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 2675 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 | 2026-04-01 |
Efficient segmentation using domain adaptation for MRI-guided and CBCT-guided online adaptive radiotherapy
2023-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2023.109871
PMID:37634767
|
研究论文 | 本研究开发了基于域适应的高效分割方法，用于MRI引导和CBCT引导的在线自适应放疗 | 设计了两种域适应方法，将计划CT的特征学习并适应到MRI或CBCT模态，并通过个性化建模提高分割准确性 | NA | 开发高效的分割方法以改进自适应放疗中的ROI勾画 | 前列腺癌患者、鼻咽癌患者和胰腺癌患者的医学影像数据 | 数字病理 | 前列腺癌, 鼻咽癌, 胰腺癌 | MRI, CBCT, CT, 域适应 | 深度学习模型 | 医学影像（MRI, CBCT, CT） | 242名前列腺癌患者（MRIgART），530名鼻咽癌患者（CBCTgART），35名胰腺癌患者（公共CBCT数据集） | NA | NA | Dice相似系数（DSC） | NA |
| 282 | 2026-03-29 |
MKMR: a multi-kernel machine regression model to predict health outcomes using human microbiome data
2023-05-19, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad158
PMID:37099694
|
研究论文 | 本文提出了一种多核机器回归模型，用于利用人类微生物组数据预测健康结果 | 首次开发了能够同时利用多种微生物组信号形式（如丰度、存在/缺失、系统发育关系）的预测模型 | 未明确说明模型在更广泛数据集或不同疾病类型中的泛化能力 | 开发一个预测模型，以利用人类微生物组数据预测健康结果 | 人类微生物组数据，包括喉咙和肠道微生物组 | 机器学习 | NA | 微生物组测序 | 多核机器回归 | 微生物组丰度数据、存在/缺失数据 | NA | NA | 多核机器回归 | 预测性能 | NA |
| 283 | 2026-03-29 |
Prediction of postoperative infection in elderly using deep learning-based analysis: an observational cohort study
2023-Mar, Aging clinical and experimental research
IF:3.4Q2
DOI:10.1007/s40520-022-02325-3
PMID:36598653
|
研究论文 | 本研究旨在开发和验证基于深度学习的模型，用于预测老年患者术后感染风险 | 首次在老年患者中应用深度学习模型整合围手术期风险因素进行术后感染预测 | 研究为观察性队列设计，样本量有限（2014例），且未在外部验证集中测试模型泛化能力 | 开发并验证深度学习模型以预测老年患者术后感染 | 2014年4月至6月期间中国28家医院接受择期手术的2014名老年患者 | 机器学习 | 老年疾病 | NA | 深度学习模型 | 临床特征数据 | 2014名老年患者（训练集1510例，验证集504例） | NA | NA | AUC, 敏感性, 特异性 | NA |
| 284 | 2026-03-29 |
Socioeconomic disparity in the association between fine particulate matter exposure and papillary thyroid cancer
2023-02-23, Environmental health : a global access science source
IF:5.3Q1
DOI:10.1186/s12940-023-00972-1
PMID:36823621
|
研究论文 | 本研究评估了细颗粒物（PM2.5）累积暴露与乳头状甲状腺癌（PTC）的关联，并发现这种关联在社会经济群体中存在差异 | 首次使用深度学习神经网络模型结合气象和卫星数据计算PM2.5累积暴露，并揭示了PM2.5暴露与PTC诊断之间的关联在不同家庭收入群体中的差异 | 研究为回顾性病例对照设计，可能存在选择偏倚和未测量的混杂因素，且PM2.5暴露评估基于居住地邮政编码，未考虑个体移动性 | 评估PM2.5暴露与乳头状甲状腺癌（PTC）的关联，并确定高风险患者亚组 | 成年患者（年龄≥18岁），包括2013年1月至2016年12月期间新诊断为PTC的患者以及无甲状腺疾病的对照组患者 | 环境流行病学 | 甲状腺癌 | 深度学习神经网络模型，结合气象和卫星测量数据 | 深度学习神经网络 | 电子病历数据、气象数据、卫星数据 | 1990名PTC患者和6919名无甲状腺疾病的对照组患者 | NA | NA | 调整后比值比（aOR）、95%置信区间（95%CI）、交互作用p值 | NA |
| 285 | 2026-03-29 |
EPViz: A flexible and lightweight visualizer to facilitate predictive modeling for multi-channel EEG
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0282268
PMID:36848345
|
研究论文 | 介绍了一种名为EPViz的新型开源可视化工具，用于辅助多通道脑电图（EEG）的预测建模开发、验证和结果报告 | 开发了一个轻量级、独立的软件包，能够加载PyTorch深度学习模型，将输出预测叠加在原始EEG时间序列上，并支持高分辨率图像保存，填补了EEG可视化领域的空白 | NA | 促进计算神经科学中时空预测分析的发展，并推动工程师与临床医生之间的合作 | 多通道头皮脑电图（EEG）数据 | 机器学习 | NA | 脑电图（EEG） | 深度学习模型 | 时间序列数据 | NA | PyTorch | NA | NA | NA |
| 286 | 2026-03-28 |
Deep learning combining FDG-PET and neurocognitive data accurately predicts MCI conversion to Alzheimer's dementia 3-year post MCI diagnosis
2023-Oct-15, Neurobiology of disease
IF:5.1Q1
DOI:10.1016/j.nbd.2023.106310
PMID:37769746
|
研究论文 | 本研究开发了一种结合FDG-PET和神经认知数据的深度学习模型，用于预测轻度认知障碍在诊断后三年内转化为阿尔茨海默病痴呆 | 首次将全脑FDG-PET与认知评分结合，利用卷积神经网络预测MCI向AD的转化，并通过显著性图识别关键脑区 | 样本量相对有限（共612名受试者），且仅基于ADNI数据库，可能缺乏外部验证 | 预测轻度认知障碍在三年内转化为阿尔茨海默病痴呆 | 阿尔茨海默病神经影像学倡议（ADNI）中的150名正常对照、257名MCI患者和205名AD患者 | 数字病理学 | 老年疾病 | FDG-PET成像 | CNN | 图像, 文本 | 612名受试者（150名正常对照、257名MCI、205名AD） | NA | 卷积神经网络 | AUC, 平衡准确度 | NA |
| 287 | 2026-03-28 |
The Cardiovascular Impact and Genetics of Pericardial Adiposity
2023-Jul-18, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.07.16.23292729
PMID:37502935
|
研究论文 | 本研究利用深度学习模型量化心包脂肪组织面积，评估其与心血管疾病的关联，并揭示其遗传基础 | 首次在大规模人群队列中结合深度学习量化心包脂肪组织，并发现5个新的遗传位点，阐明其与腹部肥胖的共享遗传决定因素 | 研究主要基于欧洲血统人群（英国生物银行和FinnGen），可能限制结果在其他人群中的普适性 | 评估心包脂肪组织与心血管疾病的关联，并阐明其遗传基础 | 英国生物银行中的44,725名参与者以及FinnGen研究中的453,733名独立参与者 | 数字病理学 | 心血管疾病 | 语义分割，全基因组关联研究 | 深度学习模型 | 四腔磁共振图像 | 44,725名英国生物银行参与者（51.7%女性，平均年龄64.1岁）和453,733名FinnGen研究参与者 | NA | NA | β系数，风险比，比值比，P值 | NA |
| 288 | 2026-03-28 |
Protocol for vision transformer-based evaluation of drug potency using images processed by an optimized Sobel operator
2023-Jun-16, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102259
PMID:37133992
|
研究论文 | 提出一种基于视觉Transformer和Conv2D的无标记高通量药物效力评估协议，用于抗癌药物筛选 | 结合优化的Sobel算子图像处理与视觉Transformer模型，实现无标记、高通量的药物效力评估，替代传统耗时费力的化学反应方法 | 协议细节需参考Wang等人的完整文献，可能对计算资源有特定要求 | 开发一种高效、低成本的抗癌药物筛选方法 | 细胞培养物及经药物处理的细胞图像 | 计算机视觉 | 癌症 | 细胞培养、药物处理、图像采集与预处理 | Vision Transformer, Conv2D | 图像 | NA | NA | Vision Transformer, Conv2D | NA | NA |
| 289 | 2026-03-25 |
Fundus Tessellated Density Assessed by Deep Learning in Primary School Children
2023-06-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.12.6.11
PMID:37342054
|
研究论文 | 本研究利用深度学习技术评估小学儿童眼底镶嵌密度，并探讨其与眼部参数的关系 | 首次将人工智能技术应用于儿童眼底镶嵌密度的定量评估，并分析了不同分布模式的特征 | 样本量有限（仅577名7岁儿童），且为横断面研究，无法确定因果关系 | 探索眼底镶嵌密度与眼部特征的关系，并比较不同眼底镶嵌分布模式 | 577名7岁儿童的眼部数据 | 计算机视觉 | 近视相关眼底病变 | 深度学习 | 深度学习模型 | 图像 | 577名7岁儿童 | NA | NA | NA | NA |
| 290 | 2026-03-24 |
Deep learning-based 2D keypoint detection in alpine ski racing - A performance analysis of state-of-the-art algorithms applied to regular skiing and injury situations
2023, JSAMS plus
DOI:10.1016/j.jsampl.2023.100034
PMID:41868559
|
研究论文 | 本研究评估了深度学习在滑雪运动中的二维关键点检测性能，特别是在常规滑雪和受伤情况下的应用 | 首次将深度学习关键点检测算法应用于高山滑雪中的受伤情况分析，并创建了专门的滑雪受伤数据集 | 在摔倒情况下检测性能显著下降，自遮挡和罕见姿势导致准确率降低 | 评估深度学习算法在滑雪运动关键点检测中的实用性，为运动损伤分析提供工具 | 高山滑雪运动员在常规滑雪和受伤情况下的运动姿态 | 计算机视觉 | 运动损伤 | 深度学习关键点检测 | CNN | 视频图像 | NA | NA | OpenPose, Mask-R-CNN, AlphaPose, DCPose | 平均关节位置误差, 正确关键点百分比 | NA |
| 291 | 2026-03-22 |
Predicting Physiological Response in Heart Failure Management: A Graph Representation Learning Approach using Electronic Health Records
2023-Feb-01, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.01.27.23285129
PMID:36747787
|
研究论文 | 本研究开发了一种图表示学习框架，利用电子健康记录预测心力衰竭患者的生理反应，以个性化治疗方案 | 提出了一种结合图Transformer网络和图神经网络的框架，通过自注意力机制和全局注意力掩码来建模临床事件间的空间依赖性和时间性，以增强个性化预测 | NA | 通过深度学习技术预测心力衰竭患者的生理反应，以支持个性化治疗管理 | 心力衰竭患者 | 机器学习 | 心血管疾病 | 电子健康记录分析 | GNN, Transformer | 电子健康记录 | NA | NA | Graph Transformer Network, GNN | NA | NA |
| 292 | 2026-03-22 |
Erratum to "A Low-Cost High-Performance Data Augmentation for Deep Learning-Based Skin Lesion Classification"
2023, BME frontiers
IF:5.0Q1
DOI:10.34133/bmef.0011
PMID:37849679
|
correction | 本文是对先前发表的一篇关于深度学习皮肤病变分类中低成本高性能数据增强方法的文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 293 | 2026-03-21 |
mHealth hyperspectral learning for instantaneous spatiospectral imaging of hemodynamics
2023-Apr, PNAS nexus
IF:2.2Q1
DOI:10.1093/pnasnexus/pgad111
PMID:37113981
|
研究论文 | 本文提出了一种基于学习的高光谱成像方法，通过少量采样数据从RGB图像中恢复高光谱立方体，实现快速血流动力学成像 | 提出高光谱学习概念，仅需小区域采样数据即可从RGB图像恢复完整高光谱立方体，突破传统高光谱成像的空间-光谱权衡限制 | 未明确说明算法在不同光照条件和组织类型下的泛化能力，也未讨论计算复杂度对实时应用的影响 | 开发一种快速、低成本的高光谱成像方法，用于血流动力学监测 | 血管发育实验模型和人体外周微循环系统 | 计算机视觉 | 心血管疾病 | 高光谱成像，智能手机视频录制 | 深度学习 | 图像，视频 | NA | NA | NA | 光谱分辨率（与科学光谱仪对比） | 普通智能手机摄像头 |
| 294 | 2026-03-19 |
The Impact of Stability Considerations on Genetic Fine-Mapping
2023-Apr-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.04.11.536456
PMID:37090514
|
研究论文 | 本文提出了一种基于稳定性考虑的遗传精细定位方法，以补充传统基于残差化的方法，提高识别功能遗传变异的能力 | 引入稳定性指导的精细定位方法，不依赖残差化，通过跨不同遗传背景或环境的一致性来识别变异，并整合深度学习功能注释进行评估 | 方法依赖于GEUVADIS数据集和特定功能注释，可能在其他数据集或注释体系中泛化能力有限，且未详细讨论计算复杂度 | 改进遗传精细定位方法，以更准确地识别与复杂性状相关的遗传变异 | 遗传变异（特别是eQTLs）和人类基因组功能注释 | 机器学习 | NA | 遗传精细定位、功能注释分析、深度学习 | NA | 遗传数据、功能注释数据 | 基于GEUVADIS数据，具体样本数未明确说明 | NA | Enformer（深度学习模型） | 功能注释富集分析 | NA |
| 295 | 2026-03-17 |
RETRACTED ARTICLE: A novel deep learning-based approach for detecting attacks in social IoT
2023-05-10, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-023-08389-1
PMID:37362260
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 296 | 2026-03-16 |
The opportunities and challenges posed by the new generation of deep learning-based protein structure predictors
2023-04, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2023.102543
PMID:36807079
|
综述 | 本文综述了新一代基于深度学习的蛋白质结构预测工具的影响、机遇与挑战 | 探讨了基于深度学习的新一代蛋白质结构预测工具带来的科学和技术挑战及未来方向 | NA | 概述新一代蛋白质结构预测工具对生命科学领域的影响并讨论其机遇与挑战 | 蛋白质结构预测工具及其在生命科学中的应用 | 机器学习 | NA | 深度学习 | NA | 蛋白质序列 | NA | NA | NA | NA | NA |
| 297 | 2026-03-15 |
Identifying sex differences in EEG-based emotion recognition using graph convolutional network with attention mechanism
2023-Nov-21, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad085a
PMID:37906969
|
研究论文 | 本研究利用图卷积网络和注意力机制，基于脑电图数据识别情绪，并探究情绪处理中的性别差异 | 首次在跨文化多数据集上系统评估情绪脑电图模式的性别差异，并构建了性别特异性情绪识别模型 | 研究依赖于公开数据集，未考虑个体差异、年龄、激素水平等其他潜在影响因素 | 探究情绪脑电图模式中的性别差异及其对情绪识别模型性能的影响 | 五个公开脑电图情绪数据集（SEED, SEED-IV, SEED-V, DEAP, DREAMER）中的情绪脑电图信号 | 机器学习 | NA | 脑电图 | 图卷积网络, 注意力机制 | 脑电图信号 | 五个公开数据集（SEED, SEED-IV, SEED-V, DEAP, DREAMER） | NA | 图卷积网络 | NA | NA |
| 298 | 2026-03-15 |
Tracing the Flu Symptom Progression via a Smart Face Mask
2023-10-11, Nano letters
IF:9.6Q1
DOI:10.1021/acs.nanolett.3c02492
PMID:37750614
|
研究论文 | 本文介绍了一种基于超灵敏纤维温度传感器的无线一体化智能口罩，用于监测流感症状进展 | 开发了一种集成了超灵敏纤维温度传感器的无线智能口罩，结合物联网和人工智能技术，实现了对呼吸和体温异常的连续监测 | NA | 通过智能口罩追踪流感症状进展，为个性化健康监测和护理点系统提供解决方案 | 流感病毒影响的呼吸和体温变化 | 物联网与人工智能 | 流感 | 超灵敏纤维温度传感器 | 深度学习算法 | 传感器数据（体温和呼吸） | NA | NA | NA | NA | NA |
| 299 | 2026-03-15 |
A deep learning approach to identify missing is-a relations in SNOMED CT
2023-02-16, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocac248
PMID:36539234
|
研究论文 | 本文提出了一种基于深度学习的方法，用于识别SNOMED CT中缺失的is-a关系 | 利用深度学习模型结合概念名称、层次结构、词汇属性和逻辑定义特征，预测具有包含模式的概念对之间的is-a关系，并引入交叉验证启发式方法识别缺失关系 | 研究仅针对SNOMED CT的临床发现子层次，且模型性能依赖于专家验证的准确性 | 提高SNOMED CT的质量保证，通过识别缺失的is-a关系来完善临床术语知识库 | SNOMED CT中的概念对，特别是具有包含模式的概念对 | 自然语言处理 | NA | 深度学习 | 二元分类器 | 文本 | 使用SNOMED CT临床发现子层次（2019年9月美国版）的概念对进行训练和测试 | NA | NA | 精确度, 召回率, F1分数 | NA |
| 300 | 2026-03-15 |
Multi-center retrospective cohort study applying deep learning to electrocardiograms to identify left heart valvular dysfunction
2023-Feb-14, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-023-00240-w
PMID:36788316
|
研究论文 | 本研究开发并验证了基于深度学习的工具，用于从心电图（ECG）中识别左心瓣膜功能障碍，特别是主动脉瓣狭窄和二尖瓣反流 | 首次在多中心回顾性队列研究中，结合自然语言处理（NLP）从超声心动图报告中提取真实标签，并利用深度学习模型从ECG中检测瓣膜疾病，实现了临床部署场景的考虑 | 研究为回顾性设计，可能存在选择偏倚；模型性能在外部验证中略有下降，需进一步前瞻性研究验证 | 开发并验证深度学习工具，以辅助临床决策，提高从ECG中提取信息的能力，用于早期疾病检测 | 来自纽约市五家西奈山医院的患者，包括123,096名患者用于二尖瓣反流检测，128,628名患者用于主动脉瓣狭窄检测 | 数字病理学 | 心血管疾病 | 自然语言处理（NLP），经胸超声心动图，心电图（ECG） | 深度学习模型 | 文本（超声心动图报告），信号数据（ECG） | 617,338个ECG-超声心动图对，涉及123,096名患者（二尖瓣反流）和128,628名患者（主动脉瓣狭窄） | NA | NA | AUROC（受试者工作特征曲线下面积） | NA |