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 3694 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2026-01-14 |
Innovative Immunoinformatics Tools for Enhancing MHC (Major Histocompatibility Complex) Class I Epitope Prediction in Immunoproteomics
2025, Protein and peptide letters
IF:1.0Q4
|
综述 | 本文综述了免疫信息学工具在提升MHC I类表位预测方面的最新进展 | 整合了生物信息学算法、人工智能和机器学习模型，特别是深度学习与多组学数据融合，以增强表位预测的敏感性和特异性 | 由于MHC I类结合肽的复杂性和多样性，在不同人群和情境中精确识别表位仍极具挑战性 | 提升MHC I类表位预测的准确性，以促进疫苗开发、癌症免疫疗法和自身免疫性疾病研究 | MHC I类分子结合肽 | 自然语言处理 | NA | 免疫信息学工具（如NetMHC、IEDB、MHCflurry）、生物信息学算法、人工智能、机器学习、深度学习、多组学数据整合 | 机器学习模型、深度学习模型 | 大规模肽-MHC结合数据、结构特征、相互作用动态、蛋白质组学、转录组学、基因组学数据 | NA | NA | NA | 敏感性、特异性、准确性 | NA |
| 242 | 2026-01-13 |
Lymph Node Metastasis Prediction From In Situ Lung Squamous Cell Carcinoma Histopathology Images Using Deep Learning
2025-01, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2024.102187
PMID:39542104
|
研究论文 | 本研究利用深度学习模型，基于肺鳞状细胞癌（LUSC）的原发肿瘤组织病理学图像，预测淋巴结转移 | 采用创新的多实例学习方法，结合patch likelihood histogram和bag of words技术提取全切片图像特征，并使用ExtraTrees算法构建了名为LN_ISLUSCH的预测模型 | 研究队列规模有限且多样性不足，未来需要更大、更多样化的队列以及整合更多组学数据以提高预测准确性和临床实用性 | 预测肺鳞状细胞癌（LUSC）的淋巴结转移，以提供更准确和客观的诊断与预后方法 | 肺鳞状细胞癌（LUSC）患者的组织病理学全切片图像 | 数字病理学 | 肺癌 | 组织病理学成像 | 深度学习, 机器学习 | 图像 | 来自Outdo-LUSC和癌症基因组图谱队列的全切片图像 | PyTorch, Scikit-learn | ResNet-18 | AUC, 95%置信区间, P值 | NA |
| 243 | 2026-01-12 |
Computational Stabilization of a Non-Heme Iron Enzyme Enables Efficient Evolution of New Function
2025-Jan-10, Angewandte Chemie (International ed. in English)
DOI:10.1002/anie.202414705
PMID:39394803
|
研究论文 | 本文展示了使用深度学习工具ProteinMPNN对Fe(II)/αKG超家族酶进行重新设计，以提高其稳定性、溶解性和表达量，同时保留其天然活性和工业相关的非天然功能 | 利用深度学习工具ProteinMPNN对非血红素铁酶进行稳定化设计，并证明这种稳定化变体在定向进化中能更高效地获得新功能 | NA | 评估深度学习工具在酶工程工作流程中的有效性，并开发一种通用框架用于蛋白质稳定化和定向进化 | Fe(II)/αKG超家族酶，特别是针对非天然远程C(sp)-H羟基化反应 | 机器学习 | NA | 深度学习, 定向进化 | 深度学习模型 | 蛋白质序列和结构数据 | NA | ProteinMPNN | ProteinMPNN | 活性增加倍数（6倍和80倍） | NA |
| 244 | 2026-01-12 |
An Artificial Intelligence Pipeline for Hepatocellular Carcinoma: From Data to Treatment Recommendations
2025, International journal of general medicine
IF:2.1Q2
DOI:10.2147/IJGM.S529322
PMID:40621598
|
综述 | 本文提出一个针对肝细胞癌的统一人工智能管道，涵盖从数据到治疗建议的全过程 | 构建了一个整合多模态数据（影像、基因组、临床记录）并应用于肿瘤检测、个性化治疗规划、药物研发及患者管理的统一AI管道 | 面临数据质量、标准化和隐私保护等挑战 | 利用人工智能技术解决肝细胞癌在早期诊断和治疗选择方面的临床挑战 | 肝细胞癌 | 机器学习 | 肝细胞癌 | 机器学习, 深度学习 | NA | 影像, 基因组数据, 临床记录 | NA | NA | NA | NA | NA |
| 245 | 2026-01-12 |
Prediction of 131I uptake in lung metastases of differentiated thyroid cancer using deep learning
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1697233
PMID:41473240
|
研究论文 | 本研究开发了一个深度卷积神经网络模型，用于预测分化型甲状腺癌肺转移灶的131I摄取能力 | 首次利用深度卷积神经网络模型预测分化型甲状腺癌肺转移灶的131I摄取能力，为放射性碘治疗前的患者筛选提供了新方法 | 研究为回顾性、多中心队列研究，可能存在选择偏倚；样本量相对有限，需要更大规模的前瞻性研究验证 | 开发一个深度学习模型，用于预测分化型甲状腺癌肺转移灶的131I摄取能力，以指导放射性碘治疗 | 分化型甲状腺癌患者的肺转移灶 | 数字病理学 | 甲状腺癌 | 胸部CT成像 | CNN | 图像 | 主要数据集261例患者（131I摄取阳性140例，阴性121例），内部验证数据集59例，外部验证数据集1为43例，外部验证数据集2为41例 | NA | ResNeSt50, Inception V3, ResNet50 | AUC | NA |
| 246 | 2026-01-12 |
On relational pedagogy in occupational therapy education: What it is and why it matters
2025-Jan, Scandinavian journal of occupational therapy
IF:1.9Q2
DOI:10.1080/11038128.2026.2613622
PMID:41518199
|
研究论文 | 本文探讨了关系教育学在瑞典职业治疗教育中的相关性和应用 | 将关系教育学概念应用于职业治疗教育领域，强调人际、伦理和对话维度在竞争性高等教育环境中的重要性 | 研究基于单一瑞典大学的资深讲师访谈，可能缺乏广泛代表性；数字或混合学习环境可能削弱关系协调 | 描述和讨论关系教育学在职业治疗教育中的相关性和应用 | 瑞典职业治疗教育中的教学关系和实践 | NA | NA | NA | NA | 访谈数据、反思笔记、文献资料 | 瑞典某大学的资深讲师访谈（具体数量未明确说明） | NA | NA | NA | NA |
| 247 | 2026-01-11 |
Low-Cost and Fast Epiretinal Membrane Detection and Quantification Based on SD-OCT
2025, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2025.3629332
PMID:41503050
|
研究论文 | 提出了一种基于SD-OCT B扫描的低成本、快速视网膜前膜检测与量化新方法 | 提出了一种新的en face投影技术（EPI），并利用YOLOv11x模型实现高精度检测，同时提出了一种将EPI投影与视网膜厚度图相关联的评分机制，揭示了视网膜前膜与视网膜增厚之间的空间关系 | 需要进一步的大规模验证以确认其临床可靠性 | 开发一种低成本、快速且准确的视网膜前膜检测与量化方法 | 视网膜前膜 | 计算机视觉 | 视网膜疾病 | SD-OCT | CNN | 图像 | NA | NA | YOLOv11x | mAP@50, mAP@50:95, 相关性评分, ICC, AAS, AR | NA |
| 248 | 2026-01-10 |
Deep learning-based lymph node metastasis status predicts prognosis from muscle-invasive bladder cancer histopathology
2025-Jan-10, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-05440-8
PMID:39792275
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用原发性肿瘤组织预测肌肉浸润性膀胱癌的淋巴结转移状态，并验证了预测的aiN评分在预后评估中的价值 | 首次使用基于UNI视觉编码器的深度学习模型直接从H&E染色组织学图像中提取特征，以预测肌肉浸润性膀胱癌的淋巴结转移状态，并证明aiN评分作为独立预后因子的有效性 | 研究为回顾性分析，需要前瞻性验证以确认模型在个性化管理中的应用潜力 | 开发并验证一个深度学习模型，用于预测肌肉浸润性膀胱癌的淋巴结转移状态及其预后价值 | 肌肉浸润性膀胱癌患者 | 数字病理学 | 膀胱癌 | H&E染色组织学图像分析 | 深度学习 | 图像 | 训练和内部验证集：323名患者（来自TCGA）；外部验证集：139名患者（来自武汉大学人民医院） | NA | UNI | AUC, 风险比 | NA |
| 249 | 2026-01-10 |
Research Hotspots of Traditional Chinese Medicine for Liver Cancer in the Future Directions: A Bibliometric Analysis
2025, Journal of hepatocellular carcinoma
IF:4.2Q2
DOI:10.2147/JHC.S555310
PMID:41496746
|
文献计量分析 | 本文通过对过去十年中医药治疗肝癌研究的文献进行系统性计量分析，描绘了该领域的知识图谱和发展趋势 | 首次系统性地对中医药治疗肝癌领域进行了跨数据库（CNKI、Wanfang、VIP、Web of Science）的文献计量分析，并揭示了中英文文献在研究主题上的显著差异及新兴前沿 | 国际与跨区域合作仍然有限，且分析依赖于所选数据库的覆盖范围和检索策略 | 填补中医药在肝癌管理研究领域的知识图谱空白，系统分析其研究热点与演变趋势 | 从中国知网、万方、维普和Web of Science等数据库中检索到的与中医药和肝癌相关的出版物 | 文献计量学 | 肝癌 | 文献计量分析，科学图谱工具（如CiteSpace, Origin 2024, R, VOSviewer） | NA | 文献数据（出版物） | 从2015年2月14日至2025年2月14日期间检索的相关出版物 | CiteSpace, Origin 2024, R, VOSviewer | NA | NA | NA |
| 250 | 2026-01-10 |
Identifying health conditions in older adults in textual health records using deep learning-based natural language processing
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.09.009
PMID:41496888
|
研究论文 | 本研究利用深度学习自然语言处理模型从老年患者的电子健康记录自由文本中识别跌倒、失禁、孤独和行动受限等健康问题 | 首次在芬兰大规模电子健康记录中应用深度学习NER模型识别老年健康问题，相比诊断代码显著提高了识别数量和死亡率预测能力 | 研究仅针对芬兰特定年龄段患者，结果可能受数据质量和文本记录完整性影响 | 开发基于深度学习的自然语言处理模型以识别老年患者电子健康记录中的关键健康问题 | 102,525名50-80岁芬兰患者的电子健康记录自由文本 | 自然语言处理 | 老年疾病 | 命名实体识别 | 深度学习模型 | 文本 | 102,525名患者的1060万条自由文本记录 | NA | NA | 精确率, 召回率, F1分数 | NA |
| 251 | 2026-01-10 |
Comparing the performance of dynamic susceptibility contrast and arterial spin labeling for detecting residual and recurrent glioblastoma with deep learning and multishell diffusion MRI
2025 Jan-Dec, Neuro-oncology advances
IF:3.7Q2
DOI:10.1093/noajnl/vdaf219
PMID:41497450
|
研究论文 | 本研究比较了动态磁敏感对比增强（DSC）和动脉自旋标记（ASL）两种MR灌注技术在结合深度学习和多模态MRI（包括多壳层扩散和灌注）下，用于检测胶质母细胞瘤残留和复发的性能 | 首次结合深度学习和多模态MRI（包括多壳层扩散和灌注）来比较DSC和ASL在胶质母细胞瘤复发检测中的性能，并发现ASL在特定区域（如手术腔附近）具有优势 | 研究为回顾性设计，样本量相对有限（137次MRI扫描，107名患者），且未详细讨论模型在其他肿瘤类型或更大数据集上的泛化能力 | 比较DSC和ASL两种MR灌注技术在区分胶质母细胞瘤复发和治疗后变化中的性能 | 胶质母细胞瘤患者的MRI图像，包括灌注和多壳层扩散数据 | 数字病理学 | 胶质母细胞瘤 | 动态磁敏感对比增强（DSC），动脉自旋标记（ASL），多壳层扩散MRI | 深度学习 | MRI图像 | 137次MRI扫描，来自107名胶质母细胞瘤患者 | nnU-Net | nnU-Net | Dice分数，曲线下面积（AUC） | NA |
| 252 | 2026-01-10 |
PET-TURTLE: Deep Unsupervised Support Vector Machines for Imbalanced Data Clusters
2025, IEEE signal processing letters
IF:3.2Q2
DOI:10.1109/lsp.2025.3636453
PMID:41497826
|
研究论文 | 本文提出了一种名为PET-TURTLE的深度无监督支持向量机方法，用于处理不平衡数据聚类问题 | 通过引入幂律先验来泛化成本函数以处理不平衡数据分布，并在标记过程中引入稀疏logits以简化搜索空间，从而提升聚类准确性 | NA | 改进深度聚类算法以更好地处理不平衡数据分布 | 合成数据和真实数据中的不平衡聚类问题 | 机器学习 | NA | NA | 深度无监督支持向量机 | NA | NA | NA | TURTLE, PET-TURTLE | 准确性 | NA |
| 253 | 2026-01-10 |
Linking RayStation AI auto-contouring with Eclipse TPS: a scripted workflow for clinical integration
2025, Reports of practical oncology and radiotherapy : journal of Greatpoland Cancer Center in Poznan and Polish Society of Radiation Oncology
IF:1.2Q3
DOI:10.5603/rpor.109182
PMID:41498081
|
研究论文 | 本研究提出了一种自动化脚本工作流，将RayStation的AI自动勾画功能集成到Eclipse治疗计划系统中，以提升放疗计划效率 | 开发了跨平台自动化集成脚本，实现了RayStation与Eclipse系统间的无缝数据交换，无需用户干预即可完成深度学习分割 | 仅验证了35个临床案例，样本规模有限；依赖特定软件版本（RayStation 2024B） | 解决不同放疗计划系统间AI工具集成的技术挑战，提升临床工作流效率 | 放疗计划中的靶区与危及器官轮廓勾画 | 数字病理 | NA | 深度学习分割 | 深度学习模型 | CT图像 | 35个临床案例 | Python, C# | 内置深度学习模型 | 处理时间 | NA |
| 254 | 2026-01-09 |
Deep Learning Enabled Scoring of Pancreatic Neuroendocrine Tumors Based on Cancer Infiltration Patterns
2025-Jan-23, Endocrine pathology
IF:11.3Q1
DOI:10.1007/s12022-025-09846-3
PMID:39847242
|
研究论文 | 本研究提出了一种基于深度学习的计算流程，首次自动分类胰腺神经内分泌肿瘤，通过细胞实体图构建和图神经网络整合病理学领域知识 | 首次将病理学领域知识整合到图神经网络的构建和训练中，以更深入地利用肿瘤微环境及其结构变化进行肿瘤分类 | 研究仅基于105张HE染色全切片图像，样本量相对有限，且未提及外部验证或泛化能力评估 | 开发自动化系统以减少观察者变异性，实现胰腺神经内分泌肿瘤的客观分类 | 胰腺神经内分泌肿瘤的组织样本 | 数字病理学 | 胰腺神经内分泌肿瘤 | HE染色 | 图神经网络 | 图像 | 105张HE染色全切片图像 | NA | 图神经网络 | F1分数 | NA |
| 255 | 2026-01-09 |
AI-Based Detection of Coronary Artery Occlusion Using Acoustic Biomarkers Before and After Stent Placement
2025, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3615394
PMID:41221436
|
研究论文 | 本研究利用人工智能（特别是DeepSets架构）学习患者特异性声学生物标志物，以区分12名患者经皮冠状动脉介入治疗前后的心音，用于检测冠状动脉阻塞 | 首次采用DeepSets架构结合Matching Pursuit分解，从心音中提取个体化声学生物标志物，实现非侵入性冠状动脉疾病监测 | 样本量较小（仅12名患者），研究为初步探索，需更多时间点数据验证长期监测效果 | 开发基于人工智能的非侵入性方法，用于冠状动脉疾病的早期检测和治疗监测 | 12名接受经皮冠状动脉介入治疗的人类患者的心音数据 | 机器学习 | 心血管疾病 | 心音记录，Matching Pursuit信号分解 | DeepSets | 音频 | 12名患者 | NA | DeepSets | 准确率 | NA |
| 256 | 2026-01-09 |
ESA-YOLOv5m: a lightweight spatial and improved attention-driven detection for brain tumor MRI analysis
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1733180
PMID:41488085
|
研究论文 | 本研究提出了一种集成增强空间注意力（ESA）的YOLOv5m轻量级框架，用于MRI扫描中的脑肿瘤检测 | 在YOLOv5m架构中引入轻量级ESA模块，置于SPPF层后，以增强特征判别能力并抑制背景噪声，提高定位精度而不增加计算复杂度 | 未明确提及，但可能包括数据集规模有限或仅针对特定MRI数据类型的泛化能力 | 开发一种轻量级且高效的脑肿瘤检测模型，以支持实时临床部署和边缘医疗应用 | 脑肿瘤MRI图像，包括胶质瘤、脑膜瘤和垂体瘤三类 | 计算机视觉 | 脑肿瘤 | MRI | CNN | 图像 | Figshare脑肿瘤MRI数据集，具体样本数未明确，包含三类肿瘤 | PyTorch | YOLOv5m, ESA | 精确率, 召回率, mAP@0.5 | 未明确指定GPU类型，但提及实时推理和边缘应用，暗示可能使用常见GPU或嵌入式设备 |
| 257 | 2026-01-09 |
The apple detection method based on multimodal features
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334911
PMID:41129553
|
研究论文 | 本文提出了一种基于多模态特征融合的苹果检测方法，旨在提升复杂环境下的检测性能 | 通过融合RGB图像、颜色与边缘特征图、深度特征图和点云四种互补模态，而非激进的结构修改，来增强特征表示和模型鲁棒性 | NA | 提高复杂环境下苹果和其他水果的检测准确性 | 苹果和其他水果 | 计算机视觉 | NA | 双目主动红外立体相机 | YOLOv5 | 图像, 点云 | NA | NA | YOLOv5 | 精确率, 召回率, F1分数 | NA |
| 258 | 2026-01-08 |
The Future of Medicine: AI and ML Driven Drug Discovery Advancements
2025, Current topics in medicinal chemistry
IF:2.9Q3
|
综述 | 本文综述了人工智能和机器学习在药物发现领域的应用进展，包括计算机辅助药物设计、深度学习等技术如何提升药物研发的效率和准确性 | 整合了AI/ML技术于药物发现过程，特别是通过大数据和深度学习处理复杂非线性数据，以增强药物-靶点相互作用预测和个性化治疗响应 | 未具体说明当前AI/ML方法在药物发现中的实际应用案例或数据验证细节，缺乏对技术局限性的深入讨论 | 探讨AI和ML如何推动药物发现领域的进步，提高药物设计的效率、安全性和成本效益 | 药物发现过程，包括靶点发现、先导化合物优化、临床试验等阶段 | 机器学习 | NA | 计算机辅助药物设计（CADD）、结构基于药物设计（SBDD）、配体基于药物设计（LBDD）、药效团建模、PBPK建模、高级纳米-QSAR | 深度学习 | 大数据 | NA | NA | NA | NA | NA |
| 259 | 2026-01-08 |
Advances in Diagnostic Approaches for Alzheimer's Disease: From Biomarkers to Deep Learning Technology
2025, CNS & neurological disorders drug targets
|
综述 | 本文综述了阿尔茨海默病的诊断方法进展，从生物标志物到深度学习技术 | 整合了传统生物标志物（如淀粉样蛋白β）与先进深度学习技术（特别是CNN）在阿尔茨海默病诊断中的应用，并强调了这些技术作为临床辅助而非替代的角色 | 未提及具体研究样本量或实验验证细节，且未讨论深度学习模型在实际临床部署中的具体挑战 | 探讨阿尔茨海默病的诊断方法进展，包括生物标志物和深度学习技术的应用 | 阿尔茨海默病的诊断技术与方法 | 数字病理学 | 老年性疾病 | 脑脊液采样、MRI、PET、X射线、CT、超声、乳腺X线摄影 | CNN | 图像 | NA | NA | NA | 准确率 | NA |
| 260 | 2026-01-08 |
Structure-aware completion of plant 3D LiDAR point clouds via a multi-resolution GAN-inversion network
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1698843
PMID:41487337
|
研究论文 | 本文提出了一种名为MRC-Net的无监督深度学习框架，用于在环境干扰和传感器限制下完成植物3D LiDAR点云的鲁棒、高保真补全 | 通过集成GAN反转策略与多分辨率原则，提出了一种无监督的多分辨率补全网络，利用多分辨率退化机制和多尺度判别器，在无监督条件下实现全局结构一致性与局部细节的平衡 | NA | 解决在环境干扰和传感器限制下，3D点云补全的鲁棒性和高保真性问题，以提升下游任务性能 | 植物3D LiDAR点云 | 计算机视觉 | NA | LiDAR | GAN | 3D点云 | 多个数据集，包括虚拟数据集（如CRN）和针对农业场景的自定义数据集 | NA | Multi-Resolution Completion Net (MRC-Net), ShapeInversion | Chamfer Distance (CD), F1分数 | NA |