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 32705 篇文献，本页显示第 14381 - 14400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14381 | 2025-04-12 |
Gait Speed and Task Specificity in Predicting Lower-Limb Kinematics: A Deep Learning Approach Using Inertial Sensors
2025-Mar, Mayo Clinic proceedings. Digital health
DOI:10.1016/j.mcpdig.2024.11.004
PMID:40207006
|
研究论文 | 开发一个深度学习框架，利用惯性测量单元(IMU)数据预测多任务步态下的下肢关节运动学，并评估动态时间规整(DTW)对减少预测误差的影响 | 提出了一种结合LSTM自编码器和监督回归的深度学习模型，用于多任务步态下的关节运动学预测，并验证了DTW在降低预测误差方面的有效性 | 样本量较小(仅18名参与者)，且仅验证了矢状面的关节角度预测 | 开发远程连续生物力学评估的实用解决方案 | 下肢关节(髋、膝、踝)运动学预测 | 机器学习 | NA | 惯性测量单元(IMU)，光学运动捕捉系统 | LSTM自编码器监督回归模型(含LSTM和CNN层) | IMU传感器数据(加速度计和陀螺仪的3轴数据及其幅值) | 18名参与者 | NA | NA | NA | NA |
| 14382 | 2025-04-12 |
Leveraging Comprehensive Echo Data to Power Artificial Intelligence Models for Handheld Cardiac Ultrasound
2025-Mar, Mayo Clinic proceedings. Digital health
DOI:10.1016/j.mcpdig.2025.100194
PMID:40207004
|
研究论文 | 开发了一个端到端的深度学习框架，用于从超声心动图视频中估计左心室射血分数（LVEF）、患者年龄和性别分类，包括使用手持心脏超声（HCU）收集的视频 | 利用全面的超声心动图数据为手持心脏超声的人工智能模型提供支持，展示了手持设备可以获得聚焦诊断图像 | 研究主要基于Mayo Clinic的数据，可能在其他医疗系统中的泛化性有待验证 | 开发深度学习模型以提升手持心脏超声的诊断能力 | 超声心动图视频，包括手持心脏超声（HCU）和经胸超声心动图（TTE）数据 | 数字病理 | 心血管疾病 | 深度学习 | 深度学习模型 | 视频 | 训练集6432项研究，内部验证集1369项研究，前瞻性数据集625名患者 | NA | NA | NA | NA |
| 14383 | 2025-10-07 |
Spatial single-cell proteomics landscape decodes the tumor microenvironmental ecosystem of intrahepatic cholangiocarcinoma
2025-Feb-25, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001283
PMID:39999448
|
研究论文 | 本研究通过人工智能辅助的空间多组学技术解析肝内胆管癌肿瘤微环境的空间生态系统 | 首次构建肝内胆管癌空间单细胞蛋白质组学图谱，开发空间肿瘤微环境深度学习系统，识别5种具有不同预后的空间亚型 | 样本来源包含公开数据和内部数据，部分数据样本量较小（如空间转录组学仅4例内部样本） | 阐明肝内胆管癌肿瘤微环境的空间特征及其与预后和免疫治疗的关系 | 肝内胆管癌患者肿瘤组织样本 | 数字病理学 | 肝内胆管癌 | 成像质谱流式,空间蛋白质组学,空间转录组学,多重免疫荧光,单细胞RNA测序,批量RNA测序,批量蛋白质组学 | 深度学习 | 空间多组学数据,单细胞数据,蛋白质组学数据,转录组学数据 | 内部样本：成像质谱流式155例,空间蛋白质组学155例,空间转录组学4例,多重免疫荧光20例,单细胞RNA测序9例,批量蛋白质组学110例；公共数据：单细胞RNA测序34例,批量RNA测序244例,批量蛋白质组学214例；总计解析超过106万个细胞 | NA | NA | 预后预测准确率 | NA |
| 14384 | 2025-04-12 |
Integrating artificial intelligence with endoscopic ultrasound in the early detection of bilio-pancreatic lesions: Current advances and future prospects
2025-Feb, Best practice & research. Clinical gastroenterology
DOI:10.1016/j.bpg.2025.101975
PMID:40210329
|
综述 | 本文综述了人工智能（AI）与内镜超声（EUS）结合在胆胰病变早期检测中的当前进展和未来前景 | AI驱动的模型（如机器学习和深度学习）显著提高了诊断准确性，特别是在区分胰腺导管腺癌与良性病变及胰腺囊性肿瘤的特征分析方面 | 数据标准化、模型可解释性以及数据隐私的伦理问题仍是挑战 | 探讨AI与EUS结合在胆胰病变早期检测和管理中的潜力 | 胆胰病变，包括胰腺导管腺癌（PDAC）、良性病变及胰腺囊性肿瘤 | 数字病理 | 胰腺癌 | 机器学习和深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 14385 | 2025-04-12 |
Ensemble Deep Learning Models for Automated Segmentation of Tumor and Lymph Node Volumes in Head and Neck Cancer Using Pre- and Mid-Treatment MRI: Application of Auto3DSeg and SegResNet
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_21
PMID:40201772
|
research paper | 该研究开发了一种基于SegResNet架构的深度学习管道，用于头颈癌MRI中肿瘤和淋巴结体积的自动分割 | 集成了Auto3DSeg框架，采用加权多数投票融合多个SegResNet模型的预测结果，实现了治疗前和治疗中MRI的自动分割 | 治疗中MRI的分割性能有待提高，特别是GTVp的分割效果较差（DSCagg为0.49） | 改进放射肿瘤学工作流程，特别是自适应放射治疗中的自动分割技术 | 头颈癌患者的MRI扫描图像（治疗前和治疗中） | digital pathology | head and neck cancer | MRI | SegResNet | image | NA | NA | NA | NA | NA |
| 14386 | 2025-04-12 |
Benchmark of Deep Encoder-Decoder Architectures for Head and Neck Tumor Segmentation in Magnetic Resonance Images: Contribution to the HNTSMRG Challenge
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_15
PMID:40201773
|
research paper | 本文对几种先进的深度学习编码器-解码器架构在头颈部肿瘤磁共振图像分割任务中的表现进行了基准测试 | 比较了多种最新的分割架构在低数据量和低对比度任务（如头颈部肿瘤MRI分割）中的表现，发现传统残差UNet方法优于其他最新方法 | 研究仅针对头颈部肿瘤MRI分割任务，结果可能不适用于其他医学图像分割场景 | 评估不同深度学习架构在头颈部肿瘤MRI分割中的性能 | 头颈部肿瘤的磁共振图像 | digital pathology | head and neck cancer | MRI | UNet, UNETR, SwinUNETR, SegMamba | image | HNTSMRG挑战赛数据集 | NA | NA | NA | NA |
| 14387 | 2025-04-11 |
Retraction: The use of deep learning algorithm and digital media art in all-media intelligent electronic music system
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321391
PMID:40202926
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14388 | 2025-04-11 |
Retraction: Performance for rotor system of hybrid electromagnetic bearing and elastic foil gas bearing with dynamic characteristics analysis under deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321328
PMID:40202933
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14389 | 2025-04-11 |
Retraction: Applying Internet information technology combined with deep learning to tourism collaborative recommendation system
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321330
PMID:40202931
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14390 | 2025-04-11 |
Retraction: Risk factor analysis combined with deep learning in the risk assessment of overseas investment of enterprises
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321411
PMID:40202928
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14391 | 2025-04-11 |
Retraction: Single image super-resolution via image quality assessment-guided deep learning network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321386
PMID:40202936
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14392 | 2025-04-11 |
Retraction: Deep learning in public health: Comparative predictive models for COVID-19 case forecasting
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321232
PMID:40203008
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14393 | 2025-04-12 |
Enhancing student-centered walking environments on university campuses through street view imagery and machine learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321028
PMID:40203019
|
research paper | 该研究开发了一个深度学习框架，用于评估中国长三角地区四所大学校园步行环境的感知体验 | 利用大规模街景图像和机器学习模型预测校园步行环境的感知评分，并识别影响感知体验的关键空间设计元素 | 研究仅涵盖中国长三角地区的四所大学，样本覆盖范围有限 | 优化以学生为中心的校园步行环境 | 大学校园步行环境 | machine learning | NA | Baidu Street View Images (BSVIs), machine learning | Random Forest (RF), linear regression | image, perceptual ratings | 15,596张街景图像和100名志愿者的感知评分 | NA | NA | NA | NA |
| 14394 | 2025-04-11 |
Retraction: Harnessing the power of AI: Advanced deep learning models optimization for accurate SARS-CoV-2 forecasting
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321233
PMID:40203015
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14395 | 2025-04-12 |
Utilizing a deep learning model based on BERT for identifying enhancers and their strength
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320085
PMID:40203028
|
研究论文 | 提出了一种基于BERT和CNN的深度学习模型DNABERT2-Enhancer，用于识别增强子及其强度 | 结合BERT模型进行特征提取和CNN模型进行分类，通过迁移学习优化增强子识别任务，性能优于现有预测器 | 未提及具体的数据集规模或模型在其他数据集上的泛化能力 | 提高增强子及其活动强度的识别准确性 | DNA序列中的增强子 | 自然语言处理 | NA | 深度学习 | BERT, CNN | DNA序列 | 未提及具体样本数量 | NA | NA | NA | NA |
| 14396 | 2025-04-12 |
Deep learning-based improved side-channel attacks using data denoising and feature fusion
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315340
PMID:40203055
|
研究论文 | 本文提出了一种基于深度学习的改进侧信道攻击方法，结合数据去噪和特征融合技术 | 提出基于InceptionNet的网络结构减少训练参数并提升攻击效率，以及基于LU-Net的网络结构用于去噪，保留信号的时间连贯性和空间细节 | NA | 提升侧信道攻击的效率和准确性 | 侧信道攻击的数据集（ASCAD和DPA Contest v4） | 机器学习 | NA | 深度学习 | InceptionNet, LU-Net, LSTM | 侧信道数据 | ASCAD数据集和DPA Contest v4数据集 | NA | NA | NA | NA |
| 14397 | 2025-04-12 |
Development of anatomically accurate digital organ models for surgical simulation and training
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320816
PMID:40203219
|
研究论文 | 开发了一个基于深度学习的系统，用于自动提取器官表面数据并生成精确的数字器官模型，以用于手术模拟和训练 | 利用nnU-Net和3D Slicer的AutoSegmentator扩展，结合Blender的CAD功能，实现了自动提取器官数据并支持手动调整，提高了数据的准确性 | 未提及具体样本量或验证数据集的规模，可能影响结果的普适性 | 开发高精度的数字器官模型，以支持手术模拟和训练 | 人体器官和血管的三维模型 | 数字病理学 | NA | nnU-Net, 3D Slicer, Blender | nnU-Net | DICOM图像数据 | NA | NA | NA | NA | NA |
| 14398 | 2025-04-12 |
Global burden and future trends of head and neck cancer: a deep learning-based analysis (1980-2030)
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320184
PMID:40203229
|
research paper | 该研究利用深度学习模型HNCP-T分析了1980年至2021年全球头颈癌（HNC）的疾病负担，并预测了2022年至2030年的未来趋势 | 使用基于Transformer的模型HNCP-T预测头颈癌的未来趋势，并量化了估计年度百分比变化（EAPC） | 研究依赖于GBD 2021数据集，可能未涵盖所有地区的详细数据 | 评估全球头颈癌的疾病负担并预测未来趋势，以指导卫生优先事项和决策制定 | 204个国家的头颈癌年龄标准化发病率（ASIR）、死亡率（ASDR）和残疾调整生命年（DALYs） | digital pathology | head and neck cancer | deep learning | Transformer-based model (HNCP-T) | epidemiological data | 204 countries from 1980 to 2021 | NA | NA | NA | NA |
| 14399 | 2025-04-12 |
Optimizing CNN for pavement distress detection via edge-enhanced multi-scale feature fusion
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319299
PMID:40203245
|
研究论文 | 该研究提出了一种名为边缘增强多尺度特征融合（EE-MSFF）的创新机制，通过结合传统边缘检测技术和深度卷积神经网络（DCNNs）来优化路面裂缝检测 | 提出EE-MSFF机制，通过多尺度特征提取增强边缘信息，减少复杂背景的干扰，提高模型对裂缝区域的关注 | 模型在复杂背景数据集RDD2020上的分类准确率为88.68%，仍有提升空间 | 优化基于深度学习的路面损伤分类，提高模型的鲁棒性和泛化能力 | 路面裂缝检测 | 计算机视觉 | NA | 边缘检测技术（Sobel, Prewitt, Laplacian） | CNN | 图像 | RDD2020数据集和Concrete_Data_Week3数据集 | NA | NA | NA | NA |
| 14400 | 2025-04-12 |
Prediction models for sleep quality among frontline medical personnel during the COVID-19 pandemic: cross-sectional study based on internet new media
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1406062
PMID:40206166
|
研究论文 | 本研究通过横断面调查和多种预测模型，探讨了COVID-19疫情期间上海一线医务人员的睡眠质量及其影响因素 | 首次在COVID-19疫情期间对医务人员睡眠质量进行多模型预测比较，发现深度学习模型具有最佳预测性能 | 研究采用横断面设计，无法确定因果关系；样本仅来自上海地区，可能限制结果的普适性 | 分析影响医务人员睡眠质量的因素并开发预测模型，为制定干预策略提供依据 | COVID-19疫情期间上海一线医务人员 | 机器学习 | COVID-19 | 问卷调查（PSQI量表）、多变量逐步逻辑回归分析 | LG, DL, NB, ANN, RF, GBT | 问卷数据 | 训练测试集1060人，独立验证集266人 | NA | NA | NA | NA |