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 36553 篇文献，本页显示第 19961 - 19980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 19961 | 2025-10-07 |
Exploring the Value of MRI Measurement of Hippocampal Volume for Predicting the Occurrence and Progression of Alzheimer's Disease Based on Artificial Intelligence Deep Learning Technology and Evidence-Based Medicine Meta-Analysis
2024, Journal of Alzheimer's disease : JAD
DOI:10.3233/JAD-230733
PMID:38277290
|
研究论文 | 基于人工智能深度学习技术和循证医学Meta分析，探索MRI海马体体积测量对阿尔茨海默病发生和进展的预测价值 | 结合三种卷积神经网络模型与系统Meta分析，首次在多中心大样本数据中验证MRI海马体体积测量对AD预测的临床价值 | 研究依赖公开数据库数据，未包含所有AD亚型；Meta分析仅纳入23篇文献，可能存在发表偏倚 | 评估基于MRI的海马体体积测量在预测阿尔茨海默病发生和进展中的价值 | 483名AD患者、756名轻度认知障碍患者和968名正常对照者 | 医学影像分析 | 阿尔茨海默病 | 结构磁共振成像 | CNN | 医学影像 | 2207名受试者（483 AD + 756 MCI + 968 NC） | TensorFlow, PyTorch | InceptionResNetv2, Densenet169, SEResNet50 | 准确率, AUC | NA |
| 19962 | 2025-10-07 |
Reinforcement learning using Deep
Q
networks and
Q
learning accurately localizes brain tumors on MRI with very small training sets
2022-12-23, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-022-00919-x
PMID:36564724
|
研究论文 | 本研究应用强化学习在小型训练集上准确定位脑部MRI图像中的肿瘤 | 将深度Q学习推广到基于网格世界的环境，仅需图像和图像掩码，无需放射科医师眼动追踪点 | 仅使用30个二维图像切片进行训练，样本量较小 | 开发能够在小训练集上准确定位脑肿瘤的强化学习方法 | 脑部MRI图像中的肿瘤病灶 | 医学影像分析 | 脑肿瘤 | MRI | Deep Q Network, 关键点检测监督深度学习网络 | 二维医学图像 | 30个训练图像切片，30个测试图像切片 | NA | Deep Q Network | 准确率 | NA |
| 19963 | 2025-10-07 |
A Hardware Accelerator for Real-Time Processing Platforms Used in Synthetic Aperture Radar Target Detection Tasks
2025-Feb-07, Micromachines
IF:3.0Q2
DOI:10.3390/mi16020193
PMID:40047666
|
研究论文 | 本文设计了一种用于合成孔径雷达目标检测任务的低功耗硬件加速器 | 提出适用于多维卷积并行计算的处理引擎和独特的存储器排列设计，充分利用FPGA计算资源 | 仅基于Virtex 7 690t芯片进行验证，未在其他硬件平台上测试 | 解决机载或星载实时处理平台的功耗问题，实现实时SAR图像目标检测 | 合成孔径雷达图像中的目标检测 | 计算机视觉 | NA | 合成孔径雷达成像 | CNN | SAR图像 | NA | Yolov5s | Yolov5s | 处理速度（52.19张/秒），功耗（7瓦） | Virtex 7 690t FPGA芯片 |
| 19964 | 2025-10-07 |
Addressing grading bias in rock climbing: machine and deep learning approaches
2024, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2024.1512010
PMID:40046938
|
综述 | 本文综述了机器学习和深度学习在解决攀岩路线难度评级主观性问题中的应用 | 首次系统分类并比较了三种不同视角（路线中心、攀登者中心、路径查找与生成）的机器学习方法在攀岩难度评级中的应用 | NA | 通过机器学习和深度学习技术建立标准化的攀岩路线难度确定方法 | 攀岩路线难度评级系统 | 自然语言处理, 机器学习 | NA | 自然语言处理, 深度学习 | 循环神经网络 | NA | NA | NA | NA | NA | NA |
| 19965 | 2025-03-06 |
Deep Learning-Powered CT-Less Multitracer Organ Segmentation From PET Images: A Solution for Unreliable CT Segmentation in PET/CT Imaging
2025-Apr-01, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005685
PMID:39883026
|
研究论文 | 本研究开发了一种不依赖CT图像的PET器官分割框架，利用深度学习模型对两种常用PET示踪剂进行多器官分割 | 提出了一种不依赖CT图像的PET器官分割方法，解决了PET/CT成像中CT分割不可靠的问题 | 研究中排除了PET和CT图像不匹配的病例，可能影响模型的泛化能力 | 开发一种不依赖CT图像的PET器官分割框架，以解决PET/CT成像中CT分割不可靠的问题 | 2062例PET/CT图像，包括18 F-FDG和68 Ga-PSMA两种示踪剂 | 数字病理学 | NA | 深度学习 | nnU-Net | PET/CT图像 | 2062例PET/CT图像 | NA | NA | NA | NA |
| 19966 | 2025-03-06 |
Predicting inflammatory response of biomimetic nanofibre scaffolds for tissue regeneration using machine learning and graph theory
2025-Mar-05, Journal of materials chemistry. B
DOI:10.1039/d4tb02494j
PMID:39869000
|
研究论文 | 本文探讨了使用机器学习和图论预测仿生纳米纤维支架在组织再生中的炎症反应 | 结合机器学习和图论分析纳米纤维支架的复杂组织结构，以预测细胞相互作用并优化组织工程流程 | 研究中仅使用了15种纳米纤维支架家族，样本量有限，可能影响模型的泛化能力 | 预测仿生纳米纤维支架的炎症反应，以优化支架设计并促进组织再生 | 纳米纤维支架及其对巨噬细胞炎症反应的影响 | 机器学习 | NA | 机器学习、图论、扫描电子显微镜（SEM） | 随机森林（Random Forest）、卷积神经网络（CNN） | 图像（SEM图像） | 15种纳米纤维支架家族 | NA | NA | NA | NA |
| 19967 | 2025-03-06 |
Predicting Cardiac Magnetic Resonance-Derived Ejection Fraction from Echocardiogram Via Deep Learning Approach in Tetralogy of Fallot
2025-Mar-04, Pediatric cardiology
IF:1.5Q2
DOI:10.1007/s00246-025-03802-y
PMID:40038120
|
研究论文 | 本研究通过深度学习技术预测法洛四联症患者的心脏磁共振成像（CMR）衍生的射血分数（LVEF），使用超声心动图视频作为输入 | 利用EchoNet-Dynamic模型，通过迁移学习方法，以CMR衍生的LVEF为基准，预测法洛四联症患者的LVEF，提供了一种比传统方法更准确的评估方法 | 研究仅针对法洛四联症患者，且模型在不同视图（PSAX和A4C）下的预测性能存在差异 | 通过深度学习技术改进法洛四联症患者的心脏功能评估 | 法洛四联症患者的超声心动图视频 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 视频 | NA | NA | NA | NA | NA |
| 19968 | 2025-03-06 |
A Feature Fusion Attention-based Deep Learning Algorithm for Mammographic Architectural Distortion Classification
2025-Mar-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3547263
PMID:40031706
|
研究论文 | 本文提出了一种基于特征融合和注意力机制的深度学习算法，用于乳腺X线摄影中结构扭曲的分类 | 结合了Vision Transformer (ViT)注意力网络和VGG-16，提高了结构扭曲检测的准确性和效率 | 未提及具体局限性 | 提高乳腺X线摄影中结构扭曲检测的准确性和效率 | 乳腺X线摄影中的结构扭曲 | 计算机视觉 | 乳腺癌 | 深度学习 | Vision Transformer (ViT) + VGG-16 | 图像 | PINUM和DDSM数据集 | NA | NA | NA | NA |
| 19969 | 2025-03-06 |
PICASO Set Operator for Computational Nephropathology
2025-Mar-03, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000668
PMID:40029711
|
研究论文 | 本文介绍了一种名为PICASO的新型排列不变集合操作符，用于动态聚合病理学特征，并在两种肾病场景中进行了应用 | PICASO是一种基于Transformer的集合操作符，能够动态聚合实例集合中的特征，显著提升了肾病病理诊断的性能 | 研究仅在两种肾病场景中进行了验证，尚未在其他病理学领域进行广泛测试 | 通过引入PICASO集合操作符，提升肾病病理诊断的准确性和性能 | IgA肾病中的活动性新月体病变检测和肾移植中的抗体介导排斥反应（AMR）分类 | 数字病理学 | 肾病 | 深度学习 | Transformer | 图像 | IgA肾病数据集包含6206个PAS染色的肾小球图像（5792个无活动性新月体，414个有活动性新月体），AMR分类数据集包含1655个PAS染色的肾小球图像（769个AMR，886个非AMR） | NA | NA | NA | NA |
| 19970 | 2025-03-06 |
GNINA 1.3: the next increment in molecular docking with deep learning
2025-Mar-02, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-00973-x
PMID:40025560
|
研究论文 | 本文介绍了开源分子对接软件GNINA的1.3版本，该版本更新了深度学习框架并引入了新的功能 | GNINA 1.3更新了深度学习框架至PyTorch，提高了计算效率，并引入了知识蒸馏的CNN评分函数，支持共价对接 | 未明确提及具体限制 | 提高分子对接的计算效率和准确性，支持共价对接 | 分子对接软件GNINA | 计算机辅助药物设计 | NA | 分子对接，深度学习 | CNN | 分子结构数据 | 使用CrossDocked2020 v1.3数据集进行训练 | NA | NA | NA | NA |
| 19971 | 2025-03-06 |
Establishment of cancer cell radiosensitivity database linked to multi-layer omics data
2025-Mar, Cancer science
IF:4.5Q1
DOI:10.1111/cas.16334
PMID:39668120
|
研究论文 | 本文旨在建立一个与多层组学数据相关联的癌细胞放射敏感性数据库，以探索癌症放射敏感性 | 通过深度学习筛选大量文献，建立了一个包含285个细胞系的放射敏感性数据库，并与多层组学数据相关联 | 数据库的建立依赖于文献数据，可能存在数据质量和一致性的问题 | 探索癌症放射敏感性，并建立一个与多层组学数据相关联的放射敏感性数据库 | 癌细胞系 | 数字病理学 | 癌症 | 深度学习 | NA | 文献数据、组学数据 | 285个细胞系，来自28种癌症类型 | NA | NA | NA | NA |
| 19972 | 2025-03-06 |
Deep learning detected histological differences between invasive and non-invasive areas of early esophageal cancer
2025-Mar, Cancer science
IF:4.5Q1
DOI:10.1111/cas.16426
PMID:39692707
|
研究论文 | 本研究利用深度学习技术探索早期食管癌中浸润区与非浸润区的组织学差异 | 首次使用AI模型（CLAM）分析早期食管癌的浸润区与非浸润区的组织学差异，并发现浸润区血管数量和大小显著增加 | 样本量较小（75例），且仅针对食管鳞状细胞癌（ESCC）进行研究，未涵盖其他类型的食管癌 | 探索早期食管癌中浸润区与非浸润区的形态学差异，以揭示浸润机制 | 75例食管鳞状细胞癌（ESCC）患者的组织样本 | 数字病理学 | 食管癌 | 内镜黏膜下剥离术（ESD） | CLAM（聚类约束注意力多实例学习模型） | 图像 | 75例食管鳞状细胞癌（ESCC）患者的组织样本 | NA | NA | NA | NA |
| 19973 | 2025-03-06 |
Deep denoising approach to improve shear wave phase velocity map reconstruction in ultrasound elastography
2025-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17581
PMID:39714072
|
研究论文 | 本研究开发了一种深度学习方法来去噪超声剪切波弹性成像中的剪切波场，以改进剪切波相速度图像的重建 | 提出了一种基于深度学习的去噪方法，通过将粒子速度数据转换为时频表示，并使用编码器和解码器卷积块的神经网络来提取信号，显著提高了高噪声场景下的信噪比 | 研究主要基于模拟和实验数据，尚未在临床环境中进行大规模验证 | 改进超声剪切波弹性成像中的剪切波相速度图像重建 | 模拟体模和离体山羊肝组织数据 | 医学影像处理 | NA | 深度学习 | 卷积神经网络（CNN） | 超声图像 | 185,570个样本，其中80%用于训练，20%用于验证 | NA | NA | NA | NA |
| 19974 | 2025-03-06 |
Artificial intelligence-based tissue segmentation and cell identification in multiplex-stained histological endometriosis sections
2025-Mar-01, Human reproduction (Oxford, England)
DOI:10.1093/humrep/deae267
PMID:39724530
|
研究论文 | 本文探讨了如何通过人工智能技术对多重染色子宫内膜异位症切片进行组织分割和细胞识别，以理解组织组成 | 结合机器学习组织分析软件和深度学习算法，实现了对子宫内膜异位症切片的自动化组织分割和细胞识别 | 研究样本数量有限，未来需要增加样本量以细化亚型特异性差异，并应包含胶原丰富的无细胞区域的量化 | 实现子宫内膜异位症切片的自动化组织分割和细胞识别，以理解组织组成 | 子宫内膜异位症组织切片 | 数字病理学 | 子宫内膜异位症 | 多重免疫荧光染色 | 机器学习、深度学习 | 图像 | 8名不同亚型患者的子宫内膜异位症组织样本 | NA | NA | NA | NA |
| 19975 | 2025-03-06 |
Natural language processing of electronic health records for early detection of cognitive decline: a systematic review
2025-Mar-01, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01527-z
PMID:40025194
|
系统综述 | 本文系统评估了自然语言处理（NLP）方法在电子健康记录临床笔记中检测认知障碍的应用 | 本文首次系统性地评估了NLP在电子健康记录中检测认知障碍的性能，并比较了不同算法（规则基础、传统机器学习和深度学习）的效果 | 主要挑战包括电子健康记录数据捕获不完整、临床文档实践不一致以及外部验证有限 | 评估NLP在电子健康记录中检测认知障碍的有效性 | 电子健康记录中的临床笔记 | 自然语言处理 | 认知障碍 | 自然语言处理（NLP） | 规则基础算法、传统机器学习、深度学习 | 文本 | 1,064,530份临床笔记 | NA | NA | NA | NA |
| 19976 | 2025-10-07 |
Automatic Calculation of Cervical Spine Parameters Using Deep Learning: Development and Validation on an External Dataset
2025-Mar, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682231205352
PMID:37811580
|
研究论文 | 开发并验证用于自动计算颈椎X光片参数的深度学习模型 | 首次使用深度学习模型在外部数据集上自动计算多个重要颈椎参数，并验证其泛化能力 | 训练数据集相对较小（1498张图像），外部验证集规模有限（79张图像） | 开发自动计算颈椎参数的深度学习模型 | 颈椎侧位X光片 | 计算机视觉 | 颈椎疾病 | X射线成像 | 深度学习 | 医学影像 | 训练集1498张图像，外部验证集79张图像 | NA | NA | 中位绝对误差, 标准差 | NA |
| 19977 | 2025-03-06 |
Urban fabric decoded: High-precision building material identification via deep learning and remote sensing
2025-Mar, Environmental science and ecotechnology
IF:14.0Q1
DOI:10.1016/j.ese.2025.100538
PMID:40034611
|
研究论文 | 本文介绍了一种利用深度学习和遥感技术进行高精度建筑材料识别的新框架 | 该框架结合了最新的传感技术和深度学习，能够利用遥感数据和Google街景图像识别屋顶和外墙材料，展示了模型在不同地理环境和建筑风格中的可扩展性和适应性 | 模型的训练和验证主要基于丹麦城市的数据，可能在其他地区的适用性需要进一步验证 | 旨在通过高精度建筑材料识别为城市环境中的碳减排、建筑改造和循环经济策略提供信息 | 丹麦城市（如欧登塞、哥本哈根、奥胡斯和奥尔堡）的建筑材料 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 遥感数据和Google街景图像 | 丹麦多个城市的建筑数据集 | NA | NA | NA | NA |
| 19978 | 2025-03-06 |
PointWavelet: Learning in Spectral Domain for 3-D Point Cloud Analysis
2025-Mar, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3363244
PMID:38393837
|
研究论文 | 本文提出了一种名为PointWavelet的新方法，通过在谱域中探索局部图来改进3D点云分析 | 引入可学习的图小波变换，避免耗时的谱分解，显著加速训练过程 | NA | 改进3D点云分类和分割的深度学习方法 | 3D点云数据 | 计算机视觉 | NA | 图小波变换 | CNN | 3D点云 | 四个流行的点云数据集：ModelNet40、ScanObjectNN、ShapeNet-Part和S3DIS | NA | NA | NA | NA |
| 19979 | 2025-03-06 |
Scalable Moment Propagation and Analysis of Variational Distributions for Practical Bayesian Deep Learning
2025-Mar, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3367363
PMID:38412086
|
研究论文 | 本文提出了一种基于矩传播（MP）的快速可靠的贝叶斯深度学习方法，通过引入扩展的批量归一化层来训练深度学习模型，并探讨了不同变分分布的处理方法 | 提出了一种基于矩传播的贝叶斯深度学习方法，通过扩展的批量归一化层来训练深度学习模型，并研究了不同变分分布的处理方法 | MP方法在深度模型中的适用性尚未充分探索，且设计良好校准的MP模型仍然具有挑战性 | 实现快速且可靠的贝叶斯深度学习方法，以处理预测不确定性 | 深度学习模型及其预测不确定性 | 机器学习 | NA | 矩传播（MP），变分推断（VI），蒙特卡罗采样（MC） | 贝叶斯深度学习模型 | NA | NA | NA | NA | NA | NA |
| 19980 | 2025-03-06 |
Learning Rates of Deep Nets for Geometrically Strongly Mixing Sequence
2025-Mar, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3371025
PMID:38466602
|
研究论文 | 本文为深度神经网络在几何强混合序列下的快速学习率建立了理论基础 | 首次提出了基于混合序列的深度神经网络方法的收敛性结果，这是对独立样本情况的自然推广 | 现有研究假设样本独立，这一假设在许多现实场景中过于强烈 | 建立深度神经网络在依赖样本情况下的快速学习率理论基础 | 深度神经网络回归中的经验风险最小化 | 机器学习 | NA | NA | 深度神经网络 (DNN) | NA | NA | NA | NA | NA | NA |