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 75 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 | 2026-10-13 |
Deep learning improves macromolecule identification in 3D cellular cryo-electron tomograms
2021-11, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-021-01275-4
PMID:34675434
|
研究论文 | 本文提出了DeepFinder，一种利用人工神经网络在细胞冷冻电子断层扫描图像中同时定位多类大分子的计算流程 | DeepFinder能够同时定位多类大分子，推理阶段比模板匹配更快，在合成和实验数据集上优于其他竞争性深度学习方法，并在细胞冷冻电子断层扫描数据上达到了与专家监督标注相当的精度 | 摘要中未明确提及研究局限性 | 提高3D细胞冷冻电子断层扫描中大分子识别的自动化程度和准确性 | 细胞冷冻电子断层扫描图像中的大分子，包括膜结合和胞质核糖体、核酮糖-1,5-二磷酸羧化酶/加氧酶以及光系统II | 计算机视觉 | NA | 冷冻电子断层扫描 | 人工神经网络 | 图像 | NA | NA | NA | 定位精度 | NA |
| 2 | 2026-10-01 |
COVID-19 in Asia: Transmission factors, re-opening policies, and vaccination simulation
2021-11, Environmental research
IF:7.7Q1
DOI:10.1016/j.envres.2021.111657
PMID:34246638
|
研究论文 | 本文从三个方面分析了亚洲的COVID-19大流行：传播因素、退出策略和疫苗接种模拟 | 综合分析了环境、社会政治因素与COVID-19传播的关系，评估了多种退出策略，并模拟了疫苗接种达到群体免疫的时间 | 分析基于八个亚洲国家的数据，可能不适用于其他地区；疫苗接种模拟未考虑影响接种率的中间因素 | 为亚洲COVID-19大流行提供传播因素、重新开放政策和疫苗接种方面的见解 | 亚洲八个国家（伊朗、土耳其、印度、沙特阿拉伯、阿联酋、菲律宾、韩国、俄罗斯）的COVID-19数据 | 机器学习 | COVID-19 | 深度学习 | 基于个体的随机流行病学模型，深度学习模型 | 数值数据，时间序列数据 | 来自八个国家的数据 | NA | NA | NA | NA |
| 3 | 2026-10-01 |
RCTE: A reliable and consistent temporal-ensembling framework for semi-supervised segmentation of COVID-19 lesions
2021-Nov, Information sciences
DOI:10.1016/j.ins.2021.07.059
PMID:34305162
|
研究论文 | 提出了一种可靠且一致的时间集成框架（RCTE），用于COVID-19病变的半监督分割 | 引入了可靠的师生架构，其中可靠的教师网络是可靠学生网络的指数移动平均，当学生损失较大时限制学生参与EMA，并提出了基于改进的广义交叉熵损失的噪声感知损失 | 未明确说明 | 开发一种高效的自动诊断系统，用于从CT扫描中分割COVID-19病变 | COVID-19病变 | 计算机视觉 | COVID-19 | 半监督学习 | 教师-学生架构 | 图像 | 未明确说明 | 未明确说明 | 未明确说明 | Dice分数 | 未明确说明 |
| 4 | 2026-09-29 |
Peel learning for pathway-related outcome prediction
2021-11-18, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btab402
PMID:34042937
|
研究论文 | 本文提出了一种新的神经网络方法——剥离学习（Peel Learning），该方法利用基因间的先验关系，通过逐层剥离和线性投影来简化网络结构，并采用改进的反向传播优化参数，用于通路相关的结果预测 | 提出了一种新的神经网络架构Peel Learning，该架构能够将基因间的先验通路关系整合到神经网络中，通过逐层剥离和线性投影降低变量间的依赖，从而在小样本高维数据上提高预测性能 | 未明确提及 | 解决传统回归模型在结果预测中的局限性以及深度学习在小样本高维基因表达数据中难以应用的问题 | 肺移植研究中的供体基因表达数据以及模拟数据 | 机器学习 | 肺移植 | 基因表达分析 | 神经网络 | 基因表达数据 | 一项小型肺移植研究 | Python | Peel Learning | 预测准确率 | 未明确提及 |
| 5 | 2026-09-29 |
A convolutional neural network for common coordinate registration of high-resolution histology images
2021-11-18, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btab447
PMID:34128955
|
研究论文 | 提出一种新型卷积神经网络架构，用于高分辨率组织学图像的共同坐标配准 | 结合局部分类CNN和全局分割CNN，实现端到端训练，能够处理高分辨率图像并保持全局感知，在多个数据集上优于竞争方法 | 未明确提及 | 解决大规模空间组学研究中的组织学图像配准问题，实现共同坐标配准 | 高分辨率组织学图像，包括一个参考组织学数据集和两个已发表的空间转录组学数据集 | 数字病理学 | NA | 空间转录组学 | CNN | 图像 | NA | NA | CNN | NA | 商用GPU |
| 6 | 2026-08-27 |
Deep-learning power and perspectives for genomic selection
2021-11, The plant genome
DOI:10.1002/tpg2.20122
PMID:34309215
|
研究论文 | 本文探讨了深度学习在基因组选择中的应用，并提供了关于其解决复杂预测任务的能力以及如何将深度学习与基因组选择相结合以加速植物育种革命的见解。 | 强调了深度学习模型在基因组选择中超越人类能力和其他机器学习算法的潜力，并指出了利用深度学习方法进行基因组选择的机遇领域。 | 作者承认需要大量研究来适应和开发考虑育种输入和基因组选择特性的深度学习方法。 | 提供关于深度学习在基因组选择中应用的洞见，并讨论如何结合两者以推动植物育种的发展。 | 深度学习模型在基因组选择中的应用及植物育种中的基因组选择方法。 | 机器学习 | NA | 基因组选择 | 深度学习（DL） | 基因组数据 | NA | NA | NA | NA | NA |
| 7 | 2026-08-27 |
Application of a Poisson deep neural network model for the prediction of count data in genome-based prediction
2021-11, The plant genome
DOI:10.1002/tpg2.20118
PMID:34323393
|
研究论文 | 本文应用泊松深度神经网络（PDNN）模型进行基因组预测中的计数数据预测，并与多种传统和深度学习方法进行了比较 | 将先前提出的单变量泊松深度神经网络应用于基因组预测的计数数据，利用TensorFlow和Keras实现，能够处理中型和大型数据集，克服了传统GS计数数据模型的限制 | PDNN模型在预测精度上未优于处理连续结果的常规深度神经网络 | 评估泊松深度神经网络在基因组选择中对计数数据预测的性能 | 基因组选择中的计数数据预测模型 | 机器学习 | NA | NA | 深度神经网络（DNN），泊松深度神经网络（PDNN） | 计数数据 | 未明确说明 | TensorFlow, Keras | PDNN，隐藏层使用ReLU激活函数，输出层使用指数激活函数 | 预测精度 | 未明确说明 |
| 8 | 2026-08-17 |
Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram
2021-11, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-021-01264-7
PMID:34711971
|
研究论文 | 本文提出Tangram方法，将单细胞/单核RNA测序数据与多种空间转录组数据（如MERFISH、STARmap等）对齐，以在单细胞分辨率下构建全基因组空间图谱 | 创新性地提出一种通用的空间转录组对齐算法，能处理包括多模态数据在内的多种单细胞数据，并首次将染色质可及性数据映射到空间模式 | 方法依赖于同一区域的空间数据，且对数据质量和分辨率有较高要求，可能限制其在低质量数据上的应用 | 开发一种计算方法，将单细胞转录组数据与空间转录组数据整合，以在单细胞分辨率下绘制组织器官的生物学图谱 | 小鼠大脑（视觉和躯体运动区域）的组织样本 | 机器学习 | 不适用 | 单细胞/单核RNA测序、MERFISH、STARmap、smFISH、空间转录组学（Visium）、SHARE-seq | 概率对齐模型 | 基因表达数据、空间转录组数据、组织学图像 | 小鼠大脑组织（具体样本数未提及） | PyTorch | 嵌入层、线性层（具体架构未详细描述） | 准确度、相关性、F1分数 | 未提及 |
| 9 | 2026-07-03 |
RE: A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma
2021-11-29, Journal of the National Cancer Institute
DOI:10.1093/jnci/djab098
PMID:34021355
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10 | 2026-05-27 |
Image- versus histogram-based considerations in semantic segmentation of pulmonary hyperpolarized gas images
2021-11, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.28908
PMID:34227163
|
研究论文 | 比较基于直方图和基于图像的算法在高极化气体肺部图像分割中的差异 | 首次系统比较直方图与图像域优化方法在肺部高极化气体MRI分割中的性能，并公开深度学习功能 | 模拟数据集可能无法完全代表真实临床场景中的复杂噪声和变形 | 表征基于直方图和基于图像的分割算法在肺部高极化气体图像分割中的差异 | 高极化129Xe气体肺部MRI图像（来自29名受试者公开数据集和51名受试者回顾性数据集） | 计算机视觉 | 肺部疾病 | MRI | CNN | 图像 | 80名受试者（29名公开+51名回顾性）的模拟高极化气体MRI图像 | Advanced Normalization Tools | 卷积神经网络 | 测量偏差、测量精度 | NA |
| 11 | 2026-05-16 |
Integrative multiomics-histopathology analysis for breast cancer classification
2021-Nov-29, NPJ breast cancer
IF:6.5Q1
DOI:10.1038/s41523-021-00357-y
PMID:34845230
|
研究论文 | 开发弱监督深度学习模型，分析乳腺癌H&E染色切片与多组学状态（基因表达、突变）之间的关系 | 首次系统探索乳腺癌组织学形态与多组学状态之间的关联，并利用深度学习从视觉信号中预测受体状态和基因突变 | 未在摘要中明确提及限制 | 研究乳腺癌组织学形态与临床亚型、基因表达和突变状态的关系 | 乳腺癌患者的H&E染色活检切片及其多组学数据 | 数字病理学 | 乳腺癌 | H&E染色组织切片分析 | 弱监督深度学习模型 | 图像 | 独立验证队列（具体数量未提供） | NA | NA | AUC（受试者工作特征曲线下面积） | NA |
| 12 | 2026-02-25 |
PodoSighter: A Cloud-Based Tool for Label-Free Podocyte Detection in Kidney Whole-Slide Images
2021-11, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.2021050630
PMID:34479966
|
研究论文 | 本研究开发了PodoSighter，一种基于云的在线工具，用于通过深度学习自动识别和量化肾全玻片图像中的足细胞核 | 首次提出一种无需标记的自动化足细胞检测工具，利用深度学习在标准组织学染色全玻片图像中实现足细胞核的识别与量化 | 研究基于多机构队列但样本量有限（122个组织切片），且工具性能在不同物种间存在差异 | 开发自动化工具以改进足细胞检测与量化，促进足细胞研究并支持未来临床应用 | 小鼠、大鼠和人类肾脏组织切片，包括糖尿病肾病、新月体性肾小球肾炎等疾病模型 | 数字病理学 | 肾脏疾病 | 免疫组织化学染色、免疫荧光染色、周期性酸-Schiff染色 | 深度学习模型 | 图像 | 122个组织切片（来自小鼠、大鼠和人类肾脏的多机构队列） | NA | NA | 灵敏度, 特异性 | 基于云的Web应用平台 |
| 13 | 2026-02-24 |
Accelerated Brain Aging and Cerebral Blood Flow Reduction in Persons With Human Immunodeficiency Virus
2021-11-16, Clinical infectious diseases : an official publication of the Infectious Diseases Society of America
IF:8.2Q1
DOI:10.1093/cid/ciab169
PMID:33621317
|
研究论文 | 本研究通过MRI生物标志物比较了不同病毒载量的HIV感染者与未感染者的脑老化差异，发现脑血流与年龄和病毒载量相关，而结构老化与认知功能下降相关 | 首次系统比较了不同病毒载量HIV感染者的脑老化特征，揭示了脑血流与结构老化的不同影响因素 | 横断面研究设计无法确定因果关系，样本量相对有限 | 探究HIV感染对脑老化的影响及其与病毒载量的关系 | HIV感染者（分为可检测和不可检测病毒载量两组）与HIV未感染者 | 医学影像分析 | 人类免疫缺陷病毒感染 | 磁共振成像，动脉自旋标记，神经心理学测试 | 深度学习算法 | MRI图像，神经心理学测试数据 | 529人（230名不可检测病毒载量HIV感染者，93名可检测病毒载量HIV感染者，206名HIV未感染者） | NA | 公开可用的深度学习算法（具体架构未说明） | P值 | NA |
| 14 | 2025-10-06 |
Identifying Drug-Resistant Tuberculosis in Chest Radiographs: Evaluation of CNN Architectures and Training Strategies
2021-11, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC46164.2021.9630189
PMID:34891867
|
研究论文 | 本研究利用胸部X光片通过卷积神经网络区分耐药性和药物敏感性肺结核 | 首次将预训练CNN模型与深度学习数据增强方法结合用于肺结核耐药性分类，在公开数据集上达到85%的AUC性能 | 数据来源有限，模型性能仍需进一步提升 | 开发基于胸部X光片的肺结核耐药性自动识别方法 | 肺结核患者的胸部X光影像 | 计算机视觉 | 肺结核 | 胸部X光成像 | CNN | 医学影像 | 来自NIAID TB Portals的标注数据及额外未标注数据源 | NA | InceptionV3 | AUC | NA |
| 15 | 2025-10-06 |
Deep learning is widely applicable to phenotyping embryonic development and disease
2021-11-01, Development (Cambridge, England)
DOI:10.1242/dev.199664
PMID:34739029
|
研究论文 | 本研究探索深度学习在胚胎发育表型分析中的广泛应用，通过U-Net网络实现多种成像模式的自动分割 | 首次将深度学习与光片显微镜结合，实现非洲爪蟾胚胎发育异常的高通量表型分析 | 研究主要聚焦于特定器官系统（肾脏、神经和颅面），尚未涵盖所有可能的发育异常类型 | 开发自动化胚胎发育表型分析方法，提高发育畸形评估的灵敏度和通量 | 非洲爪蟾胚胎，特别是肾脏发育异常（pkd1、pkd2）和颅面畸形（six1）模型 | 计算机视觉 | 先天性疾病 | 光片显微镜，全胚胎成像 | CNN | 图像 | 多种基因编辑和化学处理条件下的非洲爪蟾胚胎样本 | NA | U-Net | 分割准确性，表型量化精度 | NA |
| 16 | 2025-10-06 |
DRONE: Dual-Domain Residual-based Optimization NEtwork for Sparse-View CT Reconstruction
2021-11, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2021.3078067
PMID:33956627
|
研究论文 | 提出一种基于双域残差优化的稀疏视图CT重建网络DRONE | 设计了包含嵌入、精炼和感知三个模块的双域残差优化网络，通过数据域和图像域的协同处理有效抑制稀疏视图伪影 | NA | 解决稀疏视图CT重建挑战，从极少投影中实现高质量图像重建 | 临床前和临床数据集 | 医学影像重建 | NA | CT成像 | 深度学习网络 | CT投影数据（正弦图）、医学图像 | 临床前和临床数据集 | NA | DRONE（双域残差优化网络） | 边缘保持、特征恢复、重建精度 | NA |
| 17 | 2025-07-20 |
Quantitative Imaging of Body Fat Distribution in the Era of Deep Learning
2021-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2021.04.004
PMID:34023197
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18 | 2025-10-06 |
Feasibility analysis on simultaneous electron density and attenuation coefficient reconstruction
2021-Nov, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15251
PMID:34564848
|
研究论文 | 提出一种结合深度学习的交替迭代重建方法，用于同时重建康普顿散射断层成像中的电子密度和衰减系数 | 利用散射图像与衰减图像之间的结构相似性，将深度学习模型融入交替迭代重建方案中 | 仅在模拟数据集上进行测试，尚未在真实临床数据上验证 | 开发联合散射和衰减图像重建的新方法 | 人体组织模拟的2D幻影图像和基于真实CT图像的模拟数据集 | 医学影像 | 肿瘤 | 康普顿散射断层成像，单视图CT成像 | 深度学习 | CT图像，模拟数据 | 生成的2D幻影图像数据集和真实CT图像模拟数据集 | NA | NA | 结构相似性指数 | NA |
| 19 | 2025-10-06 |
On Interpretability of Artificial Neural Networks: A Survey
2021-Nov, IEEE transactions on radiation and plasma medical sciences
IF:4.6Q1
DOI:10.1109/trpms.2021.3066428
PMID:35573928
|
综述 | 本文对人工神经网络可解释性研究进行了系统性综述，提出了可解释性分类法并探讨了在医学等领域的应用 | 提出了简单而全面的可解释性分类法，系统梳理了神经网络可解释性研究进展，并探讨了与模糊逻辑和脑科学的未来研究方向 | NA | 提高深度神经网络的可解释性，促进其在关键任务领域的应用 | 人工深度神经网络(DNNs)及其可解释性方法 | 机器学习 | NA | NA | DNN | 文本,图像,视频,图数据 | NA | NA | NA | NA | NA |
| 20 | 2025-03-01 |
Systematic Quantification of Sources of Variation in Ejection Fraction Calculation Using Deep Learning
2021-11, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2021.06.018
PMID:34274282
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |