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 34204 篇文献，本页显示第 19281 - 19300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 19281 | 2025-10-07 |
Prediction of cardiovascular markers and diseases using retinal fundus images and deep learning: a systematic scoping review
2024-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae068
PMID:39563905
|
系统性范围综述 | 本综述系统梳理了利用视网膜眼底图像和深度学习预测心血管标志物和疾病的研究现状 | 首次系统性综述深度学习结合视网膜眼底图像在心血管风险评估中的应用，识别了该领域的研究趋势和关键特征 | 纳入研究数量有限（24篇），外部验证罕见（21%），缺乏足够的前瞻性研究验证 | 评估利用视网膜眼底图像和深度学习预测心血管风险标志物和疾病的现有研究 | 心血管风险标志物和心血管疾病 | 计算机视觉 | 心血管疾病 | 视网膜眼底成像 | CNN | 图像 | NA | NA | NA | 判别性能 | NA |
| 19282 | 2025-01-31 |
A Scoping Review of the Use of Artificial Intelligence in the Identification and Diagnosis of Atrial Fibrillation
2024-Oct-24, Journal of personalized medicine
IF:3.0Q1
DOI:10.3390/jpm14111069
PMID:39590561
|
综述 | 本文综述了人工智能（AI）在心房颤动（AF）识别和诊断中的应用，特别是机器学习（ML）在临床环境中的应用 | 本文首次系统地综述了AI在AF诊断中的应用，特别是深度学习在自动提取特征方面的优越表现 | 综述仅基于30项研究，可能无法涵盖所有相关研究 | 旨在综合当前关于AI在AF识别和诊断中应用的知识 | 心房颤动（AF）的识别和诊断 | 机器学习 | 心血管疾病 | 机器学习（ML），深度学习 | 深度学习 | 12导联和单导联心电图信号，光电容积描记法数据 | 2635篇文章初步筛选，最终纳入30项研究 | NA | NA | NA | NA |
| 19283 | 2025-10-07 |
Machine learning and deep learning models for the diagnosis of apical periodontitis: a scoping review
2024-Oct-18, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-024-05989-5
PMID:39419893
|
综述 | 本文对使用机器学习和深度学习模型诊断根尖周炎的现有文献进行了范围综述 | 首次系统评估AI模型在根尖周炎诊断中的应用现状和性能表现 | 研究方法学和性能指标报告缺乏标准化，数据集大小、标注技术和算法配置存在显著差异 | 评估机器学习和深度学习模型在人类根尖周炎诊断中的应用 | 根尖周炎的诊断，重点关注根尖放射线透射区的识别 | 医学影像分析 | 根尖周炎 | 牙科X线影像分析 | 机器学习,深度学习 | 牙科X线影像 | 19项相关研究，具体样本量未明确报告 | NA | NA | 灵敏度,特异性 | NA |
| 19284 | 2025-10-07 |
AI in Psoriatic Disease: Scoping Review
2024-Oct-16, JMIR dermatology
DOI:10.2196/50451
PMID:39413371
|
综述 | 本文对人工智能在银屑病领域应用的最新研究文献进行了系统性回顾 | 首次系统性地总结了AI在银屑病诊疗和管理中的多种应用场景，特别关注远程皮肤病学和生物制剂治疗预测 | 结果在特定人群（如深色皮肤类型患者）中的验证、标准化和普适性存在局限 | 评估人工智能在银屑病诊断和临床管理中的应用现状及局限性 | 银屑病相关研究文献 | 数字病理学 | 银屑病 | 机器学习,深度学习 | NA | 医学文献,患者照片,注册登记数据 | 38篇相关论文 | NA | NA | NA | NA |
| 19285 | 2025-10-07 |
AI Applications in Adult Stroke Recovery and Rehabilitation: A Scoping Review Using AI
2024-Oct-12, Sensors (Basel, Switzerland)
DOI:10.3390/s24206585
PMID:39460066
|
综述 | 使用AI技术对成人卒中康复领域AI应用研究进行范围综述，总结704项研究的应用主题和技术发展脉络 | 首次采用AI增强的多方法数据驱动技术进行范围综述，通过主题聚类和时间关联分析揭示技术演进模式 | 仅纳入截至2024年1月的研究，未对研究质量进行系统评估 | 识别和描述AI在成人卒中康复领域的应用类别和技术发展历程 | 卒中康复成人患者 | 医疗人工智能 | 脑卒中 | AI增强多方法分析、主题聚类、时间序列分析 | 监督学习、人工神经网络、自然语言处理、机器学习、深度学习 | 文献数据、传感器数据 | 704项研究 | NA | NA | NA | NA |
| 19286 | 2025-10-07 |
Use of artificial intelligence to support prehospital traumatic injury care: A scoping review
2024-Oct, Journal of the American College of Emergency Physicians open
IF:1.6Q2
DOI:10.1002/emp2.13251
PMID:39234533
|
综述 | 本范围综述系统分析了基于院前特征的AI模型在创伤急救早期决策支持中的应用研究 | 首次系统梳理了AI技术在院前创伤急救决策支持中的应用现状和发展趋势 | 仅纳入英文文献，可能存在发表偏倚；研究多为回顾性设计，证据等级有限 | 评估基于院前特征的AI模型在创伤急救早期决策支持中的应用效果 | 院前急救人员、急诊医生和创伤外科医生在急性创伤救治中的决策过程 | 医疗人工智能 | 创伤性损伤 | 机器学习、深度学习、自然语言处理 | 机器学习、深度学习、自然语言处理 | 院前急救特征数据、急诊科入院即时数据 | 49篇符合纳入标准的研究文献（从1050篇初筛文献中筛选） | NA | 支持向量机、逻辑回归、随机森林 | kappa值、描述性统计 | NA |
| 19287 | 2025-10-07 |
Processing of Short-Form Content in Clinical Narratives: Systematic Scoping Review
2024-Sep-26, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/57852
PMID:39325515
|
综述 | 本系统范围综述分析了临床叙事中短格式内容的类型及自然语言处理技术在其识别、扩展和消歧中的应用 | 首次系统梳理了2018-2023年间临床叙事中短格式处理的NLP方法，并识别了研究空白领域 | 纳入研究数量有限（仅19篇），缺乏对临床短格式的明确定义，非英语语言研究不足 | 概述临床叙事中短格式内容的类型及其NLP处理技术 | 临床叙事中的缩写词和首字母缩略词 | 自然语言处理 | NA | 自然语言处理 | 深度学习 | 临床文本 | 19篇符合纳入标准的研究文献 | NA | NA | NA | NA |
| 19288 | 2025-10-07 |
From Voxel to Gene: A Scoping Review on MRI Radiogenomics' Artificial Intelligence Predictions in Adult Gliomas and Glioblastomas-The Promise of Virtual Biopsy?
2024-Sep-23, Biomedicines
IF:3.9Q1
DOI:10.3390/biomedicines12092156
PMID:39335670
|
综述 | 评估深度学习在成人胶质瘤和胶质母细胞瘤MRI影像基因组学中遗传特征预测的应用现状 | 系统分析从全卷积网络到ResNet、DenseNet等先进架构在胶质瘤虚拟活检中的演变 | 研究存在数据集规模小、同质性强以及验证方法不一致的问题，缺乏稳健的外部验证 | 评估深度学习技术在胶质瘤遗传特征表征中的应用潜力，探索虚拟活检的可能性 | 成人胶质瘤和胶质母细胞瘤患者 | 医学影像分析 | 胶质瘤,胶质母细胞瘤 | MRI影像基因组学 | 深度学习 | 医学影像(MRI) | 基于17项研究的综合分析 | NA | 全卷积网络,ResNet,DenseNet | k折交叉验证,外部数据集验证 | NA |
| 19289 | 2025-10-07 |
Advances in Protein-Ligand Binding Affinity Prediction via Deep Learning: A Comprehensive Study of Datasets, Data Preprocessing Techniques, and Model Architectures
2024, Current drug targets
IF:3.0Q2
|
综述 | 本文全面分析了蛋白质-配体结合亲和力预测领域的深度学习技术，包括常用数据集、数据预处理方法和模型架构 | 填补了先前研究的空白，对常用数据集进行了全面质量分析，并对最新深度学习方法提供了全新分类视角 | 基于文献调研的方法可能无法涵盖所有最新进展，数据质量和模型可解释性问题仍是挑战 | 加速开发更有效可靠的蛋白质-配体结合亲和力预测深度学习模型 | 蛋白质-配体相互作用 | 机器学习 | NA | 深度学习 | 图神经网络,卷积神经网络,Transformer | 分子结构数据 | NA | NA | GNN,CNN,Transformer | NA | NA |
| 19290 | 2025-10-07 |
The application of explainable artificial intelligence (XAI) in electronic health record research: A scoping review
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241272657
PMID:39493635
|
综述 | 本文对电子健康记录研究中可解释人工智能方法的应用范围进行了系统性评述 | 首次系统性地评估了XAI方法在电子健康记录研究中的应用现状和发展趋势 | 纳入研究的方法报告不完整，缺乏对有效性和稳健性的严格评估 | 评估可解释人工智能方法在电子健康记录数据分析中的应用效果 | 使用电子健康记录数据并应用机器学习和深度学习模型的研究 | 机器学习 | NA | 可解释人工智能 | Extreme Gradient Boosting, Random Forest | 表格型电子健康记录数据 | 76篇纳入分析的出版物（来自3220篇初始文献） | NA | NA | NA | NA |
| 19291 | 2025-01-31 |
A scoping review of magnetic resonance angiography and perfusion image synthesis
2024, Frontiers in dementia
DOI:10.3389/frdem.2024.1408782
PMID:39588202
|
综述 | 本文探讨了人工智能在从现有神经解剖和神经血管采集数据中生成合成TOF-MRA和灌注相关图像的应用，以研究脑血管系统 | 利用深度学习技术从现有对比度生成合成医学图像，特别是TOF-MRA和灌注MRI图像，为脑血管研究提供新的视角 | 需要进一步研究以评估这些合成图像的敏感性和特异性，并确保其在不同人群中的适用性 | 研究人工智能在生成合成TOF-MRA和灌注相关图像中的应用，以增强脑血管研究 | 脑血管系统及其与阿尔茨海默病等疾病的关联 | 医学影像 | 阿尔茨海默病 | 深度学习 | NA | 医学影像 | 729项研究中的13项符合标准 | NA | NA | NA | NA |
| 19292 | 2025-01-31 |
Past, present, and future of electrical impedance tomography and myography for medical applications: a scoping review
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1486789
PMID:39726983
|
综述 | 本文综述了两种新兴的电阻抗技术：电阻抗肌电图（EIM）和电阻抗断层扫描（EIT），并探讨了它们在医学应用中的过去、现在和未来 | 总结了EIM和EIT技术的最新进展，特别是数字采集、处理算法和重建工具的应用，以及机器学习和深度学习在诊断、治疗计划和监测中的作用 | 未具体提及研究的局限性 | 探讨电阻抗技术在医学应用中的发展、算法、工具和数据集，为研究人员和临床医生提供有效使用和创新研究的信息 | 电阻抗肌电图（EIM）和电阻抗断层扫描（EIT）技术 | 医学成像 | 癌症、肺部疾病、神经肌肉疾病 | 电阻抗技术、电压控制电流源（VCCS） | NA | 电阻抗数据 | NA | NA | NA | NA | NA |
| 19293 | 2025-01-31 |
Recent advances in deep learning and language models for studying the microbiome
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1494474
PMID:39840283
|
综述 | 本文综述了深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 探讨了将大型语言模型（LLMs）应用于微生物蛋白质和基因组序列分析的新方法，以及这些方法在微生物生态学研究中的贡献 | NA | 研究深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 微生物蛋白质和基因组序列 | 自然语言处理 | NA | 大型语言模型（LLMs） | LLMs | 蛋白质和基因组序列 | NA | NA | NA | NA | NA |
| 19294 | 2025-01-31 |
LWheatNet: a lightweight convolutional neural network with mixed attention mechanism for wheat seed classification
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1509656
PMID:39866319
|
研究论文 | 本文提出了一种轻量级的卷积神经网络LWheatNet，用于小麦种子分类，结合了混合注意力机制和堆叠的倒置残差卷积网络 | 提出了混合注意力机制，结合了通道注意力和空间注意力，并设计了堆叠的倒置残差网络，使用深度可分离卷积、通道混洗和通道分割技术来减少模型参数和计算量 | 未提及具体局限性 | 提高小麦种子分类的准确性和实时性 | 小麦种子图像 | 计算机视觉 | NA | 深度可分离卷积、通道混洗、通道分割 | CNN | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 19295 | 2025-01-28 |
Editorial: Deep learning for high-dimensional sense, non-linear signal processing and intelligent diagnosis
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1538534
PMID:39866684
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 19296 | 2025-01-31 |
Who is WithMe? EEG features for attention in a visual task, with auditory and rhythmic support
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1434444
PMID:39867449
|
研究论文 | 本研究探讨了与注意力最密切相关的EEG数据表示或特征，并评估了它们在处理跨被试变异性方面的能力 | 研究了单通道EEG时间序列的特征，包括时域特征和递归图，以及从多变量时间序列中直接获得的表示，如全局场功率或功能性脑网络，并探索了对不同类型噪声具有鲁棒性的持久同调特征 | 研究结果仅限于WithMe实验范式，需要进一步研究不同任务以提供更全面的理解 | 研究哪些EEG数据表示或特征与注意力最密切相关，并评估它们在处理跨被试变异性方面的能力 | EEG数据 | 脑机接口 | NA | EEG | 支持向量机(SVM), 深度学习架构 | 时间序列数据 | NA | NA | NA | NA | NA |
| 19297 | 2025-01-31 |
A stacking ensemble system for identifying the presence of histological variants in bladder carcinoma: a multicenter study
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1469427
PMID:39868365
|
研究论文 | 本研究旨在构建一个堆叠集成系统，用于简单、高效且非侵入性地识别膀胱癌的组织学变异 | 使用Swin UNETR算法构建交互式深度学习膀胱癌图像分割框架，并结合放射组学特征和深度学习特征构建堆叠集成系统 | 样本量相对较小，且仅基于CT图像进行分析，未涉及其他影像学或分子生物学数据 | 开发一种非侵入性方法，用于早期识别膀胱癌的组织学变异 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | CT成像、放射组学分析、深度学习 | Swin UNETR、堆叠集成模型 | CT图像 | 训练集410名患者，测试集60名患者 | NA | NA | NA | NA |
| 19298 | 2025-10-07 |
Detecting autism in children through drawing characteristics using the visual-motor integration test
2025-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-025-00338-6
PMID:39877430
|
研究论文 | 通过视觉-运动整合测试中的绘画特征检测儿童自闭症 | 提出基于绘画特征的自闭症分类新方法，采用集成学习显著提升分类准确率至0.934，并识别出5个最具区分度的绘画模式 | 样本量较小（50名儿童），性别分布不均衡（44男6女），仅针对台湾地区学龄儿童 | 开发通过绘画特征区分自闭症儿童与正常发育儿童的分类方法 | 台湾6-12岁学龄儿童（含自闭症儿童和正常发育儿童） | 计算机视觉 | 自闭症 | 视觉-运动整合测试 | 深度学习 | 绘画图像 | 50名儿童（44名男孩，6名女孩） | NA | NA | 准确率 | NA |
| 19299 | 2025-10-07 |
Deep learning driven silicon wafer defect segmentation and classification
2025-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103158
PMID:39877475
|
研究论文 | 本研究开发了一种基于深度学习的硅晶圆缺陷分割与分类系统，并集成大型语言模型提供交互式缺陷分析 | 将深度学习缺陷分割分类与大型语言模型问答能力相结合，实现自动化检测与交互式指导的双重功能 | NA | 实现硅晶圆缺陷的自动化检测与分类，提高集成电路制造质量 | 硅晶圆上的缺陷 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | 平均绝对误差,均方根误差,Dice系数,交并比,准确率,精确率,召回率,F1分数 | NA |
| 19300 | 2025-10-07 |
EyeLiner: A Deep Learning Pipeline for Longitudinal Image Registration Using Fundus Landmarks
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100664
PMID:39877463
|
研究论文 | 提出名为EyeLiner的深度学习流程，用于基于眼底标志点的纵向图像配准 | 结合CNN关键点检测与基于Transformer的匹配算法，在三个独立数据集上超越现有最先进方法 | 未明确说明计算资源需求和模型处理速度 | 开发用于纵向眼底图像配准的深度学习方法，以改善疾病进展监测 | 眼底彩色照片(CFPs) | 计算机视觉 | 眼科疾病（青光眼、黄斑变性） | 眼底成像 | CNN, Transformer | 图像 | 三个纵向数据集：FIRE、SIGF和CORIS | NA | NA | 平均距离(MD), 曲线下面积(AUC) | NA |