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 33008 篇文献，本页显示第 17241 - 17260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17241 | 2025-02-16 |
The Role of Artificial Intelligence in Urogynecology: Current Applications and Future Prospects
2025-Jan-24, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15030274
PMID:39941204
|
综述 | 本文综述了人工智能在泌尿妇科领域的当前应用和未来前景 | 探讨了人工智能在泌尿妇科诊断和成像工具中的应用，并讨论了其未来前景和局限性 | 人工智能在泌尿妇科领域的安全实施面临挑战 | 探讨人工智能在泌尿妇科中的应用及其未来前景 | 泌尿妇科领域的诊断和成像工具 | 医学影像 | 妇科疾病 | 机器学习和深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 17242 | 2025-02-16 |
Optical Coherence Tomography Image Enhancement and Layer Detection Using Cycle-GAN
2025-Jan-24, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15030277
PMID:39941207
|
研究论文 | 本文介绍了使用深度学习方法将一种OCT设备的低清晰度图像转换为另一种设备的高清晰度图像，并同时估计增强图像中的视网膜神经纤维层（RNFL）分割线 | 使用cycle-GAN方法进行图像转换，并在转换图像中估计RNFL分割线，相比pix2pix方法，cycle-GAN在图像转换和曲线相似性方面表现更优 | 未提及具体的研究样本量或数据集大小，可能影响结果的普适性 | 提高不同OCT设备间图像清晰度的一致性，并准确估计RNFL分割线，以改善青光眼的诊断一致性 | OCT图像 | 计算机视觉 | 青光眼 | 深度学习 | cycle-GAN, pix2pix | 图像 | NA | NA | NA | NA | NA |
| 17243 | 2025-02-16 |
Digital Twin Smart City Visualization with MoE-Based Personal Thermal Comfort Analysis
2025-Jan-24, Sensors (Basel, Switzerland)
DOI:10.3390/s25030705
PMID:39943343
|
研究论文 | 本研究利用数字孪生技术结合深度学习模型，构建了一个智能城市可视化应用，用于个人热舒适度分析，以优化能源使用和提升城市居民生活质量 | 结合数字孪生技术与深度学习模型进行个人热舒适度分析，为智能城市应用开发提供了新的框架和路线图 | 研究主要针对韩国某智能区域，可能在其他地区的适用性有限 | 通过数字孪生技术和AI驱动分析，优化城市能源使用、降低成本并提升居民生活质量 | 智能城市中的建筑和家庭能源消耗 | 数字孪生技术 | NA | 深度学习 | NA | 3D地理空间数据 | NA | NA | NA | NA | NA |
| 17244 | 2025-02-16 |
Deep Learning Design for Loss Optimization in Metamaterials
2025-Jan-23, Nanomaterials (Basel, Switzerland)
DOI:10.3390/nano15030178
PMID:39940154
|
研究论文 | 本文利用深度学习结合超材料中的弱相互作用原理，重新审视并优化了先前验证的无序离散超材料，提出了一种创新的损耗优化策略 | 结合深度学习和超材料中的弱相互作用原理，提出了一种新的无序离散超材料损耗优化策略 | 未提及具体实验验证或实际应用中的挑战 | 优化超材料在可见光波段的损耗，开发高性能光子器件 | 无序离散超材料 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 17245 | 2025-02-16 |
Bone Age Assessment Using Various Medical Imaging Techniques Enhanced by Artificial Intelligence
2025-Jan-23, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15030257
PMID:39941187
|
研究论文 | 本文探讨了利用人工智能增强的各种医学成像技术进行骨龄评估的进展 | 本文比较了基于人工智能的骨龄评估方法在不同成像技术中的应用，填补了现有文献的空白 | 本文未进行具体的实验验证，主要依赖于文献综述 | 研究目的是改进骨龄评估的准确性和效率，以解决传统方法的局限性 | 研究对象是骨龄评估方法及其在不同医学成像技术中的应用 | 计算机视觉 | NA | X-ray, MRI, CT, 超声成像 | 机器学习和深度学习 | 图像 | NA | NA | NA | NA | NA |
| 17246 | 2025-02-16 |
Lightweight Deep Learning Framework for Accurate Detection of Sports-Related Bone Fractures
2025-Jan-23, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15030271
PMID:39941201
|
研究论文 | 本文提出了一种轻量级的深度学习框架，用于准确检测与运动相关的骨折，旨在提高诊断的准确性和计算效率 | 提出了一种基于DenseNet121架构的新型骨折检测框架，通过修改初始卷积块和最终层来优化特征提取，并集成了Canny边缘检测器以增强检测局部结构不连续性的能力 | 未来的工作将集中在扩展模型的应用到其他成像模式和骨折类型 | 开发一种轻量级且高效的深度学习框架，以提高骨折检测的准确性和计算效率，满足运动医学的需求 | 与运动相关的骨折 | 计算机视觉 | NA | 深度学习 | DenseNet121 | 图像 | 定制的放射影像数据集，专注于常见的运动相关骨折 | NA | NA | NA | NA |
| 17247 | 2025-02-16 |
Deep Learning-Enhanced Diagnosis of Sow Pregnancy Through Low-Frequency Ultrasound Imaging
2025-Jan-23, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani15030318
PMID:39943088
|
研究论文 | 本研究提出了一种利用深度学习技术分析低频超声图像进行母猪妊娠诊断的创新方法 | 首次将深度学习技术应用于低频超声图像的母猪妊娠诊断，并比较了三种不同的分类模型（ViT-H、ConvNeXt-xlarge和Xception）的性能 | 低频超声图像的分辨率较低，可能影响诊断的准确性 | 提高母猪妊娠诊断的准确性和效率，以提升农场盈利能力 | 母猪 | 计算机视觉 | NA | 低频超声成像 | ViT-H, ConvNeXt-xlarge, Xception | 图像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 17248 | 2025-02-16 |
Deep Learning Tool Wear State Identification Method Based on Cutting Force Signal
2025-Jan-23, Sensors (Basel, Switzerland)
DOI:10.3390/s25030662
PMID:39943299
|
研究论文 | 本研究提出了一种基于切削力信号的深度学习刀具磨损状态识别方法，结合连续小波变换和改进的MobileViT轻量级网络 | 在MobileViT网络结构中引入Contextual Transformer模块和Global Attention Mechanism模块，增强了视觉表示能力，减少了信息损失，并改善了全局特征之间的交互 | NA | 准确、快速、高效地识别铣刀的磨损状态 | 铣刀的磨损状态 | 机器学习 | NA | 连续小波变换 | 改进的MobileViT网络 | 切削力信号 | NA | NA | NA | NA | NA |
| 17249 | 2025-02-16 |
CR-Mask RCNN: An Improved Mask RCNN Method for Airport Runway Detection and Segmentation in Remote Sensing Images
2025-Jan-23, Sensors (Basel, Switzerland)
DOI:10.3390/s25030657
PMID:39943296
|
研究论文 | 本文提出了一种改进的Mask RCNN方法（CR-Mask RCNN），用于遥感图像中机场跑道的检测和分割 | 使用旋转区域生成网络代替非旋转区域生成网络，生成更贴合机场跑道形状的旋转边界框，并在骨干特征提取网络中引入注意力机制，增强局部特征信息的提取 | NA | 提高遥感图像中机场跑道的检测和分割精度 | 机场跑道 | 计算机视觉 | NA | 深度学习 | Mask RCNN | 遥感图像 | NA | NA | NA | NA | NA |
| 17250 | 2025-02-16 |
Efficient Deep Learning-Based Detection Scheme for MIMO Communication Systems
2025-Jan-23, Sensors (Basel, Switzerland)
DOI:10.3390/s25030669
PMID:39943308
|
研究论文 | 本文提出了一种基于深度学习的MIMO通信系统信号检测策略，通过预处理阶段标记输入信号，提出了两种新方案并评估了其性能 | 提出了一种新的基于深度学习的信号检测策略，并引入了两种新方案（OHA和DSE），在降低复杂度的同时保持了较高的分类性能和较低的误码率 | 与传统的OH方案相比，OHA和DSE方案在误码率性能上有轻微损失（分别小于1 dB和2 dB） | 解决MIMO通信系统中检测器复杂度高的问题，提供一种在检测复杂度和误码率之间权衡的灵活设计 | MIMO通信系统的信号检测 | 机器学习 | NA | 深度学习 | 神经网络 | 信号数据 | NA | NA | NA | NA | NA |
| 17251 | 2025-02-16 |
Enhanced Multi-Model Deep Learning for Rapid and Precise Diagnosis of Pulmonary Diseases Using Chest X-Ray Imaging
2025-Jan-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15030248
PMID:39941178
|
研究论文 | 本文提出了一种增强的多模型深度学习（EMDL）方法，用于通过胸部X光成像快速准确诊断肺部疾病 | EMDL方法集成了五种预训练的深度学习模型，并结合了先进的图像预处理和多阶段特征选择与优化管道，显著提高了诊断精度和模型鲁棒性 | 研究主要依赖于胸部X光数据集，可能在其他类型的医学影像数据上表现不同 | 开发一种快速、准确的肺部疾病诊断工具，以改善医疗响应 | 流感、结核病和病毒性肺炎等呼吸系统疾病 | 计算机视觉 | 肺癌 | 深度学习 | VGG-16, VGG-19, ResNet, AlexNet, GoogleNet | 图像 | 两个独立的胸部X光数据集 | NA | NA | NA | NA |
| 17252 | 2025-02-16 |
Virtual Biopsy for the Prediction of MGMT Promoter Methylation in Gliomas: A Comprehensive Review of Radiomics and Deep Learning Approaches Applied to MRI
2025-Jan-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15030251
PMID:39941181
|
综述 | 本文综述了利用放射组学和深度学习方法预测胶质瘤中MGMT启动子甲基化状态的研究进展 | 结合放射组学和深度学习，提供了一种非侵入性的MGMT启动子甲基化状态预测工具 | 研究人群、数据来源和方法的异质性反映了管道和机器学习算法的复杂性，可能需要通用标准化才能在临床实践中实施 | 预测胶质瘤中MGMT启动子甲基化状态，以增强神经肿瘤学中的个性化医疗 | 胶质瘤患者 | 数字病理学 | 胶质瘤 | 放射组学（RD）和深度学习（DL） | 深度学习模型 | MRI影像数据 | 34项研究，涉及公共（如BraTS, TCGA）和私人机构数据集 | NA | NA | NA | NA |
| 17253 | 2025-02-16 |
Deep-Learning Framework for Efficient Real-Time Speech Enhancement and Dereverberation
2025-Jan-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25030630
PMID:39943269
|
研究论文 | 本文提出了一种用于高效实时语音增强和去混响的深度学习框架 | 提出了一个扩展的Deep Filter Net框架，显著提高了去混响性能，同时保持了竞争性的降噪质量 | Deep Filter Net的去混响性能有限 | 开发一种计算高效的语音增强和去混响方法，适用于资源受限设备 | 语音信号 | 自然语言处理 | NA | 深度学习 | Deep Filter Net | 语音数据 | NA | NA | NA | NA | NA |
| 17254 | 2025-02-16 |
Specific Emitter Identification Method for Limited Samples via Time-Wavelet Spectrum Consistency
2025-Jan-22, Sensors (Basel, Switzerland)
DOI:10.3390/s25030648
PMID:39943287
|
研究论文 | 本文提出了一种基于TFC-CNN的特定发射器识别方法，用于解决在发射器样本稀缺和训练数据有限的情况下传统方法难以分类的问题 | 提出了一种基于时间-小波谱一致性的TFC-CNN方法，通过连续小波变换进行数据增强，并利用复值神经网络和深度卷积神经网络提取隐藏的发射器身份特征 | 方法在样本稀缺的情况下表现良好，但在样本充足的情况下是否仍具有优势未明确说明 | 解决在发射器样本稀缺和训练数据有限的情况下传统方法难以分类的问题 | 无线电信号中的发射器 | 机器学习 | NA | 连续小波变换（CWT） | TFC-CNN（复值神经网络和深度卷积神经网络） | 无线电信号 | 开源WiFi数据集和自动相关监视广播（ADS-B）数据集 | NA | NA | NA | NA |
| 17255 | 2025-02-16 |
Coupling Artificial Intelligence with Proper Mathematical Algorithms to Gain Deeper Insights into the Biology of Birds' Eggs
2025-Jan-21, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani15030292
PMID:39943062
|
研究论文 | 本文探讨了将人工智能与适当的数学算法结合，以深入理解鸟类卵的生物学特性 | 提出了将深度学习和人工智能应用于禽蛋形态分析的新方法，并重新评估了多种数学模型的有效性和实用性 | 未具体说明所提出方法的实验验证结果和实际应用效果 | 研究目的是通过AI和DL技术提高禽蛋的质量、生产力和市场竞争力 | 研究对象是禽蛋的形态特征，包括形状、重量、体积、表面积和气室计算 | 计算机视觉 | NA | 深度学习（DL） | 深度学习模型 | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 17256 | 2024-08-07 |
Cardiac CT-derived quantification of myocardial extracellular volume using deep learning-based reconstruction: A feasibility study
2025 Jan-Feb, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2024.07.008
PMID:39025757
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17257 | 2025-02-16 |
Improving building extraction from high-resolution aerial images: Error correction and performance enhancement using deep learning on the Inria dataset
2025 Jan-Mar, Science progress
IF:2.6Q2
DOI:10.1177/00368504251318202
PMID:39943714
|
研究论文 | 本研究利用深度学习技术改进从高分辨率航空图像中提取建筑物的方法，并在Inria数据集上进行了性能比较 | 通过消除错误数据和调整图像大小，显著提升了深度学习网络在建筑物提取任务中的性能 | 某些模型在特定挑战性条件下（如树木遮挡、复杂室内花园）表现不佳，容易产生误报 | 提高从高分辨率航空图像中提取建筑物的准确性和效率 | 高分辨率航空图像中的建筑物 | 计算机视觉 | NA | 深度学习 | DeepLabv3+, Attention U-Net, U-Net, SE-ResNeXt-50, SE-ResNet-50, ResNeXt-50, ResNet-50, UNet++, U2Net | 图像 | 180张高分辨率航空图像 | NA | NA | NA | NA |
| 17258 | 2025-02-16 |
Avoiding missed opportunities in AI for radiology
2024-Dec, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03295-9
PMID:39585545
|
评论 | 本文探讨了人工智能（AI）在放射学中的应用，强调了避免错失AI潜力的重要性 | 提出了在放射学中避免错失AI应用机会的策略，并强调了AI在临床和财务上的双重益处 | 文章主要基于作者所在医疗系统的经验，可能不具有普遍适用性 | 探讨如何充分利用AI在放射学中的潜力，以提升医疗智慧和患者护理 | 放射学中的AI应用 | 机器学习 | NA | 深度学习 | 人工神经网络 | NA | NA | NA | NA | NA | NA |
| 17259 | 2025-02-16 |
Flexible use of conserved motif vocabularies constrains genome access in cell type evolution
2024-Sep-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.03.611027
PMID:39282369
|
研究论文 | 本文通过整合单核多组学测序和深度学习技术，探讨了细胞类型进化中基因组可及性的约束机制 | 揭示了细胞类型家族间基因组可及性的保守性，并发现不同物种间细胞类型关系的特异性相互作用并不保守 | 研究结果主要基于早期分支动物，如扁形动物和刺胞动物，可能不适用于所有生物 | 探讨细胞类型多样化在进化过程中如何受到基因组可及性的约束 | 细胞类型家族及其基因组可及性 | 基因组学 | NA | 单核多组学测序，深度学习 | 深度学习模型 | 基因组序列数据 | 涉及多个早期分支动物物种的细胞类型 | NA | NA | NA | NA |
| 17260 | 2025-10-07 |
An automated deep learning pipeline for EMVI classification and response prediction of rectal cancer using baseline MRI: a multi-centre study
2024-Jan-22, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-024-00516-x
PMID:38253770
|
研究论文 | 开发基于基线MRI的自动化深度学习流程，用于直肠癌EMVI分类和治疗反应预测 | 提出全自动管道结合nnUNet分割和MLNet多级特征学习，无需手动分割和特征工程 | 回顾性研究，样本量有限（509例患者） | 通过基线MRI实现直肠癌EMVI自动分类和完全缓解预测 | 直肠癌患者 | 数字病理 | 直肠癌 | 扩散加权成像，T2加权成像 | CNN | 医学影像 | 来自9个中心的509名患者 | nnUNet | nnUNet, 3D ResNet10, MLNet | AUC | NA |