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 32922 篇文献，本页显示第 17641 - 17660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17641 | 2025-10-07 |
Artificial Intelligence In Health And Health Care: Priorities For Action
2025-Feb, Health affairs (Project Hope)
DOI:10.1377/hlthaff.2024.01003
PMID:39841940
|
评论 | 本文阐述了在医疗健康领域应用人工智能的优先行动方向，重点关注安全性、有效性和公平性 | 提出了医疗AI发展的四个战略重点领域，为2025年总统政府提供政策指导 | NA | 为医疗健康领域人工智能的安全有效应用提供战略指导 | 医疗健康领域的人工智能应用 | 机器学习 | NA | 深度学习，生成式AI | NA | NA | NA | NA | NA | NA | NA |
| 17642 | 2025-10-07 |
Informatics strategies for early detection and risk mitigation in pancreatic cancer patients
2025-Feb, Neoplasia (New York, N.Y.)
DOI:10.1016/j.neo.2025.101129
PMID:39842383
|
综述 | 全面概述胰腺癌筛查、诊断和早期检测的现状，重点关注高危人群筛查策略和新兴检测技术 | 强调人工智能驱动方法在早期检测中的潜力，整合液体活检技术和传统诊断方法 | 主要基于现有文献综述，缺乏原始实验数据验证 | 改善胰腺癌早期检测和风险缓解策略 | 胰腺癌高危人群，特别是有家族遗传倾向和基因突变（BRCA1、BRCA2、PALB2）的个体 | 数字病理 | 胰腺癌 | 内镜超声（EUS）、对比增强谐波成像（CEH-EUS）、液体活检、循环肿瘤DNA（ctDNA）分析 | 深度学习 | 医学影像、生物标志物数据、基因数据 | NA | NA | NA | 灵敏度 | NA |
| 17643 | 2025-10-07 |
Deep learning methods for proteome-scale interaction prediction
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2024.102981
PMID:39848140
|
综述 | 本文综述了深度学习在蛋白质组规模相互作用预测中的最新进展与应用 | 系统总结基于结构的深度学习方法在克服当前预测局限性方面的潜力 | 数据质量和验证偏差等挑战仍然存在 | 推动蛋白质相互作用预测以促进生物学研究和药物发现 | 蛋白质-蛋白质和蛋白质-配体相互作用 | 机器学习 | NA | 深度学习 | NA | 蛋白质相互作用数据、结构信息 | NA | NA | NA | NA | NA |
| 17644 | 2025-10-07 |
Challenges and compromises: Predicting unbound antibody structures with deep learning
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.102983
PMID:39862761
|
研究论文 | 本文探讨了利用深度学习预测未结合抗体结构的挑战与折衷方案 | 提出生成模型可能解决未结合抗体结构预测中的构象异质性挑战 | 结构数据偏向抗体-抗原复合物导致类别不平衡，可能限制模型对未结合形式的泛化能力 | 改进未结合抗体结构的预测方法以优化抗体开发流程 | 治疗性抗体及其未结合形式的结构 | 机器学习 | NA | 深度学习 | 生成模型 | 结构数据 | NA | NA | NA | NA | NA |
| 17645 | 2025-10-07 |
Development and evaluation of a deep learning model to reduce exomass-related metal artefacts in cone-beam CT: an ex vivo study using porcine mandibles
2025-Feb-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae062
PMID:39589904
|
研究论文 | 开发并评估用于减少锥形束CT中外源性金属伪影的深度学习模型 | 首次使用条件去噪扩散概率模型校正锥形束CT中的外源性金属伪影 | 仅使用猪下颌骨进行体外研究，样本量较小 | 减少锥形束CT中外源性金属植入物引起的伪影 | 猪下颌骨及钛、钛锆、氧化锆牙科种植体 | 医学影像处理 | 口腔疾病 | 锥形束CT扫描 | 条件去噪扩散概率模型 | CT影像 | 5个猪下颌骨，每个含6个放射不透明溶液管，最多植入3个种植体 | 深度学习 | 条件去噪扩散概率模型 | 对比噪声比, 图像质量评分 | NA |
| 17646 | 2025-02-05 |
HEDDI-Net: heterogeneous network embedding for drug-disease association prediction and drug repurposing, with application to Alzheimer's disease
2025-Feb-01, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-024-05938-6
PMID:39891114
|
研究论文 | 本文介绍了一种名为HEDDI-Net的异质网络嵌入架构，用于预测药物-疾病关联和药物再利用，特别是在阿尔茨海默病中的应用 | HEDDI-Net能够直接应用于新的疾病和药物，无需重新训练，这是大多数基于GCN的方法所不具备的。此外，HEDDI-Net提供了详细的亲和力模式，有助于理解候选药物的生理效应 | 尽管HEDDI-Net在预测药物-疾病关联方面表现出色，但其在稀疏网络中的表现仍需进一步验证 | 开发一种能够准确预测药物-疾病关联并保持生物机制可解释性的方法，以支持药物再利用 | 药物和疾病，特别是阿尔茨海默病 | 机器学习 | 阿尔茨海默病 | 图神经网络（GCN）和浅层学习技术 | 多层感知机（MLP） | 网络数据 | NA | NA | NA | NA | NA |
| 17647 | 2025-02-05 |
Predicting carbon dioxide emissions using deep learning and Ninja metaheuristic optimization algorithm
2025-Feb-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86251-0
PMID:39893234
|
研究论文 | 本文提出了一种基于深度学习和Ninja元启发式优化算法的高精度预测二氧化碳排放的新方法 | 使用DPRNNs模型结合NiOA优化算法，能够有效捕捉数据中的短期和长期时间依赖性，并通过PCA和BSS技术进行数据预处理以提高预测精度 | 研究仅针对二氧化碳排放，未涵盖其他温室气体，且未实现实时跟踪 | 开发一种高精度的二氧化碳排放预测方法 | 二氧化碳排放数据 | 机器学习 | NA | PCA, BSS, NiOA | DPRNNs | 时间序列数据 | NA | NA | NA | NA | NA |
| 17648 | 2025-02-05 |
Observational study of sudden cardiac arrest risk (OSCAR): Rationale and design of an electronic health records cohort
2025-Feb, International journal of cardiology. Heart & vasculature
DOI:10.1016/j.ijcha.2025.101614
PMID:39897418
|
研究论文 | 本文描述了基于电子健康记录（EHR）的队列研究OSCAR，旨在评估心脏骤停（SCA）的预测因素 | 利用电子健康记录（EHR）和人工智能技术（如自然语言处理和深度学习）来定义患者表型，并结合生物统计学和机器学习方法进行分析 | 研究依赖于电子健康记录的数据质量，可能存在数据缺失或不准确的问题 | 评估心脏骤停（SCA）的预测因素，改进风险预测模型 | 洛杉矶县居民，特别是那些在Cedars-Sinai健康系统（CSHS）接受常规医疗的患者 | 机器学习 | 心血管疾病 | 自然语言处理，深度学习 | NA | 电子健康记录（EHR） | 379,833名洛杉矶县居民 | NA | NA | NA | NA |
| 17649 | 2025-02-05 |
Enhancing cybersecurity via attribute reduction with deep learning model for false data injection attack recognition
2025-Jan-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82566-6
PMID:39890851
|
研究论文 | 本文提出了一种基于深度学习的属性减少技术，用于识别虚假数据注入攻击，以提高电网系统的安全性 | 引入了改进的深度信念网络（IDBN）模型和基于鲸鱼优化算法（COA）的超参数调优过程，以提高虚假数据注入攻击的检测性能 | 未提及具体的数据集大小或实验环境的具体细节 | 提高电网系统对虚假数据注入攻击的检测能力，增强电网的安全性和韧性 | 电网系统中的虚假数据注入攻击 | 机器学习 | NA | Z-score归一化，改进的Lemrus优化算法（MLOA），改进的深度信念网络（IDBN），鲸鱼优化算法（COA） | 改进的深度信念网络（IDBN） | 电网测量数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 17650 | 2025-02-03 |
Correction: Application of deep learning and feature selection technique on external root resorption identification on CBCT images
2025-Jan-31, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-024-05030-x
PMID:39891069
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17651 | 2025-02-05 |
A deep learning model for assistive decision-making during robot-aided rehabilitation therapies based on therapists' demonstrations
2025-Jan-31, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-024-01517-4
PMID:39891159
|
研究论文 | 本文提出了一种基于深度学习的模型，用于在机器人辅助康复治疗中根据治疗师的示范进行辅助决策 | 该模型能够从治疗师的标准中学习，判断患者在机器人辅助康复治疗中何时需要帮助，并通过微调个性化辅助，提高决策准确性 | 模型在测试数据集上的准确率为76.09%，仍有提升空间 | 提高机器人辅助康复治疗中的辅助决策能力 | 患有神经系统疾病的患者 | 机器学习 | 神经系统疾病 | 深度学习 | 一维卷积神经网络（CNN） | 时间序列数据 | 多样化的神经系统疾病患者 | NA | NA | NA | NA |
| 17652 | 2025-02-05 |
Towards unbiased skin cancer classification using deep feature fusion
2025-Jan-31, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02889-w
PMID:39891245
|
研究论文 | 本文介绍了SkinWiseNet (SWNet)，一种用于检测和自动分类潜在恶性皮肤癌状况的深度卷积神经网络 | SWNet通过多路径优化特征提取，强调网络宽度增强以提高效率，并通过特征融合减少与肤色和毛发相关的偏见 | NA | 提高皮肤癌检测和分类的准确性，减少与肤色和毛发相关的偏见 | 皮肤癌图像 | 计算机视觉 | 皮肤癌 | 深度学习 | CNN | 图像 | 四个公开数据集（Mnist-HAM10000, ISIC2019, ISIC2020, Melanoma Skin Cancer） | NA | NA | NA | NA |
| 17653 | 2025-02-05 |
Predicting survival in malignant glioma using artificial intelligence
2025-Jan-31, European journal of medical research
IF:2.8Q2
DOI:10.1186/s40001-025-02339-3
PMID:39891313
|
研究论文 | 本文探讨了使用人工智能技术预测恶性胶质瘤患者生存期的有效性 | 利用机器学习和深度学习技术整合多模态数据，显著提高了胶质瘤患者生存预测的准确性 | 数据异质性、可解释性挑战和计算需求，特别是在资源有限的环境中 | 评估不同AI模型在预测恶性胶质瘤患者生存期方面的比较效果 | 恶性胶质瘤患者 | 机器学习 | 脑癌 | 机器学习（ML）、深度学习（DL） | NA | 影像、临床参数、分子生物标志物 | NA | NA | NA | NA | NA |
| 17654 | 2025-10-07 |
A robust auto-contouring and data augmentation pipeline for adaptive MRI-guided radiotherapy of pancreatic cancer with a limited dataset
2025-Jan-30, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adabac
PMID:39823751
|
研究论文 | 开发并评估用于胰腺癌MRI引导放疗中危及器官的快速鲁棒深度学习自动分割方法 | 提出两种新颖的数据增强方法：结构引导的形变增强和基于循环GAN的增强，用于解决小数据集问题 | 研究样本量有限（仅10名患者的43张图像） | 克服在线自适应放疗流程中手动轮廓勾画耗时的问题 | 胰腺癌患者的危及器官 | 医学影像分析 | 胰腺癌 | MRI成像 | 深度学习分割模型 | 3D MRI图像 | 10名患者的43张3DVane图像 | nnU-Net | ResU-Net, SegResNet, nnU-Net | Dice分数, 平均表面距离, D2%, D50% | NA |
| 17655 | 2025-10-07 |
A review of state-of-the-art resolution improvement techniques in SPECT imaging
2025-Jan-30, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-025-00724-9
PMID:39883257
|
综述 | 本文系统综述了SPECT成像中提升空间分辨率的最新技术进展 | 全面总结了硬件和软件两方面的最新分辨率提升技术，特别关注了深度学习的新兴应用 | 作为综述文章，不包含原始实验数据或方法验证 | 识别SPECT分辨率增强技术的最新发展趋势 | 临床和临床前SPECT系统 | 医学影像 | 肿瘤 | SPECT成像 | NA | 医学影像数据 | NA | NA | NA | NA | NA |
| 17656 | 2025-10-07 |
MMFW-UAV dataset: multi-sensor and multi-view fixed-wing UAV dataset for air-to-air vision tasks
2025-Jan-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04482-2
PMID:39885165
|
研究论文 | 本文提出了首个针对固定翼无人机的多传感器多视角航空对空视觉数据集MMFW-UAV | 首个一对多模态固定翼无人机图像数据集，包含全视角覆盖的多传感器图像和高品质标注 | NA | 为固定翼无人机的识别、检测与监控任务提供数据支持 | 固定翼无人机 | 计算机视觉 | NA | 多传感器成像（变焦、广角、热成像） | 基于深度学习的物体检测架构 | 多模态图像 | 147,417张固定翼无人机图像 | NA | 主流物体检测架构 | NA | NA |
| 17657 | 2025-10-07 |
An optimized lightweight real-time detection network model for IoT embedded devices
2025-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88439-w
PMID:39885208
|
研究论文 | 提出并部署了一种适用于物联网嵌入式设备的优化轻量级实时检测网络模型FRYOLO | 针对物联网设备计算资源有限的问题优化了YOLOv8模型，实现了低训练成本和高检测性能的平衡 | 仅针对水果检测场景进行了验证，在其他物联网应用场景的泛化能力需要进一步测试 | 开发适用于物联网嵌入式设备的轻量级实时目标检测模型 | 生产线上的新鲜和缺陷水果 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | YOLOv8, FRYOLO | 召回率, mAP, 精确率, FPS | 物联网嵌入式设备 |
| 17658 | 2025-10-07 |
Optimized deep learning model with integrated spectrum focus transformer for pavement distress recognition and classification
2025-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88251-6
PMID:39885250
|
研究论文 | 提出一种集成频谱聚焦Transformer的优化深度学习模型，用于路面病害识别与分类 | 提出频谱聚焦Transformer层，通过分析图像频域特性对频率分量进行精细化处理，增强对路面病害区域的捕捉能力 | NA | 解决复杂路面环境下病害特征提取困难的问题，提升路面病害识别与分类性能 | 路面病害图像 | 计算机视觉 | NA | 频域分析 | Transformer, 深度学习 | 图像 | NA | NA | 频谱聚焦Transformer | 准确率 | NA |
| 17659 | 2025-10-07 |
Biomedical named entity recognition using improved green anaconda-assisted Bi-GRU-based hierarchical ResNet model
2025-Jan-30, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-024-06008-w
PMID:39885428
|
研究论文 | 提出一种改进的绿蟒蛇优化算法辅助双向GRU层次ResNet模型用于生物医学命名实体识别 | 结合改进绿蟒蛇优化算法与双向GRU层次ResNet架构，优化模型参数选择 | 需要大量标注数据集，可能难以识别文本中的长距离关系 | 解决生物医学文本挖掘中的命名实体识别挑战 | 生物医学科学文献中的命名实体 | 自然语言处理 | NA | 文本挖掘 | Bi-GRU, ResNet | 文本 | MACCROBAT数据集（来自Kaggle） | NA | Hierarchical ResNet, Bi-GRU, BERT-Whole Word Masking | 准确率 | NA |
| 17660 | 2025-10-07 |
A deep learning approach for classifying and predicting children's nutritional status in Ethiopia using LSTM-FC neural networks
2025-Jan-30, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-025-00425-0
PMID:39885567
|
研究论文 | 本研究使用LSTM-FC神经网络对埃塞俄比亚儿童营养状况进行分类和预测 | 首次将LSTM-FC神经网络应用于儿童营养状况的纵向预测，并采用SHAP进行特征选择 | 仅基于埃塞俄比亚单一国家的数据，可能缺乏跨区域泛化能力 | 解决儿童营养不良这一关键公共卫生问题，预测营养状况随时间的变化 | 埃塞俄比亚儿童营养状况 | 机器学习 | 营养不良 | 纵向队列研究 | LSTM, 全连接神经网络 | 纵向调查数据 | 1997名埃塞俄比亚儿童，2002-2016年五轮调查数据 | TensorFlow, Keras | LSTM-FC | 准确率, 召回率, F1分数 | GPU加速系统 |