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 33632 篇文献，本页显示第 18661 - 18680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18661 | 2025-01-31 |
A machine learning model for predicting abnormal liver function induced by a Chinese herbal medicine preparation (Zhengqing Fengtongning) in patients with rheumatoid arthritis based on real-world study
2025-Jan, Journal of integrative medicine
DOI:10.1016/j.joim.2024.12.001
PMID:39721810
|
研究论文 | 本研究开发了一个机器学习模型，用于预测中药制剂正清风痛宁（ZF）在类风湿性关节炎患者中引起的肝功能异常 | 首次基于真实世界数据开发了预测ZF引起肝功能异常的模型，并比较了10种机器学习和深度学习模型的性能 | 研究为回顾性研究，可能存在数据偏差 | 开发预测模型以提高ZF与西药联合使用的安全性 | 类风湿性关节炎患者 | 机器学习 | 类风湿性关节炎 | 机器学习、深度学习 | LightGBM | 临床数据 | 1,913名符合条件的患者 | NA | NA | NA | NA |
| 18662 | 2025-01-31 |
Deep Learning for Predicting Spheroid Viability: Novel Convolutional Neural Network Model for Automating Quality Control for Three-Dimensional Bioprinting
2025-Jan-01, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010028
PMID:39851302
|
研究论文 | 本研究开发了一种卷积神经网络模型，用于预测三维生物打印中球状体的存活率，以提高质量控制效率 | 提出了一种新的卷积神经网络模型，用于自动化评估球状体存活率，解决了现有方法耗时、劳动密集、需要专业训练或存在人为偏差的问题 | 研究仅基于小鼠间充质干细胞球状体，未涉及其他细胞类型或更复杂的组织模型 | 开发一种高效、准确的方法来评估球状体存活率，以促进生物工程心脏组织贴片的开发 | 小鼠间充质干细胞球状体 | 数字病理学 | 心血管疾病 | CCK-8检测 | CNN | 图像 | 不同大小的小鼠间充质干细胞球状体数据集 | NA | NA | NA | NA |
| 18663 | 2025-01-31 |
Neural-WDRC: A Deep Learning Wide Dynamic Range Compression Method Combined With Controllable Noise Reduction for Hearing Aids
2025 Jan-Dec, Trends in hearing
IF:2.6Q1
DOI:10.1177/23312165241309301
PMID:39865875
|
研究论文 | 本文提出了一种名为Neural-WDRC的深度学习方法，用于在助听器中结合可控降噪的宽动态范围压缩（WDRC） | Neural-WDRC采用两阶段低复杂度网络，同时实现降噪和WDRC，通过控制残余噪声水平帮助用户感知自然环境声音 | NA | 提高助听器在非稳态噪声环境下的语音清晰度和听感舒适度 | 助听器用户 | 机器学习 | 听力障碍 | 深度学习 | 两阶段低复杂度网络 | 音频信号 | 正常听力参与者和听力受损参与者 | NA | NA | NA | NA |
| 18664 | 2025-01-31 |
Deep Learning and Radiomics in Triple-Negative Breast Cancer: Predicting Long-Term Prognosis and Clinical Outcomes
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S509004
PMID:39866348
|
综述 | 本文综述了深度学习和放射组学在三阴性乳腺癌（TNBC）诊断和治疗中的应用进展 | 结合深度学习和放射组学技术，探索其在TNBC诊断、治疗反应评估和长期预后预测中的应用前景 | 未提及具体研究数据或实验结果的局限性 | 探讨深度学习和放射组学在TNBC诊断和治疗中的潜在应用 | 三阴性乳腺癌（TNBC） | 数字病理学 | 乳腺癌 | 深度学习、放射组学、超声、MRI | NA | 图像 | NA | NA | NA | NA | NA |
| 18665 | 2025-01-31 |
Development of metastasis and survival prediction model of luminal and non-luminal breast cancer with weakly supervised learning based on pathomics
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18780
PMID:39866573
|
研究论文 | 本研究旨在开发一种基于病理图像的深度学习模型，用于预测乳腺癌患者的转移和生存结果 | 利用弱监督学习方法，结合病理图像和临床特征，开发了预测乳腺癌转移和生存的深度学习模型 | 样本量相对较小，仅包括204个根治性乳房切除标本 | 开发预测乳腺癌患者转移和生存结果的深度学习模型 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 全片成像（WSI） | DenseNet121, ResNet50, Inception_v3 | 图像 | 204个根治性乳房切除标本 | NA | NA | NA | NA |
| 18666 | 2025-01-28 |
Post-processing enhances protein secondary structure prediction with second order deep learning and embeddings
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2024.12.022
PMID:39866664
|
研究论文 | 本文探讨了利用二阶深度学习和嵌入技术增强蛋白质二级结构预测的方法 | 采用卷积神经网络（CNN）结合SHN方法进行训练，并使用从预训练语言模型中提取的嵌入作为输入，通过后处理技术显著提高了预测性能 | 后处理窗口大小受限于CASP13数据集中最小蛋白质的大小 | 提高蛋白质二级结构预测的准确性 | 蛋白质二级结构 | 生物信息学 | NA | 深度学习 | CNN | 蛋白质序列 | CB513、PISCES和CASP13数据集 | NA | NA | NA | NA |
| 18667 | 2025-01-31 |
Enhancing prostate cancer segmentation in bpMRI: Integrating zonal awareness into attention-guided U-Net
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251314546
PMID:39866889
|
研究论文 | 本研究提出了一种结合区域感知的注意力引导U-Net模型，用于增强前列腺癌在双参数磁共振成像（bpMRI）中的分割效果 | 创新点在于引入区域特征对疾病进展的影响，采用两步机制的自动化方法，先对前列腺区域进行分割预训练，再对病变进行分割预训练 | 未提及具体局限性 | 提高前列腺癌在bpMRI图像中的诊断性能，实现早期准确诊断 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 双参数磁共振成像（bpMRI） | 注意力引导U-Net | 图像 | 未提及具体样本量 | NA | NA | NA | NA |
| 18668 | 2025-01-31 |
Classification of CT scan and X-ray dataset based on deep learning and particle swarm optimization
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317450
PMID:39869555
|
研究论文 | 本文提出了一种基于深度学习和粒子群优化的低误报率疾病检测方法，用于COVID-19肺部图像的分类 | 提出了一种两阶段优化模型，第一阶段使用经典梯度下降法训练模型并提取相关特征，第二阶段构建最小化误报率的目标函数，以获得高精度和低误报率的网络模型 | NA | 开发一种低误报率的疾病检测方法，用于COVID-19肺部图像的分类 | COVID-19肺部图像 | 计算机视觉 | COVID-19 | 深度学习，粒子群优化 | 两阶段优化模型 | 图像 | 公共COVID-19放射学数据集和公共COVID-19肺部CT扫描数据集 | NA | NA | NA | NA |
| 18669 | 2025-01-31 |
Deep learning based analysis of G3BP1 protein expression to predict the prognosis of nasopharyngeal carcinoma
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315893
PMID:39869565
|
研究论文 | 本文利用深度学习技术分析G3BP1蛋白表达，以预测鼻咽癌的预后 | 首次使用数字病理学方法研究G3BP1的免疫组化染色，并建立了一个深度学习模型来量化染色强度和范围 | 未提及样本量的具体限制或潜在的偏差 | 研究G3BP1蛋白表达与鼻咽癌预后的关系 | 鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 免疫组化染色 | 深度学习模型 | 图像 | 未提及具体样本量 | NA | NA | NA | NA |
| 18670 | 2025-01-31 |
Enhanced ResNet-50 for garbage classification: Feature fusion and depth-separable convolutions
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317999
PMID:39869568
|
研究论文 | 本文提出了一种基于ResNet-50网络的垃圾图像分类模型，通过特征融合和深度可分离卷积提高分类准确性和计算效率 | 提出了冗余加权特征融合模块和深度可分离卷积，有效减少了模型参数数量并提高了计算效率，同时在Focal Loss中加入了权重因子以解决类别不平衡问题 | NA | 开发一种合理有效的垃圾图像分类方法，以提高分类准确性、鲁棒性和检测速度 | 垃圾图像 | 计算机视觉 | NA | 深度学习 | ResNet-50 | 图像 | TrashNet数据集 | NA | NA | NA | NA |
| 18671 | 2025-01-31 |
Dual-hybrid intrusion detection system to detect False Data Injection in smart grids
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316536
PMID:39869576
|
研究论文 | 本文提出了一种新型的双混合入侵检测系统（IDS），用于检测智能电网中的虚假数据注入攻击（FDIAs） | 结合了混合特征选择和深度学习分类器，使用粒子群优化（PSO）和灰狼优化（GWO）进行特征选择，并整合了卷积神经网络（CNN）和长短期记忆网络（LSTM）来捕捉数据的空间和时间特征 | 未来研究应关注整合真实世界智能电网数据进行验证，开发自适应学习机制，探索其他生物启发优化算法，并解决大规模部署中的实时处理和可扩展性挑战 | 提高智能电网中入侵检测系统（IDS）的准确性和鲁棒性 | 智能电网中的虚假数据注入攻击（FDIAs） | 机器学习 | NA | 混合特征选择，深度学习 | CNN, LSTM | 智能电网数据 | 工业控制系统（ICS）网络攻击数据集（电力系统数据集），包含多种FDIA场景的模拟数据 | NA | NA | NA | NA |
| 18672 | 2025-01-31 |
Alzheimer's disease image classification based on enhanced residual attention network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317376
PMID:39869613
|
研究论文 | 本文提出了一种基于增强残差注意力网络（ERAN）的深度学习模型，用于阿尔茨海默病的医学图像分类 | 结合残差学习、注意力机制和软阈值技术，提升了模型的特征表示能力和分类准确率 | 未提及模型在其他数据集上的泛化能力及临床应用的可行性 | 提高阿尔茨海默病的早期诊断准确率 | 阿尔茨海默病的医学图像 | 计算机视觉 | 老年病 | 深度学习 | 增强残差注意力网络（ERAN） | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 18673 | 2025-01-31 |
Advancements in Artificial Intelligence in Noninvasive Cardiac Imaging: A Comprehensive Review
2025-Jan, Clinical cardiology
IF:2.4Q2
DOI:10.1002/clc.70087
PMID:39871619
|
综述 | 本文综述了人工智能在无创心脏影像学中的技术进步及其对诊断流程和患者预后的影响 | 探讨了AI在心脏影像学中的应用，包括提高图像质量、加速处理时间和提升诊断准确性，以及识别传统方法可能忽略的细微心脏异常 | 存在数据标准化、法规遵从性和患者安全等挑战 | 评估人工智能在心脏影像学中的应用及其对诊断和患者预后的影响 | 心脏影像学中的各种成像模式，包括超声心动图、磁共振成像（MRI）、计算机断层扫描（CT）和核成像 | 医学影像 | 心血管疾病 | 机器学习和深度学习算法 | NA | 图像 | NA | NA | NA | NA | NA |
| 18674 | 2025-01-31 |
Artificial Intelligence Transforming Post-Translational Modification Research
2024-Dec-31, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010026
PMID:39851300
|
综述 | 本文探讨了人工智能（AI）在研究蛋白质翻译后修饰（PTMs）中的应用 | 本文创新性地比较了多种深度学习架构和程序，包括最近应用的语言模型，用于预测蛋白质上的PTM位点及其调控功能，并描述了一个高通量PTM数据生成管道 | 本文未提及具体的研究局限性 | 探索人工智能在蛋白质翻译后修饰研究中的应用 | 蛋白质翻译后修饰（PTMs） | 生物信息学 | NA | 深度学习 | 语言模型 | 蛋白质数据 | NA | NA | NA | NA | NA |
| 18675 | 2025-01-31 |
Exploring Multi-Pathology Brain Segmentation: From Volume-Based to Component-Based Deep Learning Analysis
2024-Dec-31, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11010006
PMID:39852319
|
研究论文 | 本文探讨了使用深度学习模型对多病理脑部MRI图像进行分割的方法，从基于体积的分析到基于组件的分析 | 本文创新性地对预训练的U-net模型在四种不同脑部病理（肿瘤、中风、多发性硬化症和白质高信号）上的分割结果进行了深入分析，并提供了异常组件的位置、强度和体积的详细评估 | 模型在检测和分割异常组件时存在较高的假阳性和假阴性率，尤其是在异常组件的部分正确检测方面表现不佳 | 研究目的是通过深度学习模型对多病理脑部MRI图像进行分割，并评估其在不同病理条件下的表现 | 研究对象为包含四种不同病理（肿瘤、中风、多发性硬化症和白质高信号）的脑部MRI图像 | 数字病理 | 脑部疾病 | MRI | U-net | 图像 | 验证集中的脑部MRI图像 | NA | NA | NA | NA |
| 18676 | 2025-01-31 |
Cells Grouping Detection and Confusing Labels Correction on Cervical Pathology Images
2024-Dec-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010023
PMID:39851297
|
研究论文 | 本文提出了一种基于先验知识收集和混淆标签校正的宫颈细胞检测网络PGCC-Net，旨在通过细胞分组检测和标签校正提高宫颈病理图像的自动分析效率和准确性 | 利用临床先验知识将检测任务分解为多个子任务进行细胞分组检测，并通过构建特征中心进行标签校正，以提高深度学习网络的分类准确性 | 未提及具体局限性 | 提高宫颈病理图像中细胞检测和分类的效率和准确性 | 宫颈病理图像中的细胞 | 数字病理学 | 宫颈癌 | 深度学习 | PGCC-Net | 图像 | 公共数据集7410张图像，私有数据集13526张图像 | NA | NA | NA | NA |
| 18677 | 2025-01-31 |
External Validation of Deep Learning Models for Classifying Etiology of Retinal Hemorrhage Using Diverse Fundus Photography Datasets
2024-Dec-29, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010020
PMID:39851294
|
研究论文 | 本研究旨在通过外部验证深度学习模型（FastVit_SA12和ResNet18）来区分视网膜出血的创伤性和医学性病因，使用多样化的眼底摄影数据集 | 首次在多样化的眼底摄影数据集上对FastVit_SA12和ResNet18模型进行外部验证，展示了它们在临床环境中准确诊断视网膜出血的潜力 | 研究依赖于特定数据集，可能无法完全代表所有临床情况 | 验证深度学习模型在区分视网膜出血病因中的准确性和可靠性 | 视网膜出血的病因分类 | 计算机视觉 | 视网膜疾病 | 深度学习 | FastVit_SA12, ResNet18 | 图像 | 2661张眼底摄影图像 | NA | NA | NA | NA |
| 18678 | 2025-01-31 |
Artificial Intelligence in Pediatric Electrocardiography: A Comprehensive Review
2024-Dec-27, Children (Basel, Switzerland)
DOI:10.3390/children12010025
PMID:39857856
|
综述 | 本文综述了人工智能在儿科心电图分析中的应用现状，探讨了深度学习方法在提高诊断准确性、加快工作流程和改善患者预后方面的潜力 | 首次全面回顾了人工智能在儿科心电图分析中的应用，并探讨了该领域的独特挑战和未来研究方向 | 尽管人工智能在心电图分析中显示出巨大潜力，但其广泛临床应用仍需进一步研究、严格验证，并考虑公平性、伦理、法律和实际挑战 | 探讨人工智能在儿科心电图分析中的应用，以提高诊断准确性和患者预后 | 儿科心电图数据 | 医疗人工智能 | 心血管疾病 | 深度学习 | NA | 心电图数据 | NA | NA | NA | NA | NA |
| 18679 | 2025-01-31 |
HDNLS: Hybrid Deep-Learning and Non-Linear Least Squares-Based Method for Fast Multi-Component T1ρ Mapping in the Knee Joint
2024-Dec-25, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010008
PMID:39851282
|
研究论文 | 本文提出了一种结合深度学习和非线性最小二乘法的混合模型HDNLS，用于膝关节的快速多组分T1ρ映射 | HDNLS模型结合了基于合成数据训练的体素级深度学习和少量NLS迭代，加速了拟合过程，并消除了对参考MRI数据的需求 | HDNLS在估计质量上显著优于基于深度学习的方法，但在速度上略慢于这些方法 | 解决非线性最小二乘法在定量磁共振成像中的初始猜测敏感性、收敛速度慢和计算成本高的问题，同时克服基于深度学习的T1ρ拟合方法对噪声敏感和依赖NLS生成参考数据的挑战 | 膝关节的多组分T1ρ映射 | 医学影像分析 | NA | 定量磁共振成像（MRI） | HDNLS（混合深度学习与非线性最小二乘法模型） | 合成数据 | NA | NA | NA | NA | NA |
| 18680 | 2025-01-31 |
Neoplasms in the Nasal Cavity Identified and Tracked with an Artificial Intelligence-Assisted Nasal Endoscopic Diagnostic System
2024-Dec-25, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010010
PMID:39851283
|
研究论文 | 本研究构建了一个人工智能辅助的鼻内窥镜诊断系统，能够初步区分和识别鼻腔肿瘤特性，并在手术中进行实时跟踪，为鼻内窥镜手术提供重要依据 | 首次结合Deep Snake、U-Net和Att-Res2-UNet网络开发了基于内窥镜图像的鼻腔肿瘤检测网络，并优化了SiamMask在线跟踪算法，实现了术中实时自动跟踪 | 模型的总体准确率略低于鼻科专家（0.9790 ± 0.00348 vs 0.9707 ± 0.00984） | 构建一个能够初步识别鼻腔肿瘤并在手术中实时跟踪的人工智能辅助鼻内窥镜诊断系统 | 鼻腔肿瘤 | 计算机视觉 | 鼻腔肿瘤 | 深度学习 | Deep Snake, U-Net, Att-Res2-UNet, SiamMask | 视频数据 | 1050例鼻内窥镜手术视频数据，涉及四种类型的鼻腔肿瘤 | NA | NA | NA | NA |