深度学习在生物医药领域中的应用
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，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10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 12060 篇文献，本页显示第 1021 - 1040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1021 | 2025-04-02 |
Sleep, physical activity and panic attacks: A two-year prospective cohort study using smartwatches, deep learning and an explainable artificial intelligence model
2024-02, Sleep medicine
IF:3.8Q1
DOI:10.1016/j.sleep.2023.12.013
PMID:38154150
|
研究论文 | 一项为期两年的前瞻性队列研究，利用智能手表、深度学习和可解释的人工智能模型预测恐慌发作及焦虑状态 | 首次结合智能手表数据、深度学习和可解释AI方法预测恐慌发作及焦虑状态，并识别关键影响因素 | 样本量中等且依赖自评问卷 | 预测恐慌发作(PA)、状态焦虑(SA)、特质焦虑(TA)和恐慌障碍严重程度(PDS) | 114名恐慌障碍(PD)患者 | 机器学习 | 恐慌障碍 | RNN, LSTM, GRU深度学习模型及SHAP可解释方法 | LSTM | 可穿戴设备记录的睡眠、体力活动和心率数据，以及临床问卷数据 | 114名PD患者，数据收集时间为2020年6月16日至2022年6月10日 |
| 1022 | 2024-10-02 |
Deep learning sharpens vistas on biodiversity mapping
2024-Oct-08, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2416358121
PMID:39348547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1023 | 2025-04-01 |
A Deep Learning-based Pipeline for Segmenting the Cerebral Cortex Laminar Structure in Histology Images
2024-Oct, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09688-0
PMID:39417954
|
研究论文 | 本文提出了一种基于深度学习的流程，用于在组织学图像中分割大脑皮层的层状结构 | 开发了一种新颖的计算框架，结合AI工具获取皮层标签，并使用深度学习模型进行皮层分层分割，相比现有方法在分割质量上有显著提升 | 仅针对普通狨猴的Nissl染色和髓鞘染色切片图像进行研究，未在其他物种或染色方法上验证 | 理解大脑皮层层状结构的解剖学特征及其连接模式，为神经系统疾病研究提供见解 | 普通狨猴大脑的Nissl染色和髓鞘染色切片图像 | 数字病理学 | 神经系统疾病 | 深度学习 | 深度学习模型（未明确具体类型） | 图像 | 普通狨猴大脑切片图像（具体数量未说明） |
| 1024 | 2025-04-01 |
Modeling protein-small molecule conformational ensembles with ChemNet
2024-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.25.614868
PMID:39386615
|
research paper | 该研究开发了一种名为ChemNet的图神经网络，用于模拟蛋白质-小分子系统的构象异质性 | ChemNet能够快速生成小分子和蛋白质-小分子系统的构象集合，并在酶设计方面表现出更高的成功率和活性 | NA | 模拟蛋白质-小分子系统的构象异质性，并提高酶设计的成功率 | 蛋白质-小分子系统 | machine learning | NA | graph neural network | ChemNet | atomic level structures | 数据来自Cambridge Structural Database和Protein Data Bank |
| 1025 | 2024-08-07 |
Comment on 'Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: a systematic review and meta-analysis'
2024-Sep-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000001718
PMID:38814316
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1026 | 2025-04-01 |
Automated segmentation of the median nerve in patients with carpal tunnel syndrome
2024-07-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-65840-5
PMID:39033223
|
研究论文 | 本研究利用U-Net网络训练算法，自动分割腕管综合征患者的正中神经超声图像并测量其横截面积 | 采用深度学习技术自动分割正中神经并测量其横截面积，为腕管综合征的诊断提供新方法 | 样本量较小（25例患者和26例健康对照），且自动化测量与手动测量存在10.9%的差异 | 开发一种自动化技术用于腕管综合征的诊断验证 | 腕管综合征患者和健康对照的正中神经超声图像 | 医学影像 | 腕管综合征 | 超声成像 | U-Net | 图像 | 25例腕管综合征患者和26例健康对照的2355张手动分割图像 |
| 1027 | 2025-04-01 |
Spatial Deconvolution of Cell Types and Cell States at Scale Utilizing TACIT
2024-Jun-27, Research square
DOI:10.21203/rs.3.rs-4536158/v1
PMID:38978567
|
研究论文 | 本文提出了一种名为TACIT的无监督算法，用于细胞注释，无需训练数据即可识别细胞类型和状态 | 开发了TACIT算法，无需训练数据即可进行细胞注释，并在多组学分析中识别模糊细胞，提高了准确性和可扩展性 | 虽然TACIT在多个数据集中表现良好，但其在更广泛细胞类型和疾病中的应用仍需进一步验证 | 解决空间生物学中细胞类型和状态识别的挑战，提高注释的准确性和效率 | 细胞类型和状态，特别是在脑、肠道和腺体三个生态位中的细胞 | 空间生物学 | 炎症性腺体疾病 | 多组学分析，空间转录组学和蛋白质组学 | 无监督算法 | 多组学数据 | 5个数据集，包含5,000,000个细胞和51种细胞类型 |
| 1028 | 2025-04-01 |
Spatial Deconvolution of Cell Types and Cell States at Scale Utilizing TACIT
2024-Jun-03, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.31.596861
PMID:38895230
|
研究论文 | 本文提出了一种名为TACIT的无监督算法，用于细胞注释，通过预定义的签名在无需训练数据的情况下操作，利用无偏阈值区分阳性细胞与背景，专注于相关标记以识别多组学分析中的模糊细胞 | 开发了TACIT算法，一种无需训练数据的无监督细胞注释方法，通过无偏阈值和聚焦相关标记来提高准确性和可扩展性 | 未明确提及算法的局限性，但可能包括对预定义签名的依赖以及在更广泛细胞类型和状态中的泛化能力 | 解决空间生物学中细胞类型和状态识别的时间消耗和易出错问题 | 细胞类型和状态，特别是在脑、肠和腺体三个生态位中的细胞 | 空间生物学 | 炎症性腺体疾病 | 多组学分析，空间转录组学和蛋白质组学 | 无监督算法 | 多组学数据 | 五个数据集（5,000,000个细胞；51种细胞类型） |
| 1029 | 2025-04-01 |
VesselBoost: A Python Toolbox for Small Blood Vessel Segmentation in Human Magnetic Resonance Angiography Data
2024-May-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.22.595251
PMID:38826408
|
research paper | 介绍了一个名为VesselBoost的Python工具箱，用于在人类磁共振血管造影数据中进行小血管分割 | 结合深度学习和不完美训练标签进行血管分割，并利用创新的数据增强技术 | 需要大量正确和全面标记的数据集，这在实践中可能难以获得 | 通过高分辨率MRA数据进行小血管的定量表征和精确表示，以支持血流模拟 | 人类大脑的小血管 | digital pathology | cardiovascular disease | MRA, deep learning | deep learning-based methods | image | NA |
| 1030 | 2025-04-01 |
Areas of interest and sentiment analysis towards second generation antipsychotics, lithium and mood stabilizing anticonvulsants: Unsupervised analysis using Twitter
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.01.234
PMID:38290587
|
研究论文 | 通过分析Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗癫痫药物的提及和情感，探讨患者和公众对这些药物的态度和信念 | 利用社交媒体数据（Twitter）和AI技术（机器学习和深度学习）分析患者对精神疾病药物的态度和情感，揭示了不同语言和文化背景下的讨论差异 | Twitter数据的简短性可能无法完全捕捉讨论的细微差别，且研究药物的广泛治疗用途使得难以隔离特定疾病的讨论，仅分析了英语和西班牙语的推文，限制了文化广度的发现 | 理解患者和公众对精神分裂症及相关精神病性障碍（SRD）或双相情感障碍（BD）治疗药物的态度和信念 | Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗癫痫药物的提及和情感 | 自然语言处理 | 精神分裂症及相关精神病性障碍（SRD）或双相情感障碍（BD） | 机器学习, 深度学习, 自然语言处理 | NA | 文本 | 893,289条推文（2008年至2022年） |
| 1031 | 2025-04-01 |
Larger hypothalamic subfield volumes in patients with chronic insomnia disorder and relationships to levels of corticotropin-releasing hormone
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.02.023
PMID:38341156
|
研究论文 | 本研究探讨了慢性失眠症患者与健康对照组在下丘脑及其亚区体积上的差异，并分析了这些差异与失眠症状严重程度及HPA轴相关血液生物标志物的关系 | 首次使用基于深度学习的自动分割工具研究慢性失眠症患者下丘脑亚区体积变化，并揭示前部下丘脑肥大在CRH水平与失眠严重程度关系中的中介作用 | 研究样本量相对有限，且为横断面研究无法确定因果关系 | 探究慢性失眠症患者下丘脑亚区体积变化及其与HPA轴功能的关系 | 150名慢性失眠症患者和155名人口统计学匹配的健康对照 | 数字病理学 | 睡眠障碍 | T1加权结构磁共振扫描，深度学习自动分割 | 深度学习 | MRI图像 | 305人（150名患者和155名对照） |
| 1032 | 2025-04-01 |
Research and application of deep learning-based sleep staging: Data, modeling, validation, and clinical practice
2024-04, Sleep medicine reviews
IF:11.2Q1
DOI:10.1016/j.smrv.2024.101897
PMID:38306788
|
综述 | 本文全面回顾了基于深度学习的睡眠分期技术的最新方法，包括数据处理、建模、验证及临床应用 | 深入探讨了深度学习在睡眠分期中的应用，特别是在大规模数据集、跨学科合作和人机交互方面的创新 | 未提及具体实验数据或模型性能的详细比较 | 提高睡眠分期的效率和准确性，促进其在临床实践和日常生活中的应用 | 睡眠分期的自动化系统 | 机器学习 | 睡眠障碍 | 深度学习 | NA | 信号数据 | NA |
| 1033 | 2025-03-30 |
STMGraph: spatial-context-aware of transcriptomes via a dual-remasked dynamic graph attention model
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae685
PMID:39764614
|
研究论文 | 介绍了一种名为STMGraph的双重掩蔽动态图注意力模型，用于空间转录组数据的全局上下文感知分析 | 提出了一种结合双重掩蔽机制(MASK-REMASK)与动态图注意力模型(DGAT)的新型深度学习框架，能够更好地处理空间转录组数据 | 未明确提及具体局限性 | 提高空间转录组数据分析的准确性和鲁棒性，实现微环境异质性检测、空间域聚类和批次效应校正 | 空间转录组数据 | 生物信息学 | NA | 空间转录组技术 | 动态图注意力模型(DGAT) | 空间转录组数据 | 未明确提及具体样本量 |
| 1034 | 2025-03-30 |
Artificial intelligence-based assessment of built environment from Google Street View and coronary artery disease prevalence
2024-May-07, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehae158
PMID:38544295
|
研究论文 | 本研究利用Google街景图像和深度学习技术评估建筑环境与冠状动脉疾病患病率之间的关联 | 首次将深度学习应用于Google街景图像分析，建立建筑环境特征与心血管疾病患病率的关联模型 | 横断面研究设计无法确定因果关系，研究仅限于美国七个城市 | 探索基于机器视觉的建筑环境评估与心血管疾病患病率之间的关系 | 美国七个城市的789个人口普查区的建筑环境特征 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN, 线性混合效应模型 | 图像 | 53万张Google街景图像，覆盖7个美国城市的789个人口普查区 |
| 1035 | 2025-03-30 |
Robustness of ML-Based Seizure Prediction Using Noisy EEG Data From Limited Channels
2024 Apr-May, ... International Conference on Distributed Computing in Sensor Systems and workshops. DCOSS (Conference)
|
研究论文 | 本文研究了基于机器学习的癫痫发作预测模型在噪声EEG数据和有限通道条件下的鲁棒性 | 评估了DL模型在临床级EEG数据训练但消费级可穿戴EEG头戴设备数据测试时的表现，特别是在通道减少、流数据和类别不平衡情况下的鲁棒性 | 研究仅针对SPERTL模型进行评估，可能不适用于其他DL模型 | 提高癫痫发作预测模型在真实世界条件下的准确性和适用性 | 癫痫患者的EEG数据 | 机器学习 | 癫痫 | EEG | DL(SPERTL模型) | EEG信号数据 | NA |
| 1036 | 2025-03-30 |
DARDN: A Deep-Learning Approach for CTCF Binding Sequence Classification and Oncogenic Regulatory Feature Discovery
2024-01-23, Genes
IF:2.8Q2
DOI:10.3390/genes15020144
PMID:38397134
|
研究论文 | 本文提出了一种名为DARDN的深度学习方法，用于CTCF结合序列分类和致癌调控特征的发现 | 利用CNN预测癌症特异性CTCF结合位点，并采用DeepLIFT解释模型输入特征的贡献，从而识别与癌症特异性CTCF结合相关的DNA序列特征 | 未明确提及具体局限性 | 研究癌症基因组学中基因调控机制的表征 | CTCF结合位点及其在癌症中的特异性结合模式 | 机器学习 | T细胞急性淋巴细胞白血病（T-ALL）、急性髓系白血病（AML）、乳腺癌（BRCA）、结直肠癌（CRC）、肺腺癌（LUAD）和前列腺癌（PRAD） | 高通量测序 | CNN | DNA序列 | 涉及多种癌症类型的CTCF结合位点DNA序列 |
| 1037 | 2025-03-29 |
Multiplex Detection of Foodborne Pathogens using 3D Nanostructure Swab and Deep Learning-Based Classification of Raman Spectra
2024-08, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202308317
PMID:38564785
|
研究论文 | 本文提出了一种利用3D纳米结构拭子和基于深度学习的拉曼光谱分类技术检测多种食源性病原体的方法 | 结合3D纳米结构拭子高效捕获病原体和便携式拉曼仪器直接采集信号，以及基于1D CNN的深度学习算法实现高精度分类 | 未明确提及方法在极端环境或低浓度病原体情况下的检测性能 | 开发快速、灵敏的食源性病原体检测技术以保障食品安全 | 食源性细菌 | 机器学习 | 食源性疾病 | 拉曼光谱技术 | 1D CNN | 光谱数据 | 受污染的厨房用具和食品样本（具体数量未说明） |
| 1038 | 2025-03-29 |
Variants in tubule epithelial regulatory elements mediate most heritable differences in human kidney function
2024-Jun-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.18.599625
PMID:38948875
|
研究论文 | 该研究通过GWAS和单细胞染色质可及性测序，揭示了肾小管上皮细胞调控元件中的遗传变异对人类肾功能遗传差异的主要影响 | 首次系统鉴定了肾功能相关遗传位点，开发了ChromKid深度学习模型预测肾细胞类型特异性染色质可及性，并利用CRISPRi技术验证了调控元件对基因表达的影响 | 研究主要关注SNP遗传力，可能忽略了其他类型的遗传变异对肾功能的影响 | 解析影响人类肾功能的遗传变异及其分子机制 | 人类肾功能相关的遗传变异和调控元件 | 基因组学 | 肾脏疾病 | GWAS, scATAC-seq, CRISPRi, 深度学习 | ChromKid (深度学习模型) | 基因组数据, 单细胞染色质可及性数据 | NA |
| 1039 | 2025-03-29 |
Enhancing Global Estimation of Fine Particulate Matter Concentrations by Including Geophysical a Priori Information in Deep Learning
2024-May-10, ACS ES&T air
DOI:10.1021/acsestair.3c00054
PMID:38751607
|
research paper | 该研究通过结合地球物理先验信息和深度学习技术，改进了全球细颗粒物(PM)浓度的估计 | 开发了一种包含地球物理估计的损失函数，并引入了新颖的空间交叉验证方法，以解决监测站稀少区域的估计问题 | 在远离监测站的区域，模型性能仍然会受到一定影响 | 改进全球细颗粒物(PM)浓度的估计精度 | 全球细颗粒物(PM)浓度分布 | machine learning | NA | 深度学习 | CNN | 卫星数据、模拟数据和监测数据 | 1998-2019年间的月度数据 |
| 1040 | 2025-03-29 |
MA-PEP: A novel anticancer peptide prediction framework with multimodal feature fusion based on attention mechanism
2024-Apr, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.4966
PMID:38532681
|
研究论文 | 介绍了一种新型抗癌肽预测框架MA-PEP，该框架基于注意力机制进行多模态特征融合以提高预测性能 | 利用多种注意力机制进行特征增强和融合，整合分子级化学特征和序列信息，提升抗癌肽预测性能 | 未明确提及具体局限性 | 开发高效的抗癌肽预测方法 | 抗癌肽（ACPs） | 机器学习 | 癌症 | 注意力机制 | MA-PEP（基于注意力机制的深度学习框架） | 分子级化学特征和序列信息 | 多个基准数据集（未明确提及具体样本数量） |