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 12185 篇文献，本页显示第 441 - 460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 441 | 2026-03-29 |
Graph Structured Neural Networks for Perturbation Biology
2024-Feb-29, bioRxiv : the preprint server for biology
DOI:10.1101/2024.02.28.582164
PMID:38464019
|
研究论文 | 本文提出了一种称为图结构化神经网络（GSNN）的新方法，用于扰动生物学中的计算建模，以更准确地预测分子相互作用和细胞反应 | 提出了一种替代传统图神经网络（GNN）的GSNN方法，通过将细胞信号知识编码为图数据结构，为深度学习添加归纳偏置，从而鼓励更具机制性的预测逻辑 | 方法需要进一步精炼才能产生适用于临床决策辅助的可信药物反应模型 | 开发能够更准确捕获分子相互作用序列并支持精准医学实现的扰动生物学计算模型 | 分子元素与细胞反应之间的关系，特别是药物扰动下的基因表达、细胞活力和疾病特异性药物优先排序 | 机器学习 | NA | NA | GSNN | 图数据 | 使用LINCS L1000数据集和文献整理的分子相互作用数据 | NA | 图结构化神经网络 | NA | NA |
| 442 | 2026-03-29 |
Direct Observation and Automated Measurement of Stomatal Responses to Pseudomonas syringae pv. tomato DC3000 in Arabidopsis thaliana
2024-02-09, Journal of visualized experiments : JoVE
DOI:10.3791/66112
PMID:38407316
|
研究论文 | 本文介绍了一种评估拟南芥气孔对细菌入侵反应的新方法，包括喷雾接种、便携式成像设备直接观察和基于深度学习的图像分析管道自动测量气孔孔径 | 结合便携式成像设备和深度学习图像分析管道，实现了在植物不离体条件下直接观察和自动测量气孔对细菌入侵的动态响应，更贴近自然感染过程 | 方法目前仅应用于拟南芥，可能不适用于其他植物物种；便携式设备的分辨率和适用性可能有限 | 开发一种更简便、更贴近自然条件的方法来评估植物气孔对病原细菌入侵的响应 | 拟南芥（Arabidopsis thaliana）的气孔及其对Pseudomonas syringae pv. tomato DC3000（Pto）入侵的反应 | 植物病理学与计算机视觉交叉 | 植物细菌性病害 | 喷雾接种、便携式成像设备观察、深度学习图像分析 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 443 | 2026-03-28 |
Risk-Specific Training Cohorts to Address Class Imbalance in Surgical Risk Prediction
2024-Dec-01, JAMA surgery
IF:15.7Q1
DOI:10.1001/jamasurg.2024.4299
PMID:39382865
|
研究论文 | 本研究评估了在手术风险预测中，针对不同风险等级（高风险、中风险、低风险）的队列分别训练深度学习模型，以解决类别不平衡问题对预测性能的影响 | 提出了一种基于先验知识（手术特定风险类别）构建风险特异性训练队列的方法，以改善类别不平衡问题，特别是在低发生率并发症（如院内死亡率）的预测上 | 研究为横断面研究，可能无法捕捉时间动态；结果基于单一医疗系统的数据，外部有效性有待验证；风险分类的阈值定义基于经验性三分位数，可能具有主观性 | 评估在手术风险预测模型中，使用风险特异性训练队列对预测性能的影响，以解决类别不平衡问题 | 109,445例在佛罗里达大学健康系统两家医院进行的住院手术操作 | 机器学习 | 手术并发症 | 深度学习 | 深度学习模型 | 临床数据（手术代码、并发症发生率等） | 109,445例住院手术操作 | NA | NA | AUROC, AUPRC, F1分数, 准确率 | NA |
| 444 | 2026-03-28 |
A Competition for the Diagnosis of Myopic Maculopathy by Artificial Intelligence Algorithms
2024-Nov-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2024.3707
PMID:39325442
|
研究论文 | 本研究通过国际竞赛评估了深度学习算法在近视性黄斑病变分类、分割及球镜当量预测任务中的性能，并与眼科医生进行了比较 | 首次通过国际竞赛形式系统比较多种AI算法在近视性黄斑病变诊断任务中的表现，并展示了模型集成方法能超越单个算法及眼科医生的诊断性能 | 研究基于特定竞赛数据集，可能无法完全代表临床实际场景；参与团队数量有限（7、4、4队），且未详细说明所有算法的具体架构 | 评估和比较深度学习算法在近视性黄斑病变自动诊断中的性能 | 近视性黄斑病变患者的眼底图像 | 计算机视觉 | 近视性黄斑病变 | 眼底成像 | 深度学习模型 | 图像 | 分类任务2306张、分割任务294张、预测任务2003张眼底图像 | NA | NA | 二次加权κ系数, F1分数, 灵敏度, 特异性, Dice相似系数, R2, 平均绝对误差 | NA |
| 445 | 2024-10-18 |
Deep Learning to Improve Diagnosis Must Also Not Do Harm
2024-Nov-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2024.4377
PMID:39418056
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 446 | 2026-03-28 |
Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Color Images
2024-Nov-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2024.4269
PMID:39418057
|
研究论文 | 本研究开发并测试了一个深度学习系统，用于在急性期通过彩色眼底图像区分动脉炎性前部缺血性视神经病变与非动脉炎性前部缺血性视神经病变 | 首次开发了一个深度学习系统，仅基于彩色眼底图像（无需临床或生物标志物信息）在眼水平上高精度区分AAION与NAION，并展示了疾病特异性平均类激活图 | 研究依赖于历史图像数据，未在实时临床环境中验证；外部测试集样本量相对较小（121名患者）；未考虑所有可能的混杂因素 | 开发、训练和测试一个深度学习系统，以在急性期通过彩色眼底图像区分动脉炎性前部缺血性视神经病变与非动脉炎性前部缺血性视神经病变 | 802名患者（共961只眼）的彩色眼底图像，这些患者确诊为AAION或NAION | 数字病理学 | 心血管疾病 | 彩色眼底成像 | 深度学习系统 | 图像 | 训练和验证集：802名患者（961只眼）；外部测试集：121名患者 | NA | NA | AUC, 灵敏度, 特异度, 准确度 | NA |
| 447 | 2026-03-28 |
G2PDeep-v2: a web-based deep-learning framework for phenotype prediction and biomarker discovery using multi-omics data
2024-Sep-13, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.10.612292
PMID:39314346
|
研究论文 | 介绍G2PDeep-v2，一个基于深度学习的网络平台，用于从多组学数据中预测表型和发现生物标志物 | 提供了一个交互式界面，允许用户创建深度学习模型，并利用高性能计算资源自动进行超参数调优，支持跨多种生物体的多组学数据分析 | 未提及具体性能限制或数据规模限制 | 开发一个网络平台，用于表型预测和生物标志物发现，以揭示复杂疾病和其他生物过程的分子机制 | 人类、植物、动物和病毒的多组学数据 | 机器学习 | NA | 多组学数据分析 | 深度学习模型 | 多组学数据 | NA | NA | NA | NA | 高性能计算资源 |
| 448 | 2026-03-28 |
Deep Learning Based on Computed Tomography Predicts Response to Chemoimmunotherapy in Lung Squamous Cell Carcinoma
2024-05-12, Aging and disease
IF:7.0Q1
DOI:10.14336/AD.2024.0169
PMID:38916736
|
研究论文 | 本研究开发了一种基于增强CT图像的深度学习模型，用于预测肺鳞癌患者对新辅助化疗免疫治疗的病理缓解反应 | 首次将深度学习模型应用于预测肺鳞癌患者对新辅助化疗免疫治疗的主要病理缓解，并探索了其与基因突变、免疫微环境和瘤内微生物的关联机制 | 样本量相对有限（309例），且为回顾性研究，需要前瞻性验证 | 开发预测模型以识别对新辅助化疗免疫治疗有响应的肺鳞癌患者，并阐明其生物学机制 | 肺鳞癌患者 | 数字病理学 | 肺癌 | 增强计算机断层扫描 | CNN | 图像 | 309例肺鳞癌患者 | NA | ResNet50 | AUC | NA |
| 449 | 2026-03-28 |
Cardiovascular Significance and Genetics of Epicardial and Pericardial Adiposity
2024-May-01, JAMA cardiology
IF:14.8Q1
DOI:10.1001/jamacardio.2024.0080
PMID:38477908
|
研究论文 | 本研究利用深度学习模型量化心外膜和心包脂肪组织面积，评估其与心血管疾病的关联，并进行了全基因组关联分析 | 首次在大规模人群队列中结合深度学习语义分割技术量化EPAT，并系统评估其与多种心血管疾病的横断面及前瞻性关联，同时进行了全基因组关联研究以阐明其遗传基础 | 研究结果可能受到残余混杂因素的影响，且EPAT与心血管疾病的关联在控制腹部内脏脂肪组织体积后不再显著，表明关联可能主要反映代谢不健康的脂肪表型 | 评估心外膜和心包脂肪组织与心血管疾病的关联，并阐明其遗传基础 | 来自UK Biobank的44,475名参与者（平均年龄64.1岁，51.7%为女性）以及独立FinnGen队列的453,733名参与者 | 数字病理学 | 心血管疾病 | 磁共振成像，全基因组关联研究 | 深度学习模型 | 图像（四腔磁共振图像） | UK Biobank: 44,475名参与者；FinnGen: 453,733名参与者 | NA | 语义分割模型 | β系数，Pearson相关系数，风险比，比值比，95%置信区间，P值 | NA |
| 450 | 2026-03-28 |
Multinational External Validation of Autonomous Retinopathy of Prematurity Screening
2024-Apr-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2024.0045
PMID:38451496
|
研究论文 | 本研究通过多国外部验证，评估了基于自主人工智能的早产儿视网膜病变筛查系统在检测中重度及以上ROP和1型ROP方面的性能 | 首次在多个国家（美国和印度）的大规模外部数据集上，对自主AI ROP筛查算法进行了全面验证，证明了其在真实世界远程医疗环境中的有效性和泛化能力 | 研究为回顾性分析，可能存在选择偏倚；算法性能在不同人群和医疗环境中的长期稳定性仍需前瞻性研究验证 | 评估自主人工智能系统在早产儿视网膜病变远程筛查中的诊断性能，以解决医疗资源不足地区的筛查可及性问题 | 来自美国和印度新生儿重症监护室的早产儿视网膜图像 | 数字病理学 | 早产儿视网膜病变 | 远程医疗眼底成像 | 深度学习 | 视网膜图像 | 总计11,880次检查（来自4,244名婴儿）：i-ROP研究2,530次检查（843名婴儿），SUNDROP数据集6,245次检查（1,545名婴儿），AECS数据集5,635次检查（2,699名婴儿） | NA | NA | AUROC, 灵敏度, 特异性 | NA |
| 451 | 2026-03-25 |
Multiclass arrhythmia classification using multimodal smartwatch photoplethysmography signals collected in real-life settings
2024-Dec-13, Research square
DOI:10.21203/rs.3.rs-5463126/v1
PMID:39711547
|
研究论文 | 本研究提出了一种使用多模态智能手表光电容积脉搏波信号在真实生活环境中进行多类心律失常分类的方法 | 使用真实生活环境中收集的多模态数据（包括PPG、加速度计和心率数据），并采用计算高效的1D双向门控循环单元模型，在独立数据集上实现了对PAC/PVC的高灵敏度检测，同时保持了AF检测的高准确率 | 研究依赖于特定临床试验收集的数据集，样本量相对有限（106名受试者），且模型在更广泛人群和设备上的泛化能力仍需进一步验证 | 开发一种能够在真实生活环境中准确检测多种心律失常（特别是房颤和房性/室性早搏）的智能手表监测系统 | 智能手表收集的光电容积脉搏波信号及其相关多模态数据 | 机器学习 | 心血管疾病 | 光电容积脉搏波 | 深度学习 | 时间序列数据 | 106名受试者，收集为期两周的智能手表PPG数据 | NA | 1D双向门控循环单元 | 灵敏度, 准确率, 宏平均受试者工作特征曲线下面积 | NA |
| 452 | 2026-03-25 |
Modernizing histopathological analysis: a fully automated workflow for the digital image analysis of the intestinal microcolony survival assay
2024-Dec-12, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.09.627578
PMID:39713436
|
研究论文 | 本文开发了一个全自动工作流程，用于数字图像分析肠道微菌落存活实验，以量化辐射引起的胃肠道损伤 | 实现了微菌落存活实验中空肠隐窝计数的全自动化，消除了主观观察者间变异和人为错误 | 未明确说明自动化工作流程在不同实验室或设备间的泛化能力 | 自动化组织病理学分析，提高微菌落存活实验的效率和准确性 | 小鼠空肠组织切片图像 | 数字病理学 | 辐射损伤 | 组织病理学成像 | 深度学习语义图像分割 | 图像 | 60只小鼠的540张图像 | NA | NA | 平均绝对百分比偏差 | NA |
| 453 | 2026-03-25 |
EM-COGLOAD: An investigation into age and cognitive load detection using eye tracking and deep learning
2024-Dec, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2024.03.014
PMID:38638116
|
研究论文 | 本文介绍了一个公开可用的眼动数据集EM-COGLOAD，并利用深度学习技术对健康成年人在不同认知负荷下的眼动轨迹进行分类，以探索年龄和认知负荷检测的可行性 | 提出了一个新的公开眼动数据集EM-COGLOAD，并首次将卷积神经网络应用于眼动时间序列分类，以区分不同认知负荷和年龄组 | 研究仅涉及75名健康成年人，未包括阿尔茨海默病患者，且样本量相对较小 | 探索眼动行为作为非侵入性生物标志物，用于检测认知负荷和年龄相关变化，以辅助阿尔茨海默病的早期诊断 | 75名健康成年人的眼动数据 | 机器学习 | 阿尔茨海默病 | 眼动追踪 | CNN | 时间序列 | 75名健康成年人 | NA | 卷积神经网络 | 准确率 | NA |
| 454 | 2026-03-25 |
DeepGenomeScan of 15 Worldwide Bovine Populations Detects Spatially Varying Positive Selection Signals
2024-10, Omics : a journal of integrative biology
IF:2.2Q3
DOI:10.1089/omi.2024.0154
PMID:39315920
|
研究论文 | 本研究利用深度学习框架DeepGenomeScan，在全球15个牛种群中检测空间变化的阳性选择信号 | 首次在牛基因组选择信号研究中应用深度学习，发现了传统方法未能检测到的38个新选择基因 | 未明确说明样本的具体地理分布或种群规模细节 | 识别牛基因组中受空间变化选择影响的区域，以理解物种进化与适应的遗传机制 | 全球15个牛种群的基因组数据 | 机器学习 | NA | 基因组扫描 | 深度学习 | 基因组数据 | 15个牛种群 | DeepGenomeScan | NA | NA | NA |
| 455 | 2026-03-25 |
Automatic grading of intervertebral disc degeneration in lumbar dog spines
2024-Jun, JOR spine
IF:3.4Q1
DOI:10.1002/jsp2.1326
PMID:38633660
|
研究论文 | 本文开发并测试了一种深度学习工具，用于自动评估犬类腰椎间盘退变程度 | 首次将针对人类脊柱设计的Pfirrmann分类方案应用于犬类，并开发了自动评分工具，扩展了深度学习在兽医影像分析中的应用 | 工具性能略低于人类模型，且对于罕见的5级退变敏感度较低，修改后的分级方案未显示显著优势 | 开发自动评估犬类腰椎间盘退变程度的工具，以支持临床管理和再生疗法研究 | 犬类腰椎间盘 | 数字病理学 | 椎间盘退变 | T2加权MRI扫描 | 深度学习模型 | 图像 | 5991个腰椎间盘 | NA | NA | 敏感度, 特异度 | NA |
| 456 | 2026-03-25 |
An optimised YOLOv4 deep learning model for efficient malarial cell detection in thin blood smear images
2024-Apr-16, Parasites & vectors
IF:3.0Q1
DOI:10.1186/s13071-024-06215-7
PMID:38627870
|
研究论文 | 本研究提出了一种优化的YOLOv4深度学习模型，用于高效检测薄血涂片图像中的疟疾细胞 | 通过直接层剪枝和骨干网络替换（将CSP-DarkNet53替换为较浅的ResNet50）来优化YOLOv4模型，提高了检测精度并减少了模型大小和计算复杂度 | 未明确说明模型在更大或更多样化数据集上的泛化能力，也未详细讨论实际部署中的计算资源需求 | 开发一种更轻量、更快且精度更高的自动化诊断工具，用于疟疾的早期和准确检测 | 薄血涂片图像中的感染红细胞 | 计算机视觉 | 疟疾 | 深度学习对象检测 | YOLOv4 | 图像 | NA | NA | YOLOv4, CSP-DarkNet53, ResNet50 | 平均精度均值（mAP）, 十亿浮点运算（B-FLOPS）, 模型大小 | NA |
| 457 | 2026-03-25 |
Predicting drug response through tumor deconvolution by cancer cell lines
2024-Apr-12, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2024.100949
PMID:38645769
|
研究论文 | 本研究开发了一种深度学习模型Scaden-CA，用于将肿瘤数据反卷积为癌症类型特异性细胞系的比例，并基于此预测药物反应 | 通过结合癌症细胞系药物敏感性数据和肿瘤反卷积技术，开发了Scaden-CA模型，以桥接细胞系与患者药物反应数据之间的差距 | 仅使用了有限的患者药物反应数据，且模型性能验证主要依赖于CCLE和TCGA数据集，可能未覆盖所有癌症类型或临床场景 | 预测药物反应并探索药物重利用的潜在机制 | 癌症细胞系（如CCLE数据）和肿瘤样本（如TCGA数据） | 机器学习 | 癌症 | RNA测序（bulk RNA数据） | 深度学习模型 | RNA数据 | 大规模癌症细胞系和肿瘤样本（具体数量未在摘要中指定） | NA | Scaden-CA | 一致性相关系数（concordance correlation coefficients），正确反卷积率（correctly deconvoluted rate） | NA |
| 458 | 2026-03-25 |
Enhancing molecular design efficiency: Uniting language models and generative networks with genetic algorithms
2024-Apr-12, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2024.100947
PMID:38645768
|
研究论文 | 本研究探讨了生成模型在药物发现、材料科学和聚合物科学中的应用，提出了一种结合语言模型和生成对抗网络的混合架构以提高分子设计效率 | 提出了一种结合掩码语言模型和生成对抗网络的混合架构，以克服传统生成模型中的模式崩溃问题，并在小规模群体中展现出优于单独语言模型的性能 | 未明确提及具体实验数据或样本量的局限性 | 提高分子设计效率，优化生成模型在药物发现和材料科学中的应用 | 分子设计、药物发现、材料科学和聚合物科学中的生成模型 | 自然语言处理, 机器学习 | NA | 生成对抗网络, 掩码语言模型 | GAN, LM | 合成数据, 分子数据 | NA | NA | 混合LM-GAN架构 | NA | NA |
| 459 | 2026-03-25 |
Quantitative Assessment of Fundus Tessellated Density in Highly Myopic Glaucoma Using Deep Learning
2024-04-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.4.17
PMID:38591943
|
研究论文 | 本研究利用深度学习定量评估高度近视性青光眼与高度近视患者的眼底豹纹状密度，以发现早期诊断标志物 | 首次使用深度学习量化眼底豹纹状密度，并发现其在高度近视性青光眼与高度近视患者中存在程度和分布的差异，特别是黄斑区鼻侧/颞侧比值可作为鉴别指标 | 研究为回顾性横断面设计，样本量相对较小（共206只眼），且仅来自单一中心，可能限制结果的普适性 | 表征高度近视性青光眼与高度近视患者的眼底豹纹状密度，探索早期诊断标志物 | 高度近视和高度近视性青光眼患者的眼底图像 | 计算机视觉 | 青光眼 | 眼底摄影 | 深度学习 | 图像 | 206只眼（高度近视133只，高度近视性青光眼73只） | NA | NA | 曲线下面积 | NA |
| 460 | 2026-03-25 |
Deep learning to predict rapid progression of Alzheimer's disease from pooled clinical trials: A retrospective study
2024-Apr, PLOS digital health
DOI:10.1371/journal.pdig.0000479
PMID:38598464
|
研究论文 | 本研究利用深度学习模型，基于临床试验数据预测阿尔茨海默病患者的快速进展风险 | 首次将注意力机制与循环神经网络结合，利用纵向临床数据预测阿尔茨海默病的快速进展，并识别关键预测因子 | 研究数据来源于特定制药公司的临床试验，可能缺乏人群多样性；模型性能在外部验证中有所下降 | 预测阿尔茨海默病患者的快速进展，以优化临床试验设计和治疗效果评估 | 轻度至中度阿尔茨海默病患者 | 机器学习 | 阿尔茨海默病 | 纵向临床观察数据 | RNN | 临床数据 | 1603名患者 | NA | 带有注意力机制的循环神经网络 | AUROC, AUPRC | NA |