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 15201 - 15220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15201 | 2025-10-07 |
A differentiable Gillespie algorithm for simulating chemical kinetics, parameter estimation, and designing synthetic biological circuits
2025-Jan-21, bioRxiv : the preprint server for biology
DOI:10.1101/2024.07.07.602397
PMID:39026759
|
研究论文 | 本文开发了一种可微分的Gillespie算法，用于模拟化学反应动力学、参数估计和合成生物电路设计 | 通过深度学习技术开发了完全可微分的Gillespie算法变体，能够使用反向传播计算梯度 | NA | 开发可微分的随机模拟算法用于化学反应网络分析和合成生物学设计 | 化学反应网络、基因启动子模型、合成生物电路 | 机器学习 | NA | 可微分模拟、梯度下降 | NA | 模拟数据、mRNA表达水平测量数据 | NA | 深度学习框架 | NA | 参数估计准确性、设计目标达成度 | NA |
| 15202 | 2025-10-07 |
The Pfam protein families database: embracing AI/ML
2025-Jan-06, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae997
PMID:39540428
|
研究论文 | 介绍Pfam蛋白质家族数据库的最新进展，包括与InterPro的整合、结构分类协调以及利用人工智能技术扩展家族覆盖范围 | 整合AlphaFold结构预测优化域边界识别，开发基于深度学习的Pfam-N将UniProtKB覆盖度提升8.8% | 仍有许多蛋白质家族尚未完成分类，蛋白质宇宙的全面覆盖仍需持续努力 | 通过人工智能技术改进蛋白质家族数据库的覆盖度和准确性 | 蛋白质结构域和家族数据库 | 生物信息学 | NA | 深度学习, 大规模序列相似性分析 | 深度学习模型 | 蛋白质序列, 结构数据 | NA | NA | NA | UniProtKB覆盖度提升率 | NA |
| 15203 | 2025-10-07 |
Preoperative Prediction of Axillary Lymph Node Metastasis in Patients With Breast Cancer Through Multimodal Deep Learning Based on Ultrasound and Magnetic Resonance Imaging Images
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.029
PMID:39107188
|
研究论文 | 基于超声和磁共振成像的多模态深度学习模型预测乳腺癌患者腋窝淋巴结转移 | 首次结合超声和磁共振成像构建多模态深度学习模型，并整合临床参数提升预测性能 | 回顾性研究设计，样本量相对有限（588例患者） | 术前预测乳腺癌患者腋窝淋巴结转移状态 | 经组织学确诊的乳腺癌患者 | 计算机视觉 | 乳腺癌 | 超声成像, 磁共振成像 | CNN | 图像 | 588例乳腺癌患者（主要队列465例，外部验证队列123例） | NA | 卷积神经网络 | AUC, 决策曲线分析 | NA |
| 15204 | 2025-10-07 |
A Deep Learning-Based Framework for Predicting Intracerebral Hematoma Expansion Using Head Non-contrast CT Scan
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.039
PMID:39107191
|
研究论文 | 开发基于深度学习的全自动框架，仅使用头部非增强CT扫描预测脑出血患者的血肿扩张 | 提出首个完全基于临床非增强CT扫描的全自动深度学习框架，用于预测脑出血血肿扩张，性能优于常用的BAT评分 | 研究为回顾性和前瞻性混合设计，需要进一步多中心验证 | 开发脑出血血肿扩张的预测工具 | 脑出血患者 | 医学影像分析 | 脑出血 | 非增强CT扫描 | 深度学习 | 医学影像 | 回顾性数据集2484例（84个中心），前瞻性数据集500例（26个中心） | NA | 两阶段框架 | AUC, 敏感性, 特异性 | NA |
| 15205 | 2025-10-07 |
Comparative Analysis of the Diagnostic Value of S-Detect Technology in Different Planes Versus the BI-RADS Classification for Breast Lesions
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.005
PMID:39138111
|
研究论文 | 比较S-Detect技术在不同平面与BI-RADS分类对乳腺病变的诊断价值 | 首次系统评估S-Detect在不同超声平面（径向和反径向）的诊断一致性及其影响因素 | 回顾性研究设计，样本仅来自单一机构 | 评估S-Detect在不同平面的诊断性能并分析诊断不一致性的影响因素 | 711名患者的756个乳腺病变 | 计算机辅助诊断 | 乳腺疾病 | 超声成像 | 深度学习 | 超声图像 | 756个乳腺病变（来自711名患者） | NA | S-Detect | 准确率,AUC | NA |
| 15206 | 2025-10-07 |
Diagnostic Value of Magnetic Resonance Imaging Radiomics and Machine-learning in Grading Soft Tissue Sarcoma: A Mini-review on the Current State
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.035
PMID:39261231
|
综述 | 本文综述了磁共振影像组学和机器学习在软组织肉瘤分级诊断中的研究现状 | 整合语义影像特征、影像组学特征和深度学习特征，并结合肿瘤体积和瘤周区域特征，展示了优于单一特征源的预测性能 | NA | 通过影像组学、机器学习和深度学习预测软组织肉瘤的恶性程度分级 | 软组织肉瘤 | 医学影像分析 | 软组织肉瘤 | 磁共振成像 | 机器学习,深度学习 | T2加权图像,对比增强T1加权图像,DWI/ADC图 | NA | NA | 随机森林,支持向量机 | AUC,准确率 | NA |
| 15207 | 2025-10-07 |
Deep Learning-Based Denoising Enables High-Quality, Fully Diagnostic Neuroradiological Trauma CT at 25% Radiation Dose
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.018
PMID:39294053
|
研究论文 | 评估基于深度学习的去噪算法在神经放射学创伤CT扫描中实现25%辐射剂量下保持诊断质量的能力 | 首次系统评估深度学习去噪算法在神经放射学创伤急诊CT中实现75%辐射剂量减少的同时保持完整诊断能力 | 单中心回顾性研究，样本量有限(100例患者)，缺乏多中心验证 | 评估深度学习去噪算法在降低神经放射学创伤CT扫描辐射剂量方面的能力 | 100例神经放射学创伤患者的CT扫描数据 | 医学影像分析 | 神经放射学创伤 | 计算机断层扫描(CT) | 深度学习去噪算法 | 医学影像(CT扫描) | 100例患者 | NA | NA | 主观图像质量评分,客观噪声分析,贝叶斯敏感性和特异性,临床终点分析 | NA |
| 15208 | 2025-10-07 |
Deep Learning Model for Pathological Grading and Prognostic Assessment of Lung Cancer Using CT Imaging: A Study on NLST and External Validation Cohorts
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.028
PMID:39294054
|
研究论文 | 开发并验证基于CT影像的深度学习模型，用于肺癌病理分级和预后评估 | 首次将MobileNetV3架构应用于肺癌病理分级和预后评估，并在多个外部验证队列中验证模型性能 | 样本量相对有限，仅包含非小细胞肺癌病例 | 为外科医生提供非侵入性工具以指导手术规划 | 肺癌患者 | 数字病理 | 肺癌 | CT成像 | 深度学习 | 医学影像 | 总796例（NLST队列572例，外部验证224例） | NA | MobileNetV3 | 准确率, 敏感度, 特异度, AUC | NA |
| 15209 | 2025-03-19 |
Comparison of 3D and 2D area measurement of acute burn wounds with LiDAR technique and deep learning model
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1510905
PMID:40083475
|
研究论文 | 本文比较了使用LiDAR技术和深度学习模型进行急性烧伤伤口3D和2D面积测量的差异 | 开发了结合深度学习模型和LiDAR技术的应用B.E.N.，用于烧伤伤口的3D和2D测量，并验证了3D分割结果与实际烧伤伤口大小的匹配度 | 研究中未明确提及样本的具体数量，且仅针对烧伤伤口进行了研究，未涉及其他类型的伤口 | 比较3D和2D测量烧伤伤口面积的准确性，并探讨肢体曲率对3D/2D面积比的影响 | 烧伤伤口 | 计算机视觉 | 烧伤 | LiDAR技术 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 15210 | 2025-03-19 |
Machine and deep learning to predict viral fusion peptides
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.02.011
PMID:40083606
|
研究论文 | 本文探讨了使用机器学习和深度学习模型预测病毒融合肽的方法 | 采用基于机器学习和深度学习的方法，特别是使用最先进的氨基酸标记分类转换器模型，有效预测病毒融合肽的位置 | 对于实验数据有限的病毒，预测结果可能存在不确定性 | 开发能够预测病毒融合蛋白序列中融合肽段的生物信息学工具 | 病毒融合蛋白及其融合肽段 | 自然语言处理 | NA | 机器学习和深度学习 | 转换器模型 | 蛋白质序列 | 超过50种模型和特征的组合 | NA | NA | NA | NA |
| 15211 | 2025-03-19 |
Explainable AI in medical imaging: an interpretable and collaborative federated learning model for brain tumor classification
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1535478
PMID:40083877
|
研究论文 | 本文提出了一种可解释的协作联邦学习模型（CFLM），用于脑肿瘤分类，结合了可解释的人工智能（XAI）技术 | 结合了联邦学习（FL）和GoogLeNet架构，解决了传统集中式模型在数据多样性和模型透明度方面的挑战 | 研究中仅使用了10个客户端和50轮通信，样本量和训练轮次可能不足以全面验证模型的泛化能力 | 提高脑肿瘤分类的准确性和模型的可解释性，以支持临床决策 | 脑肿瘤（包括胶质瘤、脑膜瘤、无肿瘤和垂体瘤） | 计算机视觉 | 脑肿瘤 | 深度学习（DL）、联邦学习（FL）、Grad-CAM、显著性图可视化 | GoogLeNet | MRI图像 | 10个客户端，每个客户端使用分散的本地数据集进行训练 | NA | NA | NA | NA |
| 15212 | 2025-03-19 |
Effect of natural and synthetic noise data augmentation on physical action classification by brain-computer interface and deep learning
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1521805
PMID:40083893
|
研究论文 | 本研究探讨了自然和合成噪声数据增强对通过脑机接口和深度学习进行物理动作分类的影响 | 提出了两种噪声数据增强方法（自然和合成），并比较了它们对分类性能的影响，特别是在资源有限的设备上应用的潜力 | 研究中使用的深度神经网络相对简单，可能限制了模型的复杂性和性能 | 研究环境噪声对脑机接口中物理动作分类的影响 | 脑电图（EEG）信号和物理动作分类 | 脑机接口 | NA | 噪声数据增强（NDA） | 全连接网络（FCN）和卷积神经网络（CNN） | 脑电图（EEG）信号 | 使用grasp-and-lift（GAL）数据集中的手指-手掌-手操作数据 | NA | NA | NA | NA |
| 15213 | 2025-03-19 |
Patho-Net: enhancing breast cancer classification using deep learning and explainable artificial intelligence
2025, American journal of cancer research
IF:3.6Q2
DOI:10.62347/XKFN1793
PMID:40084355
|
研究论文 | 本文提出了一种名为Patho-Net的深度学习模型，用于乳腺癌分类，解决了可扩展性、固定大小输入图像和有限数据集上的过拟合问题 | Patho-Net模型结合了GRU网络和U-Net架构，无需调整图像大小，提高了计算效率，并通过XAI提供了模型预测的清晰视觉解释 | NA | 提高乳腺癌分类的准确性和可解释性 | 乳腺癌组织病理学图像 | 数字病理学 | 乳腺癌 | 深度学习，可解释人工智能（XAI） | U-Net，GRU | 图像 | 100X BreakHis数据集 | NA | NA | NA | NA |
| 15214 | 2025-03-19 |
BMWP: the first Bengali math word problems dataset for operation prediction and solving
2025, Discover artificial intelligence
DOI:10.1007/s44163-025-00243-7
PMID:40092969
|
研究论文 | 本文介绍了首个孟加拉语数学应用题数据集BMWP，用于操作预测和解题，并探讨了使用深度学习技术进行孟加拉语应用题操作预测的方法 | 首次创建了孟加拉语数学应用题数据集BMWP，填补了低资源语言在这一领域的空白 | 数据集仅包含8653个应用题，可能不足以覆盖所有复杂情况 | 评估和提升AI模型在解决低资源语言数学应用题方面的能力 | 孟加拉语数学应用题 | 自然语言处理 | NA | 深度学习 | 深度学习神经网络架构 | 文本 | 8653个孟加拉语数学应用题 | NA | NA | NA | NA |
| 15215 | 2025-03-19 |
A review of machine learning and deep learning for Parkinson's disease detection
2025, Discover artificial intelligence
DOI:10.1007/s44163-025-00241-9
PMID:40092968
|
review | 本文综述了机器学习和深度学习在帕金森病检测和进展监测中的应用 | 通过整合多种数据源，提供了新的视角，并特别展示了音频分析和步态分析在早期症状检测和疾病进展监测中的有效性 | 需要大量且多样化的数据集，数据隐私问题，以及医疗数据质量的挑战，开发可解释的AI以确保临床医生能够信任和理解ML和DL模型 | 提高帕金森病诊断的准确性 | 帕金森病患者 | machine learning | geriatric disease | NA | SVM, RF, CNN | audio recordings, gait analysis, medical imaging | NA | NA | NA | NA | NA |
| 15216 | 2025-03-19 |
Pollen image manipulation and projection using latent space
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1539128
PMID:40093610
|
研究论文 | 本文利用深度学习技术中的风格迁移方法，研究如何通过显微镜图像处理改变花粉颗粒的大小和形状 | 首次将风格迁移技术应用于花粉颗粒图像的处理，以揭示其结构特征并生成多样化的花粉图像 | 未明确提及具体的数据集规模或实验验证的详细结果 | 研究花粉颗粒图像的处理方法，以增强对植物分类和生态学的理解 | 花粉颗粒的显微镜图像 | 计算机视觉 | NA | 风格迁移 | NA | 图像 | NA | NA | NA | NA | NA |
| 15217 | 2025-03-19 |
A two-step concept-based approach for enhanced interpretability and trust in skin lesion diagnosis
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.02.013
PMID:40093651
|
研究论文 | 本文提出了一种新颖的两步概念驱动方法，旨在提高皮肤病变诊断的可解释性和信任度 | 通过模拟概念瓶颈模型的两个阶段，利用预训练的视觉语言模型自动预测临床概念，并使用现成的大型语言模型基于预测概念生成疾病诊断，支持测试时的人工干预以修正预测概念，从而提高最终诊断的准确性和决策透明度 | 需要少量标注示例，且未提及在大规模数据集上的验证 | 提高深度学习系统在临床环境中的可解释性和信任度 | 皮肤病变诊断 | 计算机视觉 | 皮肤病变 | 概念瓶颈模型（CBM）、视觉语言模型（VLM）、大型语言模型（LLM） | CBM、VLM、LLM | 图像 | 三个皮肤病变数据集 | NA | NA | NA | NA |
| 15218 | 2025-03-19 |
The global research of artificial intelligence on inflammatory bowel disease: A bibliometric analysis
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251326217
PMID:40093709
|
研究论文 | 本文通过文献计量学分析评估了人工智能（AI）在炎症性肠病（IBD）中的相关研究，识别了研究基础、当前热点和未来发展方向 | 首次通过文献计量学分析总结了AI在IBD中的应用现状，并可视化揭示了发展趋势和未来研究热点 | AI在IBD中的应用仍处于初期阶段，研究深度和广度有待进一步扩展 | 评估AI在IBD中的研究现状，识别研究基础和未来发展方向 | 炎症性肠病（IBD） | 机器学习 | 炎症性肠病 | 文献计量学分析 | 深度学习模型 | 文献数据 | 176篇AI相关论文，涉及1919位作者、790个研究机构、184种期刊和49个国家/地区 | NA | NA | NA | NA |
| 15219 | 2025-03-19 |
Data transformation of unstructured electroencephalography reports by natural language processing: improving data usability for large-scale epilepsy studies
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1521001
PMID:40093737
|
研究论文 | 本研究介绍了一种利用自然语言处理技术将癫痫患儿的非结构化脑电图报告转化为结构化数据的层次算法 | 开发了一种结合深度学习和基于规则的关键词提取的分层算法，用于将非结构化脑电图报告转化为结构化数据，提高了数据可用性 | 研究主要针对儿科癫痫患者，可能不适用于其他类型的患者或疾病 | 提高脑电图报告的数据可用性，以支持大规模癫痫研究 | 儿科癫痫患者的脑电图报告 | 自然语言处理 | 癫痫 | 自然语言处理（NLP） | 深度学习 | 文本 | 17,172份脑电图报告，来自3,423名儿科患者，其中6,173份正常和6,173份异常报告用于算法开发 | NA | NA | NA | NA |
| 15220 | 2025-03-19 |
ViE-Take: A Vision-Driven Multi-Modal Dataset for Exploring the Emotional Landscape in Takeover Safety of Autonomous Driving
2025, Research (Washington, D.C.)
DOI:10.34133/research.0603
PMID:40093973
|
研究论文 | 本文介绍了ViE-Take，一个用于探索自动驾驶接管安全中情感影响的多模态数据集 | ViE-Take是首个以视觉驱动的方式探索自动驾驶接管中情感影响的数据集，具有多源情感激发、多模态驾驶员数据收集和多维情感注释三个关键属性 | 数据集的应用范围和深度仍需进一步验证和扩展 | 探索情感对驾驶员接管表现的影响，并开发相关预测模型 | 自动驾驶中的驾驶员接管表现 | 计算机视觉 | NA | 深度学习 | CNN, LSTM, GAN等 | 图像、视频 | 未明确提及具体样本数量 | NA | NA | NA | NA |