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 18561 - 18580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18561 | 2025-10-07 |
Predicting EV battery state of health using long short term degradation feature extraction and FEA TimeMixer
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85492-3
PMID:39819968
|
研究论文 | 提出一种基于长短时电池退化特征提取和FEA-TimeMixer模型的新能源汽车电池健康状态预测方法 | 引入新型自动SOH提取算法、使用自编码器融合长短时SOH退化趋势特征、在TimeMixer模型中引入频率增强注意力机制 | NA | 提高不同预测长度下电池健康状态预测的准确性 | 新能源汽车电池 | 机器学习 | NA | 经验退化模型、完全集合经验模态分解与自适应噪声 | 自编码器, TimeMixer | 离线充电数据 | NA | NA | FEA-TimeMixer | 平均绝对误差 | NA |
| 18562 | 2025-10-07 |
A deep learning based detection algorithm for anomalous behavior and anomalous item on buses
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85962-8
PMID:39820021
|
研究论文 | 提出一种基于深度学习的公交车异常行为和异常物品检测算法 | 提出改进的YOLOv5算法MD-AODA，结合车载人脸检测与目标跟踪的口罩检测策略，以及基于几何尺度转换的大尺寸异常物品识别方法 | NA | 开发公交车场景下的异常行为和物品检测系统 | 公交车乘客行为和携带物品 | 计算机视觉 | NA | 视频分析 | CNN | 视频 | 实际公交车视频数据 | NA | YOLOv5 | 准确率, 时效性 | 嵌入式视频分析系统 |
| 18563 | 2025-10-07 |
Mitochondrial segmentation and function prediction in live-cell images with deep learning
2025-Jan-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-55825-x
PMID:39820041
|
研究论文 | 开发名为MoDL的深度学习算法，用于活细胞线粒体图像分割和功能预测 | 首次将线粒体形态分割与功能预测结合，采用集成学习策略，能够通过小样本训练预测未知细胞类型的线粒体功能 | NA | 通过分析线粒体形态特征预测其功能，探索线粒体形态与功能之间的复杂关系 | 活细胞中的线粒体 | 计算机视觉 | NA | 超分辨率成像 | 深度学习 | 图像 | 20,000个手动标注的线粒体用于分割训练，超过100,000张超分辨率图像用于功能预测训练 | NA | NA | 分割准确度 | NA |
| 18564 | 2025-10-07 |
PHARAOH: A collaborative crowdsourcing platform for phenotyping and regional analysis of histology
2025-Jan-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55780-z
PMID:39820318
|
研究论文 | 介绍PHARAOH——一个用于组织学表型分析和区域分析的协作式众包平台 | 采用弱监督、人在环的学习框架，通过组织图像特征将组织区域聚类为形态均匀的簇进行批量标注 | NA | 促进定制计算机视觉模型的开发与共享，用于组织学表型分析和区域分析 | 组织病理学图像 | 数字病理学 | NA | 弱监督学习 | 深度学习 | 组织图像 | NA | NA | NA | NA | NA |
| 18565 | 2025-10-07 |
Harnessing deep learning to detect bronchiolitis obliterans syndrome from chest CT
2025-Jan-16, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-00732-x
PMID:39820581
|
研究论文 | 本研究开发了一种基于深度学习的CT影像分析方法，用于检测肺移植后的闭塞性细支气管炎综合征 | 首次将深度神经网络应用于BOS检测，采用协同训练方法解决小样本数据场景下的模型训练问题 | 研究样本量较小（75例患者），需要在更大规模数据集中验证 | 开发基于CT影像的BOS早期检测方法 | 肺移植后患者，包括26例BOS患者和49例非BOS患者 | 计算机视觉 | 肺移植后并发症 | CT影像分析 | DNN | CT扫描图像 | 75例肺移植后患者（26例BOS，49例非BOS） | NA | NA | ROC-AUC | NA |
| 18566 | 2025-10-07 |
Comparative analysis of deep learning models for crack detection in buildings
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85983-3
PMID:39820575
|
研究论文 | 本文开发并比较了多种深度学习模型用于建筑物裂缝检测 | 开发了新颖的深度学习图像处理方法解决数据稀缺问题，并对多种模型进行综合比较分析 | NA | 实现建筑物结构表面裂缝的精确、快速和自动识别 | 砖砌建筑物表面图像 | 计算机视觉 | NA | 深度学习图像处理 | CNN | 图像 | 24,000张图像 | NA | Inception V3,VGG-16,RESNET-50,VGG-19,Inception ResNetV2,CNN-RES MLP | 准确率,精确率,召回率,ROC值 | NA |
| 18567 | 2025-10-07 |
The segmentation of nanoparticles with a novel approach of HRU2-Net†
2025-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86085-w
PMID:39820790
|
研究论文 | 提出了一种基于HRU2-Net的纳米颗粒分割新方法 | 在U-Net模型基础上进行改进，引入多层次语义信息融合机制 | NA | 提高纳米颗粒分割的准确性和效果 | 纳米颗粒 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | U-Net, HRU2-Net | MIoU, 准确率 | NA |
| 18568 | 2025-10-07 |
Predicting Age and Visual-Motor Integration Using Origami Photographs: Deep Learning Study
2025-Jan-10, JMIR formative research
IF:2.0Q4
DOI:10.2196/58421
PMID:39803896
|
研究论文 | 本研究应用深度学习技术通过折纸照片预测儿童年龄和视觉-运动整合能力发展 | 首次将人工智能技术应用于儿童折纸作品分析，通过多角度照片组合预测发育指标 | 样本量相对有限（515名儿童），仅使用折纸狗单一模型进行评估 | 开发基于折纸作品的儿童发育评估AI工具 | 2-6岁学前儿童及其折纸作品 | 计算机视觉 | 儿童发育评估 | 数字摄影，标准化发育测试 | CNN, 集成学习, 多层感知机 | 图像 | 515名2-6岁儿童，按4:1比例分为训练集和测试集 | PyTorch/TensorFlow, Scikit-learn | ResNet-50, XGBoost, 多层感知机 | R2, 准确率, 平均绝对误差, 相关系数 | NA |
| 18569 | 2025-10-07 |
Awareness and Attitude Toward Artificial Intelligence Among Medical Students and Pathology Trainees: Survey Study
2025-Jan-10, JMIR medical education
IF:3.2Q1
DOI:10.2196/62669
PMID:39803949
|
调查研究 | 本研究通过问卷调查评估和比较约旦医学生和病理住院医师对人工智能在医学中应用的认知和态度 | 这是约旦首个分析医学生对AI看法的研究，也是首次纳入病理住院医师视角的研究 | 研究仅限于约旦的5所公立医学院和4个住院医师项目，样本代表性有限 | 评估医学生和病理住院医师对医学人工智能的认知水平和态度 | 约旦5所公立医学院的医学生和4个住院医师项目的病理住院医师 | 医学教育 | NA | 网络问卷调查 | NA | 问卷调查数据 | 394名受访者（328名医学生和66名病理住院医师） | NA | NA | 统计显著性检验（P值） | NA |
| 18570 | 2024-12-05 |
I can see clearly now the blur has gone: Deep learning efficiencies in single-photon emission computed tomography myocardial perfusion imaging
2025-Jan, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2024.102091
PMID:39622362
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18571 | 2024-12-06 |
Prediction of Neoadjuvant Chemotherapy Response based on Ultrasound Deep Learning Radiomics Nomogram
2025-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.040
PMID:39632218
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18572 | 2024-12-09 |
Response to the Letter on Prediction Tumor and Axillary Lymph Nodes Response to Neoadjuvant Chemotherapy based on Ultrasound Deep Learning
2025-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.050
PMID:39643472
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18573 | 2025-10-07 |
UAV target tracking method based on global feature interaction and anchor-frame-free perceptual feature modulation
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314485
PMID:39820190
|
研究论文 | 提出一种基于全局特征交互和无锚框感知特征调制的无人机目标跟踪方法 | 通过深度互相关操作进行特征融合，引入全局注意力机制增强模型视野范围和特征细化能力，设计无锚框感知特征调制机制 | NA | 提升无人机目标跟踪的精度和速度兼容性 | 无人机视角下的目标跟踪 | 计算机视觉 | NA | 深度学习 | Siamese网络 | 视频流 | UAV123@10fps、UAV20L、DTB70数据集 | NA | Siamese网络 | 跟踪精度、处理速度 | Jetson Orin Nano平台 |
| 18574 | 2025-10-07 |
Automatic classification of mobile apps to ensure safe usage for adolescents
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313953
PMID:39820808
|
研究论文 | 提出一种基于注意力卷积神经网络的移动应用分类方法，以保护青少年免受不良内容影响 | 首次将基于BERT嵌入的注意力卷积神经网络应用于移动应用分类，在6G网络背景下解决青少年移动安全保护问题 | NA | 通过准确分类移动应用来保护青少年免受暴力视频、色情内容、仇恨言论和网络欺凌等不良内容影响 | 移动应用程序(M-APPs) | 自然语言处理 | NA | 深度学习 | CNN, A-CNNs | 移动应用数据 | NA | NA | 注意力卷积神经网络(A-CNNs), BERT | 准确率, 召回率 | NA |
| 18575 | 2025-10-07 |
Glaucoma detection and staging from visual field images using machine learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316919
PMID:39823435
|
研究论文 | 本研究开发了基于深度学习模型的青光眼检测和分期系统，仅使用模式偏差图进行自动分类 | 首次使用深度学习模型仅基于模式偏差图实现青光眼的分期分类，并与传统机器学习方法进行对比 | 样本量相对有限（265个数据集），数据存在不平衡问题 | 开发自动化的青光眼检测和分期系统 | 119只正常眼和146只青光眼患者的视觉场图像 | 计算机视觉 | 青光眼 | Humphrey 24-2视觉场检查 | CNN | 图像,数值数据 | 265个模式偏差图和265个数值数据集 | PyTorch,TensorFlow | ResNet18,VGG16 | F1-score,precision,recall,specificity,accuracy | NA |
| 18576 | 2025-10-07 |
Field-scale detection of Bacterial Leaf Blight in rice based on UAV multispectral imaging and deep learning frameworks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314535
PMID:39823436
|
研究论文 | 本研究开发了一种基于无人机多光谱成像和深度学习框架的水稻白叶枯病田间尺度检测方法 | 首次将U-Net架构与ResNet-101骨干网络结合，探索多种波段组合用于水稻病害检测，并自主构建了无人机水稻病害数据集 | 缺乏合适的基于无人机的水稻病害公开数据集，需要自主构建数据集 | 开发准确的水稻白叶枯病检测方法以支持精准补偿分配 | 水稻白叶枯病感染的稻田 | 计算机视觉 | 植物病害 | 无人机多光谱成像，NDVI，NDRE | 深度学习 | 多光谱图像 | 通过病害接种技术在实验稻田自主生成的数据集 | NA | U-Net, ResNet-101 | mIoU, 准确率, F1分数, 精确率, 召回率 | NA |
| 18577 | 2025-10-07 |
scGO: interpretable deep neural network for cell status annotation and disease diagnosis
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf018
PMID:39820437
|
研究论文 | 开发了一种基于基因本体的可解释深度学习框架scGO，用于单细胞RNA测序数据的细胞状态注释和疾病诊断 | 利用基因本体构建稀疏神经网络，通过基因、转录因子和GO术语之间的内在生物学关系增强模型可解释性，并引入计算基因操作技术用于发现治疗靶点 | 未明确说明模型在特定疾病类型或数据质量较差情况下的性能表现 | 解决深度学习模型在单细胞RNA测序分析中的可解释性问题，实现准确的细胞状态注释和疾病诊断 | 单细胞RNA测序数据中的细胞状态、疾病诊断、发育阶段预测、疾病严重程度评估和细胞衰老状态 | 生物信息学 | 多种疾病（未具体指定） | 单细胞RNA测序 | 深度学习, 稀疏神经网络 | 单细胞RNA测序数据 | 多个scRNA-seq数据集（未提供具体样本数量） | NA | 基于基因本体的稀疏神经网络架构 | 细胞亚型表征精度 | NA |
| 18578 | 2025-01-19 |
Enhancing Real-Time Patient Monitoring in Intensive Care Units with Deep Learning and the Internet of Things
2025-Jan-17, Big data
IF:2.6Q2
DOI:10.1089/big.2024.0113
PMID:39819048
|
研究论文 | 本文探讨了深度学习和物联网技术在重症监护病房（ICU）中实时患者监测的应用，旨在优化ICU的工作流程和提高诊疗水平 | 结合深度学习和物联网技术，提出了一种新型的智能ICU病房管理模式，以减少人为错误并改善患者监测和治疗效果 | 文章未具体提及现有系统的局限性，仅概述了深度学习和物联网技术整合的潜在优势和挑战 | 通过深度学习和物联网技术优化ICU的患者监测和诊疗流程，提高工作效率和诊疗水平 | 重症监护病房（ICU）中的患者监测系统 | 机器学习 | NA | 深度学习（DL）、物联网（IoT） | 深度学习模型 | 临床数据、传感器数据 | NA | NA | NA | NA | NA |
| 18579 | 2025-01-19 |
MultiChem: predicting chemical properties using multi-view graph attention network
2025-Jan-16, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-024-00419-4
PMID:39815309
|
研究论文 | 本文介绍了一种名为MultiChem的多视图图注意力网络模型，用于预测化学化合物的分子特性 | MultiChem模型通过结合局部和全局结构特征，利用图注意力层和多头注意力层来有效捕捉化学化合物的关键结构信息，相比现有方法在AUROC和RMSE上分别有3%和7%的提升 | 未明确提及具体局限性 | 开发一种高效且成本效益高的计算方法，以预测化学化合物的分子特性，从而加速药物发现过程 | 化学化合物的分子特性 | 机器学习 | NA | 多视图学习模型 | 图注意力网络（GAT） | 分子结构数据 | 九个MoleculeNet数据集 | NA | NA | NA | NA |
| 18580 | 2025-01-19 |
Evaluating the feasibility of AI-predicted bpMRI image features for predicting prostate cancer aggressiveness: a multi-center study
2025-Jan-15, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-024-01865-8
PMID:39812752
|
研究论文 | 本研究评估了利用人工智能预测的双参数MRI图像特征预测前列腺癌侵袭性的可行性 | 使用深度学习放射组学模型从bpMRI图像中提取特征，预测前列腺癌的侵袭性，并展示了良好的外部验证能力 | 研究未提及模型在不同种族或地区患者中的适用性 | 评估AI预测的bpMRI图像特征在前列腺癌侵袭性预测中的可行性 | 878名前列腺癌患者 | 数字病理学 | 前列腺癌 | 双参数MRI (bpMRI) | 深度学习放射组学模型 | 图像 | 878名前列腺癌患者，来自4家医院 | NA | NA | NA | NA |