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 16601 - 16620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 16601 | 2025-03-08 |
Lightweight sparse optoacoustic image reconstruction via an attention-driven multi-scale wavelet network
2025-Apr, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2025.100695
PMID:40046019
|
研究论文 | 本文提出了一种轻量级的稀疏光声图像重建网络AD-WaveNet，通过结合离散二维小波变换和自适应注意力机制，提高了稀疏采样下的图像重建质量并降低了计算复杂度 | AD-WaveNet网络创新性地将离散二维小波变换与自适应注意力机制相结合，利用小波变换的多尺度分解特性，强调不同尺度下的关键特征，从而在降低计算复杂度和参数量的同时保持最佳重建质量 | NA | 提高稀疏采样下光声断层扫描（PAT）图像的重建质量，并降低计算复杂度 | 光声断层扫描（PAT）图像 | 计算机视觉 | NA | 离散二维小波变换（DWT） | AD-WaveNet | 图像 | NA | NA | NA | NA | NA |
| 16602 | 2025-03-08 |
Deep Learning-based Multi-class Classification for Neonatal Respiratory Diseases on Chest Radiographs in Neonatal Intensive Care Units
2025-Mar-06, Neonatology
IF:2.6Q1
DOI:10.1159/000545107
PMID:40049153
|
研究论文 | 本研究介绍了一种基于深度学习的自动算法，用于分类新生儿重症监护病房中的各种新生儿呼吸系统疾病和健康肺 | 使用大规模高质量多类标注的胸部X光图像数据集，结合非影像数据，开发了一种新的深度学习模型，用于新生儿呼吸系统疾病的自动分类 | 研究仅基于韩国10所大学医院的数据，可能限制了模型的普遍适用性 | 开发一种自动分类算法，以支持新生儿科医生对重症新生儿的及时准确决策 | 新生儿重症监护病房中的新生儿 | 计算机视觉 | 新生儿呼吸系统疾病 | 深度学习 | 修改后的ResNet50 | 胸部X光图像 | 训练集34,598张，验证集4,370张，测试集4,370张 | NA | NA | NA | NA |
| 16603 | 2025-03-08 |
An automated treatment planning portfolio for whole breast radiotherapy
2025-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17588
PMID:39699058
|
研究论文 | 本研究开发了一套完整的自动化放射治疗计划组合，用于全乳放疗，适应不同的患者因素、临床方法和可用资源 | 提出了一个全面的、端到端的自动化放疗解决方案，结合了多种治疗方法和深度学习模型，适应不同的患者和治疗需求 | 研究中使用的样本量相对较小，且主要来自特定机构，可能限制了结果的普遍性 | 开发一套自动化放疗计划组合，以适应不同的患者因素和临床需求 | 全乳放疗患者 | 数字病理 | 乳腺癌 | 深度学习模型（nnU-net）、RapidPlan模型 | nnU-net | 放疗计划数据 | 15名内部患者（150个计划）和40名来自瑞士、阿根廷、伊朗和美国的外部患者（360个计划） | NA | NA | NA | NA |
| 16604 | 2025-02-10 |
A 2.5D transfer deep learning model based on artificial intelligence for differentiating lymphoma and tuberculous lymphadenitis in HIV/AIDS patients
2025-Mar, The Journal of infection
IF:14.3Q1
DOI:10.1016/j.jinf.2025.106439
PMID:39922386
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16605 | 2025-03-08 |
Deep5mC: Predicting 5-methylcytosine (5mC) methylation status using a deep learning transformer approach
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.02.007
PMID:40041569
|
研究论文 | 本文介绍了一种基于深度学习Transformer的方法Deep5mC，用于预测5-甲基胞嘧啶（5mC）的甲基化状态 | Deep5mC利用基因组序列中的长程依赖性来预测5mC甲基化，显著优于现有方法，并揭示了长程序列上下文对5mC预测的影响 | 现有方法大多关注特定基因组区域，而Deep5mC虽然考虑了长程依赖性，但仍需进一步验证其在跨物种和人类疾病中的适用性 | 研究5mC甲基化状态与基因组序列的依赖性，并开发一种高效的预测方法 | 5-甲基胞嘧啶（5mC）的甲基化状态 | 机器学习 | NA | 深度学习 | Transformer | DNA序列 | NA | NA | NA | NA | NA |
| 16606 | 2025-03-08 |
Retraction: Risk management system and intelligent decision-making for prefabricated building project under deep learning modified teaching-learning-based optimization
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319589
PMID:40043015
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16607 | 2025-03-08 |
XAI-MRI: an ensemble dual-modality approach for 3D brain tumor segmentation using magnetic resonance imaging
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1525240
PMID:40046502
|
研究论文 | 本文提出了一种新颖的集成双模态方法，用于使用磁共振成像（MRI）进行3D脑肿瘤分割 | 提出了一种集成双模态方法，结合了表现最佳的双模态预训练模型，以提高分割性能，并引入了Grad-CAM可视化技术，生成热图以突出肿瘤区域，为临床医生提供模型决策的有用信息 | 未明确提及具体限制 | 提高脑肿瘤分割的准确性和可靠性，以支持有效的肿瘤分级和治疗计划 | 脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | U-Net, 集成模型 | 3D MRI图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 16608 | 2025-03-08 |
The prognostic value of pathologic lymph node imaging using deep learning-based outcome prediction in oropharyngeal cancer patients
2025-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100733
PMID:40046573
|
研究论文 | 本研究探讨了在口咽癌患者中，结合病理淋巴结空间信息与深度学习模型对局部控制、区域控制、远处无转移生存和总生存的预测效果 | 首次在深度学习模型中结合病理淋巴结空间信息，以提高口咽癌患者的预后预测性能 | 研究仅基于单一机构的患者数据，可能限制了模型的泛化能力 | 探索结合病理淋巴结空间信息对深度学习模型预测口咽癌患者预后的潜在益处 | 口咽癌患者 | 数字病理 | 口咽癌 | 深度学习 | 深度学习模型 | PET/CT扫描图像 | 409名口咽癌患者 | NA | NA | NA | NA |
| 16609 | 2025-03-08 |
Deep learning combining imaging, dose and clinical data for predicting bowel toxicity after pelvic radiotherapy
2025-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100710
PMID:40046574
|
研究论文 | 本研究提出了一种深度学习模型，用于同时分析计算机断层扫描、剂量分布和临床元数据，以预测盆腔放疗后的肠道毒性，并识别临床风险因素和解剖区域的影响 | 开发了一种基于多实例学习、特征级融合和注意力的深度模型，能够同时分析3D成像和临床数据，识别潜在风险因素和关键解剖区域 | 数据集来自313名患者，虽然样本量较大，但患者群体的异质性（剂量、体积、分割、伴随治疗和随访期）可能影响模型的泛化能力 | 预测盆腔放疗后的肠道毒性，并识别临床风险因素和解剖区域的影响 | 313名接受3D适形放疗和容积调强弧形放疗的患者 | 数字病理 | NA | 深度学习 | 多实例学习模型 | 3D计算机断层扫描、计划剂量分布、临床数据 | 313名患者 | NA | NA | NA | NA |
| 16610 | 2025-03-08 |
Leveraging automated time-lapse microscopy coupled with deep learning to automate colony forming assay
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1520972
PMID:40046624
|
研究论文 | 本文介绍了一种结合延时显微镜和深度学习的人工智能辅助自动化集落形成实验（CFA）平台，用于实时跟踪集落形成并评估药物疗效 | 开发了一种基于深度学习和多目标跟踪的自动化集落计数平台，显著减少了人工操作并提高了准确性，同时支持长期细胞间相互作用和治疗反应的详细研究 | 未来需要与基于灌注的药物筛选系统集成以进一步增强个性化癌症治疗 | 开发一种自动化、高通量的集落形成实验平台，用于评估单癌细胞的克隆扩展能力和药物疗效 | B-急性淋巴细胞白血病（B-ALL）细胞 | 数字病理学 | 白血病 | 延时显微镜、深度学习 | YOLOv8 | 图像 | E2A-PBX1小鼠模型中的B-ALL细胞 | NA | NA | NA | NA |
| 16611 | 2025-03-08 |
Machine learning for automated classification of lung collagen in a urethane-induced lung injury mouse model
2024-Oct-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.527972
PMID:39421774
|
研究论文 | 本文提出了一种基于机器学习的自动化评分框架，用于评估小鼠肺损伤模型中的肺胶原含量 | 利用预训练的VGG16模型和统计特征结合的方法，以及采用无监督技术进行图像分析，提高了肺胶原含量评估的准确性和效率 | 研究依赖于小鼠模型，可能无法完全反映人类肺疾病的情况 | 开发自动化评分系统以提高肺胶原含量评估的准确性和一致性 | 成年雌性小鼠的肺切片图像 | 数字病理学 | 肺癌 | SHG显微镜 | VGG16, SVM | 图像 | NA | NA | NA | NA | NA |
| 16612 | 2025-03-08 |
DeepEnzyme: a robust deep learning model for improved enzyme turnover number prediction by utilizing features of protein 3D-structures
2024-Jul-25, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae409
PMID:39162313
|
研究论文 | 本文介绍了一种名为DeepEnzyme的深度学习模型，该模型结合了Transformer和图卷积网络（GCN），用于提高酶周转数（kcat）的预测准确性 | DeepEnzyme模型通过整合蛋白质序列和3D结构特征，显著提高了对低序列相似性酶的预测准确性和鲁棒性，并能够评估点突变对酶催化活性的影响 | NA | 提高酶周转数（kcat）的预测准确性和鲁棒性，以促进蛋白质工程和合成生物学领域的研究 | 酶的周转数（kcat） | 机器学习 | NA | 深度学习 | Transformer, GCN | 蛋白质序列和3D结构数据 | NA | NA | NA | NA | NA |
| 16613 | 2025-03-08 |
Deep Learning-Augmented ECG Analysis for Screening and Genotype Prediction of Congenital Long QT Syndrome
2024-Apr-01, JAMA cardiology
IF:14.8Q1
DOI:10.1001/jamacardio.2024.0039
PMID:38446445
|
研究论文 | 本文开发了一种基于深度学习的神经网络，用于通过12导联心电图识别先天性长QT综合征（LQTS）并区分其基因型（LQTS1和LQTS2） | 使用卷积神经网络（CNN）进行LQTS的检测和基因型区分，超越了传统的QTc间期检测方法 | 需要在未选择的普通人群中进行更广泛的验证以支持该模型的应用 | 开发一种深度学习模型，用于从静息心电图中检测先天性长QT综合征并区分其基因型 | 先天性长QT综合征患者及其亲属 | 数字病理学 | 心血管疾病 | 卷积神经网络（CNN） | CNN | 心电图（ECG） | 4521份心电图来自990名患者 | NA | NA | NA | NA |
| 16614 | 2025-10-07 |
COVID-19 Detection From Respiratory Sounds With Hierarchical Spectrogram Transformers
2024-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3339700
PMID:38051612
|
研究论文 | 提出一种基于分层频谱图变换器的深度学习方法，通过咳嗽或呼吸音频检测COVID-19 | 首次将分层频谱图变换器应用于呼吸音分析，通过逐步扩大注意力窗口捕获局部到全局的声学特征 | 依赖众包多国数据集，未说明模型在临床环境中的实际部署效果 | 开发基于呼吸音的非接触式COVID-19早期筛查方法 | COVID-19患者与健康对照组的咳嗽和呼吸音频 | 自然语言处理 | COVID-19 | 音频信号处理 | Transformer | 音频 | 众包多国数据集（未明确具体样本量） | NA | 分层频谱图变换器（HST） | AUC | NA |
| 16615 | 2025-10-07 |
EDLNet: ensemble deep learning network model for automatic brain tumor classification and segmentation
2024-Feb-12, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2311343
PMID:38345061
|
研究论文 | 提出一种集成深度学习网络模型EDLNet，用于自动脑肿瘤分类和分割 | 提出新型集成深度学习网络EDLNet，结合改进的Faster RCNN和深度循环卷积神经网络，在脑肿瘤分类和分割任务中实现高精度 | NA | 开发自动脑肿瘤分类和分割模型以辅助疾病诊断 | 脑部MRI扫描图像 | 计算机视觉 | 脑肿瘤 | MRI成像 | 集成深度学习, CNN, RCNN | 医学图像 | 两个公开数据集(D1和D2) | NA | EDLNet, Modified Faster RCNN, DRCNN | 准确率 | NA |
| 16616 | 2025-10-07 |
Exploring the Value of MRI Measurement of Hippocampal Volume for Predicting the Occurrence and Progression of Alzheimer's Disease Based on Artificial Intelligence Deep Learning Technology and Evidence-Based Medicine Meta-Analysis
2024, Journal of Alzheimer's disease : JAD
DOI:10.3233/JAD-230733
PMID:38277290
|
研究论文 | 基于人工智能深度学习技术和循证医学Meta分析，探索MRI海马体体积测量对阿尔茨海默病发生和进展的预测价值 | 结合三种卷积神经网络模型与系统Meta分析，首次在多中心大样本数据中验证MRI海马体体积测量对AD预测的临床价值 | 研究依赖公开数据库数据，未包含所有AD亚型；Meta分析仅纳入23篇文献，可能存在发表偏倚 | 评估基于MRI的海马体体积测量在预测阿尔茨海默病发生和进展中的价值 | 483名AD患者、756名轻度认知障碍患者和968名正常对照者 | 医学影像分析 | 阿尔茨海默病 | 结构磁共振成像 | CNN | 医学影像 | 2207名受试者（483 AD + 756 MCI + 968 NC） | TensorFlow, PyTorch | InceptionResNetv2, Densenet169, SEResNet50 | 准确率, AUC | NA |
| 16617 | 2025-10-07 |
Reinforcement learning using Deep
Q
networks and
Q
learning accurately localizes brain tumors on MRI with very small training sets
2022-12-23, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-022-00919-x
PMID:36564724
|
研究论文 | 本研究应用强化学习在小型训练集上准确定位脑部MRI图像中的肿瘤 | 将深度Q学习推广到基于网格世界的环境，仅需图像和图像掩码，无需放射科医师眼动追踪点 | 仅使用30个二维图像切片进行训练，样本量较小 | 开发能够在小训练集上准确定位脑肿瘤的强化学习方法 | 脑部MRI图像中的肿瘤病灶 | 医学影像分析 | 脑肿瘤 | MRI | Deep Q Network, 关键点检测监督深度学习网络 | 二维医学图像 | 30个训练图像切片，30个测试图像切片 | NA | Deep Q Network | 准确率 | NA |
| 16618 | 2025-10-07 |
A Hardware Accelerator for Real-Time Processing Platforms Used in Synthetic Aperture Radar Target Detection Tasks
2025-Feb-07, Micromachines
IF:3.0Q2
DOI:10.3390/mi16020193
PMID:40047666
|
研究论文 | 本文设计了一种用于合成孔径雷达目标检测任务的低功耗硬件加速器 | 提出适用于多维卷积并行计算的处理引擎和独特的存储器排列设计，充分利用FPGA计算资源 | 仅基于Virtex 7 690t芯片进行验证，未在其他硬件平台上测试 | 解决机载或星载实时处理平台的功耗问题，实现实时SAR图像目标检测 | 合成孔径雷达图像中的目标检测 | 计算机视觉 | NA | 合成孔径雷达成像 | CNN | SAR图像 | NA | Yolov5s | Yolov5s | 处理速度（52.19张/秒），功耗（7瓦） | Virtex 7 690t FPGA芯片 |
| 16619 | 2025-10-07 |
Addressing grading bias in rock climbing: machine and deep learning approaches
2024, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2024.1512010
PMID:40046938
|
综述 | 本文综述了机器学习和深度学习在解决攀岩路线难度评级主观性问题中的应用 | 首次系统分类并比较了三种不同视角（路线中心、攀登者中心、路径查找与生成）的机器学习方法在攀岩难度评级中的应用 | NA | 通过机器学习和深度学习技术建立标准化的攀岩路线难度确定方法 | 攀岩路线难度评级系统 | 自然语言处理, 机器学习 | NA | 自然语言处理, 深度学习 | 循环神经网络 | NA | NA | NA | NA | NA | NA |
| 16620 | 2025-03-06 |
Deep Learning-Powered CT-Less Multitracer Organ Segmentation From PET Images: A Solution for Unreliable CT Segmentation in PET/CT Imaging
2025-Apr-01, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005685
PMID:39883026
|
研究论文 | 本研究开发了一种不依赖CT图像的PET器官分割框架，利用深度学习模型对两种常用PET示踪剂进行多器官分割 | 提出了一种不依赖CT图像的PET器官分割方法，解决了PET/CT成像中CT分割不可靠的问题 | 研究中排除了PET和CT图像不匹配的病例，可能影响模型的泛化能力 | 开发一种不依赖CT图像的PET器官分割框架，以解决PET/CT成像中CT分割不可靠的问题 | 2062例PET/CT图像，包括18 F-FDG和68 Ga-PSMA两种示踪剂 | 数字病理学 | NA | 深度学习 | nnU-Net | PET/CT图像 | 2062例PET/CT图像 | NA | NA | NA | NA |