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 915 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-04-14 |
A Survey of Deep Learning Methods for Estimating the Accuracy of Protein Quaternary Structure Models
2024-05-13, Biomolecules
IF:4.8Q1
DOI:10.3390/biom14050574
PMID:38785981
|
综述 | 本文综述了近年来用于评估蛋白质复合物四级结构模型准确性的深度学习方法 | 首次对蛋白质复合物结构模型准确性评估的深度学习方法进行了全面综述，填补了该领域缺乏系统性概述的空白 | 作为综述文章，不涉及原始实验或模型开发，主要基于现有文献进行分析 | 为蛋白质复合物结构模型准确性评估领域提供方法学综述和发展展望 | 蛋白质复合物的四级结构模型 | 计算生物学 | NA | 深度学习 | NA | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 2 | 2024-08-07 |
In the right direction: A deep learning tool for assessment of right ventricular function
2024-05, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.15831
PMID:38757551
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3 | 2026-04-04 |
Opportunities for Improving Glaucoma Clinical Trials via Deep Learning-Based Identification of Patients with Low Visual Field Variability
2024 May-Jun, Ophthalmology. Glaucoma
DOI:10.1016/j.ogla.2024.01.005
PMID:38296108
|
研究论文 | 本研究开发并评估了一种深度学习模型，用于预测未来视野变异性低的青光眼患者，并探讨了该模型在神经保护试验中减少样本量需求的影响 | 首次利用深度学习模型基于单次基线临床数据预测青光眼患者的未来视野变异性，从而优化临床试验设计 | 研究为回顾性队列和模拟研究，未进行前瞻性验证；样本量有限且仅基于特定数据集 | 通过深度学习模型识别低视野变异性患者，以降低青光眼神经保护临床试验的样本量需求 | 青光眼患者，每名患者选取一只眼，包含基线可靠视野、OCT及临床测量数据 | 数字病理学 | 青光眼 | 深度学习，视野检查，OCT成像 | 深度学习模型 | 图像，临床测量数据 | 2817只眼 | NA | NA | AUC | NA |
| 4 | 2026-04-04 |
Causal-StoNet: Causal Inference for High-Dimensional Complex Data
2024-May, ... International Conference on Learning Representations
PMID:41725678
|
研究论文 | 本文提出了一种名为Causal-StoNet的新方法，用于处理高维复杂数据的因果推断问题 | 结合稀疏深度学习理论和随机神经网络，以统一方式处理高维性和未知数据生成过程，并支持缺失值 | 未在摘要中明确说明 | 解决高维复杂数据中的因果推断问题 | 高维复杂数据集，可能包含缺失值 | 机器学习 | NA | 深度学习技术，包括稀疏深度学习和随机神经网络 | 随机神经网络 | 高维复杂数据 | 未在摘要中明确说明 | 未在摘要中明确说明 | 未在摘要中明确说明 | 未在摘要中明确说明 | 未在摘要中明确说明 |
| 5 | 2026-04-02 |
Genetic and Clinical Correlates of AI-Based Brain Aging Patterns in Cognitively Unimpaired Individuals
2024-May-01, JAMA psychiatry
IF:22.5Q1
DOI:10.1001/jamapsychiatry.2023.5599
PMID:38353984
|
研究论文 | 本研究利用深度学习半监督聚类方法，在认知未受损个体中识别出三种与遗传、心血管风险因素及未来认知下降相关的脑老化亚组 | 首次在认知未受损人群中，通过生成对抗网络驱动的数据驱动方法，识别出跨年龄一致的脑老化亚组，并系统关联其与遗传、生物医学指标及认知轨迹的关系 | 研究基于横断面与纵向数据，但因果推断有限；样本虽大但可能受选择偏差影响；未涵盖所有潜在神经病理过程 | 理解脑结构老化异质性，探索神经退行性疾病临床前阶段的生物标志物和风险分层 | 基线认知未受损的45-85岁个体，涉及超过50,000个数据时间点 | 医学影像分析 | 阿尔茨海默病 | 脑结构影像测量 | GAN, 深度学习聚类 | 脑结构影像数据 | 27,402名个体 | NA | 生成对抗网络 | 统计显著性（P值） | NA |
| 6 | 2026-04-01 |
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
2024-05-10, Journal of visualized experiments : JoVE
DOI:10.3791/64833
PMID:38801262
|
研究论文 | 本文报告了一种结合RPA、CRISPR/Cas12a系统、智能手机显微镜和深度学习模型的快速、便携、高灵敏度的DNA病毒即时检测系统 | 将RPA-CRISPR/Cas12a检测技术与智能手机显微镜(SPM)及深度学习辅助分类相结合，构建了一个完整的便携式即时检测系统，无需专业操作人员和大型仪器 | 仅以蛙病毒3(FV3)作为示例进行了测试，未展示对其他DNA病毒的广泛适用性 | 开发一种用于DNA病毒快速、高灵敏度检测的即时诊断系统 | DNA病毒（以蛙病毒3为例） | 机器学习 | 病毒感染 | 重组酶聚合酶扩增(RPA), CRISPR/Cas12a系统, 荧光检测 | 深度学习模型 | 荧光图像 | NA | NA | NA | 准确率, 检测限(LoD) | 智能手机（用于图像采集和处理） |
| 7 | 2026-03-30 |
Discrete latent embedding of single-cell chromatin accessibility sequencing data for uncovering cell heterogeneity
2024-05, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-024-00625-4
PMID:38730185
|
研究论文 | 本文提出了一种基于向量量化变分自编码器的深度生成模型CASTLE，用于从单细胞染色质可及性测序数据中提取离散潜在嵌入，以揭示细胞异质性 | CASTLE模型采用离散潜在嵌入，克服了传统变分自编码器中高斯假设与真实数据不符的局限性，并能有效整合大规模参考数据集信息 | 未明确说明模型在处理极稀疏数据或特定细胞类型时的具体限制 | 开发一种深度生成模型，以改善单细胞表观基因组数据的下游分析，特别是细胞类型识别和可视化 | 单细胞染色质可及性测序数据 | 机器学习 | NA | 单细胞染色质可及性测序 | 变分自编码器, 深度生成模型 | 表观基因组数据 | NA | NA | 向量量化变分自编码器 | 细胞类型识别准确性, 可视化合理性 | NA |
| 8 | 2026-03-30 |
Automated discovery of symbolic laws governing skill acquisition from naturally occurring data
2024-05, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-024-00629-0
PMID:38811819
|
研究论文 | 本文提出了一种两阶段算法，从大规模训练日志数据中自动发现技能习得的符号定律 | 开发了一种结合深度学习与符号回归的两阶段算法，以解决认知状态不可观测和搜索空间爆炸问题，并发现了两种新的技能习得定律形式 | 未明确说明算法在噪声范围外的泛化能力，且可能依赖于特定数据源（如Lumosity） | 从自然发生的大规模数据中挖掘技能学习的普遍定律 | 技能习得过程，特别是从训练日志数据中提取的认知状态与学习规律 | 机器学习 | NA | 深度学习，符号回归 | 深度学习模型，符号回归算法 | 训练日志数据 | 大规模Lumosity训练数据（具体数量未提供） | NA | NA | 拟合度 | NA |
| 9 | 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 |
| 10 | 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 |
| 11 | 2026-03-22 |
Deep Learning Resolves Myovascular Dynamics in the Failing Human Heart
2024-May, JACC. Basic to translational science
DOI:10.1016/j.jacbts.2024.02.007
PMID:38984052
|
研究论文 | 本文介绍了一种名为CardioCount的深度学习管道，用于精确量化人类心脏显微图像中的细胞核，并揭示了成年人类心脏中心肌细胞与内皮细胞的耦合生长关系 | 开发了CardioCount这一新的深度学习管道，首次大规模应用于368,434张人类显微图像，发现了成年人类心脏中心肌细胞与内皮细胞的耦合生长，以及终末期心力衰竭中血管稀疏与心肌肥大的相互关联 | 未明确说明模型在多样化数据集上的泛化能力或计算资源需求的具体限制 | 通过深度学习量化人类心脏显微图像中的细胞核，以研究心脏细胞动力学和心力衰竭的病理机制 | 人类心脏的显微图像，特别是心肌细胞和心脏内皮细胞 | 数字病理学 | 心血管疾病 | 显微镜成像 | 深度学习模型 | 图像 | 368,434张人类显微图像 | 未指定，但提及可通过GitHub和Google Colab访问 | 未指定具体架构 | 未明确说明 | Google Colab（面向机器学习经验有限的用户） |
| 12 | 2026-03-20 |
Uncertainty estimation and evaluation of deformation image registration based convolutional neural networks
2024-May-30, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad4c4f
PMID:38749468
|
研究论文 | 本文开发了一种基于卷积神经网络的多分辨率图像配准模型，用于快速预测可变形图像配准及其不确定性 | 提出了一种新的概率多分辨率图像配准模型，并引入基于Kullback-Leibler散度的新度量来评估预测的密集位移场分布质量 | 模型在超参数调优中存在不确定性可靠性与配准精度之间的权衡 | 开发并评估能够快速执行可变形图像配准并预测其不确定性的模型 | 治疗计划CT与随访锥形束CT之间的多模态图像配准 | 计算机视觉 | NA | 可变形图像配准 | CNN | 图像 | NA | NA | NA | Dice相似系数, KL散度 | NA |
| 13 | 2026-03-20 |
Circumventing drug resistance in gastric cancer: A spatial multi-omics exploration of chemo and immuno-therapeutic response dynamics
2024-05, Drug resistance updates : reviews and commentaries in antimicrobial and anticancer chemotherapy
IF:15.8Q1
DOI:10.1016/j.drup.2024.101080
PMID:38579635
|
研究论文 | 本研究通过空间多组学方法探索胃癌对化疗和免疫治疗的耐药性机制，并开发深度学习模型预测治疗反应 | 整合空间多组学数据与深度学习模型，揭示胃癌耐药性的细胞间通讯机制，并构建高精度预测模型 | 研究样本量有限，且模型验证需在更大队列中进行外部验证 | 阐明胃癌对化疗和免疫治疗耐药的细胞与分子机制，并开发预测模型 | 接受化疗和免疫治疗的胃癌患者术后组织样本 | 数字病理学 | 胃癌 | 多组学分析、mIHC（多重免疫组化）检测、空间转录组学 | SVM（支持向量机）、深度学习模型 | 空间多组学数据、图像数据 | 探索队列和验证队列的胃癌患者术后组织样本 | NA | NA | AUC（曲线下面积） | NA |
| 14 | 2026-03-06 |
Learning peptide properties with positive examples only
2024-May-15, Digital discovery
IF:6.2Q1
DOI:10.1039/d3dd00218g
PMID:38756224
|
研究论文 | 本文提出了一种仅使用阳性样本的深度学习方法来预测肽的性质 | 采用阳性-未标记学习策略，仅利用有限的已知阳性样本，克服了传统监督学习需要正负样本的局限 | 未明确说明模型在更广泛肽序列或性质上的泛化能力，且依赖已知阳性样本的质量和数量 | 开发仅需阳性样本的肽性质预测模型，解决负样本数据稀缺问题 | 肽序列及其性质（溶解度、溶血性、SHP-2结合能力、非污损活性） | 机器学习 | NA | 阳性-未标记学习 | 深度学习模型 | 序列数据 | NA | NA | NA | NA | NA |
| 15 | 2024-08-07 |
Deep learning-powered enzyme efficiency boosting with evolutionary information
2024-05-30, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.034
PMID:38531716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16 | 2026-03-03 |
Deep learning-assisted intelligent wearable precise cardiovascular monitoring system
2024-05-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.035
PMID:38538462
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17 | 2026-02-28 |
What's in a Prior? Learned Proximal Networks for Inverse Problems
2024-May, ... International Conference on Learning Representations
PMID:41743457
|
研究论文 | 本文提出了一种学习近端网络框架，用于解决逆问题中的正则化任务，并证明其能精确表示数据驱动的非凸正则化器的近端算子 | 开发了学习近端网络，首次证明其能作为数据驱动非凸正则化器的精确近端算子，并引入新的训练策略以恢复真实数据分布的对数先验 | 未明确说明模型在极端噪声或复杂数据分布下的泛化能力限制 | 为逆问题开发具有收敛保证的通用、无监督、表达性强的近端算子 | 逆问题中的正则化任务，特别是通过数据驱动方法学习先验信息 | 机器学习 | NA | 深度学习 | 深度神经网络 | 通用数据（未指定具体类型） | NA | NA | 学习近端网络 | 状态-of-the-art性能 | NA |
| 18 | 2026-02-27 |
InsectSound1000 An insect sound dataset for deep learning based acoustic insect recognition
2024-05-09, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03301-4
PMID:38724595
|
研究论文 | 本文介绍了InsectSound1000数据集，这是一个包含超过169,000个标记声音样本的昆虫声音数据集，用于基于深度学习的声学昆虫识别 | 创建了一个大规模、高质量的昆虫声音数据集，涵盖12种昆虫，声音范围从人类可听到到听不到，并采用四通道低噪声麦克风阵列在消声箱中录制，为数据密集型深度学习模型提供训练资源 | 数据集仅包含12种昆虫，可能无法覆盖所有相关物种，且录制环境为受控的消声箱，可能与野外实际声学条件存在差异 | 开发一个用于声学昆虫识别的深度学习数据集，以支持数字昆虫传感器和自动化害虫监测系统 | 12种昆虫的声音样本 | 机器学习 | NA | 声学录制，四通道低噪声测量麦克风阵列 | 深度学习模型 | 音频 | 超过169,000个标记声音样本，从超过1000小时的录制中提取 | NA | NA | NA | NA |
| 19 | 2026-02-27 |
Cryo2StructData: A Large Labeled Cryo-EM Density Map Dataset for AI-based Modeling of Protein Structures
2024-05-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03299-9
PMID:38710720
|
研究论文 | 本文介绍了Cryo2StructData，一个大型标记的冷冻电镜密度图数据集，用于基于AI的蛋白质结构建模 | 创建了比现有公开数据集更大的标记冷冻电镜密度图数据集，以解决AI方法训练数据不足的问题 | 未在摘要中明确提及 | 训练和测试AI方法从冷冻电镜密度图自动构建原子模型 | 冷冻电镜密度图及其对应的已知原子结构 | 结构生物学 | NA | 单粒子冷冻电子显微镜 | 深度学习 | 冷冻电镜密度图 | 7,600个预处理冷冻电镜密度图 | NA | NA | NA | NA |
| 20 | 2024-08-07 |
Corrigendum to: Development of a deep learning model for predicting critical events in a pediatric intensive care unit
2024-05, Acute and critical care
IF:1.7Q3
DOI:10.4266/acc.2023.01424.e1
PMID:38556908
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |