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 2513 篇文献，本页显示第 741 - 760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 741 | 2025-10-07 |
U-Sleep's resilience to AASM guidelines
2023-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00784-0
PMID:36878957
|
研究论文 | 本研究验证了U-Sleep睡眠评分算法在不严格遵循AASM指南情况下的鲁棒性 | 证明深度学习睡眠评分算法无需完全依赖临床知识或严格遵循AASM指南，仍能有效工作 | NA | 探索深度学习睡眠评分算法对临床指南的依赖程度 | 睡眠评分和脑电图分析 | 机器学习 | 睡眠障碍 | 多导睡眠图 | 深度学习 | 多导睡眠图数据 | 28528个多导睡眠图研究，来自13个不同临床研究 | NA | U-Sleep | NA | NA |
| 742 | 2025-10-07 |
Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)
2023-Nov-30, ArXiv
PMID:38076518
|
研究论文 | 评估概率图阈值对卷积神经网络分割恶性胸膜间皮瘤肿瘤的影响 | 首次系统分析CNN概率图阈值对MPM肿瘤分割体积和空间重叠度的影响 | CNN在特定疾病表现（如严重胸腔积液或胸膜裂隙疾病）存在分割缺陷，未找到同时优化肿瘤体积和DSC的最佳单一阈值 | 评估深度学习自动分割方法在恶性胸膜间皮瘤肿瘤测量中的可靠性 | 恶性胸膜间皮瘤患者的CT扫描图像 | 计算机视觉 | 肺癌 | CT扫描 | CNN | 医学图像 | 21名MPM患者的88次CT扫描 | NA | VGG16,U-Net | Dice相似系数,体积百分比差异 | NA |
| 743 | 2025-10-07 |
Transport-based morphometry of nuclear structures of digital pathology images in cancers
2023-Feb-02, ArXiv
PMID:36776820
|
研究论文 | 提出一种基于最优传输理论的核结构形态测量新方法，用于分析癌症数字病理图像中的核染色质结构 | 开发了基于最优传输理论的形态测量框架，可直接从成像数据建模核染色质结构信息内容，无需依赖传统特征提取方法 | NA | 开发定量核形态测量方法以区分良恶性肿瘤 | 癌症数字病理图像中的细胞核结构 | 数字病理学 | 癌症 | 数字病理成像 | NA | 图像 | NA | NA | NA | NA | NA |
| 744 | 2025-10-07 |
Deep Learning-Enabled Multiplexed Point-of-Care Sensor using a Paper-Based Fluorescence Vertical Flow Assay
2023-12, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202300617
PMID:37104829
|
研究论文 | 开发了一种基于深度学习的纸基荧光垂直流动检测多路复用即时诊断传感器 | 结合纸基荧光垂直流动检测与神经网络推断实现多路复用即时诊断 | 仅在46个测试卡盒上验证，样本规模有限 | 开发用于急性心脏损伤诊断的即时检测平台 | 人血清样本中的三种心脏生物标志物 | 医学诊断 | 心血管疾病 | 纸基荧光垂直流动检测 | 神经网络 | 荧光图像 | 46个独立激活的检测卡盒，每个患者使用50μL血清样本 | NA | NA | 检测限，线性度，变异系数 | 低成本移动阅读器 |
| 745 | 2025-03-27 |
MULTITASK LEARNING FOR IMPROVED LATE MECHANICAL ACTIVATION DETECTION OF HEART FROM CINE DENSE MRI
2023-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi53787.2023.10230782
PMID:40124116
|
研究论文 | 本文提出了一种多任务深度学习框架，用于同时估计心脏晚期机械激活（LMA）量并分类无疤痕的LMA区域，以提高心脏再同步治疗（CRT）的准确性 | 引入了辅助LMA区域分类子网络，提高了模型对心肌疤痕引起的复杂模式的鲁棒性，显著消除了LMA检测中的负面影响，并进一步改善了疤痕分类性能 | NA | 提高心脏晚期机械激活（LMA）区域的检测准确性，特别是在存在心肌疤痕的情况下 | 心脏的晚期机械激活（LMA）区域 | 医学影像分析 | 心血管疾病 | cine位移编码与受激回波（DENSE）磁共振成像（MRI） | 多任务深度学习框架 | 心脏MR图像 | NA | NA | NA | NA | NA |
| 746 | 2025-10-07 |
Deep Learning Methods for Omics Data Imputation
2023-Oct-07, Biology
DOI:10.3390/biology12101313
PMID:37887023
|
综述 | 本文全面概述了基于深度学习的组学数据插补方法，重点关注多组学数据插补 | 从深度生成模型架构角度系统梳理组学数据插补方法，包括自编码器、变分自编码器、生成对抗网络和Transformer | 作为综述文章未提出新算法，主要总结现有方法面临的挑战 | 解决组学数据分析中的缺失值问题 | 组学数据（特别是多组学数据） | 机器学习 | NA | 组学技术 | 自编码器, 变分自编码器, 生成对抗网络, Transformer | 组学数据 | NA | NA | 自编码器, 变分自编码器, 生成对抗网络, Transformer | NA | NA |
| 747 | 2025-10-07 |
CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data
2023-May-02, Research square
DOI:10.21203/rs.3.rs-2768563/v1
PMID:37205427
|
研究论文 | 提出一种用于不完整多组学数据整合的深度学习模型CLCLSA | 结合跨组学对比学习和自注意力机制，能够处理不完整的多组学数据并动态识别最具信息量的特征 | NA | 解决不完整多组学数据整合问题，提高疾病分类性能 | 多组学数据 | 机器学习 | NA | 多组学技术 | 自编码器, 自注意力机制 | 多组学数据 | 四个公共多组学数据集 | NA | 跨组学自编码器 | 分类准确率 | NA |
| 748 | 2025-10-07 |
Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors
2023-Mar-24, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.22.533829
PMID:36993233
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法，在AlphaFold预测的PPM1D磷酸酶结构中发现了隐式结合口袋，解释了其变构抑制剂的结合位点和效力机制 | 首次在AI预测的PPM1D结构中发现隐式结合口袋，结合分子动力学模拟和深度学习方法来解释变构抑制剂的结合机制 | 研究基于预测的蛋白质结构而非实验晶体结构，虚拟筛选的预测能力仍受限于可用结构数据的数量 | 提高虚拟筛选在有限结构数据情况下的预测能力，探索蛋白质动力学在药物发现中的应用 | PPM1D/Wip1磷酸酶及其变构抑制剂 | 计算生物学 | 癌症 | 分子动力学模拟, 深度学习, 虚拟筛选 | Markov状态模型, 深度学习模型 | 蛋白质结构数据, 分子对接数据 | NA | NA | NA | Kendall's τ相关系数 | NA |
| 749 | 2025-10-07 |
Artificial intelligence-based locoregional markers of brain peritumoral microenvironment
2023-01-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-26448-9
PMID:36653382
|
研究论文 | 开发基于人工智能的脑肿瘤周围微环境标记物，用于评估肿瘤浸润异质性并预测患者生存和分子特征 | 首次提出基于深度学习的肿瘤周围微环境指数(PMI)，通过DTI自由水体积分数图量化肿瘤浸润异质性 | 研究样本量有限(275例)，需要进一步验证在更大多中心队列中的适用性 | 开发定量评估脑肿瘤周围区域浸润异质性的AI标记物，用于临床决策支持 | 275例成人型弥漫性胶质瘤(CNS WHO 4级)患者 | 医学影像分析 | 脑肿瘤 | 弥散张量成像(DTI), 自由水体积分数图谱 | 深度学习 | 医学影像 | 275例成人弥漫性胶质瘤患者 | NA | NA | t检验, Wilcoxon秩和检验, 线性回归, logrank检验, Cox风险比 | NA |
| 750 | 2025-10-07 |
Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors
2023, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2023.1171143
PMID:37143823
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法，在AlphaFold预测的PPM1D磷酸酶结构中发现了隐式结合口袋，解释了其变构抑制剂的结合位点和效力机制 | 结合AlphaFold预测结构、分子动力学模拟和深度学习，首次揭示了PPM1D磷酸酶中隐式结合口袋的存在及其与变构抑制剂的作用机制 | 研究基于计算预测和模拟，缺乏实验结构验证；仅针对PPM1D特定蛋白进行研究 | 提高虚拟筛选在有限结构数据情况下的预测能力，探索蛋白质动力学在药物发现中的应用 | PPM1D/Wip1磷酸酶及其变构抑制剂 | 计算生物学 | 癌症 | 分子动力学模拟, 虚拟筛选, 深度学习 | 马尔可夫状态模型, 深度学习模型 | 蛋白质结构数据, 分子对接数据 | 多个PPM1D变构抑制剂化合物 | NA | NA | Kendall τ相关系数 | NA |
| 751 | 2025-10-07 |
SHINE: protein language model-based pathogenicity prediction for short inframe insertion and deletion variants
2023-01-19, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbac584
PMID:36575831
|
研究论文 | 开发基于蛋白质语言模型的短框内插入缺失变异致病性预测工具SHINE | 首次将预训练蛋白质语言模型应用于框内插入缺失变异的致病性预测，通过蛋白质序列和多序列比对构建潜在特征表示 | 训练数据中已知致病性变异数量有限 | 提高短框内插入缺失变异致病性预测的准确性 | 蛋白质序列中的短框内插入缺失变异 | 自然语言处理 | NA | 蛋白质语言模型，多序列比对 | 监督机器学习模型 | 蛋白质序列数据 | 来自ClinVar和gnomAD的培训数据，两个不同来源的测试数据集 | NA | 蛋白质语言模型 | 预测性能 | NA |
| 752 | 2025-03-21 |
A full-stack platform for spiking deep learning
2023-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00565-5
PMID:38177599
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 753 | 2025-03-21 |
Accurately predicting molecular spectra with deep learning
2023-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00553-9
PMID:38177595
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 754 | 2025-10-07 |
A deep learning model for predicting selected organic molecular spectra
2023-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00550-y
PMID:38177591
|
研究论文 | 开发了一种结合E(3)等变群和自注意力机制的深度学习模型DetaNet，用于高效预测分子光谱 | 结合E(3)等变群和自注意力机制，能够生成包括标量、向量及高阶张量在内的多种分子性质，达到量子化学计算精度 | 基于QM9S数据集进行验证，尚未在其他数据集上测试泛化能力 | 提高分子光谱预测的效率和准确性 | 有机分子光谱 | 机器学习 | NA | 深度学习 | 图神经网络 | 分子结构数据 | 130,000个分子物种 | NA | E(3)-等变网络,自注意力机制 | 量子化学计算精度 | NA |
| 755 | 2025-10-07 |
High-throughput property-driven generative design of functional organic molecules
2023-Feb, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-022-00391-1
PMID:38177626
|
研究论文 | 本研究开发了一种结合生成式深度学习与监督式深度学习的分子设计方法，用于高效发现具有优化电子特性的有机分子 | 通过将预测分子三维构象的生成模型与预测电子特性的监督模型相结合，实现了对多个分子特性的帕累托优化，无需在预测过程中进行量子化学计算 | 方法主要针对有机电子学应用进行验证，在其他材料领域的适用性需要进一步测试 | 开发高效的功能性有机分子生成设计方法 | 有机分子 | 机器学习 | NA | 深度学习 | 生成式深度学习模型, 监督式深度学习模型 | 分子三维构象数据, 电子结构数据 | NA | NA | NA | 帕累托最优性 | NA |
| 756 | 2025-10-07 |
Forest fuel type classification: Review of remote sensing techniques, constraints and future trends
2023-09-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2023.118315
PMID:37290304
|
综述 | 本文系统回顾了用于森林可燃物类型分类的遥感技术方法、存在的限制因素及未来发展趋势 | 在先前综述基础上聚焦识别不同制图方法的关键挑战和待填补的研究空白，并提出集成遥感数据源与先进深度学习算法的发展方向 | 作为综述性论文，未提出具体的实验验证或新型算法模型 | 为火灾管理服务领域的从业者、研究者和决策者提供可燃物类型分类的技术指南 | 森林可燃物类型及其空间分布特征 | 遥感技术 | NA | 遥感数据采集与融合技术 | 深度学习算法 | 遥感影像数据 | NA | NA | NA | NA | NA |
| 757 | 2025-10-07 |
A generalizable framework to comprehensively predict epigenome, chromatin organization, and transcriptome
2023-07-07, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkad436
PMID:37224527
|
研究论文 | 提出名为EPCOT的深度学习框架，能够仅通过细胞类型特异性染色质可及性数据全面预测表观基因组、染色质组织和转录组等多种模态 | 采用预训练和微调框架，能够跨预测任务和细胞类型学习通用表征，实现对新细胞类型多种模态的准确预测 | 未明确说明模型在跨物种或极端条件下的泛化能力 | 开发能够全面预测基因组多模态数据的通用计算框架 | 表观基因组、染色质组织、转录组和增强子活性等基因组模态数据 | 机器学习 | NA | 染色质可及性分析、Micro-C、ChIA-PET | 深度学习 | 基因组数据、表观遗传数据 | NA | NA | 预训练-微调框架 | NA | NA |
| 758 | 2025-10-07 |
Explainable artificial intelligence (XAI) for interpreting the contributing factors feed into the wildfire susceptibility prediction model
2023-06-25, The Science of the total environment
DOI:10.1016/j.scitotenv.2023.163004
PMID:36965733
|
研究论文 | 本研究利用可解释人工智能技术解释深度学习模型在野火易发性预测中的关键影响因素 | 首次将SHAP可解释性模型应用于野火易发性预测的深度学习模型，识别关键环境影响因素 | 模型可能受到训练数据质量和输入变量不确定性的影响 | 开发可解释的野火易发性预测模型以有效控制火灾风险 | 澳大利亚野火易发性区域 | 机器学习 | NA | 可解释人工智能 | 深度学习 | 环境因子数据 | NA | NA | NA | NA | NA |
| 759 | 2025-10-07 |
Deep Learning Initialized Compressed Sensing (Deli-CS) in Volumetric Spatio-Temporal Subspace Reconstruction
2023-Mar-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.28.534431
PMID:37034586
|
研究论文 | 提出深度学习初始化压缩感知方法加速容积时空MRI重建 | 结合深度学习与压缩感知，通过DL生成初始点来启动迭代重建，减少重建时间同时控制计算资源需求 | 需要验证在更广泛数据集上的泛化能力，未明确说明训练数据规模 | 减少MRI重建时间同时限制深度学习引起的伪影风险 | 容积多轴螺旋投影磁共振指纹成像数据 | 医学影像分析 | NA | 磁共振成像，螺旋投影采集 | 深度学习 | k空间数据，MRI图像 | NA | GPU实现 | NA | 重建质量，重建时间，迭代次数 | GPU内存4.7 GB |
| 760 | 2025-10-07 |
An improved beluga whale optimizer-Derived Adaptive multi-channel DeepLabv3+ for semantic segmentation of aerial images
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0290624
PMID:37903154
|
研究论文 | 提出一种基于改进白鲸优化算法的自适应多通道DeepLabv3+模型，用于航空图像的语义分割 | 结合改进白鲸优化算法(IBWO)优化多通道DeepLabv3+的超参数，提高分割精度 | 未明确说明模型在复杂场景下的泛化能力及计算资源需求 | 提升航空遥感图像语义分割的准确性和效率 | 航空遥感图像 | 计算机视觉 | NA | 深度学习 | DeepLabv3+ | 图像 | 两个数据集（未明确具体样本数量） | NA | DeepLabv3+, 自适应多通道架构 | 准确率, Dice系数 | 计算时间113.0123秒（未明确硬件配置） |