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 33366 篇文献，本页显示第 14441 - 14460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14441 | 2025-10-07 |
A novel deep learning-based pipeline architecture for pulp stone detection on panoramic radiographs
2025-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00804-7
PMID:39806222
|
研究论文 | 提出一种基于深度学习的两阶段流水线架构，用于在全景X光片上检测牙髓结石 | 首次提出针对全景影像牙髓结石检测的流水线架构，采用小样本标注数据的现实场景 | 标注训练数据有限 | 开发自动检测牙髓结石的方法 | 牙髓结石 | 计算机视觉 | 牙科疾病 | 全景X光摄影 | CNN | 图像 | 375张全景影像 | NA | YOLOv8, ResNeXt | 准确率, 精确率, 召回率, 假阴性率, 假阳性率, F1分数 | NA |
| 14442 | 2025-10-07 |
Deep learning-based MVIT-MLKA model for accurate classification of pancreatic lesions: a multicenter retrospective cohort study
2025-Apr, La Radiologia medica
DOI:10.1007/s11547-025-01949-5
PMID:39832039
|
研究论文 | 开发并验证基于CT图像的深度学习模型MVIT-MLKA用于胰腺病变的准确分类 | 提出新型混合模型MVIT-MLKA，整合CNN和Transformer架构，并引入多尺度大核注意力机制 | 回顾性研究设计，仅使用三个医疗中心的数据 | 开发深度学习模型用于胰腺病变的良恶性分类 | 胰腺病变患者 | 计算机视觉 | 胰腺癌 | CT成像 | 深度学习, CNN, Transformer | CT图像 | 864名患者（422名男性，442名女性）来自三个医疗中心 | NA | MVIT-MLKA（多尺度大核注意力移动视觉Transformer） | AUC, 准确率, 敏感性 | NA |
| 14443 | 2025-10-07 |
Kernel Conversion Improves the Correlation between the Extent of Emphysema and Clinical Parameters in Chronic Obstructive Pulmonary Disease: A Multicenter Cohort Study
2025-Apr, Tuberculosis and respiratory diseases
IF:2.5Q2
DOI:10.4046/trd.2024.0166
PMID:39904364
|
研究论文 | 通过核转换技术处理CT图像，评估其对慢性阻塞性肺疾病患者肺气肿程度与临床参数相关性的改善效果 | 首次在多中心研究中应用核转换技术标准化不同CT设备的图像，显著提高了肺气肿指数与临床参数的相关性 | 研究仅纳入韩国COPD患者，样本来源相对单一；未评估其他图像标准化方法的对比效果 | 评估核转换技术对改善CT图像中肺气肿程度与临床参数相关性的效果 | 慢性阻塞性肺疾病患者 | 医学影像分析 | 慢性阻塞性肺疾病 | 计算机断层扫描，核转换技术，深度学习 | 深度学习模型 | CT图像 | 484名COPD患者 | NA | NA | 相关系数 | NA |
| 14444 | 2025-04-23 |
Physical Considerations in Memory and Information Storage
2025-Apr, Annual review of physical chemistry
IF:11.7Q1
|
review | 本文从能量学、动力学和统计力学的角度回顾了信息存储和检索的原理 | 探讨了Hopfield联想记忆模型的物理实现及其与深度学习中的能量基神经网络的联系 | 未提及具体实验验证或实际应用案例 | 理解稳健信息处理的物理原理 | 信息存储和检索的物理系统 | machine learning | NA | NA | Hopfield model, energy-based neural networks | NA | NA | NA | NA | NA | NA |
| 14445 | 2025-10-07 |
Deep learning-based design and screening of benzimidazole-pyrazine derivatives as adenosine A2B receptor antagonists
2025-Apr, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2023.2295974
PMID:38133953
|
研究论文 | 本研究开发了一种基于深度生成模型和多层虚拟筛选的方法，用于设计和筛选作为腺苷A2B受体拮抗剂的苯并咪唑-吡嗪衍生物 | 结合深度生成模型与多层虚拟筛选的支架导向协议，成功设计出具有A2B受体选择性的新型苯并咪唑-吡嗪衍生物 | 研究主要基于计算模拟，缺乏实验验证数据 | 开发选择性腺苷A2B受体拮抗剂用于癌症免疫治疗 | 苯并咪唑-吡嗪衍生物 | 机器学习 | 癌症 | 虚拟筛选，计算分析 | 深度生成模型 | 化学结构数据 | 使用已报道的A2B受体拮抗剂作为训练集 | NA | NA | 结合自由能，选择性 | NA |
| 14446 | 2025-10-07 |
An energy-aware heart disease prediction system using ESMO and optimal deep learning model for healthcare monitoring in IoT
2025-Apr, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2023.2298736
PMID:38165748
|
研究论文 | 提出一种基于增强蜘蛛猴优化算法和权重优化深度神经网络的心血管疾病预测系统，用于物联网医疗监护环境 | 结合增强蜘蛛猴优化算法进行能量感知的集群优化，并采用改进的阿基米德权重优化深度神经网络进行疾病预测 | NA | 开发能量高效的心血管疾病预测系统以提升物联网医疗监护效能 | 心血管疾病患者数据 | 机器学习 | 心血管疾病 | 物联网数据采集 | 深度神经网络 | 医疗数据 | NA | NA | EAWO-DNN | 准确率,精确率,召回率,F1分数 | NA |
| 14447 | 2025-10-07 |
Revolutionizing Breast Cancer Care: AI-Enhanced Diagnosis and Patient History
2025-Apr, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2023.2300681
PMID:38178694
|
研究论文 | 本研究提出了一种结合人工智能和机器学习的综合方法，用于乳腺癌诊断和医疗史生成 | 整合传统机器学习与深度学习方法的协同效应，并采用AI驱动的动态问诊系统 | 未明确说明样本规模和数据来源的具体细节 | 提高乳腺癌诊断准确性和简化医疗史记录流程 | 乳腺癌患者诊断和医疗史数据 | 医疗人工智能 | 乳腺癌 | 机器学习、深度学习、自然语言处理 | SVM,KNN,Fuzzy Logic,深度学习模型 | 医疗数据、患者响应数据 | NA | NA | GPT-3.5 | 准确率 | NA |
| 14448 | 2025-10-07 |
A pooling convolution model for multi-classification of ECG and PCG signals
2025-Apr, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2023.2299697
PMID:38193152
|
研究论文 | 提出一种用于心电信号和心音信号多分类的池化卷积模型 | 设计了包含卷积层和最大池化层的堆叠块(MCM)及其变体，以及残差块(REC)，能处理不同采样率的生理信号 | NA | 提高心血管疾病检测效率 | 心电图(ECG)和心音图(PCG)信号 | 机器学习 | 心血管疾病 | 深度学习 | CNN | 生理信号 | 多个ECG和PCG数据集 | NA | MCM, REC | 准确率 | NA |
| 14449 | 2025-04-23 |
Development and validation of a semi-automatic radiomics ensemble model for preoperative evaluation of breast masses in mammotome-assisted minimally invasive resection
2025-Mar-31, Gland surgery
IF:1.5Q3
DOI:10.21037/gs-24-440
PMID:40256481
|
研究论文 | 开发并验证了一种基于超声的半自动分割集成模型，用于在乳腺微创旋切术前评估乳腺肿块 | 提出了一种基于半自动分割的集成学习模型，减少了手动勾画的主观性和时间消耗，提高了术前评估的准确性 | 研究为回顾性分析，可能存在选择偏倚；模型性能在测试队列中的AUC相对训练队列有所下降 | 提高乳腺肿块术前评估的准确性，指导个体化治疗策略 | 773例患者的术前超声图像（543例肿瘤，230例非肿瘤） | 数字病理 | 乳腺癌 | 超声成像，深度迁移学习（DTL） | DeepLabv3_ResNet50, FCN_ResNet50, 集成模型 | 超声图像 | 773例患者（543例肿瘤，230例非肿瘤） | NA | NA | NA | NA |
| 14450 | 2025-10-07 |
Adaptive neighborhood triplet loss: enhanced segmentation of dermoscopy datasets by mining pixel information
2025-Mar, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03241-9
PMID:39090504
|
研究论文 | 提出一种自适应邻域三元组损失函数，通过挖掘像素信息增强皮肤镜数据集的图像分割性能 | 设计了一种动态挖掘特定像素信息的损失函数，利用三元组概念驱动预测边界逼近真实边界 | NA | 提高医学图像分割的准确性和自动化能力 | 皮肤镜图像数据集 | 计算机视觉 | 皮肤病 | 深度学习 | 神经网络 | 图像 | PH2和ISIC2017皮肤镜数据集 | NA | NA | Jaccard指数 | NA |
| 14451 | 2025-10-07 |
Deep learning-based image classification reveals heterogeneous execution of cell death fates during viral infection
2025-Mar-01, Molecular biology of the cell
IF:3.1Q3
DOI:10.1091/mbc.E24-10-0438
PMID:39841552
|
研究论文 | 本研究利用深度学习图像分类分析病毒感染中细胞死亡命运的异质性执行 | 首次将深度学习图像分类应用于单纯疱疹病毒-1感染细胞的程序性死亡命运分析，揭示分子信号异质性激活下细胞仍呈现典型死亡形态 | 仅针对HSV-1病毒感染模型，未验证其他病毒类型；基于形态学分析需与分子检测方法互补 | 通过图像表型分析解决病毒感染中程序性细胞死亡命运判定的挑战 | 单纯疱疹病毒-1感染的单个细胞 | 计算机视觉 | 病毒感染 | 深度学习图像分类，光学显微镜 | CNN | 细胞图像 | NA | NA | NA | NA | NA |
| 14452 | 2025-10-07 |
DenseSeg: joint learning for semantic segmentation and landmark detection using dense image-to-shape representation
2025-Mar, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03315-8
PMID:39849288
|
研究论文 | 提出一种密集图像到形状表示方法，用于联合学习语义分割和标志点检测 | 通过密集图像到形状表示实现解剖对应关系表示，无需显式训练即可检测新标志点 | 未明确说明方法在更复杂解剖结构或更大数据集上的泛化能力 | 开发能够同时处理医学图像语义分割和标志点检测的联合学习方法 | 胸部X射线中的肺、心脏和锁骨，以及儿科手腕中的17种不同骨骼 | 计算机视觉 | NA | 深度学习 | CNN | 医学图像 | 两个医学数据集：胸部X射线数据集和儿科手腕数据集 | NA | 全卷积架构 | 毫米误差 | NA |
| 14453 | 2025-04-23 |
Evaluating the Impact of Attention Mechanisms on a Fine-Tuned Neural Network for Magnetic Resonance Imaging Tumor Classification: A Comparative Analysis
2025-Mar, Cureus
DOI:10.7759/cureus.80872
PMID:40255713
|
研究论文 | 本研究评估了不同注意力机制对基于ResNet50V2的MRI肿瘤分类模型的影响 | 比较了五种注意力机制在MRI肿瘤分类中的效果，发现SE机制表现最佳 | 未探索混合注意力机制（如基于Transformer的模型）的应用 | 评估注意力机制对MRI肿瘤分类模型性能的影响 | 脑部MRI扫描中的脑膜瘤、胶质瘤、垂体瘤和无肿瘤病例 | 计算机视觉 | 脑肿瘤 | 深度学习 | ResNet50V2, SE, CBAM, SA, AGNet | MRI图像 | 3,096个标注的MRI扫描 | NA | NA | NA | NA |
| 14454 | 2025-10-07 |
Looking outside the box with a pathology aware AI approach for analyzing OCT retinal images in Stargardt disease
2025-02-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85213-w
PMID:39922894
|
研究论文 | 提出一种结合病理感知损失函数的深度学习方法，用于分析Stargardt病视网膜OCT图像的自动分割 | 引入病理感知损失函数和区域自适应分割策略，在退化区域采用整体视网膜分割，在相对完好区域进行子层细分 | 主要针对STGD1疾病，在其他视网膜疾病中的适用性需要进一步验证 | 开发可靠的OCT图像自动分割方法以支持Stargardt病的疾病进展追踪和治疗效果评估 | Stargardt病1型患者的视网膜OCT图像 | 数字病理 | Stargardt病 | 光学相干断层扫描 | 深度学习 | 图像 | NA | NA | NA | Dice系数 | NA |
| 14455 | 2025-10-07 |
Severe deviation in protein fold prediction by advanced AI: a case study
2025-02-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89516-w
PMID:39922965
|
研究论文 | 通过案例研究揭示先进AI在蛋白质折叠预测中出现的严重偏差 | 首次报道双结构域蛋白质实验结构与AI预测模型间存在严重空间构象偏差 | 仅针对单一蛋白质案例进行研究，未系统评估其他蛋白质的预测偏差 | 评估AI蛋白质结构预测模型的准确性和局限性 | 双结构域蛋白质的三维空间结构 | 计算生物学 | NA | 蛋白质结构预测 | 深度学习 | 蛋白质序列, 三维结构坐标 | 1个双结构域蛋白质 | AlphaFold | NA | RMSD, 空间位置偏差 | NA |
| 14456 | 2025-10-07 |
Discovering effect of intuitionistic fuzzy transformation in multi-layer perceptron for heart disease prediction: a study
2025-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2023.2284095
PMID:38013456
|
研究论文 | 本研究探索直觉模糊变换在多层感知器心脏病预测中的应用效果 | 将直觉模糊集理论引入特征工程，同时考虑隶属度和非隶属度两种不确定性，相比传统模糊集仅考虑单一不确定性具有创新性 | NA | 通过直觉模糊变换改进特征表示，提高心脏病预测的准确性 | 心脏病患者的临床参数 | 机器学习 | 心血管疾病 | 直觉模糊变换，模糊集理论 | MLP | 临床参数数据 | NA | NA | 多层感知器 | NA | NA |
| 14457 | 2025-10-07 |
Enhancing drug discovery in schizophrenia: a deep learning approach for accurate drug-target interaction prediction - DrugSchizoNet
2025-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2023.2282951
PMID:38375638
|
研究论文 | 提出一种名为DrugSchizoNet的深度学习模型，用于精神分裂症药物靶点相互作用的精准预测 | 结合LSTM和全连接层处理序列数据，采用OB-MOA优化超参数，有效解决数据不平衡、噪声和过拟合问题 | 仅针对精神分裂症疾病，未验证在其他疾病上的泛化能力 | 提升精神分裂症药物发现过程中的药物靶点相互作用预测准确性 | 药物靶点相互作用数据 | 机器学习 | 精神分裂症 | 深度学习 | LSTM, FC | 药物相关数据 | 来自DrugBank和repoDB数据库的药物数据 | NA | LSTM, 全连接网络 | 准确率, 召回率, 特异性, 精确率, F1分数, AUPR, AUROC | NA |
| 14458 | 2025-10-07 |
Neurosurgery inpatient outcome prediction for discharge planning with deep learning and transfer learning
2025-Feb, British journal of neurosurgery
IF:1.0Q3
DOI:10.1080/02688697.2022.2151565
PMID:36458628
|
研究论文 | 本研究使用深度学习和迁移学习预测神经外科住院患者的出院时间和出院目的地等临床结局 | 首次将迁移学习应用于神经外科住院患者的自由文本医疗数据，通过每日查房记录实现动态预测 | 研究样本量相对有限（1341例住院记录），仅基于单中心数据 | 开发能够辅助神经外科出院规划的住院患者结局预测模型 | 神经外科住院患者 | 自然语言处理 | 神经外科疾病 | 深度学习 | 人工神经网络 | 文本数据（入院记录和查房记录） | 1341例住院记录 | NA | 人工神经网络 | AUC | NA |
| 14459 | 2025-10-07 |
iMFP-LG: Identify Novel Multi-functional Peptides Using Protein Language Models and Graph-based Deep Learning
2025-Jan-15, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzae084
PMID:39585308
|
研究论文 | 提出了一种基于蛋白质语言模型和图注意力网络的多功能肽识别方法iMFP-LG | 首次结合蛋白质语言模型和图注意力网络进行多功能肽识别，并通过可视化注意力模式增强模型可解释性 | 仅从UniRef90数据库中筛选候选肽，未涵盖所有已知肽段 | 开发准确有效的多功能肽识别技术以促进其发现和机制理解 | 多功能生物活性肽和多功能治疗肽 | 生物信息学 | NA | 蛋白质语言模型，图注意力网络 | GAT | 氨基酸序列数据 | 数百万个已知肽段（来自UniRef90数据库） | NA | 图注意力网络 | NA | NA |
| 14460 | 2025-04-23 |
EnsembleSE: identification of super-enhancers based on ensemble learning
2025-Jan-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elaf003
PMID:40251827
|
research paper | 提出了一种基于集成学习的超增强子识别方法EnsembleSE，用于更有效地识别基因调控网络中的超增强子 | 集成不同模型的优势，提出基于集成策略的模型，增强模型的泛化能力，并设计了一种结合局部结构和全局信息的多角度特征表示方法 | 需要大量标记数据进行训练，限制了其在生物数据中的进一步应用 | 提高超增强子识别的准确性和效率，以支持基因调控网络和疾病机制的研究 | 超增强子（SEs） | machine learning | NA | ensemble learning | ensemble model | sequence data | 在小鼠和人类数据集上进行了评估 | NA | NA | NA | NA |