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 33459 篇文献，本页显示第 14201 - 14220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14201 | 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 |
| 14202 | 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 |
| 14203 | 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 |
| 14204 | 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 |
| 14205 | 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 |
| 14206 | 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 |
| 14207 | 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 |
| 14208 | 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 |
| 14209 | 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 |
| 14210 | 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 |
| 14211 | 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 |
| 14212 | 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 |
| 14213 | 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 |
| 14214 | 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 |
| 14215 | 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 |
| 14216 | 2025-10-07 |
Supra-second tracking and live-cell karyotyping reveal principles of mitotic chromosome dynamics
2025-04, Nature cell biology
IF:17.3Q1
DOI:10.1038/s41556-025-01637-6
PMID:40185948
|
研究论文 | 开发结合超分辨率显微镜和深度学习的FAST CHIMP方法，用于实时追踪活细胞有丝分裂过程中的染色体动态 | 首次实现以8秒分辨率追踪人类染色体从前期到末期的全过程，并能识别同源染色体对和比较母细胞与子细胞间的染色体定位 | 方法可能受限于显微镜分辨率和深度学习模型的准确性，且仅验证于人类细胞 | 研究有丝分裂过程中染色体的时空动态特征和三维基因组组织 | 活人类细胞中的有丝分裂染色体 | 计算生物学 | NA | 延时超分辨率显微镜，深度学习 | 深度学习 | 时间序列显微镜图像 | NA | NA | NA | 分辨率（8秒），同源染色体识别准确率（15/23对） | NA |
| 14217 | 2025-10-07 |
A novel data-driven screening method of antidepressants stability in wastewater and the guidance of environmental regulations
2025-Apr, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2025.109427
PMID:40188602
|
研究论文 | 开发了一种基于深度学习的抗抑郁药物废水稳定性筛选方法 | 构建了MSSL-RealFormer分类模型，首次将深度学习应用于抗抑郁药物废水稳定性预测 | 仅针对66种抗抑郁药物进行研究，样本范围有限 | 建立抗抑郁药物废水稳定性的快速筛选方法和环境监管指导 | 66种抗抑郁药物及其转化产物 | 机器学习 | NA | 密度泛函理论，定量构效关系分析 | RealFormer | 分子理化性质数据 | 66种抗抑郁药物 | NA | MSSL-RealFormer | 预测准确度 | NA |
| 14218 | 2025-10-07 |
Viral escape-inspired framework for structure-guided dual bait protein biosensor design
2025-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1012964
PMID:40233103
|
研究论文 | 介绍了一种可推广的计算平台CTRL-V，用于设计选择性结合的双诱饵生物传感器蛋白质 | 利用病毒逃逸机制启发，开发了结合整数优化、随机采样和深度学习的结构引导生物传感器设计框架 | 需要依赖公开可用的病毒逃逸数据作为体内锚点 | 开发通用计算平台用于双诱饵生物传感器蛋白质设计 | SARS-CoV-2刺突蛋白受体结合域(RBD)和Raf激酶 | 计算生物学 | COVID-19 | 结构引导蛋白质设计 | 深度学习 | 蛋白质结构数据 | 39个SARS-CoV-2点突变，30个流行感染株，KP.2变体的7个单点突变 | PyRosetta, ProteinMPNN | NA | 突变识别准确率(20%的已知突变，70%的KP.2变体突变) | NA |
| 14219 | 2025-10-07 |
Toward a unified benchmark and framework for deep learning-based prediction of nuclear magnetic resonance chemical shifts
2025-Apr, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00783-z
PMID:40155533
|
研究论文 | 提出NMRNet深度学习框架和统一基准，用于预测核磁共振化学位移 | 首次引入SE(3) Transformer进行原子环境建模，并建立了覆盖多种化学系统的综合基准 | NA | 推进深度学习在分析和结构化学中的应用，改进核磁共振化学位移预测 | 分子结构和核磁共振光谱之间的关系 | 机器学习 | NA | 核磁共振(NMR) | Transformer | 分子结构数据，光谱数据 | 基于先前研究和数据库的多样化化学系统 | PyTorch | SE(3) Transformer | NA | NA |
| 14220 | 2025-04-26 |
Deep Learning Model for Diagnosing and Classifying Subtypes of Chronic Pulmonary Aspergillosis in Chest CT
2025-Apr, Mycoses
IF:4.1Q2
DOI:10.1111/myc.70061
PMID:40277031
|
研究论文 | 本研究开发了一种深度学习模型，用于在胸部CT图像中诊断和分类慢性肺曲霉病（CPA）及其亚型 | 利用人工智能生成技术和半监督学习增强模型性能，特别是在小样本、分布偏斜和多类特征的数据集上 | 数据集虽然来自多中心，但样本量仍相对较小，且外部测试集的样本数量有限 | 探索人工智能技术在慢性肺曲霉病诊断和亚型分类中的应用 | 慢性肺曲霉病（CPA）患者及其CT图像 | 数字病理学 | 肺曲霉病 | 深度学习 | 多分类模型 | CT图像 | 660名患者的39,387张胸部CT图像用于训练、验证和内部测试，外加11名患者的3,337张CT图像作为外部测试集1，以及其他研究的120张图像作为外部测试集2 | NA | NA | NA | NA |