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 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2025-05-03 |
Predicting systemic diseases in fundus images: systematic review of setting, reporting, bias, and models' clinical availability in deep learning studies
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02914-0
PMID:38238576
|
系统综述 | 本文系统综述了使用深度学习技术分析眼底图像预测系统性疾病的文献，评估了研究质量并提出了临床转化建议 | 首次对深度学习在眼底图像预测系统性疾病领域的文献进行全面系统评价，并采用TRIPOD和PROBAST标准评估报告透明度和偏倚风险 | 仅纳入31篇文献，大多数研究存在高偏倚风险，临床可用性数据不足 | 评估深度学习在眼底图像预测系统性疾病中的应用现状和研究质量 | 使用深度学习和眼底图像预测系统性参数的文献 | 数字病理学 | 糖尿病及相关疾病、心血管疾病等 | 深度学习 | NA | 眼底图像 | 31篇研究文献（涉及4969篇初步筛选文献） | NA | NA | NA | NA |
| 82 | 2025-05-03 |
AI-guided histopathology predicts brain metastasis in lung cancer patients
2024-05, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.6263
PMID:38433721
|
研究论文 | 使用深度学习技术分析常规H&E染色组织切片，预测非小细胞肺癌患者脑转移风险 | 首次将深度学习应用于常规H&E染色切片预测脑转移风险，准确率显著高于病理专家 | 样本量相对较小（158例），需要更大规模验证 | 开发AI模型预测非小细胞肺癌患者的脑转移风险 | I-III期非小细胞肺癌患者的H&E染色组织切片 | 数字病理学 | 肺癌 | 深度学习 | DL算法 | 病理图像 | 158例I-III期NSCLC患者（65例发生脑转移，93例未进展） | NA | NA | NA | NA |
| 83 | 2025-05-03 |
Explainable AI-based Deep-SHAP for mapping the multivariate relationships between regional neuroimaging biomarkers and cognition
2024-May, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111403
PMID:38452732
|
research paper | 该研究开发了一种名为Deep-SHAP的可解释AI方法，用于探索轻度认知障碍(MCI)/阿尔茨海默病(AD)患者区域神经影像生物标志物与认知功能之间的多变量关系 | 结合深度学习和SHAP方法，首次提出Deep-SHAP方法来揭示MCI/AD中区域脑部特征与认知功能之间的复杂多变量关系 | 研究仅针对MCI/AD患者，结果可能不适用于其他神经退行性疾病 | 探索MCI/AD患者区域脑成像指标与认知功能之间的多变量关系 | MCI/AD患者 | digital pathology | geriatric disease | MRI, PET | 深度学习神经网络 | 神经影像数据 | MCI/AD患者的实验数据 | NA | NA | NA | NA |
| 84 | 2024-08-07 |
Deep learning in ophthalmic and orbital ultrasound for spaceflight associated neuro-ocular syndrome (SANS)
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02877-2
PMID:38135772
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 85 | 2024-08-07 |
Response to 'Deep learning in ophthalmic ultrasound to enable further insights in Spaceflight Associated Neuro-Ocular Syndrome (SANS)'
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02878-1
PMID:38135773
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 86 | 2025-05-03 |
Evaluation of a Cascaded Deep Learning-based Algorithm for Prostate Lesion Detection at Biparametric MRI
2024-05, Radiology
IF:12.1Q1
DOI:10.1148/radiol.230750
PMID:38713024
|
研究论文 | 评估一种基于级联深度学习的算法在双参数MRI中检测前列腺病变的性能，并与放射科医生的读取和活检结果进行比较 | 开发了一种用于双参数MRI的前列腺病变检测和分割的AI算法，其性能与经验丰富的放射科医生相当 | 算法在病变级别的检测灵敏度为55%，阳性预测值为57%，且每个参与者的平均假阳性病变数为0.61 | 评估AI算法在双参数MRI中检测前列腺病变的性能 | 疑似或已知前列腺癌的患者 | 数字病理学 | 前列腺癌 | 双参数MRI | 级联深度学习算法 | MRI图像 | 658名男性参与者，共1029个MRI可见病变 | NA | NA | NA | NA |
| 87 | 2025-10-07 |
NRG Oncology Assessment of Artificial Intelligence Deep Learning-Based Auto-segmentation for Radiation Therapy: Current Developments, Clinical Considerations, and Future Directions
2024-May-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2023.10.033
PMID:37972715
|
综述 | 本文评估人工智能深度学习在放射治疗自动分割中的临床应用现状、挑战与未来发展方向 | 首次系统评估商业AI自动分割工具在多样化临床环境中的应用潜力与局限性 | 商业AI模型在非受控临床环境中的适用性存在挑战，缺乏标准化评估框架 | 评估AI自动分割工具在放射治疗中的临床应用价值与发展方向 | 商业AI自动分割工具及其在放射治疗规划中的应用 | 数字病理 | 肿瘤疾病 | 深度学习神经网络 | DLNN | 医学影像 | NA | NA | NA | 分割准确性，轮廓符合度 | 集成治疗计划系统 |
| 88 | 2025-05-03 |
Image factory: A method for synthesizing novel CT images with anatomical guidance
2024-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16864
PMID:38043097
|
research paper | 提出了一种名为Image factory的方法，用于在解剖学指导下合成新的CT图像，以解决医学影像领域标记数据不足的问题 | 通过结合StyleGAN、U-Net和CycleGAN/P2P架构，能够从少量标记数据生成大量高质量的标记CT图像，并合成具有新解剖结构的图像 | 需要依赖初始的小规模标记数据集和大量非标记数据，且生成图像的解剖合理性可能存在轻微下降 | 解决医学影像领域深度学习训练数据不足的问题 | CT图像 | digital pathology | lung cancer | StyleGAN, U-Net, CycleGAN/P2P | GAN, CNN | image | 30例标记的肺部CT数据（来自TCIA）和14k例未标记的高分辨率CT数据（来自NIH） | NA | NA | NA | NA |
| 89 | 2025-05-03 |
RAPHIA: A deep learning pipeline for the registration of MRI and whole-mount histopathology images of the prostate
2024-05, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.108318
PMID:38522253
|
research paper | 介绍了一种名为RAPHIA的深度学习流程，用于高效准确地对前列腺MRI和全切片组织病理学图像进行配准 | RAPHIA自动化了现有方法中多个耗时的手动步骤，包括前列腺分割、组织病理学图像旋转角度和水平翻转的估计，以及MRI-组织病理学切片对应关系的估计，并通过深度学习配准网络大幅减少计算时间 | 未明确提及具体限制，但可能依赖于深度学习模型的性能和训练数据的质量 | 开发一种高效准确的MRI和组织病理学图像配准流程，以促进前列腺癌早期检测的机器学习方法的发展 | 前列腺MRI和全切片组织病理学图像 | digital pathology | prostate cancer | deep learning registration networks | NA | image | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 90 | 2025-05-03 |
TractGeoNet: A geometric deep learning framework for pointwise analysis of tract microstructure to predict language assessment performance
2024-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103120
PMID:38458095
|
研究论文 | 提出了一种基于几何深度学习的框架TractGeoNet，用于利用扩散磁共振成像(dMRI)纤维束成像和相关的点状组织微结构测量进行回归分析 | 采用点云表示法直接利用纤维束内所有点的组织微结构和位置信息，无需沿流线平均或分箱数据；提出了一种新的损失函数Paired-Siamese Regression loss，以提高回归性能；提出了Critical Region Localization算法，用于识别白质纤维束中对预测结果贡献最大的解剖区域 | 研究仅基于806名受试者的20个关联白质纤维束数据集，样本量和区域范围可能有限 | 通过几何深度学习增强对大脑白质纤维束的研究，并将其结构与人类语言表现等特征联系起来 | 人脑白质纤维束及其与语言表现的关系 | 机器学习 | NA | 扩散磁共振成像(dMRI)纤维束成像 | 几何深度学习 | 图像 | 806名受试者的20个关联白质纤维束 | NA | NA | NA | NA |
| 91 | 2025-10-07 |
Semiautomatic Assessment of Facet Tropism From Lumbar Spine MRI Using Deep Learning: A Northern Finland Birth Cohort Study
2024-May-01, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000004909
PMID:38105615
|
研究论文 | 本研究开发了一种基于深度学习的半自动框架，用于从腰椎MRI测量小关节角度并研究小关节取向异常 | 首次在大型芬兰出生队列中应用深度学习自动测量小关节角度并分析小关节取向异常 | 研究为回顾性横断面设计，模型仅在430名参与者的MRI图像上训练 | 开发半自动测量小关节角度的深度学习框架并研究人群中小关节取向异常的患病率 | NFBC1966芬兰出生队列中的1288名参与者的腰椎MRI图像 | 数字病理 | 脊柱疾病 | T2加权轴向磁共振成像 | 深度学习模型 | 医学影像 | 训练集430人，总队列1288人，评估集60人 | NA | NA | Dice分数, 交并比 | NA |
| 92 | 2025-10-07 |
Development and external validation of deep learning clinical prediction models using variable-length time series data
2024-May-20, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocae088
PMID:38679906
|
研究论文 | 开发并外部验证用于变长时间序列临床预测的深度学习模型 | 比较了多种深度学习架构和数据转换方法在变长时间序列数据上的表现，并通过外部验证确认LSTM/GRU架构与PLE-DT数据转换的组合在临床预测任务中表现最佳 | 研究为回顾性研究，仅使用两个医疗中心的数据进行训练和测试 | 比较和外部验证深度学习模型在变长时间序列临床预测任务中的性能 | 医院住院患者数据 | 机器学习 | 临床恶化、急性肾损伤、疑似感染 | NA | LSTM, GRU, 时序卷积网络, CNN | 变长时间序列数据 | 训练集373,825例住院，测试集256,128例住院 | NA | LSTM/GRU, 时序卷积网络, TDW-CNN | AUPRC, AUROC | NA |
| 93 | 2025-10-07 |
Machine learning and deep learning for the diagnosis and treatment of ankylosing spondylitis- a scoping review
2024-May, Journal of clinical orthopaedics and trauma
DOI:10.1016/j.jcot.2024.102421
PMID:38708092
|
综述 | 本文通过范围综述探讨机器学习和深度学习在强直性脊柱炎诊断与治疗中的应用现状 | 首次系统梳理2013-2023年间ML/DL在AS领域的应用，识别当前研究空白并提出未来方向 | 缺乏来自多中心包含多种诊断参数的足够规模数据集，基于ML/DL的治疗研究少于诊断研究 | 评估ML/DL技术在强直性脊柱炎诊断和治疗各阶段的应用现状 | PubMed数据库中2013-2023年涉及ML/DL在AS中应用的全文文献 | 机器学习 | 强直性脊柱炎 | 文献综述方法 | NA | 文献数据 | NA | NA | NA | NA | NA |
| 94 | 2025-04-25 |
MulTFBS: A Spatial-Temporal Network with Multichannels for Predicting Transcription Factor Binding Sites
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c02088
PMID:38733561
|
research paper | 提出了一种名为MulTFBS的多通道深度学习框架，用于预测转录因子结合位点（TFBSs） | 整合了DNA序列的不同类型特征，包括独立的一热编码、词嵌入编码（可结合上下文信息并提取序列的全局特征）和双螺旋三维结构特征，通过空间-时间网络结合CNN和双向LSTM及注意力机制有效提取序列高层信息 | 未明确提及 | 揭示影响转录因子结合特异性的机制，理解基因调控 | 转录因子结合位点（TFBSs） | natural language processing | NA | 深度学习 | CNN, bidirectional LSTM, attention mechanism | DNA序列 | 66个不同转录因子的通用蛋白结合微阵列数据集 | NA | NA | NA | NA |
| 95 | 2025-04-25 |
MolLoG: A Molecular Level Interpretability Model Bridging Local to Global for Predicting Drug Target Interactions
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00171
PMID:38709146
|
research paper | 提出了一种名为MolLoG的深度学习网络结构，用于预测药物与靶标之间的相互作用，并提供分子层面的解释 | MolLoG通过局部特征编码器（LFE）和全局交互学习（GIL）模块，平衡了局部特征提取与全局交互表示，提供了对黑盒结果的生物学相关解释 | 未提及具体的数据集规模或实验环境限制 | 提高药物与靶标相互作用预测的准确性和可解释性 | 药物与蛋白质分子 | machine learning | NA | 深度学习（DL） | 图卷积网络（GCN）、多层感知机（MLP） | 分子结构数据 | 四个数据集 | NA | NA | NA | NA |
| 96 | 2025-04-25 |
CNSMolGen: A Bidirectional Recurrent Neural Network-Based Generative Model for De Novo Central Nervous System Drug Design
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00504
PMID:38739718
|
研究论文 | 本文介绍了一种基于双向循环神经网络(Bi-RNN)的生成模型CNSMolGen，用于中枢神经系统(CNS)药物的从头设计 | 开发了首个专门针对CNS药物设计的Bi-RNN生成模型，能够生成90%以上全新且可合成的CNS药物分子结构 | 未提及模型在更大规模或更复杂CNS靶点上的泛化能力验证 | 加速中枢神经系统药物的发现与优化 | 中枢神经系统药物分子 | 机器学习 | 神经退行性疾病/精神疾病 | 深度学习生成模型 | Bi-RNN | 分子结构数据 | 未明确说明样本量（使用SERT靶点药物作为微调数据集） | NA | NA | NA | NA |
| 97 | 2025-04-25 |
Predicting Antimicrobial Peptides Using ESMFold-Predicted Structures and ESM-2-Based Amino Acid Features with Graph Deep Learning
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c02061
PMID:38739853
|
研究论文 | 提出了一种基于ESMFold预测结构和ESM-2氨基酸特征的图深度学习框架，用于预测抗菌肽 | 结合了最新的三级结构预测技术和进化信息编码方法，避免了多重序列对齐的内存和时间消耗 | 依赖于预测的肽结构，可能受到预测准确性的影响 | 开发一种无需对齐的模型，用于高效预测抗菌肽 | 抗菌肽（AMPs） | 机器学习 | 抗菌耐药性 | ESMFold结构预测，ESM-2进化模型，图注意力网络（GAT） | GAT | 氨基酸序列和预测的3D结构 | 67,058种肽 | NA | NA | NA | NA |
| 98 | 2025-04-25 |
Prediction of Transcription Factor Binding Sites on Cell-Free DNA Based on Deep Learning
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00047
PMID:38798191
|
研究论文 | 本研究提出了一种基于深度学习的非侵入性方法，用于预测细胞游离DNA上的转录因子结合位点 | 利用卷积神经网络和长短期记忆网络从已知的转录因子结合位点学习序列信息，实现了非侵入性预测 | 研究中未提及样本的具体数量或多样性，可能影响模型的泛化能力 | 探索基因调控机制，为非侵入性动态监测疾病提供技术指导 | 细胞游离DNA上的转录因子结合位点 | 机器学习 | 癌症 | 深度学习 | CNN, LSTM | DNA序列数据 | NA | NA | NA | NA | NA |
| 99 | 2025-04-24 |
Deciphering the Coevolutionary Dynamics of L2 β-Lactamases via Deep Learning
2024-05-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00189
PMID:38687957
|
research paper | 该研究利用深度学习方法探索L2 β-内酰胺酶的共进化动力学及其在抗菌素耐药性中的作用 | 结合自适应采样分子动力学模拟和深度学习方法（卷积变分自编码器和BindSiteS-CNN）研究L2 β-内酰胺酶的构象变化和相关性 | 研究仅关注了L2 β-内酰胺酶家族及部分代表性的A类酶，未涵盖所有相关酶类 | 理解L2 β-内酰胺酶的共进化动力学及其在抗菌素耐药性中的功能机制 | L2 β-内酰胺酶家族及其他代表性A类酶（如SME-1和KPC-2） | machine learning | NA | 自适应采样分子动力学模拟，深度学习方法 | 卷积变分自编码器，BindSiteS-CNN | 分子动力学模拟数据 | NA | NA | NA | NA | NA |
| 100 | 2025-10-07 |
DEBFold: Computational Identification of RNA Secondary Structures for Sequences across Structural Families Using Deep Learning
2024-05-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00458
PMID:38648189
|
研究论文 | 开发了一种基于深度学习的RNA二级结构预测工具DEBFold，能够跨结构家族识别RNA序列的二级结构 | 采用两阶段RNA结构预测策略，结合卷积编码/解码和自注意力机制，增强现有热力学结构模型，具有优越的跨家族泛化性能 | 未在摘要中明确提及具体限制 | 开发能够跨不同结构家族预测RNA二级结构的计算工具 | RNA序列及其二级结构 | 机器学习 | NA | 深度学习 | CNN, 自注意力机制 | RNA序列数据 | NA | NA | 卷积编码/解码器, 自注意力机制 | 结构预测性能 | NA |