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 2512 篇文献，本页显示第 281 - 300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 281 | 2025-11-28 |
Predicting Molecular Subtype and Survival of Rhabdomyosarcoma Patients Using Deep Learning of H&E Images: A Report from the Children's Oncology Group
2023-01-17, Clinical cancer research : an official journal of the American Association for Cancer Research
IF:10.0Q1
DOI:10.1158/1078-0432.CCR-22-1663
PMID:36346688
|
研究论文 | 本研究使用深度学习分析横纹肌肉瘤H&E图像，预测分子亚型和患者生存率 | 首次将卷积神经网络应用于横纹肌肉瘤H&E图像，直接关联组织学特征与驱动基因突变及临床预后 | 样本量相对有限（321例），部分突变预测性能一般（如RAS通路ROC 0.67） | 开发基于深度学习的横纹肌肉瘤诊断和预后预测工具 | 横纹肌肉瘤患者的H&E组织病理图像 | 数字病理学 | 横纹肌肉瘤 | H&E染色，全玻片数字化扫描 | CNN | 病理图像 | 321例患者（训练集），136例独立测试样本 | NA | 卷积神经网络 | ROC曲线，事件无生存期预测，总生存期预测 | NA |
| 282 | 2025-11-27 |
Investigation of machine learning algorithms for taxonomic classification of marine metagenomes
2023-10-17, Microbiology spectrum
IF:3.7Q2
DOI:10.1128/spectrum.05237-22
PMID:37695074
|
研究论文 | 本研究开发了从公开海洋宏基因组数据构建训练/测试数据集的方法，并评估了机器学习算法在海洋宏基因组序列分类中的性能 | 通过构建专门的海洋宏基因组训练数据集，比较不同机器学习模型在宏基因组分类中的表现，并提出改进方向 | 训练数据中存在基因组覆盖度不足和类别不平衡问题，计算资源可及性有限 | 评估机器学习算法在海洋宏基因组分类中的性能并指导方法改进 | 海洋微生物宏基因组数据 | 机器学习 | NA | 宏基因组测序 | 深度学习 | 基因组序列数据 | 公开可用的海洋宏基因组数据集 | NA | NA | 准确率 | NA |
| 283 | 2025-11-27 |
Whole Slide Imaging-Based Prediction of TP53 Mutations Identifies an Aggressive Disease Phenotype in Prostate Cancer
2023-09-01, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-22-3113
PMID:37352385
|
研究论文 | 开发基于全切片图像的深度学习模型预测前列腺癌TP53突变并识别侵袭性表型 | 首次开发TiDo模型实现从全切片图像预测TP53突变，并发现假阳性预测与TP53缺失相关，揭示了与侵袭性疾病相关的下游表型 | 无法完美预测单个TP53突变的空间存在 | 开发基于全切片图像的生物标志物识别前列腺癌转移潜力 | 前列腺癌患者和病灶 | 数字病理学 | 前列腺癌 | 全切片成像 | 深度学习 | 图像 | 独立多灶性队列 | NA | TiDo | NA | NA |
| 284 | 2025-11-27 |
Application of machine learning and deep learning methods for hydrated electron rate constant prediction
2023-08-15, Environmental research
IF:7.7Q1
DOI:10.1016/j.envres.2023.115996
PMID:37105290
|
研究论文 | 本研究应用机器学习和深度学习方法预测有机化合物与水合电子的二级速率常数 | 首次将迁移学习和数据增强的卷积神经网络应用于水合电子速率常数预测，并比较了不同分子表示方法的性能 | 数据集仅包含867个样本，可能限制模型的泛化能力 | 预测有机化合物与水合电子的反应速率常数 | 有机化合物 | 机器学习 | NA | NA | XGBoost, CNN | 分子图像, 分子描述符, 分子指纹 | 867个不同pH条件下的速率常数值 | NA | 卷积神经网络 | R, RMSE, MAE | NA |
| 285 | 2025-11-27 |
Synthesis of Prospective Multiple Time Points F-18 FDG PET Images from a Single Scan Using a Supervised Generative Adversarial Network
2023-Apr, Nuklearmedizin. Nuclear medicine
DOI:10.1055/a-2026-0784
PMID:36878470
|
研究论文 | 使用监督生成对抗网络从单次扫描合成前瞻性多时间点F-18 FDG PET图像 | 将pix-to-pix GAN网络扩展应用于生成不同时间点的PET图像，仅需注射后60分钟的扫描数据 | 图像质量和训练数据量影响网络性能，患者研究结果较体模研究略有下降 | 评估pix-to-pix GAN网络在不同时间点图像生成中的可行性 | 体模和患者F-18 FDG PET图像 | 医学影像分析 | NA | F-18 FDG PET成像 | GAN | 医学图像 | 体模研究和患者研究 | NA | pix-to-pix GAN, ResNet-50 | SSIM, PSNR, MSE, 分类准确率 | NA |
| 286 | 2025-11-27 |
Stimulated Raman Scattering Microscopy Enables Gleason Scoring of Prostate Core Needle Biopsy by a Convolutional Neural Network
2023-02-15, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-22-2146
PMID:36594873
|
研究论文 | 开发基于受激拉曼散射显微镜和卷积神经网络的深度学习系统，用于前列腺穿刺活检的格里森评分 | 首次将受激拉曼散射显微镜与卷积神经网络结合，实现无标记、近实时的前列腺癌格里森模式分类 | 样本量相对有限（61例训练集，22例外部测试），与病理医生诊断一致性为71% | 开发快速准确的前列腺癌格里森评分方法以支持局部病灶的精准治疗 | 新鲜前列腺穿刺活检组织 | 数字病理 | 前列腺癌 | 受激拉曼散射显微镜 | CNN | 图像 | 61例患者用于训练，22例独立病例用于外部测试，21例用于诊断一致性验证 | NA | 卷积神经网络 | 准确率 | NA |
| 287 | 2025-11-25 |
Spatio-temporal fusion of meteorological factors for multi-site PM2.5 prediction: A deep learning and time-variant graph approach
2023-12-15, Environmental research
IF:7.7Q1
DOI:10.1016/j.envres.2023.117286
PMID:37797668
|
研究论文 | 提出一种基于深度学习和时变图的多站点PM2.5预测模型，通过融合气象因素的时空特征提升预测精度 | 创新性地结合图卷积网络和长短期记忆网络构建多图模型，能够深度挖掘多监测站点与气象因素的联合影响 | 仅以北京为研究案例，未验证模型在其他地区的适用性 | 提高多站点PM2.5浓度预测的准确性 | 北京市多个空气质量监测站点的PM2.5浓度数据 | 环境科学 | NA | 深度学习 | GCN, LSTM | 时间序列数据，气象数据，空气质量监测数据 | NA | NA | 图卷积网络，长短期记忆网络，注意力机制 | NA | NA |
| 288 | 2025-11-24 |
Spatial Omics Driven Crossmodal Pretraining Applied to Graph-based Deep Learning for Cancer Pathology Analysis
2023-Jul-31, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.30.551187
PMID:37577686
|
研究论文 | 本研究探索利用空间转录组学数据通过对比跨模态预训练机制生成深度学习模型，以增强基于图的癌症病理分析 | 首次将空间组学数据与组织学成像配对，通过对比跨模态预训练机制提升图深度学习模型在病理分析中的性能 | NA | 开发能够同时提取分子和组织学信息的深度学习模型，用于基于图的病理学习任务 | 癌症病理全切片图像和空间转录组学数据 | 数字病理 | 癌症 | 空间转录组学，组织学成像 | 图神经网络 | 图像，空间转录组数据 | NA | NA | 图神经网络 | 癌症分期准确率，淋巴结转移预测准确率，生存预测准确率，组织聚类分析 | NA |
| 289 | 2025-11-23 |
Live-cell imaging in the deep learning era
2023-12, Current opinion in cell biology
IF:6.0Q1
DOI:10.1016/j.ceb.2023.102271
PMID:37897927
|
综述 | 本文综述了深度学习时代活细胞成像的计算方法进展 | 系统总结了深度学习在活细胞成像中的最新应用，包括自主显微镜等前沿技术 | 仅简要覆盖重要计算方法，未提供详细的实施指南或性能比较 | 探讨深度学习如何改变活细胞成像的实施和数据分析方式 | 活细胞成像技术和相关计算方法 | 计算机视觉 | NA | 荧光显微镜，活细胞成像 | 深度学习 | 图像，时间序列数据 | NA | NA | NA | NA | NA |
| 290 | 2025-11-23 |
A deep neural network estimation of brain age is sensitive to cognitive impairment and decline
2023-Oct-11, bioRxiv : the preprint server for biology
DOI:10.1101/2023.08.10.552494
PMID:37645837
|
研究论文 | 本研究利用自由水校正的扩散MRI和T1加权MRI特征构建深度神经网络模型预测脑年龄，并验证其对认知障碍和认知衰退的敏感性 | 首次采用自由水校正的扩散MRI技术分离脑组织与液体成分，并构建多模态融合的深度神经网络模型预测脑年龄 | 未明确说明样本来源和具体样本量，研究范围可能受限于特定人群 | 开发敏感的生物标志物用于阿尔茨海默病的诊断和监测 | 认知未受损个体和轻度认知障碍参与者 | 医学影像分析 | 阿尔茨海默病 | 扩散MRI, T1加权MRI, 自由水校正技术 | 深度神经网络 | 神经影像数据 | NA | NA | 密集连接神经网络 | 相关系数, p值, β系数 | NA |
| 291 | 2025-11-22 |
Quantization of extraoral free flap monitoring for venous congestion with deep learning integrated iOS applications on smartphones
2023-11-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000000626
PMID:37462988
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 292 | 2025-11-21 |
Comment on 'Intelligent cataract surgery supervision and evaluation via deep learning'
2023-06-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000000419
PMID:37131327
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 293 | 2025-11-20 |
Assisted documentation as a new focus for artificial intelligence in endoscopy: the precedent of reliable withdrawal time and image reporting
2023-12, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2122-1671
PMID:37399844
|
研究论文 | 开发了一种基于人工智能的内窥镜辅助文档系统，用于测量退出时间和自动图像记录 | 首次将人工智能应用于内窥镜退出时间测量和自动图像记录，提供实时能力 | 需要进一步验证，样本量相对有限（100个结肠镜检查视频） | 提高内窥镜检查文档质量和标准化报告 | 结肠镜检查过程和图像 | 医学人工智能 | 结直肠疾病 | 深度学习 | 深度学习算法 | 内窥镜图像和视频 | 10,557张图像（来自1,300次检查，9个中心）和100个结肠镜检查视频（5个中心） | NA | 多类深度学习算法 | 时间差异比较，图像记录完整性 | 4个处理器 |
| 294 | 2025-11-20 |
Large-scale spatiotemporal deep learning predicting urban residential indoor PM2.5 concentration
2023-12, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2023.108343
PMID:38029622
|
研究论文 | 开发基于贝叶斯神经网络的大规模时空深度学习模型预测城市住宅室内PM2.5浓度 | 提出适用于全球尺度的室内PM2.5浓度预测模型，能够预测时空分布而非单点预测 | 模型在群体水平的有效性仍需进一步加强 | 评估人群水平暴露和健康风险，开发易于使用且通用的室内PM2.5浓度预测模型 | 中国城市住宅室内PM2.5浓度 | 机器学习 | 呼吸系统疾病 | 传感器监测 | 贝叶斯神经网络(BNN) | 传感器监测记录 | 全国范围的综合传感器监测记录 | NA | 贝叶斯神经网络 | R平方,平均绝对误差,均方根误差,预测区间覆盖率 | NA |
| 295 | 2025-11-19 |
Translation of tissue-based artificial intelligence into clinical practice: from discovery to adoption
2023-11, Oncogene
IF:6.9Q1
DOI:10.1038/s41388-023-02857-6
PMID:37875656
|
综述 | 探讨基于组织的人工智能在临床实践中的应用转化过程，从发现到采纳的完整路径 | 提出将人工智能应用于数字病理图像的多概念方法，包括语言建模和图像分析领域的新方法 | 数字病理/AI设备的新颖性及相关计算科学流程引入了新的设计和监管要求 | 推动组织基人工智能从研究向临床实践转化 | 数字病理图像和癌症诊断 | 数字病理学 | 癌症 | 数字病理成像 | 深度学习卷积神经网络, 多示例学习 | 病理图像 | NA | NA | NA | NA | NA |
| 296 | 2025-11-19 |
Structure-based prediction of T cell receptor:peptide-MHC interactions
2023-01-20, eLife
IF:6.4Q1
DOI:10.7554/eLife.82813
PMID:36661395
|
研究论文 | 本研究开发了一种基于深度学习的结构建模方法，用于预测T细胞受体与肽-MHC复合物的相互作用 | 首次将专门优化的AlphaFold神经网络应用于TCR:肽-MHC相互作用的结构建模和特异性预测 | 预测结果尚未达到广泛实际应用水平，仍需进一步改进 | 开发可泛化的TCR:肽-MHC相互作用特异性预测模型 | T细胞受体(TCR)与主要组织相容性复合体(MHC)呈递的肽段之间的相互作用 | 机器学习 | 免疫相关疾病 | 蛋白质结构预测 | 深度神经网络 | 蛋白质结构数据 | NA | AlphaFold | AlphaFold变体 | 准确度 | NA |
| 297 | 2025-11-18 |
Deep learning-based phenotype imputation on population-scale biobank data increases genetic discoveries
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01558-w
PMID:37985819
|
研究论文 | 提出一种基于深度学习的表型插补方法AutoComplete，用于填补大规模生物样本库中的缺失表型数据 | 开发了专门针对群体规模生物样本库数据的深度学习表型插补方法，显著提高了遗传发现能力 | 未明确说明方法在其他生物样本库或不同表型上的泛化能力 | 提高生物样本库表型数据的完整性和利用率，促进遗传学研究发现 | 英国生物银行约30万个体的表型数据 | 机器学习 | NA | 表型数据插补 | 深度学习 | 表型数据 | 约300,000个体 | NA | AutoComplete | 插补准确率, 遗传相似性, 有效样本量, 关联位点数量 | NA |
| 298 | 2025-11-18 |
Benchmarking of deep neural networks for predicting personal gene expression from DNA sequence highlights shortcomings
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01524-6
PMID:38036778
|
研究论文 | 本研究评估了深度神经网络在预测个体基因表达方面的表现，并揭示了现有方法的局限性 | 首次系统性地评估深度学习方法在跨个体基因表达预测中的表现，发现现有方法在预测变异效应方向上的局限性 | 现有方法未能充分学习序列基序语法，导致变异效应方向预测不准确 | 评估深度学习方法在预测个体基因表达变异方面的有效性和实用性 | 839名ROSMAP研究参与者的全基因组测序和基因表达数据 | 基因组学 | NA | 全基因组测序，基因表达分析 | 深度神经网络 | 基因组DNA序列，基因表达数据 | 839名个体 | NA | NA | 变异效应方向预测准确性 | NA |
| 299 | 2025-11-18 |
Current approaches to genomic deep learning struggle to fully capture human genetic variation
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01517-5
PMID:38036789
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 300 | 2025-11-18 |
Scaffolding cooperation in human groups with deep reinforcement learning
2023-10, Nature human behaviour
IF:21.4Q1
DOI:10.1038/s41562-023-01686-7
PMID:37679439
|
研究论文 | 使用深度强化学习训练社交规划器来优化人类群体网络结构，促进合作行为 | 首次将深度强化学习应用于人类群体合作网络的结构优化，采用调解而非隔离的方式处理背叛者 | 样本规模有限（共768名参与者），仅在特定游戏环境中验证 | 探索通过算法干预促进人类群体合作的有效方法 | 人类参与者群体（N=768）在合作游戏中的行为 | 机器学习 | NA | 深度强化学习，模拟方法 | 深度强化学习 | 行为数据，网络结构数据 | 768名参与者（实验组208人/13组，对照组176人/11组，对比组384人/24组） | NA | NA | 合作率 | NA |