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 32373 篇文献，本页显示第 14541 - 14560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14541 | 2025-10-07 |
Novel deep reinforcement learning based collision avoidance approach for path planning of robots in unknown environment
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312559
PMID:39821118
|
研究论文 | 提出了一种基于深度强化学习的机器人路径规划方法，用于在未知环境中实现碰撞避免 | 将Q学习与深度学习相结合的新型强化学习算法，在狭窄和拥挤的通道环境中表现出优越性能 | 在狭窄通道环境中需要400次迭代才能收敛，收敛速度仍有提升空间 | 解决机器人在未知环境中的路径规划和碰撞避免问题 | 机器人运动规划系统 | 机器学习 | NA | 强化学习，深度学习 | Q-learning | 环境传感器数据 | 在拥挤环境中210次迭代收敛，在狭窄通道中400次迭代收敛 | NA | 深度强化学习网络 | 转弯次数，收敛速度 | NA |
| 14542 | 2025-10-07 |
Correction: Secure deep learning for distributed data against malicious central server
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318164
PMID:39847555
|
correction | 对一篇关于分布式数据安全深度学习的文章进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14543 | 2025-10-07 |
Pedestrian POSE estimation using multi-branched deep learning pose net
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312177
PMID:39854382
|
研究论文 | 提出一种多分支深度学习姿态网络用于行人全身姿态估计和方向识别 | 开发了多分支深度学习姿态网络(MBDLP-Net)，能够有效识别行人的全身姿态和方向，在复杂场景下表现优异 | NA | 通过计算机视觉工具自动分析行人行为和意图 | 行人全身姿态和方向估计 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 使用四个数据集：BDBO、PKU-Reid、TUD Multiview Pedestrians和CIFAR-100(100个类别) | NA | 多分支深度学习姿态网络(MBDLP-Net) | 平均准确率 | NA |
| 14544 | 2025-10-07 |
Clinical validation of an artificial intelligence algorithm for classifying tuberculosis and pulmonary findings in chest radiographs
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1512910
PMID:39991462
|
研究论文 | 评估基于卷积神经网络的人工智能算法在胸部X光片解读中的性能，并与医师团队进行比较 | 使用真实世界数据验证AI算法在多样化医疗环境中的有效性，并评估算法热图对医师决策的影响 | 回顾性研究设计，算法在93%的情况下未影响医师决策 | 评估AI算法在胸部X光片解读中的性能及其对非专科医师的辅助价值 | 胸部X光片及参与验证的医师团队 | 计算机视觉 | 肺结核 | 胸部X光成像 | CNN | 医学影像 | 2021年1月至2023年7月期间的回顾性数据 | NA | 三个独立模型分别用于肺部异常、放射学发现和肺结核检测 | AUC, 准确率, 灵敏度, 特异性 | NA |
| 14545 | 2025-10-07 |
State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging
2024-12, Radiographics : a review publication of the Radiological Society of North America, Inc
IF:5.2Q1
DOI:10.1148/rg.240095
PMID:39612283
|
综述 | 探讨深度学习重建算法在腹部CT成像中的技术原理、临床应用及发展前景 | 系统梳理了能够替代传统滤波反投影或迭代重建的深度学习CT重建算法，在低辐射剂量下保持图像纹理和诊断性能 | 文中提到会概述当前DLR算法的局限性，但未在摘要中具体说明 | 研究深度学习重建算法在腹部CT成像中的应用价值和技术发展 | 腹部CT图像 | 医学影像 | 腹部疾病 | CT成像 | 深度神经网络 | CT图像 | NA | NA | NA | 图像质量、诊断性能、重建速度 | NA |
| 14546 | 2025-10-07 |
Periapical lesion detection in periapical radiographs using the latest convolutional neural network ConvNeXt and its integrated models
2024-10-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75748-9
PMID:39455655
|
研究论文 | 提出一种结合Yolov5和ConvNeXt的深度学习集成模型YoCNET，用于根尖片中牙齿自动分割和多颗牙齿根尖病变的同步检测 | 首次将目标检测模型Yolov5与图像分类模型ConvNeXt集成，克服单一分类模型无法同时识别多个病变目标的限制 | 数据集排除了乳牙，且仅使用1305张根尖片进行训练验证 | 开发能够自动分割牙齿并同时检测多颗牙齿根尖病变的深度学习模型 | 根尖片中的牙齿和根尖病变 | 计算机视觉 | 牙科疾病 | 放射影像分析 | CNN, 集成模型 | 图像 | 1305张根尖片用于训练验证，717张单个牙齿图像用于集成模型验证 | PyTorch | Yolov5, ConvNeXt, ResNet34 | 准确率, 精确率, 灵敏度, F1分数, AUC, 混淆矩阵 | NA |
| 14547 | 2025-10-07 |
Computer Vision Identification of Trachomatous Inflammation-Follicular Using Deep Learning
2024-Sep-20, Cornea
IF:1.9Q2
DOI:10.1097/ICO.0000000000003701
PMID:39312712
|
研究论文 | 本研究开发了一种基于深度学习的计算机视觉系统，用于自动识别沙眼性炎症-滤泡（TF） | 首次将MobileNetV3大型深度卷积神经网络应用于沙眼筛查，实现了接近人类专家水平的TF分类性能 | 需要在不同TF患病率的多样化人群中进行进一步验证才能大规模实施 | 开发机器学习模型以降低沙眼调查成本并提高可靠性 | 0-9岁儿童的睑结膜照片 | 计算机视觉 | 沙眼 | 深度学习 | CNN | 图像 | 11,358名儿童的56,725张睑结膜照片 | NA | MobileNetV3 large | AUC, F1分数, 准确率, 灵敏度, 特异性 | NA |
| 14548 | 2024-09-25 |
Construction of Risk Prediction Model of Type 2 Diabetic Kidney Disease Based on Deep Learning (Diabetes Metab J 2024;48:771-9)
2024-09, Diabetes & metabolism journal
IF:6.8Q1
DOI:10.4093/dmj.2024.0490
PMID:39313234
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14549 | 2025-10-07 |
Examining the Role of Passive Design Indicators in Energy Burden Reduction: Insights from a Machine Learning and Deep Learning Approach
2024-Feb-15, Building and environment
IF:7.1Q1
DOI:10.1016/j.buildenv.2023.111126
PMID:39155966
|
研究论文 | 本研究结合深度学习和机器学习方法，分析被动设计特征与住宅建筑能源负担之间的关系 | 首次将基于计算机视觉的深度学习与机器学习技术相结合，利用街景图像自动识别被动设计指标 | 研究仅限于芝加哥大都市区，被动设计特征数据仍然有限 | 探索被动设计特征在降低能源负担中的作用，为可持续城市建设提供依据 | 芝加哥大都市区的住宅建筑 | 计算机视觉, 机器学习 | NA | 计算机视觉, 街景图像分析 | CNN, 决策树回归, 随机森林回归, 支持向量回归 | 图像, 人口统计数据 | 芝加哥大都市区的Google街景图像 | NA | 卷积神经网络 | 准确率 | NA |
| 14550 | 2025-10-07 |
Deep learning of sleep apnea-hypopnea events for accurate classification of obstructive sleep apnea and determination of clinical severity
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2024.01.015
PMID:38232604
|
研究论文 | 本研究开发了一种基于多模态信号和深度学习的睡眠呼吸暂停-低通气事件自动检测系统，用于阻塞性睡眠呼吸暂停的筛查和严重程度分类 | 结合鼻呼吸流、血氧饱和度和心电图信号特征，并整合人口统计学数据，使用Xception网络提升睡眠呼吸事件的检测精度 | 在低通气事件为主的参与者中分类错误率较高 | 改进睡眠呼吸暂停-低通气事件的自动检测和阻塞性睡眠呼吸暂停严重程度筛查 | 多导睡眠监测期间采集的生理信号数据和人口统计学数据 | 医疗人工智能 | 阻塞性睡眠呼吸暂停 | 多导睡眠监测 | 深度学习 | 生理信号数据（呼吸流、血氧饱和度、心电图）和人口统计学数据 | NA | NA | Xception | 准确率, AUC | NA |
| 14551 | 2025-10-07 |
Sleep, physical activity and panic attacks: A two-year prospective cohort study using smartwatches, deep learning and an explainable artificial intelligence model
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2023.12.013
PMID:38154150
|
研究论文 | 本研究通过智能手表监测、深度学习和可解释AI模型，探索睡眠与体力活动对惊恐发作的预测作用 | 首次结合可穿戴设备数据与深度学习模型（RNN/LSTM/GRU）进行惊恐发作的7天预测，并采用SHAP模型提供临床可解释性 | 样本量适中且依赖自评问卷 | 预测未来一周的惊恐发作、状态焦虑、特质焦虑和惊恐障碍严重程度 | 114名来自综合医院的惊恐障碍患者 | 机器学习 | 惊恐障碍 | 智能手表监测、深度学习、可解释人工智能 | RNN, LSTM, GRU | 睡眠数据、体力活动数据、心率数据、临床问卷数据 | 114名患者（2020年6月16日至2022年6月10日） | NA | RNN, LSTM, GRU | 准确率 | NA |
| 14552 | 2025-10-07 |
Machine learning applications for early detection of esophageal cancer: a systematic review
2023-07-17, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-023-02235-y
PMID:37460991
|
系统综述 | 系统综述了机器学习在食管癌早期检测中的应用现状 | 首次系统评估机器学习特别是卷积神经网络在食管癌早期检测中的性能表现 | 现有文献有限，存在类别不平衡和偏差问题，需要跨机构验证 | 总结和讨论基于机器学习的食管癌早期检测方法研究现状 | 食管癌早期检测相关研究文献 | 计算机视觉 | 食管癌 | 内窥镜成像，计算机断层扫描 | CNN | 医学图像 | 31篇研究文章 | NA | 卷积神经网络 | 准确率，灵敏度 | NA |
| 14553 | 2025-10-07 |
Deep learning in digital pathology for personalized treatment plans of cancer patients
2023-Mar, Seminars in diagnostic pathology
IF:2.9Q2
DOI:10.1053/j.semdp.2023.02.003
PMID:36890029
|
综述 | 本文综述了基于数字病理学中深度学习技术通过H&E染色病理图像进行生物标志物量化与治疗反应预测的研究进展 | 利用人工智能方法实现病理图像中生物标志物的自动量化，为癌症患者提供更高效客观的个性化治疗计划制定方案 | NA | 改善癌症患者个性化治疗方案的选择 | 癌症患者的H&E染色病理图像 | 数字病理学 | 癌症 | H&E染色 | 深度学习 | 病理图像 | NA | NA | NA | NA | NA |
| 14554 | 2025-10-07 |
Neurodegeneration: 2023 update
2023-Jan, Free neuropathology
|
综述 | 本文回顾了2023年神经退行性神经病理学领域十项具有高度影响力的研究 | 整合了蛋白质组学与转录组学研究、提出新的神经病理学诊断标准、揭示TDP-43抑制隐蔽外显子包含的新致病机制、通过冷冻电镜发现TDP-43阳性包涵体核心结构 | 研究选择基于作者主观判断，可能未涵盖所有重要进展；聚焦人类组织研究，可能忽略其他模型系统的发现 | 总结神经退行性疾病领域最新研究进展 | 人类神经退行性疾病组织样本 | 数字病理学 | 老年性疾病 | 蛋白质组学, 转录组学, 冷冻电镜, 功能基因组学, 深度学习 | 多示例学习 | 组织样本, 蛋白质数据, 基因表达数据, 图像数据 | NA | NA | NA | NA | NA |
| 14555 | 2025-04-01 |
Artificial intelligence in emergency neuroradiology: Current applications and perspectives
2025-Apr, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2024.11.002
PMID:39672753
|
综述 | 本文综述了人工智能在急诊神经放射学中的当前应用及未来展望 | 提供了关于人工智能在急诊神经放射学中应用的最新进展和深度分析，包括多种成像模态和现有商业产品的描述 | 未提及具体的技术局限性，但呼吁更多基于临床需求的开发和儿科神经影像学的关注 | 探讨人工智能在急诊神经放射学中的应用现状和未来发展 | 急诊神经放射学中的急性缺血性卒中、颅内出血、颅内动脉瘤、动静脉畸形等疾病 | 数字病理学 | 脑血管疾病 | 机器学习和深度学习算法 | NA | 影像数据 | NA | NA | NA | NA | NA |
| 14556 | 2025-04-01 |
Digital twin-assisted graph matching multi-task object detection method in complex traffic scenarios
2025-Mar-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87914-8
PMID:40155390
|
研究论文 | 提出一种基于数字孪生的跨领域目标检测迁移方法，以解决交通数据收集和标注耗时耗力的问题 | 结合数字孪生技术构建虚拟交通场景数据集，并引入基于图匹配的多任务目标检测算法，通过注意力机制和对抗训练提升模型鲁棒性 | 未提及实际部署中的计算资源消耗和实时性表现 | 提升复杂交通场景下的目标检测性能 | 虚拟和真实交通场景中的目标物体 | 计算机视觉 | NA | 数字孪生、对抗训练 | 多任务网络、图匹配模块 | 图像 | 未明确说明具体样本数量，包含虚拟生成和真实交通数据集 | NA | NA | NA | NA |
| 14557 | 2025-04-01 |
Synthesize multiple V/H directional beams for high altitude platform station based on deep-learning algorithm
2025-Mar-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93251-7
PMID:40155442
|
研究论文 | 本文研究了将高空平台站（HAPS）与深度学习（DL）模型相结合以增强覆盖能力的方法 | 提出了一种基于60单元同心圆阵列（CCA）和深度神经网络（DNN）与改进的引力搜索算法和粒子群优化（MGSA-PSO）算法的混合方法，以动态生成多方向垂直/水平（V/H）波束 | 未提及具体实验验证或实际部署的挑战 | 增强高空平台站（HAPS）的覆盖能力，特别是在复杂地形下的道路路径覆盖 | 高空平台站（HAPS）及其波束形成系统 | 机器学习 | NA | 深度神经网络（DNN）、改进的引力搜索算法和粒子群优化（MGSA-PSO）算法 | DNN | 仿真数据 | 使用计算机仿真技术-微波工作室套件（CST）与地球探索者（EE）用户界面工具模拟真实道路路径 | NA | NA | NA | NA |
| 14558 | 2025-04-01 |
The value of predicting breast cancer with a DBT 2.5D deep learning model
2025-Mar-29, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-02170-6
PMID:40155449
|
research paper | 评估基于数字乳腺断层合成（DBT）的2.5维深度学习模型在预测乳腺癌中的准确性和有效性 | 结合2.5维特征集和临床数据构建综合预测模型，展示深度学习与放射组学结合在乳腺癌早期诊断中的潜力 | 研究基于回顾性数据，样本量相对较小（361例），可能影响模型的泛化能力 | 提高乳腺癌术前预测的准确性 | 乳腺癌肿瘤病变患者 | digital pathology | breast cancer | digital breast tomosynthesis (DBT) | DCNN, logistic regression, LightGBM, multilayer perceptron | image | 361例乳腺癌患者（2018-2020年山东第一医科大学附属山东省立医院数据） | NA | NA | NA | NA |
| 14559 | 2025-04-01 |
Deep Learning Electrocardiogram Model for Risk Stratification of Coronary Revascularization Need in the Emergency Department
2025-Mar-29, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehaf254
PMID:40156923
|
research paper | 开发了一种深度学习模型，用于通过心电图（ECG）识别需要冠状动脉血运重建的急性冠状动脉综合征患者 | 使用卷积神经网络（CNN）模型从心电图中检测与血运重建可能性相关的模式，以指导进一步评估并减少诊断不确定性 | 模型的特异性较高但敏感性较低，相比高敏肌钙蛋白T（hs-TnT） | 识别需要冠状动脉血运重建的急性冠状动脉综合征患者，以减少诊断不确定性 | 急诊科就诊患者的心电图数据 | machine learning | cardiovascular disease | electrocardiogram (ECG) | CNN | ECG data | 训练集：144,691次急诊就诊；测试集：35,995次；外部验证集：18,673次急诊就诊 | NA | NA | NA | NA |
| 14560 | 2025-04-01 |
A DEM super resolution reconstruction method based on normalizing flow
2025-Mar-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94274-w
PMID:40148492
|
research paper | 提出一种基于归一化流的DEM超分辨率重建方法，通过可逆网络模型学习高分辨率DEM的条件分布 | 首次将归一化流引入DEM超分辨率重建，通过可逆网络模型显式建模高分辨率DEM的条件分布 | 未讨论模型在极端地形条件下的表现 | 解决DEM超分辨率重建中的模糊和伪影问题 | 数字高程模型(DEM)图像 | computer vision | NA | 归一化流(normalizing flow) | 可逆网络模型 | DEM图像 | 未明确说明样本数量 | NA | NA | NA | NA |