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 33074 篇文献，本页显示第 18321 - 18340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18321 | 2025-10-07 |
Artificial Intelligence in Head and Neck Cancer: Innovations, Applications, and Future Directions
2024-09-06, Current oncology (Toronto, Ont.)
DOI:10.3390/curroncol31090389
PMID:39330017
|
综述 | 本文综述了人工智能在头颈癌诊疗中的创新应用、当前进展与未来发展方向 | 系统整合了深度学习、自然语言处理等AI技术与影像学、基因组学和电子健康记录的融合应用，并展望了可解释AI、AI驱动机器人和实时监测系统等新兴创新 | 面临数据质量、算法偏差以及需要跨学科合作等挑战 | 探讨人工智能在头颈癌诊疗领域的应用现状与发展前景 | 头颈癌患者的诊疗数据与AI技术应用 | 自然语言处理, 机器学习 | 头颈癌 | 影像技术, 基因组学, 电子健康记录分析 | 深度学习 | 医学影像, 基因组数据, 文本数据 | NA | NA | NA | NA | NA |
| 18322 | 2025-10-07 |
A Novel Deep Learning Model for Breast Tumor Ultrasound Image Classification with Lesion Region Perception
2024-08-28, Current oncology (Toronto, Ont.)
DOI:10.3390/curroncol31090374
PMID:39330002
|
研究论文 | 提出一种新颖的多特征融合多任务深度学习模型，用于乳腺肿瘤超声图像分类和病灶区域感知 | 设计了上下文病灶增强感知模块和多特征融合模块，能够更好地捕捉病灶区域的局部和全局特征关系，并有效区分病灶特异性特征与肿瘤分类语义特征 | NA | 解决乳腺超声图像分类中信息共享冲突问题，提高病灶区域感知和分类性能 | 乳腺肿瘤超声图像 | 计算机视觉 | 乳腺癌 | 超声成像 | 深度学习,多任务学习 | 图像 | 两个公共乳腺超声成像数据集 | NA | 多特征融合多任务模型,上下文病灶增强感知模块,多特征融合模块 | NA | NA |
| 18323 | 2025-10-07 |
MambaTab: A Plug-and-Play Model for Learning Tabular Data
2024-Aug, Proceedings. IEEE Conference on Multimedia Information Processing and Retrieval
DOI:10.1109/mipr62202.2024.00065
PMID:39850741
|
研究论文 | 提出一种基于结构化状态空间模型的即插即用表格数据学习模型MambaTab | 首次将新兴的SSM变体Mamba应用于表格数据端到端监督学习，显著减少参数量的同时实现优越性能 | NA | 开发高效、可扩展的表格数据深度学习解决方案 | 表格数据 | 机器学习 | NA | 结构化状态空间模型 | SSM, Mamba | 表格数据 | 多种基准数据集 | NA | Mamba | NA | NA |
| 18324 | 2025-10-07 |
Beyond Size and Class Balance: Alpha as a New Dataset Quality Metric for Deep Learning
2024-Jul-31, ArXiv
PMID:39830079
|
研究论文 | 提出一种基于生态学多样性指标的新型数据集质量度量方法Alpha，用于改进医学影像深度学习性能 | 首次将生态学中的广义熵多样性度量引入深度学习领域，提出超越数据集大小和类别平衡的新质量指标 | 研究仅基于七个医学数据集进行验证，需要更多领域和数据集类型的进一步验证 | 探索更直接的数据集多样性度量方法以提升深度学习模型性能 | 医学影像数据集 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 七个医学数据集的数千个子集 | NA | NA | 平衡准确率 | NA |
| 18325 | 2025-10-07 |
Advancing precision agriculture with deep learning enhanced SIS-YOLOv8 for Solanaceae crop monitoring
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1485903
PMID:39850216
|
研究论文 | 提出增强型SIS-YOLOv8模型用于茄科作物病害监测 | 通过三个关键模块改进YOLOv8网络结构：融合Inception卷积模块增强复杂背景下的特征提取，C2f-SIS模块结合风格随机化提升泛化能力，SPPF-IS模块通过特征融合增强模型鲁棒性 | 未提及模型在其他作物或更广泛环境条件下的适用性 | 开发适用于复杂农业环境的作物病害自动检测模型 | 马铃薯和番茄的病害监测 | 计算机视觉 | 作物病害 | 深度学习图像识别 | YOLO | 图像 | NA | NA | YOLOv8, SIS-YOLOv8 | 准确率, 召回率, mAP50, mAP50-95 | NA |
| 18326 | 2025-10-07 |
Monitoring of agricultural progress in rice-wheat rotation area based on UAV RGB images
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1502863
PMID:39850210
|
研究论文 | 基于无人机RGB图像和深度学习技术，提出了一种水稻-小麦轮作区农事进度的精准监测方法 | 结合无人机图像分析和深度学习技术，提出适用于农事进度分类的激活层特征，并通过特征相关性分析去除冗余特征 | NA | 解决水稻-小麦轮作区农事进度监测效率低下的问题 | 水稻-小麦轮作区 | 计算机视觉 | NA | 无人机RGB图像采集 | 随机森林,深度学习 | RGB图像 | NA | NA | L08CON, ResNet50 | 准确率, 处理时间 | NA |
| 18327 | 2025-10-07 |
LiDAR point cloud denoising for individual tree extraction based on the Noise4Denoise
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1490660
PMID:39850219
|
研究论文 | 提出了一种基于深度学习的无监督LiDAR点云去噪算法DEN4，用于提升单木分割精度 | 引入了多级噪声分离模块，能有效区分信号与噪声，无需预标记数据 | 仅在60个样本数据集上进行验证，样本规模有限 | 提升LiDAR点云去噪效果以改善单木分割精度 | 森林LiDAR点云数据 | 计算机视觉 | NA | LiDAR点云采集 | 深度学习 | 点云数据 | 60个样本数据集 | NA | DEN4（含多级噪声分离模块） | 均方误差(MSE), 信噪比(SNR), 豪斯多夫距离(Hausdorff distance), 结构相似性指数(SSIM) | NA |
| 18328 | 2025-10-07 |
Study on the application of deep learning artificial intelligence techniques in the diagnosis of nasal bone fracture
2024, International journal of burns and trauma
IF:1.4Q3
DOI:10.62347/VCJP9652
PMID:39850782
|
研究论文 | 本研究评估了基于深度学习的AI技术在鼻骨骨折诊断中的应用价值 | 首次将YOLOX检测模型与GhostNetv2分类模型结合用于鼻骨骨折的自动诊断 | 样本量较小（仅82例患者），缺乏外部验证 | 评估深度学习AI技术在鼻骨骨折诊断中的临床应用价值 | 39例正常鼻骨患者和43例鼻骨骨折患者的颌面部CT三维重建图像 | 计算机视觉 | 鼻骨骨折 | CT三维重建 | 深度学习 | 医学影像 | 82例患者，共247张图像（正位、左侧位、右侧位三个方向） | NA | YOLOX,GhostNetv2 | 准确率,灵敏度,特异性 | NA |
| 18329 | 2025-10-07 |
Dynamic-budget superpixel active learning for semantic segmentation
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1498956
PMID:39850848
|
研究论文 | 提出一种动态预算超像素主动学习方法，用于提高语义分割任务的数据效率 | 首次提出动态预算查询策略，可根据图像内容自适应选择最优数量的高不确定性超像素进行标注 | 未讨论超像素分割质量对算法性能的影响，实验数据集类型有限 | 提高语义分割任务中主动学习算法的查询效率 | 语义分割模型的训练数据选择 | 计算机视觉 | NA | 主动学习，超像素分割 | 深度学习模型 | 图像 | 两个不同数据集：专业农业田间图像数据集和Cityscapes数据集 | NA | NA | mIoU（平均交并比） | NA |
| 18330 | 2025-10-07 |
Detecting anomalies in smart wearables for hypertension: a deep learning mechanism
2024, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2024.1426168
PMID:39850864
|
研究论文 | 本研究提出一种结合ResNet和LSTM的新型神经网络架构，用于从智能穿戴设备的生理信号中预测血压并检测异常 | 首次将ResNet的特征提取能力与LSTM的序列数据处理相结合，构建ResNet-LSTM混合模型用于血压预测 | 计算成本较高（约4,375 FLOPs），需要进一步优化计算效率 | 通过深度学习技术改进智能健康监测系统，实现准确的无创血压预测和异常检测 | 智能穿戴设备采集的生理信号数据（ECG和PPG） | 机器学习 | 心血管疾病 | 生理信号监测（ECG, PPG） | CNN, LSTM | 生理信号时序数据 | 使用留一法交叉验证和额外数据集进行验证 | NA | ResNet, LSTM, ResNet-LSTM | 平均绝对误差（MAE）, 均方根误差（RMSE） | NA |
| 18331 | 2025-10-07 |
Automatic multi-needle localization in ultrasound images using large margin mask RCNN for ultrasound-guided prostate brachytherapy
2020-10-09, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aba410
PMID:32640435
|
研究论文 | 提出基于深度学习的超声图像多针自动定位工作流，用于超声引导前列腺近距离放疗 | 提出大边界掩码R-CNN模型和改进的基于密度的空间聚类算法，实现多针同时定位 | 仅在23名患者数据上进行验证，样本量有限 | 开发快速自动的多针数字化方法，提升前列腺近距离放疗效率 | 超声引导高剂量率前列腺近距离放疗患者 | 计算机视觉 | 前列腺癌 | 超声成像 | CNN, R-CNN | 超声图像 | 23名患者，共339根针 | NA | Mask R-CNN, LMMask R-CNN | 针杆误差, 针尖误差 | NA |
| 18332 | 2025-01-25 |
Enhancing semantic segmentation for autonomous vehicle scene understanding in indian context using modified CANet model
2025-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2024.103131
PMID:39846010
|
研究论文 | 本文提出了一种改进的CANet模型，用于增强自动驾驶车辆在印度复杂交通环境中的语义分割能力 | 提出了一种结合U-Net和LinkNet元素的改进CANet模型，引入了多尺度上下文模块（MCM）以捕捉多尺度的上下文信息 | NA | 提高自动驾驶车辆在复杂交通环境中的语义分割准确性 | 印度驾驶数据集（IDD）中的道路场景 | 计算机视觉 | NA | 深度学习 | 改进的CANet（结合U-Net和LinkNet元素） | 图像 | 印度驾驶数据集（IDD） | NA | NA | NA | NA |
| 18333 | 2025-10-07 |
Intraoperative Real-Time IDH Diagnosis for Glioma Based on Automatic Analysis of Contrast-Enhanced Ultrasound Video
2025-Mar, Ultrasound in medicine & biology
|
研究论文 | 提出基于术中超声造影视频自动分析的实时IDH诊断方法ATAN | 首次实现基于术中超声造影视频的实时IDH诊断，无需肿瘤样本，通过自动选择关键区域和迁移学习解决小样本问题 | 样本量相对较小（主要队列仅60例患者） | 开发术中实时诊断胶质瘤IDH状态的方法 | 胶质瘤患者 | 医学影像分析 | 胶质瘤 | 超声造影(CEUS) | 深度学习网络 | 视频 | 主要队列60例胶质瘤患者，预训练使用258例患者数据 | NA | ATAN(Automatic TIC Analysis Network) | 准确率,AUC | NA |
| 18334 | 2025-10-07 |
Automatic Segmentation of Sylvian Fissure in Brain Ultrasound Images of Pre-Term Infants Using Deep Learning Models
2025-Mar, Ultrasound in medicine & biology
|
研究论文 | 本研究开发了基于深度学习模型自动分割早产儿脑部超声图像中侧裂沟的方法 | 首个使用超声图像自动分割早产儿脑沟的研究，并比较了U-Net和ResU-Net在不同设备图像上的表现 | 模型在不同厂商设备图像上的性能表现存在差异，图像相似度影响分割效果 | 开发自动分割早产儿脑部侧裂沟的深度学习模型 | 早产儿的脑部超声图像 | 医学图像分析 | 新生儿脑发育 | 颅脑超声成像 | U-Net, ResU-Net | 图像 | NA | NA | U-Net, ResU-Net | Dice系数, 敏感度 | NA |
| 18335 | 2025-10-07 |
Attention-based Fusion Network for Breast Cancer Segmentation and Classification Using Multi-modal Ultrasound Images
2025-Mar, Ultrasound in medicine & biology
|
研究论文 | 提出一种基于注意力融合网络的深度学习模型，用于多模态超声图像的乳腺癌分割和分类 | 提出多模态融合U-Net（MMF-U-Net），通过融合块整合B模式和SE模式超声图像信息 | NA | 实现乳腺癌病灶的自动分割和良恶性分类 | 乳腺超声图像中的病灶区域 | 计算机视觉 | 乳腺癌 | 超声成像 | CNN, U-Net | 多模态超声图像（B模式和SE模式） | NA | NA | MMF-U-Net, U-Net | Dice系数, IoU, 精确率, 召回率, 准确率 | NA |
| 18336 | 2025-10-07 |
Interactively Fusing Global and Local Features for Benign and Malignant Classification of Breast Ultrasound Images
2025-Mar, Ultrasound in medicine & biology
|
研究论文 | 提出一种融合CNN和Transformer的深度学习网络CTMF-Net，用于乳腺超声图像的良恶性分类 | 设计多阶段特征交互模块，实现CNN局部特征与Transformer全局特征的交互融合 | NA | 开发高精度的乳腺超声图像自动分类方法 | 乳腺超声图像中的良性和恶性肿瘤 | 计算机视觉 | 乳腺癌 | 超声成像 | CNN, Transformer | 图像 | 三个公共乳腺超声数据集（SYSU、UDIAT和BUSI） | NA | VGG, ViT, CTMF-Net | 准确率, AUC | NA |
| 18337 | 2025-10-07 |
Tibiofemoral cartilage strain and recovery following a 3-mile run measured using deep learning segmentation of bone and cartilage
2025-Mar, Osteoarthritis and cartilage open
DOI:10.1016/j.ocarto.2024.100556
PMID:39802079
|
研究论文 | 本研究使用深度学习分割技术测量3英里跑步后胫股软骨的应变及次日恢复情况 | 开发了基于深度学习的自动化软骨和骨骼分割模型，首次量化了跑步后软骨即时变形和恢复过程 | 样本量较小（仅8名无症状男性参与者），缺乏女性参与者和有症状人群数据 | 测量跑步引起的胫股软骨变形及其恢复过程 | 无症状男性参与者的胫骨和股骨软骨 | 医学影像分析 | 骨科疾病 | 双回波稳态磁共振成像 | 深度学习分割模型 | MRI图像 | 8名无症状男性参与者 | NA | NA | 重复性误差（0.03mm或约1%软骨厚度） | NA |
| 18338 | 2025-01-25 |
Machine learning applications in placenta accreta spectrum disorders
2025-Mar, European journal of obstetrics & gynecology and reproductive biology: X
DOI:10.1016/j.eurox.2024.100362
PMID:39845985
|
综述 | 本文综述了机器学习和放射组学在胎盘植入谱系障碍（PAS）诊断和预测中的新兴应用 | 强调了利用MRI和超声等医学成像技术进行PAS有效分类和风险分层的ML算法和放射组学技术的最新进展，以及深度学习方法如nnU-Net和DenseNet-PAS在诊断中的优越性能 | 需要标准化方法以确保特征提取和模型性能的一致性，未来研究应关注更大数据集和生物标志物的验证 | 探讨机器学习和放射组学在PAS诊断和预测中的应用，以改善患者预后 | 胎盘植入谱系障碍（PAS） | 机器学习 | 产科疾病 | MRI, 超声 | nnU-Net, DenseNet-PAS | 医学影像 | NA | NA | NA | NA | NA |
| 18339 | 2025-10-07 |
Hallux valgus and pes planus: Correlation analysis using deep learning-assisted radiographic angle measurements
2025-Feb, Foot and ankle surgery : official journal of the European Society of Foot and Ankle Surgeons
IF:1.9Q2
DOI:10.1016/j.fas.2024.09.003
PMID:39327104
|
研究论文 | 本研究使用深度学习模型测量足部X光片角度参数，分析拇外翻与扁平足之间的相关性 | 首次采用深度学习辅助的放射学角度测量方法来量化分析拇外翻与扁平足的相关性 | 样本量有限（212只脚），仅包含深度学习模型可检测的X光片 | 确定拇外翻与扁平足之间的相关性 | 足部X光片 | 计算机视觉 | 足部畸形 | X光成像 | 深度学习模型 | X光图像 | 212只脚 | NA | NA | 相关性分析 | NA |
| 18340 | 2025-10-07 |
A personalized periodontitis risk based on nonimage electronic dental records by machine learning
2025-Feb, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2024.105469
PMID:39571782
|
研究论文 | 本研究开发了一种基于非图像电子牙科记录的机器学习模型，用于预测牙周病风险 | 首次利用非图像电子牙科记录开发个性化牙周病风险预测模型，能够在诊断前3年进行有效预测 | 模型在验证集中对对照组的特异性较低（54%），需要改进内部和外部验证，电子牙科记录文档质量需要提升 | 开发基于机器学习的牙周病风险预测模型 | 美国牙科患者 | 机器学习 | 牙周病 | 电子牙科记录分析 | 随机森林, 深度学习 | 结构化电子医疗记录 | 43,331名参与者 | NA | 随机森林 | 准确率, 敏感度, 特异性, AUROC | NA |