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 1133 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2025-04-13 |
Deep Learning-Based Classification of Histone-DNA Interactions Using Drying Droplet Patterns
2024-Nov, Small science
IF:11.1Q1
DOI:10.1002/smsc.202400252
PMID:40213456
|
研究论文 | 本研究利用深度学习神经网络对源自不同组蛋白-DNA混合物的干燥液滴沉积物的偏振光显微镜图像进行分类，以预测组蛋白-DNA结合亲和力 | 首次发现组蛋白-DNA相互作用可以通过染色模式进行分层，并应用深度学习实现高准确度的DNA分类和结合亲和力预测 | 对于训练集未包含的物种样本，预测准确度有所下降 | 开发可扩展且准确的蛋白质-DNA结合分类预测分析方法 | 组蛋白-DNA相互作用 | 数字病理学 | NA | 偏振光显微镜 | CNN | 图像 | 多种物种的DNA样本（具体数量未明确说明） | NA | NA | NA | NA |
| 202 | 2025-10-07 |
Sparse Annotation is Sufficient for Bootstrapping Dense Segmentation
2024-Nov-14, Research square
DOI:10.21203/rs.3.rs-5339143/v1
PMID:39606484
|
研究论文 | 提出一种基于深度学习的方法，通过稀疏2D标注快速生成密集3D分割，显著减少生物图像分割中的人工标注工作量 | 开发了从稀疏2D标注快速生成密集3D分割的新方法，将人工标注时间减少三个数量级，且可由非专家完成标注 | 未明确说明方法在其他生物组织或成像模式中的泛化能力 | 解决生物成像数据中密集3D重建的实例分割问题，降低训练数据生成的人工成本 | 大脑神经纤维网中的树突、轴突和胶质细胞过程 | 计算机视觉 | NA | 连续切片电子显微镜成像 | 深度学习模型 | 3D图像序列，2D标注 | NA | NA | NA | 准确度 | NA |
| 203 | 2025-04-10 |
Use of Artificial Intelligence in Imaging Dementia
2024-11-27, Cells
IF:5.1Q2
DOI:10.3390/cells13231965
PMID:39682713
|
research paper | 本文探讨了人工智能在痴呆症影像诊断中的应用及其潜力 | 利用图卷积网络框架为阿尔茨海默病及其前驱阶段提供多模态稀疏可解释性支持，并开发了基于卷积神经网络的方法进行外部验证 | 人工智能在临床实践中的应用面临技术、疾病相关和制度性挑战 | 改善痴呆症患者的诊断和预后 | 老年痴呆症患者，包括阿尔茨海默病、血管性痴呆、路易体痴呆等 | digital pathology | geriatric disease | machine learning, deep learning | CNN, GCN | image | NA | NA | NA | NA | NA |
| 204 | 2025-04-10 |
Integrated Biochemical and Computational Methods for Deciphering RNA-Processing Codes
2024 Nov-Dec, Wiley interdisciplinary reviews. RNA
DOI:10.1002/wrna.1875
PMID:39523464
|
review | 本文系统总结了用于解析五种重要RNA编码（包括可变剪接、可变多聚腺苷酸化、RNA定位、RNA修饰和RBP结合）的生化和计算方法 | 结合机器学习和深度学习模型，从DNA序列中学习RNA转化的规则或编码，并探讨了使用大型语言模型和广泛领域知识开发预测模型时遇到的挑战 | 未提及具体样本量或实验数据的具体限制 | 将大数据转化为生物学知识，预测RNA产物，解码分子机制，预测疾病变异对RNA加工事件的影响，并识别驱动突变 | RNA加工过程中的五种重要编码 | 自然语言处理 | NA | 高通量测序技术 | 机器学习和深度学习模型 | DNA序列数据 | NA | NA | NA | NA | NA |
| 205 | 2025-04-05 |
RiceSNP-ABST: a deep learning approach to identify abiotic stress-associated single nucleotide polymorphisms in rice
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae702
PMID:39757606
|
研究论文 | 提出了一种名为RiceSNP-ABST的深度学习模型，用于识别水稻中与非生物胁迫相关的单核苷酸多态性（SNPs） | 开发了一种新的负样本构建策略，提出了四种基于DNA序列片段的特征编码方法，并采用带有残差连接的卷积神经网络进行预测 | 高质量的水稻非生物胁迫相关数据稀缺，可能影响模型的泛化能力 | 开发预测模型以识别水稻中与非生物胁迫相关的SNPs，助力水稻抗性品种的培育 | 水稻中的单核苷酸多态性（SNPs） | 机器学习 | NA | 全基因组关联研究（GWAS） | CNN | DNA序列 | NA | NA | NA | NA | NA |
| 206 | 2025-04-05 |
GPS-pPLM: A Language Model for Prediction of Prokaryotic Phosphorylation Sites
2024-11-08, Cells
IF:5.1Q2
DOI:10.3390/cells13221854
PMID:39594603
|
research paper | 介绍了一个名为GPS-pPLM的在线服务器，用于预测原核生物中的磷酸化位点 | 结合了transformer和深度神经网络两种深度学习方法，整合了10种序列特征和上下文特征，构建了针对特定磷酸化残基类型和物种的预测模型 | NA | 预测原核生物中的磷酸化位点 | 原核生物中的磷酸化位点 | natural language processing | NA | transformer, deep neural network | transformer, DNN | protein sequences | 44,839个非冗余磷酸化位点，来自16,041个蛋白质和95种原核生物 | NA | NA | NA | NA |
| 207 | 2025-10-07 |
An All-in-One Array of Pressure Sensors and sEMG Electrodes for Scoliosis Monitoring
2024-11, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202404136
PMID:39115097
|
研究论文 | 开发了一种集成压力传感器和表面肌电电极的一体化阵列，用于脊柱侧弯监测 | 基于分层MXene/壳聚糖/PDMS/聚氨酯海绵和MXene/聚酰亚胺材料，开发了具有高灵敏度和稳定性的集成传感器阵列 | NA | 解决传统医学影像方法无法提供实时反馈的问题，提高脊柱侧弯治疗效率 | 脊柱侧弯患者 | 医疗传感器 | 脊柱侧弯 | 压力传感，表面肌电信号采集 | 深度学习 | 压力数据，肌电信号，运动数据 | NA | NA | NA | 灵敏度，线性检测范围，稳定性循环次数 | NA |
| 208 | 2025-04-04 |
Multicenter investigation of preoperative distinction between primary central nervous system lymphomas and glioblastomas through interpretable artificial intelligence models
2024-Nov, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-024-03451-7
PMID:39225815
|
research paper | 本研究通过可解释的人工智能模型，基于MRI图像对原发性中枢神经系统淋巴瘤（PCNSL）和胶质母细胞瘤（GBM）进行术前区分 | 结合了放射组学模型和深度学习模型，提出了最优的Max-Fusion模型，并利用SHAP和Grad-CAM进行可解释性分析 | 研究为回顾性分析，样本量相对有限（261例患者），且仅来自两个医疗中心 | 探索基于MRI的深度学习和放射组学模型在术前区分PCNSL和GBM中的有效性和适用性 | 261例PCNSL和GBM患者的MRI图像和临床数据 | digital pathology | brain tumor | MRI | MobileVIT, ConvNeXt, Max-Fusion Model | image | 261例患者（训练集153例，外部测试集108例） | NA | NA | NA | NA |
| 209 | 2025-04-03 |
Understanding the role of machine learning in predicting progression of osteoarthritis
2024-Nov-01, The bone & joint journal
|
系统综述 | 本文通过系统综述探讨了机器学习在预测骨关节炎进展中的作用 | 揭示了机器学习模型在预测骨关节炎进展中的可行性及当前临床应用的局限性 | 评估指标缺乏标准化，外部验证有限，临床适用性受限 | 探讨机器学习在预测骨关节炎进展中的应用及其潜力 | 骨关节炎（OA）患者 | 机器学习 | 骨关节炎 | 机器学习算法 | 深度学习，自动化机器学习 | 临床、放射学和生化数据 | 39项研究（初始筛选1,160项） | NA | NA | NA | NA |
| 210 | 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 | NA | NA | NA | NA |
| 211 | 2025-10-07 |
Assessing deep learning reconstruction for faster prostate MRI: visual vs. diagnostic performance metrics
2024-Nov, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10771-y
PMID:38724765
|
研究论文 | 评估深度学习重建在前列腺MRI加速扫描中的视觉质量与诊断性能差异 | 将诊断性AI纳入评估框架，提供临床相关指标来评估重建模型的诊断质量 | 回顾性研究，需要大型读者研究来全面评估诊断影响 | 评估深度学习MRI重建在加速前列腺扫描中的诊断质量 | 1535名患者的前列腺MRI数据和临床显著前列腺癌病变 | 医学影像分析 | 前列腺癌 | MRI, 深度学习重建 | 深度学习模型 | 医学影像 | 1535名患者 | NA | NA | pAUC, FROC, SSIM, Cohen's kappa | NA |
| 212 | 2025-03-28 |
Longitudinal ultrasound-based AI model predicts axillary lymph node response to neoadjuvant chemotherapy in breast cancer: a multicenter study
2024-Nov, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10786-5
PMID:38724768
|
研究论文 | 开发基于纵向乳腺超声和超声医师腋窝超声诊断的深度学习放射组学模型，用于预测乳腺癌新辅助化疗后腋窝淋巴结反应 | 结合纵向超声图像和深度学习特征，开发融合模型以预测腋窝淋巴结反应，性能优于传统超声医师诊断 | 研究局限于三个中心的数据，样本量可能不足以代表广泛人群 | 预测乳腺癌患者新辅助化疗后腋窝淋巴结的反应 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 超声成像，深度学习放射组学 | 随机森林，支持向量机 | 超声图像 | 2016年11月至2022年12月间三个中心招募的乳腺癌患者 | NA | NA | NA | NA |
| 213 | 2025-10-07 |
Artificial intelligence facial recognition of obstructive sleep apnea: a Bayesian meta-analysis
2024-Nov-30, Sleep & breathing = Schlaf & Atmung
DOI:10.1007/s11325-024-03173-3
PMID:39614959
|
荟萃分析 | 通过贝叶斯荟萃分析评估基于人工智能面部识别技术诊断阻塞性睡眠呼吸暂停的诊断准确性 | 首次使用贝叶斯方法对基于颅面照片的AI诊断OSA进行荟萃分析，并识别出深度学习算法具有最佳诊断性能 | 仅纳入6项研究，样本量相对有限（训练集1417人，测试集983人） | 评估基于颅面照片的人工智能算法在阻塞性睡眠呼吸暂停诊断中的准确性 | 成年阻塞性睡眠呼吸暂停患者（≥18岁） | 计算机视觉 | 阻塞性睡眠呼吸暂停 | 颅面摄影 | CNN,深度学习算法 | 面部图像 | 训练集1417名参与者，测试集983名参与者 | NA | 卷积神经网络 | 灵敏度,特异度,95%可信区间 | NA |
| 214 | 2025-10-07 |
Artificial intelligence-based model for the recurrence of hepatocellular carcinoma after liver transplantation
2024-11, Surgery
IF:3.2Q1
DOI:10.1016/j.surg.2024.07.039
PMID:39181726
|
研究论文 | 开发基于人工智能的深度学习模型预测肝细胞癌活体肝移植术后复发风险 | 首次将人工智能深度学习模型应用于肝细胞癌肝移植术后复发风险分层 | 单中心回顾性研究，样本量有限（n=192） | 改善肝细胞癌患者肝移植适应症选择 | 接受活体肝移植的肝细胞癌患者 | 数字病理 | 肝细胞癌 | 深度学习 | 深度学习模型 | 临床数据 | 192例患者 | NA | NA | AUC, 5年无复发生存率 | NA |
| 215 | 2025-10-07 |
Spatial Heterogeneity of PD-1/PD-L1 Defined Osteosarcoma Microenvironments at Single-Cell Spatial Resolution
2024-11, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2024.102143
PMID:39321925
|
研究论文 | 本研究通过深度学习与多重荧光免疫组化技术，在单细胞空间分辨率下分析骨肉瘤微环境中PD-1/PD-L1定义的细胞空间异质性 | 开发了新型TAM/破骨细胞分化算法，结合深度学习与多重荧光免疫组化首次在单细胞层面揭示PD-1/PD-L1定义骨肉瘤微环境的空间异质性 | 未明确说明样本数量和研究人群特征，缺乏多中心验证 | 探究骨肉瘤肿瘤微环境中细胞亚型的空间分布特征及其与免疫治疗的关系 | 骨肉瘤肿瘤微环境中的肿瘤相关巨噬细胞、T细胞、成骨细胞和破骨细胞 | 数字病理学 | 骨肉瘤 | 多重荧光免疫组化，深度学习数字图像分析 | 深度学习 | 病理图像 | NA | NA | NA | NA | NA |
| 216 | 2025-10-07 |
Assessing the Tumor Immune Landscape Across Multiple Spatial Scales to Differentiate Immunotherapy Response in Metastatic Non-Small Cell Lung Cancer
2024-11, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2024.102148
PMID:39389312
|
研究论文 | 通过多空间尺度分析肿瘤免疫微环境以区分转移性非小细胞肺癌患者对免疫治疗的响应差异 | 引入多种计算分析方法在多重荧光免疫组化数据集上量化肿瘤-免疫细胞相互作用，并定义肿瘤亚区域进行局部空间分析 | 样本量相对有限（52名患者），模型性能有待进一步提升 | 识别影响免疫治疗响应的肿瘤微环境关键特征 | 转移性非小细胞肺癌患者 | 数字病理学 | 肺癌 | 多重荧光免疫组化 | 深度学习 | 图像 | 52名患者的1,269张多重荧光免疫组化图像 | NA | 可解释深度学习模型 | AUC | NA |
| 217 | 2025-03-25 |
Assessment of Deep Learning-Based Triage Application for Acute Ischemic Stroke on Brain MRI in the ER
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.04.046
PMID:38908922
|
研究论文 | 评估基于深度学习的急性缺血性卒中在急诊室脑MRI上的分诊应用 | 开发并评估了一种深度学习应用（DLA），用于在急诊室环境下快速检测急性缺血性卒中（AIS），并研究了T2加权成像（T2WI）对其性能的影响 | 研究为回顾性分析，可能受到数据选择和采集时间的限制 | 评估深度学习应用在急诊室环境下检测急性缺血性卒中的效果 | 急诊室中接受脑MRI检查的患者 | 数字病理学 | 心血管疾病 | MRI（包括DWI和FLAIR序列） | 深度学习应用（DLA） | 医学影像（MRI） | 947名个体（平均年龄64±16岁，男性461名，女性486名），其中239名（25%）为急性缺血性卒中阳性 | NA | NA | NA | NA |
| 218 | 2025-03-25 |
Multi-feature Fusion Network on Gray Scale Ultrasonography: Effective Differentiation of Adenolymphoma and Pleomorphic Adenoma
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.023
PMID:38871552
|
研究论文 | 开发一种深度学习放射组学图网络（DLRN），用于区分腮腺多形性腺瘤（PA）和腺淋巴瘤（AL） | 整合了灰度超声图像的深度学习特征、放射组学特征和临床特征，构建了DLRN模型，显著提高了诊断性能 | 数据集较小，可能影响模型的泛化能力 | 区分腮腺多形性腺瘤和腺淋巴瘤 | 287名经组织学确认的PA或AL患者 | 数字病理 | 腮腺肿瘤 | 灰度超声成像 | DLRN, LR, SVM, KNN, RF, ExtraTrees, XGBoost, LightGBM, MLP | 图像 | 287名患者（162名训练集，70名内部验证集，55名外部验证集） | NA | NA | NA | NA |
| 219 | 2025-10-07 |
A Self-supervised Learning-Based Fine-Grained Classification Model for Distinguishing Malignant From Benign Subcentimeter Solid Pulmonary Nodules
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.002
PMID:38777719
|
研究论文 | 开发并验证了一种基于自监督学习的细粒度分类模型，用于区分亚厘米实性肺结节的良恶性 | 采用自监督预训练结合细粒度网络架构，专门针对亚厘米级别肺结节的良恶性分类问题 | 回顾性研究设计，内部数据集特别富集了恶性病例 | 开发用于区分亚厘米实性肺结节良恶性的深度学习模型 | 亚厘米实性肺结节（SSPNs） | 计算机视觉 | 肺癌 | CT影像分析 | 深度学习 | CT图像 | 内部数据集1276名患者的1389个SSPNs（625个良性），外部测试集202个SSPNs | NA | 自监督预训练细粒度网络 | AUC, 准确率, 敏感度, 特异度 | NA |
| 220 | 2025-10-07 |
Deep Learning Model for Predicting Proliferative Hepatocellular Carcinoma Using Dynamic Contrast-Enhanced MRI: Implications for Early Recurrence Prediction Following Radical Resection
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.04.028
PMID:38749868
|
研究论文 | 开发并验证基于动态对比增强MRI的深度学习模型，用于预测增殖性肝细胞癌及术后早期复发风险 | 首次将深度学习模型应用于DCE-MRI图像来区分增殖性与非增殖性肝细胞癌，并用于预测根治性切除术后的早期复发风险 | 回顾性研究设计，样本量相对有限（355例患者），需进一步前瞻性验证 | 通过术前评估优化肝细胞癌治疗策略，预测早期复发风险 | 肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 动态对比增强MRI | 深度学习模型 | 医学影像 | 355例来自两个中国医疗中心的肝细胞癌患者（训练集251例，内部测试集62例，外部测试集42例） | NA | NA | AUC | NA |