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 32371 篇文献，本页显示第 1601 - 1620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1601 | 2025-09-23 |
TU-DAT: A Computer Vision Dataset on Road Traffic Anomalies
2025-May-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25113259
PMID:40968794
|
研究论文 | 本文介绍了一个用于分析交通事故的计算机视觉数据集TU-DAT | 首个结合真实监控视频和高保真模拟视频的混合交通异常数据集，包含时空标注和结构化元数据 | NA | 解决交通异常检测模型训练和评估缺乏公开数据集的问题 | 道路交通事故和异常驾驶行为 | 计算机视觉 | NA | 计算机视觉分析 | 混合深度学习和逻辑推理框架 | 视频 | 约280个真实世界和模拟视频 | NA | NA | NA | NA |
| 1602 | 2025-09-23 |
Research on Measurement of Coal-Water Slurry Solid-Liquid Two-Phase Flow Based on a Coriolis Flow Meter and a Neural Network
2025-May-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25113267
PMID:40968798
|
研究论文 | 基于科里奥利流量计和神经网络的水煤浆固液两相流测量误差校正研究 | 提出深度学习校正框架，通过BP神经网络和算法优化将两相流测量误差从5.11%降低至1.01% | 研究聚焦水煤浆特定工况，未验证其他类型多相流体的适用性 | 提升科里奥利质量流量计在液固两相流场景下的测量精度 | 水煤浆固液两相流体 | 工业过程控制 | NA | 深度学习、神经网络优化 | BP神经网络 | 流量计传感器数据 | 通过重复性实验构建的液固两相流测量数据集 | NA | NA | NA | NA |
| 1603 | 2025-09-23 |
Underwater SLAM Meets Deep Learning: Challenges, Multi-Sensor Integration, and Future Directions
2025-May-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25113258
PMID:40968800
|
综述 | 本文全面分析深度学习增强水下SLAM技术的最新进展，并提出基于水下无线传感器网络集成的新型分类框架 | 提出基于水下无线传感器网络（UWSNs）集成的新型分类框架，探讨通信感知SLAM方法如何提升水下导航精度和操作效率 | 作为综述论文，主要分析现有技术而非提出新算法，未进行实证性能验证 | 探讨深度学习技术如何克服水下SLAM面临的挑战，并展望未来研究方向 | 自主水下航行器（AUVs）和水下无线传感器网络（UWSNs） | 机器人与自主系统 | NA | 深度学习、传感器融合、声学通信 | Transformer架构、轻量级神经网络 | 多模态传感器数据、图像数据 | NA | NA | NA | NA | NA |
| 1604 | 2025-09-23 |
Quantitative Assessment of Facial Paralysis Using Dynamic 3D Photogrammetry and Deep Learning: A Hybrid Approach Integrating Expert Consensus
2025-May-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25113264
PMID:40968808
|
研究论文 | 提出结合动态3D摄影测量和深度学习的混合方法，用于面部瘫痪的客观量化评估 | 首次将面部运动点云数据与专家共识相结合，通过PointNet网络实现面部瘫痪严重程度的自动化定量评估 | 样本量较小（仅包含五种面部表情），需要进一步扩大数据集验证泛化能力 | 开发客观量化的面部瘫痪评估方法以解决临床主观评估的可重复性问题 | 面部瘫痪患者的面部运动数据 | 计算机视觉 | 面部神经疾病 | 动态3D摄影测量、深度学习 | PointNet | 3D点云数据 | 基于五种面部表情（静止状态和最大表情状态）的点云数据集 | NA | NA | NA | NA |
| 1605 | 2025-10-05 |
FakeRotLib: expedient non-canonical amino acid parameterization in Rosetta
2025-May-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.27.640629
PMID:40093079
|
研究论文 | 提出FakeRotLib方法用于在Rosetta中快速参数化非经典氨基酸 | 通过小分子构象统计拟合创建旋转异构体分布，显著提升参数化效率并扩展可建模的NCAA类型 | 未明确说明方法在特定蛋白质体系或复杂环境中的适用性限制 | 改进Rosetta中非经典氨基酸的参数化方法 | 非经典氨基酸的旋转异构体分布建模 | 计算生物学 | NA | 统计拟合、小分子构象分析 | NA | 小分子构象数据 | NA | Rosetta | NA | 参数化时间、可建模NCAA类型数量 | NA |
| 1606 | 2025-10-05 |
Evaluation by dental professionals of an artificial intelligence-based application to measure alveolar bone loss
2025-Mar-01, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-05677-0
PMID:40025477
|
研究论文 | 评估牙科专业人员对基于人工智能的牙槽骨丧失测量应用的接受度和使用效果 | 开发了结合语义分割神经网络和物体检测网络的深度学习模型，首次系统调查牙科专业人员对AI应用的接受度和实用性 | 样本量相对较小（56名专业人员），仅使用550张咬翼片X光片数据集 | 评估AI应用在测量牙槽骨高度变化中的准确性、效率以及牙科专业人员的接受度 | 牙科专业人员和咬翼片X光影像 | 计算机视觉 | 牙周病 | 深度学习，X射线影像分析 | 深度学习模型 | X光影像 | 550张咬翼片X光片，56名牙科专业人员 | NA | 语义分割神经网络，物体检测网络 | 准确率 | NA |
| 1607 | 2025-10-05 |
Cellpose as a reliable method for single-cell segmentation of autofluorescence microscopy images
2025-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82639-6
PMID:39952935
|
研究论文 | 本研究验证了Cellpose深度学习网络在自发荧光显微镜图像中单细胞分割的可靠性 | 开发了专门针对自发荧光图像的自动荧光训练模型，首次将Cellpose应用于NAD(P)H自发荧光图像分割 | 研究主要针对NAD(P)H强度图像，在其他自发荧光对比机制中的通用性需要进一步验证 | 验证Cellpose在自发荧光显微镜图像中的单细胞分割性能 | PANC-1细胞和患者来源的癌症类器官（9例患者） | 数字病理 | 癌症 | 多光子强度成像，荧光寿命成像显微镜，自发荧光显微镜 | CNN | 显微镜图像 | 9例患者的癌症类器官和PANC-1细胞系 | Cellpose | Cellpose | Dice系数，相关系数R，p值 | NA |
| 1608 | 2025-10-05 |
Large-scale multi-center CT and MRI segmentation of pancreas with deep learning
2025-Jan, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103382
PMID:39541706
|
研究论文 | 提出一种名为PanSegNet的深度学习方法，用于大规模多中心的CT和MRI胰腺分割 | 结合nnUNet和Transformer网络的优势，引入新的线性注意力模块实现体积计算，并在多模态多中心数据上进行验证 | 回顾性研究，缺乏前瞻性验证 | 开发自动化的胰腺体积分割方法用于胰腺疾病的诊断和随访 | 胰腺 | 医学影像分析 | 胰腺疾病 | CT扫描，T1加权MRI，T2加权MRI | 深度学习 | 医学影像 | 767例MRI扫描（来自499名参与者），1,350例CT扫描（来自公开数据集），总计2,117例扫描 | PyTorch | nnUNet, Transformer | Dice系数，Hausdorff距离（HD95），Cohen's kappa，相关系数R | NA |
| 1609 | 2025-09-23 |
Histopathological image analysis and enhanced diagnostic accuracy explainability for oral cancer detection
2025, Polish journal of pathology : official journal of the Polish Society of Pathologists
IF:0.7Q4
DOI:10.5114/pjp.2025.153973
PMID:40977550
|
研究论文 | 提出一种用于口腔癌组织病理学图像分类的深度学习模型，通过特征选择和可解释性增强诊断准确性 | 结合Vahadane染色标准化、加权Fisher评分特征选择和可解释人工智能技术，改进U-Net分类器使用特征输入而非完整图像 | NA | 开发高精度可解释的口腔癌检测系统以减少诊断错误 | 口腔癌组织病理学图像 | 数字病理学 | 口腔癌 | 深度学习，染色标准化，分水岭分割，数据增强 | U-Net，DenseNet201，VGG10 | 组织病理学图像 | NA | NA | NA | NA | NA |
| 1610 | 2025-10-05 |
Accuracy of Machine Learning in Detecting Pediatric Epileptic Seizures: Systematic Review and Meta-Analysis
2024-12-11, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/55986
PMID:39661965
|
系统评价与荟萃分析 | 通过系统评价和荟萃分析评估机器学习在儿科癫痫发作检测中的准确性 | 首次对机器学习在儿科癫痫发作检测中的性能进行系统性量化评估，并比较了传统机器学习与深度学习的表现差异 | 纳入研究数量有限（28项），存在发表偏倚风险，各研究间方法学异质性可能影响结果 | 评估机器学习在儿科癫痫发作检测中的有效性，为智能工具开发提供循证依据 | 儿科癫痫患者的脑电图数据 | 机器学习 | 癫痫 | 脑电图（EEG） | 机器学习, 深度学习 | 脑电图信号 | 28项原始研究（15项ML研究，13项DL研究） | NA | NA | C-index, 灵敏度, 特异性, 准确率 | NA |
| 1611 | 2025-10-05 |
Leveraging Large Language Models for Improved Understanding of Communications With Patients With Cancer in a Call Center Setting: Proof-of-Concept Study
2024-12-11, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/63892
PMID:39661975
|
研究论文 | 本研究评估GPT-4在癌症患者电话咨询意图分类中的性能，并与传统深度学习模型进行比较 | 首次在癌症患者呼叫中心场景中系统评估GPT-4的上下文学习能力，无需大量标注数据即可实现意图分类 | 提示设计和类别定义需要进一步优化，以充分发挥其在医疗实践中的潜力 | 评估大型语言模型在癌症患者电话咨询意图分类中的性能表现 | 癌症患者的电话咨询记录 | 自然语言处理 | 癌症 | 电话咨询记录分析 | GPT-4, LSTM, BERT | 文本 | 430,355个句子（来自2016-2020年癌症患者电话咨询） | NA | GPT-4, LSTM, BERT | 准确率 | NA |
| 1612 | 2025-10-05 |
Sex-and Stress-Dependent Plasticity of a Corticotropin Releasing Hormone / GABA Projection from the Basolateral Amygdala to Nucleus Accumbens that Mediates Reward Behaviors
2024-Dec-01, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.30.626183
PMID:39651305
|
研究论文 | 本研究揭示了基底外侧杏仁核向伏隔核的CRH/GABA投射在调控奖赏行为中的性别和压力依赖性可塑性 | 首次发现CRH+/GABA能BLA-NAc投射在调控奖赏行为中具有性别特异性功能差异，并通过全脑成像揭示了该投射的性别和早期逆境依赖性神经支配模式差异 | 研究主要基于小鼠模型，结果向人类转化的适用性需要进一步验证；化学遗传学操作的长期效应未充分探讨 | 探究早期逆境导致的奖赏行为性别差异的神经环路机制 | 成年雄性和雌性CRH-Cre转基因小鼠 | 神经科学 | 情感障碍 | 化学遗传学(DREADDs)、免疫染色、电生理记录、组织透明化、光片荧光显微镜、深度学习 | 深度学习 | 图像数据、电生理数据、行为数据 | 成年雄性和雌性CRH-Cre小鼠，分为对照组和早期逆境组 | 深度学习流程 | NA | NA | NA |
| 1613 | 2025-10-05 |
Research trends of computational toxicology: a bibliometric analysis
2024-Oct, Toxicology research
IF:2.2Q3
DOI:10.1093/toxres/tfae147
PMID:39309752
|
文献计量分析 | 通过文献计量分析探讨计算毒理学的研究趋势和发展历程 | 首次对计算毒理学领域进行系统性文献计量分析，揭示该领域从传统方法向机器学习、分子对接和深度学习等先进计算方法的发展轨迹 | 分析仅限于Web of Science数据库收录的文献，时间跨度为1977年至2024年2月12日 | 评估计算毒理学领域的研究影响力和发展趋势 | 计算毒理学领域的科学文献 | 计算毒理学 | NA | 文献计量分析 | 机器学习,深度学习 | 文献数据 | Web of Science数据库中1977-2024年间的相关文献 | NA | NA | NA | NA |
| 1614 | 2025-10-05 |
Development and evaluation of a deep learning framework for the diagnosis of malnutrition using a 3D facial points cloud: A cross-sectional study
2024-07, JPEN. Journal of parenteral and enteral nutrition
DOI:10.1002/jpen.2643
PMID:38796717
|
研究论文 | 开发并评估了一个基于3D面部点云的深度学习框架用于营养不良诊断 | 首次使用3D面部点云数据和PointNet++深度学习模型进行营养不良诊断 | 样本量相对有限（482名患者），且为横断面研究设计 | 开发准确的营养不良诊断工具 | 营养不良患者 | 计算机视觉 | 营养不良 | 3D摄像技术 | PointNet++ | 3D点云数据 | 482名患者（150名中度营养不良，54名重度营养不良） | NA | PointNet++ | AUC, 准确率, 特异性, 敏感性, F1分数 | NA |
| 1615 | 2025-10-05 |
Deep Learning-Based H-Score Quantification of Immunohistochemistry-Stained Images
2024-Feb, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2023.100398
PMID:38043788
|
研究论文 | 开发基于深度学习的自动算法用于免疫组化图像H-Score定量分析 | 首次提出仅基于苏木精染色训练深度学习模型进行区域识别，实现IHC图像的自动H-Score量化 | 未提及模型在多样本或不同组织类型上的泛化能力验证 | 提高免疫组化图像分析的效率和准确性 | 免疫组化染色图像 | 数字病理学 | NA | 免疫组化染色 | 深度学习 | 图像 | NA | NA | NA | 像素精度 | NA |
| 1616 | 2025-10-05 |
Displacement of the Lamina Cribrosa With Acute Intraocular Pressure Increase in Brain-Dead Organ Donors
2023-12-01, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.64.15.19
PMID:38099735
|
研究论文 | 本研究通过光学相干断层扫描技术探究脑死亡器官捐献者眼压急性升高时视神经头深层组织的变形情况 | 首次在脑死亡器官捐献者中系统量化不同参考平面对筛板位移测量的影响，并发现筛板位移随年龄增长而减小的现象 | 样本量有限（26只眼），研究对象为脑死亡器官捐献者，可能不能完全代表健康人群的生理反应 | 研究急性眼压升高对视神经头深层组织变形的影响 | 脑死亡器官捐献者的眼睛 | 医学影像分析 | 眼科疾病 | 光谱域光学相干断层扫描 | 深度学习 | 医学影像 | 20名脑死亡器官捐献者的26只眼睛（年龄范围22-62岁，中位年龄43岁） | NA | NA | P值 | NA |
| 1617 | 2025-10-05 |
Transfer learning enables predictions in network biology
2023-06, Nature
IF:50.5Q1
DOI:10.1038/s41586-023-06139-9
PMID:37258680
|
研究论文 | 本研究开发了名为Geneformer的基于注意力机制的深度学习模型，通过在大规模单细胞转录组数据上预训练，能够在网络生物学中实现数据有限情况下的精准预测 | 首次将迁移学习应用于网络生物学领域，开发了能够自监督学习网络层次结构的注意力模型，可在有限数据条件下进行上下文特异性预测 | 模型性能依赖于预训练数据的质量和规模，在特定疾病类型中的应用仍需进一步验证 | 解决网络生物学中数据稀缺条件下的基因网络预测问题，加速关键网络调控因子和治疗靶点的发现 | 基因网络、单细胞转录组数据、染色质和网络动力学 | 机器学习 | 心肌病 | 单细胞转录组测序 | Transformer, 注意力机制 | 单细胞转录组数据 | 约3000万个单细胞转录组 | NA | Transformer | 预测准确率 | NA |
| 1618 | 2025-06-06 |
Intrapartum electronic fetal monitoring: the importance of accurate signal capture to harness the potential of deep learning
2025-Oct, American journal of obstetrics and gynecology
IF:8.7Q1
DOI:10.1016/j.ajog.2025.05.026
PMID:40466886
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1619 | 2025-09-22 |
Deep learning-based morphological assessment of myelodysplastic syndrome on bone marrow smears
2025-Oct, Leukemia research
IF:2.1Q3
DOI:10.1016/j.leukres.2025.107923
PMID:40749584
|
研究论文 | 本文提出一种基于深度学习的骨髓涂片形态学评估方法，用于识别与细胞遗传学定义的骨髓增生异常综合征相关的形态异常 | 开发了结合红细胞二值掩模分析的新型深度学习模型，发现了人类专家先前忽视的红细胞形态特征与cMDS的强关联性 | NA | 提高骨髓增生异常综合征的诊断精确性和客观性 | 骨髓涂片全切片图像中的红细胞形态特征 | 数字病理学 | 骨髓增生异常综合征 | 全切片图像分析 | 深度学习图像分类模型 | 图像 | NA | NA | NA | NA | NA |
| 1620 | 2025-08-05 |
Can radiology be first to use prognostic deep learning models for oncological treatment?
2025-Oct, Annals of oncology : official journal of the European Society for Medical Oncology
IF:56.7Q1
DOI:10.1016/j.annonc.2025.07.013
PMID:40754034
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |