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 32372 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 | 2025-10-05 |
Current Research and Development in the Field of Magnetic Resonance Contrast Media
2025-Nov-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001206
PMID:40622723
|
综述 | 本文讨论磁共振造影剂领域的新一代钆基造影剂、安全性研究、技术改进和新型造影剂开发 | 重点介绍新一代高弛豫率钆基造影剂gadopiclenol和gadoquatrane可能取代现有标准，重新研究锰基化合物，并探讨人工智能在磁共振造影剂领域的应用潜力 | 锰基化合物的临床影响尚不明确，人工智能技术的应用仍处于早期阶段 | 综述磁共振造影剂领域的最新研究进展和发展趋势 | 钆基造影剂、锰基化合物、磁共振成像技术 | 医学影像 | NA | 磁共振成像、人工智能、深度学习 | 深度学习 | 医学影像数据 | NA | NA | NA | NA | NA |
| 162 | 2025-10-05 |
Progress of MRI-based radiomics and deep learning for predicting the prognosis of locally advanced rectal cancer (Review)
2025-Nov, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15282
PMID:41040910
|
综述 | 回顾基于MRI的影像组学和深度学习在预测局部晚期直肠癌患者预后方面的最新进展 | 系统总结了多参数影像组学模型、Delta影像组学和深度学习模型在预测局部晚期直肠癌预后方面的性能提升 | NA | 改善局部晚期直肠癌患者的长期生存结果 | 接受新辅助放化疗的局部晚期直肠癌患者 | 数字病理 | 直肠癌 | MRI影像组学, 深度学习 | 深度学习模型 | MRI图像 | NA | NA | NA | AUC, C-index | NA |
| 163 | 2025-10-05 |
An overview of the current situation and future development direction of grain detection: taking computer vision combined with deep learning
2025-Nov, Journal of food science and technology
DOI:10.1007/s13197-025-06428-3
PMID:41041505
|
综述 | 本文综述了计算机视觉与深度学习在粮食检测领域的应用现状及未来发展方向 | 系统梳理了计算机视觉与深度学习在粮食质量检测中的结合应用，并探讨了未来发展趋势 | NA | 探讨计算机视觉与深度学习技术在粮食质量检测领域的应用现状和发展方向 | 粮食质量检测技术 | 计算机视觉 | NA | 计算机视觉，深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 164 | 2025-10-05 |
Getting Started on Artificial Intelligence in Health Care and Clinical Research: Includes Rigor Checklist for Authors and Reviewers
2025-Oct-03, Advances in wound care
IF:5.8Q1
DOI:10.1177/21621918251380217
PMID:41039915
|
综述 | 本文为医疗保健和临床研究领域的人工智能应用提供入门指南和严谨性检查清单 | 提出分层框架（基础层、核心技术层、应用层）和系统化的生物医学AI人才培养方法，强调从人员培养入手的AI实施路径 | NA | 指导研究人员、临床医生和评审员严谨地理解和应用人工智能技术 | 生物医学研究和医疗保健领域的人工智能应用 | 机器学习,自然语言处理,计算机视觉 | NA | 专家系统,机器学习,深度学习,可解释AI,自然语言处理,分布式AI/多智能体系统 | NA | NA | NA | NA | NA | NA | NA |
| 165 | 2025-10-05 |
Rapid whole-brain T2* and susceptibility mapping using 3D multiple overlapping-echo detachment acquisition and missing modality synthesis embedded simulation
2025-Oct-03, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70108
PMID:41040040
|
研究论文 | 开发了一种用于快速全脑T2*和磁化率定量成像的3D多重重叠回波分离采集技术及数据生成重建策略 | 将MOLED编码扩展到3D多激发采集，结合双回波反向EPI序列同时获取T2*和QSM信号；提出基于深度学习的缺失模态合成方法生成配准的多参数模板；引入伪3D Bloch模拟加速合成数据生成 | NA | 开发快速全脑T2*和磁化率定量成像技术 | 健康志愿者和临床参与者 | 医学影像 | NA | 3D-MOLED成像、双回波反向EPI、Bloch模拟 | 深度学习 | 磁共振影像 | 健康志愿者和临床参与者队列 | NA | NA | 图像质量评分、扫描速度、运动鲁棒性 | NA |
| 166 | 2025-10-04 |
Reply to 'Risk stratification of cutaneous melanoma using deep learning on whole slide images'
2025-Oct-03, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.70092
PMID:41041696
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 167 | 2025-10-05 |
Prediction of Pathological Subthalamic Nucleus Beta Burst Occurrence in Parkinson's Disease
2025-Oct-03, Movement disorders : official journal of the Movement Disorder Society
IF:7.4Q1
DOI:10.1002/mds.70076
PMID:41041724
|
研究论文 | 本研究开发深度学习模型预测帕金森病患者丘脑底核β爆发的发生 | 首次发现β振幅下降可作为预测β爆发发生的生物标志物，实现提前100毫秒预测 | 研究样本量有限，需要在更大人群中验证模型的泛化能力 | 开发能够预测帕金森病病理状态下丘脑底核β爆发发生的预测模型 | 帕金森病患者的丘脑底核活动记录 | 机器学习 | 帕金森病 | 深部脑刺激记录，神经信号分析 | 深度神经网络 | 神经电生理信号 | 两个独立的丘脑底核记录数据集，包括自然行为下的长期记录 | NA | NA | 预测准确性，时间预测精度 | NA |
| 168 | 2025-10-05 |
Highly Tunable Synaptic Modulation in Photo-Activated Remote Charge Trap Memory for Hardware-Based Fault-Tolerant Learning
2025-Oct-03, Advanced materials (Deerfield Beach, Fla.)
DOI:10.1002/adma.202515140
PMID:41041969
|
研究论文 | 提出一种基于硬件的光激活远程电荷陷阱存储器，用于实现容错学习算法 | 利用缺陷工程六方氮化硼实现4380的高突触可调比，能够选择性衰减误训练信号引起的权重更新 | 仅在MNIST数据集上验证，未在更复杂数据集测试 | 开发硬件容错学习算法以应对标注噪声数据 | 光激活远程电荷陷阱存储器器件 | 机器学习 | NA | 缺陷工程六方氮化硼技术 | 人工突触 | 图像数据 | MNIST数据集 | NA | NA | 识别准确率 | 内存计算系统 |
| 169 | 2025-10-05 |
Multilevel Correlation-aware and Modal-aware Graph Convolutional Network for Diagnosing Neurodevelopmental Disorders
2025-Oct-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3617348
PMID:41037545
|
研究论文 | 提出一种多级相关性感知和模态感知图卷积网络(MCM-GCN)，用于神经发育障碍的可靠诊断 | 在个体层面设计相关性驱动特征生成模块感知图间相关性，在群体层面通过多模态解耦特征增强模块深度整合多模态信息 | NA | 开发可靠的神经发育障碍诊断方法 | 自闭症谱系障碍(ASD)和注意缺陷多动障碍(ADHD)患者 | 医学影像分析 | 神经发育障碍 | 静息态功能磁共振成像 | 图卷积网络 | 脑网络图数据,表型数据 | 两个公共数据集 | NA | MCM-GCN,图注意力网络 | 准确率 | NA |
| 170 | 2025-10-05 |
GenoGraph: an Interpretable Graph Contrastive Learning Approach for Identifying Breast Cancer Risk Variants
2025-Oct-02, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3617088
PMID:41037551
|
研究论文 | 提出一种基于图对比学习的可解释框架GenoGraph，用于识别乳腺癌风险基因变异 | 开发了在低样本量场景下建模高维遗传数据的图对比学习框架，解决了传统GWAS方法忽略遗传互作和机器学习方法过拟合的问题 | 基于芬兰人群数据，在其他人群中的泛化能力需要进一步验证 | 改进乳腺癌风险基因变异的识别方法，探索遗传相互作用 | 乳腺癌相关的基因变异 | 机器学习 | 乳腺癌 | GWAS | 图对比学习 | 基因型数据 | 东芬兰生物银行数据集 | NA | GenoGraph | 准确率 | NA |
| 171 | 2025-10-05 |
Heterogeneous Network With Multiview Path Aggregation: Drug-Target Interaction Prediction Study Design
2025-Oct-02, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/74974
PMID:41037779
|
研究论文 | 提出一种基于多视图路径聚合的异质网络模型用于药物-靶点相互作用预测 | 结合分子注意力转换器提取药物3D构象特征和Prot-T5蛋白质语言模型探索蛋白质序列特征，构建异质图模型并引入元路径聚合机制动态整合特征视图和生物网络关系视图 | 未明确说明模型在更大规模数据集上的泛化能力和计算效率 | 预测药物与靶点之间的相互作用关系 | 药物、蛋白质、疾病和副作用等生物实体 | 生物信息学 | NA | 分子注意力转换器, Prot-T5蛋白质语言模型 | 图神经网络, 异质网络模型 | 化学结构, 蛋白质序列, 多源异质数据 | KCNH2靶点的53个候选药物案例研究 | NA | 分子注意力转换器, Prot-T5, 元路径聚合机制 | AUPR, AUROC | NA |
| 172 | 2025-10-05 |
TDMAR-Net: A Frequency-Aware Tri-Domain Diffusion Network for CT Metal Artifact Reduction
2025-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae0efc
PMID:41038229
|
研究论文 | 提出一种基于扩散模型的三域神经网络TDMAR-Net，用于减少CT金属伪影并提升图像质量 | 首次将扩散模型应用于三域（投影域、图像域、傅里叶域）金属伪影消除，采用两阶段训练策略结合高通滤波模块 | 未明确说明模型在极端金属植入物情况下的性能表现 | 开发有效的CT金属伪影消除方法以改善临床诊断 | 含金属植入物的CT图像 | 计算机视觉 | NA | CT成像 | 扩散模型 | CT图像 | 合成数据集和临床数据集 | NA | TDMAR-Net | NA | NA |
| 173 | 2025-10-05 |
Fast water/fat T2 and PDFF mapping via multiple overlapping‑echo detachment acquisition and deep learning reconstruction
2025-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae0efa
PMID:41038241
|
研究论文 | 开发了一种结合化学位移编码与多重重叠回波分离序列的深度学习重建方法，用于快速水/脂肪T2和PDFF成像 | 提出了CSE-MOLED新型水脂分离框架，首次实现每层162毫秒的超快速同步水脂分离和T2定量 | 样本量较小（仅5名健康志愿者和2名患者），脂肪T2的R²值相对较低（0.733） | 开发超快速同步水脂分离和T2定量方法，用于神经肌肉疾病的诊断和监测 | 肌肉组织，包括健康志愿者、肌肉萎缩患者和肌肉损伤患者 | 医学影像分析 | 神经肌肉疾病 | 磁共振成像，化学位移编码，多重重叠回波分离序列 | 深度学习 | 磁共振图像 | 5名健康志愿者，1名肌肉萎缩患者，1名肌肉损伤患者 | NA | NA | R²，变异系数 | NA |
| 174 | 2025-10-05 |
Bioinspired high-order in-sensor spatiotemporal enhancement in van der Waals optoelectronic neuromorphic electronics
2025-Oct-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-63873-6
PMID:41038807
|
研究论文 | 提出一种基于范德华光电晶体管的视觉传感器，利用三重脉冲时序依赖可塑性实现生物启发的高阶时空关联学习，提升动态目标跟踪性能 | 采用三重脉冲时序依赖可塑性替代传统配对脉冲时序依赖可塑性架构，通过界面缺陷主导的持续光电导现象实现可调光-电协同竞争效应 | 仅在6×6范德华光电晶体管阵列上进行硬件验证，规模有限 | 开发高性能动态目标跟踪系统以推进先进机器视觉技术 | 动态目标跟踪与混淆物体分类任务 | 机器视觉 | NA | 范德华光电晶体管技术 | 脉冲神经网络 | 动态视觉信息 | 6×6范德华光电晶体管阵列 | NA | 基于三重脉冲时序依赖可塑性的脉冲神经网络 | 跟踪准确率(90.44%) | 范德华光电晶体管硬件阵列 |
| 175 | 2025-10-05 |
Clinical validation of a deep learning tool for characterizing spinopelvic mobility in total hip arthroplasty
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16824-6
PMID:41038863
|
研究论文 | 开发并临床验证了一种用于全髋关节置换术中脊柱骨盆活动度测量的深度学习工具 | 首次将深度学习技术应用于脊柱骨盆活动度的自动化测量，相比传统手动方法更高效准确 | 研究主要基于单一国际关节登记处的数据，可能需要更多外部验证 | 开发自动化工具来改善全髋关节置换术中的脊柱骨盆活动度测量 | 全髋关节置换术患者的脊柱骨盆活动度 | 计算机视觉 | 骨科疾病 | 深度学习 | 深度学习管道 | X射线图像 | 分类任务52,772张图像，目标检测9,875张图像，关键点检测25,249张图像 | NA | 集成图像分类、椎体检测和关键点检测的深度学习管道 | AUC, F1分数, 平均绝对误差, 精确度, 召回率 | NA |
| 176 | 2025-10-05 |
A lightweight YOLOv11-based framework for small steel defect detection with a newly enhanced feature fusion module
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16619-9
PMID:41038869
|
研究论文 | 提出一种基于改进YOLOv11的轻量级钢表面缺陷检测模型PSF-YOLO，用于解决终端设备上小目标检测效率低和部署困难的问题 | 采用低参数Ghost卷积大幅减少计算资源需求，用多维融合颈部结构替代传统特征金字塔网络，并引入虚拟融合头和注意力拼接模块增强小目标特征提取 | 仅在GC10-DET+数据集上验证，未在其他工业缺陷数据集上测试泛化能力 | 开发适用于计算能力有限终端设备的轻量级钢表面缺陷检测模型 | 钢表面缺陷 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | GC10-DET+数据集 | NA | YOLOv11n, GhostConv, MDF-Neck | mAP, mAP50 | 有限计算能力的终端设备 |
| 177 | 2025-10-05 |
Spine endoscopic atlas: an open-source dataset for surgical instrument segmentation
2025-Oct-02, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05897-7
PMID:41038904
|
研究论文 | 本文创建了一个用于脊柱内窥镜手术器械分割的开源数据集 | 创建了首个专门针对脊柱内窥镜手术的综合性标注数据集，包含大量真实手术图像和器械分割标注 | NA | 开发人工智能系统以提高脊柱内窥镜手术的精确性和安全性 | 脊柱内窥镜手术中使用的各种手术器械 | 计算机视觉 | 脊柱疾病 | 内窥镜成像 | 深度学习模型 | 图像 | 48,510张图像，包含10,662个器械分割标注 | NA | NA | 分割准确率 | NA |
| 178 | 2025-10-05 |
Interpretable deep learning model diagnoses gastrointestinal stromal tumors and lesion characteristics with microprobe endoscopic ultrasonography
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17018-w
PMID:41038910
|
研究论文 | 开发可解释深度学习模型ECMAI-ME，通过微探头超声内镜图像诊断胃肠道间质瘤及病变特征 | 将病变特征整合到MEUS图像中，使AI推理与临床诊断流程对齐，开发了七个深度学习模型 | NA | 提高微探头超声内镜对胃肠道间质瘤的诊断能力 | 胃肠道间质瘤的微探头超声内镜图像 | 计算机视觉 | 胃肠道间质瘤 | 微探头超声内镜 | 深度学习 | 图像 | 来自5家中国医院873个SEL的9,229张MEUS图像 | NA | ECMAI-ME | AUC, 准确率, 特异性, 敏感性 | NA |
| 179 | 2025-10-05 |
A lightweight deep learning method for medicinal leaf image classification using feature fusion
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17436-w
PMID:41038908
|
研究论文 | 提出一种基于联邦学习的特征融合深度学习模型，用于药用植物叶片图像的自动分类 | 采用NCA-CNN框架结合手工特征(LBP、HOG)与深度特征进行特征融合，通过典型相关分析增强关键特征并降低噪声 | NA | 开发自动化计算机视觉系统以准确高效识别药用植物叶片 | 药用植物叶片图像 | 计算机视觉 | NA | 图像分析 | CNN | RGB图像 | 来自Mendeley数据集(https://data.mendeley.com/datasets/nnytj2v3n5/1)的药用植物叶片图像 | NA | NCA-CNN | 准确率 | NA |
| 180 | 2025-10-05 |
Fault classification in the architecture of virtual machine using deep learning
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17109-8
PMID:41038942
|
研究论文 | 提出一种结合特征选择、注意力变换器和特征变换器的深度学习模型，用于虚拟机架构中的故障分类 | 首次将注意力变换器与特征变换器结合用于虚拟机故障分类，处理表格数据并实现高精度故障预测 | 仅在Telstra集群网络数据集上进行验证，未在其他网络环境中测试 | 预测虚拟机中的故障发生，检测和分类集群网络故障 | 虚拟机架构和集群网络 | 机器学习 | NA | 深度学习 | Transformer,神经网络 | 表格数据 | 来自Telstra集群网络的表格数据集 | NA | 注意力变换器,特征变换器 | 准确率,精确率,召回率,F1分数 | NA |