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 1865 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2026-05-22 |
AlphaFold Models of Small Proteins Rival the Accuracy of Solution NMR Structures
2022, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2022.877000
PMID:35769913
|
研究论文 | 评估AlphaFold对小分子量刚性蛋白质的建模精度与溶液NMR结构相当 | 首次系统验证AlphaFold模型在溶液NMR数据上的拟合度与实验NMR结构相当甚至更优，挑战了AlphaFold不能准确建模溶液NMR结构的普遍误解 | 研究仅针对小分子量、刚性蛋白质，未涉及大分子、柔性蛋白或多结构域蛋白，且评估工具依赖特定软件套件（PSVS） | 验证AlphaFold对小分子量刚性蛋白质的建模精度是否与实验溶液NMR结构相当 | 六种代表性小蛋白质（同时具有NMR和X射线晶体结构）及三个CASP靶标 | 结构生物学， 分子建模 | NA | NMR， X射线晶体学 | AlphaFold（深度学习蛋白质结构预测模型） | 蛋白质序列、NMR数据（NOESY峰列表、化学位移、残余偶极耦合数据） | 6种代表性小蛋白质 + 3个CASP靶标 | NA | AlphaFold2 | RPF-DP分数、ANSURR分数、RDC Q因子 | NA |
| 22 | 2026-05-18 |
A Comparative Study of Deep Learning Algorithms for Detecting Food Intake
2022-07, 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/EMBC48229.2022.9871278
PMID:36085821
|
研究论文 | 比较多种深度学习算法在利用可穿戴传感器信号检测食物摄入上的性能 | 首次系统比较了多种先进时域深度学习算法（MLP、time-CNN、FCN、ResNet和Inception）在基于可穿戴传感器信号的食物摄入分类任务中的表现，并发现ResNet效果最优 | 样本量较小（17名受试者，23天数据），可能影响模型的泛化能力 | 比较不同深度学习算法在食物摄入分类中的性能，以确定最优算法 | 可穿戴传感器（AIM-2）采集的咀嚼肌活动信号 | 机器学习 | 不适用 | 可穿戴传感器（光学和3轴加速度计） | MLP, time-CNN, FCN, ResNet, Inception | 时序信号 | 17名受试者，23天自由生活数据 | 不适用 | MLP, time-CNN, FCN, ResNet, Inception | 平衡分类准确率 | 不适用 |
| 23 | 2026-05-17 |
Image Quality Classification for Automated Visual Evaluation of Cervical Precancer
2022-Sep, Medical image learning with limited and noisy data : first international workshop, MILLanD 2022, held in conjunction with MICCAI 2022, Singapore, September 22, 2022, proceedings. MILLanD (Workshop) (1st : 2022 : Singapore)
DOI:10.1007/978-3-031-16760-7_20
PMID:36315110
|
研究论文 | 提出一种深度学习集成框架，用于宫颈癌前病变自动视觉评估的图像质量分类 | 集成网络框架包含宫颈检测、错误标签识别和质量分类三大模块，自动识别错误标签和模糊图像以提升分类性能 | 未提及具体局限性 | 提升宫颈癌前病变自动视觉评估的图像质量分类性能 | 宫颈癌前病变筛查中的宫颈图像 | 计算机视觉 | 宫颈癌 | NA | 深度学习集成框架 | 图像 | 来自全球不同机构、设备和地区的14,183名患者的87,420张图像 | NA | 集成网络（包含宫颈检测网络、错误标签识别网络和质量分类网络） | 准确率 | NA |
| 24 | 2026-05-17 |
Improved 3D tumour definition and quantification of uptake in simulated lung tumours using deep learning
2022-04-27, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ac65d6
PMID:35395657
|
研究论文 | 提出一种深度学习方法来改善肺肿瘤PET成像中的放射性示踪剂摄取量化和肿瘤形状定义 | 使用模拟肿瘤生成真实PET原始数据，训练3D卷积神经网络以恢复肿瘤形状和改进摄取估计，且模型对采用不同点扩散函数的重建PET数据具有泛化能力 | NA | 提高肺肿瘤放射性示踪剂摄取的量化准确性和肿瘤形状定义 | 模拟肺肿瘤及其在PET图像中的放射性示踪剂分布 | 数字病理学 | 肺癌 | PET成像 | 3D卷积神经网络 | 图像 | 模拟肿瘤，具有不同大小和活性分布，放置于拟人模型左肺 | NA | 3D卷积神经网络 | 肿瘤最大和中等活性估计 | NA |
| 25 | 2026-05-16 |
Ten quick tips for deep learning in biology
2022-03, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1009803
PMID:35324884
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 26 | 2026-05-15 |
Ultrasonic Image Feature Analysis under Deep Learning Algorithm to Evaluate the Efficacy of Drug-Coated Balloon for Treatment of Arteriosclerotic Occlusion
2022, Computational and mathematical methods in medicine
DOI:10.1155/2022/3176716
PMID:35720043
|
研究论文 | 利用深度学习算法分析超声图像，评估药物涂层球囊治疗动脉硬化闭塞症的效果 | 首次将基于深度学习的区域更快卷积神经网络目标检测算法应用于超声图像，以评估药物涂层球囊治疗动脉硬化闭塞症的疗效，并与数字减影血管造影结果进行一致性比较 | 对于胫前动脉狭窄的诊断，算法超声与数字减影血管造影的一致性一般 | 探索基于深度学习算法的超声图像在评估药物涂层球囊治疗动脉硬化闭塞症疗效中的应用价值 | 56例接受下肢动脉药物涂层球囊手术的患者 | 计算机视觉 | 动脉硬化闭塞症 | 超声成像，数字减影血管造影 | 区域更快卷积神经网络 | 超声图像 | 56名患者 | NA | Faster R-CNN | Dice系数，精确率，灵敏度 | NA |
| 27 | 2026-05-12 |
Hierarchical Individual Naturalistic Functional Brain Networks with Group Consistency Uncovered by a Two-Stage NAS-Volumetric Sparse DBN Framework
2022 Sep-Oct, eNeuro
IF:2.7Q3
DOI:10.1523/ENEURO.0200-22.2022
PMID:35995557
|
研究论文 | 提出了一种两阶段神经架构搜索与体积稀疏深度信念网络模型，用于从自然范式功能磁共振成像数据中识别具有群体一致性和个体独特性的分层功能脑网络 | 首次将神经架构搜索与体积稀疏深度信念网络结合，自动优化网络架构以建模自然范式fMRI数据，同时兼顾群体一致性与个体变异性 | 未提及 | 从自然范式fMRI数据中自动识别具有群体一致性和个体独特性的分层时空脑功能特征 | 自然范式下的人脑功能网络及时间特征 | 机器学习 | NA | NfMRI | 深度信念网络 (DBN) | fMRI体积图像 | NA | NA | 两阶段神经架构搜索, 体积稀疏深度信念网络 | 群体一致性, 个体独特性 | NA |
| 28 | 2026-05-09 |
Deep Learning CT-based Quantitative Visualization Tool for Liver Volume Estimation: Defining Normal and Hepatomegaly
2022-02, Radiology
IF:12.1Q1
DOI:10.1148/radiol.2021210531
PMID:34698566
|
研究论文 | 利用深度学习工具自动分割肝脏，建立基于CT的肝脏体积估算和肝肿大阈值 | 提出了一个基于深度学习的全自动CT肝脏体积分割工具，并推导出基于体重的肝肿大线性阈值，比传统线性测量更准确和客观 | 未明确说明，但可能包括样本来自单一医学中心，无症状成人，未涵盖所有人群或疾病状态 | 确定肝脏体积并建立肝肿大的阈值 | 3065名接受结肠癌筛查或肾脏捐赠评估的无症状成人门诊患者 | 计算机视觉 | 肝肿大 | 多层螺旋CT | 深度学习 | CT图像 | 3065名患者（1639名女性，平均年龄54岁），其中1960例结肠癌筛查，1105例肾脏捐赠评估 | NA | NA | 敏感度，特异度，中位差异百分比 | NA |
| 29 | 2026-05-08 |
Artificial intelligence and deep learning to map immune cell types in inflamed human tissue
2022-06, Journal of immunological methods
IF:1.6Q4
DOI:10.1016/j.jim.2022.113233
PMID:35131237
|
研究论文 | 开发深度学习算法，识别炎症组织活检中的免疫细胞类型 | 提出一种基于深度学习的方法，能够无偏且全面地识别炎症组织中的免疫细胞，包括罕见的Tfh细胞亚群，并可用于细胞间距离映射 | NA | 利用人工智能和深度学习技术，自动化识别和分类炎症组织中的免疫细胞，以量化活检切片中的复杂免疫细胞交互信息 | 皮肌炎活检图像中的Tfh细胞亚群和B细胞 | 计算机视觉 | 自身免疫疾病（皮肌炎） | NA | 深度学习 | 图像 | NA | NA | 深度学习算法（未具体指定） | 检测和分类性能（未具体指定） | NA |
| 30 | 2026-05-08 |
Deep Learning Approaches for Predicting Glaucoma Progression Using Electronic Health Records and Natural Language Processing
2022-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2022.100127
PMID:36249690
|
research paper | 使用深度学习模型结合电子健康记录和自然语言处理预测青光眼进展 | 首次将自由文本临床笔记的自然语言处理特征与结构化临床数据结合，用于预测青光眼手术需求 | 未整合影像数据，仍需进一步研究最优方法以结合成像数据 | 预测青光眼患者是否需要手术干预 | 青光眼患者的电子健康记录，包括结构化数据和临床自由文本笔记 | natural language processing, machine learning | 青光眼 | NLP | 深度学习模型 | 文本结构化临床数据 | 4512名青光眼患者，其中748名接受手术 | NA | NA | AUC, F1分数 | NA |
| 31 | 2026-05-08 |
Brain Functional Connectivity Analysis via Graphical Deep Learning
2022-05, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2021.3127173
PMID:34882539
|
研究论文 | 提出一种基于图卷积网络的框架，用于脑功能连接分析，通过结合区域间连接和受试者间关系来研究认知功能 | 在脑网络分析中引入拉普拉斯正则化项解决过拟合问题，并采用遮挡敏感性分析方法识别与认知功能相关的脑网络和脑区 | 样本量有限，且脑区之间关系复杂，限制了图深度学习模型的应用 | 开发一种基于图卷积网络的框架，用于分析脑功能连接并识别与认知功能相关的脑网络和脑区 | 费城神经发育队列（Philadelphia Neurodevelopmental Cohort）中的受试者脑功能连接数据 | 机器学习 | NA | NA | 图卷积网络（GCN） | 脑功能连接数据 | 基于费城神经发育队列的数据，具体样本量未在摘要中指定 | NA | 图卷积网络 | 分类准确率 | NA |
| 32 | 2026-05-04 |
One Clinician Is All You Need-Cardiac Magnetic Resonance Imaging Measurement Extraction: Deep Learning Algorithm Development
2022-Sep-16, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/38178
PMID:35960155
|
研究论文 | 本研究开发了一种基于预训练Transformer语言模型的深度学习算法，通过少量专家标注从心脏磁共振成像临床报告中提取21项测量指标 | 使用预训练Transformer模型实现标签高效的数字提取，无需大量专家标注或人工规则，探索临床预训练和数字表示方法对性能的影响 | 未明确提及限制，但论文指出模型性能因测量类型而异（如左心房前后径F1=0.92），且工作流程需在实际应用中进一步验证 | 开发标签高效的方法从非结构化临床文本中自动提取CMR测量值，支持临床研究 | 多机构医疗系统中的心脏磁共振成像临床报告 | 自然语言处理 | 心血管疾病 | N/A | Transformer | 文本 | 99,252名患者（12,720份CMR报告，其中370份经临床医生标注） | PyTorch | Transformer | 宏平均F1分数 | N/A |
| 33 | 2026-04-30 |
OpenFL: the open federated learning library
2022-10-19, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ac97d9
PMID:36198326
|
研究论文 | 介绍开源联邦学习库OpenFL，一个基于Python的工具，支持TensorFlow和PyTorch框架，用于训练机器学习与深度学习算法，同时保护数据隐私 | 提供可扩展的联邦学习框架，支持可信执行环境以确保模型安全与完整性，并实现从集中式到联邦训练管线的简易迁移 | NA | 促进联邦学习在生产环境中的应用，并扩展到非医疗用例 | 联邦学习库OpenFL的设计、开发特性及其在医疗等领域的实际应用 | 机器学习 | NA | NA | NA | NA | NA | TensorFlow, PyTorch | NA | NA | NA |
| 34 | 2026-04-27 |
Design and Rationale for the Use of Magnetic Resonance Imaging Biomarkers to Predict Diabetes After Acute Pancreatitis in the Diabetes RElated to Acute Pancreatitis and Its Mechanisms Study: From the Type 1 Diabetes in Acute Pancreatitis Consortium
2022-07-01, Pancreas
IF:1.7Q3
DOI:10.1097/MPA.0000000000002080
PMID:36206463
|
研究论文 | 本研究探讨高级磁共振成像技术能否反映急性胰腺炎后的病理生理变化，并提供预测糖尿病的影像生物标志物 | 利用先进MRI技术开发定量复合风险评分，并结合人工智能深度学习算法优化预测能力 | NA | 通过纵向MRI观察急性胰腺炎后糖尿病的自然病程，识别高危个体并建立风险评分系统 | 急性胰腺炎后发生糖尿病的患者及其血糖正常、糖尿病前期人群 | 机器学习 | 糖尿病, 急性胰腺炎 | MRI | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 35 | 2026-04-24 |
Development and Validation of a Deep Learning Strategy for Automated View Classification of Pediatric Focused Assessment With Sonography for Trauma
2022-Aug, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.15868
PMID:34741469
|
研究论文 | 开发和验证用于儿科创伤重点超声评估视图分类的深度学习策略 | 使用大规模异质性真实世界临床数据集，由多位临床医生执行儿科FAST检查，开发高准确率的深度学习视图分类器 | NA | 开发并验证准确的深度学习视图分类器，用于儿科创伤重点超声评估（FAST）的自动视图分类 | 两个儿科急诊室由30位不同临床医生对18岁以下受伤儿童执行的真实FAST检查 | 计算机视觉 | 创伤 | 超声成像 | 深度学习分类器 | 超声视频片段和静态帧图像 | 699项FAST研究，包含4925个视频片段和1,062,612个静态帧 | NA | NA | 准确率，95%置信区间 | NA |
| 36 | 2026-04-23 |
The state of the art for artificial intelligence in lung digital pathology
2022-07, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.5966
PMID:35579955
|
综述 | 本文综述了人工智能在肺部数字病理学中的最新进展与应用 | 系统性地回顾了AI在肺部数字病理学中的多种应用，包括癌症、结核病、特发性肺纤维化和COVID-19，并探讨了新兴方向如多模态数据分析和3D病理学 | 未提及具体研究的数据限制或方法学局限性，主要作为领域综述存在 | 探讨人工智能工具在肺部数字病理学中的发展现状、应用及未来挑战 | 肺部疾病，包括肺癌、结核病、特发性肺纤维化、COVID-19等 | 数字病理学 | 肺癌 | 数字病理学成像 | 深度学习，无监督特征方法 | 病理图像 | NA | NA | NA | NA | NA |
| 37 | 2026-04-23 |
Researchers turn to deep learning to decode protein structures
2022-03-08, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2202107119
PMID:35235461
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 38 | 2026-04-22 |
Applications of artificial intelligence (AI) in ovarian cancer, pancreatic cancer, and image biomarker discovery
2022, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.3233/CBM-210301
PMID:35213360
|
综述 | 本文综述了人工智能在卵巢癌、胰腺癌及影像生物标志物发现中的应用、进展与挑战 | 系统总结了AI在卵巢癌和胰腺癌生物标志物发现中的具体应用，并强调了可解释性和可信赖AI在罕见癌症研究中的重要性 | 大多数AI模型尚未应用于临床，许多研究的影像数据未公开，疾病低流行率和无症状特性限制了数据可用性 | 探讨人工智能在卵巢癌和胰腺癌生物标志物发现中的应用进展、挑战及监管伦理考量 | 卵巢癌和胰腺癌的影像生物标志物 | 机器学习 | 卵巢癌,胰腺癌 | NA | NA | 影像数据 | NA | NA | NA | NA | NA |
| 39 | 2026-04-18 |
Exposing the Limitations of Molecular Machine Learning with Activity Cliffs
2022-Dec-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.2c01073
PMID:36456532
|
研究论文 | 本研究通过评估24种机器学习和深度学习方法在活性悬崖化合物上的性能，揭示了分子机器学习模型在处理活性悬崖时的局限性，并提出了改进建议 | 首次系统性地评估了多种机器学习方法在活性悬崖化合物上的性能，并开发了开源基准平台MoleculeACE来引导社区关注这一被忽视的挑战 | 所有方法在活性悬崖存在时均表现不佳，且性能存在较大的个案差异，表明当前模型仍难以准确预测此类边缘情况 | 填补活性悬崖对机器学习模型性能影响的知识空白，并推动开发更有效的预测方法 | 从30个大分子靶点中提取的经过整理的生物活性数据，重点关注活性悬崖化合物 | 机器学习 | NA | NA | 机器学习,深度学习 | 分子数据 | 来自30个大分子靶点的生物活性数据 | NA | NA | NA | NA |
| 40 | 2026-04-17 |
Recent Technical Developments in ASL: A Review of the State of the Art
2022-11, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29381
PMID:35983963
|
综述 | 本文综述了自Alsop等人发表ASL共识论文以来，先进动脉自旋标记（ASL）技术的最新发展 | 系统总结了ASL在读出与轨迹、图像重建、噪声抑制、部分容积校正、非灌注参数量化、fMRI、指纹识别、血管选择性ASL、血管造影、深度学习及超高场ASL等多个方面的最新技术进展 | 未涵盖速度选择性ASL、多时间点ASL、体部ASL及临床ASL建议等主题，这些内容已在其他文章中详细讨论 | 促进研究机构和MRI厂商采纳ASL技术的最新进展，并提供实施指导 | 先进动脉自旋标记（ASL）技术 | 医学影像 | NA | 动脉自旋标记（ASL） | NA | 磁共振成像（MRI）数据 | NA | NA | NA | NA | NA |