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 2409 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 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 |
| 162 | 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 |
| 163 | 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 |
| 164 | 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 |
| 165 | 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 |
| 166 | 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 |
| 167 | 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 |
| 168 | 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 |
| 169 | 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 |
| 170 | 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 |
| 171 | 2025-11-18 |
Personal transcriptome variation is poorly explained by current genomic deep learning models
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01574-w
PMID:38036790
|
研究论文 | 评估当前基因组深度学习模型在解释个体间转录组变异方面的表现 | 首次系统评估深度学习模型在解释个体间基因表达变异方面的能力，揭示其在此任务上的局限性 | 仅评估了四种现有模型，可能未覆盖所有相关方法；研究结果基于有限的数据集 | 探索基因组深度学习模型解释个体间基因表达变异的能力 | 配对的个人基因组和转录组数据 | 机器学习 | NA | 基因组深度学习 | 深度学习模型 | DNA序列，基因表达数据 | NA | NA | NA | 表达变异解释能力，效应方向预测准确性 | NA |
| 172 | 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 |
| 173 | 2025-11-18 |
Benchmarking of deep neural networks for predicting personal gene expression from DNA sequence highlights shortcomings
2023-Sep-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.16.532969
PMID:36993652
|
研究论文 | 评估深度神经网络在从DNA序列预测个体基因表达方面的性能并识别其局限性 | 首次系统评估深度学习方法在跨个体基因表达预测中的表现，揭示了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，导致对变异效应方向的预测能力不足 | 评估深度学习方法作为个人DNA解释工具在预测跨个体基因表达变异方面的实用性 | 839名ROSMAP研究参与者的全基因组测序和基因表达配对数据 | 基因组学, 机器学习 | 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 |
| 174 | 2025-11-18 |
Modelling human behaviour in cognitive tasks with latent dynamical systems
2023-06, Nature human behaviour
IF:21.4Q1
DOI:10.1038/s41562-022-01510-8
PMID:36658212
|
研究论文 | 提出一种深度学习框架task-DyVA，通过潜在动态系统建模人类在认知任务中的行为反应时间序列 | 首次将表达性动态系统与深度学习结合，能够以高时间精度捕捉个体特异性行为差异，并支持通过扰动实验发现可解释的认知理论 | 未明确说明模型在其他认知任务上的泛化能力及计算复杂度 | 开发能够准确建模个体人类受试者在认知任务中反应时间序列的计算框架 | 人类受试者在任务转换认知任务中的行为数据 | 机器学习 | NA | 深度学习 | 潜在动态系统 | 反应时间序列数据 | 大型任务转换数据集中的个体人类受试者 | 深度学习框架 | task-DyVA | 时间精度，任务转换成本捕捉能力 | NA |
| 175 | 2025-11-17 |
Leveraging mid-infrared spectroscopic imaging and deep learning for tissue subtype classification in ovarian cancer
2023-Jun-12, The Analyst
DOI:10.1039/d2an01035f
PMID:37218522
|
研究论文 | 本研究结合中红外光谱成像和深度学习技术，实现了卵巢癌组织亚型的无标记自动分类 | 首次使用光学光热红外成像技术实现卵巢组织亚型的无标记定量自动识别，空间分辨率比现有仪器提高10倍 | NA | 开发基于中红外光谱成像和深度学习的卵巢癌组织亚型自动分类方法 | 卵巢癌组织样本 | 数字病理学 | 卵巢癌 | 中红外光谱成像，光学光热红外成像 | 深度学习 | 光谱图像 | 78例患者样本，超过6000万个数据点 | NA | NA | 分类准确度 | NA |
| 176 | 2025-11-16 |
A high-resolution canopy height model of the Earth
2023-11, Nature ecology & evolution
IF:13.9Q1
DOI:10.1038/s41559-023-02206-6
PMID:37770546
|
研究论文 | 本研究开发了一种概率深度学习模型，通过融合GEDI星载激光雷达数据和Sentinel-2光学卫星图像，生成了2020年全球10米分辨率的冠层高度地图 | 首次实现了全球范围10米高分辨率的冠层高度测绘，并开发了能够量化估计不确定性的概率深度学习模型 | 模型主要针对高冠层碳储量区域进行了优化，对其他植被类型的适用性需进一步验证 | 开发高分辨率全球冠层高度测绘方法以支持生态系统管理和气候变化缓解 | 全球陆地植被冠层高度 | 遥感与地理信息系统 | NA | 星载激光雷达(GEDI)、光学卫星遥感(Sentinel-2)、深度学习 | 概率深度学习模型 | 激光雷达点云数据、多光谱卫星图像 | 全球陆地范围 | NA | NA | 不确定性量化、冠层高度估计精度 | NA |
| 177 | 2025-11-16 |
Lyme rashes disease classification using deep feature fusion technique
2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13519
PMID:38009027
|
研究论文 | 提出一种基于深度特征融合技术的莱姆病皮疹分类方法 | 开发了新的深度特征融合系统，通过元分类器整合三种深度学习模型的特征 | NA | 自动分类莱姆病皮疹以辅助临床诊断 | 莱姆病皮疹图像（游走性红斑图像） | 计算机视觉 | 莱姆病 | 深度学习 | CNN | 图像 | NA | NA | DenseNet201, InceptionV3, Exception | 准确率 | NA |
| 178 | 2025-11-15 |
Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning
2023-12, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-023-01704-z
PMID:36941363
|
研究论文 | 本研究开发了AlphaLink方法，通过将实验距离约束信息整合到AlphaFold2网络架构中，提升具有构象变化或同源序列稀少蛋白质的结构预测精度 | 提出首个将细胞内光交联质谱实验数据整合到深度学习蛋白质结构预测框架的方法，通过稀疏实验接触点作为锚点改进预测性能 | 未明确说明方法对各类蛋白质构象变化的普适性及计算效率的具体评估 | 改进蛋白质结构预测精度，特别是针对构象变化蛋白质和同源序列稀少的困难目标 | 蛋白质三维结构，特别是具有构象变化的蛋白质 | 计算生物学 | NA | 光交联质谱，非经典氨基酸光亮氨酸标记 | 深度学习 | 蛋白质序列数据，质谱实验数据，距离约束信息 | NA | AlphaFold2 | AlphaFold2改进架构 | 结构预测精度 | NA |
| 179 | 2025-11-15 |
Interpretable neural architecture search and transfer learning for understanding CRISPR-Cas9 off-target enzymatic reactions
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00569-1
PMID:38177723
|
研究论文 | 提出Elektrum深度学习框架，通过可解释神经网络架构搜索和迁移学习预测CRISPR-Cas9脱靶编辑概率 | 结合数据驱动和生物物理可解释模型，通过体外动力学假设生成和体内迁移学习的两阶段框架 | NA | 开发预测性和可解释的酶促通路模型 | CRISPR-Cas9脱靶编辑反应 | 机器学习 | NA | 体外动力学检测，深度学习 | CNN，可解释神经网络 | 体外动力学数据，体内反应数据 | NA | NA | KINNs（动力学可解释神经网络），卷积神经网络 | 预测性能，正则化效果，可解释性 | NA |
| 180 | 2025-11-15 |
Deep contrastive learning of molecular conformation for efficient property prediction
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00560-w
PMID:38177719
|
研究论文 | 提出一种基于深度对比学习的分子构象领域自适应方法LACL，用于高效预测分子性质 | 通过局部原子环境对比学习形成领域无关的潜在空间，规避了几何弛豫瓶颈同时保持量子化学精度 | NA | 解决不同构象生成方法间的领域偏移问题，实现准确的分子性质预测 | 有机小分子、生物和药理学长链分子 | 机器学习 | NA | 对比学习 | 深度学习 | 分子构象数据 | NA | NA | LACL（局部原子环境对比学习） | 量子化学精度 | NA |