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 3708 篇文献，本页显示第 2281 - 2300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2281 | 2025-05-02 |
Prediction of the Therapeutic Response to Neoadjuvant Chemotherapy for Rectal Cancer Using a Deep Learning Model
2025, Journal of the anus, rectum and colon
DOI:10.23922/jarc.2024-085
PMID:40302856
|
research paper | 开发了一种基于深度学习模型的非侵入性预测方法，用于预测直肠癌患者对新辅助化疗的治疗反应 | 使用深度学习模型（残差卷积神经网络）从化疗前的CT图像中预测直肠癌患者对新辅助化疗的病理反应 | 样本量较小（57名患者），且仅针对SOX化疗方案 | 优化直肠癌新辅助化疗的治疗方案 | 直肠癌患者 | digital pathology | rectal cancer | CT imaging | CNN | image | 57名患者（49名用于训练和验证，8名用于测试） | NA | NA | NA | NA |
| 2282 | 2025-05-02 |
Automatic pelvic fracture segmentation: a deep learning approach and benchmark dataset
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1511487
PMID:40303367
|
research paper | 提出了一种基于深度学习的自动骨盆骨折分割方法，并公开了一个基准数据集 | 采用两个顺序网络进行解剖分割和骨折分割，并引入距离加权损失、多尺度深度监督和平滑过渡策略以提高性能 | 未提及方法在极端骨折情况下的表现或泛化能力 | 开发自动骨盆骨折分割方法以辅助创伤诊断和图像引导复位手术 | 骨盆骨折的CT图像 | digital pathology | pelvic fracture | CT | CNN | image | 150 CTs | NA | NA | NA | NA |
| 2283 | 2025-05-02 |
Application and research progress of artificial intelligence in allergic diseases
2025, International journal of medical sciences
IF:3.2Q1
DOI:10.7150/ijms.105422
PMID:40303497
|
综述 | 本文综述了人工智能在过敏性疾病中的应用和研究进展，重点关注哮喘等疾病 | 总结了人工智能在过敏性疾病预测、诊断、治疗和管理中的最新应用 | 简要分析了各种智能辅助方法的优势和局限性 | 为研究团队和医务人员提供人工智能在过敏性疾病中应用的参考 | 哮喘、特应性皮炎、食物过敏、过敏性鼻炎和荨麻疹等过敏性疾病 | 自然语言处理 | 过敏性疾病 | 强化学习、机器学习、深度学习、自然语言处理 | NA | 文本、视觉和听觉数据 | NA | NA | NA | NA | NA |
| 2284 | 2025-05-02 |
Artificial intelligence in traditional Chinese medicine: advances in multi-metabolite multi-target interaction modeling
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1541509
PMID:40303920
|
综述 | 本文综述了人工智能在传统中医多代谢物多靶点相互作用建模中的应用与进展 | 整合人工智能的多组学技术、中医专用数据库、机器学习和深度学习等方法，推动中医向精准医学转变 | 数据异质性、模型可解释性有限、因果混杂以及实际应用中鲁棒性验证不足 | 探讨人工智能在中医靶点预测中的应用，提升其可靠性和可扩展性 | 传统中医的多代谢物和多靶点干预机制 | 人工智能在医学中的应用 | 复杂疾病 | 多组学技术、机器学习、深度学习 | ML、DL、零样本学习、端到端架构、自监督对比学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 2285 | 2025-05-02 |
Association prediction of lncRNAs and diseases using multiview graph convolution neural network
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1568270
PMID:40303981
|
研究论文 | 提出了一种基于多视图图卷积神经网络的方法MVIGCN，用于预测lncRNA与疾病的关联 | 整合多模态数据构建异质网络，通过注意力机制建模拓扑特征和多尺度关系，提高预测准确性 | 网络复杂性可能导致计算成本较高，且模型性能依赖于数据质量 | 解码lncRNA在疾病生物学中的功能，为治疗靶点优先排序提供工具 | lncRNA与疾病的关联 | 机器学习 | NA | 图卷积网络(GCN) | MVIGCN | 多模态数据 | NA | NA | NA | NA | NA |
| 2286 | 2025-10-07 |
Self-supervised parametric map estimation for multiplexed PET with a deep image prior
2025-Jan-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ada717
PMID:39774095
|
研究论文 | 提出基于深度图像先验的自监督学习框架，用于多示踪剂PET图像分离和参数图估计 | 将多示踪剂房室模型整合到深度图像先验框架中，仅需单个数据集即可实现自监督学习 | 仅在模拟脑部幻影上进行性能评估，缺乏真实临床数据验证 | 解决多示踪剂PET图像分离中监督学习对配对数据依赖和泛化能力不足的问题 | 多示踪剂PET成像中的动态双示踪剂活性图像 | 医学影像分析 | 脑部疾病 | 多示踪剂PET成像，房室模型 | 深度学习 | 医学影像 | 模拟脑部幻影数据 | 深度图像先验(DIP) | U-net | 偏差，标准差 | NA |
| 2287 | 2025-10-07 |
Automated estimation of individualized organ-specific dose and noise from clinical CT scans
2025-Jan-29, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ada67f
PMID:39761638
|
研究论文 | 开发了一种从临床CT扫描自动生成个体化器官特异性剂量和噪声的流程 | 提出了一种完全自动化的流程，能够估计个体化器官特异性辐射剂量和噪声，考虑了器官水平的辐射风险和临床任务 | 在胰腺等器官的分割精度相对较低（Dice评分最低为0.6855），样本量有限（临床数据集12例，体模数据集3例，跨站点数据集26例） | 开发个性化CT协议评估和优化的自动化工具 | 临床CT扫描数据、均匀体模数据、六个器官（肺、肝、肾、膀胱、脾、胰腺） | 医学影像分析 | NA | CT扫描、蒙特卡罗模拟 | 深度学习 | CT图像 | 临床数据集12例CT扫描，体模数据集3例，跨站点数据集26例，41例有专家分割标注的病例 | NA | TotalSegmentator | RMSE, 相对RMSE, Dice系数 | NA |
| 2288 | 2025-10-07 |
ComNet: A Multiview Deep Learning Model for Predicting Drug Combination Side Effects
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01737
PMID:39749659
|
研究论文 | 提出一种多视图深度学习模型ComNet，用于预测药物组合的副作用 | 整合药物多视图特征，提出多尺度子图融合机制和基于注意力的多视图特征融合方法 | NA | 提高药物组合副作用的预测准确性 | 药物组合 | 机器学习 | NA | 分子指纹、SMILES语义信息、3D构象空间信息 | 深度学习 | 分子结构数据、文本数据(SMILES)、3D空间数据 | 多个公开数据集和自收集数据集 | NA | ComNet（包含多视图特征提取模块、多尺度子图融合机制、注意力机制） | 准确性、泛化能力、收敛速度 | NA |
| 2289 | 2025-10-07 |
Graph-Based Deep Learning Models for Thermodynamic Property Prediction: The Interplay between Target Definition, Data Distribution, Featurization, and Model Architecture
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c02014
PMID:39780656
|
研究论文 | 研究图基深度学习模型在热力学性质预测中目标定义、数据分布、特征化方法和模型架构之间的相互作用 | 发现分子级别预测优于原子级别增量预测，与先前研究相反；揭示了目标定义和特征化方法选择对模型精度的决定性影响 | 模型架构直接修改带来的精度提升相对有限 | 开发具有更普适能力的稳健图基热力学模型架构 | 五个经过筛选的数据集，涵盖元素组成、多重性、电荷状态和尺寸的多样性 | 机器学习 | NA | 图神经网络 | 图神经网络 | 分子图数据 | 五个多样化数据集 | NA | 图神经网络架构 | 准确度 | NA |
| 2290 | 2025-10-07 |
PPI-CoAttNet: A Web Server for Protein-Protein Interaction Tasks Using a Coattention Model
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01365
PMID:39761551
|
研究论文 | 开发了一个基于共注意力机制的深度学习模型PPI-CoAttNet，用于蛋白质-蛋白质相互作用预测和相关任务 | 提出结合共注意力机制的深度学习模型，能够同时进行PPI和位点预测，并构建了用户友好的多功能网络服务器 | 未在摘要中明确说明研究局限性 | 开发准确且易于使用的蛋白质-蛋白质相互作用预测工具以促进药物发现 | 蛋白质-蛋白质相互作用及其相关位点 | 生物信息学 | 癌症 | 深度学习 | 共注意力模型 | 蛋白质序列数据 | NA | NA | Coattention模型 | AUC,F1分数 | 网络服务器平台 |
| 2291 | 2025-10-07 |
Enhanced Sampling Simulations of RNA-Peptide Binding Using Deep Learning Collective Variables
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01438
PMID:39772512
|
研究论文 | 本研究利用深度学习集体变量增强采样模拟RNA-肽段结合过程 | 首次将深度目标判别分析(Deep-TDA)方法应用于设计集体变量来研究HIV TAR RNA与L22环肽的结合机制 | 需要大量接触对描述符来捕获宿主和客体的构象，在增强采样模拟方法中使用大量描述符不切实际 | 开发有效的集体变量设计方法以研究复杂生物分子识别过程 | HIV TAR RNA与L22环肽的结合系统 | 机器学习 | HIV感染 | 增强采样模拟，深度目标判别分析 | Deep-TDA | 分子动力学模拟数据 | NA | NA | 深度目标判别分析 | 自由能景观计算 | NA |
| 2292 | 2025-10-07 |
High-Accuracy Identification and Structure-Activity Analysis of Antioxidant Peptides via Deep Learning and Quantum Chemistry
2025-Jan-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01713
PMID:39772654
|
研究论文 | 开发结合深度学习和量子化学的创新框架，用于高效识别抗氧化肽并分析其构效关系 | 首次将双向长短期记忆网络与量子化学计算相结合，通过特征融合和UMAP可视化验证显著提升分类性能 | 仅验证了十种肽的抗氧化活性，样本规模有限 | 加速抗氧化肽的发现并分析其结构-活性关系 | 抗氧化肽（AOPs） | 机器学习 | 氧化应激相关疾病 | 量子化学计算 | Bi-LSTM | 序列数据 | 两个数据集（具体数量未说明）及十种实验验证肽 | NA | Bi-LSTM | 准确率, 精确率, 马修斯相关系数（MCC）, DPPH清除率, ABTS清除率, HOMO-LUMO能隙 | NA |
| 2293 | 2025-10-07 |
Hybrid exons evolved by coupling transcription initiation and splicing at the nucleotide level
2025-Jan-24, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae1251
PMID:39739742
|
研究论文 | 本研究通过可解释深度学习解析了混合外显子中转录起始与剪接协同调控的序列特征 | 首次发现混合外显子的转录起始位点通常位于3'剪接位点中心，揭示了转录起始与RNA剪接之间比以往认知更紧密的耦合关系 | 研究仅基于ENCODE数据库的人类组织数据，未在其他物种或实验条件下验证 | 解析混合外显子中转录起始和剪接协同调控的分子机制 | 人类组织中的80,000个混合第一-内部外显子 | 生物信息学 | NA | 深度学习，ENCODE数据库分析 | 深度学习 | 基因组序列数据，染色质状态数据 | 80,000个混合外显子 | NA | NA | NA | NA |
| 2294 | 2025-10-07 |
Accelerating Plasmonic Hydrogen Sensors for Inert Gas Environments by Transformer-Based Deep Learning
2025-Jan-24, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.4c02616
PMID:39764741
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型LEMAS，用于加速等离子体氢传感器的响应速度并消除其压力依赖性 | 提出了专门定制的长短期Transformer集成模型LEMAS，能够将光学等离子体氢传感器的响应速度提升高达40倍，并消除其在惰性气体环境中的固有压力依赖性 | NA | 加速氢泄漏检测传感器的响应速度，满足氢技术大规模应用的安全需求 | 光学等离子体氢传感器在惰性气体环境中的性能优化 | 机器学习 | NA | 等离子体传感技术 | Transformer | 传感器时序数据 | NA | NA | 长短期Transformer集成模型 | 预测不确定性度量 | NA |
| 2295 | 2025-10-07 |
Real-time CBCT imaging and motion tracking via a single arbitrarily-angled x-ray projection by a joint dynamic reconstruction and motion estimation (DREME) framework
2025-Jan-21, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ada519
PMID:39746309
|
研究论文 | 开发了一种无需患者特定先验知识的实时CBCT成像和运动追踪框架DREME | 通过联合动态重建和运动估计框架，仅需单次任意角度X射线投影即可实现实时CBCT成像和运动追踪 | 未明确说明对复杂运动模式的适用性和临床验证规模 | 实现放疗中实时CBCT成像和运动追踪 | 呼吸引起的解剖运动，特别是肺部肿瘤 | 医学影像分析 | 肺癌 | 锥形束CT成像，X射线投影 | CNN | X射线投影图像，CT影像序列 | 数字体模模拟和真实患者研究 | NA | 卷积神经网络运动编码器 | 肿瘤质心定位误差，投影域肿瘤定位精度 | NA |
| 2296 | 2025-10-07 |
Using artificial intelligence and statistics for managing peritoneal metastases from gastrointestinal cancers
2025-Jan-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae049
PMID:39736152
|
综述 | 探讨人工智能和统计学方法在胃肠道癌腹膜转移分析与管理的应用 | 系统比较AI方法与统计学方法在腹膜转移管理中的性能表现 | 纳入研究数量有限（约30篇），样本量是影响预测准确性的关键因素 | 研究AI和统计学方法在胃肠道癌腹膜转移管理中的应用价值 | 胃肠道癌引发的腹膜转移患者 | 机器学习 | 胃肠道癌 | 文献系统回顾 | 机器学习,深度学习 | 医学文献数据 | 约30篇符合条件的研究文献 | NA | NA | 预测准确性,精确度 | NA |
| 2297 | 2025-10-07 |
Novel approach for quality control testing of medical displays using deep learning technology
2025-Jan-15, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ada6bd
PMID:39773861
|
研究论文 | 本研究开发了一种基于深度学习的医疗显示器质量控制方法，通过多任务学习同时处理对比度响应分类和最大亮度回归任务 | 首次将预训练模型微调并扩展为多输出配置，用于医疗显示器的质量控制测试，采用智能手机采集图像作为输入 | 模型倾向于低估最大亮度值，回归任务的相关系数中等（0.6-0.7），需要进一步提高准确性和适用性 | 开发高效的医疗显示器质量控制系统，减少医疗设备管理的工作量 | 医疗显示器的质量控制和性能测试 | 计算机视觉 | NA | 深度学习，智能手机图像采集 | 多任务深度学习模型 | 图像 | NA | NA | 基于预训练模型的多输出架构 | AUC, 相关系数, Bland-Altman分析 | NA |
| 2298 | 2025-10-07 |
NMRformer: A Transformer-Based Deep Learning Framework for Peak Assignment in 1D 1H NMR Spectroscopy
2025-Jan-14, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c05632
PMID:39745381
|
研究论文 | 提出基于Transformer的深度学习框架NMRformer，用于一维氢核磁共振谱的峰值分配和代谢物识别 | 将光谱视为光谱峰序列，在Transformer编码器层中集成自注意力机制和峰高比，能够识别峰之间的长程依赖关系 | NA | 提高基于NMR的代谢组学中峰值分配和代谢物识别的准确性和效率 | 细胞样本和生物流体样本的一维氢核磁共振谱 | 机器学习 | NA | 一维氢核磁共振波谱 | Transformer | 光谱数据 | 四种细胞样本和三种生物流体样本 | NA | Transformer编码器 | 峰值分配准确率,代谢物识别准确率 | NA |
| 2299 | 2025-10-07 |
Differential Diagnosis of Urinary Cancers by Surface-Enhanced Raman Spectroscopy and Machine Learning
2025-Jan-14, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c05287
PMID:39757799
|
研究论文 | 本研究开发了一种基于表面增强拉曼光谱和机器学习的方法，用于区分膀胱癌、肾癌和前列腺癌等泌尿系统癌症 | 首次尝试将SERS与机器学习策略结合用于区分多种泌尿系统癌症，并使用临床血清样本进行验证 | NA | 开发高效的非侵入性泌尿系统癌症检测方法 | 泌尿系统癌症患者的血清样本 | 机器学习 | 泌尿系统癌症 | 表面增强拉曼光谱 | LSTM | 光谱数据 | NA | NA | 长短期记忆网络 | 准确率, 灵敏度, 特异性, ROC曲线 | NA |
| 2300 | 2025-10-07 |
The abiologically and biologically driving effects on organic matter in marginal seas revealed by deep learning-assisted model analysis
2025-Jan-10, The Science of the total environment
DOI:10.1016/j.scitotenv.2024.178251
PMID:39754949
|
研究论文 | 本研究通过深度学习辅助模型分析揭示了边缘海中有机物的非生物和生物驱动效应 | 首次引入深度学习网络推理工具研究边缘海有机物的驱动因素，识别出浊度和温度是最关键影响因素 | 研究区域仅限于中国黄海和渤海，可能不适用于其他边缘海区域 | 探究边缘海中有机物的生物地球化学过程及其驱动机制 | 黄海和渤海的颗粒有机物(POM)和溶解有机物(DOM) | 机器学习 | NA | 3D激发发射矩阵光谱(3D-EEM)、平行因子分析(PARAFAC) | 人工神经网络(ANN) | 光谱数据、环境参数数据 | NA | NA | 人工神经网络 | 皮尔逊相关系数(PCC), 均方根误差(RMSE) | NA |