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 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 2025-11-24 |
PEPSI: Polarity measurements from spatial proteomics imaging suggest immune cell engagement
2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:38160302
|
研究论文 | 开发了一种从免疫荧光成像数据定义表面蛋白极性的度量方法，用于识别肿瘤微环境中的免疫细胞状态 | 首次利用亚细胞蛋白表达模式对免疫细胞功能状态进行表型分析，并证明极性定义的细胞亚型能改善深度学习模型的生存预测性能 | 方法依赖于高分辨率显微镜成像，可能受限于图像质量和分辨率 | 通过蛋白极性测量理解免疫细胞功能状态及其在肿瘤微环境中的作用 | 肿瘤微环境中的免疫细胞 | 空间蛋白质组学成像 | 肿瘤 | 免疫荧光成像 | 深度学习模型 | 免疫荧光图像 | 600个患者样本中的200多万个细胞 | NA | NA | 生存预测性能 | NA |
| 862 | 2025-11-23 |
SCC-NET: segmentation of clinical cancer image for head and neck squamous cell carcinoma
2024-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.6.065501
PMID:39583005
|
研究论文 | 提出一种基于神经架构搜索U-Net的改进模型SCC-NET，用于头颈部鳞状细胞癌内镜图像的病灶分割 | 提出可学习离散小波池化技术，结合通道注意力模块为不同层输出分配权重，并引入CSPNet的跨阶段部分设计 | 仅使用单一医疗中心数据，样本量相对有限 | 开发头颈部鳞状细胞癌内镜图像的自动分割算法 | 头颈部鳞状细胞癌内镜图像 | 数字病理 | 头颈部鳞状细胞癌 | 内镜检查 | U-Net, CSPNet | 图像 | 556张经病理确认的鳞状细胞癌照片 | NA | SCC-NET, U-Net, CSPNet | mIOU, Dice相似系数, 准确率, 召回率 | NA |
| 863 | 2025-11-23 |
Session Introduction: Artificial Intelligence in Clinical Medicine: Generative and Interactive Systems at the Human-Machine Interface
2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:38160265
|
会议介绍 | 介绍2024年太平洋生物计算研讨会中关于临床医学人工智能的专题会议，重点关注生成式和交互式系统在人机界面的应用 | 聚焦于生成式AI和深度学习模型在医疗领域的突破性应用，特别强调人机交互界面的创新研究 | NA | 评估AI系统在医疗保健中的潜在影响和意义，开发解决实际医疗问题的AI算法 | 临床决策支持系统、监测工具、医学影像解读和分诊能力 | 人工智能在医学中的应用 | NA | 生成式AI、深度学习 | 深度学习模型 | 非结构化文本、影像数据、结构化和表格数据 | NA | NA | NA | NA | NA |
| 864 | 2025-11-23 |
BrainSTEAM: A Practical Pipeline for Connectome-based fMRI Analysis towards Subject Classification
2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:38160269
|
研究论文 | 提出BrainSTEAM集成框架，通过时空模块和多种技术组合解决fMRI数据有限导致的过拟合问题，提升基于连接组的脑功能网络分析性能 | 提出结合EdgeConv图神经网络、自编码器和Mixup策略的集成框架，通过动态分割时间序列信号构建相关网络来增加训练数据 | 依赖于有限规模的神经影像数据集，在更广泛疾病类型上的泛化能力有待验证 | 开发有效的基于连接组的fMRI分析框架，用于神经模式发现和疾病诊断 | 功能脑网络和脑区连接结构 | 神经影像分析 | 自闭症 | fMRI | GNN, Autoencoder | 功能磁共振成像时间序列数据 | ABIDE和HCP两个真实世界神经影像数据集 | PyTorch | EdgeConv | 分类准确率 | NA |
| 865 | 2025-11-23 |
Optimizing Computer-Aided Diagnosis with Cost-Aware Deep Learning Models
2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:38160273
|
研究论文 | 本研究提出了一种集成成本敏感参数的深度学习辅助诊断系统，旨在优化医学影像诊断中的错误分类成本 | 在激活函数中引入成本敏感参数，差异化处理假阴性和假阳性错误的代价 | 仅在两个医学影像数据集上验证，未在其他疾病或影像模态上测试 | 开发成本敏感的深度学习模型以优化计算机辅助诊断系统 | 肺结节影像和乳腺癌组织学图像 | 计算机视觉 | 肺癌, 乳腺癌 | 医学影像分析 | 深度学习 | 医学影像 | LIDC和BreakHis两个数据库的样本 | NA | NA | 灵敏度, 准确率 | NA |
| 866 | 2025-11-23 |
A deep neural network estimation of brain age is sensitive to cognitive impairment and decline
2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:38160276
|
研究论文 | 本研究利用自由水校正的扩散MRI和T1加权MRI构建深度神经网络预测大脑年龄，并探讨其与认知障碍的关系 | 首次采用自由水校正的dMRI技术分离组织与液体信号，并结合T1加权MRI构建密集连接神经网络预测大脑年龄 | 未说明具体样本量大小和参与者的详细人口统计学特征 | 开发敏感的生物标志物用于阿尔茨海默病的诊断和监测 | 认知未受损个体和轻度认知障碍参与者 | 医学影像分析 | 阿尔茨海默病 | 扩散MRI, T1加权MRI, 自由水校正技术 | 深度神经网络 | 神经影像数据 | NA | NA | 密集连接神经网络 | 相关系数r, p值, β系数 | NA |
| 867 | 2025-11-22 |
Deep learning estimation of proton stopping power with photon-counting computed tomography: a virtual study
2024-Dec, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.S1.S12809
PMID:39574807
|
研究论文 | 本研究通过深度学习模型从光子计数计算机断层扫描图像估计质子阻止本领 | 首次将光子计数CT与U-Net深度学习网络结合用于质子阻止本领估计，相比传统单能和双能CT方法显著提高了精度 | 基于虚拟仿真研究，尚未在真实患者数据上验证 | 提高质子放射治疗中质子阻止本领的估计精度 | 头部XCAT体模的仿真PCCT图像和质子阻止本领图 | 医学影像分析 | 癌症治疗 | 光子计数计算机断层扫描(PCCT) | 深度学习 | 医学影像 | 基于XCAT体模的仿真数据 | NA | U-Net | 均方根误差(RMSE) | NA |
| 868 | 2025-11-22 |
Applications of Deep Learning Techniques in Healthcare Systems: A Review
2024-Nov, Journal of clinical practice and research
DOI:10.14744/cpr.2024.25381
PMID:41257169
|
综述 | 本文综述了深度学习技术在医疗保健系统中的应用研究 | 系统梳理了卷积神经网络、堆叠自编码器和循环神经网络等主流深度学习方法在医疗领域的应用现状 | 未涉及具体实验验证和性能对比分析 | 探讨深度学习技术在医疗保健领域的应用前景 | 医疗图像分析、药物研发和远程患者监测 | 机器学习 | NA | 深度学习 | CNN, SAE, RNN | 图像, 时间序列数据 | NA | NA | 卷积神经网络, 堆叠自编码器, 循环神经网络 | NA | NA |
| 869 | 2025-11-21 |
A novel deep learning framework for accurate melanoma diagnosis integrating imaging and genomic data for improved patient outcomes
2024-Jun, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13770
PMID:38881051
|
研究论文 | 提出一种整合影像学和基因组数据的深度学习框架用于黑色素瘤的准确诊断 | 首次将卷积神经网络和图神经网络结合，融合多模态数据（皮肤镜图像、组织病理切片和基因组图谱）进行黑色素瘤诊断 | 需要在更大规模上进行验证，需要更多临床试验来确认该诊断方法的有效性和可行性 | 开发一种新的黑色素瘤分类方法，提供比当前医学方法更可靠的诊断 | 黑色素瘤患者的多模态数据 | 计算机视觉, 自然语言处理 | 黑色素瘤 | 皮肤镜成像, 组织病理学, 基因组分析 | CNN, GNN | 图像, 基因组数据 | NA | NA | 定制多模态深度神经网络 | 准确率, AUC | NA |
| 870 | 2025-11-21 |
Magnetic Resonance Imaging-Based Assessment of Pancreatic Fat Strongly Correlates With Histology-Based Assessment of Pancreas Composition
2024-02-01, Pancreas
IF:1.7Q3
DOI:10.1097/MPA.0000000000002288
PMID:38194643
|
研究论文 | 本研究评估了基于磁共振成像的胰腺脂肪估计与基于组织学的胰腺成分测量之间的关系 | 首次使用深度学习算法在胰腺切除组织学中标记11种组织成分，并建立MRI脂肪估计与组织成分的线性相关模型 | 样本量较小（27例患者），回顾性研究设计 | 评估MRI基于胰腺脂肪估计与组织学胰腺成分测量的相关性 | 高风险个体和胰腺正常疾病对照的术前MRI图像及后续胰腺切除组织学样本 | 数字病理 | 胰腺癌 | 磁共振成像, 组织学分析 | 深度学习算法, 线性模型 | 医学影像, 组织学图像 | 27例患者（平均年龄64.0±12.0岁，15名女性） | NA | NA | 相关系数r, P值 | NA |
| 871 | 2025-11-21 |
Noninvasive Computed Tomography-Based Deep Learning Model Predicts In Vitro Chemosensitivity Assay Results in Pancreatic Cancer
2024-01-01, Pancreas
IF:1.7Q3
DOI:10.1097/MPA.0000000000002270
PMID:38019604
|
研究论文 | 基于CT图像的深度学习模型预测胰腺癌体外化疗敏感性检测结果 | 首次使用CT图像和深度学习非侵入性预测胰腺癌体外化疗敏感性检测结果 | 样本量较小（33例患者），需要更大规模验证 | 优化胰腺导管腺癌的化疗方案选择 | 胰腺导管腺癌患者 | 计算机视觉 | 胰腺癌 | 计算机断层扫描，组织培养药物反应测定 | CNN | 医学图像 | 33例PDAC患者 | NA | 残差卷积神经网络 | 准确率，AUC | NA |
| 872 | 2025-11-20 |
Deep learning approach to predict autism spectrum disorder: a systematic review and meta-analysis
2024-10-28, BMC psychiatry
IF:3.4Q2
DOI:10.1186/s12888-024-06116-0
PMID:39468522
|
系统评价与荟萃分析 | 通过系统评价和荟萃分析评估深度学习技术在儿童自闭症谱系障碍分类中的准确性 | 首次对深度学习在自闭症谱系障碍分类中的性能进行系统性量化评估 | 纳入研究存在较大异质性限制了荟萃分析的有效性 | 评估深度学习技术在儿童自闭症谱系障碍分类中的诊断准确性 | 自闭症谱系障碍患者 | 机器学习 | 自闭症谱系障碍 | 深度学习 | 深度学习模型 | 医学数据 | 9495名ASD患者来自6个不同数据库 | NA | NA | 灵敏度,特异性,AUC,SROC | NA |
| 873 | 2025-11-19 |
IRTCI: Item Response Theory for Categorical Imputation
2024-Jul-02, Research square
DOI:10.21203/rs.3.rs-4529519/v1
PMID:39011102
|
研究论文 | 提出基于项目反应理论的分类数据插补新方法IRTCI，并与现有多种机器学习方法进行对比评估 | 首次将项目反应理论应用于分类数据插补，通过生成概率项确定缺失单元格的类别归属 | 未明确说明方法在大规模数据集上的计算效率及在复杂缺失模式下的表现 | 开发更有效的分类数据缺失值插补方法 | 具有缺失值的分类数据集 | 机器学习 | NA | 项目反应理论 | IRT | 分类数据（顺序、名义、二元） | 三个不同数据集 | NA | IRTCI | 准确率, 预测性能 | NA |
| 874 | 2025-11-19 |
Mapping single-cell developmental potential in health and disease with interpretable deep learning
2024-Mar-21, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.19.585637
PMID:38562882
|
研究论文 | 开发可解释深度学习框架CytoTRACE 2，用于从单细胞RNA测序数据中表征细胞发育潜能和分化状态 | 提出首个可在绝对尺度上量化细胞潜能的可解释深度学习框架，涵盖31个跨物种数据集并验证其优于现有方法 | 方法验证主要基于已公开数据集，需要进一步实验验证在更多疾病模型中的适用性 | 建立单细胞水平发育潜能定量分析平台 | 人类和小鼠单细胞RNA测序数据 | 生物信息学 | 癌症 | 单细胞RNA测序 | 深度学习 | 基因表达数据 | 31个数据集，涵盖28种组织类型，62个小鼠胚胎发育时间点 | NA | NA | 潜能水平恢复准确度，分化状态重建精度 | NA |
| 875 | 2025-11-17 |
A protein fitness predictive framework based on feature combination and intelligent searching
2024-Dec, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.5211
PMID:39548358
|
研究论文 | 提出一种基于特征组合和智能搜索的蛋白质适应性预测框架scut_ProFP | 整合特征组合和特征选择技术，实现从有限蛋白质序列中提取最相关功能特征信息，并能从低阶突变体泛化到高阶突变体 | 未明确说明模型对超大规模数据集的扩展性及计算效率 | 开发高效的蛋白质适应性预测方法以支持蛋白质工程 | 蛋白质序列及其适应性（fitness）值 | 机器学习 | NA | 特征组合、特征选择 | NA | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 876 | 2025-11-17 |
Super-resolution multi-contrast unbiased eye atlases with deep probabilistic refinement
2024-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.6.064004
PMID:39554509
|
研究论文 | 提出一种结合超分辨率预处理和深度概率模型的方法，用于创建高分辨率无偏眼部图谱 | 将深度学习超分辨率算法与无监督深度概率方法相结合，生成更广泛的变形场以增强器官边界对齐 | 需要足够数量的受试者样本才能有效优化模板 | 解决在高度变异人群中生成标准化眼部参考图谱的挑战 | 眼部器官（眼眶和视神经）的形态学特征 | 医学影像分析 | 眼科疾病 | 磁共振成像（MRI） | 深度学习, 概率模型 | 多对比度磁共振图像 | NA | NA | NA | Dice系数, Wilcoxon符号秩检验 | NA |
| 877 | 2025-11-16 |
Machine Learning to Predict Potential Energy Surface of Resveratrol Drug: A Quantum-Level Calculation
2024-Nov-14, ACS medicinal chemistry letters
IF:3.5Q2
DOI:10.1021/acsmedchemlett.4c00382
PMID:39563810
|
研究论文 | 使用ANI-1x神经网络势能预测白藜芦醇药物的势能面 | 首次将ANI-1x深度学习技术应用于抗帕金森药物白藜芦醇的量子级势能面预测 | 仅针对单一分子进行验证，未涉及更复杂的药物分子体系 | 开发快速准确的药物分子势能面预测方法 | 白藜芦醇（3,5,4'-三羟基芪）分子 | 机器学习 | 帕金森病 | 密度泛函理论，量子化学计算 | 神经网络 | 量子化学计算数据 | NA | ANI | ANI-1x | NA | NA |
| 878 | 2025-11-16 |
Predictive Modeling and Drug Repurposing for Type-II Diabetes
2024-Nov-14, ACS medicinal chemistry letters
IF:3.5Q2
DOI:10.1021/acsmedchemlett.4c00358
PMID:39563823
|
研究论文 | 本研究使用机器学习和深度学习模型预测DPP-4抑制剂，并通过药物重定位策略发现潜在糖尿病治疗药物 | 首次将多任务深度神经网络应用于DPP-4抑制剂预测，并成功从FDA批准药物中识别出具有潜力的重定位候选药物 | 研究基于计算预测和分子对接，需要后续实验验证 | 开发预测模型识别DPP-4抑制剂，探索糖尿病药物重定位 | DPP-4抑制剂化合物和FDA批准药物 | 机器学习 | 糖尿病 | 分子对接，分子动力学 | SVM, RF, NB, MTDNN | 化合物结构数据 | 6,750个化合物和100个FDA批准药物 | NA | 多任务深度神经网络 | 准确率, 相关系数 | NA |
| 879 | 2025-11-15 |
Learning meaningful representation of single-neuron morphology via large-scale pre-training
2024-09-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae395
PMID:39230697
|
研究论文 | 提出MorphRep模型，通过大规模预训练学习单神经元形态的有意义表示 | 首次使用超过25万神经元形态数据进行大规模预训练，采用图结构数据编码和图形变换器，通过多增强视图一致性学习实现最先进性能 | NA | 开发能够准确表征神经元形态的计算模型 | 单神经元形态结构 | 机器学习 | 脑部疾病 | 显微镜成像 | 图变换器 | 图结构数据 | 超过250,000个神经元形态数据 | NA | 图变换器 | NA | NA |
| 880 | 2025-11-14 |
Diagnostic Performance of Deep Learning Applications in Hepatocellular Carcinoma Detection Using Computed Tomography Imaging
2024-12-30, The Turkish journal of gastroenterology : the official journal of Turkish Society of Gastroenterology
DOI:10.5152/tjg.2024.24538
PMID:39760649
|
研究论文 | 本研究利用基于YOLO架构的深度学习技术增强CT图像中肝细胞癌的检测能力 | 首次将YOLO架构应用于肝细胞癌的CT图像检测，显著超越传统诊断方法的准确率 | 样本量相对有限（122名患者），需要更大规模数据验证 | 提高肝细胞癌的早期检测准确率，改善患者预后 | 肝细胞癌患者的CT图像 | 计算机视觉 | 肝细胞癌 | CT成像 | YOLO | 医学图像 | 122名患者的1290张CT图像 | NA | YOLO | 精确率,召回率,准确率,特异性,敏感性 | NA |