出一种名为EEGminer的新型可微分解码流程，用于从多通道脑电图记录中学习信息丰富的潜在表征 | 引入由广义高斯函数参数化的可学习滤波器，提供平滑导数以实现稳定的端到端模型训练，并允许学习可解释的特征 | NA | 设计一个系统用于从持续脑电图活动中学习信息丰富的潜在表征 | 脑活动模式、脑状态识别、行为预测 | 机器学习 | NA | 脑电图(EEG) | 深度学习 | 脑电图信号 | 721名受试者 | NA | 可学习滤波器+预定义特征提取模块 | 准确率 | NA |
| 13014 | 2025-05-08 |
Automated Detection of Abnormal Optical Coherence Tomography B-scans Using a Deep Learning Artificial Intelligence Neural Network Platform
2024-Jan-01, International ophthalmology clinics
DOI:10.1097/IIO.0000000000000519
PMID:38146885
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13015 | 2025-10-07 |
Genome-wide association analysis of left ventricular imaging-derived phenotypes identifies 72 risk loci and yields genetic insights into hypertrophic cardiomyopathy
2023-11-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43771-5
PMID:38036550
|
研究论文 | 通过深度学习算法分析心脏磁共振图像，识别左心室区域壁厚度的遗传决定因素及其与肥厚型心肌病的关联 | 开发新型深度学习算法精确计算12个左心室区域壁厚度，首次在42,194人群体中发现72个与左心室壁厚度相关的遗传位点 | 研究样本仅来自UK Biobank数据库，需要其他人群验证 | 探索左心室区域壁厚度的遗传基础及其与肥厚型心肌病的因果关系 | UK Biobank数据库中的42,194名个体的心脏磁共振图像 | 医学影像分析 | 心血管疾病 | 心脏磁共振成像, 全基因组关联分析, 孟德尔随机化分析 | 深度学习 | 医学影像 | 42,194名UK Biobank参与者 | NA | NA | P值, 遗传相关性, 多基因风险评分 | NA |
| 13016 | 2025-10-07 |
TransformEHR: transformer-based encoder-decoder generative model to enhance prediction of disease outcomes using electronic health records
2023-11-29, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43715-z
PMID:38030638
|
研究论文 | 提出基于Transformer的编码器-解码器生成模型TransformEHR，通过新型预训练目标提升电子健康记录疾病预测性能 | 采用预测患者未来就诊时所有疾病和结果的创新预训练目标，结合编码器-解码器框架实现最先进性能 | 未明确说明模型在更广泛疾病预测任务中的泛化能力限制 | 开发能够准确预测临床疾病结果的深度学习模型 | 电子健康记录中的患者纵向医疗数据 | 自然语言处理 | 胰腺癌、创伤后应激障碍 | 电子健康记录分析 | Transformer | 电子健康记录文本数据 | NA | NA | Transformer编码器-解码器 | 精确召回曲线下面积 | NA |
| 13017 | 2025-10-07 |
Label-free identification of protein aggregates using deep learning
2023-11-28, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43440-7
PMID:38016971
|
研究论文 | 提出一种基于深度学习的无标记蛋白质聚集体识别方法LINA | 无需荧光标记即可在活细胞中识别未标记的Httex1蛋白质聚集体 | NA | 开发无标记识别神经退行性疾病相关蛋白质聚集体的方法 | 亨廷顿蛋白Httex1在活细胞中形成的蛋白质聚集体 | 计算机视觉 | 神经退行性疾病 | 透射光成像 | 深度学习 | 图像 | NA | NA | NA | 特异性 | NA |
| 13018 | 2025-10-07 |
Coding infant engagement in the Face-to-Face Still-Face paradigm using deep neural networks
2023-05, Infant behavior & development
IF:1.9Q3
DOI:10.1016/j.infbeh.2023.101827
PMID:36806017
|
研究论文 | 本研究使用深度神经网络对面对面静止面孔范式中的婴儿参与度进行自动编码 | 首次将深度神经网络应用于FFSF任务中婴儿参与度的自动编码，实现了高达99.5%的分类准确率 | 继承了原始研究的采样和实验限制，样本量相对较小且主要为白人群体 | 测试深度神经网络在FFSF任务中编码婴儿参与度的准确性 | 68对母婴组合在三个时间点完成的FFSF任务视频 | 计算机视觉 | NA | 视频分析 | DNN | 图像 | 68对母婴组合，40,000张图像 | NA | 四种不同的深度神经网络图像分类模型 | 准确率, Cohen's κ值 | NA |
| 13019 | 2025-10-07 |
Cross-convolutional transformer for automated multi-organs segmentation in a variety of medical images
2023-01-23, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acb19a
PMID:36623323
|
研究论文 | 提出基于交叉卷积变换器的深度学习网络，用于多种医学图像中的多器官自动分割 | 设计新型交叉卷积自注意力机制，整合局部和全局上下文，建模长短距离依赖关系；提出多尺度特征边缘融合模块 | 仅在三个数据集上验证，尚未在更广泛的医学图像数据上进行测试 | 开发具有更好泛化能力和准确性的多器官自动分割算法 | 医学图像中的多器官分割 | 计算机视觉 | 多种疾病（腹部器官、心脏结构、皮肤癌） | 医学影像分析 | Transformer, CNN | 医学图像（CT、MRI、皮肤图像） | 三个数据集：Synapse（腹部CT）、ACDC（心脏MRI）、ISIC 2017（皮肤癌图像） | NA | CFormer（交叉卷积变换器网络） | Dice相似系数, 95% Hausdorff距离 | NA |
| 13020 | 2025-10-07 |
Artificial intelligence in kidney transplantation: a 30-year bibliometric analysis of research trends, innovations, and future directions
2025-Dec, Renal failure
IF:3.0Q1
DOI:10.1080/0886022X.2025.2458754
PMID:39910843
|
文献计量分析 | 通过文献计量分析评估1993-2023年间人工智能在肾移植领域的研究趋势、创新点和未来方向 | 首次对人工智能在肾移植领域30年研究历程进行系统性文献计量分析，识别关键研究主题和新兴趋势 | 基于文献计量分析，缺乏对具体AI技术临床效果的实证评估 | 分析人工智能在肾移植领域的研究趋势和发展方向 | 890篇相关学术出版物 | 机器学习 | 终末期肾病 | 文献计量分析 | 深度学习,机器学习算法 | 文献数据 | 890篇出版物 | CiteSpace,VOSviewer | NA | NA | NA |