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 12186 篇文献，本页显示第 2841 - 2860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2841 | 2024-08-07 |
Correction to: Omics-based deep learning approaches for lung cancer decision-making and therapeutics development
2024-Sep-27, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elad046
PMID:37721137
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2842 | 2025-10-07 |
Interpretation of SNP combination effects on schizophrenia etiology based on stepwise deep learning with multi-precision data
2024-Sep-27, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elad041
PMID:37738675
|
研究论文 | 提出一种基于多精度数据的逐步深度学习技术SLEM，用于探索SNP组合通过分子和细胞功能对精神分裂症病因的影响 | 首次结合多精度数据（精确但少量的多层级检测数据与不精确但大量的GWAS数据）构建逐步深度学习模型，从难以处理的大规模SNP组合空间中识别有效相互作用 | 未明确说明样本规模和数据来源的具体细节 | 探索SNP组合通过中间分子和细胞功能对精神分裂症易感性的影响机制 | 精神分裂症相关的SNP（单核苷酸多态性）组合 | 机器学习 | 精神分裂症 | GWAS（全基因组关联分析）, 多层级检测数据 | 深度学习 | 基因组数据, 多精度数据 | NA | NA | NA | 准确率 | NA |
| 2843 | 2025-10-07 |
CelloType: A Unified Model for Segmentation and Classification of Tissue Images
2024-Sep-19, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.15.613139
PMID:39345491
|
研究论文 | 提出CelloType统一模型，用于生物医学显微镜图像中的细胞分割与分类 | 采用多任务学习方法，将分割与分类任务相连接，替代传统的两阶段方法，同时提升两个任务的性能 | NA | 开发用于空间组学数据分析的细胞分割与分类统一模型 | 生物医学显微镜图像中的细胞和非细胞元素 | 数字病理学 | NA | 显微镜成像 | Transformer | 图像 | NA | NA | Transformer | 准确率 | NA |
| 2844 | 2025-10-07 |
Dynamic Projection of Medication Nonpersistence and Nonadherence Among Patients With Early Breast Cancer
2024-05-01, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究使用深度学习模型预测早期乳腺癌患者口服抗癌药物的不持续使用和不依从行为 | 首次使用基于门控循环单元的深度学习模型预测乳腺癌患者用药不持续和不依从事件，并分析不同特征对预测结果的贡献 | 研究基于法国医保报销数据，可能受数据来源限制，且模型预测性能有待进一步提升 | 预测乳腺癌患者口服抗癌治疗的持续性和依从性，识别相关风险因素 | 229,695名法国女性早期乳腺癌患者 | 医疗健康数据分析 | 乳腺癌 | 深度学习，特征重要性分析 | GRU | 医疗报销数据 | 229,695名女性患者 | NA | 门控循环单元 | AUC | NA |
| 2845 | 2025-02-12 |
Enhancing plant disease detection through deep learning: a Depthwise CNN with squeeze and excitation integration and residual skip connections
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1505857
PMID:39925367
|
研究论文 | 本研究提出了一种改进的深度卷积神经网络（CNN）结合压缩激励（SE）模块和改进的残差跳跃连接，用于植物病害检测 | 提出了一种结合SE模块和改进残差跳跃连接的深度CNN模型，增强了特征提取和分类性能，同时保持计算效率 | 未提及具体的数据集规模或模型在不同环境下的泛化能力 | 开发高效准确的自动化系统，用于植物病害检测，以增强作物保护和产量优化 | 多种植物物种和病害类别 | 计算机视觉 | 植物病害 | 深度卷积神经网络（CNN） | 深度CNN结合SE模块和残差跳跃连接 | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 2846 | 2025-02-12 |
Diagnosis and detection of bone fracture in radiographic images using deep learning approaches
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1506686
PMID:39927268
|
研究论文 | 本文探讨了使用深度学习算法在X光图像中自动检测和诊断骨折的方法 | 提出了结合DenseNet201和VGG16的深度学习模型，用于骨折检测，并在验证阶段达到了97%的准确率 | 现有骨折检测和诊断方法的局限性，需要进一步改进深度学习模型 | 开发一种自动化的骨折检测方法，以提高骨折诊断的准确性 | X光图像中的骨折 | 计算机视觉 | 骨折 | 深度学习 | VGG16, ResNet152V2, DenseNet201 | 图像 | 10,580张X光图像 | NA | NA | NA | NA |
| 2847 | 2025-02-12 |
NavBLIP: a visual-language model for enhancing unmanned aerial vehicles navigation and object detection
2024, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2024.1513354
PMID:39927288
|
研究论文 | 本文介绍了一种名为NavBLIP的视觉-语言模型，旨在通过利用多模态数据增强无人机的导航和物体检测能力 | NavBLIP模型引入了Nuisance-Invariant Multimodal Feature Extraction (NIMFE)模块和多模态控制策略，以在动态环境中提高适应性和计算效率 | NA | 提高无人机在复杂和多样化场景中的导航和物体检测能力 | 无人机 | 计算机视觉 | NA | 多模态数据融合 | 视觉-语言模型 | 图像和文本 | 在RefCOCO、CC12M和Openlmages等基准数据集上进行了广泛实验 | NA | NA | NA | NA |
| 2848 | 2025-02-11 |
RETRACTED: Lung cancer diagnosis of CT images using metaheuristics and deep learning
2024-Apr, Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine
DOI:10.1177/09544119221090725
PMID:35445619
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2849 | 2025-02-11 |
RETRACTION NOTICE: Lung cancer diagnosis of CT images using metaheuristics and deep learning
2024-Apr, Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine
DOI:10.1177/09544119221134231
PMID:36237147
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2850 | 2025-10-07 |
Self-Supervised Learning for Improved Optical Coherence Tomography Detection of Macular Telangiectasia Type 2
2024-Mar-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2023.6454
PMID:38329740
|
研究论文 | 本研究开发了一种基于自监督学习的光学相干断层扫描图像分析方法，用于2型黄斑毛细血管扩张症的自动检测 | 采用自监督学习方法在有限标注数据条件下实现了罕见疾病的准确分类，使用Bootstrap Your Own Latent算法进行预训练 | 研究为回顾性研究，需要进一步研究验证方法的普适性 | 开发在有限标注数据条件下自动检测2型黄斑毛细血管扩张症的方法 | 2型黄斑毛细血管扩张症患者和非患者的OCT图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描 | CNN | 图像 | 5200张OCT扫描图像，来自2549名患者（780名MacTel患者和1769名非MacTel患者） | NA | ResNet18, ResNet50 | 准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, AUPRC, AUROC | NA |
| 2851 | 2025-10-07 |
Cropformer: An interpretable deep learning framework for crop genomic prediction
2024-Dec-16, Plant communications
IF:9.4Q1
DOI:10.1016/j.xplc.2024.101223
PMID:39690739
|
研究论文 | 开发了一个名为Cropformer的可解释深度学习框架，用于作物基因组预测和表型预测 | 将卷积神经网络与多种自注意力机制相结合，提高了基因组选择的准确性和可解释性 | NA | 解决当前基因组选择中深度学习模型鲁棒性低和可解释性差的问题 | 玉米、水稻、小麦、谷子和番茄五种主要作物 | 机器学习 | NA | 基因组选择 | CNN, Transformer | 基因组数据 | 超过20个性状的基因组数据 | NA | Cropformer（CNN与自注意力机制结合） | 预测准确率 | NA |
| 2852 | 2025-10-07 |
De novo designed proteins neutralize lethal snake venom toxins
2024-May-17, Research square
DOI:10.21203/rs.3.rs-4402792/v1
PMID:38798548
|
研究论文 | 利用深度学习方法设计能够中和蛇毒三指毒素的新型蛋白质 | 首次使用深度学习计算设计针对三指毒素家族多种亚型的高亲和力中和蛋白 | 实验筛选规模有限，尚未进行大规模临床验证 | 开发新一代安全、经济、易生产的蛇毒解毒疗法 | 蛇毒三指毒素家族（包括短链和长链α-神经毒素及细胞毒素） | 机器学习 | 蛇咬伤中毒 | 深度学习 | NA | 蛋白质结构数据 | 小鼠实验 | NA | NA | 热稳定性、结合亲和力、结构一致性、中和效果、存活率 | NA |
| 2853 | 2025-10-07 |
Longitudinal single-cell transcriptional dynamics throughout neurodegeneration in SCA1
2024-Feb-07, Neuron
IF:14.7Q1
DOI:10.1016/j.neuron.2023.10.039
PMID:38016472
|
研究论文 | 通过纵向单细胞转录组测序研究SCA1神经退行性疾病过程中不同细胞类型的动态变化 | 首次建立小鼠和人类SCA1小脑组织的连续动态轨迹，发现浦肯野细胞丢失前的精确转录变化，并识别出单极刷细胞和少突胶质细胞的早期转录失调 | NA | 解析异质组织中不同细胞类型在神经退行性疾病发病机制和进展中的作用 | 小鼠和人类脊髓小脑性共济失调1型(SCA1)小脑组织 | 生物信息学 | 神经退行性疾病 | 单核RNA测序, 深度学习 | 深度学习模型 | 单细胞转录组数据 | NA | NA | NA | 疾病状态预测准确度 | NA |
| 2854 | 2025-10-07 |
Ensemble Deep Learning Object Detection Fusion for Cell Tracking, Mitosis, and Lineage
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3288470
PMID:39906165
|
研究论文 | 提出了一种基于集成深度学习的细胞检测、追踪和运动分析方法EDNet | 采用深度架构无关的集成方法进行2D细胞检测，在细胞追踪和谱系分析方面超越YOLO和FasterRCNN等单一模型 | NA | 开发更鲁棒的细胞检测、追踪和运动分析方法 | 细胞检测、追踪、有丝分裂事件和细胞谱系图 | 计算机视觉 | NA | 深度学习 | CNN, 集成学习 | 图像 | CTMCv1数据集和外部肌肉干细胞数据 | NA | YOLO, FasterRCNN | MOTA, TRA | NA |
| 2855 | 2025-10-07 |
Deep learning in microbiome analysis: a comprehensive review of neural network models
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1516667
PMID:39911715
|
综述 | 本文全面回顾了深度学习在微生物组分析中的应用，重点介绍了神经网络模型在微生物组研究中的优势和挑战 | 系统梳理了深度学习在微生物组研究中的最新进展，强调了其在模式识别、特征提取和预测建模方面的独特优势 | 微生物组数据的生物学变异性需要定制化方法，深度学习模型在微生物组研究中仍面临显著挑战 | 回顾深度学习在微生物组研究中的应用现状和发展前景 | 微生物群落及其在不同环境中的组成 | 机器学习 | NA | 组学数据分析 | 深度学习神经网络 | 组学数据 | NA | NA | NA | NA | NA |
| 2856 | 2025-10-07 |
Artificial intelligence in dentistry and dental biomaterials
2024, Frontiers in dental medicine
IF:1.5Q3
DOI:10.3389/fdmed.2024.1525505
PMID:39917699
|
综述 | 概述人工智能技术在牙科和牙科生物材料领域的应用现状与发展前景 | 系统整合了AI在修复牙科和修复修复学中的多模态应用，包括多模态深度学习融合与神经形态计算等前沿技术 | 未提及具体临床验证数据与算法精度指标 | 探讨人工智能技术在生物医学、牙科及牙科生物材料领域的应用潜力 | 牙科诊断、治疗规划与生物材料开发 | 机器学习 | 口腔疾病 | 数字成像、3D打印 | 深度学习,神经网络 | 根尖周X线片、全景X线片 | NA | NA | NA | NA | NA |
| 2857 | 2025-02-08 |
Physics-guided multistage neural network: A physically guided network for step initial values and dispersive shock wave phenomena
2024-Dec, Physical review. E
DOI:10.1103/PhysRevE.110.065307
PMID:39916289
|
研究论文 | 本文提出了一种物理引导的多阶段神经网络（PgMSNN）模型，用于模拟复杂的色散冲击波现象 | 通过集成残差学习范式并在现有PINN方法中引入色散因子，显著增强了物理信息神经网络（PINNs）描述复杂色散现象的能力，并提出了一种高度自适应的深度Runge-Kutta方法 | NA | 提高物理信息神经网络（PINNs）在色散冲击波现象中的数值模拟精度和稳定性 | 色散冲击波现象 | 机器学习 | NA | 物理引导的多阶段神经网络（PgMSNN） | 物理引导的多阶段神经网络（PgMSNN） | 数值数据 | NA | NA | NA | NA | NA |
| 2858 | 2025-10-07 |
Role of artificial intelligence in brain tumour imaging
2024-Jul, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111509
PMID:38788610
|
综述 | 探讨人工智能在脑肿瘤影像学中的应用及其潜力 | 全面综述AI在脑肿瘤影像中从病灶检测到预后评估的多领域应用，并涵盖神经胶质瘤与非胶质瘤肿瘤 | 数据质量、标准化和系统整合等实施挑战尚未完全解决 | 评估人工智能技术在脑肿瘤影像诊断与治疗中的临床应用价值 | 脑肿瘤影像数据及相关临床病例 | 医学影像分析 | 脑肿瘤 | 机器学习, 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 2859 | 2025-10-07 |
Deep learning to decode sites of RNA translation in normal and cancerous tissues
2024-Mar-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.21.586110
PMID:38585907
|
研究论文 | 开发基于Transformer模型的RiboTIE方法，用于绘制正常和癌组织中RNA翻译位点图谱 | 提出首个基于Transformer的RNA翻译位点解码方法，在核糖体分析数据中提供无与伦比的精确度和灵敏度 | 仅应用于正常脑组织和髓母细胞瘤样本，尚未在其他组织或癌症类型中验证 | 解码正常和癌组织中RNA翻译位点的变异 | 正常脑组织和髓母细胞瘤癌症样本 | 生物信息学 | 髓母细胞瘤 | 核糖体分析 | Transformer | 核糖体分析数据 | 正常脑组织和髓母细胞瘤样本（具体数量未明确） | NA | Transformer | 精确度, 灵敏度 | NA |
| 2860 | 2025-10-07 |
Classification of Schizophrenia, Bipolar Disorder and Major Depressive Disorder with Comorbid Traits and Deep Learning Algorithms
2024-Mar-07, Research square
DOI:10.21203/rs.3.rs-4001384/v1
PMID:38496574
|
研究论文 | 本研究利用42种共病性状的多基因风险评分和深度神经网络对精神分裂症、双相情感障碍和重度抑郁症进行分类与区分 | 首次证明仅使用共病性状的PRS（不包含目标疾病PRS）即可有效分类精神障碍，为数据驱动的客观诊断提供新思路 | 样本量相对有限，未在独立队列中验证模型泛化能力 | 探索共享遗传风险在精神障碍分类与鉴别诊断中的应用价值 | 精神分裂症、双相情感障碍和重度抑郁症患者及健康对照 | 机器学习 | 精神疾病 | 全基因组关联研究，多基因风险评分 | DNN | 遗传风险评分数据 | SCZ病例6317例对照7240例，BIP病例2634例对照4425例，MDD病例1704例对照3357例 | NA | 深度神经网络 | 准确率，AUC | NA |