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 32372 篇文献，本页显示第 14681 - 14700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14681 | 2025-10-07 |
Variational Autoencoders for Biomedical Signal Morphology Clustering and Noise Detection
2023-Sep-28, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3320585
PMID:37768790
|
研究论文 | 提出一种基于变分自编码器和高斯混合模型的生物医学信号噪声检测框架，用于波形异常检测和信号质量评估 | 开发无需标注的波形异常检测方法，结合变分自编码器和高斯混合模型提供信号质量置信度度量 | 仅适用于具有心脏活动周期性的生物医学信号 | 开发自动化的生物医学信号噪声检测和信号验证方法 | 生物阻抗数据中的心脏周期波形 | 机器学习 | 心血管疾病 | 生物阻抗测量 | VAE, GMM | 时间序列波形数据 | 97885个心脏周期 | NA | 变分自编码器, 高斯混合模型 | DTW距离标准差, RMSE, Pearson相关系数, 信噪比 | NA |
| 14682 | 2025-10-07 |
U-Sleep's resilience to AASM guidelines
2023-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00784-0
PMID:36878957
|
研究论文 | 本研究验证了U-Sleep睡眠评分算法在不严格遵循AASM指南情况下的鲁棒性 | 证明深度学习睡眠评分算法无需完全依赖临床知识或严格遵循AASM指南，仍能有效工作 | NA | 探索深度学习睡眠评分算法对临床指南的依赖程度 | 睡眠评分和脑电图分析 | 机器学习 | 睡眠障碍 | 多导睡眠图 | 深度学习 | 多导睡眠图数据 | 28528个多导睡眠图研究，来自13个不同临床研究 | NA | U-Sleep | NA | NA |
| 14683 | 2025-03-29 |
Predicting radiation-induced hypothyroidism in nasopharyngeal carcinoma patients using a deep learning model
2025-May, Clinical and translational radiation oncology
IF:2.7Q2
DOI:10.1016/j.ctro.2025.100946
PMID:40144227
|
research paper | 本研究开发了一种基于深度学习生存分析的模型，用于预测鼻咽癌患者放射性甲状腺功能减退症（RIHT）的发生 | 使用DeepSurv深度学习模型预测RIHT，其性能优于传统的Cox和NTCP模型 | 研究为回顾性设计，可能存在选择偏倚 | 开发高准确度的RIHT预测模型，以支持个性化患者管理 | 535名鼻咽癌患者 | digital pathology | nasopharyngeal carcinoma | deep learning survival analysis | DeepSurv, CNN | clinical data | 535名鼻咽癌患者（2015年1月至2020年10月） | NA | NA | NA | NA |
| 14684 | 2025-10-07 |
Two-step deep learning models for detection and identification of the manufacturers and types of dental implants on panoramic radiographs
2025-Apr, Odontology
IF:1.9Q2
DOI:10.1007/s10266-024-00989-z
PMID:39198339
|
研究论文 | 开发两步深度学习模型用于在全景X光片上自动检测种植体区域并识别多种种植体类型 | 提出两步深度学习框架，先检测种植体区域再按制造商分类识别具体类型 | Nobel公司的Parallel类种植体分类性能相对较低 | 开发自动检测和识别牙科种植体的深度学习模型 | 牙科种植体 | 计算机视觉 | 牙科疾病 | 全景X射线成像 | CNN | X光图像 | 1574张全景X光片，包含3675个种植体 | YOLO, EfficientNet | YOLO v7, EfficientNet | 召回率, 精确率, F1分数, 准确率 | NA |
| 14685 | 2025-10-07 |
A Novel Network for Low-Dose CT Denoising Based on Dual-Branch Structure and Multi-Scale Residual Attention
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01254-z
PMID:39261373
|
研究论文 | 提出一种基于双分支结构和多尺度残差注意力的新型网络用于低剂量CT图像去噪 | 提出自适应动态卷积块(ADCB)、多尺度边缘增强注意力块(MEAB)和多尺度残差卷积块(MRCB)三个创新模块，通过双分支框架分别提取浅层和深层图像特征 | NA | 提高低剂量CT图像去噪效果和图像质量 | 低剂量医学CT图像 | 计算机视觉 | NA | CT成像 | CNN | 医学图像 | 两个公开数据集：AAPM-Mayo数据集和Qin_LUNG_CT数据集 | NA | 双分支网络架构，包含ADCB、MEAB、MRCB模块 | PSNR, SSIM, RMSE | NA |
| 14686 | 2025-03-29 |
Tea grading, blending, and matching based on computer vision and deep learning
2025-Apr, Journal of the science of food and agriculture
IF:3.3Q2
DOI:10.1002/jsfa.14088
PMID:39711109
|
research paper | 本研究开发了一种基于计算机视觉和深度学习的茶叶分级、混合比例评估和样本匹配的高效无损方法 | 结合ResNet模型和CBAM注意力模块，提高了茶叶图像特征提取能力，显著提升了分类和匹配的准确率 | 仅针对乌龙茶和红茶进行了测试，未涵盖其他茶类 | 提高茶叶生产过程中的分级、混合和样本匹配的效率和准确性 | 乌龙茶和红茶的图像数据 | computer vision | NA | deep learning | ResNet with CBAM | image | NA | NA | NA | NA | NA |
| 14687 | 2025-03-29 |
Development and validation of a deep learning-based automated computed tomography image segmentation and diagnostic model for infectious hydronephrosis: a retrospective multicentre cohort study
2025-Apr, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103146
PMID:40144691
|
研究论文 | 开发并验证了一种基于深度学习的自动化CT图像分割和诊断模型，用于感染性肾积水的诊断 | 使用改进的U-Net算法开发了肾积水分割模型（HRSM），并结合3D CNN和临床数据建立了感染性肾积水诊断模型（IHDM） | 需要更多多样化的真实世界多中心验证研究来验证模型的稳健性 | 开发一种全自动分割和非侵入性诊断模型，用于感染性肾积水的诊断 | 肾积水患者 | 数字病理 | 肾积水 | CT图像分析 | Improved U-Net, 3D CNN, SVM | CT图像 | 615名患者（包括5876张标注的CT图像） | NA | NA | NA | NA |
| 14688 | 2025-03-29 |
A data-driven approach to turmeric disease detection: Dataset for plant condition classification
2025-Apr, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111435
PMID:40144898
|
研究论文 | 本文提出了一种基于数据驱动的姜黄病害检测方法，并构建了一个用于植物状态分类的数据集 | 构建了一个包含1037张原始图像和4628张增强图像的姜黄植物病害数据集，并应用Inception-v3模型实现了97.36%的分类准确率 | 数据集仅包含五种姜黄植物状态，可能无法涵盖所有可能的病害类型 | 开发AI辅助解决方案以实现精准农业和可持续作物生产 | 姜黄植物及其病害（健康叶片、干枯叶片、叶斑病、根茎病根和健康根茎） | 计算机视觉 | 植物病害 | 数据增强（翻转、旋转、亮度调整） | Inception-v3 | 图像 | 1037张原始图像和4628张增强图像 | NA | NA | NA | NA |
| 14689 | 2025-03-29 |
[Application and future of artificial intelligence in oral esthetics]
2025-Mar-28, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
review | 本文探讨了人工智能在口腔美学领域的应用及其未来发展 | 通过深度学习等技术，AI提升了牙科修复设计、微笑分析和个性化治疗的精确度和效率 | 应用仍面临技术限制、伦理问题和数据多样性不足等挑战 | 促进口腔美学领域的智能化和以人为中心的发展 | 牙科修复设计、微笑分析和个性化治疗 | digital pathology | NA | deep learning | NA | NA | NA | NA | NA | NA | NA |
| 14690 | 2025-03-29 |
Hybrid fruit bee optimization algorithm-based deep convolution neural network for brain tumour classification using MRI images
2025-Mar-28, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2476079
PMID:40151966
|
research paper | 该研究提出了一种基于混合水果蜜蜂优化算法的深度卷积神经网络（HFBO-based DCNN），用于MRI图像的脑肿瘤分类 | 结合了混合水果蜜蜂优化算法（HFBO）和深度卷积神经网络（DCNN）以提高脑肿瘤分类的准确性 | 未提及对不同类型脑肿瘤的分类效果是否一致，也未讨论算法在更大规模数据集上的泛化能力 | 提高脑肿瘤分类的准确性 | MRI图像中的脑肿瘤 | digital pathology | brain tumor | MRI | DCNN, HFBO | image | NA | NA | NA | NA | NA |
| 14691 | 2025-03-29 |
Deep Learning Accelerates the Development of Antimicrobial Peptides Comprising 15 Amino Acids
2025-Mar-27, Assay and drug development technologies
IF:1.6Q3
DOI:10.1089/adt.2025.011
PMID:40139786
|
research paper | 该研究利用深度学习加速了由15个氨基酸组成的抗菌肽的开发 | 使用深度学习技术加速抗菌肽的开发过程 | NA | 加速抗菌肽的开发 | 由15个氨基酸组成的抗菌肽 | machine learning | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 14692 | 2025-03-29 |
Concerns regarding deployment of AI-based applications in dentistry - a review
2025-Mar-25, BDJ open
IF:2.5Q2
DOI:10.1038/s41405-025-00319-7
PMID:40133287
|
review | 本文探讨了在牙科领域部署基于AI的应用程序时可能遇到的潜在问题，特别是过分关注技术性能指标而忽视临床适用性的重要性 | 强调了在牙科AI应用中，除了技术验证外，进行实际部署研究的重要性 | 研究中仅有一家公司回应并提供试用版本，不足以全面评估应用程序的有效性 | 评估AI在牙科诊断、治疗规划和预后中的临床应用及其挑战 | 牙科AI应用程序 | digital pathology | NA | Deep Learning, Machine Learning | NA | NA | 44项研究（34项来自电子搜索，10项来自手动搜索） | NA | NA | NA | NA |
| 14693 | 2025-03-29 |
The invisible architects: microbial communities and their transformative role in soil health and global climate changes
2025-Mar-25, Environmental microbiome
IF:6.2Q1
DOI:10.1186/s40793-025-00694-6
PMID:40133952
|
综述 | 本文综述了土壤微生物群落对土壤健康和全球气候变化的影响及其机制 | 提出了基于深度学习的合成微生物群落开发方法，以改善土壤健康和缓解气候变化 | NA | 探讨微生物如何改变土壤生态系统及其在应对土壤威胁和全球气候变化中的潜力 | 土壤微生物群落及其对土壤环境的影响 | 微生物生态学 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 14694 | 2025-03-29 |
Protein Biomarkers of DNA Damage in Yeast Cells for Genotoxicity Screening
2025-Mar-21, Environment & health (Washington, D.C.)
DOI:10.1021/envhealth.4c00160
PMID:40144325
|
研究论文 | 该研究创建了一个包含酵母细胞DNA损伤响应网络的图谱，并鉴定了15个蛋白质生物标志物，用于基因毒性筛选 | 提出了一个基于GFP融合酵母的蛋白质组学检测方法，具有分钟级通路激活数据分辨率，为快速、高效和机制性的基因毒性筛选提供了简洁替代方案 | NA | 开发一种无偏且全面的DNA损伤响应检测方法，用于基因毒性物质的筛选 | 酵母细胞 | 分子生物学 | NA | GFP融合技术、蛋白质组学检测 | 统计模型、深度学习模型 | 蛋白质效应水平指数(PELI) | NA | NA | NA | NA | NA |
| 14695 | 2025-03-29 |
Mathematical expression exploration with graph representation and generative graph neural network
2025-Mar-21, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107405
PMID:40147161
|
研究论文 | 本文提出了一种基于图表示和生成图神经网络的数学表达式探索方法，名为GraphDSR | 采用有向无环图（DAG）表示数学表达式，并结合生成图神经网络进行符号回归任务，避免了树表示中的冗余子结构 | 未明确提及具体局限性 | 解决符号回归任务，探索数学表达式的更优表示和生成方法 | 数学表达式 | 机器学习 | NA | 生成图神经网络，强化学习 | GNN | 图数据 | 110个基准测试 | NA | NA | NA | NA |
| 14696 | 2025-03-29 |
Prediction of Water Chemical Oxygen Demand with Multi-Scale One-Dimensional Convolutional Neural Network Fusion and Ultraviolet-Visible Spectroscopy
2025-Mar-20, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10030191
PMID:40136845
|
研究论文 | 提出了一种基于多尺度一维卷积神经网络融合和紫外-可见光谱的水化学需氧量预测方法 | 设计了一种新颖的多尺度一维卷积神经网络融合模型，用于光谱特征提取和COD预测，显著提高了预测精度 | 未提及具体的数据集规模或模型在不同水质条件下的泛化能力 | 提高水化学需氧量(COD)的预测准确性，以实现更可靠和高效的水质监测 | 水质监测中的化学需氧量(COD) | 机器学习 | NA | 紫外-可见光谱(UV-Vis) | 多尺度一维卷积神经网络(MS-1D-CNN) | 光谱数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 14697 | 2025-03-29 |
Machine Learning for Human Activity Recognition: State-of-the-Art Techniques and Emerging Trends
2025-Mar-20, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11030091
PMID:40137203
|
综述 | 本文全面回顾了人类活动识别（HAR）的技术，重点关注基于传感器、视觉和混合方法的整合 | 探讨了传统机器学习方法与深度学习的最新进展，如卷积和循环神经网络、注意力机制及强化学习框架 | HAR仍面临环境变化处理、模型可解释性及复杂现实场景中高识别准确率的挑战 | 提升HAR技术的可靠性和适用性，以应对多样化领域的应用需求 | 人类活动识别技术及其应用 | 机器学习 | NA | 传感器技术、深度学习 | CNN, LSTM, 注意力机制, 强化学习框架 | RGB图像/视频、深度传感器数据、运动捕捉系统数据、可穿戴设备数据、雷达和Wi-Fi信道状态信息 | NA | NA | NA | NA | NA |
| 14698 | 2025-03-29 |
Comparative Evaluation of Deep Learning Models for Diagnosis of Helminth Infections
2025-Mar-20, Journal of personalized medicine
IF:3.0Q1
DOI:10.3390/jpm15030121
PMID:40137437
|
研究论文 | 本研究评估了深度学习模型在准确分类蛔虫和绦虫卵显微图像中的效果，提出了一种技术增强的临床诊断方法 | 使用先进的深度学习模型（ConvNeXt Tiny、EfficientNet V2 S和MobileNet V3 S）进行蛔虫卵分类，展示了高准确率 | 研究未提及模型在真实临床环境中的泛化能力或对不同种类寄生虫卵的适用性 | 评估深度学习模型在寄生虫感染诊断中的效果，提高诊断准确性和效率 | 蛔虫（Ascaris）和绦虫（Taenia）的卵以及未感染的卵 | 计算机视觉 | 寄生虫感染 | 深度学习 | ConvNeXt Tiny, EfficientNet V2 S, MobileNet V3 S | 图像 | 包含蛔虫、绦虫和未感染卵的多样化数据集 | NA | NA | NA | NA |
| 14699 | 2025-03-29 |
Recovering Image Quality in Low-Dose Pediatric Renal Scintigraphy Using Deep Learning
2025-Mar-19, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11030088
PMID:40137200
|
研究论文 | 本研究提出了一种先进的图像增强策略，旨在解决儿科肾闪烁扫描中减少辐射剂量的挑战 | 评估了四种去噪神经网络在低剂量儿科肾闪烁扫描中的应用，发现UDnCNN在信噪比和多尺度结构相似性之间取得了最佳平衡 | 研究仅基于公开数据库的数据，未涉及实际临床环境中的验证 | 开发一种深度学习方法来提高低剂量儿科肾闪烁扫描的图像质量，以减少患者的辐射暴露 | 儿科肾闪烁扫描图像 | 数字病理 | 儿科肾病 | 深度学习 | DnCNN, UDnCNN, DUDnCNN, AttnGAN | 图像 | 来自公共动态肾闪烁扫描数据库的数据 | NA | NA | NA | NA |
| 14700 | 2025-03-29 |
Deep Learning-Based Semantic Segmentation for Objective Colonoscopy Quality Assessment
2025-Mar-18, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11030084
PMID:40137196
|
research paper | 本研究旨在通过专门训练的深度学习语义分割神经网络客观评估结肠镜检查的整体质量 | 提出了一种基于深度学习的语义分割方法，能够识别和量化结肠黏膜、残留物和伪影的百分比，提供比波士顿肠道准备量表更全面和客观的评估 | Cohen's Kappa值为0.28，表明与专家评估的一致性仅为一般水平 | 客观评估结肠镜检查的质量 | 结肠镜检查视频帧 | digital pathology | NA | 深度学习语义分割 | semantic segmentation network | image | 数千个结肠镜检查视频帧 | NA | NA | NA | NA |