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 13121 - 13140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13121 | 2025-04-25 |
Combining diffusion and transformer models for enhanced promoter synthesis and strength prediction in deep learning
2025-Apr-22, mSystems
IF:5.0Q1
DOI:10.1128/msystems.00183-25
PMID:40105319
|
研究论文 | 本研究结合扩散模型和transformer模型，用于增强合成启动子的设计与强度预测 | 首次将扩散模型应用于合成启动子设计，并结合transformer模型进行强度预测，相比传统方法表现出更高的性能 | 研究仅针对模型细菌和蓝藻细菌中的启动子，未验证在其他生物系统中的适用性 | 开发高效的合成启动子设计与预测方法，以优化外源基因表达和代谢途径效率 | 合成启动子序列及其转录活性 | 合成生物学 | NA | 深度学习 | 扩散模型, transformer | 生物序列数据 | 未明确说明样本数量 | NA | NA | NA | NA |
| 13122 | 2025-04-25 |
An end-to-end neural network for 4D cardiac CT reconstruction using single-beat scans
2025-Apr-22, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adcafb
PMID:40203865
|
研究论文 | 提出了一种基于深度学习的端到端重建框架，用于单次心跳快速CT扫描的动态心脏成像 | 使用单次心跳扫描数据，无需多次扫描，减少辐射暴露，尤其适用于心律不齐患者 | 模型训练依赖于模拟投影数据，可能在实际临床应用中存在差异 | 减少心脏CT成像中的运动伪影，提高心脏疾病的检测和诊断准确性 | 心脏CT成像 | 数字病理 | 心血管疾病 | CT扫描 | 端到端神经网络 | 图像 | 30名真实患者的模拟投影数据 | NA | NA | NA | NA |
| 13123 | 2025-04-25 |
A novel deep learning approach to classify 3D foot types of diabetic patients
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98471-5
PMID:40258927
|
研究论文 | 提出了一种基于DiffusionNet的新型深度学习方法，用于通过3D足部图像对糖尿病患者的足型进行分类 | 结合自注意力机制和外部特征，直接使用简单的3D足部图像对糖尿病患者的足型进行六类分类，准确率达到82.9%，超越了现有的机器和深度学习方法 | NA | 精确分类糖尿病足，以识别足部异常并促进通过足部矫形器工程设计的个性化治疗和预防措施 | 糖尿病患者的足型 | 计算机视觉 | 糖尿病 | DiffusionNet | 深度学习 | 3D图像 | NA | NA | NA | NA | NA |
| 13124 | 2025-04-25 |
Securing the CAN bus using deep learning for intrusion detection in vehicles
2025-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98433-x
PMID:40258975
|
研究论文 | 本文评估了深度学习在检测CAN总线网络入侵中的应用 | 利用LSTM、GRU和VGG-16等深度学习模型分析CAN消息的时间和空间特征，提高了入侵检测的准确率 | 未提及模型在实时检测中的性能表现以及计算资源消耗 | 提高智能交通系统（ITS）中CAN总线网络的安全性和韧性 | 车辆中的CAN总线网络 | 机器学习 | NA | 深度学习 | RNN, LSTM, GRU, VGG-16 | CAN消息序列 | Car Hacking, Survival Analysis, 和 OTIDS 数据集 | NA | NA | NA | NA |
| 13125 | 2025-04-25 |
FRSynergy: A Feature Refinement Network for Synergistic Drug Combination Prediction
2025-Apr-22, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3563433
PMID:40261768
|
研究论文 | 提出了一种名为FRSynergy的特征精炼深度学习框架，用于预测协同药物组合 | 通过捕捉不同药物-药物-细胞系三元组特征之间的关系和学习特征上下文信息，指导在不同场景下对药物和细胞系特征的精炼 | 未提及具体局限性 | 预测协同药物组合以增强治疗效果并减少不良反应 | 药物组合和癌细胞系 | 机器学习 | 癌症 | 深度学习 | 异构图注意力网络 | 药物和细胞系特征数据 | 未提及具体样本量 | NA | NA | NA | NA |
| 13126 | 2025-04-25 |
Deconvolution of cell types and states in spatial multiomics utilizing TACIT
2025-Apr-21, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58874-4
PMID:40258827
|
research paper | 本文提出了一种名为TACIT的无监督算法，用于空间多组学数据中的细胞类型和状态注释 | TACIT算法无需训练数据，通过无偏阈值区分阳性细胞与背景，专注于相关标记物识别多组学检测中的模糊细胞 | 算法性能仅在三个特定生态位（大脑、肠道和腺体）的数据集上进行了验证 | 解决空间生物学中细胞类型和状态识别耗时且易出错的问题 | 空间多组学数据中的细胞类型和状态 | 空间生物学 | 炎症性腺体疾病 | 空间转录组学和蛋白质组学 | 无监督算法 | 多组学数据 | 5个数据集（5,000,000个细胞；51种细胞类型） | NA | NA | NA | NA |
| 13127 | 2025-04-25 |
Deep learning-based recognition model of football player's technical action behavior using PCA-LBP algorithm
2025-Apr-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94732-5
PMID:40258880
|
research paper | 本文提出了一种基于PCA-LBP算法的深度学习模型，用于识别足球运动员的技术动作行为 | 结合PCA降维与LBP算法，提高了足球运动员技术动作识别的准确率 | 研究仅基于2020年一场比赛的200名足球运动员数据，样本量和多样性可能不足 | 提高足球运动员技术动作识别的准确性，为科学训练提供技术支持 | 足球运动员的技术动作（踢球、运球、停球和假动作） | computer vision | NA | PCA-LBP算法 | 深度学习模型 | image | 200名足球运动员在2020年一场比赛中的数据 | NA | NA | NA | NA |
| 13128 | 2025-04-25 |
A segment-based framework for explainability in animal affective computing
2025-Apr-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-96634-y
PMID:40258884
|
research paper | 提出一个基于分段的框架，用于增强动物情感计算领域的可解释性 | 引入定量评分机制评估显著性图与预定义语义区域的对齐程度，系统性比较不同流程的可视化解释 | 框架依赖于特定情感状态分类器的可用性和生成显著性图的能力 | 提升动物情感计算领域的模型可解释性 | 猫、马和狗的情感状态 | animal affective computing | NA | 深度学习 | 分类器 | 图像 | 三个数据集（猫和马疼痛、狗情绪） | NA | NA | NA | NA |
| 13129 | 2025-04-25 |
Bio inspired multi agent system for distributed power and interference management in MIMO OFDM networks
2025-Apr-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97944-x
PMID:40258916
|
研究论文 | 本文提出了一种基于白蚁群体优化的多智能体系统（TCO-MAS）与LSTM模型相结合的方法，用于MIMO-OFDM网络中的分布式功率和干扰管理 | 结合生物启发的白蚁群体优化算法和LSTM模型，实现预测性自适应功率分配和干扰管理 | 依赖于特定的信息素调整参数，可能需要针对不同场景进行微调 | 解决大规模MIMO-OFDM网络中资源分配和干扰控制的挑战 | MIMO-OFDM网络 | 机器学习 | NA | Termite Colony Optimization, LSTM | LSTM | 网络条件数据 | 实验分析评估了关键指标，如总速率、能效、频谱效率、延迟和公平性指数 | NA | NA | NA | NA |
| 13130 | 2025-04-25 |
Mitigating side channel attacks on FPGA through deep learning and dynamic partial reconfiguration
2025-Apr-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98473-3
PMID:40258964
|
研究论文 | 本文介绍了一种结合深度学习和动态部分重配置技术的框架，用于减轻FPGA上的侧信道攻击 | 通过动态部分重配置技术实时调整FPGA资源，破坏侧信道攻击模式，同时结合深度学习模型进行复杂威胁分析，实现了从被动防御到主动防御的范式转变 | 目前主要针对功耗侧信道攻击进行了验证，对其他类型侧信道攻击的适应性需要进一步扩展验证 | 提高FPGA硬件系统对侧信道攻击的防御能力 | FPGA硬件系统及其面临的侧信道攻击 | 硬件安全 | NA | 动态部分重配置(DPR)技术 | 深度学习模型 | 硬件性能数据 | 实验结果显示检测到缓解的延迟在20个时钟周期内 | NA | NA | NA | NA |
| 13131 | 2025-04-25 |
Improving deep learning-based neural distinguisher with multiple ciphertext pairs for speck and Simon
2025-Apr-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98251-1
PMID:40258982
|
研究论文 | 本文提出了一种基于多尺度卷积块和密集残差连接的新型神经区分器，用于提高对Speck和Simon密码系统的分析准确率 | 设计了多尺度卷积块和密集残差连接的神经网络结构，并引入了线性攻击概念优化输入数据集 | 对于高轮次简化密码系统的区分准确率仍有提升空间 | 提高基于深度学习的神经区分器在密码分析中的准确率和密钥恢复率 | Speck 32/64和Simon 32/64密码系统 | 密码学 | NA | 深度学习 | CNN | 密码文本对 | NA | NA | NA | NA | NA |
| 13132 | 2025-04-25 |
Design and experimental research of on device style transfer models for mobile environments
2025-Apr-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98545-4
PMID:40259046
|
研究论文 | 本研究开发了一种针对移动设备优化的神经风格迁移（NST）模型，通过设备端AI实现实时执行，减少对云服务器的依赖 | 提出了一组轻量级NST模型，结合深度可分离卷积、残差瓶颈和优化的上采样技术，平衡了计算效率和视觉质量 | 在减少模型大小时可能导致性能下降，需要在计算效率和视觉质量之间进行权衡 | 开发适用于移动设备的实时神经风格迁移模型，推动移动摄影、增强现实和创意应用的发展 | 移动设备上的神经风格迁移模型 | 计算机视觉 | NA | 深度可分离卷积、残差瓶颈、优化的上采样技术 | MobileNet和ResNet架构启发的轻量级NST模型 | 图像 | 设计了五种模型变体进行评估 | NA | NA | NA | NA |
| 13133 | 2025-04-25 |
Privacy for free in the overparameterized regime
2025-Apr-15, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2423072122
PMID:40215275
|
研究论文 | 本文探讨了在过参数化情况下差分隐私梯度下降（DP-GD）算法的性能，证明了在此情况下隐私保护可以几乎无代价实现 | 挑战了过参数化会阻碍隐私学习性能的普遍观点，证明了在随机特征模型和二次损失下，隐私可以几乎无代价实现 | 研究仅限于随机特征模型和二次损失情况，未考虑更复杂的模型和损失函数 | 研究差分隐私梯度下降算法在过参数化情况下的性能表现 | 差分隐私梯度下降算法及其在过参数化情况下的表现 | 机器学习 | NA | 差分隐私梯度下降（DP-GD） | 随机特征模型 | NA | 当参数数量m远大于训练样本数量n时的情况 | NA | NA | NA | NA |
| 13134 | 2025-04-25 |
WMH-DualTasker: A Weakly Supervised Deep Learning Model for Automated White Matter Hyperintensities Segmentation and Visual Rating Prediction
2025-Apr-15, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.70212
PMID:40260707
|
research paper | 开发了一种名为WMH-DualTasker的深度学习模型，用于自动分割白质高信号（WMH）并预测视觉评分 | 该模型通过自监督学习和变换不变性一致性约束，仅使用临床视觉评分作为监督信号，同时进行体素级分割和视觉评分预测 | 模型性能依赖于临床视觉评分的质量，且在不同数据集上的表现可能存在差异 | 开发一种自动化深度学习模型，以最小监督提供WMH严重程度的准确和全面量化 | 白质高信号（WMH）及其与认知障碍和痴呆的关系 | digital pathology | geriatric disease | self-supervised learning | deep learning model | neuroimaging data | MICCAI-WMH数据集（N=60）和SINGER数据集（N=64） | NA | NA | NA | NA |
| 13135 | 2025-04-25 |
Insights into transportation CO2 emissions with big data and artificial intelligence
2025-Apr-11, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101186
PMID:40264962
|
review | 本文探讨了大数据和人工智能在理解和减少交通运输领域二氧化碳排放中的应用 | 提出了结合机器学习和深度学习模型来处理和分析交通大数据的创新方法，以提高碳排放预测的准确性 | 面临算法、数据和计算方面的挑战，需要跨学科合作来解决 | 研究交通运输领域的二氧化碳排放，以实现深度脱碳 | 交通运输领域的大数据和二氧化碳排放 | machine learning | NA | machine learning (ML), deep learning (DL) | ML, DL | big data | NA | NA | NA | NA | NA |
| 13136 | 2025-04-25 |
Screening Patient Misidentification Errors Using a Deep Learning Model of Chest Radiography: A Seven Reader Study
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01245-0
PMID:39261374
|
研究论文 | 本研究开发了一种基于深度学习的胸片患者身份识别模型，并与不同经验水平的放射科医生进行性能比较 | 首次使用深度学习模型通过配对胸片筛查患者身份识别错误，并与多组放射科专家进行系统性比较 | 回顾性研究设计，样本来源有限，需要进一步前瞻性验证 | 评估深度学习模型在胸片患者身份识别中的性能，并与人类专家进行比较 | 胸片图像和不同经验水平的放射科医生 | 计算机视觉 | NA | 胸片成像 | 深度学习 | 医学图像 | 240,004张胸片用于模型开发，240名患者用于读者研究 | NA | SimChest（基于相似性的深度学习模型） | NA | NA |
| 13137 | 2025-04-25 |
Deep Learning for Automated Classification of Hip Hardware on Radiographs
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01263-y
PMID:39266912
|
research paper | 开发深度学习模型用于自动分类骨盆和髋关节X光片中的骨科植入物，以减少放射科医生的工作量并提高报告一致性 | 首次使用深度学习模型（EfficientNet-B4和NFNet-F3）对多种髋关节植入物进行高精度自动分类，性能与专业放射科医生相当 | 模型在感染后髋关节类别的AUC略低（0.97），且仅在一个医疗中心进行回顾性研究 | 开发自动化工具以减轻放射科医生工作量并标准化骨科植入物分类报告 | 骨盆和髋关节X光片中的骨科植入物 | computer vision | 骨科疾病 | 深度学习图像分类 | CNN（EfficientNet-B4和NFNet-F3） | X光图像 | 4279项研究（来自1073名患者）的训练集，851项研究（来自262名患者）的测试集 | NA | NA | NA | NA |
| 13138 | 2025-04-25 |
Vital Characteristics Cellular Neural Network (VCeNN) for Melanoma Lesion Segmentation: A Biologically Inspired Deep Learning Approach
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01257-w
PMID:39284982
|
研究论文 | 提出了一种名为VCeNN的生物启发式深度学习模型，用于黑色素瘤病变的医学图像分割 | 从细胞功能特征和自然选择中获得灵感，设计了具有记忆、适应、凋亡和分裂模块的新型神经网络 | NA | 开发能够准确描绘黑色素瘤病变的医学图像分割模型 | 黑色素瘤病变的医学图像 | 数字病理学 | 黑色素瘤 | 深度学习 | VCeNN (CNN变体) | 医学图像 | 多个公开数据集 | NA | NA | NA | NA |
| 13139 | 2025-04-25 |
A streaming brain-to-voice neuroprosthesis to restore naturalistic communication
2025-Apr, Nature neuroscience
IF:21.2Q1
DOI:10.1038/s41593-025-01905-6
PMID:40164740
|
research paper | 该研究开发了一种流式脑到语音神经假体，用于恢复瘫痪患者的自然语言交流 | 使用高密度表面记录和深度学习循环神经网络转换器模型，实现了在线大词汇量可理解流畅语音合成，并个性化还原了参与者受伤前的声音 | 研究仅针对一名严重瘫痪和失语症的临床试验参与者，样本量较小 | 恢复瘫痪患者的自然语言交流能力 | 严重瘫痪和失语症患者 | 神经工程 | 瘫痪 | 高密度表面记录、深度学习 | 循环神经网络转换器模型 (RNN-T) | 神经信号 | 1名临床试验参与者 | NA | NA | NA | NA |
| 13140 | 2025-04-07 |
Opening the deep learning box
2025-Apr, Nature neuroscience
IF:21.2Q1
DOI:10.1038/s41593-025-01938-x
PMID:40186074
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |