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 19521 - 19540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 19521 | 2025-01-25 |
CardiacField: computational echocardiography for automated heart function estimation using two-dimensional echocardiography probes
2025-Jan, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae072
PMID:39846074
|
研究论文 | 本文介绍了一种名为CardiacField的计算心脏超声系统，使用二维超声探头自动估计左心室和右心室的射血分数，旨在为非心血管专业的医疗从业者提供易于使用的心脏功能评估工具 | CardiacField系统通过隐式神经表示网络从二维超声图像重建三维心脏体积，并自动分割左心室和右心室区域以计算射血分数，显著提高了心脏功能评估的准确性和易用性 | 研究样本量相对较小（127名患者），且未涵盖所有类型的超声设备，可能影响结果的普适性 | 开发一种自动、精确的心脏功能评估系统，以改善心血管疾病的检测和监测 | 左心室和右心室的射血分数 | 数字病理学 | 心血管疾病 | 二维超声成像 | 隐式神经表示网络 | 图像 | 127名患者 | NA | NA | NA | NA |
| 19522 | 2025-01-25 |
Dissecting AlphaFold2's capabilities with limited sequence information
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae187
PMID:39846081
|
研究论文 | 本研究探讨了AlphaFold2在主要依赖高质量模板结构而非多序列比对（MSAs）提供额外信息时的蛋白质结构预测能力 | 通过设计实验探究AlphaFold2对局部和全局结构的理解，揭示了其对特定特征的依赖及其处理缺失信息的能力 | AlphaFold2学习到的生物物理能量函数在局部相互作用中最为有效，但在全局结构预测上可能存在局限 | 研究AlphaFold2在有限序列信息下的蛋白质结构预测能力 | 蛋白质的三维结构 | 机器学习 | NA | 深度学习 | AlphaFold2 | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 19523 | 2025-10-07 |
A hyperparameter optimization-assisted deep learning method towards thermal error modeling of spindles
2025-Jan, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2024.11.001
PMID:39516098
|
研究论文 | 提出一种结合贝叶斯优化和扩张卷积神经网络的深度学习方法来建立主轴热误差模型 | 将贝叶斯优化与扩张卷积神经网络相结合，通过扩张率扩大感受野而不增加参数数量，并使用高斯过程优化9个关键超参数 | NA | 提高主轴热误差建模的精度和泛化能力 | 机床主轴的热误差 | 机器学习 | NA | 深度学习 | CNN, DCNN | 热误差数据 | NA | NA | 扩张卷积神经网络 | 准确率 | NA |
| 19524 | 2025-10-07 |
Fault detection and classification of motor bearings under multiple operating conditions
2025-Jan, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2024.11.008
PMID:39592313
|
研究论文 | 提出一种用于多工况下电机轴承故障检测与分类的多任务方法 | 开发了适用于多工况和多故障类型的轴承故障诊断框架，在HUST轴承数据集上展现出鲁棒性能 | NA | 提高机械设备的安全性和可靠性，实现多工况下轴承故障的准确诊断 | 电机轴承 | 机器学习 | NA | 深度学习 | NA | 传感器数据 | HUST电机轴承数据集 | NA | NA | NA | NA |
| 19525 | 2025-10-07 |
Anatomy-centred deep learning improves generalisability and progression prediction in radiographic sacroiliitis detection
2024-Dec-23, RMD open
IF:5.1Q1
DOI:10.1136/rmdopen-2024-004628
PMID:39719299
|
研究论文 | 本研究探讨了以解剖学为中心的深度学习在提高影像学骶髂关节炎检测的泛化能力和预测疾病进展方面的效果 | 提出解剖学中心的深度学习模型，通过裁剪骶髂关节边界框区域来改进模型性能，并首次展示了该模型在预测疾病进展方面的能力 | 回顾性多中心研究，样本量相对有限，需要进一步前瞻性验证 | 提高影像学骶髂关节炎检测的泛化能力并预测疾病进展 | 中轴型脊柱关节炎患者的常规骨盆X光片 | 医学影像分析 | 中轴型脊柱关节炎 | 深度学习 | 神经网络 | X光图像 | 训练集1261张图像，验证集222张图像，三个独立测试集分别包含436、340和163名患者 | NA | NA | AUC, 准确率, 灵敏度, 特异性 | NA |
| 19526 | 2025-10-07 |
Advances for Managing Pancreatic Cystic Lesions: Integrating Imaging and AI Innovations
2024-Dec-22, Cancers
IF:4.5Q1
DOI:10.3390/cancers16244268
PMID:39766167
|
综述 | 本文综述了人工智能在胰腺囊性病变管理中的创新应用，重点探讨了AI如何提升诊断准确性和风险分层能力 | 整合影像学与人工智能技术，提出深度学习算法和影像组学在胰腺囊性病变自动分割和异质性分析中的创新应用 | 目前AI方法仍处于早期研究阶段，需要更多临床验证和大规模前瞻性研究 | 探索人工智能技术在胰腺囊性病变诊断和管理中的潜在价值 | 胰腺囊性病变（PCLs） | 医学影像分析 | 胰腺癌 | 放射影像学、超声内镜引导细针穿刺、临床和生化数据 | 深度学习 | 医学影像 | NA | NA | NA | 诊断准确性、风险分层能力 | NA |
| 19527 | 2025-10-07 |
Approaching artificial intelligence to Hospital Pharmacy
2024-Jul, Farmacia hospitalaria : organo oficial de expresion cientifica de la Sociedad Espanola de Farmacia Hospitalaria
IF:1.0Q4
DOI:10.1016/j.farma.2024.02.007
PMID:39097366
|
综述 | 探讨人工智能在医院药学领域的应用前景与价值 | 系统阐述AI技术如何通过分析医疗数据帮助医院药师优化药物管理流程 | 未涉及具体实施案例与数据验证 | 推动人工智能技术与医院药学实践的深度融合 | 医院药师工作流程与患者用药数据 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理 | 神经网络 | 医疗记录, 实验室结果, 用药档案 | NA | NA | NA | NA | NA |
| 19528 | 2025-10-07 |
[Translated article] Introducing artificial intelligence to hospital pharmacy departments
2024-Jul, Farmacia hospitalaria : organo oficial de expresion cientifica de la Sociedad Espanola de Farmacia Hospitalaria
IF:1.0Q4
DOI:10.1016/j.farma.2024.04.001
PMID:39097375
|
综述 | 本文介绍人工智能在医院药学部中的应用及其潜在价值 | 系统阐述人工智能技术如何赋能医院药学部门，提升药物安全管理与临床决策水平 | 未涉及具体实施案例或量化效果评估 | 探讨人工智能技术在医院药学领域的应用前景 | 医院药学部门的工作流程与患者用药数据 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 神经网络, 自然语言处理 | NA | 医疗记录, 实验室结果, 药物档案 | NA | NA | NA | NA | NA |
| 19529 | 2025-01-25 |
ENHANCING TRANSCRANIAL FOCUSED ULTRASOUND TREATMENT PLANNING WITH SYNTHETIC CT FROM ULTRA-SHORT ECHO TIME (UTE) MRI: A MULTI-TASK DEEP LEARNING APPROACH
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635176
PMID:39844940
|
研究论文 | 本研究利用多任务深度学习框架，从有限的超短回波时间（UTE）MRI数据集中生成合成CT（sCT）图像，用于经颅聚焦超声（tFUS）治疗规划 | 采用3D Transformer U-Net生成sCT图像，展示了UTE-MRI作为无辐射、成本效益高的tFUS规划替代方案的潜力 | 研究基于有限的数据集，可能需要更大规模的数据验证 | 提高经颅聚焦超声治疗规划的准确性和效率 | 超短回波时间（UTE）MRI数据 | 医学影像处理 | NA | 超短回波时间（UTE）MRI | 3D Transformer U-Net | MRI图像 | 有限的数据集 | NA | NA | NA | NA |
| 19530 | 2025-01-25 |
ID3RSNet: cross-subject driver drowsiness detection from raw single-channel EEG with an interpretable residual shrinkage network
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1508747
PMID:39844854
|
研究论文 | 本文提出了一种名为ID3RSNet的新型可解释残差收缩网络，用于从单通道EEG信号中进行跨受试者驾驶员嗜睡检测 | 提出了一种结合注意力机制的残差收缩构建单元，用于自适应特征重新校准和软阈值去噪，并引入了基于EEG的类激活图（ECAM）可解释方法，以可视化分析样本学习模式 | NA | 开发一种无需校准的驾驶员嗜睡检测系统，使用单通道EEG信号 | 驾驶员嗜睡检测 | 机器学习 | NA | EEG信号处理 | ID3RSNet（可解释残差收缩网络） | 单通道EEG信号 | NA | NA | NA | NA | NA |
| 19531 | 2025-01-25 |
Revolutionizing diagnosis of pulmonary Mycobacterium tuberculosis based on CT: a systematic review of imaging analysis through deep learning
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1510026
PMID:39845042
|
系统综述 | 本文综述了基于深度学习的CT成像分析在肺结核诊断中的应用，评估了其诊断准确性，并探讨了当前面临的挑战和未来研究方向 | 本文首次系统评估了深度学习在基于CT的肺结核诊断中的应用，并提出了数据稀缺性、模型泛化性、可解释性和伦理问题等关键挑战 | 研究仅纳入了7篇相关文献，样本量较小，且未进行定量分析 | 评估深度学习在基于CT的肺结核诊断中的准确性，并探讨其应用前景和挑战 | 肺结核（PTB）患者 | 计算机视觉 | 肺结核 | 深度学习（DL） | NA | CT图像 | 7篇相关文献 | NA | NA | NA | NA |
| 19532 | 2025-01-25 |
A multi-modal multi-branch framework for retinal vessel segmentation using ultra-widefield fundus photographs
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1532228
PMID:39845080
|
研究论文 | 本文提出了一种多模态多分支框架M3B-Net，用于提高超广角眼底照片中的视网膜血管分割精度 | M3B-Net框架结合了眼底荧光血管造影（FFA）图像，通过选择性融合模块（SFM）、局部感知融合模块（LPFM）和注意力引导上采样模块（AUM）提升分割性能 | 未明确提及具体局限性 | 提高超广角眼底图像中视网膜血管的分割精度，以支持疾病分析 | 超广角眼底照片中的视网膜血管 | 计算机视觉 | NA | 深度学习 | M3B-Net（多模态多分支框架） | 图像（超广角眼底照片和FFA图像） | 未明确提及样本数量 | NA | NA | NA | NA |
| 19533 | 2025-01-25 |
A systematic review of Machine Learning and Deep Learning approaches in Mexico: challenges and opportunities
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1479855
PMID:39845096
|
系统综述 | 本文系统综述了墨西哥在机器学习和深度学习领域的发展及其应用，涵盖了多个领域 | 提供了墨西哥在机器学习和深度学习领域的全面信息，包括趋势、空间位置、机构、出版问题、主题领域、算法应用和性能指标 | 主要关注墨西哥的应用，可能缺乏对其他国家的比较分析 | 提供墨西哥在机器学习和深度学习领域的应用和发展情况 | 120篇原始研究论文 | 机器学习, 深度学习 | NA | NA | 人工神经网络(ANN), 随机森林(RF), 支持向量机(SVM) | NA | 120篇原始研究论文 | NA | NA | NA | NA |
| 19534 | 2025-01-25 |
DLBWE-Cys: a deep-learning-based tool for identifying cysteine S-carboxyethylation sites using binary-weight encoding
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1464976
PMID:39845187
|
研究论文 | 本文介绍了一种名为DLBWE-Cys的深度学习工具，用于准确识别蛋白质序列中的半胱氨酸S-羧乙基化位点 | 开发了一种新的深度学习模型DLBWE-Cys，结合了CNN、BiLSTM、Bahdanau注意力机制和全连接神经网络，并采用了专门设计的Binary-Weight编码方法 | 目前尚无其他计算工具能准确预测这些位点，这给该领域的研究带来了挑战 | 准确识别半胱氨酸S-羧乙基化位点，以阐明其在自身免疫疾病中的功能机制 | 蛋白质序列中的半胱氨酸S-羧乙基化位点 | 机器学习 | 自身免疫疾病 | 深度学习 | CNN, BiLSTM, Bahdanau attention, FNN | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 19535 | 2025-01-25 |
A CT-based deep learning model for preoperative prediction of spread through air spaces in clinical stage I lung adenocarcinoma
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1482965
PMID:39845323
|
研究论文 | 本文开发并验证了一种基于CT的深度学习模型，用于非侵入性预测临床I期肺腺癌的气道扩散（STAS），并与传统的临床语义模型进行了预测性能比较 | 采用Swin Transformer架构开发深度学习模型，用于预测STAS，其性能优于传统的临床语义模型 | 研究为回顾性设计，可能引入选择偏差，且样本量相对有限 | 开发并验证一种深度学习模型，用于预测临床I期肺腺癌的STAS | 513例经病理证实的I期肺腺癌患者 | 数字病理 | 肺癌 | CT扫描 | Swin Transformer | 图像 | 513例患者（训练队列386例，验证队列127例） | NA | NA | NA | NA |
| 19536 | 2025-01-25 |
Deep CNN ResNet-18 based model with attention and transfer learning for Alzheimer's disease detection
2024, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2024.1507217
PMID:39845347
|
研究论文 | 本文提出了一种基于ResNet-18的深度学习模型，结合深度卷积和Squeeze and Excitation (SE)模块，用于阿尔茨海默病的检测 | 提出了一种结合SE模块的ResNet-18模型，减少了调参需求，并在小样本和不平衡数据集上表现优异 | 医疗数据收集成本高且涉及伦理问题，小数据集容易导致成本函数的局部最小值问题，类不平衡也会降低性能 | 开发一种有效的深度学习模型用于阿尔茨海默病的检测 | 阿尔茨海默病（AD）、认知正常（CN）和轻度认知障碍（MCI）患者 | 计算机视觉 | 阿尔茨海默病 | 深度卷积、Squeeze and Excitation (SE)模块、迁移学习 | ResNet-18 | 图像 | 未明确说明样本数量 | NA | NA | NA | NA |
| 19537 | 2025-01-25 |
A fast monocular 6D pose estimation method for textureless objects based on perceptual hashing and template matching
2024, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2024.1424036
PMID:39845569
|
研究论文 | 本文提出了一种基于感知哈希和模板匹配的快速单目6D姿态估计方法，适用于无纹理物体 | 提出了一种新的感知哈希方法用于二值图像，实现了快速且鲁棒的姿态估计，并自动预选模板子集以减少推理时间 | 在绝对精度上不如最先进的深度学习模型，但在精度和处理时间之间提供了更有利的权衡 | 开发一种在资源受限设备上高效运行的6D姿态估计方法，以降低硬件成本和功耗 | 无纹理物体 | 计算机视觉 | NA | 感知哈希和模板匹配 | NA | 图像 | 合成生成的数据集和一个公开可用的数据集 | NA | NA | NA | NA |
| 19538 | 2025-01-25 |
Quantitative immunohistochemistry analysis of breast Ki67 based on artificial intelligence
2024, Open life sciences
IF:1.7Q3
DOI:10.1515/biol-2022-1013
PMID:39845722
|
研究论文 | 本文提出了一种基于深度学习的乳腺癌Ki67定量分析方法，旨在提高诊断效率和准确性 | 采用深度学习技术对乳腺癌Ki67进行定量分析，显著提高了诊断效率和一致性 | 未提及方法在其他类型癌症或更大样本中的适用性 | 开发一种高效的乳腺癌Ki67定量分析系统，以辅助病理诊断 | 乳腺癌病理图像中的Ki67表达 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 图像 | 未明确提及具体样本数量，但提到在临床独立样本实验中进行了验证 | NA | NA | NA | NA |
| 19539 | 2025-01-25 |
Transformer-based model for predicting length of stay in intensive care unit in sepsis patients
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1473533
PMID:39845825
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型，用于预测脓毒症患者在重症监护病房（ICU）的住院时间 | 利用Transformer模型结合全局和局部输入数据分析，通过分类和特征标记，基于序贯器官衰竭评估（SOFA）标准进行预测 | 研究仅基于单一医院的521名患者数据，可能缺乏广泛代表性 | 优化ICU资源分配，减少医疗费用 | 脓毒症患者 | 机器学习 | 脓毒症 | 深度学习 | Transformer | 医疗数据 | 521名患者 | NA | NA | NA | NA |
| 19540 | 2025-01-25 |
Transforming Healthcare: Artificial Intelligence (AI) Applications in Medical Imaging and Drug Response Prediction
2024, Genome integrity
DOI:10.14293/genint.15.1.002
PMID:39845982
|
评论 | 本文讨论了人工智能在医学影像和药物反应预测中的应用及其面临的挑战 | 探讨了人工智能在医学影像诊断和药物反应预测中的潜在应用，并强调了数据泛化和模型可解释性的重要性 | 未提供具体实验数据或案例研究，主要基于理论讨论 | 探讨人工智能在医学领域的应用潜力及实施挑战 | 医学影像和药物反应预测 | 机器学习 | NA | 机器学习和深度学习 | NA | 医学影像和药物反应数据 | NA | NA | NA | NA | NA |