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 | 2025-04-26 |
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 |
| 13002 | 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 |
| 13003 | 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 |
| 13004 | 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 |
| 13005 | 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 |
| 13006 | 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 |
| 13007 | 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 |
| 13008 | 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 |
| 13009 | 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 |
| 13010 | 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 |
| 13011 | 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 |
| 13012 | 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 |
| 13013 | 2025-04-26 |
Deep learning based ensemble model for accurate tomato leaf disease classification by leveraging ResNet50 and MobileNetV2 architectures
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98015-x
PMID:40263518
|
研究论文 | 本文提出了一种基于深度学习的集成模型，结合MobileNetV2和ResNet50架构，用于番茄叶片病害的精确分类 | 通过修改输出层（如GlobalAverage Pooling2D、Batch Normalization、Dropout和Dense层）优化特征提取，并融合两种模型的互补特征 | NA | 开发一种高精度的番茄叶片病害分类方法，以支持智能农业和可持续耕作 | 番茄叶片的病害分类 | 计算机视觉 | 植物病害 | 深度学习 | ResNet50和MobileNetV2的集成模型 | 图像 | 11,000张标注图片，涵盖10种病害类别 | NA | NA | NA | NA |
| 13014 | 2025-04-26 |
Deep learning-aided segmentation combined with finite element analysis reveals a more natural biomechanic of dinosaur fossil
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99131-4
PMID:40263619
|
研究论文 | 本研究结合深度学习和有限元分析技术，提出了一种新方法来更准确地模拟恐龙化石的生物力学特性 | 首次将深度学习分割技术与有限元分析结合应用于化石研究，能够更真实地反映灭绝物种的生物力学性能 | 仅应用于Jeholosaurus的股骨标本，尚未验证在其他化石上的普适性 | 研究灭绝物种的生物力学、功能形态学和分类学 | Jeholosaurus(小型两足恐龙)的股骨化石标本 | 数字病理学 | NA | 有限元分析(FEA)和深度学习分割 | 深度学习模型(未指定具体类型) | CT图像数据 | 1个Jeholosaurus股骨化石标本 | NA | NA | NA | NA |
| 13015 | 2025-04-26 |
Deep learning for automated segmentation of brain edema in meningioma after radiosurgery
2025-Apr-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01660-x
PMID:40264119
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于分割和量化脑膜瘤放射手术后脑水肿区域 | 首次应用Mask R-CNN和DeepMedic深度学习模型实现脑水肿区域的自动分割与量化 | 样本量较小(21名患者)，且仅基于T2加权图像 | 开发自动化工具来量化放射手术后脑水肿体积，以辅助治疗规划和监测 | 接受伽玛刀放射手术(GKRS)治疗的脑膜瘤患者 | 数字病理学 | 脑膜瘤 | MRI T2加权成像 | Mask R-CNN, DeepMedic | 医学影像 | 21名患者的154次T2w扫描(其中130次用于模型训练和测试) | NA | NA | NA | NA |
| 13016 | 2025-10-07 |
Deep-Learning-Based Disease Classification in Patients Undergoing Cine Cardiac MRI
2025-Apr, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29619
PMID:39353848
|
研究论文 | 开发基于心脏电影MRI的深度学习算法，用于区分正常受试者和三种心血管疾病患者 | 使用变分自编码器模型自动提取心脏功能特征，并探索使用未标记数据提高正常类别特异性 | 回顾性研究设计，样本量相对有限 | 开发自动化的心血管疾病分类方法 | 1337名受试者（568名正常，151名扩张型心肌病，177名肥厚型心肌病，441名缺血性心脏病） | 医学影像分析 | 心血管疾病 | 心脏电影MRI | 变分自编码器 | MRI图像 | 1337名受试者 | NA | 变分自编码器 | AUC, 准确率, 特异性, 精确率, 召回率, 混淆矩阵 | NA |
| 13017 | 2025-10-07 |
Deep learning-based whole-brain B1 +-mapping at 7T
2025-Apr, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30359
PMID:39462473
|
研究论文 | 本研究探索使用复数值神经网络从多切片定位器扫描中估计7T磁场下人脑定量发射射频场(B1+)图谱的可行性 | 首次使用复数值神经网络从多方向切片定位器扫描中快速估计全脑B1+图谱，显著加速并行传输系统的受试者特定校准过程 | 研究样本量较小(15名健康受试者)，仅在人脑中进行验证，未在其他器官或病理条件下测试 | 加速7T磁场下并行传输系统的受试者特定B1+校准过程 | 人脑B1+图谱 | 医学影像分析 | NA | 磁共振成像, 并行传输, 多切片定位器扫描 | 复数值神经网络 | 磁共振图像, B1+图谱 | 15名健康受试者 | NA | NA | 相对误差, 绝对相位差 | NA |
| 13018 | 2025-10-07 |
Air quality index prediction with optimisation enabled deep learning model in IoT application
2025-Apr, Environmental technology
IF:2.2Q3
DOI:10.1080/09593330.2024.2409993
PMID:39467096
|
研究论文 | 提出一种基于物联网和优化深度学习的空气质量指数预测模型 | 提出切线两阶段算法(TTSA)用于路由优化，并提出分数切线两阶段优化(FTTSA)用于深度前馈神经网络训练 | NA | 通过物联网和深度学习技术预测空气质量指数 | 空气质量时间序列数据 | 机器学习 | NA | 物联网传感技术 | 深度前馈神经网络(DFNN) | 时间序列数据 | NA | NA | 深度前馈神经网络 | RMSE, R-squared, MSE, MAPE, 能量, 时间, 距离 | NA |
| 13019 | 2025-10-07 |
Detection of Macular Neovascularization in Eyes Presenting with Macular Edema using OCT Angiography and a Deep Learning Model
2025-Apr, Ophthalmology. Retina
DOI:10.1016/j.oret.2024.10.017
PMID:39461425
|
研究论文 | 本研究开发了一种基于深度学习的人工智能算法，用于在伴有黄斑水肿的眼球中通过OCT和OCTA检测和分割黄斑新生血管 | 首次将混合多任务卷积神经网络应用于多种病因黄斑水肿患者的MNV检测与分割 | 6×6-mm扫描因采样密度较低导致MNV检测灵敏度下降 | 测试人工智能算法在黄斑水肿患者中检测和分割MNV的诊断性能 | 患有渗出性年龄相关性黄斑变性、糖尿病黄斑水肿或视网膜静脉阻塞引起的黄斑水肿的患者 | 数字病理 | 眼科疾病 | OCT, OCTA | CNN | 图像 | 114只眼（112名参与者），其中56只眼患有渗出性AMD，58只眼患有DME或RVO | NA | 混合多任务卷积神经网络 | 灵敏度, 特异性, 阳性预测值, 阴性预测值, IoU, F1分数 | NA |
| 13020 | 2025-10-07 |
Multi-Omics Graph Knowledge Representation for Pneumonia Prognostic Prediction
2025-Apr, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3488735
PMID:39475733
|
研究论文 | 提出基于多组学图知识表示的肺炎预后预测模型，整合CT影像与三种非影像组学信息 | 首次将多组学图知识表示应用于肺炎预后预测，开发了多通道金字塔递归MLP和Longformer-based 3D深度学习模块 | 未明确说明样本数据的具体来源和潜在选择偏差 | 提升肺炎患者住院结局的早期预后预测准确性 | 肺炎患者 | 医学影像分析 | 肺炎 | CT成像、实验室检测、微生物检测、临床指标分析 | GCN, MLP, 深度学习 | CT影像、实验室数据、微生物数据、临床数据 | NA | NA | 多通道金字塔递归MLP, Longformer-based 3D模块, 图卷积网络 | 鲁棒性、泛化验证 | NA |