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 1869 篇文献，本页显示第 121 - 140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 121 | 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 |
| 122 | 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 |
| 123 | 2025-10-07 |
Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417538
|
研究论文 | 本研究比较了使用叙事特征和结构化特征的机器学习模型在识别癌症患者心力衰竭风险方面的性能 | 提出了从结构化医疗代码中提取叙事特征的方法，并证明其能显著提高特征密度和模型性能 | 研究数据仅来自单一医疗机构（佛罗里达大学健康中心），样本代表性可能受限 | 识别癌症患者中具有心力衰竭风险的人群，以改善癌症治疗结果和安全性 | 被诊断患有肺癌、乳腺癌和结直肠癌的癌症患者 | 自然语言处理 | 癌症 | 电子健康记录分析 | LLM, LSTM, SVM, BERT | 电子健康记录文本数据 | 12,806名癌症患者，其中1,602人在癌症后发生心力衰竭 | NA | T-LSTM, GatorTron-3.9B, BERT | F1分数 | NA |
| 124 | 2025-10-07 |
Deep Learning-based Time-to-event Analysis of Depression and Asthma using the All of Us Research Program
2024, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:40417537
|
研究论文 | 使用深度学习模型分析抑郁症与哮喘之间的时间-事件关联 | 首次在大型回顾性队列研究中使用深度学习模型分析抑郁症与哮喘的关联，并采用SHAP值进行模型解释 | 深度学习模型在c-index指标上未优于传统Cox比例风险模型 | 探讨抑郁症与哮喘之间的关联关系 | All of Us研究项目的239,161名参与者 | 机器学习 | 抑郁症,哮喘 | 深度学习,逻辑回归,Cox比例风险模型 | DeepSurv,DeepHit | 临床队列数据 | 239,161名参与者 | NA | DeepSurv,DeepHit | c-index,SHAP值 | NA |
| 125 | 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 |
| 126 | 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 |
| 127 | 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 |
| 128 | 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 |
| 129 | 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 |
| 130 | 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 |
| 131 | 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 |
| 132 | 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 |
| 133 | 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 |
| 134 | 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 |
| 135 | 2025-10-07 |
Use of a novel magnetically actuated compression system to study the temporal dynamics of axial and lateral strain in human osteochondral plugs
2024-01, Journal of biomechanics
IF:2.4Q3
DOI:10.1016/j.jbiomech.2023.111887
PMID:38128469
|
研究论文 | 开发新型磁驱动压缩系统研究人类骨软骨栓在循环加载中轴向和横向应变的时空动态 | 首创磁驱动装置实现加载周期中压板的完全分离，解决传统系统因持续接触影响组织再水化的局限性 | 研究基于尸体样本，可能无法完全反映活体组织的生理响应；样本量未明确说明 | 探究循环加载中软骨再水化对应变积累的影响机制 | 人类尸体骨软骨栓 | 生物力学 | 骨关节炎 | 磁驱动压缩系统，高速成像（30帧/秒） | 深度学习 | 二维软骨轮廓图像序列 | NA | NA | U-Net | NA | NA |
| 136 | 2025-05-04 |
Lesion classification and diabetic retinopathy grading by integrating softmax and pooling operators into vision transformer
2024, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2024.1442114
PMID:39835306
|
research paper | 该研究提出了一种结合softmax和池化操作的视觉Transformer模型，用于病灶分类和糖尿病视网膜病变分级 | 引入了集成自注意力机制，结合softmax和线性模块，以提高效率和表达能力，同时通过代理令牌减少计算复杂度 | 未提及具体的数据集规模或模型在更大规模数据集上的泛化能力 | 开发一种高效的自动化糖尿病视网膜病变分级方法 | 糖尿病视网膜病变的医学图像 | digital pathology | diabetic retinopathy | vision transformer | Transformer | image | NA | NA | NA | NA | NA |
| 137 | 2025-05-04 |
Multimodal data deep learning method for predicting symptomatic pneumonitis caused by lung cancer radiotherapy combined with immunotherapy
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1492399
PMID:39845959
|
研究论文 | 本研究开发了一种基于深度学习的多模态融合模型，用于预测肺癌患者在接受放疗联合免疫治疗时出现的症状性肺炎 | 结合深度图像特征、放射组学特征和临床数据，构建了一个性能优于传统放射组学模型的深度学习模型 | 研究基于回顾性数据，样本量相对有限（261例患者） | 开发能够准确预测肺癌患者放疗和免疫治疗相关肺炎的模型 | 接受胸部放疗联合免疫治疗的肺癌患者 | 数字病理 | 肺癌 | CT扫描、放射组学分析 | ResNet34、DNN | CT图像、临床数据 | 261例肺癌患者 | NA | NA | NA | NA |
| 138 | 2025-05-03 |
Bioinformatic analysis reveals the association between bacterial morphology and antibiotic resistance using light microscopy with deep learning
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1450804
PMID:39364166
|
研究论文 | 通过生物信息学分析结合深度学习方法，研究细菌形态与抗生素抗性之间的关联 | 首次在无抗生素条件下研究抗性细菌的形态特征，并开发新的深度学习单细胞分类方法 | 仅研究了10种抗生素抗性菌株，样本量有限 | 探索细菌形态特征与抗生素抗性之间的关联 | 10种抗生素抗性细菌菌株 | 生物信息学 | 细菌感染 | 光学显微镜、深度学习 | 深度学习 | 图像 | 10种抗生素抗性细菌菌株 | NA | NA | NA | NA |
| 139 | 2025-05-02 |
Advanced computational tools, artificial intelligence and machine-learning approaches in gut microbiota and biomarker identification
2024, Frontiers in medical technology
IF:2.7Q3
DOI:10.3389/fmedt.2024.1434799
PMID:40303946
|
综述 | 本文综述了先进计算工具、人工智能和机器学习方法在肠道微生物群和生物标志物识别中的应用 | 整合多组学数据和先进AI技术，探索微生物组与宿主健康的复杂关系，推动个性化治疗策略的发展 | 未提及具体技术实施细节或临床验证结果 | 探索计算工具和AI在肠道微生物组研究中的应用，以识别疾病诊断和治疗的生物标志物 | 肠道微生物群及其与宿主健康的相互作用 | 机器学习 | NA | 多组学数据整合（宏基因组学、宏蛋白质组学、代谢组学） | 深度学习、基于网络的方法 | 多组学数据 | NA | NA | NA | NA | NA |
| 140 | 2025-04-26 |
An enhanced GhostNet model for emotion recognition: leveraging efficient feature extraction and attention mechanisms
2024, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2024.1459446
PMID:40270901
|
研究论文 | 提出了一种增强型GhostNet模型（EGT），结合Transformer编码器和双重注意力机制，用于通过面部表情进行鲁棒的情绪识别 | 整合了GhostNet的高效特征提取、Transformer的全局上下文捕捉能力以及双重注意力机制，以选择性地增强关键特征 | 未明确提及具体限制，但可能包括对复杂自然环境和多样化情绪表达的处理能力仍有提升空间 | 提高情绪识别系统的准确性和鲁棒性，以增强智能人机交互系统、个性化推荐系统和心理健康监测工具 | 面部表情情绪识别 | 计算机视觉 | NA | 深度学习 | GhostNet, Transformer, 双重注意力机制 | 图像 | RAF-DB数据集和AffectNet数据集（具体样本数量未提及） | NA | NA | NA | NA |