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 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 | 2025-10-07 |
Predicting post-hepatectomy liver failure in patients with hepatocellular carcinoma: nomograms based on deep learning analysis of gadoxetic acid-enhanced MRI
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11173-w
PMID:39528755
|
研究论文 | 基于深度学习分析钆塞酸增强MRI开发预测肝细胞癌患者肝切除术后肝衰竭的列线图模型 | 首次结合深度学习分析的MRI体积和功能变量与临床指标构建预测肝切除术后肝衰竭的列线图 | 回顾性研究设计，需外部验证确认泛化能力 | 预测肝细胞癌患者肝切除术后肝衰竭风险 | 接受肝切除术的肝细胞癌患者 | 数字病理 | 肝细胞癌 | 钆塞酸增强肝胆期MRI | 深度学习算法 | MRI图像 | 1760例患者（1395例男性，平均年龄60±10岁） | NA | NA | AUC | NA |
| 13002 | 2025-04-26 |
Automatic prediction of stroke treatment outcomes: latest advances and perspectives
2025-May, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-025-00462-y
PMID:40271393
|
综述 | 本文综述了深度学习在预测中风治疗结果中的最新进展和应用 | 利用多模态信息（包括最终梗死数据）来更好地预测长期功能结果 | 医学图像分析领域内常见的数据标准化挑战 | 预测中风干预的结果以促进临床决策和改善患者护理 | 中风患者 | 数字病理学 | 心血管疾病 | 深度学习 | NA | 脑部扫描、医疗报告、EEG、ECG、EMG等传感器信息 | NA | NA | NA | NA | NA |
| 13003 | 2025-10-07 |
A multimodal deep learning-based algorithm for specific fetal heart rate events detection
2025-Apr-28, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2024-0334
PMID:39484683
|
研究论文 | 开发基于多模态深度学习的算法用于检测特定胎心率事件 | 结合多种特征提取技术与深度学习算法，首次提出多模型深度神经网络和预融合深度学习模型对多模态参数进行分类 | 未提及算法在临床环境中的泛化能力和实时性能验证 | 增强胎儿健康状况的自动监测和智能评估 | 胎心率和子宫收缩信号 | 机器学习 | 产科疾病 | 形态特征提取、心率变异性特征、非线性域特征 | 深度神经网络 | 生理信号数据 | 基于专家标注的数据集（具体数量未提及） | NA | 多模型深度神经网络, 预融合深度学习模型 | 准确率 | NA |
| 13004 | 2025-04-26 |
Graph-Aware AURALSTM: An Attentive Unified Representation Architecture with BiLSTM for Enhanced Molecular Property Prediction
2025-Apr-25, Molecular diversity
IF:3.9Q2
DOI:10.1007/s11030-025-11197-4
PMID:40279083
|
研究论文 | 本研究提出了一种新型混合深度学习模型Graph-Aware AURALSTM，用于高精度预测分子性质 | 结合多种图神经网络架构（GCNs、GATs、GINs）并行结构，全面捕捉分子的多维结构特征，并通过BiLSTM评估时间关系以增强分子特征分类 | 未提及具体局限性 | 提高分子性质预测的准确性 | 分子数据 | 机器学习 | NA | GNN（Graph Neural Network）、GCN（Graph Convolutional Networks）、GAT（Graph Attention Networks）、GIN（Graph Isomorphism Networks）、BiLSTM | AURALSTM（Attentive Unified Representation Architecture-Long Short-Term Memory） | 分子结构数据 | 八个基准数据集 | NA | NA | NA | NA |
| 13005 | 2025-10-07 |
The use of ChatGPT in the dermatological field: a narrative review
2025-Apr-24, Clinical and experimental dermatology
IF:3.7Q1
DOI:10.1093/ced/llae546
PMID:39690824
|
综述 | 本文探讨ChatGPT在皮肤病学领域的应用潜力及其与皮肤健康管理的协同关系 | 首次系统评述ChatGPT这一先进语言模型在皮肤病学中的创新应用及其对医疗实践的重塑 | 基于初步数据且涉及伦理法律问题的讨论尚未形成共识 | 探索人工智能语言模型在皮肤病学领域的应用前景与挑战 | ChatGPT模型及其在皮肤病学中的实践应用 | 自然语言处理 | 皮肤病 | 深度学习 | 大型语言模型 | 文本 | NA | NA | Transformer | 效率, 准确率 | NA |
| 13006 | 2025-10-07 |
Reparameterization lightweight residual network for super-resolution of brain MR images
2025-Apr-24, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/adc935
PMID:40185120
|
研究论文 | 提出一种基于重参数化轻量级残差网络的脑部MR图像超分辨率方法 | 将BSRN与结构重参数化相结合，训练时采用多分支结构，推理时融合为单一3×3卷积，在保持特征信息的同时显著降低计算复杂度 | 未明确说明模型在实时临床应用中的具体性能表现和泛化能力 | 开发轻量级脑部MR图像超分辨率技术以提升图像质量 | 脑部磁共振图像 | 计算机视觉 | 神经系统疾病 | 深度学习 | CNN | 医学图像 | IXI数据集 | NA | BSRN, 重参数化残差网络 | 图像清晰度, 细节重建质量 | NA |
| 13007 | 2025-04-26 |
Unrolling Plug-and-Play Gradient Graph Laplacian Regularizer for Image Restoration
2025-Apr-24, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3562425
PMID:40272955
|
研究论文 | 本文提出了一种基于图拉普拉斯正则化的可解释性网络，用于图像恢复任务，如去噪和插值 | 引入了一种新的ℓ范数图平滑先验——梯度图拉普拉斯正则化器（GGLR），并通过展开不同复杂度的ADMM算法构建了可解释性网络 | 更复杂的展开网络需要更多的标记数据来训练更多参数 | 解决通用深度学习网络在图像恢复中缺乏数学可解释性、需要大量训练数据和协变量偏移脆弱性的问题 | 图像恢复（去噪和插值） | 计算机视觉 | NA | ADMM算法、图学习模块 | 展开式前馈网络 | 图像 | NA | NA | NA | NA | NA |
| 13008 | 2025-04-26 |
PlantCareNet: an advanced system to recognize plant diseases with dual-mode recommendations for prevention
2025-Apr-23, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01366-9
PMID:40264213
|
研究论文 | 介绍了一种名为PlantCareNet的自动化端到端植物病害诊断系统，该系统不仅能精确诊断病害，还能提供交互式预防指导 | 结合深度学习算法和专家知识框架，提供双重模式的病害诊断和预防建议 | NA | 开发一个能够精确诊断植物病害并提供预防措施的自动化系统 | 植物病害 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | 五个知名数据集 | NA | NA | NA | NA |
| 13009 | 2025-04-26 |
Profiling electric signals of electrogenic probiotic bacteria using self-attention analysis
2025-Apr-22, Applied microbiology and biotechnology
IF:3.9Q2
DOI:10.1007/s00253-025-13425-1
PMID:40263148
|
研究论文 | 通过自组装电路检测两种产电益生菌在鸡胚绒毛尿囊膜和小鼠肠道内产生的电信号，并利用自注意力机制分析其差异 | 首次使用自注意力机制分析产电益生菌的电信号谱，揭示了两种菌的独特信号特征 | 研究仅针对两种益生菌，样本范围有限 | 开发评估益生菌治疗效果的电信号特征分析方法 | 产电益生菌Leuconostoc mesenteroides和Lactococcus lactis | 生物电信号分析 | NA | 自组装电路检测、自注意力机制分析 | 自注意力机制 | 电信号数据 | 两种益生菌在鸡胚绒毛尿囊膜和小鼠肠道内的样本 | NA | NA | NA | NA |
| 13010 | 2025-04-26 |
Effective integration of drone technology for mapping and managing palm species in the Peruvian Amazon
2025-Apr-22, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58358-5
PMID:40263254
|
研究论文 | 本文开发了一种结合无人机技术和深度学习的方法，用于精确绘制和管理秘鲁亚马逊地区经济重要的棕榈树种 | 结合可见光谱无人机影像和深度学习，实现了在景观尺度上对棕榈树种的高精度检测，显著降低了成本和时间 | 方法在密集簇生的棕榈树检测中平均总体得分仅为74%，存在一定的识别误差 | 开发精确、景观尺度的物种级方法，评估经济重要的亚马逊棕榈树的分布和丰度 | 秘鲁亚马逊地区的三种经济重要的棕榈树种，尤其是Mauritia flexuosa | 计算机视觉 | NA | 可见光谱无人机影像和深度学习 | 深度学习 | 图像 | 两个社区的棕榈树资源 | NA | NA | NA | NA |
| 13011 | 2025-04-26 |
Frailty identification using a sensor-based upper-extremity function test: a deep learning approach
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-73854-2
PMID:40263276
|
研究论文 | 本研究通过结合生物力学和深度学习的方法，提高了老年人衰弱预测的准确性 | 使用传感器辅助的上肢功能测试和深度学习模型（LSTM）进行衰弱预测，肌肉共收缩被识别为关键预测因子 | 需要更大规模和更多样化的人群进行进一步验证以确认结果的普遍性 | 提高老年人衰弱预测的准确性 | 312名参与者（126名非衰弱，145名衰弱前期，41名衰弱） | 机器学习 | 老年疾病 | 传感器辅助的上肢功能测试，肌肉力计算 | LSTM, SVM, logistic regression | 生物力学数据 | 312名参与者 | NA | NA | NA | NA |
| 13012 | 2025-04-26 |
Real-space heterogeneous reconstruction, refinement, and disentanglement of CryoEM conformational states with HetSIREN
2025-Apr-22, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59135-0
PMID:40263313
|
research paper | 提出了一种基于深度学习的CryoEM异构体重建和细化方法HetSIREN，能够在真实空间中重构或细化CryoEM体积 | HetSIREN是一种基于空间的方法，允许空间聚焦分析，并引入了具有高分析能力的正弦超网络，能够细化图像姿态并解决异构体分析中的纠缠问题 | NA | 开发一种能够更准确重建和细化CryoEM体积的深度学习方法 | 大分子构象 | computational biology | NA | Cryo-electron microscopy (CryoEM) | deep learning, sinusoidal hypernetworks | image | NA | NA | NA | NA | NA |
| 13013 | 2025-04-26 |
An air target intention data extension and recognition model based on deep learning
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98438-6
PMID:40263364
|
研究论文 | 提出了一种基于深度学习的空中目标意图数据扩展与识别模型IDERDL，用于解决空中目标意图识别中的数据稀缺和时间特征提取不足的问题 | 首次考虑了意图数据的稀缺性以及时间性，提出了基于去噪扩散模型的数据生成方法和基于扩张因果卷积的时间块，以提高战术意图识别能力 | 未明确提及模型在复杂战场环境中的泛化能力或实时性表现 | 提高空中目标意图识别的准确性和效率 | 空中目标的意图数据 | 机器学习 | NA | 去噪扩散模型、知识蒸馏、图注意力机制 | IDERDL（基于深度学习的复合模型） | 时序数据、特征编码数据 | NA（未明确提及具体样本量） | NA | NA | NA | NA |
| 13014 | 2025-04-26 |
Recognition of chlorophyll rings using YOLOv8
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98659-9
PMID:40263370
|
研究论文 | 本研究利用YOLOv8模型识别中尺度海洋涡旋外围的高叶绿素浓度区域（叶绿素环） | YOLOv8模型在叶绿素环识别中展现出卓越的泛化能力和高精度，超越了Swin-Transformer和ResNet等其他模型 | NA | 分析叶绿素浓度数据，研究海洋生态系统中叶绿素的分布和动态变化 | 中尺度海洋涡旋外围的叶绿素环 | 计算机视觉 | NA | 深度学习 | YOLOv8 | 图像 | NA | NA | NA | NA | NA |
| 13015 | 2025-04-26 |
Revolutionizing Alzheimer's disease detection with a cutting-edge CAPCBAM deep learning framework
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98476-0
PMID:40263406
|
研究论文 | 本文介绍了一种名为CAPCBAM的深度学习框架，用于阿尔茨海默病的早期和准确诊断 | CAPCBAM框架创新性地结合了Capsule Networks和Convolutional Block Attention Module (CBAM)，通过双重注意力策略提升了模型泛化能力和减少了信息损失 | 尽管Capsule Networks和注意力机制已有研究，但CAPCBAM的整合方式仍需进一步验证其广泛适用性 | 提高阿尔茨海默病的早期诊断准确率 | 阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | MRI图像分析 | CAPCBAM（结合Capsule Networks和CBAM） | 图像 | ADNI数据集 | NA | NA | NA | NA |
| 13016 | 2025-04-26 |
Vocal performance evaluation of the intelligent note recognition method based on deep learning
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99357-2
PMID:40263420
|
研究论文 | 本研究旨在优化音符识别能力并提高声乐表演评估的准确性 | 结合门控循环单元和注意力机制优化CNN模型，提出A-GRCNN模型，显著提升了音符识别和声乐表演评估的准确性 | 未提及模型在其他音乐风格或复杂场景下的泛化能力 | 优化音符识别技术并提高声乐表演评估的准确性 | 音乐音符识别和声乐表演评估 | 机器学习 | NA | 深度学习 | CNN, GRU, 注意力机制 | 音频信号 | NA | NA | NA | NA | NA |
| 13017 | 2025-04-26 |
The shallowest transparent and interpretable deep neural network for image recognition
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92945-2
PMID:40263436
|
research paper | 本文介绍了一种完全透明的深度学习模型Shallow-ProtoPNet，用于图像识别，该模型通过透明的原型层和全连接层实现决策过程的透明化 | Shallow-ProtoPNet不使用任何黑盒部分作为基线，是完全透明的深度学习模型，且仅包含两层（一个透明卷积层和一个全连接层），是现有最浅的透明深度神经网络 | 模型在X射线图像数据集上的性能与其他不完全透明的可解释模型相当，但未提及在其他类型数据集上的表现 | 开发一种完全透明的深度学习模型，以提高模型决策过程的可信度 | X射线图像 | computer vision | NA | NA | Shallow-ProtoPNet（基于原型的网络） | image | NA | NA | NA | NA | NA |
| 13018 | 2025-04-26 |
Deep learning based adaptive and automatic measurement of palpebral margin in eyelid morphology
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93975-6
PMID:40263452
|
研究论文 | 本文提出了一种基于深度学习的自适应自动测量方法DeepAAM，用于眼睑形态的量化评估 | 首次引入Margin Iris Intersectant Angle (MIA)作为创新评估指标，并通过注意力机制和多种算法增强U-Net架构，提高了测量精度 | 模型在实际应用中仍面临挑战，且精度有待进一步提高 | 提高眼睑形态测量的准确性和自动化程度，以支持眼周整形手术的疾病治疗和手术规划 | 眼睑形态 | 计算机视觉 | 眼疾 | 深度学习 | U-Net | 图像 | NA | NA | NA | NA | NA |
| 13019 | 2025-04-26 |
Habesha cultural cloth classification using deep learning
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98269-5
PMID:40263488
|
研究论文 | 使用深度学习方法对埃塞俄比亚哈贝沙文化服饰进行分类 | 首次应用CNN模型（VGG16、VGG19和ResNet50v2）对哈贝沙克米斯刺绣设计进行识别和分类 | 样本量相对较小，仅包含320张原始图像，虽通过数据增强扩展到3,270张，但可能仍不足以覆盖所有可能的变体 | 识别和分类哈贝沙克米斯刺绣设计的质量 | 埃塞俄比亚哈贝沙文化服饰（哈贝沙克米斯）的刺绣设计 | 计算机视觉 | NA | 数字图像处理、CNN | VGG16、VGG19、ResNet50v2 | 图像 | 320张原始图像，通过数据增强扩展到3,270张 | NA | NA | NA | NA |
| 13020 | 2025-04-26 |
Efficient human activity recognition on edge devices using DeepConv LSTM architectures
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98571-2
PMID:40263516
|
research paper | 该研究旨在通过TinyML在边缘设备上部署轻量级深度学习模型进行人类活动识别（HAR） | DeepConv LSTM模型通过有效捕捉空间和时间特征，在轻量级模型中表现最佳，准确率达到98.24%，F1分数为98.23% | 研究未提及模型在更复杂或多样化活动识别场景中的表现 | 开发并部署轻量级深度学习模型以实现高效的实时人类活动识别 | 人类活动识别（HAR） | machine learning | NA | TinyML | DeepConv LSTM, 2D CNN, 1D CNN | sensor data | NA | NA | NA | NA | NA |