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 354 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2025-12-05 |
Multi-task Learning via Adaptation to Similar Tasks for Mortality Prediction of Diverse Rare Diseases
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936451
|
研究论文 | 本文提出了一种名为Ada-SiT的多任务学习方法，用于基于电子健康记录数据预测多种罕见疾病的死亡率 | 提出了一种初始化共享的多任务学习方法，能够学习参数初始化并动态测量任务相似性，以快速适应数据不足和任务多样性的挑战 | NA | 解决罕见疾病死亡率预测中的数据不足和临床多样性问题 | 多种罕见疾病患者的电子健康记录数据 | 自然语言处理 | 罕见疾病 | 电子健康记录分析 | LSTM | 纵向电子健康记录数据 | NA | NA | LSTM | NA | NA |
| 42 | 2025-12-05 |
Deep CHORES: Estimating Hallmark Measures of Physical Activity Using Deep Learning
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936455
|
研究论文 | 本研究利用深度学习从手腕加速度计数据中识别身体活动类型并估计能量消耗 | 开发了深度学习网络以从时间序列数据中提取时空表示，用于准确识别身体活动类型和估计能量消耗 | 研究在标准化实验室环境中进行，可能无法完全反映自由生活条件下的身体活动情况 | 评估手腕加速度计在识别身体活动类型和估计能量消耗方面的性能 | 20-89岁的参与者（66%为女性）在实验室环境中执行33种日常活动 | 机器学习 | NA | 三轴加速度计数据采集，便携式代谢单元测量 | 深度学习网络 | 时间序列加速度计数据 | 20-89岁参与者群体，具体人数未明确说明 | NA | NA | F1分数，均方根误差 | NA |
| 43 | 2025-12-05 |
Inferring ADR causality by predicting the Naranjo Score from Clinical Notes
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936480
|
研究论文 | 提出一种结合深度学习和统计学习模型的方法，从患者出院摘要中自动推断药物与不良反应之间的因果关系 | 首次提出使用BERT提取Naranjo问卷相关段落，并结合逻辑回归等统计模型预测Naranjo评分和因果关系 | 未在摘要中明确说明 | 开发自动推断药物不良反应因果关系的方法，替代人工审阅病历 | 患者出院摘要中的药物不良反应因果关系 | 自然语言处理 | NA | 临床文本分析 | BERT, 逻辑回归 | 文本（临床笔记/出院摘要） | 未在摘要中明确说明 | 未在摘要中明确说明 | BERT | 宏平均F1分数, 加权F1分数 | 未在摘要中明确说明 |
| 44 | 2025-12-05 |
Patient Cohort Retrieval using Transformer Language Models
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936491
|
研究论文 | 本文应用基于深度学习的语言模型进行患者队列检索任务，以评估其效果 | 提出一个无需显式特征工程和领域知识的框架，将患者队列检索映射为文档检索任务，并应用多种深度神经网络模型 | NA | 评估深度学习语言模型在患者队列检索任务中的效能 | 电子健康记录（EHRs）中的文档 | 自然语言处理 | NA | NA | Transformer | 文本 | NA | NA | Transformer | NA | NA |
| 45 | 2025-12-05 |
Extracting and Learning Fine-Grained Labels from Chest Radiographs
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936495
|
研究论文 | 本文提出了一种从胸部X光放射学报告中提取细粒度标签的新方法，并训练了一个用于细粒度分类的深度学习模型 | 首次开发了结合词汇驱动概念提取和依赖解析树短语分组的细粒度标签提取方法，并构建了覆盖457个细粒度标签的最大谱系数据集 | NA | 从胸部X光图像中提取和学习细粒度标签 | 胸部X光图像及其放射学报告 | 计算机视觉 | NA | 自然语言处理 | 深度学习模型 | 图像, 文本 | NA | NA | NA | NA | NA |
| 46 | 2025-12-05 |
Prediction of secondary structure population and intrinsic disorder of proteins using multitask deep learning
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936509
|
研究论文 | 本研究开发了一种多任务深度学习框架，用于预测蛋白质的二级结构种群和内在无序性 | 设计了单任务和多任务深度学习框架，通过同时预测二级结构种群来增强内在无序蛋白质/区域的预测性能 | 未明确提及 | 预测蛋白质的二级结构种群和内在无序性，以定量表征蛋白质的结构构象特性 | 蛋白质，特别是内在无序蛋白质和区域 | 机器学习 | NA | 核磁共振化学位移 | 深度学习 | 化学位移数据 | 未明确提及 | 未明确提及 | 未明确提及 | 未明确提及 | 未明确提及 |
| 47 | 2025-12-05 |
Predicting Tumor Cell Response to Synergistic Drug Combinations Using a Novel Simplified Deep Learning Model
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936513
|
研究论文 | 本研究提出了一种新的简化深度学习模型，用于预测肿瘤细胞对协同药物组合的反应 | 与现有模型使用大量化学结构和基因组学特征不同，该模型基于一小套癌症信号通路构建，能更生物意义明确且可解释地模拟多组学数据和药物靶点/机制的整合 | 模型依赖于NCI ALMANAC药物组合筛选数据，可能受数据集的局限性和信号通路选择的限制 | 开发计算模型以预测药物组合的协同效应，促进新型药物组合的发现 | 肿瘤细胞对药物组合的反应 | 机器学习 | 癌症 | 深度学习 | 深度学习模型 | 信号通路数据、药物组合筛选数据 | NA | NA | 简化深度学习模型 | NA | NA |
| 48 | 2025-12-05 |
Normalizing Clinical Document Titles to LOINC Document Ontology: an Initial Study
2020, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:33936520
|
研究论文 | 本研究探讨了将临床文档标题标准化为LOINC文档本体（DO）的可行性，通过跨五个机构的临床笔记标题映射到DO的五个轴，并利用BERT模型实现自动映射 | 首次将BERT模型应用于临床文档标题到LOINC DO轴的自动映射，并分析了DO轴定义中的歧义问题 | 研究仅基于4,000个手动标注的标题，样本规模有限，且未涉及更广泛的临床文档类型或机构 | 调查LOINC DO在临床文档标准化中的可行性和泛化能力 | 来自五个机构的临床笔记标题 | 自然语言处理 | NA | NA | BERT | 文本 | 4,000个手动标注的临床文档标题 | NA | BERT | NA | NA |
| 49 | 2025-10-06 |
DeepCLEM: automated registration for correlative light and electron microscopy using deep learning
2020, F1000Research
DOI:10.12688/f1000research.27158.3
PMID:37397873
|
研究论文 | 提出了一种基于深度学习的自动化CLEM配准工作流程DeepCLEM | 首次使用卷积神经网络从电子显微镜图像预测荧光信号，实现无需荧光染色或基准标记的全自动配准 | 未提及具体的性能限制或适用范围限制 | 开发自动化CLEM图像配准方法 | 相关光电子显微镜图像 | 计算机视觉 | NA | 相关光电子显微镜 | CNN | 图像 | NA | Fiji | 卷积神经网络 | NA | NA |
| 50 | 2025-10-06 |
Implementing Artificial Intelligence and Digital Health in Resource-Limited Settings? Top 10 Lessons We Learned in Congenital Heart Defects and Cardiology
2020-05, Omics : a journal of integrative biology
IF:2.2Q3
DOI:10.1089/omi.2019.0142
PMID:31592719
|
综述 | 分享在资源有限地区实施人工智能和数字健康技术应用于先天性心脏病诊疗的十大经验教训 | 总结了在资源有限环境下实施AI和数字健康技术的实践经验，特别关注先天性心脏病领域 | NA | 探讨如何在资源有限地区有效实施人工智能和数字健康技术以改善先天性心脏病诊疗 | 先天性心脏病患者和心脏病学领域 | 数字病理学 | 心血管疾病 | 机器学习, 深度学习, 自然语言处理, 数字传感器 | 神经网络 | 患者数据, 健康人群数据 | NA | NA | NA | 风险预测, 诊断性能 | NA |
| 51 | 2025-10-06 |
Translational Retinal Imaging
2020 May-Jun, Asia-Pacific journal of ophthalmology (Philadelphia, Pa.)
DOI:10.1097/APO.0000000000000292
PMID:32487917
|
综述 | 本文介绍了几种具有转化潜力的视网膜成像技术及其在医学视网膜疾病中的应用 | 展示了多种创新性视网膜成像技术，包括定量自发荧光成像、高光谱自发荧光成像、眼科内窥镜和远程视网膜成像结合深度学习，这些技术能提供现有方法无法实现的疾病新认知 | NA | 探索转化性视网膜成像技术在视网膜疾病诊断和治疗中的新应用 | 视网膜疾病，特别是年龄相关性黄斑变性 | 医学影像 | 年龄相关性黄斑变性 | 定量自发荧光成像，高光谱自发荧光成像，眼科内窥镜成像，远程视网膜成像 | 深度学习 | 视网膜图像 | NA | NA | NA | NA | NA |
| 52 | 2025-10-06 |
2018 n2c2 shared task on adverse drug events and medication extraction in electronic health records
2020-01-01, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocz166
PMID:31584655
|
研究论文 | 总结了2018年n2c2共享任务中关于从电子健康记录中提取药物不良事件和药物信息的竞赛组织与结果分析 | 首次系统评估了临床记录中药物不良事件提取的三种任务（概念提取、关系分类和端到端系统），并建立了性能基准 | 对于原因和药物不良事件的概念和关系识别性能较低，局部上下文不足以准确识别这些复杂概念 | 评估临床自然语言处理技术在药物不良事件提取任务上的最新进展 | 临床出院摘要的原始文本数据 | 自然语言处理 | NA | 电子健康记录文本分析 | 双向长短期记忆网络, 支持向量机 | 文本 | 28个团队参与任务1，21个团队参与任务2和3 | NA | 序列标注模型, 基于实例的分类器 | F1分数 | NA |
| 53 | 2025-10-06 |
The 2019 n2c2/OHNLP Track on Clinical Semantic Textual Similarity: Overview
2020-Nov-27, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/23375
PMID:33245291
|
综述 | 本文概述了2019年n2c2/OHNLP临床语义文本相似性评测任务的组织过程、数据集构建和参赛系统表现 | 发布了首个大规模真实世界的临床语义文本相似性数据集，并组织了国际性的评测任务 | 训练数据中GE系统句子对占比较大，但系统在Epic系统句子对上表现更好，存在数据分布不平衡问题 | 推动自然语言处理和生物医学信息学界解决临床领域的语义文本相似性任务 | 临床文本句子对 | 自然语言处理 | NA | 语义文本相似性计算 | BERT, XLNet | 文本 | 2054个临床句子对（1642个训练集，412个测试集） | NA | BERT, XLNet | Pearson相关系数 | NA |
| 54 | 2025-10-06 |
Deep learning using a biophysical model for robust and accelerated reconstruction of quantitative, artifact-free and denoised R2* images
2020-12, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.28344
PMID:32767489
|
研究论文 | 提出一种基于生物物理模型的深度学习方法来稳健快速地重建定量、无伪影且去噪的R2*图像 | 采用自监督学习策略，无需真实R2*图像作为标签，仅需训练阶段使用F函数，应用阶段无需B0场不均匀性先验信息 | 未明确说明训练数据的具体规模和多样性限制 | 开发快速准确的磁共振R2*定量成像重建方法 | 多梯度回波磁共振成像数据 | 医学影像分析 | NA | 多梯度回波磁共振成像 | CNN | 磁共振图像 | NA | NA | 卷积神经网络 | 准确度 | NA |
| 55 | 2025-10-06 |
The Role and Promise of Artificial Intelligence in Medical Toxicology
2020-10, Journal of medical toxicology : official journal of the American College of Medical Toxicology
IF:2.5Q3
DOI:10.1007/s13181-020-00769-5
PMID:32215849
|
综述 | 探讨人工智能在医学毒理学领域的应用前景与潜力 | 提出将深度学习与知识表示相结合的双重人工智能框架，以扩展毒物控制中心服务范围和增强社交媒体症状监测能力 | NA | 分析人工智能技术在医学毒理学领域的应用前景和发展方向 | 医学毒理学领域的人工智能应用 | 自然语言处理, 机器学习 | 中毒相关疾病 | 深度学习, 知识表示 | NA | 医学影像, 可穿戴设备数据, 社交媒体文本 | NA | NA | NA | NA | NA |
| 56 | 2025-10-06 |
Speech exemplar and evaluation database (SEED) for clinical training in articulatory phonetics and speech science
2020-09-01, Clinical linguistics & phonetics
IF:0.8Q4
DOI:10.1080/02699206.2020.1743761
PMID:32200647
|
研究论文 | 开发了一个用于临床语音训练和语音科学教学的公开语音数据库 | 创建了首个公开可用的包含典型与障碍语音对比的临床语音数据库，填补了教学资源空白 | 数据库规模有限，仅包含特定类型的语音障碍样本 | 改善语音学、语音科学和临床语音障碍课程的教学质量，缩小理论与实践差距 | 成人和儿童的典型与障碍语音样本 | 语音科学 | 语音障碍 | 高质量语音录制技术 | NA | 语音录音 | 包含成人和儿童的有无语音障碍个体的语音样本 | NA | NA | NA | 高质量录音设备 |
| 57 | 2025-10-06 |
Artificial intelligence versus expert: a comparison of rapid visual inferior vena cava collapsibility assessment between POCUS experts and a deep learning algorithm
2020-Oct, Journal of the American College of Emergency Physicians open
IF:1.6Q2
DOI:10.1002/emp2.12206
PMID:33145532
|
研究论文 | 开发深度学习算法评估危重患者下腔静脉塌陷度，并与POCUS专家进行对比 | 首次使用LSTM深度学习架构实时分析超声视频评估IVC塌陷度，为新手POCUS操作者提供辅助工具 | 样本量有限（训练集220个视频，测试集50个视频），专家与算法一致性仅为中等水平 | 创建能够评估下腔静脉塌陷度的深度学习算法，辅助新手POCUS操作者 | 危重患者的下腔静脉超声视频 | 计算机视觉 | 脓毒性休克 | 床旁超声(POCUS) | LSTM | 超声视频 | 训练集220个IVC超声视频，测试集50个新IVC超声视频 | NA | LSTM | Fleiss' κ | NA |
| 58 | 2025-10-06 |
Classification of Cancer Types Using Graph Convolutional Neural Networks
2020-Jun, Frontiers in physics
IF:1.9Q2
DOI:10.3389/fphy.2020.00203
PMID:33437754
|
研究论文 | 本研究利用图卷积神经网络对33种癌症类型和正常组织进行分类 | 首次将图卷积神经网络应用于癌症分类，并设计了基于共表达网络和蛋白质相互作用网络的四种图结构模型 | 仅使用TCGA数据集，未在其他独立数据集上验证模型泛化能力 | 基于基因表达谱准确预测癌症类型 | 肿瘤样本和正常组织样本 | 机器学习 | 癌症 | 基因表达分析 | GCNN | 基因表达数据 | 10,340个癌症样本和731个正常组织样本 | NA | 图卷积神经网络 | 准确率 | NA |
| 59 | 2025-10-06 |
A deep learning diagnostic platform for diffuse large B-cell lymphoma with high accuracy across multiple hospitals
2020-11-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-020-19817-3
PMID:33244018
|
研究论文 | 开发用于弥漫性大B细胞淋巴瘤诊断的高精度深度学习平台 | 使用较小数据集构建多卷积神经网络平台，在跨医院验证中实现接近100%的诊断准确率 | 技术变异性（切片制备和图像采集差异）会影响模型在跨医院测试中的性能 | 建立高精度的深度学习诊断平台用于人类造血系统恶性肿瘤诊断 | 弥漫性大B细胞淋巴瘤和非DLBCL病理图像 | 数字病理学 | 淋巴瘤 | 病理图像分析 | CNN | 病理图像 | 来自三家医院的DLBCL和非DLBCL病理图像 | NA | 多卷积神经网络 | 诊断准确率 | NA |
| 60 | 2025-10-06 |
Virtual Monoenergetic CT Imaging via Deep Learning
2020-Nov-13, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2020.100128
PMID:33294869
|
研究论文 | 提出一种基于深度学习的虚拟单能CT成像方法，从单能谱CT图像生成虚拟单能图像 | 首次使用深度学习将单能谱CT图像转换为多能级虚拟单能图像，避免了双能CT的系统复杂性和辐射剂量增加问题 | 方法依赖于临床双能CT数据进行训练，可能受训练数据质量和多样性的限制 | 开发从单能谱CT图像生成虚拟单能图像的深度学习解决方案 | CT医学图像 | 计算机视觉 | NA | 计算机断层扫描(CT) | CNN | 医学图像 | 临床双能CT数据 | NA | 改进的ResNet | 相对误差 | NA |