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 32492 篇文献，本页显示第 14061 - 14080 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14061 | 2025-10-07 |
Evaluating cell type deconvolution in FFPE breast tissue: application to benign breast disease
2024-09, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqae098
PMID:40162103
|
研究论文 | 本研究评估了多种细胞类型反卷积方法在FFPE乳腺组织中的应用性能，并开发了专用分析工具 | 构建了乳腺组织单细胞RNA-seq参考数据，系统测试了FFPE人工假象对反卷积方法的影响，并开发了SCdeconR软件包 | 仅针对良性乳腺疾病进行研究，样本量为62例，可能不适用于其他疾病类型 | 优化从FFPE样本中定义单个细胞类型组成的策略 | FFPE乳腺组织样本 | 数字病理学 | 乳腺疾病 | RNA-seq, 单细胞RNA-seq, 数字病理学方法 | 深度学习 | 转录组数据, 病理图像 | 62例良性乳腺疾病RNA-seq样本 | Scaden, R | NA | 均方根误差(RMSE) | NA |
| 14062 | 2025-10-07 |
PlantC2U: deep learning of cross-species sequence landscapes predicts plastid C-to-U RNA editing in plants
2024-04-15, Journal of experimental botany
IF:5.6Q1
DOI:10.1093/jxb/erae007
PMID:38190348
|
研究论文 | 开发基于深度学习的PlantC2U工具预测植物质体C-to-U RNA编辑 | 首次使用卷积神经网络从基因组序列预测植物质体RNA编辑，性能优于现有工具PREPACT、随机森林和支持向量机 | 仅基于基因组序列预测，仍需转录组数据验证以减少假阳性 | 开发准确预测植物质体C-to-U RNA编辑的计算工具 | 植物质体RNA编辑位点，特别是红树植物Kandelia obovata | 生物信息学 | NA | 转录组测序 | CNN | 基因组序列 | NA | NA | 卷积神经网络 | 灵敏度, 特异性 | NA |
| 14063 | 2025-10-07 |
Artificial intelligence- and computer-assisted navigation for shoulder surgery
2024 Jan-Apr, Journal of orthopaedic surgery (Hong Kong)
DOI:10.1177/10225536241243166
PMID:38546214
|
综述 | 全面分析人工智能和计算机辅助导航技术在肩部手术领域的最新进展和应用前景 | 系统整合了人工智能、深度学习与计算机辅助导航技术在肩部手术中的创新应用，展望了技术融合带来的革命性突破 | 主要基于现有文献分析，缺乏原始临床数据验证 | 探讨人工智能和计算机辅助导航技术在肩部手术中的应用现状和发展趋势 | 肩部手术相关的技术方法和临床应用 | 计算机视觉, 机器学习 | 骨科疾病 | 机器人辅助手术, 虚拟现实, 人工智能, 患者特异性器械 | 深度学习 | 医学影像（超声, CT, MRI）, 荧光镜图像, 运动学数据 | NA | NA | NA | NA | NA |
| 14064 | 2025-10-07 |
NLP for Analyzing Electronic Health Records and Clinical Notes in Cancer Research: A Review
2025-May, Journal of pain and symptom management
IF:3.2Q1
|
综述 | 本文综述了自然语言处理技术在癌症研究中分析电子健康记录和临床笔记的应用现状与发展趋势 | 提供了比以往研究更广泛的视角，不仅关注特定癌症类型或应用，通过系统分析94项相关研究揭示了NLP在癌症研究中的应用趋势 | 现有解决方案的泛化能力有限，需要更好地整合到临床工作流程中 | 探索自然语言处理技术在癌症研究中的应用现状和未来方向 | 电子健康记录和临床笔记 | 自然语言处理 | 癌症 | 自然语言处理 | 基于规则的模型,传统机器学习,深度学习,Transformer | 文本 | 数据集规模差异很大，从小型手动标注数据集到大规模电子健康记录 | NA | NA | NA | NA |
| 14065 | 2025-04-14 |
Energy efficient multipath routing in IoT-wireless sensor network via hybrid optimization and deep learning-based energy prediction
2025-Apr-11, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2476081
PMID:40219585
|
research paper | 该研究提出了一种新颖的混合Beluga Whale-Coati优化（HBWCO）算法，用于优化物联网-无线传感器网络中的能量高效多路径路由 | 结合了混合优化算法和基于深度学习的能量预测，以提高网络的能量效率和可靠性 | 未提及具体实验环境或实际部署中的潜在问题 | 优化无线传感器网络中的能量高效数据传 | 无线传感器网络中的传感器节点和数据传 | machine learning | NA | Hybrid Beluga Whale-Coati Optimization (HBWCO), Deep Q-Net | Deep Q-Net | sensor data | NA | NA | NA | NA | NA |
| 14066 | 2025-10-07 |
Pre-trained molecular representations enable antimicrobial discovery
2025-Apr-10, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58804-4
PMID:40210659
|
研究论文 | 提出一种基于预训练分子表示的计算策略用于加速抗菌药物发现 | 结合自监督分子表示学习与实验验证数据，构建通用预测模型识别结构新颖的抗菌化合物 | 未明确说明模型在更广泛化合物类型和细菌物种上的泛化能力 | 开发计算框架加速抗菌化合物的发现和优先筛选 | 化学化合物及其对细菌的抗菌活性 | 机器学习 | 细菌感染 | 自监督深度学习 | 深度学习 | 化学结构数据，化合物-细菌活性数据 | NA | MolE | NA | NA | NA |
| 14067 | 2025-10-07 |
Heterogeneous attention multi-scale network for efficient weld seam classification
2025-Apr-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91186-7
PMID:40210665
|
研究论文 | 提出一种用于工业焊缝分类的高效深度学习框架HAMS-Net | 通过四个组件的协同集成实现创新：通道-空间注意力模块、异构注意力池化模块、计算高效的Ghost特征通道ReLU层和自适应特征金字塔网络 | NA | 解决工业环境中焊缝分类面临的几何多样性、类间细微差异和图像质量变化等挑战 | 工业焊缝图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | HAMS-Net, Swin-Transformer, ViT | 准确率 | 较少计算资源 |
| 14068 | 2025-10-07 |
A secure and efficient deep learning-based intrusion detection framework for the internet of vehicles
2025-Apr-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94445-9
PMID:40210906
|
研究论文 | 提出一种基于深度学习的车联网入侵检测框架，结合加密技术和优化算法实现安全高效的入侵检测 | 提出新型混合优化算法CMSO用于特征选择优化，设计DAGSNet架构集成多种神经网络模型，结合SMPC和同态加密实现隐私保护 | 未明确说明模型在更大规模车联网环境中的扩展性和实时性表现 | 开发安全高效的车联网入侵检测系统 | 车联网网络的安全防护和入侵检测 | 机器学习 | NA | 深度学习，加密技术 | Vision Transformer, DenseNet, GoogleNet, AlexNet, SqueezeNet | 网络数据 | 两个数据集（具体数量未说明） | NA | ViT, DenseNet, GoogleNet, AlexNet, SqueezeNet, DAGSNet | 精确度，加密解密时间 | NA |
| 14069 | 2025-10-07 |
Restricted Boltzmann machine with Sobel filter dense adversarial noise secured layer framework for flower species recognition
2025-Apr-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95564-z
PMID:40210949
|
研究论文 | 提出一种结合Sobel滤波器和受限玻尔兹曼机的对抗噪声安全层框架SRB-VGG19，用于花卉物种识别 | 设计了SRB-VGG FCL和SRB-VGG Dense两个子模型，通过FGSM攻击验证模型安全防护能力，仅保留关键花卉边缘特征进行识别 | 仅针对五种花卉类别进行分类，数据集规模有限（3400训练+850测试图像） | 开发能有效抵抗数据投毒攻击的高精度花卉物种分类系统 | 花卉图像数据 | 计算机视觉 | NA | Sobel滤波器，受限玻尔兹曼机，快速梯度符号方法 | CNN, RBM | 图像 | 4250张花卉图像（3400训练，850测试） | NA | VGG19, DenseNet, SRB-VGG19 | 准确率 | NA |
| 14070 | 2025-10-07 |
Image quality improvement in head and neck angiography based on dual-energy CT and deep learning
2025-Apr-10, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01659-4
PMID:40211222
|
研究论文 | 比较基于深度学习的图像重建与迭代重建算法在头颈部双能CT血管成像中的图像质量 | 首次在头颈部双能CT血管成像中系统比较深度学习重建与迭代重建算法的性能 | 样本量较小（58例患者），仅评估了特定重建参数组合 | 评估深度学习重建算法在头颈部双能CT血管成像中的图像质量改进效果 | 头颈部双能CT血管成像图像 | 医学影像分析 | 头颈部血管疾病 | 双能CT血管成像 | 深度学习图像重建 | CT医学影像 | 58例患者 | NA | NA | CT衰减值, 图像噪声, 信噪比, 对比噪声比, 边缘上升距离, 边缘上升斜率, 主观图像质量评分 | NA |
| 14071 | 2025-04-14 |
Hybrid encoding fringe and simulation-to-real scene approach for accurate depth estimation in fringe projection profilometry
2025-Apr-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.557221
PMID:40219402
|
research paper | 提出了一种混合编码条纹和模拟到真实场景的方法，以提高条纹投影轮廓测量中的深度估计精度 | 使用混合编码条纹模式替代传统周期性条纹，并利用模拟数据进行训练，以减少对真实数据的需求，同时提出新的网络架构MSAUNet | 需要进一步验证在更广泛的实际应用场景中的性能 | 提高条纹投影轮廓测量中的深度估计精度 | 条纹投影轮廓测量中的深度估计 | computer vision | NA | fringe projection profilometry (FPP) | MSAUNet | image | 最大的真实世界数据集 | NA | NA | NA | NA |
| 14072 | 2025-04-14 |
Denoising 3D integral images by a single-shot unsupervised deep neural network
2025-Apr-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.546621
PMID:40219440
|
研究论文 | 提出了一种基于单次拍摄的无监督深度学习方法，用于积分成像的去噪 | 利用单次拍摄的Noise2Noise方法，无需干净图像或噪声模型先验知识，适应特定成像条件 | 依赖于积分成像与元素成像之间的固有相似性，可能在某些成像条件下效果有限 | 提高积分成像的图像质量，解决噪声和图像质量下降问题 | 三维积分成像 | 计算机视觉 | NA | 无监督深度学习 | 深度神经网络 | 三维图像 | NA | NA | NA | NA | NA |
| 14073 | 2025-04-14 |
Snapshot video through dynamic scattering medium based on deep learning
2025-Apr-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.545510
PMID:40219498
|
research paper | 提出一种基于深度学习的端到端模型，用于从动态散射介质中的单次快照重建多达八帧图像 | 结合编码孔径压缩时间成像系统与基于transformer的CNN，优化解复用和重建效果，并利用双输入CNN模型（同时使用散斑图案及其自相关）显著提高重建精度 | NA | 研究动态散射介质中单次快照的多帧图像重建技术 | 动态物体通过未知时变散射介质的图像重建 | computer vision | NA | 深度学习 | transformer-based CNN | image | NA | NA | NA | NA | NA |
| 14074 | 2025-10-07 |
Neurocounter - A deep learning framework for high-fidelity spatial localization of neurons
2025-Apr-03, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2025.110444
PMID:40187538
|
研究论文 | 提出了一种名为Neurocounter的深度学习框架，用于实现神经元的高精度空间定位 | 开发了包含编码器、解码器和注意力模块的深度学习网络，能够在训练过程中逐步标记未标注的神经元，减少对完整标注数据的依赖 | 训练数据包含不完全标注的神经元，可能影响模型性能 | 开发能够准确检测和定位神经元的深度学习框架 | 神经元胞体的中心定位 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | 编码器-解码器架构,注意力模块 | F1分数 | NA |
| 14075 | 2025-10-07 |
External validation of a fully automated evaluation tool: a retrospective analysis of 68,471 scored embryos
2025-Apr, Fertility and sterility
IF:6.6Q1
DOI:10.1016/j.fertnstert.2024.10.006
PMID:39414116
|
研究论文 | 通过回顾性分析68,471个评分胚胎，外部验证了全自动胚胎评估工具在体外受精治疗中的有效性 | 首次对全自动深度学习胚胎分类系统进行大规模外部验证，涵盖常规IVF、卵子捐赠和PGT-A周期 | 回顾性研究设计，未进行前瞻性验证 | 验证全自动胚胎分类系统在体外受精治疗中的预测性能 | 6,434名患者进行的7,352次IVF治疗中产生的70,456个胚胎 | 数字病理 | 生殖医学 | 深度学习算法 | 深度学习 | 胚胎图像 | 70,456个胚胎 | NA | NA | AUC, Cohen's Kappa系数, 比值比, 相对风险 | NA |
| 14076 | 2025-10-07 |
Conventional and cutting-edge advances in plant virus detection: emerging trends and techniques
2025-Apr, 3 Biotech
IF:2.6Q3
DOI:10.1007/s13205-025-04253-1
PMID:40151342
|
综述 | 本文综述了植物病毒检测领域的传统方法与前沿技术进展，重点介绍了新兴趋势和技术创新 | 整合了人工智能、机器学习、物联网、纳米技术和CRISPR诊断等前沿技术在植物病毒检测中的创新应用 | 存在序列限制、多重检测约束和环境问题等挑战 | 开发可扩展、成本效益高的植物病毒检测解决方案，确保农业可持续性和生态系统保护 | 植物病毒 | 生物信息学 | 植物病毒病 | LAMP, HTS, 纳米技术生物传感器, CRISPR诊断, 高光谱成像 | 深度学习 | NA | NA | NA | NA | 灵敏度, 速度, 特异性 | 基于云的物联网平台 |
| 14077 | 2025-10-07 |
Artificial Intelligence Prediction of Age from Echocardiography as a Marker for Cardiovascular Disease
2025-Mar-26, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.25.25324627
PMID:40196275
|
研究论文 | 本研究开发了一种基于深度学习的人工智能方法，通过超声心动图视频预测年龄，并识别心血管加速老化和延迟老化的特征 | 首次利用大规模多视角超声心动图视频数据开发年龄预测AI模型，并发现年龄预测结果与心血管疾病风险及心脏移植状态的关联 | 研究基于单一医疗中心数据，需要外部验证；模型性能可能受超声图像质量影响 | 通过AI分析超声心动图预测生物年龄，增强心血管风险评估和对心脏生物老化的理解 | 90,738名独特患者的166,508项研究中的2,610,266个超声心动图视频 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习 | 视频 | 90,738名患者，166,508项研究，2,610,266个视频 | NA | NA | 平均绝对误差(MAE), 决定系数(R²) | NA |
| 14078 | 2025-10-07 |
VISTA Uncovers Missing Gene Expression and Spatial-induced Information for Spatial Transcriptomic Data Analysis
2025-Mar-18, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.26.609718
PMID:40166134
|
研究论文 | 提出VISTA方法用于空间转录组数据的基因表达预测和缺失信息填补 | 基于变分推断和几何深度学习联合建模scRNA-seq和SST数据，并引入不确定性量化 | 未明确说明方法在特定组织类型或疾病状态下的适用性限制 | 解决空间转录组技术中基因检测数量有限的问题 | 空间转录组数据 | 生物信息学 | NA | 单细胞RNA测序(scRNA-seq), 亚细胞空间转录组学(SST) | 几何深度学习 | 基因表达数据, 空间位置数据 | 四个SST数据集 | NA | NA | 插补性能, 时间效率, 内存消耗 | NA |
| 14079 | 2025-10-07 |
Enhancing Relation Extraction for COVID-19 Vaccine Shot-Adverse Event Associations with Large Language Models
2025-Mar-17, Research square
DOI:10.21203/rs.3.rs-6201919/v1
PMID:40166033
|
研究论文 | 本研究利用大语言模型和深度学习模型从VAERS和社交媒体数据中提取COVID-19疫苗与不良事件之间的关系 | 首次将GPT-3.5和GPT-4等大语言模型与传统模型结合，用于疫苗不良事件关系抽取，并采用句子级关系识别方法 | 数据集仅包含771个关系对，样本规模有限 | 提高COVID-19疫苗注射与不良事件关联关系抽取的准确性 | COVID-19疫苗与不良事件之间的关系 | 自然语言处理 | COVID-19 | 关系抽取 | GPT, RNN, BioBERT | 文本 | 771个关系对 | NA | GPT-3.5, GPT-4, RNN, BioBERT | 精确率, 召回率, F1分数 | NA |
| 14080 | 2025-10-07 |
Comparative Analysis of nnUNet and MedNeXt for Head and Neck Tumor Segmentation in MRI-Guided Radiotherapy
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_10
PMID:40213035
|
研究论文 | 比较nnUNet和MedNeXt在MRI引导放疗中头颈部肿瘤分割的性能 | 在HNTS-MRG24 MICCAI挑战赛中提出结合预训练和微调策略的多任务解决方案 | 未提供最终测试阶段的详细Dice相似系数分数 | 开发头颈部肿瘤自动分割方法以改进MRI引导放疗 | 头颈部癌患者的原发肿瘤体积(GTVp)和转移淋巴结肿瘤体积(GTVn) | 数字病理 | 头颈部癌 | 磁共振成像(MRI) | 深度学习模型 | MRI图像 | 150例头颈部癌患者的MRI扫描 | NA | nnUNet, MedNeXt | Dice相似系数 | NA |