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 331 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-05-19 |
AlphaFold2 has more to learn about protein energy landscapes
2023-Dec-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.12.12.571380
PMID:38168383
|
研究论文 | 测试AlphaFold2对折叠转换蛋白能量景观的预测能力，发现其成功率有限，且置信度指标无法区分低能和高能状态 | 系统评估了AlphaFold2在预测折叠转换蛋白多种构象方面的局限性，揭示了深度学习模型在理解蛋白质能量景观方面的不足 | AF2对折叠转换蛋白的预测成功率仅约25%，置信度指标偏向不一致模型，且对新靶标的替代构象无预测能力 | 评估AlphaFold2在蛋白质能量景观（特别是折叠转换蛋白）上的预测极限 | 93个已知折叠转换蛋白（训练集内）和7个新靶标（训练集外） | 机器学习 | NA | 深度学习 | AlphaFold2 | 蛋白质结构数据 | 训练集内93个蛋白生成超280,000个模型；训练集外7个蛋白生成超159,000个模型 | NA | AlphaFold2 | 成功率约25%，置信度指标 | NA |
| 2 | 2026-05-17 |
Cerebellar Volume and Disease Staging in Parkinson's Disease: An ENIGMA-PD Study
2023-12, Movement disorders : official journal of the Movement Disorder Society
IF:7.4Q1
DOI:10.1002/mds.29611
PMID:37964373
|
研究论文 | 利用ENIGMA-PD全球工作组的大样本MRI数据，量化帕金森病患者不同Hoehn-Yahr分期的小脑各小叶体积变化 | 首次在大型多中心样本中揭示帕金森病前叶（运动）和后叶（非运动）小脑区域的分离变化，即疾病早期前叶体积增大、晚期后叶体积缩小 | NA | 探究帕金森病不同疾病分期中小脑区域体积的差异及其与运动和非运动功能的关系 | 帕金森病患者 | 医学影像分析 | 帕金森病 | 磁共振成像 | 深度学习 | 三维T1加权结构MRI图像 | 2487名帕金森病患者和1212名年龄性别匹配的对照组，来自22个中心 | NA | NA | Cohen's d效应量 | NA |
| 3 | 2026-05-15 |
Physiological sensor data cleaning with autoencoders
2023-12-15, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ad10c7
PMID:38029439
|
研究论文 | 提出一个基于自编码器的半监督深度学习框架，用于清理生理传感器数据中的噪声 | 使用扩张卷积捕获信号粗细粒度结构，并引入自编码器实现半监督学习以利用大量未标注数据 | 半监督模型的调优尚有改进空间 | 可靠地从生理传感器信号中分离清洁与噪声信号，支持临床药物效能的决策 | 生理传感器信号中的噪声探测与清理 | 机器学习 | NA | 生理传感器数据 | 自编码器、扩张卷积 | 时间序列信号 | NA | NA | 扩张卷积网络、自编码器 | 准确率、假阳性率、假阴性率 | NA |
| 4 | 2026-05-15 |
AI approach to biventricular function assessment in cine-MRI: an ultra-small training dataset and multivendor study
2023-12-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad0903
PMID:37918023
|
研究论文 | 基于极小训练数据集开发3D深度学习方法，实现多厂商心脏MRI双心室结构分割与功能评估 | 在极小样本（150例）下结合Transformer与U-Net的3D深度学习架构，并验证多厂商MRI数据的泛化能力 | 右心室收缩末期容积（RVESV）和左心室质量（LVM）参数存在统计学差异 | 开发基于超小训练数据集的自动化双心室功能评估方法 | 多厂商心脏电影MRI影像 | 计算机视觉 | 心血管疾病 | 心脏电影磁共振成像（cine-MRI） | 3D深度学习方法 | 医学影像 | 150例心脏数据集（90例训练，60例测试），来自3家MRI厂商，每例包含2个心动周期和3个序列 | NA | Transformer, U-Net | Dice系数, Hausdorff距离, Pearson相关系数, 组内相关系数（ICC）, Bland-Altman分析 | NA |
| 5 | 2026-05-15 |
Deep learning based uncertainty prediction of deformable image registration for contour propagation and dose accumulation in online adaptive radiotherapy
2023-12-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad0282
PMID:37820691
|
研究论文 | 开发深度学习模型预测可变形图像配准的不确定性，以实现自适应放疗中轮廓传播和剂量累积的临床应用 | 首次提出深度学习方法来预测可变形图像配准过程的不确定性，该方法速度快、估计质量高，并可适用于不同算法无需重新训练 | 未明确提及限制，但可能依赖于标注地标和特定数据集，泛化性和临床验证尚待进一步研究 | 通过预测DIR不确定性并转化为临床可用指标，实现直接临床应用 | DIR中可变形矢量场的Gaussian不确定性，及其对轮廓和累积剂量的影响 | 计算机视觉 | 肺癌 | 可变形图像配准 | 神经网络（有监督和无监督） | 图像（DIRLAB数据集，肺部患者图像） | DIRLAB数据集（含人工标注地标）及5位肺癌患者 | NA | 有监督和无监督神经网络，组合模型 | 准确性（地标不确定性预测），轮廓不确定性小于3%（基于DVH的剂量体积直方图评估） | NA |
| 6 | 2026-05-15 |
MB-DECTNet: a model-based unrolling network for accurate 3D dual-energy CT reconstruction from clinically acquired helical scans
2023-12-08, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad00fb
PMID:37802071
|
研究论文 | 提出一种基于模型展开网络的MB-DECTNet，用于从临床采集的螺旋扫描中实现精确的3D双能CT重建 | 将双能CT统计迭代重建融入深度学习模型展开网络，可端到端训练，在保持无偏估计特性的同时学习迭代算法初始条件与稳定点之间的捷径，显著加速重建并保持亚百分比精度 | 未提及该方法在不同临床场景或不同扫描参数下的泛化能力，以及与传统方法在更多数据集上的对比评估 | 加速3D双能CT统计迭代重建，同时保持亚百分比或近亚百分比的精度 | 双能CT扫描重建的衰减系数估计和虚拟单能量图像 | 计算机视觉, 数字病理学 | NA | 双能CT | 深度展开网络 | CT图像 | 全头部的临床采集螺旋扫描数据 | PyTorch | MB-DECTNet（包含多个堆叠的更新块，每个块包括数据一致性层和空间混合器层） | 平均偏差, 平均绝对误差, 重建时间 | 未提及具体GPU类型或计算平台 |
| 7 | 2026-05-10 |
[Mitigating metal artifacts in cone-beam CT images through deep learning techniques]
2023-12-29, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
研究论文 | 开发和评估基于深度学习的人工智能金属伪影去除系统（MARS），用于处理锥形束CT（CBCT）图像中由不同厚度金属引起的伪影 | 首次系统评估不同厚度钴铬合金在CBCT图像中产生的伪影范围，并开发CNN-MARS和U-net-MARS两种深度学习模型进行伪影去除，比较其效果 | 未详细说明模型训练的样本量、计算资源以及模型中使用的具体超参数，且仅使用了特定材料（钴铬合金）和特定厚度范围，可能限制泛化性 | 开发并评估基于深度学习的金属伪影去除系统，以提升CBCT图像质量 | 不同厚度（1.0mm、1.5mm、2.0mm）钴铬合金冠在CBCT图像中产生的伪影 | 数字病理学, 计算机视觉 | NA | CBCT（锥形束CT） | CNN, U-net | 图像 | NA（未明确说明样本数量，但使用了标准口腔模型生成匹配的CBCT图像） | NA | 卷积神经网络（CNN）, U-net | 结构相似性指数（SSIM）, 峰值信噪比（PSNR） | NA |
| 8 | 2026-05-08 |
Predicting Glaucoma Progression to Surgery with Artificial Intelligence Survival Models
2023-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2023.100336
PMID:37415920
|
研究论文 | 开发基于人工智能的生存模型预测青光眼患者进展至手术的风险，并比较不同方法的性能 | 首次将生存分析方法（包括深度生存模型）用于青光眼进展预测，弥补了传统分类器忽视纵向随访数据的不足 | 仅使用结构化电子健康记录数据，未纳入临床笔记或影像学信息；需进一步开发更复杂的深度生存模型 | 比较回归、树模型和深度学习三种生存分析预测青光眼手术进展的性能 | 2008-2020年某学术中心4512名青光眼患者 | 机器学习 | 青光眼 | 电子健康记录数据提取 | 生存模型（DeepSurv, 随机生存森林, 梯度提升生存, 惩罚Cox比例风险模型） | 结构化表格数据（人口学、眼部检查、诊断、用药共361个特征） | 4512名患者（748例接受手术） | NA | DeepSurv（深度学习生存网络） | 一致性指数（C-index）, 均值累积/动态曲线下面积（mean AUC） | NA |
| 9 | 2026-05-01 |
Deep Learning and Gastric Cancer: Systematic Review of AI-Assisted Endoscopy
2023-12-06, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics13243613
PMID:38132197
|
综述 | 系统评估深度学习在胃癌内镜辅助诊断中应用的研究现状 | 首次系统总结深度学习在胃癌分类、检测、肿瘤浸润深度评估、癌灶勾画、病变分割及早期和癌前病变识别中的多种应用，并对比AI与内镜医师的诊断性能 | 主要受限于单中心研究、未公开数据集、回顾性算法训练可能不代表真实临床表现、模型细节缺乏影响可重复性 | 评估深度学习在胃癌前病变、早期胃癌和胃肿瘤分析中的应用现状 | 深度学习算法用于胃肿瘤内镜图像检测的研究 | 计算机视觉 | 胃癌 | 内镜成像 | CNN | 图像 | 42项研究 | NA | NA | 诊断准确率 | NA |
| 10 | 2024-08-07 |
Correlating Deep Learning-Based Automated Reference Kidney Histomorphometry with Patient Demographics and Creatinine
2023-12-01, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000000000299
PMID:37966063
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11 | 2026-04-03 |
Pathomic Features Reveal Immune and Molecular Evolution From Lung Preneoplasia to Invasive Adenocarcinoma
2023-12, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2023.100326
PMID:37678674
|
研究论文 | 本研究利用深度学习与人工智能技术，从常规H&E组织病理图像中提取病理组学特征，揭示肺腺癌从癌前病变到侵袭性腺癌的免疫与分子演化过程 | 首次结合深度学习细胞分割与病理组学特征分析，系统解码肺腺癌癌前病变演化，并验证了与昂贵分子/免疫分析结果的一致性 | 样本量相对有限（98例患者），且仅基于H&E图像分析，未整合多组学数据 | 探究肺腺癌早期癌变过程中的免疫与分子演化规律 | 肺组织样本，包括正常组织、非典型腺瘤样增生、原位腺癌、微浸润腺癌及侵袭性腺癌 | 数字病理 | 肺癌 | 深度学习，人工智能，H&E组织病理图像分析 | 深度学习模型 | 图像 | 98例患者，162张切片，669个感兴趣区域（包括143正常、129非典型腺瘤样增生、94原位腺癌、98微浸润腺癌、205侵袭性腺癌） | NA | NA | NA | NA |
| 12 | 2026-03-13 |
Classification of Glomerular Pathology Images in Children Using Convolutional Neural Networks with Improved SE-ResNet Module
2023-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-023-00579-7
PMID:37525066
|
研究论文 | 本研究设计了一个基于深度学习的完整肾小球分类框架，用于检测和分类儿童肾小球病理图像，通过改进的SE-ResNet模块实现高精度分类 | 提出了一种集成ResNet和SENet的RS-INet神经网络，通过将原始ResNet残差块的卷积层转换为参数更小的卷积块，在保证网络性能的前提下减少了网络参数 | NA | 解决儿童肾小球病变分类问题，实现肾小球病理的高精度分类 | 儿童肾小球病理图像 | 数字病理学 | 肾脏疾病 | 组织切片 | CNN | 图像 | NA | NA | ResNet, SENet, SE-ResNet | 准确率 | NA |
| 13 | 2026-03-13 |
Nested star-shaped objects segmentation using diameter annotations
2023-Dec, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102934
PMID:37688981
|
研究论文 | 提出一种基于直径标注的深度学习方法，用于分割嵌套星形结构（如血管内腔和外壁），以减少临床标注负担 | 通过可微分方式提取训练时的物体边界点，并利用直径标注（而非逐像素标注）训练深度学习模型，实现了弱监督下的精确分割 | 方法主要适用于嵌套星形结构，可能不适用于复杂或不规则形状的分割任务 | 开发一种减少医学图像分割标注负担的弱监督学习方法 | 颈动脉内腔和外壁 | 计算机视觉 | 心血管疾病 | 多序列磁共振成像 | 深度学习模型 | 医学图像 | 未明确说明 | 未明确说明 | 未明确说明 | 未明确说明 | 未明确说明 |
| 14 | 2026-03-13 |
Supervised tractogram filtering using Geometric Deep Learning
2023-Dec, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102893
PMID:37741032
|
研究论文 | 本文提出了一种名为Verifyber的监督学习方法，用于过滤脑白质纤维束图中非解剖学上合理的纤维 | 采用新颖的完全监督学习框架，结合几何深度学习处理可变长度纤维，并引入序列边缘卷积来捕获解剖特性，同时保持纤维方向不变性 | NA | 解决脑白质纤维束图中非解剖学合理纤维的过滤问题，以提高纤维束图的准确性 | 脑白质纤维束图中的虚拟纤维 | 机器学习 | NA | 几何深度学习 | 几何深度学习模型 | 3D折线（纤维） | NA | NA | 序列边缘卷积 | NA | 12GB GPU |
| 15 | 2026-03-13 |
A deep weakly semi-supervised framework for endoscopic lesion segmentation
2023-Dec, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102973
PMID:37757643
|
研究论文 | 提出了一种用于内窥镜病灶分割的弱半监督深度学习框架，以减少对像素级标注的依赖 | 提出了一个名为Point SEGTR的弱半监督分割框架，结合少量像素级标注和大量点级标注进行训练，并引入了多点一致性和对称一致性两个正则化项来提升伪标签质量 | 未在摘要中明确说明 | 开发一种减少对像素级标注依赖的内窥镜病灶分割方法 | 内窥镜图像中的病灶 | 医学图像分析 | NA | 深度学习 | Transformer | 图像 | 三个内窥镜数据集，包含不同病灶结构和身体部位（如结直肠和鼻咽） | NA | Point SEGTR | NA | NA |
| 16 | 2026-03-05 |
Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks
2023-Dec-01, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.11.30.23299218
PMID:38076950
|
研究论文 | 本文提出了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的高密度脑电图记录中成像发作活动 | 采用神经质量模型生成具有时空频谱特征的合成训练数据，并开发了DeepSIF框架，在空间特异性和分散度方面优于传统方法 | 研究仅限于耐药性局灶性癫痫患者，样本量为33人，可能需进一步验证于更广泛人群 | 研究非侵入性动态脑成像技术，以改善癫痫发作活动的源定位 | 耐药性局灶性癫痫患者的高密度脑电图记录 | 机器学习 | 癫痫 | 高密度脑电图记录 | 深度学习神经网络 | 脑电图信号 | 33名耐药性局灶性癫痫患者 | NA | DeepSIF | 空间特异性, 空间分散度, 平均距离 | NA |
| 17 | 2026-03-02 |
Histopathologic brain age estimation via multiple instance learning
2023-12, Acta neuropathologica
IF:9.3Q1
DOI:10.1007/s00401-023-02636-3
PMID:37815677
|
研究论文 | 本研究利用多实例学习从组织病理学全切片图像中估计大脑年龄，揭示了年龄加速与临床病理结果的关联 | 首次基于组织病理学全切片图像开发大脑年龄估计模型，并发现其与年龄相关变化的神经解剖区域对应，且比表观遗传学指标更能关联临床病理结果 | 研究基于死后海马组织样本，可能无法完全反映活体大脑的年龄变化；样本来源和数量可能限制模型的泛化能力 | 通过深度学习模型评估大脑年龄加速，以理解正常生理机制及阿尔茨海默病等年龄相关疾病的病理变化 | 人类死后海马组织切片 | 数字病理学 | 阿尔茨海默病 | 组织病理学全切片成像 | 多实例学习 | 图像 | NA | NA | NA | 平均绝对误差 | NA |
| 18 | 2026-03-02 |
Structural and functional connectome relationships in early childhood
2023-12, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2023.101314
PMID:37898019
|
研究论文 | 本研究探讨了幼儿期大脑结构与功能连接组之间的关系，并开发了一种基于图卷积神经网络的深度学习模型来预测个体功能连接 | 首次在幼儿期纵向研究结构与功能连接组的关系，并应用了一种新的图卷积神经网络模型和损失函数以更好地捕捉个体异质性 | 研究样本主要来自特定年龄段的儿童和成人，可能无法完全代表所有人群，且模型在更广泛数据集上的泛化能力有待验证 | 探究幼儿期大脑结构与功能连接组之间的发展关系，并开发更准确的预测模型 | 1至6岁儿童及成人参与者 | 机器学习 | NA | NA | 图卷积神经网络 | 大脑连接组数据 | 360名儿童（纵向扫描于1、2、4、6岁）和89名成人 | NA | 图卷积神经网络 | NA | NA |
| 19 | 2026-03-02 |
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 | 本文评估了四种先进的基因组深度学习模型在解释个体间基因表达变异方面的表现，发现它们在预测顺式调控遗传变异对表达的影响方面存在局限性 | 首次系统评估了基因组深度学习模型在解释个体间转录组变异方面的能力，揭示了模型在预测顺式调控遗传变异效应方向上的不足 | 模型在解释个体间表达变异方面性能有限，且常无法正确预测顺式调控遗传变异对表达的影响方向 | 评估基因组深度学习模型在解释个体间基因表达变异方面的能力 | 配对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 | NA | NA |
| 20 | 2026-02-26 |
Exploring mobility data for enhancing HIV care engagement in Black/African American and Hispanic/Latinx individuals: a longitudinal observational study protocol
2023-12-14, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2023-079900
PMID:38101845
|
研究论文 | 本研究旨在通过收集和分析移动数据，结合社会结构信息，探索提升黑人和拉丁裔HIV感染者护理参与度的因素 | 首次将GPS移动数据与社会结构数据结合，利用机器学习和深度学习模型分析HIV护理参与的上下文预测因素 | 研究样本仅限于美国高HIV流行地区的特定种族群体，可能无法推广到其他人群或地区 | 探索移动模式与HIV护理参与之间的关系，识别障碍和促进因素，以增强公共卫生监测和干预措施 | 400名黑人和拉丁裔HIV感染者 | 机器学习 | HIV感染 | GPS数据收集，社会结构数据整合 | 机器学习，深度学习 | GPS移动数据，调查数据，社会结构数据 | 400名参与者，每人提供至少14天/月的移动数据，持续1年 | NA | NA | NA | NA |