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 46 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-10-03 |
Coarse-to-Fine Satellite Images Change Detection Framework via Boundary-Aware Attentive Network
2020-Nov-25, Sensors (Basel, Switzerland)
DOI:10.3390/s20236735
PMID:33255688
|
研究论文 | 该文章提出了一种基于边界感知注意力网络的由粗到细卫星图像变化检测框架，并在两个基准数据集上验证了其有效性 | 设计了由粗到细的变化检测框架，包含注意力引导的编码器-解码器子网络和残差学习细化网络，提出了边界感知注意力网络和混合损失函数（从像素、块、图三个层次提供监督） | 未明确提及 | 解决现有深度学习方法在陆地表面形状各异的不连通变化区域场景下，难以正确检测所有变化区域及准确表示变化区域边界的问题 | 双时相高分辨率卫星图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 两个基准数据集：LEBEDEV和SZTAKI | NA | 注意力引导的编码器-解码器网络，残差网络 | NA | NA |
| 2 | 2026-10-03 |
Deep Learning in Proteomics
2020-11, Proteomics
IF:3.4Q2
DOI:10.1002/pmic.201900335
PMID:32939979
|
综述 | 本文综述了深度学习在蛋白质组学中的多种应用，包括保留时间预测、串联质谱谱图预测、从头肽段测序、翻译后修饰预测、主要组织相容性复合体-肽段结合预测和蛋白质结构预测 | 系统性地总结了深度学习在蛋白质组学多个关键任务中的应用，并讨论了其局限性和未来方向 | 作为综述文章，未提出新的方法或模型，且可能未涵盖所有最新进展 | 概述深度学习在蛋白质组学中的应用，并探讨其局限性和未来方向 | 蛋白质组学数据（包括蛋白质序列、结构、质谱数据等） | 机器学习 | NA | 串联质谱 | 深度学习 | 序列、结构、质谱数据 | NA | NA | NA | NA | NA |
| 3 | 2026-10-01 |
Deep Learning in Selected Cancers' Image Analysis-A Survey
2020-Nov-10, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging6110121
PMID:34460565
|
综述 | 本文综述了深度学习在乳腺癌、宫颈癌、脑肿瘤、结肠癌和肺癌的医学图像分析中的应用 | 系统性地综述了深度学习在多种癌症图像分析中的应用，并归纳了三种深度学习应用模式（从头训练、迁移学习与冻结层、修改架构减少参数），同时指出了非洲地区癌症研究关注不足的问题 | 仅在非洲地区研究关注度不足，未对非洲相关研究进行深入分析；综述范围未涵盖所有癌症类型 | 回顾和总结深度学习在多种癌症医学图像分析中的应用现状与发展趋势 | 乳腺癌、宫颈癌、脑肿瘤、结肠癌和肺癌的医学图像 | 计算机视觉 | 肺癌 | NA | CNN | 图像 | NA | NA | NA | NA | NA |
| 4 | 2026-10-01 |
Dynamic evolution of COVID-19 on chest computed tomography: experience from Jiangsu Province of China
2020-Nov, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-06976-6
PMID:32524223
|
研究论文 | 该研究通过深度学习算法定量分析江苏省484例COVID-19患者954次胸部CT检查中肺部阴影的体积、密度和位置，揭示了不同疾病严重程度下CT表现的动态演变规律 | 利用深度学习算法对大规模COVID-19队列的胸部CT进行定量测量，系统描绘了肺部阴影体积、密度和位置从症状发作到15天以后的动态演变模式，并揭示了不同严重程度组之间的差异 | 本研究为回顾性队列研究，样本仅来自江苏省，可能存在选择偏倚；随访时间有限，未涵盖长期预后；深度学习算法的具体细节和验证过程未在摘要中详细说明 | 确定不同疾病严重程度的COVID-19患者胸部CT的演变模式 | 江苏省确诊的COVID-19患者 | 数字病理学 | COVID-19 | 胸部CT | 深度学习 | 图像 | 484例患者（无症状/轻型63例，普通型378例，重型/危重型43例），共954次CT检查 | NA | NA | NA | NA |
| 5 | 2026-05-01 |
DeepciRGO: functional prediction of circular RNAs through hierarchical deep neural networks using heterogeneous network features
2020-Nov-12, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-020-03748-3
PMID:33183227
|
研究论文 | 提出一种基于层次深度神经网络的模型DeepciRGO，利用异构网络特征预测环状RNA的基因本体功能 | 首次利用异构网络中的拓扑特征和层次深度神经网络预测环状RNA功能，并通过HIN2Vec表示学习方法融合多源交互网络信息 | 仅基于人工构建的小规模数据集circRNA2GO-62，且预测性能指标较低（最高F值为0.412），未整合RNA结构和序列信息以获得更优性能 | 利用深度学习模型预测环状RNA的生物学功能，以降低实验成本并揭示其在疾病中的调控机制 | 62种环状RNA及其185个基因本体注释 | 自然语言处理 | NA | NA | 层次深度神经网络 | 异构网络数据 | 62个环状RNA样本 | NA | 层次深度神经网络 | F值, 召回率, 准确率 | NA |
| 6 | 2026-05-01 |
Artificial intelligence quantified tumour-stroma ratio is an independent predictor for overall survival in resectable colorectal cancer
2020-Nov, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2020.103054
PMID:33039706
|
研究论文 | 开发深度学习模型自动量化肿瘤间质比，验证其对可切除结直肠癌总生存期的独立预测价值 | 首次实现基于深度学习对结直肠癌HE染色全切片图像进行全自动化肿瘤间质比量化，并在独立队列中验证其预后价值，可减少病理学家工作负担 | NA | 评估深度学习量化的肿瘤间质比对结直肠癌患者总生存期的独立预测能力 | 结直肠癌患者的HE染色全切片图像 | 数字病理学 | 结直肠癌 | HE染色 | 卷积神经网络 | 图像 | 发现队列 499 例，验证队列 315 例 | NA | CNN | 风险比，95%置信区间，P值 | NA |
| 7 | 2026-04-03 |
Deep learning-level melanoma detection by interpretable machine learning and imaging biomarker cues
2020-11, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.25.11.112906
PMID:33247560
|
研究论文 | 本文开发了一种可解释的机器学习技术，用于区分皮肤镜图像中的黑色素瘤和痣，并通过界面整合感官线索 | 提出了一种非深度学习的透明机器学习算法，在诊断性能上优于领先的深度学习方法，并提供了可解释的成像生物标志物线索 | 未明确说明样本量或数据来源的具体细节，可能限制了结果的泛化性 | 创建一种透明的机器学习技术，以区分黑色素瘤和痣，并开发感官线索整合界面 | 皮肤镜图像中的黑色素瘤和痣 | 计算机视觉 | 黑色素瘤 | 皮肤镜成像 | 集成机器学习分类器, 深度学习分类器 | 图像 | NA | NA | 卷积机器学习 | 诊断接收者操作曲线下面积 | NA |
| 8 | 2026-04-02 |
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 | 本文建立了一个高精度的深度学习平台，用于诊断弥漫性大B细胞淋巴瘤，并在多家医院验证了其接近100%的诊断准确率 | 开发了一个基于多个卷积神经网络的深度学习平台，能够使用较小数据集实现高精度诊断，并成功处理了跨医院样本制备和图像采集的变异性 | 未明确说明模型在其他类型血液恶性肿瘤或更广泛数据集上的泛化能力，以及临床部署的具体挑战 | 开发一个高准确率的深度学习诊断平台，用于弥漫性大B细胞淋巴瘤的病理图像分类 | 人类弥漫性大B细胞淋巴瘤和非DLBCL的病理图像 | 数字病理学 | 弥漫性大B细胞淋巴瘤 | 病理切片图像分析 | CNN | 图像 | 来自三家医院的病理图像数据集 | NA | 多个卷积神经网络 | 诊断准确率 | NA |
| 9 | 2025-12-21 |
Bayesian reasoning machine on a magneto-tunneling junction network
2020-Nov-27, Nanotechnology
IF:2.9Q2
DOI:10.1088/1361-6528/abae97
PMID:32936787
|
研究论文 | 本文提出了一种基于磁隧道结网络的新型纳米磁计算基底，用于实现任意贝叶斯图的高速采样 | 开发了一种利用磁隧道结进行电可编程“亚纳秒级”概率样本生成的方法，并通过优化电压控制磁各向异性和自旋转移力矩实现，同时提出通过设计MTJ软层的局部磁致伸缩来实现可编程条件样本生成，无需传统低效硬件 | NA | 为贝叶斯网络开发新型纳米磁计算硬件，实现高速概率采样 | 磁隧道结网络及其在贝叶斯网络中的应用 | 机器学习 | NA | 电压控制磁各向异性、自旋转移力矩、磁致伸缩工程 | 贝叶斯网络 | 概率样本 | NA | NA | 贝叶斯图 | NA | 磁隧道结网络硬件 |
| 10 | 2025-12-14 |
Deep learning networks on chronic liver disease assessment with fine-tuning of shear wave elastography image sequences
2020-11-05, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/abae06
PMID:32998480
|
研究论文 | 本研究比较了多种预训练深度学习网络在慢性肝病评估中的性能，使用剪切波弹性成像图像序列进行微调 | 首次系统比较了多种流行预训练深度学习网络在慢性肝病评估中的性能，并引入了时间稳定性掩码和增强技术进行对比分析 | 数据集规模有限，需要更大样本量来确定最佳网络和设置 | 比较不同深度学习网络在慢性肝病诊断和进展评估中的性能，并寻找适合的深度学习方案 | 200名经肝活检验证的慢性肝病患者 | 计算机视觉 | 慢性肝病 | 超声剪切波弹性成像 | CNN | 图像 | 200名患者 | NA | GoogLeNet, AlexNet, VGG16, ResNet50, DenseNet201 | 准确率, AUC | NA |
| 11 | 2025-12-14 |
Obtaining PET/CT images from non-attenuation corrected PET images in a single PET system using Wasserstein generative adversarial networks
2020-11-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aba5e9
PMID:32663812
|
研究论文 | 本研究提出了一种基于深度学习的双阶段Wasserstein生成对抗网络方法，用于从单PET系统的非衰减校正PET图像中合成衰减校正PET图像和CT图像 | 首次提出使用Wasserstein生成对抗网络从NAC PET图像直接生成sAC PET和sCT图像的双阶段框架，无需额外CT扫描即可获得PET/CT融合图像 | 研究样本量有限（45组数据），未在更多样化的临床场景或不同PET系统上进行验证 | 减少PET/CT成像中的辐射剂量，通过深度学习合成高质量的衰减校正PET和CT图像 | 临床患者的全身PET/CT配对图像 | 医学影像分析 | NA | PET/CT成像，深度学习图像合成 | 生成对抗网络 | 医学图像（PET，CT） | 45组临床患者的配对PET/CT图像 | NA | Wasserstein生成对抗网络 | 定性分析，定量分析 | NA |
| 12 | 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 |
| 13 | 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 |
| 14 | 2025-10-07 |
A demonstration of automated visual evaluation of cervical images taken with a smartphone camera
2020-11-01, International journal of cancer
IF:5.7Q1
DOI:10.1002/ijc.33029
PMID:32356305
|
研究论文 | 本研究验证了使用智能手机摄像头拍摄的宫颈图像进行自动化视觉评估在宫颈癌筛查中的可行性 | 首次将深度学习自动化视觉评估技术应用于智能手机拍摄的宫颈图像进行宫颈癌筛查 | 金标准为妇科肿瘤专家评估而非组织病理学诊断，且仅在小部分图像上进行了组织病理学验证 | 开发基于智能手机的宫颈癌筛查辅助工具 | 通过商业MobileODT EVA系统采集的宫颈图像 | 计算机视觉 | 宫颈癌 | 深度学习，自动化视觉评估 | 目标检测网络 | 图像 | 3221名女性的7587张宫颈图像 | NA | 目标检测网络 | AUC | NA |
| 15 | 2025-04-01 |
Deep learning approaches in predicting ADMET properties
2020-11, Future medicinal chemistry
IF:3.2Q3
DOI:10.4155/fmc-2020-0259
PMID:33124448
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16 | 2025-02-21 |
EEG-Based Emotion Classification Using Long Short-Term Memory Network with Attention Mechanism
2020-Nov-25, Sensors (Basel, Switzerland)
DOI:10.3390/s20236727
PMID:33255539
|
研究论文 | 本文提出了一种基于长短期记忆网络（LSTM）和注意力机制的脑电图（EEG）情感分类方法 | 结合LSTM网络和注意力机制，考虑情感信号随时间的变化，并基于心理学中的峰终规则对特定时刻的情感状态进行加权 | 未提及具体局限性 | 研究基于EEG信号的情感分类 | 32通道EEG数据 | 机器学习 | NA | 深度学习算法 | LSTM, CNN | EEG信号 | DEAP数据库中的32通道EEG数据 | NA | NA | NA | NA |
| 17 | 2025-10-07 |
Poly(A)-DG: A deep-learning-based domain generalization method to identify cross-species Poly(A) signal without prior knowledge from target species
2020-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1008297
PMID:33151940
|
研究论文 | 提出一种基于深度学习的域泛化方法Poly(A)-DG，用于无需目标物种先验知识的跨物种Poly(A)信号识别 | 首次将域泛化技术应用于跨物种Poly(A)信号识别，无需目标物种的重新训练即可实现准确预测 | 仅在四种物种上进行测试，尚未验证在更广泛物种上的泛化能力 | 开发能够跨物种识别Poly(A)信号的深度学习方法 | 真核生物mRNA成熟过程中的poly(A)信号 | 生物信息学 | NA | 深度学习 | CNN, MLP | DNA序列数据 | 四个物种的数据集，其中两个用于训练，其余用于评估 | NA | 卷积神经网络-多层感知器(CNN-MLP)网络 | 准确率 | NA |
| 18 | 2024-12-15 |
Multimodality Imaging and Artificial Intelligence for Tumor Characterization: Current Status and Future Perspective
2020-Nov, Seminars in nuclear medicine
IF:4.6Q1
DOI:10.1053/j.semnuclmed.2020.07.003
PMID:33059823
|
研究论文 | 本文探讨了多模态影像与人工智能在肿瘤特征分析中的应用现状及未来展望 | 人工智能通过机器学习和深度学习，能够整合大量异质性数据进行分析，提供自动化和可重复的定量影像生物标志物 | 需要设定质量标准，包括影像采集的标准化、模型开发的透明性、验证和测试的高质量过程以及算法的更好可解释性 | 研究多模态影像与人工智能在肿瘤特征分析中的应用，以实现精准肿瘤学 | 肿瘤的特征分析和分子表达的非侵入性监测 | 计算机视觉 | NA | 机器学习，深度学习 | NA | 影像 | NA | NA | NA | NA | NA |
| 19 | 2024-12-06 |
Use of artificial intelligence in diagnosis of head and neck precancerous and cancerous lesions: A systematic review
2020-11, Oral oncology
IF:4.0Q2
|
综述 | 本文系统综述了人工智能在头颈部癌前病变和癌症诊断中的应用及其诊断准确性 | 本文首次系统综述了人工智能在头颈部癌前病变和癌症诊断中的应用，并评估了其诊断准确性 | 本文发现大多数研究存在高偏倚风险，可能导致准确率被高估，且缺乏对其他头颈部病理的AI诊断证据 | 评估人工智能在头颈部癌前病变和癌症诊断中的应用及其诊断准确性 | 头颈部癌前病变和癌症，包括口腔上皮发育不良、口腔黏膜下纤维化、口腔鳞状细胞癌和口咽鳞状细胞癌 | 数字病理 | 头颈部癌 | 人工智能 | 监督学习方法 | 图像 | 11项研究，涉及40-270张全切片图像 | NA | NA | NA | NA |
| 20 | 2024-10-12 |
[Segmentation of organs at risk in nasopharyngeal cancer for radiotherapy using a self-adaptive Unet network]
2020-Nov-30, Nan fang yi ke da xue xue bao = Journal of Southern Medical University
|
研究论文 | 研究基于自适应Unet网络在鼻咽癌放疗中对危及器官的自动分割精度 | 提出了基于三维Unet的改进网络AUnet，并引入了器官大小作为先验知识来优化卷积核设计，提高了网络对不同大小器官特征的提取能力 | AUnet在视神经和视交叉的分割结果与手动分割存在显著差异 | 研究鼻咽癌放疗中危及器官自动分割的准确性 | 鼻咽癌患者的危及器官 | 计算机视觉 | 鼻咽癌 | 自适应直方图均衡化算法 | AUnet | CT图像 | 147例鼻咽癌患者 | NA | NA | NA | NA |