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 12390 篇文献，本页显示第 2721 - 2740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2721 | 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 |
| 2722 | 2025-10-07 |
LungVis 1.0: an automatic AI-powered 3D imaging ecosystem unveils spatial profiling of nanoparticle delivery and acinar migration of lung macrophages
2024-11-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-54267-1
PMID:39604430
|
研究论文 | 开发了一个名为LungVis 1.0的AI驱动成像生态系统，用于三维可视化纳米颗粒在肺部递送的空间分布和肺泡巨噬细胞的迁移行为 | 首次整合光片荧光显微镜与深度学习图像分析，实现了纳米颗粒在支气管和肺泡区域沉积的全面定量映射，并挑战了组织驻留巨噬细胞为静态实体的传统范式 | 研究目前仅限于小鼠肺部模型，尚未在人类或其他物种中验证 | 探索肺部靶向药物递送动力学和巨噬细胞介导的肺部免疫机制 | 小鼠肺部纳米颗粒沉积和肺泡巨噬细胞行为 | 数字病理学 | 呼吸系统疾病 | 光片荧光显微镜，深度学习图像分析 | 深度学习 | 三维荧光图像 | NA | NA | NA | NA | NA |
| 2723 | 2025-05-19 |
Multi-scale Multi-site Renal Microvascular Structures Segmentation for Whole Slide Imaging in Renal Pathology
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
PMID:40375952
|
research paper | 提出了一种名为Omni-Seg的新方法，用于从人类肾脏全切片图像中分割微血管结构 | 利用多站点、多尺度的训练数据，采用单一动态网络方法，能够处理部分标记的图像 | 方法依赖于多站点、多尺度的训练数据，可能对数据获取和处理提出更高要求 | 开发一种自动分割肾脏微血管结构的计算方法 | 人类肾脏全切片图像中的微血管结构（如小动脉、小静脉和毛细血管） | digital pathology | renal pathology | deep learning | dynamic network | image | 来自HuBMAP和NEPTUNE两个数据集的图像，包括不同放大倍数（40×、20×、10×和5×） | NA | NA | NA | NA |
| 2724 | 2025-10-07 |
Exploring Schizophrenia Classification Through Multimodal MRI and Deep Graph Neural Networks: Unveiling Brain Region-Specific Weight Discrepancies and Their Association With Cell-Type Specific Transcriptomic Features
2024-12-20, Schizophrenia bulletin
IF:5.3Q1
DOI:10.1093/schbul/sbae069
PMID:38754993
|
研究论文 | 本研究利用多模态MRI数据和深度图神经网络开发精神分裂症分类方法，并探索脑区特异性权重差异与细胞类型特异性转录组特征的关联 | 将MRI数据表示为图结构，采用图注意力网络进行特征提取和分类，结合Grad-CAM提供可解释性分析，并关联脑区基因表达数据 | 样本来源仅限于7家医院，未提及外部验证结果 | 提升精神分裂症的诊断准确性，发现客观生物标志物 | 683名精神分裂症患者和606名健康对照者 | 医学影像分析 | 精神分裂症 | 结构MRI, 功能MRI, 基因表达分析 | 图注意力网络(GAT), 图卷积网络 | 医学影像, 基因表达数据 | 1289名参与者(683患者+606对照)来自7家医院 | NA | 图注意力网络 | 准确率, 灵敏度, 特异性 | NA |
| 2725 | 2025-10-07 |
Interpretable deep learning for deconvolutional analysis of neural signals
2024-Dec-02, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.05.574379
PMID:38260512
|
研究论文 | 提出一种可解释深度学习框架DUNL，用于神经信号的解卷积分析 | 首次将算法展开方法应用于稀疏解卷积神经网络设计，实现网络权重与刺激驱动单神经元活动的直接关联解释 | NA | 开发可解释深度学习方法以理解神经活动机制 | 多个脑区的神经信号，包括中脑多巴胺神经元、体感丘脑、梨状皮层和纹状体 | 机器学习 | NA | 神经信号记录 | 深度学习, 稀疏解卷积神经网络 | 神经信号 | NA | NA | 解卷积展开神经网络学习(DUNL) | NA | NA |
| 2726 | 2025-05-17 |
Protein engineering using variational free energy approximation
2024-12-01, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-54814-w
PMID:39617781
|
研究论文 | 本文提出了一种名为PREVENT的模型，通过变分自由能近似方法生成稳定且功能性的蛋白质变体 | PREVENT模型通过学习蛋白质的序列和热力学景观，生成热力学稳定的功能性蛋白质变体，相比传统方法具有更高的效率和成功率 | 研究仅针对E. coli磷酸转移酶N-乙酰-L-谷氨酸激酶(EcNAGK)的40种变体进行了评估，需要更多样本来验证模型的普适性 | 加速蛋白质工程过程，生成稳定且功能性的蛋白质变体 | E. coli磷酸转移酶N-乙酰-L-谷氨酸激酶(EcNAGK) | 蛋白质工程 | NA | 变分自由能近似 | PREVENT | 蛋白质序列和结构数据 | 40种EcNAGK变体 | NA | NA | NA | NA |
| 2727 | 2025-10-07 |
Integrative Network Analysis Reveals Novel Moderators of Aβ-Tau Interaction in Alzheimer's Disease
2024-Oct-28, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.14.599092
PMID:39554095
|
研究论文 | 本研究采用深度学习网络整合方法分析阿尔茨海默病中Aβ与tau蛋白相互作用的调节因子 | 首次应用BIONIC深度学习网络整合方法结合蛋白质组学和蛋白质相互作用数据，发现GPNMB+小胶质细胞是Aβ-tau相互作用的新型调节因子 | 研究基于ROSMAP队列数据，需要在其他独立队列中验证结果的普适性 | 揭示阿尔茨海默病中淀粉样蛋白β与tau蛋白相互作用的调节机制 | 轻度认知障碍和早期阿尔茨海默病患者 | 生物医学信息学 | 阿尔茨海默病 | 蛋白质组学, 蛋白质-蛋白质相互作用分析 | 深度学习 | 蛋白质组数据, 基因表达数据, 组织病理学数据 | ROSMAP队列样本 | BIONIC | 深度学习网络整合模型 | 线性回归分析, 互信息分析, Benjamini-Hochberg校正 | NA |
| 2728 | 2025-10-07 |
Deep-learning-enabled antibiotic discovery through molecular de-extinction
2024-Jul, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-024-01201-x
PMID:38862735
|
研究论文 | 通过深度学习从灭绝生物蛋白质组中挖掘具有抗菌活性的多肽分子 | 首次将深度学习应用于分子去灭绝领域，从灭绝生物中发掘新型抗生素多肽 | 仅验证了69种预测多肽的实验活性，尚未进行大规模临床验证 | 开发新型抗生素以解决抗生素耐药性问题 | 灭绝生物的蛋白质组多肽序列 | 机器学习 | 细菌感染 | 深度学习预测、多肽合成、实验验证 | 神经网络 | 多肽序列数据 | 10,311,899条多肽序列 | NA | 序列编码器+神经网络集成模型 | 抗菌活性预测准确率 | NA |
| 2729 | 2025-05-17 |
Brain Age Analysis and Dementia Classification using Convolutional Neural Networks trained on Diffusion MRI: Tests in Indian and North American Cohorts
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781599
PMID:40039079
|
研究论文 | 该研究探讨了在卷积神经网络（CNN）模型中添加扩散加权MRI（dMRI）作为输入对阿尔茨海默病分类和痴呆严重程度推断的价值，并在印度和北美人群数据集中进行了测试 | 研究了dMRI作为输入对CNN模型性能的提升，并评估了使用3D CycleGAN方法在训练前对成像数据集进行协调的效果 | 研究主要基于特定的数据集（ADNI和NIMHANS），可能在其他人群中的泛化能力有限 | 提升阿尔茨海默病分类和痴呆严重程度推断的准确性 | 印度和北美人群的脑部MRI扫描数据 | 数字病理学 | 阿尔茨海默病 | 扩散加权MRI（dMRI） | CNN, 3D CycleGAN | MRI图像 | ADNI和NIMHANS队列的数据集 | NA | NA | NA | NA |
| 2730 | 2025-05-17 |
Advantages of Modeling Photoplethysmography (PPG) Signals using Variational Autoencoders
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782502
PMID:40039209
|
research paper | 本文提出了一种基于变分自编码器（VAE）的PPG信号建模方法，并探讨了其优势和应用 | 提出了一种名为PPG-VAE的模型，能够识别PPG心跳波的局部斜率、去除高频噪声，并生成与现有信号形态匹配的新信号段 | 未提及具体的研究限制 | 探索PPG信号处理的新方法，提高信号分析和合成的能力 | PPG信号 | machine learning | NA | VAE | VAE | signal | NA | NA | NA | NA | NA |
| 2731 | 2025-05-17 |
Integrated Multi-Omics and Whole Slide Images for Survival Prediction in Glioblastoma Using Multiple Instance Learning and Co-Attention
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782321
PMID:40039442
|
研究论文 | 本研究旨在通过整合全切片图像和多组学数据，结合生物通路知识，利用多实例学习和共注意力机制，提高胶质母细胞瘤的生存预测准确性 | 首次将多组学数据与全切片图像结合，利用生物通路知识进行整合，并通过多实例学习和共注意力机制提高预测性能 | 研究样本量相对较小（214例患者），且仅使用了TCGA数据库的数据 | 提高胶质母细胞瘤（GBM）患者的生存预测准确性 | 胶质母细胞瘤患者 | 数字病理学 | 胶质母细胞瘤 | RNA测序、拷贝数变异分析、DNA甲基化分析 | 多实例学习和共注意力机制 | 全切片图像和多组学数据 | 214例GBM患者，包括447张全切片图像和多种多组学特征 | NA | NA | NA | NA |
| 2732 | 2025-05-17 |
Automatic COVID-19 Detection from Chest X-ray using Deep MobileNet Convolutional Neural Network
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781897
PMID:40039689
|
research paper | 该研究提出了一种基于深度迁移学习MobileNetV2模型的自动检测COVID-19的方法，通过胸部X光片(CXR)进行病毒检测 | 结合预训练的MobileNetV2 CNN模型和SVM分类器，提高了COVID-19检测的准确率，从基线模型的92.28%提升至93.2% | NA | 开发一种自动检测COVID-19的计算工具，以应对全球医疗系统的压力 | 胸部X光片(CXR)数据 | computer vision | lung cancer | deep learning, transfer learning | MobileNetV2, CNN, SVM | image | NA | NA | NA | NA | NA |
| 2733 | 2025-10-07 |
An updated compendium and reevaluation of the evidence for nuclear transcription factor occupancy over the mitochondrial genome
2024-Jun-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.04.597442
PMID:38895386
|
研究论文 | 通过分析扩展的ENCODE ChIP-seq数据集和深度学习模型，系统评估核转录因子与线粒体基因组的关联证据 | 利用十年间大幅扩展的ENCODE数据集（6,153个ChIP实验）结合可解释深度学习模型，首次全面评估核转录因子在线粒体基因组上的占据情况 | 相同转录因子使用不同抗体和ChIP方案检测时，chrM占据证据的可重复性不一致 | 建立核转录因子与线粒体基因组关联的综合目录并重新评估相关证据标准 | 人类和小鼠的核转录因子与线粒体基因组的相互作用 | 计算生物学 | NA | ChIP-seq, 深度学习 | 深度学习模型 | 基因组测序数据 | 6,153个ChIP实验，942种蛋白质（其中763个为序列特异性转录因子） | NA | NA | 可重复性评估 | NA |
| 2734 | 2025-10-07 |
Graph neural networks for automatic extraction and labeling of the coronary artery tree in CT angiography
2024-May, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.3.034001
PMID:38756439
|
研究论文 | 提出一种使用深度学习从冠状动脉CT血管造影中自动提取和解剖标记冠状动脉树的方法 | 首次将图卷积神经网络与多分辨率集成方法相结合，利用相邻血管段的几何和图像强度信息进行冠状动脉树的自动提取和标记 | 研究样本量相对较小（104例患者），仅来自两家医院 | 开发全自动的冠状动脉树提取和解剖标记方法，以支持冠状动脉疾病的自动报告 | 冠状动脉CT血管造影扫描图像 | 医学图像分析 | 冠状动脉疾病 | 冠状动脉CT血管造影 | 图卷积神经网络 | 医学影像 | 104名患者来自两家医院的CCTA扫描 | NA | 图卷积神经网络, 多分辨率集成模型 | F1分数 | NA |
| 2735 | 2025-10-07 |
Efficacy of artificial intelligence in reducing miss rates of GI adenomas, polyps, and sessile serrated lesions: a meta-analysis of randomized controlled trials
2024-May, Gastrointestinal endoscopy
IF:6.7Q1
DOI:10.1016/j.gie.2024.01.004
PMID:38184117
|
荟萃分析 | 通过荟萃分析评估人工智能在内窥镜手术中降低胃肠道腺瘤、息肉和无蒂锯齿状病变漏诊率的效果 | 首次通过随机对照试验的荟萃分析系统评估AI对多种胃肠道病变漏诊率的综合影响 | 仅纳入7项随机对照试验，样本量有限；对晚期腺瘤漏诊率未见显著改善 | 评估人工智能技术在内窥镜检查中降低病变漏诊率的有效性 | 胃肠道腺瘤、息肉、无蒂锯齿状病变和微小腺瘤 | 医学人工智能 | 胃肠道疾病 | 内窥镜检查 | 卷积神经网络 | 内窥镜图像 | 7项随机对照试验 | NA | NA | 相对风险, 置信区间, P值, Hedges' g | NA |
| 2736 | 2025-10-07 |
Geriatric depression and anxiety screening via deep learning using activity tracking and sleep data
2024-02, International journal of geriatric psychiatry
IF:3.6Q1
DOI:10.1002/gps.6071
PMID:38372966
|
研究论文 | 本研究开发了一种基于活动追踪和睡眠数据的深度学习模型，用于老年人抑郁和焦虑的筛查 | 首次开发基于活动追踪数据的混合输入深度学习模型，用于老年人抑郁和焦虑的多标签识别 | NA | 研究通过消费级腕戴式活动追踪器获取的时序数据训练端到端深度学习模型来识别共病抑郁和焦虑的可行性 | 老年人抑郁和焦虑筛查 | 机器学习 | 老年疾病 | 活动追踪, 睡眠监测 | CNN, LSTM, ResNet | 时间序列数据(步数, 睡眠阶段), 评估分数 | NA | NA | ResNet, CNN, LSTM | 汉明损失 | NA |
| 2737 | 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 |
| 2738 | 2025-05-16 |
RNA language models predict mutations that improve RNA function
2024-Sep-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.04.05.588317
PMID:38617247
|
研究论文 | 该研究创建了一个名为GARNET的新数据库，用于RNA结构和功能分析，并开发了一种类似GPT的RNA语言模型，以预测提高RNA功能的突变 | 创建GARNET数据库，结合GTDB基因组数据与生物生长温度信息，开发了重叠三连体标记化的RNA生成模型，用于预测增强RNA功能的突变 | RNA结构预测目前仍缺乏充足的高质量参考数据 | 理解RNA序列、结构与功能之间的联系 | RNA序列及其功能 | 自然语言处理 | NA | 深度学习，RNA生成模型 | GPT-like语言模型 | RNA序列数据 | GTDB基因组数据中的RNA序列 | NA | NA | NA | NA |
| 2739 | 2025-05-16 |
Comparing Artificial Intelligence-Based Versus Conventional Endotracheal Tube Monitoring Systems in Clinical Practice
2024-07-24, Studies in health technology and informatics
DOI:10.3233/SHTI240230
PMID:39049336
|
研究论文 | 本研究开发了一种基于深度学习和人工智能的气管插管监测系统，并与传统方法进行了比较评估 | 提出了一种新型的AI监测系统，用于实时检测气管插管移位或脱落，相比传统方法具有更高的及时性和准确性 | 研究尚未完成，实际效果需要通过后续随机交叉实验验证 | 评估AI监测系统在气管插管管理中的有效性，促进医疗护理领域的创新应用 | 气管插管患者 | 医疗人工智能 | NA | 深度学习 | 深度学习模型（未指定具体类型） | 临床监测数据 | NA（研究尚未完成） | NA | NA | NA | NA |
| 2740 | 2025-05-16 |
Deep Learning for Predicting Phlebitis in Patients with Intravenous Catheters
2024-07-24, Studies in health technology and informatics
DOI:10.3233/SHTI240231
PMID:39049337
|
research paper | 该研究提出了一种深度学习模型，用于预测外周静脉导管（PIVC）插入患者的静脉炎 | 利用深度学习模型预测静脉炎，并在大规模电子健康记录数据上验证其性能，准确率和AUC均表现优异 | 研究数据仅来自韩国首尔的一家医院，可能缺乏普遍性 | 开发一种有效的工具，用于早期检测静脉炎，以改善患者预后和医疗效率 | 接受外周静脉导管（PIVC）插入的患者 | machine learning | 静脉炎 | 电子健康记录数据分析 | 深度学习模型 | 电子健康记录数据 | 27,532次住院记录和70,293次PIVC事件 | NA | NA | NA | NA |