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 225 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2025-10-06 |
FocA: A deep learning tool for reliable, near-real-time imaging focus analysis in automated cell assay pipelines
2023-10, SLAS discovery : advancing life sciences R & D
IF:2.7Q2
DOI:10.1016/j.slasd.2023.08.004
PMID:37573010
|
研究论文 | 开发用于自动化细胞检测流程中图像聚焦分析的深度学习工具FocA | 提出能够在近实时条件下识别聚焦/失焦图像的深度学习工具，使用下采样图像小块训练以最大化计算效率而不影响准确性 | NA | 确保自动化细胞检测中图像数据的质量和一致性 | 自动化细胞生物学研究平台生成的图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | 准确率 | 最小计算资源 |
| 42 | 2025-10-06 |
A quantitative characterization of early neuron generation in the developing zebrafish telencephalon
2023 Oct-Nov, Developmental neurobiology
IF:2.7Q3
DOI:10.1002/dneu.22926
PMID:37679904
|
研究论文 | 本研究通过深度学习方法和克隆分析定量表征斑马鱼端脑早期神经元生成的动态过程 | 首次对斑马鱼端脑发育初期（14-24小时）的神经元生成和神经祖细胞分裂模式进行定量图谱分析 | 研究仅关注发育最初24小时内的神经发生过程，未涉及后期发育阶段 | 理解神经祖细胞在斑马鱼端脑发育初期何时转换分裂模式以产生第一批神经元 | 斑马鱼端脑发育过程中的神经祖细胞和新生神经元 | 数字病理 | NA | 深度学习分割方法、克隆分析 | NA | 显微图像数据 | 斑马鱼端脑发育14-24小时阶段的样本 | Cellpose | NA | NA | NA |
| 43 | 2025-10-06 |
Artificial intelligence, machine learning and deep learning: Potential resources for the infection clinician
2023-10, The Journal of infection
IF:14.3Q1
DOI:10.1016/j.jinf.2023.07.006
PMID:37468046
|
综述 | 总结人工智能在感染性疾病研究和临床管理中的潜在应用 | 重点关注使用前瞻性收集的真实世界数据的研究，并强调具有转化潜力的研究方向 | 大多数研究缺乏真实世界验证或临床效用指标，研究设计和报告存在显著异质性 | 探索人工智能在感染性疾病领域的应用潜力 | 感染性疾病的诊断、治疗和公共卫生管理 | 机器学习 | 感染性疾病 | NA | 深度学习 | 医学影像, 实验室数据, 临床数据 | 筛选了1617篇PubMed文献 | NA | NA | 临床效用指标 | NA |
| 44 | 2025-06-03 |
Dimensionality Reduction for Improving Out-of-Distribution Detection in Medical Image Segmentation
2023-Oct, Uncertainty for safe utilization of machine learning in medical imaging : 5th international workshop, UNSURE 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 12, 2023, proceedings. UNSURE (Workshop) (5th : 2023...
DOI:10.1007/978-3-031-44336-7_15
PMID:40443712
|
研究论文 | 本文提出了一种通过降维技术改进医学图像分割中分布外检测的方法 | 使用主成分分析对Swin UNETR模型的瓶颈特征进行降维，结合马氏距离实现高效的分布外检测 | 仅针对T1加权磁共振成像中的肝脏分割任务进行了验证 | 提高医学图像分割模型对分布外数据的检测能力 | 肝脏T1加权磁共振图像 | 数字病理 | 肝脏疾病 | 主成分分析(PCA), 马氏距离 | Swin UNETR | 医学图像 | NA | NA | NA | NA | NA |
| 45 | 2025-10-07 |
MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum
2023-10, Radiology
IF:12.1Q1
DOI:10.1148/radiol.222441
PMID:37815445
|
研究论文 | 本研究开发了一种基于MRI和临床数据的深度学习模型，用于预测阿尔茨海默病ATN生物标志物状态 | 首次将深度学习应用于MRI数据来预测PET确定的ATN生物标志物状态，提供了一种无创、低成本的替代方案 | 研究采用回顾性数据，模型性能在tau生物标志物预测方面相对较低(AUC 0.73) | 开发非侵入性方法评估阿尔茨海默病ATN生物标志物状态 | 阿尔茨海默病影像倡议(ADNI)数据库中的患者MRI和PET数据 | 医学影像分析 | 阿尔茨海默病 | MRI, PET | CNN, 逻辑回归 | 医学影像, 临床数据 | 2099个淀粉样蛋白PET-MRI对，557个tau PET-MRI对，2768个FDG PET-MRI对 | NA | 卷积神经网络 | AUC | NA |
| 46 | 2025-05-17 |
Applications of Artificial Intelligence in Choroid Visualization for Myopia: A Comprehensive Scoping Review
2023 Oct-Dec, Middle East African journal of ophthalmology
IF:0.5Q4
DOI:10.4103/meajo.meajo_154_24
PMID:39959595
|
综述 | 本文综述了人工智能在近视患者脉络膜可视化中的应用，特别是深度学习技术在光学相干断层扫描（OCT）图像中分割脉络膜的效果和角色 | 综合评估了多种AI模型在脉络膜分割中的诊断准确性，并探讨了其在近视诊断和管理中的潜力 | 需要进一步标准化AI方法，并扩大其在更广泛临床环境中的应用 | 评估人工智能在近视患者脉络膜可视化中的应用效果 | 近视患者 | 数字病理 | 近视 | 光学相干断层扫描（OCT） | U-Net, LASSO回归, Attention-based Dense U-Net, ResNeSt101, Mask R-CNN | 图像 | 12项研究，涉及不同近视程度的患者 | NA | NA | NA | NA |
| 47 | 2025-05-16 |
Chromatin accessibility in the Drosophila embryo is determined by transcription factor pioneering and enhancer activation
2023-10-09, Developmental cell
IF:10.7Q1
DOI:10.1016/j.devcel.2023.07.007
PMID:37557175
|
research paper | 该研究通过深度学习模型分析果蝇胚胎中的转录因子结合和染色质可及性数据，揭示了染色质可及性的两层次机制 | 利用可解释的深度学习模型解析了先驱转录因子Zelda与轴模式转录因子在染色质可及性中的层级关系 | 研究仅基于果蝇胚胎数据，在其他生物系统中的普适性有待验证 | 探究染色质可及性在转录因子识别顺式调控DNA序列中的作用机制 | 果蝇胚胎中的转录因子结合和染色质可及性 | computational biology | NA | deep learning, high-resolution TF binding and chromatin accessibility analysis | interpretable deep learning model | genomic sequencing data | 果蝇胚胎数据（具体数量未说明） | NA | NA | NA | NA |
| 48 | 2025-10-07 |
Application of an artificial intelligence-based tool in [18F]FDG PET/CT for the assessment of bone marrow involvement in multiple myeloma
2023-10, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-023-06339-5
PMID:37493665
|
研究论文 | 本研究验证了一种基于三维深度学习的AI工具，用于自动化评估多发性骨髓瘤患者PET/CT图像中骨髓代谢活性 | 首次开发基于深度学习的全自动三维工具，用于多发性骨髓瘤骨髓代谢活性的定量评估，为PET/CT解读标准化提供新方法 | 样本量较小（35例患者），需要在更大患者队列中进行前瞻性验证 | 验证AI工具在多发性骨髓瘤PET/CT图像中自动评估骨髓代谢活性的可行性 | 35例未经治疗的连续多发性骨髓瘤患者 | 数字病理 | 多发性骨髓瘤 | [18F]FDG PET/CT成像 | 深度学习 | 医学影像（PET/CT扫描） | 35例多发性骨髓瘤患者 | NA | 三维深度学习网络 | 相关性分析（p值），代谢肿瘤体积（MTV），总病灶糖酵解（TLG） | NA |
| 49 | 2025-04-25 |
Structural characterization of an intrinsically disordered protein complex using integrated small-angle neutron scattering and computing
2023-10, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.4772
PMID:37646172
|
研究论文 | 本文提出了一种结合小角中子散射和计算方法的集成方法，用于解析两个内在无序区域形成的复合物的结构集合 | 结合选择性氘标记的小角中子散射实验、微秒级全原子分子动力学模拟和基于自动编码器的深度学习算法，提出了一种新的集成方法来表征内在无序蛋白质的结构集合 | 实验时间尺度通常捕获的是多个构象的平均测量值，导致复杂的小角中子散射数据难以解析 | 研究内在无序蛋白质和蛋白质内在无序区域的结构集合，以理解其结构与功能关系 | 由两个内在无序区域形成的复合物 | 结构生物学 | NA | 小角中子散射(SANS)、分子动力学(MD)模拟、深度学习(DL) | 自动编码器 | 中子散射数据、分子动力学模拟数据 | NA | NA | NA | NA | NA |
| 50 | 2025-04-06 |
DensePPI: A Novel Image-Based Deep Learning Method for Prediction of Protein-Protein Interactions
2023-10, IEEE transactions on nanobioscience
IF:3.7Q3
DOI:10.1109/TNB.2023.3251192
PMID:37028059
|
研究论文 | 提出了一种基于图像的深度学习方法DensePPI，用于预测蛋白质-蛋白质相互作用 | 引入了一种颜色编码方案，将氨基酸的双字母相互作用可能性嵌入RGB颜色空间，以增强学习和预测任务 | NA | 预测蛋白质-蛋白质相互作用，以理解生物行为并识别疾病关联 | 蛋白质对 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 550万张128×128的子图像，来自近3.6万对相互作用和3.6万对非相互作用的基准蛋白质对 | NA | NA | NA | NA |
| 51 | 2025-04-06 |
Temporal Convolutional Network-Based Signal Detection for Magnetotactic Bacteria Communication System
2023-10, IEEE transactions on nanobioscience
IF:3.7Q3
DOI:10.1109/TNB.2023.3262555
PMID:37030804
|
研究论文 | 本文提出了一种改进的时间卷积网络（TCN），用于基于磁趋细菌（MTB）的分子通信系统中的信号检测 | 提出了一种改进的TCN模型，用于MTB通信系统中的信号检测，展示了优于现有深度学习和次优MAP检测器的性能 | 在性能上仍不及最优MAP检测器，且在某些情况下与BiLSTM检测器表现相似 | 解决分子通信系统中由于符号间干扰和外部噪声导致的信号检测难题 | 磁趋细菌（MTB）作为信息载体的分子通信系统 | 机器学习 | NA | 深度学习（DL） | TCN（时间卷积网络） | 信号数据 | NA | NA | NA | NA | NA |
| 52 | 2025-04-04 |
Accurate prediction of protein tertiary structural changes induced by single-site mutations with equivariant graph neural networks
2023-Oct-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.03.560758
PMID:37873289
|
research paper | 开发了一种基于等变图神经网络（EGNN）的深度学习方法，用于直接预测单点突变引起的蛋白质三级结构变化 | 首次使用等变图神经网络（EGNN）直接预测单点突变引起的蛋白质三级结构变化，并显著优于广泛使用的蛋白质结构预测方法AlphaFold | 未提及该方法在复杂突变或多点突变情况下的表现 | 研究蛋白质单点突变引起的三级结构变化 | 蛋白质及其单点突变体 | machine learning | NA | equivariant graph neural networks (EGNN) | EGNN | protein tertiary structure data | NA | NA | NA | NA | NA |
| 53 | 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 |
| 54 | 2025-03-11 |
Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020218
PMID:37258226
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 55 | 2025-03-11 |
Response to 'Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis'
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020804
PMID:37714539
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 56 | 2025-10-07 |
Fibration symmetry uncovers minimal regulatory networks for logical computation in bacteria
2023-Oct-17, ArXiv
PMID:37904746
|
研究论文 | 通过对称纤维化方法简化细菌基因调控网络，揭示其最小调控网络和逻辑计算能力 | 首次将对称纤维化方法应用于生物网络，通过等价类分组和k核分解识别网络的计算核心 | 仅针对两种细菌进行研究，方法在其他生物系统中的普适性有待验证 | 探索细菌基因调控网络的计算能力和决策机制 | 细菌基因调控网络 | 生物网络分析 | NA | 对称纤维化，k核分解 | NA | 基因调控网络数据 | 两种细菌的基因调控网络 | NA | NA | NA | NA |
| 57 | 2025-03-02 |
Editorial for "Implementable Deep Learning for Multi-sequence Proton MRI Lung Segmentation: A Multi-center, Multi-vendor and Multi-disease Study"
2023-10, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28661
PMID:36847749
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 58 | 2025-03-01 |
Commentary on "A systematic review on machine learning and deep learning techniques in cancer survival prediction": Validation of survival methods
2023-10, Progress in biophysics and molecular biology
DOI:10.1016/j.pbiomolbio.2023.08.001
PMID:37579795
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 59 | 2025-02-21 |
AMGCN-L: an adaptive multi-time-window graph convolutional network with long-short-term memory for depression detection
2023-10-27, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad038b
PMID:37844566
|
研究论文 | 本文提出了一种名为AMGCN-L的深度学习网络，用于通过脑电图（EEG）信号中的脑功能连接和时空特征自动分类抑郁和非抑郁人群 | 提出了一种结合自适应多时间窗口图卷积网络（GCN）和长短期记忆（LSTM）的新型网络AMGCN-L，用于抑郁检测 | 依赖于公开数据集，可能在实际临床应用中需要进一步验证 | 开发一种更客观的抑郁诊断方法 | 抑郁和非抑郁人群 | 机器学习 | 抑郁症 | 深度学习 | GCN, LSTM | EEG信号 | 两个公开数据集：EEG数据患者库和计算工具，以及多模态开放数据集用于精神障碍分析 | NA | NA | NA | NA |
| 60 | 2025-02-21 |
Depressive Disorder Recognition Based on Frontal EEG Signals and Deep Learning
2023-Oct-23, Sensors (Basel, Switzerland)
DOI:10.3390/s23208639
PMID:37896732
|
研究论文 | 本研究基于前额六通道脑电图（EEG）信号和深度学习模型，旨在实现准确且实用的抑郁症（DD）诊断 | 提出了一种结合多分辨率卷积神经网络（MRCNN）与长短期记忆（LSTM）或残差压缩激励（RSE）的深度学习模型，用于抑郁症的识别，并展示了在8-30 Hz EEG信号下的高分类准确率 | 研究样本量相对较小，仅包括41名抑郁症患者和34名健康对照者，可能影响模型的泛化能力 | 开发一种客观、准确、实用且自动化的抑郁症诊断技术 | 抑郁症患者和健康对照者的前额六通道EEG信号 | 机器学习 | 抑郁症 | 脑电图（EEG）信号分析 | MRCNN-LSTM, MRCNN-RSE | EEG信号 | 41名抑郁症患者和34名健康对照者 | NA | NA | NA | NA |