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 1906 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2025-05-31 |
A Functional Connectivity-Based Model With a Lightweight Attention Mechanism for Depression Recognition Using EEG Signals
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3509776
PMID:40030510
|
research paper | 本研究设计了一种基于轻量级注意力机制的深度学习模型FCAN，用于通过EEG信号及其相干矩阵实现有效的抑郁症识别 | 设计了一种轻量级注意力机制，减少了模型参数和计算成本，并构建了FCAN模型，其在抑郁症识别上的分类性能优于基线模型 | 模型性能的稳定性可能受到参数初始化过程随机性的影响 | 开发一种高效的抑郁症识别方法 | 抑郁症患者的EEG信号 | machine learning | depression | EEG信号分析 | FCAN (Functional Connectivity Attention Network) | EEG信号及其相干矩阵 | 使用公共EEG数据集进行评估 | NA | NA | NA | NA |
| 182 | 2025-05-31 |
Anatomical Location-Guided Deep Learning-Based Genetic Cluster Identification of Pheochromocytomas and Paragangliomas From CT Images
2024, Applications of Medical Artificial Intelligence : Second International Workshop, AMAI 2023, Held in Conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, Proceedings
DOI:10.1007/978-3-031-47076-9_7
PMID:40342794
|
研究论文 | 本研究提出了一种基于解剖位置引导的深度学习方法来从CT图像中识别嗜铬细胞瘤和副神经节瘤的遗传簇 | 使用双分支视觉变换器（ViT）模型，结合解剖位置信息和遗传类型信息，通过监督对比学习策略优化分类性能 | 样本量相对较小（289名患者的1010个PPGLs），且模型性能仍有提升空间（准确率0.63±0.08） | 开发一种替代昂贵且耗时的基因检测的方法，通过CT图像识别PPGLs的遗传簇 | 嗜铬细胞瘤和副神经节瘤（PPGLs） | 数字病理 | 神经内分泌肿瘤 | 对比增强CT（CE-CT）扫描 | 双分支视觉变换器（ViT） | 医学影像 | 289名患者的1010个PPGLs | NA | NA | NA | NA |
| 183 | 2025-05-31 |
Opportunities and Challenges in Applying AI to Evolutionary Morphology
2024, Integrative organismal biology (Oxford, England)
DOI:10.1093/iob/obae036
PMID:40433986
|
综述 | 本文综述了人工智能在进化形态学研究中的应用现状与未来潜力 | 系统梳理了AI技术在进化形态学中的三阶段发展历程，并指出尚未开发的AI应用领域 | 未具体说明当前AI方法在进化形态学中的实际应用限制 | 探讨AI技术在进化形态学研究中的应用前景 | 进化形态学中的表型数据分析 | 机器学习 | NA | 机器学习、深度学习、多模态学习 | NA | 图像数据、表型数据 | NA | NA | NA | NA | NA |
| 184 | 2025-10-07 |
Deep Learning Based Prediction of Myopia Control Effect in Children Treated With Overnight Orthokeratology
2024-Jan-01, Eye & contact lens
DOI:10.1097/ICL.0000000000001054
PMID:37934166
|
研究论文 | 开发并验证基于深度学习的模型，用于预测接受角膜塑形镜治疗的儿童12个月眼轴长度增长 | 首次结合基线因素和早期角膜地形图变化，使用深度学习方法预测角膜塑形镜治疗后的眼轴长度增长 | 样本量较小（115例患者），仅验证了12个月的预测效果 | 预测儿童接受角膜塑形镜治疗后眼轴长度的增长情况 | 接受角膜塑形镜治疗的近视儿童患者 | 医学影像分析 | 近视 | 角膜地形图检查 | 深度神经网络 | 医学记录数据，角膜地形图数据 | 115例患者（83例用于算法开发，32例用于评估） | NA | 深度神经网络，多元线性回归 | 皮尔逊相关系数，P值 | NA |
| 185 | 2025-10-07 |
Detection and position evaluation of chest percutaneous drainage catheter on chest radiographs using deep learning
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0305859
PMID:39133733
|
研究论文 | 开发基于深度学习的算法，用于在胸部X光片上自动检测经皮胸腔引流导管并评估导管位置 | 首次将深度学习应用于胸腔引流导管的自动检测和位置评估 | 回顾性研究，样本量相对有限（1217张X光片） | 开发自动检测和评估胸腔引流导管位置的AI算法 | 胸腔引流导管及其位置 | 计算机视觉 | 胸腔疾病 | 胸部X光摄影 | 深度学习 | 医学影像 | 1217张胸部X光片（960名患者），其中937张位置正确，280张位置错误 | NA | NA | 准确率, 敏感性, 特异性, mAP50, 精确率, 召回率 | NA |
| 186 | 2025-05-28 |
A Novel Sentence Transformer-based Natural Language Processing Approach for Schema Mapping of Electronic Health Records to the OMOP Common Data Model
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417570
|
research paper | 该研究开发了一种基于Sentence Transformer的自然语言处理方法，用于将电子健康记录（EHR）中的药物相关概念映射到OMOP通用数据模型（CDM）中的标准概念 | 提出了一种基于transformer的NLP模型，在EHR到OMOP CDM的标准化映射任务中表现优于现有方法，包括最先进的大型语言模型和广泛使用的模式映射软件 | 仅针对药物相关概念进行了验证，未涉及其他类型的EHR数据 | 开发自动化方法以实现电子健康记录到通用数据模型的标准化映射 | 电子健康记录中的药物相关概念 | natural language processing | NA | transformer-based NLP | Sentence Transformer | text | 2个大型公开数据集，包括200种最常见药物和200种随机药物的映射验证 | NA | NA | NA | NA |
| 187 | 2025-10-07 |
Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417492
|
研究论文 | 本研究利用行政索赔数据结合可解释AI技术预测慢性肾脏病向终末期肾病的进展 | 首次将LSTM模型与SHAP可解释性分析结合应用于行政索赔数据的ESRD预测，并在24个月观察窗口表现出最优性能 | 数据来源于单一健康保险机构，可能影响模型泛化能力 | 预测慢性肾脏病向终末期肾病的疾病进展 | 慢性肾脏病患者 | 机器学习 | 肾脏疾病 | 行政索赔数据分析 | LSTM, Random Forest, XGBoost | 结构化医疗索赔数据 | 10年期的综合数据集 | NA | LSTM | NA | NA |
| 188 | 2025-10-07 |
Enhancing Wearable Sensor Data Classification Through Novel Modified- Recurrent Plot-Based Image Representation and Mixup Augmentation
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417521
|
研究论文 | 提出一种基于改进递归图的图像表示方法和Mixup数据增强技术，用于提升可穿戴传感器数据的分类性能 | 开发了结合时域和频域信息的改进递归图图像表示方法，并采用傅里叶变换的频域角度差估计方案 | NA | 提升可穿戴传感器数据的分类性能和领域适应能力 | 加速度计活动识别和实时血糖水平预测 | 机器学习 | NA | 傅里叶变换，递归图，Mixup数据增强 | 深度学习 | 传感器数据，图像表示 | NA | NA | NA | 准确率 | NA |
| 189 | 2025-10-07 |
Meta-Learning on Augmented Gene Expression Profiles for Enhanced Lung Cancer Detection
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417531
|
研究论文 | 提出一种基于元学习的基因表达谱增强方法用于肺癌检测 | 首次将元学习应用于基因表达谱数据增强，通过多数据集协同优化解决小样本问题 | 依赖多个相关数据集的可获得性，且数据集间可能存在批次效应 | 开发能够在小样本基因表达数据上有效工作的肺癌检测方法 | 肺癌患者的基因表达谱数据 | 机器学习 | 肺癌 | DNA微阵列 | 深度神经网络 | 基因表达谱 | 四个不同数据集（一个目标数据集，三个源数据集） | NA | NA | NA | NA |
| 190 | 2025-10-07 |
A Large Language Model Outperforms Other Computational Approaches to the High-Throughput Phenotyping of Physician Notes
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417529
|
研究论文 | 比较三种计算方法在医生笔记高通量表型分析中的性能，发现大型语言模型表现最佳 | 首次系统比较大型语言模型、深度学习和传统机器学习在医生笔记高通量表型分析中的性能差异 | 仅比较了三种计算方法，可能未涵盖所有现有技术；研究范围限于医生笔记的表型分析 | 评估不同计算方法在电子健康记录高通量表型分析中的效果 | 医生临床笔记 | 自然语言处理 | NA | 高通量表型分析 | LLM, DL, ML | 文本 | NA | NA | GPT-4 | NA | NA |
| 191 | 2025-05-23 |
Splicing neoantigen discovery with SNAF reveals shared targets for cancer immunotherapy
2024-01-17, Science translational medicine
IF:15.8Q1
DOI:10.1126/scitranslmed.ade2886
PMID:38232136
|
研究论文 | 该研究开发了一个名为SNAF的计算工作流程，用于从患者RNA-Seq数据中预测剪接衍生的免疫原性MHC结合肽和未注释的跨膜蛋白，以发现癌症免疫治疗的共享靶点 | 开发了SNAF工作流程，结合DeepImmuno深度学习策略和新的算法（BayesTS和RNA-SPRINT），首次系统性地识别剪接新抗原，并发现了新的肿瘤特异性细胞外新表位（ExNeoEpitopes） | 研究主要基于计算预测，部分结果需要进一步的实验验证 | 发现癌症免疫治疗的共享靶点 | 剪接衍生的免疫原性MHC结合肽和未注释的跨膜蛋白 | 生物信息学 | 黑色素瘤 | RNA-Seq, 质谱分析, 长读长异构体测序 | DeepImmuno, BayesTS, RNA-SPRINT | RNA-Seq数据 | 多个癌症队列的患者数据 | NA | NA | NA | NA |
| 192 | 2025-10-07 |
Digital profiling of cancer transcriptomes from histology images with grouped vision attention
2024-Jan-19, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.28.560068
PMID:37808782
|
研究论文 | 开发了一种基于分组视觉注意力的Transformer模型，用于从组织学图像预测癌症转录组 | 首次将Transformer架构应用于组织学图像进行转录组预测，并采用预训练策略解决数据量不足的问题 | 模型在组织水平训练，空间基因表达预测能力仍需进一步验证 | 从组织学图像中预测癌症转录组特征 | 9种癌症类型的肿瘤样本和正常组织样本 | 数字病理学 | 癌症 | 空间转录组学，全切片组织学成像 | Transformer | 组织学图像，基因表达数据 | 预训练：1,802个正常组织样本；微调评估：4,331个肿瘤样本；验证：1,305个肿瘤样本 | NA | Transformer | Pearson相关系数，均方根误差 | NA |
| 193 | 2025-10-07 |
Deep Trans-Omic Network Fusion for Molecular Mechanism of Alzheimer's Disease
2024, Journal of Alzheimer's disease : JAD
DOI:10.3233/JAD-240098
PMID:38728189
|
研究论文 | 提出新型深度学习模型MoFNet，通过整合多组学数据和先验功能相互作用来研究阿尔茨海默病的分子机制 | 首次建模从DNA到RNA和蛋白质的动态信息流，整合多组学数据与SNP、基因和蛋白质间的先验功能相互作用 | NA | 发现功能连接的多组学特征，研究阿尔茨海默病的分子机制及其上游遗传贡献因素 | 阿尔茨海默病患者的多组学数据（SNP、基因、蛋白质） | 机器学习 | 阿尔茨海默病 | 多组学数据整合分析 | 深度学习 | 基因组数据，转录组数据，蛋白质组数据 | ROS/MAP队列数据 | NA | MoFNet | 预测性能 | NA |
| 194 | 2025-10-07 |
A review of epilepsy detection and prediction methods based on EEG signal processing and deep learning
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1468967
PMID:39618710
|
综述 | 本文综述了基于脑电图信号处理和深度学习的癫痫检测与预测方法 | 系统梳理了癫痫EEG信号处理的关键环节，按患者独立性对文献进行分类，并区分了通用分类指标和特定癫痫预测标准两种评估方法 | 公开数据集缺乏癫痫类型多样性且采集环境受限，信号预处理方法有限，难以完全反映实际应用场景 | 通过深度学习方法实现癫痫脑电图信号的高效检测与预测 | 癫痫患者的脑电图信号 | 机器学习 | 癫痫 | 脑电图信号处理 | CNN, RNN | 脑电图信号 | NA | NA | NA | 通用分类指标，特定癫痫预测标准 | NA |
| 195 | 2025-10-07 |
MLR-predictor: a versatile and efficient computational framework for multi-label requirements classification
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1481581
PMID:39664103
|
研究论文 | 提出一种名为MLR-predictor的多标签需求分类计算框架，通过创新性文本向量化方法和问题转换策略提升分类性能 | 采用OkapiBM25模型将需求文本转换为统计向量，并将多标签分类问题转化为多类分类问题，结合逻辑回归分类器实现高效分类 | NA | 开发高效的多标签需求分类计算框架以提升软件需求分类性能 | 软件需求文本数据 | 自然语言处理 | NA | 文本挖掘，机器学习 | 逻辑回归 | 文本 | 三个公共基准需求分类数据集 | NA | OkapiBM25 | 宏F1值，F1分数 | NA |
| 196 | 2025-10-07 |
An explainable ensemble approach for advanced brain tumor classification applying Dual-GAN mechanism and feature extraction techniques over highly imbalanced data
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0310748
PMID:39331600
|
研究论文 | 提出一种可解释的集成方法，通过双GAN机制和特征提取技术解决高度不平衡数据下的脑肿瘤分类问题 | 提出结合双GAN机制和特征提取技术的可解释集成框架，专门针对高度不平衡数据，通过生成合成少数类样本解决类别不平衡问题 | NA | 开发高精度且稳定的脑肿瘤分类方法，提高临床诊断的可靠性和可解释性 | 脑肿瘤医学图像数据 | 计算机视觉 | 脑肿瘤 | 医学影像分析 | GAN,集成学习 | MRI图像 | NA | NA | Dual-GAN, DeepEFE | 准确率,精确率,灵敏度,F1分数 | NA |
| 197 | 2025-10-07 |
Percolation Images: Fractal Geometry Features for Brain Tumor Classification
2024, Advances in neurobiology
DOI:10.1007/978-3-031-47606-8_29
PMID:38468053
|
研究论文 | 提出一种结合分形几何特征和深度学习的脑肿瘤分类混合方法 | 引入分形几何概念生成渗流图像以突出脑部图像的空间特性，并与原始图像共同输入卷积神经网络 | NA | 脑肿瘤检测与分类 | 脑部图像 | 计算机视觉 | 脑肿瘤 | 分形几何分析 | CNN | 图像 | NA | NA | NA | NA | NA |
| 198 | 2025-05-17 |
Scoping Review of Deep Learning Techniques for Diagnosis, Drug Discovery, and Vaccine Development in Leishmaniasis
2024, Transboundary and emerging diseases
IF:3.5Q1
DOI:10.1155/2024/6621199
PMID:40303156
|
综述 | 本文对深度学习技术在利什曼病的诊断、药物发现和疫苗开发中的应用进行了范围综述 | 首次对深度学习在利什曼病领域的应用进行全面综述，填补了该领域的研究空白 | 仅对现有文献进行了分析，未进行新的实验验证 | 探讨深度学习技术在利什曼病领域的应用现状和未来发展方向 | 利什曼病的诊断、药物发现和疫苗开发 | 机器学习 | 利什曼病 | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 199 | 2025-10-07 |
Lossless compression-based detection of osteoporosis using bone X-ray imaging
2024, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.3233/XST-230238
PMID:38393881
|
研究论文 | 提出一种基于深度学习和无损压缩的骨质疏松检测方法，通过骨X射线图像区分骨质疏松患者与健康个体 | 通过分离感兴趣区域和非感兴趣区域减少数据冗余，并增强空间和统计特征 | NA | 改进基于骨X射线图像的骨质疏松诊断方法 | 骨质疏松患者和健康个体的骨X射线图像 | 计算机视觉 | 骨质疏松症 | X射线成像 | SVM | 图像 | NA | NA | NA | AUC | NA |
| 200 | 2025-05-08 |
Automated Detection of Abnormal Optical Coherence Tomography B-scans Using a Deep Learning Artificial Intelligence Neural Network Platform
2024-Jan-01, International ophthalmology clinics
DOI:10.1097/IIO.0000000000000519
PMID:38146885
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |