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 1136 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2025-10-07 |
Artificial Intelligence to Facilitate Clinical Trial Recruitment in Age-Related Macular Degeneration
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100566
PMID:39139546
|
研究论文 | 本研究开发了一种基于深度学习的人工智能系统，用于自动筛选符合地理萎缩临床试验资格的患者 | 利用AI生成的视网膜组织分割来识别临床试验合格患者，相比传统电子健康记录搜索方法具有更高精度 | 研究基于单一医疗中心的回顾性数据，需要进一步外部验证 | 探索人工智能在年龄相关性黄斑变性临床试验招募中的应用 | 地理萎缩(GA)患者，作为年龄相关性黄斑变性的晚期阶段 | 数字病理 | 年龄相关性黄斑变性 | OCT成像, FAF成像 | 深度学习 | 医学图像 | 306,651名患者(602,826只眼睛) | NA | NA | 阳性预测值, 组内相关系数 | NA |
| 222 | 2025-10-07 |
Impact of Deep Learning-Based Computer-Aided Detection and Electronic Notification System for Pneumothorax on Time to Treatment: Clinical Implementation
2024-Nov-19, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.11.009
PMID:39566875
|
研究论文 | 评估基于深度学习的计算机辅助检测和电子通知系统对气胸患者治疗时间的影响 | 首次在真实临床环境中评估深度学习CAD结合电子通知系统对气胸治疗时间的影响 | 仅观察到氧疗时间显著改善，其他治疗方式无显著差异 | 评估深度学习辅助检测和通知系统在临床实践中的效果 | 气胸患者的胸部X光片和治疗时间 | 计算机视觉 | 气胸 | 胸部X光摄影 | 深度学习 | 医学影像 | 603,028张胸部X光片，来自140,841名患者，气胸患病率2.0% | NA | NA | 治疗时间差异，置信区间，P值 | NA |
| 223 | 2025-10-07 |
Automatic detection and counting of wheat spike based on DMseg-Count
2024-11-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-80244-1
PMID:39613805
|
研究论文 | 提出基于DMseg-Count的小麦穗自动检测与计数方法，用于产量预测和品种评估 | 在DM-Count模型基础上引入小麦穗局部分割分支，通过逐元素点乘机制融合全局与局部上下文监督信息 | 未明确说明模型在极端遮挡和重叠情况下的性能限制 | 提高复杂田间环境下小麦穗自动检测与计数的准确性 | 小麦穗图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | DMseg-Count, DM-Count | 平均绝对误差(MAE), 均方根误差(RMSE) | NA |
| 224 | 2025-10-07 |
Synthetic augmentation of cancer cell line multi-omic datasets using unsupervised deep learning
2024-Nov-29, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-54771-4
PMID:39614072
|
研究论文 | 本研究开发了一种无监督深度学习模型MOSA，用于整合和增强癌症细胞系的多组学数据集 | 提出首个专门用于整合和增强癌症依赖图谱的无监督深度学习模型，能够生成分子和表型特征，将多组学特征数量增加32.7% | NA | 解决生物数据异质性、复杂性和稀疏性问题，实现对癌症生物学的整体理解 | 1523个癌症细胞系的多组学数据 | 机器学习 | 癌症 | 多组学分析 | 无监督深度学习 | 多组学数据 | 1523个癌症细胞系 | NA | MOSA | SHAP分析 | NA |
| 225 | 2025-10-07 |
nPOD-Kidney: A Heterogenous Donor Cohort for the Investigation of Diabetic Kidney Disease Pathogenesis and Progression
2024-Nov-05, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000620
PMID:39499578
|
研究论文 | 介绍nPOD-K肾脏项目通过传统和数字病理学方法研究糖尿病肾病发病机制和进展 | 建立首个基于器官捐赠者肾脏的异质性队列，结合数字病理和深度学习工具分析糖尿病肾病进展 | 研究依赖于器官捐赠者样本，样本获取可能受限 | 利用器官捐赠者肾脏增强对糖尿病肾病发病机制和进展的理解 | 器官捐赠者的肾脏组织样本 | 数字病理学 | 糖尿病肾病 | 传统病理学染色, 数字病理学, 全玻片成像 | 深度学习, 机器学习 | 病理图像 | nPOD-K队列肾脏样本 | Visiopharm | NA | 组织学定量分析 | NA |
| 226 | 2025-10-07 |
Classification-based pathway analysis using GPNet with novel P-value computation
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf039
PMID:39879387
|
研究论文 | 本文提出了一种基于深度学习的通路分析方法GPNet，采用新型P值计算策略解决大规模多中心数据集中的通路分析问题 | 开发了基于混淆矩阵的新型P值计算方法，并将深度学习分类模型Gene PointNet应用于通路分析任务 | NA | 解决传统通路分析方法在低信噪比和大样本数据集中的性能限制 | 基因表达数据和生物通路 | 生物信息学 | 乳腺癌 | RNA-Seq | 深度学习分类模型 | 基因表达数据 | 癌症基因组图谱乳腺癌数据集 | NA | Gene PointNet | Type I错误率, 统计功效 | NA |
| 227 | 2025-10-07 |
A Real-Time End-to-End Framework with a Stacked Model Using Ultrasound Video for Cardiac Septal Defect Decision-Making
2024-11-03, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10110280
PMID:39590744
|
研究论文 | 提出一种基于超声视频的实时端到端框架，用于小儿心脏间隔缺损的决策支持 | 首次将Yolov8l架构应用于实时小儿心脏超声视频分析，实现高精度的CSD自动诊断 | 研究样本仅来自单一医疗中心（印尼巨港Mohammad Hoesin总医院），需要更多外部验证 | 开发实时自动诊断系统以提高心脏间隔缺损的诊断效率 | 小儿心脏间隔缺损患者的超声视频 | 计算机视觉 | 心血管疾病 | 超声成像 | YOLO | 视频 | 222个超声视频（训练）+ 53个实时测试视频 | PyTorch | Yolov8l | 准确率, 敏感度, 特异性, mAP | NA |
| 228 | 2025-10-07 |
GMDIC: a digital image correlation measurement method based on global matching for large deformation displacement fields
2024-Nov-01, Journal of the Optical Society of America. A, Optics, image science, and vision
DOI:10.1364/JOSAA.533551
PMID:39889089
|
研究论文 | 提出一种基于深度学习的全局匹配数字图像相关方法GMDIC，用于测量复杂大变形位移场 | 结合多头注意力Swin-Transformer和高效通道注意力模块ECA，在特征中添加位置信息以增强特征表示能力 | NA | 改进数字图像相关方法在大变形位移场测量中的精度和效率 | 散斑图像的位移场测量 | 计算机视觉 | NA | 数字图像相关方法 | 深度学习 | 散斑图像 | 包含各种类型散斑图像和复杂变形的位移场数据集 | NA | Swin-Transformer, ECA | 位移预测精度 | NA |
| 229 | 2025-02-01 |
Inferring the genetic relationships between unsupervised deep learning-derived imaging phenotypes and glioblastoma through multi-omics approaches
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf037
PMID:39879386
|
研究论文 | 本研究旨在探讨无监督深度学习衍生的影像表型（UDIPs）与胶质母细胞瘤（GBM）之间的遗传关联 | 结合GWAS数据、单核RNA测序（snRNA-seq）和scPagwas方法，探索UDIPs与GBM的遗传联系，并识别了23个与GBM有显著因果关联的UDIPs | 研究中涉及的UDIPs数量较多（512个），但仅有23个显示出显著关联，可能限制了结果的广泛适用性 | 研究无监督深度学习衍生的影像表型与胶质母细胞瘤之间的遗传关联 | 胶质母细胞瘤（GBM）患者及其影像表型 | 数字病理学 | 胶质母细胞瘤 | GWAS, snRNA-seq, scPagwas | 无监督深度学习 | 影像数据, 基因组数据 | 512个UDIPs | NA | NA | NA | NA |
| 230 | 2025-10-07 |
AI-Based Noninvasive Blood Glucose Monitoring: Scoping Review
2024-Nov-19, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/58892
PMID:39561353
|
综述 | 本文通过系统范围综述方法，系统梳理了人工智能在无创血糖监测领域的应用现状 | 首次系统性地对AI在无创血糖监测中的应用进行范围综述，整合了多种技术方法和算法模型 | 纳入研究质量中等，模型和输入数据的异质性导致准确率范围较宽 | 绘制人工智能在无创血糖监测中的应用图谱 | 无创血糖监测技术和人工智能算法 | 医疗人工智能 | 糖尿病 | 光学技术,电化学传感器,成像技术,组织阻抗 | 机器学习,深度学习 | 传感器数据,图像数据 | 33篇论文，涵盖亚洲、美国、欧洲、中东和非洲地区2005-2023年的研究 | NA | 随机森林,人工神经网络 | 准确率,Clarke误差网格 | NA |
| 231 | 2025-10-07 |
Advancements in Using AI for Dietary Assessment Based on Food Images: Scoping Review
2024-Nov-15, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/51432
PMID:39546777
|
综述 | 本文对基于食物图像的AI饮食评估技术进行了系统性回顾，重点介绍了该领域的发展历程和技术演进 | 按时间顺序系统梳理了图像辅助饮食评估领域从传统机器学习到深度学习的演变过程，特别关注了多任务卷积神经网络和生成对抗网络等先进算法的应用 | 仅纳入了2008-2021年间发表的研究，且主要关注技术层面，对实际临床应用和用户接受度的讨论相对有限 | 为缺乏技术背景的读者提供AI在饮食评估中应用的全面概述，分析系统优缺点并提出改进建议 | 基于食物图像的饮食评估系统和技术方法 | 计算机视觉 | NA | 图像辅助饮食评估 | CNN, GAN | 图像 | 84篇经过筛选的研究文献 | NA | 多任务卷积神经网络, 生成对抗网络 | 宏量营养素估计准确率, 能量估计准确率, 微量营养素估计准确率 | NA |
| 232 | 2025-01-31 |
Artificial Intelligence in Audiology: A Scoping Review of Current Applications and Future Directions
2024-Nov-06, Sensors (Basel, Switzerland)
DOI:10.3390/s24227126
PMID:39598904
|
综述 | 本文综述了人工智能在听力学中的当前应用和未来发展方向 | 总结了人工智能在听力学中的最新进展，特别是过去四年中87.5%的相关文献 | 存在伦理和专业挑战，需要更大规模和多样化的数据收集以及生物伦理学研究 | 探讨人工智能在听力学实践中的潜力和挑战 | 听力学领域的研究和应用 | 自然语言处理 | NA | 机器学习、深度学习 | 逻辑回归、支持向量机、多层感知器、随机森林、深度信念网络、决策树、k近邻、LASSO、卷积神经网络、大语言模型 | 文本、图像 | 104篇文献 | NA | NA | NA | NA |
| 233 | 2025-10-07 |
Prediction of cardiovascular markers and diseases using retinal fundus images and deep learning: a systematic scoping review
2024-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae068
PMID:39563905
|
系统性范围综述 | 本综述系统梳理了利用视网膜眼底图像和深度学习预测心血管标志物和疾病的研究现状 | 首次系统性综述深度学习结合视网膜眼底图像在心血管风险评估中的应用，识别了该领域的研究趋势和关键特征 | 纳入研究数量有限（24篇），外部验证罕见（21%），缺乏足够的前瞻性研究验证 | 评估利用视网膜眼底图像和深度学习预测心血管风险标志物和疾病的现有研究 | 心血管风险标志物和心血管疾病 | 计算机视觉 | 心血管疾病 | 视网膜眼底成像 | CNN | 图像 | NA | NA | NA | 判别性能 | NA |
| 234 | 2024-11-21 |
Machine learning models of cerebral oxygenation (rcSO2) for brain injury detection in neonates with hypoxic-ischaemic encephalopathy
2024-Nov, The Journal of physiology
DOI:10.1113/JP287001
PMID:39425751
|
研究论文 | 本研究旨在测试区域脑氧饱和度（rcSO2）在检测患有缺氧缺血性脑病（HIE）的新生儿脑损伤中的潜在应用 | 本研究首次将机器学习和深度学习模型应用于rcSO2信号分析，以预测短期脑损伤，并展示了其在临床决策中的潜力 | 研究样本量较小，且仅限于足月婴儿，未来需要在大样本和不同年龄段婴儿中进一步验证 | 评估机器学习和深度学习模型在检测患有HIE的新生儿脑损伤中的应用 | 患有缺氧缺血性脑病（HIE）的足月新生儿 | 机器学习 | 新生儿疾病 | 近红外光谱（NIRS） | 机器学习模型和深度学习模型 | 信号 | 58名足月婴儿 | NA | NA | NA | NA |
| 235 | 2025-10-07 |
Therapeutic gene target prediction using novel deep hypergraph representation learning
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf019
PMID:39841592
|
研究论文 | 提出一种基于超图表示学习的深度模型HIT，用于预测基因的治疗潜力、生物标志物状态或与疾病的关联 | 首次将超图结构与注意力机制相结合用于治疗性基因靶点预测，能够捕捉基因、本体、疾病和表型之间的复杂关系 | 已知治疗靶点数量有限可能影响模型性能 | 开发计算模型预测治疗性基因靶点以加速疾病治疗开发 | 基因、疾病、表型和生物本体 | 机器学习 | NA | 深度超图表示学习 | Transformer | 图结构数据 | NA | NA | 超图交互Transformer(HIT) | NA | NA |
| 236 | 2025-10-07 |
Predicting transcriptional changes induced by molecules with MiTCP
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf006
PMID:39847444
|
研究论文 | 开发基于深度学习的MiTCP方法预测小分子诱导的转录谱变化 | 首次结合图神经网络同时建模分子结构表示和基因共表达关系进行转录变化预测 | 仅基于L1000数据集训练，模型泛化能力有待进一步验证 | 预测小分子化合物诱导的细胞转录谱变化 | 978个标志基因的转录谱变化 | 机器学习 | 癌症 | 转录组分析 | 图神经网络 | 分子结构数据，基因表达数据 | L1000数据集 | NA | 图神经网络 | 皮尔逊相关系数 | NA |
| 237 | 2025-10-07 |
Assessing parkinsonism & cerebellar dysfunction with spiral & line drawings
2024-Nov-30, Ideggyogyaszati szemle
DOI:10.18071/isz.77.0407
PMID:39635814
|
研究论文 | 通过螺旋和直线绘图评估帕金森病和小脑功能障碍 | 比较螺旋与直线绘图在识别帕金森病和小脑症状方面的性能，并探索压力数据在分类中的重要性 | 未明确说明样本规模和具体数据采集条件 | 开发基于绘图任务的神经系统疾病识别方法 | 帕金森病和小脑功能障碍患者 | 医疗人工智能 | 帕金森病, 小脑疾病 | 绘图任务分析 | 深度学习特征提取模型 | 绘图图像数据 | NA | NA | 预训练模型, 自定义深度学习模型 | p值, 分类准确率 | NA |
| 238 | 2025-10-07 |
Deep learning for 3D vascular segmentation in hierarchical phase contrast tomography: a case study on kidney
2024-11-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77582-5
PMID:39516256
|
研究论文 | 本研究利用深度学习技术对分层相衬断层扫描成像中的肾脏3D血管进行分割，并建立评估基准 | 首次将nnU-Net框架应用于新型HiP-CT成像技术的血管分割，创建了经过双标注验证的高质量训练数据集 | HiP-CT是离体成像技术，缺乏静水压力导致大血管塌陷分割效果差；细小血管连通性降低和血管边界分割错误 | 为血管分割建立稳健的基准模型，评估机器学习模型在高分辨率器官成像中的性能 | 来自人类器官图谱项目的三个肾脏血管数据 | 计算机视觉 | 肾脏疾病 | 分层相衬断层扫描（HiP-CT） | 深度学习 | 3D图像 | 3个肾脏的血管数据 | nnU-Net | U-Net | Dice相似系数, 中心线DSC | NA |
| 239 | 2025-10-07 |
scGO: interpretable deep neural network for cell status annotation and disease diagnosis
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf018
PMID:39820437
|
研究论文 | 开发了一种基于基因本体的可解释深度学习框架scGO，用于单细胞RNA测序数据的细胞状态注释和疾病诊断 | 利用基因本体构建稀疏神经网络，通过基因、转录因子和GO术语之间的内在生物学关系增强模型可解释性，并引入计算基因操作技术用于发现治疗靶点 | 未明确说明模型在特定疾病类型或数据质量较差情况下的性能表现 | 解决深度学习模型在单细胞RNA测序分析中的可解释性问题，实现准确的细胞状态注释和疾病诊断 | 单细胞RNA测序数据中的细胞状态、疾病诊断、发育阶段预测、疾病严重程度评估和细胞衰老状态 | 生物信息学 | 多种疾病（未具体指定） | 单细胞RNA测序 | 深度学习, 稀疏神经网络 | 单细胞RNA测序数据 | 多个scRNA-seq数据集（未提供具体样本数量） | NA | 基于基因本体的稀疏神经网络架构 | 细胞亚型表征精度 | NA |
| 240 | 2024-11-23 |
Corrigendum to: Deep learning(s) in gaming disorder through the user-avatar bond: A longitudinal study using machine learning
2024-Nov-22, Journal of behavioral addictions
IF:6.6Q1
DOI:10.1556/2006.2024.30000
PMID:39576296
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |