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 33853 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2025-10-31 |
Correspondence on 'Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings'
2025-Oct-28, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2025.105880
PMID:41161129
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 162 | 2025-11-15 |
DeepCMS: A Feature Selection-Driven Model for Cancer Molecular Subtyping with a Case Study on Testicular Germ Cell Tumors
2025-Oct-28, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15212730
PMID:41226022
|
研究论文 | 提出一种基于特征选择的深度学习框架DeepCMS，用于癌症分子分型分类 | 结合前馈神经网络、基因集富集分析和特征选择构建代表性特征子集 | 使用结肠癌基因表达数据开发，但可推广到其他基因表达数据 | 开发准确的癌症分子分型分类框架 | 睾丸生殖细胞肿瘤和其他癌症的分子亚型 | 机器学习 | 癌症 | 基因表达分析，基因集富集分析 | 前馈神经网络 | 基因表达数据 | NA | NA | 前馈神经网络 | 准确率，灵敏度，特异性，平衡准确率 | NA |
| 163 | 2025-11-15 |
Transforming Endoscopic Image Classification with Spectrum-Aided Vision for Early and Accurate Cancer Identification
2025-Oct-28, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15212732
PMID:41226023
|
研究论文 | 本研究探讨了光谱辅助视觉增强器(SAVE)在食管癌内镜图像分类中的诊断效果，并与传统成像技术进行比较 | 首次将高光谱成像技术SAVE应用于内镜图像分类，通过波段选择增强特征提取，提高食管癌早期诊断准确性 | 数据集仅来自单一医疗中心，样本量相对有限，需要更多外部验证 | 评估高光谱成像技术在内镜图像分类中的诊断性能，提高食管癌早期识别准确率 | 食管疾病内镜图像 | 计算机视觉 | 食管癌 | 高光谱成像(HSI)，白光成像(WLI)，窄带成像(NBI) | 逻辑回归，CNN，目标检测模型 | 图像 | 2400张图像，涵盖8种疾病类型 | NA | VGG16，YOLOv8，MobileNetV2 | 精确率，召回率，F1分数，准确率 | NA |
| 164 | 2025-11-15 |
CaneFocus-Net: A Sugarcane Leaf Disease Detection Model Based on Adaptive Receptive Field and Multi-Scale Fusion
2025-Oct-28, Sensors (Basel, Switzerland)
DOI:10.3390/s25216628
PMID:41228851
|
研究论文 | 提出一种基于自适应感受野和多尺度融合的甘蔗叶部病害检测模型CaneFocus-Net | 引入轻量级跨阶段特征融合模块、通道-空间自适应校准机制与多尺度池化聚合模块，扩展高分辨率浅层特征层并采用分阶段自适应非线性优化策略 | NA | 实现复杂田间环境下甘蔗叶部病害的早期精准检测 | 甘蔗叶部病害 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | NA | NA | CaneFocus-Net, 单阶段检测架构 | 准确率, 召回率, mAP50, mAP50-95 | NA |
| 165 | 2025-11-02 |
Pulmonary function estimation using smartphone audio and deep learning
2025-Oct-27, Jornal brasileiro de pneumologia : publicacao oficial da Sociedade Brasileira de Pneumologia e Tisilogia
IF:2.9Q2
DOI:10.36416/1806-3756/e20250003
PMID:41172409
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 166 | 2025-11-15 |
Hierarchical Multi-Stage Attention and Dynamic Expert Routing for Explainable Gastrointestinal Disease Diagnosis
2025-Oct-27, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15212714
PMID:41226006
|
研究论文 | 提出GID-Xpert深度学习框架，通过分层多阶段注意力和动态专家路由实现可解释的胃肠道疾病诊断 | 集成分层多阶段注意力驱动的专家混合模型与动态路由机制，结合空间-通道注意力与专家块 specialization，自适应选择专家路径提升表示质量 | 在GastroEndoNet数据集上性能相对较低（75.32%），未提及外部验证或临床部署挑战 | 提高胃肠道疾病分类的特征学习能力、准确性和可解释性 | 胃肠道疾病诊断 | 计算机视觉 | 胃肠道疾病 | 深度学习 | 注意力机制, 专家混合模型 | 医学图像 | 三个基准数据集：WCEBleedGen、GastroEndoNet和KAUHC数据集 | NA | 分层多阶段注意力架构，动态专家路由 | 准确率 | NA |
| 167 | 2025-11-15 |
From Innovation to Application: Can Emerging Imaging Techniques Transform Breast Cancer Diagnosis?
2025-Oct-27, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15212718
PMID:41226009
|
综述 | 本文综述了六种新兴成像技术在乳腺癌诊断中的应用潜力 | 系统比较了光学相干断层扫描、拉曼光谱、光声成像等六种新兴成像技术相对于传统诊断方法的优势 | 大多数技术尚未应用于标准临床实践，需要验证、标准化和大规模临床试验 | 评估新兴成像技术在乳腺癌诊断中的转化应用前景 | 乳腺癌诊断成像技术 | 医学影像 | 乳腺癌 | 光学相干断层扫描, 拉曼光谱, 光声成像, 高光谱成像, 对比增强光谱乳腺摄影, 多光谱成像 | NA | 医学影像数据 | NA | NA | NA | 灵敏度, 特异性, 诊断准确率 | NA |
| 168 | 2025-11-15 |
Lightweight Deep Learning Models with Explainable AI for Early Alzheimer's Detection from Standard MRI Scans
2025-Oct-26, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15212709
PMID:41226002
|
研究论文 | 开发轻量级深度学习模型用于从标准MRI扫描中早期检测阿尔茨海默病 | 结合计算高效的轻量级模型与可解释AI方法，为资源受限的临床环境提供早期AD检测工具 | 仅使用标准结构MRI的2D切片，未涉及更先进的神经影像工具 | 开发可访问且可解释的神经影像工具以支持早期阿尔茨海默病诊断 | 认知正常(CN)、早期轻度认知障碍(EMCI)和晚期轻度认知障碍(LMCI)患者 | 数字病理 | 阿尔茨海默病 | 结构磁共振成像(MRI) | CNN | 图像 | 未在摘要中明确说明 | 未在摘要中明确说明 | MobileNetV2, EfficientNetV2B0 | 准确率 | 未在摘要中明确说明 |
| 169 | 2025-11-15 |
Generalizable Hybrid Wavelet-Deep Learning Architecture for Robust Arrhythmia Detection in Wearable ECG Monitoring
2025-Oct-26, Sensors (Basel, Switzerland)
DOI:10.3390/s25216590
PMID:41228815
|
研究论文 | 提出一种结合小波变换和深度学习的混合架构，用于可穿戴设备心电信号的稳健心律失常检测 | 将时频表示与手工特征相结合，探索了多种深度学习架构在ECG分析中的性能，并提出特征融合和降维方法 | 仅使用单一数据集进行验证，时频表示在不同数据折叠间存在变异性 | 开发适用于可穿戴设备的心律失常检测系统 | 心电图信号 | 数字病理 | 心血管疾病 | 小波变换，特征提取 | CNN, Transformer | 心电信号，时频图像 | PhysioNet Challenge 2017数据集 | PyTorch, TensorFlow | SimpleCNN, ResNet-18, CNNTransformer, Vision Transformer | 准确率, F1分数, 精确率, 推理时间 | GPU加速推理，可部署于可穿戴设备和移动健康应用 |
| 170 | 2025-11-15 |
Hierarchical Dual-Model Detection Framework for Spotted Seals Using Deep Learning on UAVs
2025-Oct-25, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani15213100
PMID:41227431
|
研究论文 | 提出一种基于深度学习的层次化双模型检测框架，用于无人机精准监测斑海豹 | 采用轻量化FF-YOLOv10模型进行快速目标定位与增强型PP-YOLOv7模型进行精准检测的协同框架 | 未明确说明模型在极端天气或复杂海况下的适应性 | 开发高效精准的海洋濒危物种生态监测技术方案 | 辽河口斑海豹种群 | 计算机视觉 | NA | 深度学习，无人机航拍 | CNN | 航拍图像 | 未明确说明 | PyTorch（基于YOLO系列推断） | FF-YOLOv10, PP-YOLOv7 | 精确率，召回率，推理速度，计算复杂度 | 无人机边缘计算设备，地面工作站 |
| 171 | 2025-11-15 |
Normal Hematopoietic Stem Cells in Leukemic Bone Marrow Environment Undergo Morphological Changes Identifiable by Artificial Intelligence
2025-Oct-24, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms262110354
PMID:41226393
|
研究论文 | 本研究利用人工智能深度学习技术识别白血病骨髓环境中正常造血干细胞的形态变化 | 首次证明正常造血干细胞在白血病骨髓环境中会发生AI可识别的形态变化，且这些变化与疾病严重程度相关 | 研究仅使用真性红细胞增多症小鼠模型，尚未在人类患者中验证 | 探索白血病骨髓环境中正常造血干细胞的形态变化及其临床意义 | 小鼠骨髓中的正常造血干细胞和白血病干细胞 | 数字病理学 | 白血病 | 深度学习, 单细胞图像分析 | 深度学习 | 单细胞图像 | NA | NA | NA | 准确率 | NA |
| 172 | 2025-11-15 |
Toward Artificial Intelligence in Oncology and Cardiology: A Narrative Review of Systems, Challenges, and Opportunities
2025-Oct-24, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm14217555
PMID:41226952
|
综述 | 本文综述了人工智能在肿瘤学和心脏病学领域的应用现状、挑战与发展机遇 | 系统梳理了AI在两大临床重点领域的最新进展，并首次将数字孪生和AI-ECG等新兴概念纳入讨论范围 | 仅基于PubMed数据库2019-2025年英文文献，未包含会议摘要和灰色文献 | 探讨人工智能在临床研究中的应用潜力及实施挑战 | 肿瘤学和心脏病学领域的AI应用研究 | 机器学习 | 肿瘤学, 心脏病学 | NA | NA | 图像数据, 信号数据 | NA | NA | NA | NA | NA |
| 173 | 2025-11-15 |
A Novel Demographic Indicator Fusion Network (DIFNet) for Dynamic Fusion of EEG and Demographic Indicators for Robust Depression Detection
2025-Oct-24, Sensors (Basel, Switzerland)
DOI:10.3390/s25216549
PMID:41228772
|
研究论文 | 提出一种动态融合脑电图和人口统计学指标的深度学习框架DIFNet，用于提升抑郁症检测的准确性 | 首次提出动态融合人口统计学指标（年龄、性别、教育年限）与脑电图特征的深度学习框架，通过多模块协同实现人口统计学信息的深度嵌入 | 未明确说明样本来源和数据集规模，缺乏外部验证结果 | 开发融合多源信息的鲁棒性抑郁症检测方法 | 重度抑郁症患者的脑电图信号和人口统计学信息 | 机器学习 | 抑郁症 | 脑电图 | CNN, Transformer, TCN | 脑电图信号，结构化人口统计数据 | NA | NA | 多尺度卷积模块，Transformer编码器模块，时序卷积网络模块，人口统计指标融合模块 | 准确率 | NA |
| 174 | 2025-11-15 |
Artificial Intelligence and Circadian Thresholds for Stress Detection in Dairy Cattle
2025-Oct-24, Sensors (Basel, Switzerland)
DOI:10.3390/s25216544
PMID:41228768
|
研究论文 | 本研究结合昼夜节律分析和深度学习技术开发了奶牛应激检测系统 | 首次将昼夜节律特征与LSTM神经网络相结合用于奶牛应激水平分类，并实现提前1小时的预测能力 | 样本规模较小（仅10头奶牛），未说明模型泛化能力验证 | 开发基于人工智能的奶牛应激检测方法 | 泌乳期荷斯坦奶牛 | 机器学习 | 动物应激反应 | Nedap CowControl传感器监测，FFT和STFT信号处理 | LSTM | 时间序列行为数据 | 10头奶牛连续监测365天，共87,600小时原始数据，3,650个牛日分析单元 | NA | LSTM | 准确率，AUC | NA |
| 175 | 2025-11-15 |
A Hybrid Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM)-Attention Model Architecture for Precise Medical Image Analysis and Disease Diagnosis
2025-Oct-23, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15212673
PMID:41225966
|
研究论文 | 提出一种融合CNN-LSTM-注意力机制的混合深度学习模型MediVision，用于精确医学图像分析和疾病诊断 | 结合CNN特征提取、LSTM序列依赖识别和注意力机制，并集成跳跃连接和Grad-CAM热力图可视化 | NA | 提升医学图像分类的准确性和可解释性 | 医学图像数据 | 计算机视觉 | 多种疾病（阿尔茨海默病、乳腺癌、血液疾病、肺部疾病、糖尿病视网膜病变、肾脏疾病、骨折、脑肿瘤等） | 深度学习 | CNN, LSTM, 注意力机制 | 医学图像（超声、X光、CT、OCT等） | 十个医学图像数据集 | NA | CNN-LSTM-注意力混合架构 | 准确率 | NA |
| 176 | 2025-11-15 |
Artificial Intelligence in Pancreatobiliary Endoscopy: Current Advances, Opportunities, and Challenges
2025-Oct-23, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm14217519
PMID:41226916
|
综述 | 本文综述了人工智能在胰胆内镜领域的当前进展、机遇与挑战 | 系统总结了AI在胰胆内镜三大技术（EUS、ERCP、DSOC）中的应用潜力与现存障碍 | 当前AI模型主要处于实验阶段，受限于单中心小样本数据、缺乏外部验证且无FDA批准系统 | 探讨人工智能技术在胰胆内镜检查中的临床应用价值与发展方向 | 胰胆系统疾病的内镜诊断与治疗 | 数字病理 | 胰腺疾病 | 内镜超声（EUS）、内镜逆行胰胆管造影（ERCP）、数字单操作者胆道镜（DSOC） | 机器学习（ML）、深度学习（DL） | 内镜图像 | NA | NA | NA | NA | NA |
| 177 | 2025-11-15 |
Deep Learning-Based Inverse Design of Stochastic-Topology Metamaterials for Radar Cross Section Reduction
2025-Oct-23, Materials (Basel, Switzerland)
DOI:10.3390/ma18214841
PMID:41227803
|
研究论文 | 提出一种基于深度学习的随机拓扑超材料逆向设计方法，用于实现雷达散射截面缩减 | 将CBAM增强的变分自编码器与Transformer预测器相结合，显著提升了模型提取关键结构特征和预测电磁响应的能力 | 仅针对1比特编码超材料进行设计验证，设计空间可能存在未探索区域 | 开发高效的电磁超材料逆向设计方法 | 随机拓扑电磁超材料 | 机器学习 | NA | 全波仿真，电磁测量 | VAE, Transformer | 结构图像，电磁响应数据 | 基于单元填充率随机生成的小规模数据集 | PyTorch, TensorFlow | CBAM-VAE, Transformer encoder | 雷达散射截面缩减值(dB) | GPU加速计算 |
| 178 | 2025-11-15 |
Fall Detection in Elderly People: A Systematic Review of Ambient Assisted Living and Smart Home-Related Technology Performance
2025-Oct-23, Sensors (Basel, Switzerland)
DOI:10.3390/s25216540
PMID:41228764
|
系统综述 | 本文系统综述了环境辅助生活和智能家居中老年人跌倒检测系统的性能表现 | 首次系统比较了不同传感器类别（可穿戴、非可穿戴和混合方案）和不同方法（深度学习、机器学习、阈值法等）在跌倒检测中的性能差异 | 仅分析了公开数据库中的文献，可能存在发表偏倚；未对原始研究的方法学质量进行详细评估 | 调查环境辅助生活和智能家居中跌倒检测系统的性能表现 | 老年人跌倒检测系统 | 环境辅助生活 | 老年疾病 | 系统综述方法 | 深度学习, 机器学习, 阈值法 | 传感器数据 | 80项研究（从473条记录中筛选） | NA | NA | 准确率, 精确率, 灵敏度, 特异性, F1分数, 训练时间, 测试时间 | NA |
| 179 | 2025-11-15 |
Enhancing Newborn Health Assessment: Ultrasound-based Body Composition Prediction Using Deep Learning Techniques
2025-Oct-16, Ultrasound in medicine & biology
|
研究论文 | 本研究开发了一种基于改进U-Net架构的深度学习模型，利用超声图像预测新生儿体成分（脂肪质量和去脂体重） | 首次将深度学习应用于新生儿超声图像进行体成分预测，并采用Grad-CAM技术识别对预测贡献最大的图像区域 | 研究样本量较小（65名早产儿），仅使用单一机构数据 | 探索深度学习在超声图像中预测新生儿体成分的可行性，改善新生儿健康评估 | 65名早产儿的721张肱二头肌、股四头肌和腹部超声图像 | 医学影像分析 | 新生儿健康 | 超声成像，空气置换体积描记法 | 深度学习 | 超声图像 | 65名早产儿的721张超声图像 | NA | 改进的U-Net | 平均绝对误差(MAE), 均方误差(MSE), 均方根误差(RMSE), 平均绝对百分比误差(MAPE), Bland-Altman图 | NA |
| 180 | 2025-11-15 |
Deep Learning Model for Extensive Diagnosis of Corneal Deposits
2025-Oct-07, Cornea
IF:1.9Q2
DOI:10.1097/ICO.0000000000004018
PMID:41236421
|
研究论文 | 开发用于角膜沉积疾病诊断的深度学习模型CorneAI，能够对7种角膜混浊疾病进行分类 | 首个集成到CorneAI系统中的深度学习模型，专门针对多种角膜沉积疾病进行综合诊断 | 对淀粉样变性和凝胶样滴状角膜营养不良的诊断精度相对较低 | 开发能够准确诊断多种角膜沉积疾病的深度学习模型 | 角膜沉积疾病患者的裂隙灯图像 | 计算机视觉 | 角膜疾病 | 裂隙灯成像 | YOLOv5 | 图像 | 1546张裂隙灯图像，包含7种角膜混浊疾病 | YOLOv5 | YOLOv5 | 阳性预测值, 置信区间 | NA |