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 32939 篇文献，本页显示第 17761 - 17780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17761 | 2025-02-05 |
Challenges issues and future recommendations of deep learning techniques for SARS-CoV-2 detection utilising X-ray and CT images: a comprehensive review
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2517
PMID:39896401
|
综述 | 本文全面回顾了截至2024年5月使用深度学习技术进行基于影像的SARS-CoV-2诊断的研究，涵盖了数据来源、预处理方法、深度学习技术分类、研究结果、研究空白和性能评估 | 本文不仅综述了现有研究，还通过实验比较了12种当代深度学习技术，发现MobileNetV3模型在SARS-CoV-2影像检测中表现最佳，准确率达到98.11% | 本文主要关注影像数据的深度学习应用，未涉及其他类型的数据或诊断方法 | 探讨深度学习技术在基于影像的SARS-CoV-2诊断中的应用及其未来发展方向 | SARS-CoV-2的X射线和CT影像 | 计算机视觉 | COVID-19 | 深度学习 | MobileNetV3, 其他深度学习模型 | 影像 | NA | NA | NA | NA | NA |
| 17762 | 2025-02-05 |
A comprehensive analysis and performance evaluation for osteoporosis prediction models
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2338
PMID:39896405
|
研究论文 | 本文通过深度学习技术，利用NHANES 2017-2020数据集预测骨质疏松症的发生，并比较了不同特征选择方法和神经网络模型的性能 | 本研究创新地应用了互信息（MI）和递归特征消除（RFE）两种特征选择方法，结合多种深度学习模型（如CNN、RNN等），在非图像医学数据上实现了高精度的骨质疏松症预测 | 研究仅基于NHANES 2017-2020数据集，可能无法完全代表其他人群或更广泛的数据集 | 通过深度学习技术提高骨质疏松症的预测准确性，以辅助医疗决策 | NHANES 2017-2020数据集中的SpineOsteo和FemurOsteo数据 | 机器学习 | 骨质疏松症 | 深度学习 | CNN, RNN, 序列深度神经网络 | 非图像医学数据 | NHANES 2017-2020数据集 | NA | NA | NA | NA |
| 17763 | 2025-02-05 |
Golden eagle optimized CONV-LSTM and non-negativity-constrained autoencoder to support spatial and temporal features in cancer drug response prediction
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2520
PMID:39896419
|
研究论文 | 本文提出了一种结合非负约束自编码器（NNCAE）和金鹰优化卷积长短期记忆神经网络（GEO-Conv-LSTM）的混合分类器，用于癌症药物反应预测 | 创新点在于使用NNCAE处理噪声和类别不平衡问题，并通过GEO算法优化Conv-LSTM模型的参数，提高了药物反应预测的准确性和处理效率 | 未明确提及具体局限性 | 研究目的是提高癌症药物反应预测的准确性和处理效率 | 研究对象是癌症药物反应预测 | 机器学习 | 癌症 | NNCAE, GEO-Conv-LSTM | CNN, LSTM | 基因组数据 | 来自GDSC数据库的两个大型数据集 | NA | NA | NA | NA |
| 17764 | 2025-02-05 |
The potential of short-wave infrared hyperspectral imaging and deep learning for dietary assessment: a prototype on predicting closed sandwiches fillings
2024, Frontiers in nutrition
IF:4.0Q2
DOI:10.3389/fnut.2024.1520674
PMID:39897532
|
研究论文 | 本文探讨了短波红外高光谱成像和深度学习在家庭自制餐食饮食评估中的适用性，通过构建一个原型系统来自动检测封闭三明治中的食物成分 | 首次将短波红外高光谱成像与机器学习结合，用于家庭自制餐食的饮食评估，特别是封闭三明治的食物成分检测 | 模型在预测可涂抹馅料时表现较差，可能过于关注结构特征而非营养成分 | 开发一种不干扰自然饮食习惯的饮食摄入准确测量方法 | 封闭三明治中的食物成分 | 计算机视觉 | NA | 短波红外高光谱成像 | PLS-DA, 多分类器, 简单神经网络 | 高光谱图像 | 24张高光谱图像 | NA | NA | NA | NA |
| 17765 | 2025-02-05 |
An explainable Bi-LSTM model for winter wheat yield prediction
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1491493
PMID:39898259
|
研究论文 | 本研究开发了一种可解释的Bi-LSTM模型，用于冬小麦产量预测，结合了深度学习和解释性技术 | 首次在区域尺度上应用Bi-LSTM模型进行作物产量预测，并结合LIME、IG和SHAP等解释性技术，提供了模型决策过程的直观见解 | 研究主要关注冬小麦，未涉及其他作物，且模型的解释性分析可能受限于所选解释性技术的局限性 | 开发一种可解释的深度学习模型，用于准确预测作物产量并提供预测解释 | 冬小麦 | 机器学习 | NA | 深度学习 | Bi-LSTM, LSTM, 1D CNN | 时间序列数据 | 未明确说明样本数量，但涉及多个区域和产量数据范围 | NA | NA | NA | NA |
| 17766 | 2025-02-05 |
Research on the quantification and automatic classification method of Chinese cabbage plant type based on point cloud data and PointNet+
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1458962
PMID:39898272
|
研究论文 | 本文提出了一种基于点云数据和PointNet++深度学习算法的大白菜株型快速准确量化和自动分类方法 | 结合点云数据处理和深度学习算法PointNet++，首次实现了大白菜株型的快速准确量化和自动分类 | 目前的方法主要依赖于点云数据，可能在实际应用中受到数据采集条件的限制 | 开发一种能够快速准确量化和分类大白菜株型的方法，以提高作物管理和育种效率 | 大白菜株型 | 计算机视觉 | NA | 点云数据处理，深度学习 | PointNet++ | 点云数据 | 未明确说明样本数量 | NA | NA | NA | NA |
| 17767 | 2025-10-07 |
Deep-learning CT reconstruction in clinical scans of the abdomen: a systematic review and meta-analysis
2023-08, Abdominal radiology (New York)
DOI:10.1007/s00261-023-03966-2
PMID:37280374
|
系统综述与荟萃分析 | 对腹部CT扫描中两种商用深度学习重建算法进行系统评价和荟萃分析 | 首次对商用深度学习CT重建算法(True Fidelity和AiCE)在腹部扫描中的应用进行系统性评估 | 仅评估了单一厂商的双能量CT，需要更多剂量水平和临床适应症的评估 | 评估深度学习CT重建算法在腹部扫描中的图像质量和辐射剂量优化效果 | 人体腹部CT扫描 | 医学影像分析 | 腹部疾病 | CT扫描 | 深度学习重建算法 | CT图像 | 44篇符合纳入标准的研究(32篇评估TF，12篇评估AiCE) | NA | True Fidelity, Advanced intelligent Clear-IQ Engine (AiCE) | 噪声降低率, 对比噪声比, 病灶检测能力, 辐射剂量降低潜力 | NA |
| 17768 | 2025-10-07 |
Predicting pathological complete response to neoadjuvant systemic therapy for triple-negative breast cancers using deep learning on multiparametric MRIs
2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC40787.2023.10340987
PMID:38083160
|
研究论文 | 开发基于深度学习的多参数MRI模型预测三阴性乳腺癌新辅助系统治疗的病理完全缓解 | 首次结合治疗前和治疗中多个时间点的多参数MRI序列（DCE-MRI和DWI），利用深度学习早期预测TNBC患者对新辅助系统治疗的反应 | NA | 预测三阴性乳腺癌患者对新辅助系统治疗的病理完全缓解反应 | 三阴性乳腺癌患者 | 计算机视觉 | 乳腺癌 | 动态对比增强MRI, 扩散加权成像 | 深度学习 | 医学影像 | NA | NA | NA | AUC | NA |
| 17769 | 2024-12-28 |
Network embedding: The bridge between water distribution network hydraulics and machine learning
2025-Apr-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2024.123011
PMID:39721501
|
研究论文 | 本文提出了一种新的水分配网络嵌入（WDNE）方法，将水分配网络的液压关系转化为适合机器学习算法的向量形式 | 提出了WDNE方法，首次将水分配网络的液压特性有效整合到机器学习中，并通过两种深度自编码器嵌入模型同时保留液压关系和属性信息 | 未提及具体局限性 | 解决水分配网络管理问题，提升机器学习算法在水分配网络中的应用效率 | 水分配网络（WDNs） | 机器学习 | NA | 深度自编码器嵌入模型 | 自编码器 | 网络拓扑数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 17770 | 2025-10-07 |
Brain tumor detection and segmentation using deep learning
2025-Feb, Magma (New York, N.Y.)
DOI:10.1007/s10334-024-01203-5
PMID:39231857
|
研究论文 | 本研究比较了不同目标检测算法在脑肿瘤检测中的性能，并提出将最佳检测网络与2D U-Net结合用于肿瘤分割 | 首次系统比较Faster R-CNN、YOLO和SSD在脑肿瘤检测中的性能，并提出YOLOv5与2D U-Net级联的新方法 | 研究主要基于特定数据集（BTF和BRATS 2018），在其他数据集上的泛化能力有待验证 | 开发准确的脑肿瘤检测、分类和分割方法 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | CNN | 医学图像 | BTF数据集和BRATS 2018数据集 | NA | Faster R-CNN, YOLOv5, SSD, 2D U-Net, Mask R-CNN | mAP, DSC | NA |
| 17771 | 2025-02-04 |
A comprehensive review on early detection of drusen patterns in age-related macular degeneration using deep learning models
2025-Feb, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2024.104454
PMID:39716627
|
综述 | 本文综述了使用深度学习模型早期检测年龄相关性黄斑变性（AMD）中玻璃膜疣模式的全面研究 | 提出了一种基于深度学习的模型，通过结合局部和全局知识来优化AMD早期阶段的玻璃膜疣检测 | 现有模型由于眼底图像分辨率问题，难以准确预测玻璃膜疣区域 | 研究目的是通过深度学习技术早期检测AMD中的玻璃膜疣模式 | 研究对象是年龄相关性黄斑变性（AMD）患者的眼底图像 | 计算机视觉 | 老年疾病 | 深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 17772 | 2025-02-04 |
Multi-Dimensional Features Extraction for Voice Pathology Detection Based on Deep Learning Methods
2025-Feb-01, Journal of voice : official journal of the Voice Foundation
IF:2.5Q1
DOI:10.1016/j.jvoice.2024.12.048
PMID:39894721
|
研究论文 | 本文提出了一种基于深度学习的多维特征提取方法，用于语音病理检测 | 提出了一种结合Gammatonegram特征与TKEO Scalogram特征的特征提取方案，命名为CGT Scalogram | NA | 提高语音病理检测的准确性 | 健康语音与病理语音 | 自然语言处理 | 语音障碍 | 深度学习 | ResNet | 语音信号 | Saarbrucken语音数据库 | NA | NA | NA | NA |
| 17773 | 2025-02-04 |
Enhancing feature-aided data association tracking in passive sonar arrays: An advanced Siamese network approach
2025-Feb-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0035577
PMID:39898705
|
研究论文 | 本文提出了一种基于Siamese网络的高级网络BiChannel-SiamDinoNet，用于改进被动声纳阵列中的特征辅助数据关联跟踪方法 | 提出了BiChannel-SiamDinoNet网络，结合Siamese网络和联合概率数据关联框架，通过声学目标的特征结构形成嵌入空间，使系统对变化更加鲁棒，并能有效区分测量和目标之间的差异 | 未提及具体局限性 | 改进被动声纳阵列中的多目标跟踪方法，提高在复杂海洋场景中的性能 | 被动声纳阵列中的多目标跟踪 | 机器学习 | NA | 深度学习 | Siamese网络 | 声学信号 | 未提及具体样本数量 | NA | NA | NA | NA |
| 17774 | 2025-10-07 |
A combined model integrating radiomics and deep learning based on multiparametric magnetic resonance imaging for classification of brain metastases
2025-Jan, Acta radiologica (Stockholm, Sweden : 1987)
DOI:10.1177/02841851241292528
PMID:39552295
|
研究论文 | 本研究开发了一种结合影像组学和深度学习的多参数MRI模型，用于区分肺腺癌和非肺腺癌脑转移瘤 | 首次将影像组学与深度学习通过分类概率平均方法结合，构建深度迁移学习影像组学模型 | 回顾性研究设计，样本来源单一 | 探索基于多参数MRI的深度迁移学习影像组学在脑转移瘤分类中的可行性 | 342名患者的1389个脑转移瘤病灶 | 医学影像分析 | 脑转移瘤 | 多参数磁共振成像 | CNN, 机器学习算法 | 医学影像 | 342名患者，1389个脑转移瘤病灶（训练集273人/1179病灶，测试集69人/210病灶） | NA | 预训练卷积神经网络 | AUC, 校准曲线, 决策曲线分析 | NA |
| 17775 | 2025-02-03 |
Automating container damage detection with the YOLO-NAS deep learning model
2025 Jan-Mar, Science progress
IF:2.6Q2
DOI:10.1177/00368504251314084
PMID:39887245
|
研究论文 | 本研究利用YOLO-NAS深度学习模型自动化检测集装箱损伤，以提高全球供应链中的产品质量、物流效率和安全性 | 首次将YOLO-NAS模型应用于集装箱损伤检测，解决了海港复杂条件下的高速、高精度需求 | 尽管YOLO-NAS在实时评估能力上表现优异，但其他模型如Fmask-RCNN和MobileNetV2在训练精度上较高，但缺乏实时评估能力 | 开发自动化集装箱损伤检测解决方案，以提高港口物流的效率和安全性 | 集装箱损伤检测 | 计算机视觉 | NA | 深度学习 | YOLO-NAS | 图像 | NA | NA | NA | NA | NA |
| 17776 | 2024-08-07 |
Correction to: Prediction of protein-ligand binding affinity via deep learning models
2024-May-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae310
PMID:38888458
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17777 | 2025-10-07 |
Prediction of protein-ligand binding affinity via deep learning models
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae081
PMID:38446737
|
综述 | 本文综述了基于深度学习的蛋白质-配体结合亲和力预测方法 | 系统梳理了深度学习在蛋白质-配体结合亲和力预测中的应用现状与挑战 | 当前深度学习模型仍面临数据库质量低、输入表示不准确和模型架构不合适等限制 | 预测蛋白质与配体之间的结合亲和力 | 蛋白质-配体复合物 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质结构数据、配体数据 | NA | NA | NA | NA | NA |
| 17778 | 2025-10-07 |
Self-supervised deep learning of gene-gene interactions for improved gene expression recovery
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae031
PMID:38349062
|
研究论文 | 提出一种利用基因-基因相互作用的自监督深度学习方法来改进单细胞RNA测序数据的基因表达恢复 | 通过将基因重新定位到反映交互关系的2D网格中，并采用自监督2D卷积神经网络提取交互特征 | 未明确说明模型对特定生物背景的泛化能力 | 解决单细胞RNA测序中基因表达值缺失的插补问题 | 单细胞RNA测序数据中的基因表达值 | 生物信息学 | NA | 单细胞RNA测序(scRNA-seq) | CNN | 基因表达数据 | 模拟和实验scRNA-seq数据集 | NA | 2D卷积神经网络 | NA | NA |
| 17779 | 2025-10-07 |
scAMAC: self-supervised clustering of scRNA-seq data based on adaptive multi-scale autoencoder
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae068
PMID:38426327
|
研究论文 | 提出一种基于自适应多尺度自编码器的单细胞RNA测序数据自监督聚类方法scAMAC | 采用多尺度注意力机制融合编码器、隐藏层和解码器的特征信息，并引入自适应反馈机制监督参数更新 | NA | 开发单细胞RNA测序数据的聚类方法 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 自编码器 | 基因表达数据 | NA | NA | 自适应多尺度自编码器 | 聚类性能, 数据重建性能 | NA |
| 17780 | 2025-10-07 |
Diff-AMP: tailored designed antimicrobial peptide framework with all-in-one generation, identification, prediction and optimization
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae078
PMID:38446739
|
研究论文 | 开发了一个名为Diff-AMP的集成深度学习框架，用于自动化抗菌肽的生成、识别、属性预测和迭代优化 | 创新性地将动力学扩散和注意力机制整合到强化学习框架中，并首次将AMP生成、筛选、属性预测和迭代优化任务集成到统一框架中 | 未明确说明模型的具体性能限制和适用范围 | 开发一个全功能的抗菌肽设计和优化框架 | 抗菌肽(AMPs) | 机器学习 | NA | 深度学习 | 扩散模型,注意力机制,强化学习,CNN | 肽序列数据 | NA | NA | 基于扩散和注意力机制的生成模型,卷积神经网络 | NA | NA |