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 255 篇文献，本页显示第 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 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 |
| 82 | 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 |
| 83 | 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 |
| 84 | 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 |
| 85 | 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 |
| 86 | 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 |
| 87 | 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 |
| 88 | 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 |
| 89 | 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 |
| 90 | 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 |
| 91 | 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 |
| 92 | 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 |
| 93 | 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 |
| 94 | 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 |
| 95 | 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 |
| 96 | 2025-02-21 |
A novel bidirectional LSTM deep learning approach for COVID-19 forecasting
2023-10-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-44924-8
PMID:37863921
|
研究论文 | 本文开发了一种基于双向长短期记忆网络（Bi-LSTM）的深度学习模型，用于预测COVID-19疫情早期的每日新增病例数 | 使用双向LSTM架构进行COVID-19预测，并验证了在减少变量数量情况下仍能保持预测准确性 | 模型仅在疫情早期阶段进行了验证，未涵盖疫情后期或其他变种病毒的影响 | 预测COVID-19疫情早期的每日新增病例数 | 190个国家的COVID-19数据 | 机器学习 | COVID-19 | 深度学习 | Bi-LSTM | 时间序列数据 | 190个国家的数据，时间跨度为2020年1月22日至2021年1月31日 | NA | NA | NA | NA |
| 97 | 2025-02-21 |
Spatial and temporal prediction of secondary crashes combining stacked sparse auto-encoder and long short-term memory
2023-Oct, Accident; analysis and prevention
DOI:10.1016/j.aap.2023.107205
PMID:37413700
|
研究论文 | 本研究旨在开发一种预测次生事故时空位置的方法，通过结合堆叠稀疏自编码器（SSAE）和长短期记忆网络（LSTM）提出了一种混合深度学习模型SSAE-LSTM | 提出了结合SSAE和LSTM的混合深度学习模型SSAE-LSTM，用于次生事故的时空预测，相比现有模型在时空预测性能上表现更优 | 研究仅基于加州I-880高速公路2017-2021年的交通和事故数据，可能限制了模型的泛化能力 | 开发次生事故时空位置的预测方法，以支持预防策略的实施 | 次生事故的时空位置 | 机器学习 | NA | 深度学习 | SSAE-LSTM, PCA-LSTM, SSAE-SVM, BPNN | 交通和事故数据 | 加州I-880高速公路2017-2021年的数据 | NA | NA | NA | NA |
| 98 | 2025-02-21 |
An adaptive embedding procedure for time series forecasting with deep neural networks
2023-Oct, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2023.08.051
PMID:37729787
|
研究论文 | 本文提出了一种基于自适应嵌入机制的深度学习方案，用于时间序列预测 | 提出了一种新颖的自适应嵌入机制，用于提取输入时间序列的压缩表示，并用于后续预测 | 未明确提及具体局限性 | 解决时间序列预测问题 | 时间序列数据 | 机器学习 | NA | 深度学习 | 双向长短期记忆网络（LSTM） | 时间序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 99 | 2025-10-07 |
Mapping the topography of spatial gene expression with interpretable deep learning
2023-Oct-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.10.561757
PMID:37873258
|
研究论文 | 开发了一种名为GASTON的无监督可解释深度学习算法，用于分析空间转录组数据中的基因表达模式 | 提出了一种称为等深度的新概念，能够同时学习等深度、空间基因表达梯度以及模拟单个基因表达变化的分段线性函数 | NA | 解决空间转录组数据稀疏性问题，分析空间基因表达模式如基因表达梯度 | 空间转录组数据中的基因表达模式 | 生物信息学 | 肿瘤 | 空间转录组技术 | 深度学习 | 空间转录组数据 | NA | NA | GASTON | NA | NA |
| 100 | 2025-10-07 |
Shape-Aware 3D Small Vessel Segmentation with Local Contrast Guided Attention
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43901-8_34
PMID:38500803
|
研究论文 | 提出一种新型自监督网络用于3D小血管分割，通过形状感知通量测量和局部对比度引导注意力机制提升小血管检测性能 | 提出形状感知通量测量方法增强非圆形不规则小血管估计，开发局部对比度引导注意力和增强模块提升低对比度血管区域的血管性响应 | 未明确说明样本数量和数据来源的具体限制 | 改进3D成像数据中小血管的自动分割和检测 | 3D成像数据中的小血管结构 | 计算机视觉 | NA | 3D成像技术 | 自监督深度学习网络 | 3D图像数据 | NA | NA | LCNetVesselSeg | NA | NA |