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 17801 - 17820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17801 | 2025-02-03 |
A Deep Learning-Based Radiomic Classifier for Usual Interstitial Pneumonia
2024-Feb, Chest
IF:9.5Q1
DOI:10.1016/j.chest.2023.10.012
PMID:37844797
|
研究论文 | 本文开发了一种基于深度学习的放射组学分类器，用于通过胸部CT扫描诊断普通型间质性肺炎（UIP） | 利用卷积神经网络（CNN）从CT扫描中学习UIP的离散特征，并结合线性支持向量机进行预测，展示了在广泛UIP患病率下的良好测试性能 | 研究为回顾性队列研究，可能存在选择偏倚，且需要进一步验证在更广泛人群中的适用性 | 开发一种基于深度学习的工具，用于标准化CT扫描解释，以诊断普通型间质性肺炎（UIP） | 患有和未患有间质性肺病（ILD）的个体的胸部CT扫描 | 计算机视觉 | 间质性肺病 | 深度学习 | 卷积神经网络（CNN） | 图像 | 共2,907例胸部CT扫描，包括训练集（n=1,934）、验证集（n=408）和性能测试集（n=565） | NA | NA | NA | NA |
| 17802 | 2025-02-03 |
Movienet: Deep space-time-coil reconstruction network without k-space data consistency for fast motion-resolved 4D MRI
2024-Feb, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29892
PMID:37849064
|
研究论文 | 本文提出了一种名为Movienet的深度学习新方法，用于4D-MRI重建，通过利用空间-时间-线圈相关性和运动保留而非k空间数据一致性，加速黄金角度径向数据的采集，并实现动态MRI中的亚秒级重建时间 | Movienet采用U-net架构，通过修改的残差学习块在图像域中完全操作，以去除混叠伪影并重建无混叠的运动分辨4D图像，同时通过线性运动顺序排序输入图像和参考图像来强制运动保留 | NA | 开发一种新的深度学习方法来加速4D-MRI的重建，以在临床环境中实现快速运动抵抗的3D解剖成像或运动分辨的4D成像 | 腹部肿瘤的运动分辨4D MRI和运动抵抗3D MRI | 医学影像 | 腹部肿瘤 | 深度学习 | U-net | MRI图像 | 在1.5T MR-Linac和3T MRI扫描仪上进行了演示 | NA | NA | NA | NA |
| 17803 | 2025-02-03 |
Investigating pulse-echo sound speed estimation in breast ultrasound with deep learning
2024-Feb, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2023.107179
PMID:37939413
|
研究论文 | 本文提出了一种基于深度学习的监督学习方法，用于从分析超声信号中估计声速，以提高乳腺超声图像的质量和疾病识别能力 | 提出了一种新的深度学习方法来估计乳腺超声中的声速，通过模拟数据集训练全卷积神经网络，生成估计的声速图 | 模型主要基于模拟数据进行训练，尽管在模拟、幻影和体内乳腺超声数据上进行了评估，但在真实临床数据上的表现仍需进一步验证 | 提高乳腺超声图像的质量和疾病识别能力 | 乳腺组织，包括腺体组织、脂肪和病变 | 计算机视觉 | 乳腺癌 | 深度学习 | 全卷积神经网络 | 超声信号 | 大规模模拟超声数据集，包括模拟乳腺组织样本、幻影和体内乳腺超声数据 | NA | NA | NA | NA |
| 17804 | 2025-02-03 |
Magnetic Resonance Imaging-Based Assessment of Pancreatic Fat Strongly Correlates With Histology-Based Assessment of Pancreas Composition
2024-Feb-01, Pancreas
IF:1.7Q3
DOI:10.1097/MPA.0000000000002288
PMID:38194643
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17805 | 2025-10-07 |
Deep learning and optimization enabled multi-objective for task scheduling in cloud computing
2025-Feb, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2391395
PMID:39163538
|
研究论文 | 提出一种结合多目标优化和深度学习模型的云计算任务调度方法 | 提出混合分数火烈鸟甲虫优化算法(FFBO)和深度前馈神经网络融合长短期记忆网络(DFNN-LSTM)的新型任务调度模型 | NA | 优化云计算环境中的任务调度性能 | 云计算任务调度 | 机器学习 | NA | 深度学习 | DRN, DFNN, LSTM | 任务参数和虚拟机参数 | NA | NA | 深度残差网络, 深度前馈神经网络, 长短期记忆网络 | 完工时间, 能耗, 资源利用率 | NA |
| 17806 | 2025-10-07 |
Optimized deep maxout for crowd anomaly detection: A hybrid optimization-based model
2025-Feb, Network (Bristol, England)
DOI:10.1080/0954898X.2024.2392772
PMID:39302211
|
研究论文 | 提出一种基于混合优化的深度maxout网络用于人群异常检测 | 结合视觉注意力检测与优化的深度maxout网络，并采用新型BRCASO算法进行权重优化 | NA | 开发高效的人群异常检测方法 | 监控视频中的人群行为 | 计算机视觉 | NA | NA | 深度maxout网络 | 视频 | NA | Python | 优化深度maxout网络 | 检测准确率 | NA |
| 17807 | 2025-10-07 |
Preparing for downstream tasks in artificial intelligence for dental radiology: a baseline performance comparison of deep learning models
2025-Feb-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae056
PMID:39563402
|
研究论文 | 比较卷积神经网络、视觉变换器和门控多层感知器在牙科放射影像分类任务中的性能表现 | 首次在牙科放射学领域系统比较CNN、ViT和gMLP三种深度学习架构的性能 | 研究仅使用回顾性收集的二维锥形束CT图像数据 | 评估不同深度学习模型在牙科放射影像分类任务中的表现 | 牙科结构放射影像，包括上颌窦、切牙、颏孔和下颌第三磨牙与下牙槽神经管的位置关系 | 计算机视觉 | 牙科疾病 | 锥形束计算机断层扫描 | CNN, ViT, gMLP | 图像 | NA | NA | 卷积神经网络, 视觉变换器, 门控多层感知器 | 灵敏度, 特异度, 精确度, 准确率, F1分数, AUC-ROC曲线, 精确率-召回率曲线 | NA |
| 17808 | 2025-10-07 |
On-chip deep residual photonic neural networks using optical-electrical shortcut connections
2025-Feb-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.549158
PMID:39888773
|
研究论文 | 提出一种采用光电快捷连接的片上深度残差光子神经网络架构，解决深度光子神经网络训练中的梯度消失和爆炸问题 | 首次在片上光子神经网络中引入光电快捷连接机制，通过功率分配器、波长解复用器和光电探测器直接连接光学权重层的输入输出 | NA | 解决深度光子神经网络训练中的梯度问题，提升网络性能 | 片上光子神经网络 | 机器学习 | NA | 光电混合计算 | 残差神经网络 | 图像数据 | CIFAR-10和CIFAR-100数据集 | NA | Res-PNN | 分类准确率 | NA |
| 17809 | 2025-10-07 |
Femtojoule optical nonlinearity for deep learning with incoherent illumination
2025-Jan-31, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.ads4224
PMID:39888986
|
研究论文 | 本文提出了一种与不相干照明兼容的非线性光学微器件阵列，用于实现低功耗光学神经网络 | 通过将液晶单元与硅光电二极管在单像素级别集成，实现了低至100飞焦耳/像素的超低开关能量非线性光学器件 | NA | 开发适用于光学神经网络的高能效、高度并行的光学非线性组件 | 光学神经网络中的非线性激活函数器件 | 计算机视觉 | NA | 光学器件集成技术 | 光学神经网络 | 光学图像 | 超过50万个像素的器件阵列 | NA | 多层神经网络 | 开关能量（100飞焦耳/像素） | NA |
| 17810 | 2025-10-07 |
Versatile waste sorting in small batch and flexible manufacturing industries using deep learning techniques
2025-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87226-x
PMID:39885307
|
研究论文 | 本研究提出基于Segment Anything Model系列架构的两步式通用视觉废物分拣方法 | 结合SAM系列模型进行废物对象提取与多种分类架构进行精确分拣，无需开发专用检测分割算法 | NA | 评估深度学习架构在机器人废物分拣中处理高度可变物体的能力 | 工业废物分拣 | 计算机视觉 | NA | 深度学习 | SAM系列模型,CNN | 图像 | NA | NA | Segment Anything Model,FastSAM,MobileSAMv2,EfficientSAM,MobileNetV2,VGG19,DenseNet,SqueezeNet,ResNet,Inception-v3 | 准确率 | NA |
| 17811 | 2025-10-07 |
Multi-modal framework for battery state of health evaluation using open-source electric vehicle data
2025-Jan-29, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56485-7
PMID:39880811
|
研究论文 | 提出基于深度学习的多模态框架，利用开源电动汽车数据评估电池健康状态 | 首次分析300辆电动汽车三年运行数据，揭示现场数据与实验室数据的差异对健康状态评估的影响，并提出多模态深度学习框架 | 研究基于特定电动汽车数据集，未明确说明模型在其他车型或环境下的泛化能力 | 开发高效、准确且成本效益高的电池健康状态评估方法 | 300辆不同类型电动汽车的电池系统 | 机器学习 | NA | 深度学习 | 深度学习模型 | 多模态传感器数据，历史车辆运行数据 | 300辆电动汽车的三年运行数据 | NA | 多模态深度学习框架 | NA | NA |
| 17812 | 2025-10-07 |
Enhanced hybrid attention deep learning for avocado ripeness classification on resource constrained devices
2025-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87173-7
PMID:39880865
|
研究论文 | 提出一种混合注意力卷积神经网络模型用于在资源受限设备上实现鳄梨成熟度分类 | 结合空间、通道和自注意力模块的混合注意力机制，在保持模型轻量化的同时增强局部特征并捕获全局关系 | ShuffleNetV1版本测试准确率仅82.89%，不足以满足实际应用需求 | 开发适用于资源受限设备的鳄梨成熟度分类深度学习模型 | 鳄梨果实 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 14000张图像 | TensorFlow, TensorFlow Lite | EfficientNet-B3, ShuffleNetV1, MobileNetV3 Large | 准确率 | 智能手机（具体型号未指定） |
| 17813 | 2025-10-07 |
Learning by making - student-made models and creative projects for medical education: systematic review with qualitative synthesis
2025-Jan-29, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-025-06716-8
PMID:39881268
|
系统综述 | 对医学生通过制作创意项目（如手工模型、绘图和概念图）进行学习的效果进行系统评价和定性综合 | 首次系统评价创意项目式学习对医学生元认知和知识获取的影响，并识别出增强学习、协作学习和深度学习等关键主题 | 纳入研究数量有限（17项），存在任务要求高、认知情感强度大、与学生专业身份不匹配等挑战 | 评估创意项目式学习在医学教育中对学生元认知和知识获取的影响 | 医学生 | 医学教育 | NA | 系统评价、内容分析、叙事综合 | NA | 定量、定性和混合方法研究数据 | 17项研究（2010-2022年发表） | NA | NA | 混合方法评估工具（MMAT） | NA |
| 17814 | 2025-10-07 |
Enhancing furcation involvement classification on panoramic radiographs with vision transformers
2025-Jan-29, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-05431-6
PMID:39881302
|
研究论文 | 本研究评估了Vision Transformer在全景X光片上分类根分叉病变的性能，并与传统深度学习模型进行比较 | 首次将Vision Transformer应用于根分叉病变分类任务，并证明其优于传统深度学习模型 | 研究样本量相对有限，仅包含1,568张牙齿图像 | 评估Vision Transformer在全景X光片上分类根分叉病变的性能 | 从506张全景X光片中获取的1,568张牙齿图像 | 计算机视觉 | 牙科疾病 | 全景X光成像 | Vision Transformer, MLP, CNN | 医学图像 | 1,568张牙齿图像（来自506张全景X光片） | NA | Vision Transformer, VGGNet, GoogLeNet, MLP | 准确率, 精确率, 召回率, F1分数, 交叉熵损失, AUC | NA |
| 17815 | 2025-10-07 |
Deep Learning Prediction of Drug-Induced Liver Toxicity by Manifold Embedding of Quantum Information of Drug Molecules
2025-Jan, Pharmaceutical research
IF:3.5Q2
DOI:10.1007/s11095-024-03800-4
PMID:39663331
|
研究论文 | 本文提出了一种通过分子表面流形嵌入量子信息来预测药物诱导肝毒性的深度学习方法 | 利用分子表面电子属性的流形嵌入作为分子表示，将量子信息编码用于深度学习的药物毒性预测 | NA | 开发基于深度学习的药物诱导肝毒性预测方法 | 药物分子 | 机器学习 | 药物性肝损伤 | 量子化学计算，流形嵌入 | 深度学习 | 分子电子属性数据 | NA | NA | NA | 交叉验证 | NA |
| 17816 | 2025-10-07 |
Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT
2025-Jan, Radiology
IF:12.1Q1
DOI:10.1148/radiol.233029
PMID:39835976
|
研究论文 | 开发并评估基于集成深度学习的模型，用于自动检测和分割CT扫描中的肺部肿瘤 | 采用3D U-Net图像多分辨率集成方法平衡体积上下文与分辨率，实现稳健的肿瘤检测和分割 | 回顾性研究设计，需要进一步前瞻性验证 | 自动化CT扫描中肺部肿瘤的识别和分割 | CT模拟扫描和临床肺部肿瘤分割数据 | 计算机视觉 | 肺癌 | CT扫描 | 深度学习 | 3D医学图像 | 1,504个CT扫描用于训练，150个CT扫描用于测试 | NA | 3D U-Net | 灵敏度, 特异度, 假阳性率, Dice相似系数 | NA |
| 17817 | 2025-10-07 |
Deep Learning-Based Identification of Echocardiographic Abnormalities From Electrocardiograms
2025-Jan, JACC. Asia
DOI:10.1016/j.jacasi.2024.10.012
PMID:39886205
|
研究论文 | 开发基于深度学习的模型，从心电图综合预测超声心动图异常 | 首次使用深度学习模型从心电图全面预测12种超声心动图发现，涵盖左心异常、瓣膜性心脏病和右心异常 | 研究仅包含8个中心的数据，外部验证中心较少 | 开发能够从心电图全面预测超声心动图异常的深度学习模型 | 229,439对配对的心电图和超声心动图数据集 | 机器学习 | 心血管疾病 | 心电图，超声心动图 | CNN，逻辑回归 | 心电图信号，超声心动图数据 | 229,439对配对数据，来自8个中心 | NA | 卷积神经网络 | AUC，准确率，灵敏度，特异性 | NA |
| 17818 | 2025-10-07 |
Automated recognition and segmentation of lung cancer cytological images based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317996
PMID:39888907
|
研究论文 | 基于YOLOv8算法开发用于肺癌细胞学图像自动识别和分割的深度学习模型 | 首次将YOLOv8算法应用于肺癌细胞学图像的实例分割，实现像素级标注和快速定位 | NA | 开发自动化的肺癌细胞学图像识别和分割方法，提高诊断效率和一致性 | 肺部病变的细胞学图像，包括胸水细胞学和支气管肺泡灌洗液细胞学图像 | 计算机视觉 | 肺癌 | 细胞学检查 | YOLO | 图像 | NA | NA | YOLOv8 | 平均像素精度, 平均交并比, 准确率, AUC | NA |
| 17819 | 2025-10-07 |
GGSYOLOv5: Flame recognition method in complex scenes based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317990
PMID:39888970
|
研究论文 | 提出一种基于深度学习的复杂场景火焰识别方法GGSYOLOv5 | 在YOLOv5网络中引入全局注意力机制和无参数注意力机制，并使用分组随机卷积替换原始卷积 | NA | 开发能够在复杂场景中实时准确识别火焰的检测系统 | 火焰图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | PyTorch | YOLOv5, GGSYOLOv5 | 准确率, FPS | Jetson Nano嵌入式开发板 |
| 17820 | 2025-10-07 |
GMDIC: a digital image correlation measurement method based on global matching for large deformation displacement fields
2024-Nov-01, Journal of the Optical Society of America. A, Optics, image science, and vision
DOI:10.1364/JOSAA.533551
PMID:39889089
|
研究论文 | 提出一种基于深度学习的全局匹配数字图像相关方法GMDIC，用于测量复杂大变形位移场 | 结合多头注意力Swin-Transformer和高效通道注意力模块ECA，在特征中添加位置信息以增强特征表示能力 | NA | 改进数字图像相关方法在大变形位移场测量中的精度和效率 | 散斑图像的位移场测量 | 计算机视觉 | NA | 数字图像相关方法 | 深度学习 | 散斑图像 | 包含各种类型散斑图像和复杂变形的位移场数据集 | NA | Swin-Transformer, ECA | 位移预测精度 | NA |