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 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2026-05-18 |
aiGeneR 1.0: An Artificial Intelligence Technique for the Revelation of Informative and Antibiotic Resistant Genes in Escherichia coli
2024-02-22, Frontiers in bioscience (Landmark edition)
DOI:10.31083/j.fbl2902082
PMID:38420832
|
研究论文 | 提出了首个基于深度学习的人工智能系统aiGeneR，用于识别大肠杆菌中抗生素抗性基因 | 首次将深度学习模型应用于细菌抗生素抗性基因的检测和分类，提出了假设并验证了非线性深度学习模型优于机器学习模型 | 未在外部独立数据集或临床样本上进行验证，仅基于基因表达数据 | 利用深度学习技术从基因表达数据中检测和识别大肠杆菌的抗生素抗性基因 | 大肠杆菌中的抗生素抗性基因（如tetM）及相关通路和枢纽基因 | 机器学习 | 尿路感染 | 基因表达测序 | 深度学习模型 | 基因表达数据 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 162 | 2025-05-03 |
The Updated Registry of Fast Myocardial Perfusion Imaging with Next-Generation SPECT (REFINE SPECT 2.0)
2024-11-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.268292
PMID:39362762
|
研究论文 | 介绍了更新后的REFINE SPECT 2.0注册表，包括更多患者和CT衰减校正成像的设计和初步结果 | 扩展了REFINE SPECT注册表，增加了CT衰减校正成像，并利用深度学习软件检测冠状动脉钙化 | 仅8.4%的患者有侵入性冠状动脉造影相关数据 | 评估SPECT心肌灌注成像的价值，验证新的人工智能工具在多模态成像中预测不良结局的效果 | 45,252名患者的心肌灌注成像数据 | 数字病理学 | 心血管疾病 | SPECT, CT衰减校正成像, 深度学习 | 深度学习 | 图像 | 45,252名患者来自13个中心 | NA | NA | NA | NA |
| 163 | 2026-05-17 |
Artificial Intelligence Applications in Oral Cancer and Oral Dysplasia
2024-10, Tissue engineering. Part A
DOI:10.1089/ten.TEA.2024.0096
PMID:39041628
|
综述 | 综述人工智能在口腔癌和口腔上皮不典型增生中的应用，旨在开发预测生物标志物 | 系统回顾了基于人工智能的方法，包括机器学习和深度学习，在预测口腔上皮不典型增生恶变、口腔癌患者死亡率和治疗反应方面的进展 | NA | 强调基于人工智能的方法在开发预测口腔上皮不典型增生向口腔癌转化或口腔癌患者死亡率和治疗反应预测生物标志物方面的进展 | 口腔鳞状细胞癌和口腔上皮不典型增生 | 数字病理学 | 口腔癌 | 多重免疫组化、表观基因组学 | 深度学习 | 图像 | NA | NA | 神经网络 | NA | NA |
| 164 | 2026-05-17 |
Research progress on prediction of RNA-protein binding sites in the past five years
2024-08, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115535
PMID:38643894
|
综述 | 综述过去五年中预测RNA-蛋白质结合位点的计算方法的进展 | 系统总结了2018-2023年间利用传统机器学习和深度学习的计算方法，包括数据库利用、特征选择与编码、分类算法创新和评估策略 | 现有计算方法存在局限性，未来发展方向有待探索 | 总结RNA-蛋白质结合位点预测的计算方法，探讨未来发展方向 | RNA-蛋白质结合位点预测方法 | 机器学习 | NA | 传统机器学习、深度学习 | CNN、LSTM | 序列数据 | NA | NA | DeepRKE, RDense, DeepDW | NA | NA |
| 165 | 2026-05-17 |
MMDB: Multimodal dual-branch model for multi-functional bioactive peptide prediction
2024-07, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115491
PMID:38460901
|
研究论文 | 提出了一种新型多模态双分支轻量级深度学习模型，用于多功能生物活性肽预测 | 首次在不增加参数的情况下利用多尺度膨胀卷积提取肽序列特征，并设计了双分支结构分别捕获肽序列和结构特性的互补信息 | 未提及具体局限性 | 准确检测多功能的复杂和多样化生物活性肽 | 多功能生物活性肽 | 机器学习 | NA | NA | 深度学习 | 序列和结构数据 | NA | NA | 多尺度膨胀卷积, Bi-LSTM, 多层卷积 | 覆盖率, 精确度, 准确率 | NA |
| 166 | 2026-05-17 |
PhosAF: An integrated deep learning architecture for predicting protein phosphorylation sites with AlphaFold2 predicted structures
2024-07, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115510
PMID:38513769
|
研究论文 | 提出一种集成深度学习架构PhosAF，利用AlphaFold2预测的蛋白结构来预测人类蛋白磷酸化位点 | 首次将AlphaFold2预测的蛋白结构信息与序列信息集成用于磷酸化位点预测，并提出通过蛋白二级结构构建可靠负样本的新策略 | NA | 提高磷酸化位点预测的准确性，特别是通过利用蛋白空间结构信息 | 人类蛋白质磷酸化位点 | 机器学习 | NA | NA | CNN, 多头注意力机制, 深度神经网络 | 蛋白质序列数据和结构数据 | NA | PyTorch | CMA-Net, MFC-Net | 精确率, 召回率, F1分数, AUC | NA |
| 167 | 2026-05-16 |
Toward trustable use of machine learning models of variant effects in the clinic
2024-12-05, American journal of human genetics
IF:8.1Q1
DOI:10.1016/j.ajhg.2024.10.011
PMID:39561772
|
研究论文 | 针对临床变异效应预测模型的信任度问题，提出核心原则与建议以提升模型在临床中的可靠性和影响力 | 针对ClinGen工作组提出的验证策略存在的局限性，首次提出克服这些局限的核心原则与建议，为未来更可靠和更具影响力的变异效应预测模型使用奠定基础 | 未提及具体定量评估结果或大规模验证，提出的原则和推荐尚未经过实际临床数据测试 | 提升机器学习变异效应预测模型在临床中的可信赖度和实用性 | 蛋白质编码基因中错义替换效应预测的机器学习模型 | 机器学习 | 遗传性疾病 | 深度学习 | 机器学习模型（未指定具体类型） | 序列数据 | NA | NA | NA | 模型性能、适用范围、鲁棒性 | NA |
| 168 | 2026-05-16 |
Large-scale deep learning identifies the antiviral potential of PKI-179 and MTI-31 against coronaviruses
2024-11, Antiviral research
IF:4.5Q1
DOI:10.1016/j.antiviral.2024.106012
PMID:39332537
|
研究论文 | 结合机器学习与体外验证，发现PKI-179和MTI-31对冠状病毒具有抗病毒潜力 | 利用多种技术克服SARS-CoV-2数据不足，实现深度神经网络的端到端训练，并通过体外测试验证两种PI3K-mTOR抑制剂对多种冠状病毒具有广谱抗病毒活性 | 未提及 | 通过机器学习加速发现潜在抗病毒化合物，提高药物研发效率 | PKI-179和MTI-31化合物，SARS-CoV-2及其变异株，其他冠状病毒 | 机器学习 | 冠状病毒病(COVID-19) | NA | 深度神经网络 | 生物医学测定数据 | 未明确样本数量，使用了多种生物医学测定数据补充 | NA | NA | NA | NA |
| 169 | 2026-05-16 |
Validation of an Artificial Intelligence-Based Prediction Model Using 5 External PET/CT Datasets of Diffuse Large B-Cell Lymphoma
2024-11-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.268191
PMID:39362767
|
研究论文 | 在5个独立临床试验中验证基于人工智能的深度学习模型对弥漫性大B细胞淋巴瘤的预后预测性能 | 在5个独立外部数据集上验证深度学习模型，无需肿瘤勾画即可预测治疗结果，且性能优于国际预后指数（IPI） | 该模型在预后性能上低于基于影像组学的模型（如PET模型） | 验证深度学习模型在弥漫性大B细胞淋巴瘤患者治疗结局预测中的有效性 | 弥漫性大B细胞淋巴瘤患者 | 机器学习 | 弥漫性大B细胞淋巴瘤 | PET/CT | 深度学习模型 | 图像（PET/CT最大强度投影） | 1,132例患者（296例训练，836例外部验证） | NA | NA | AUC, Kaplan-Meier曲线 | NA |
| 170 | 2026-05-16 |
A pathology foundation model for cancer diagnosis and prognosis prediction
2024-10, Nature
IF:50.5Q1
DOI:10.1038/s41586-024-07894-z
PMID:39232164
|
研究论文 | 提出了一种通用的弱监督机器学习框架CHIEF，用于提取病理成像特征以实现系统的癌症评估 | 利用两种互补的预训练方法（无监督预训练和弱监督预训练）来提取多样化的病理表征，并在大规模多部位全切片图像上验证了其优越的泛化能力 | 未提及具体局限性 | 开发一种能够泛化到不同数字化协议和不同人群样本的通用病理学基础模型，用于癌症诊断和预后预测 | 19个解剖部位的60,530张全切片图像和国际上24家医院及队列的32个独立切片集共19,491张全切片图像 | 数字病理学 | 癌症 | NA | 弱监督机器学习 | 病理全切片图像 | 60,530张全切片图像用于开发，19,491张全切片图像用于验证 | PyTorch | NA | 准确率、AUC | 44TB高分辨率病理成像数据集 |
| 171 | 2026-05-16 |
Improving 18F-FDG PET Quantification Through a Spatial Normalization Method
2024-10-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.123.267360
PMID:39209545
|
研究论文 | 提出一种无需MRI的基于迁移学习的深度神经网络方法，实现18F-FDG PET图像的自动空间标准化，提升定量准确性 | 通过迁移学习将预训练的淀粉样蛋白PET模型适配到FDG PET空间标准化任务，仅需103张FDG PET/MR图像即可训练，无需配准的3D MRI，在外部数据集上表现优异 | 外部数据集与内部数据集人种分布不同且PET扫描仪及重建算法各异，可能影响泛化性，但文中未明确讨论其他潜在局限性 | 改进FDG PET图像定量分析，避免对个体3D MRI的依赖 | 18F-FDG PET脑图像，内部测试集65例和外部测试集78例 | 计算机视觉 | 脑肿瘤、癫痫、痴呆、帕金森病 | 18F-FDG PET成像 | 深度神经网络 | 图像 | 103张FDG PET/MR图像用于训练，65例内部测试集和78例外部测试集 | PyTorch（根据迁移学习常见实现推断） | 预训练深度神经网络（具体架构未说明） | 归一化互信息、SUV比值相关系数、组内相关系数 | NA |
| 172 | 2026-05-16 |
Detectability of Hypoattenuating Liver Lesions with Deep Learning CT Reconstruction: A Phantom and Patient Study
2024-10, Radiology
IF:12.1Q1
DOI:10.1148/radiol.232749
PMID:39377679
|
研究论文 | 通过体模和患者研究，评估深度学习CT重建对低衰减肝病变的可检测性 | 首次客观评估DLIR与ASIR-V在低对比度病变可检测性方面的差异，结合患者和体模研究 | 单中心回顾性研究，样本量有限，且病变类型可能不全面 | 比较深度学习CT重建（DLIR）与自适应统计迭代重建（ASIR-V）对低衰减肝病变的可检测性 | 低对比度肝病变（体模和患者） | 计算机视觉 | 肝病 | CT深度学习重建 | 深度学习模型 | CT图像 | 50例患者（86个肝病变，平均尺寸15mm ± 9.5）和体模 | NA | NA | 图像质量、诊断置信度、显著性、小病变可见性、对比度噪声比 | NA |
| 173 | 2026-05-16 |
Prediction of Ischemic Stroke Functional Outcomes from Acute-Phase Noncontrast CT and Clinical Information
2024-10, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240137
PMID:39404632
|
研究论文 | 利用急性期非增强CT和临床信息，通过深度学习模型预测缺血性卒中患者90天功能预后 | 首次提出融合非增强CT影像与临床信息（如年龄、性别、NIHSS评分等）的深度学习模型，无需人工后处理，直接预测改良Rankin量表评分 | 未提及具体限制，但可能包括回顾性设计、样本量有限、外部验证不足等 | 开发融合急性期非增强CT和临床信息的深度学习模型，以预测90天功能预后 | 缺血性卒中患者 | 医学影像分析, 机器学习 | 缺血性卒中 | 非增强CT | 深度学习模型 | 非增强CT影像, 临床数据（年龄、性别、NIHSS评分、高血压史等） | 1335名患者（中位年龄71岁，674名女性） | NA | NA | 平均绝对误差, 受试者工作特征曲线下面积 | NA |
| 174 | 2026-05-16 |
Evaluating the Performance and Bias of Natural Language Processing Tools in Labeling Chest Radiograph Reports
2024-10, Radiology
IF:12.1Q1
DOI:10.1148/radiol.232746
PMID:39436298
|
research paper | 评估四种自然语言处理工具在标注胸部X光报告中的准确性和人口统计学偏差 | 首次系统评估了四种NLP工具在不同人口统计亚组（年龄、性别、种族）中的偏差表现，揭示了老年患者群体中更高的错误率 | 研究仅限于两个公开数据集，可能无法推广到其他医疗环境或非英语报告 | 评估四种胸部X光报告标注NLP工具的准确性和人口统计学偏差 | 两个胸部X光数据集（MIMIC和IU）中的胸部疾病标签标注 | natural language processing | NA | NLP | CheXpert (规则型), RadReportAnnotator (深度学习型), GPT-4 (深度学习型), cTAKES (混合型) | 文本 | MIMIC数据集692名患者，IU数据集3665名患者 | NA | BN | 准确率, 错误率 | NA |
| 175 | 2026-05-16 |
INSPIRE: interpretable, flexible and spatially-aware integration of multiple spatial transcriptomics datasets from diverse sources
2024-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.23.614539
PMID:39386646
|
research paper | 提出INSPIRE，一种用于整合分析多个空间转录组数据集的深度学习方法 | 结合图神经网络、对抗学习机制和非负矩阵分解，实现了空间感知、可解释且灵活的多源空间转录组数据整合 | NA | 开发一种能够有效整合和解析来自不同样本、技术和发育阶段的空间转录组数据的方法 | 人类皮层切片、小鼠脑切片、小鼠海马体和胚胎切片，以及包含50万个空间点的时空器官发生图谱 | machine learning | NA | 空间转录组学 | 图神经网络 | 空间转录组数据 | 包含50万个空间点的时空器官发生图谱等多个数据集 | NA | 图神经网络、非负矩阵分解 | NA | NA |
| 176 | 2026-05-16 |
Unrealistic Data Augmentation Improves the Robustness of Deep Learning-Based Classification of Dopamine Transporter SPECT Against Variability Between Sites and Between Cameras
2024-09-03, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.267570
PMID:39054285
|
研究论文 | 提出强烈非真实数据增强方法，提升深度学习在多巴胺转运体SPECT图像分类中对站点和相机差异的鲁棒性 | 首次提出基于高斯模糊和加性噪声的强烈非真实数据增强策略，显著优于传统增强方法和无增强方案 | 仅针对多巴胺转运体SPECT图像，需验证在其他核医学成像任务中的迁移性 | 提高卷积神经网络在临床实际数据中的泛化能力，减少站点和相机差异对分类性能的影响 | 多巴胺转运体SPECT图像（I-标记的FP-CIT） | 计算机视觉 | 神经退行性疾病 | SPECT成像 | CNN | 图像 | 训练集1100张图像，两个独立测试集分别为645张和640张图像 | PyTorch | nnU-Net（用于对比增强方法） | 准确率, 95%置信区间 | NA |
| 177 | 2026-05-16 |
GANSamples-ac4C: Enhancing ac4C site prediction via generative adversarial networks and transfer learning
2024-06, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115495
PMID:38431142
|
研究论文 | 提出GANSamples-ac4C框架，融合生成对抗网络与迁移学习合成RNA序列，提升ac4C修饰位点预测准确性 | 首次将生成对抗网络与迁移学习结合生成合成RNA序列以缓解数据稀缺问题，同时具备可解释的决策逻辑，识别出ac4C序列关键区域及相关基序 | 已知ac4C修饰位点有限可能影响模型训练稳定性，合成数据在真实生物场景中的泛化能力有待进一步验证 | 开发一种高效准确的ac4C修饰位点计算预测方法，并解决数据稀缺问题 | RNA序列上的N4-乙酰胞苷修饰位点 | 机器学习 | NA | RNA-seq测序数据 | 生成对抗网络、迁移学习 | 序列数据 | 使用已知的ac4C修饰位点数据及生成的合成RNA序列 | TensorFlow, PyTorch | 生成对抗网络 (含生成器和判别器), 预训练模型 | AUC, 准确率, 召回率, F1-score | NA |
| 178 | 2026-05-16 |
4 mC site recognition algorithm based on pruned pre-trained DNABert-Pruning model and fused artificial feature encoding
2024-06, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115492
PMID:38458307
|
研究论文 | 提出基于剪枝预训练DNABert-Pruning模型与人工特征编码融合的4mC位点识别算法DNABert-4mC | 将预训练模型剪枝压缩后与人工特征编码模块融合，并引入AFF-4mC融合策略提升多语义空间特征表示能力 | 未提及 | 提高4mC位点识别的准确性和特征表示能力 | DNA序列中的4mC位点 | 机器学习 | NA | DNA测序 | DNABert-Pruning（预训练剪枝模型） | DNA序列数据 | 六个独立测试集 | NA | DNABert-Pruning | AUC | NA |
| 179 | 2026-05-16 |
Vascularized organoid-on-a-chip: design, imaging, and analysis
2024-05, Angiogenesis
IF:9.2Q1
DOI:10.1007/s10456-024-09905-z
PMID:38409567
|
综述 | 本文综述了血管化类器官芯片的设计、成像与分析技术，涵盖芯片设计、培养策略、光学成像、组织透明化方法及深度学习在血管分析中的应用 | 系统整合了血管化类器官芯片的设计、成像与分析方法，特别强调了组织透明化技术与深度学习在克服成像深度限制和提高分析效率方面的创新应用 | 现有血管化类器官芯片在血管网络成熟度、长期稳定性及高通量分析方面仍存在挑战，且深度学习方法的泛化能力有待验证 | 总结血管化类器官芯片的设计、成像与分析技术现状，并展望未来发展方向 | 血管化类器官芯片模型及其血管网络分析技术 | 数字病理学 | NA | NA | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 180 | 2026-05-16 |
A systematic review on automatic identification of insomnia
2024-Mar-05, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ad2059
PMID:38237198
|
综述 | 关于自动识别失眠症的系统综述，评估了2015至2023年间基于机器学习和深度学习的方法 | 首次系统分类和比较了15种用于自动失眠检测的不同算法，揭示了当前研究中的显著空白和未来发展方向 | 当前方法在准确性和可靠性方面仍有改进空间，且可能受限于不同数据集和生理信号的质量 | 对自动识别失眠症系统的主要特征进行分类、比较和评估 | 睡眠脑电信号及其他生理信号 | 机器学习 | 失眠症 | NA | 机器学习模型和深度学习模型 | 生理信号 | 超过30篇相关出版物 | NA | NA | 准确性、可靠性等指标 | NA |