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 3218 篇文献，本页显示第 1701 - 1720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1701 | 2025-10-07 |
Enhancing Privacy-Preserving Cancer Classification with Convolutional Neural Networks
2025, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:39670396
|
研究论文 | 提出一种基于卷积神经网络的隐私保护癌症分类方法OGHE，利用同态加密技术处理基因组数据 | 设计了专门针对同态加密限制的神经网络架构，并引入高效的打包机制降低计算开销，同时提出新型特征选择方法VarScout | 未明确说明模型在更大规模数据集上的泛化能力，也未详细讨论不同癌症类型间的性能差异 | 开发隐私保护的癌症分类方法，在保证数据机密性的同时实现准确的癌症分类 | 基因组数据中的空间模式 | 机器学习 | 癌症 | 基因组数据分析 | CNN | 基因组数据 | iDash 2020数据集 | NA | 卷积神经网络 | 准确率，延迟 | NA |
| 1702 | 2025-10-07 |
A Dynamic Model for Early Prediction of Alzheimer's Disease by Leveraging Graph Convolutional Networks and Tensor Algebra
2025, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
PMID:39670404
|
研究论文 | 提出一种基于图卷积网络和张量代数的动态深度学习模型DyEPAD，用于早期预测轻度认知障碍向阿尔茨海默病的进展 | 结合图卷积网络捕获时间步嵌入，并利用张量代数操作进行频域分析，全面捕捉所有时间步的演化模式 | 仅基于电子健康记录数据，未整合多模态数据；模型在长期依赖捕获方面的改进效果需进一步验证 | 开发早期预测阿尔茨海默病的方法，识别轻度认知障碍患者向阿尔茨海默病进展的风险 | 轻度认知障碍患者 | 机器学习 | 阿尔茨海默病 | 电子健康记录分析 | GCN, 深度学习 | 电子健康记录 | ADNI和NACC数据集中的患者样本 | NA | 图卷积网络 | 与最先进方法和基线方法比较的性能指标 | NA |
| 1703 | 2025-10-07 |
Deep Learning Predicts Subtype Heterogeneity and Outcomes in Luminal A Breast Cancer Using Routinely Stained Whole-Slide Images
2025-Jan-01, Cancer research communications
IF:2.0Q3
DOI:10.1158/2767-9764.CRC-24-0397
PMID:39740059
|
研究论文 | 利用深度学习模型通过常规染色全切片图像预测Luminal A型乳腺癌的亚型异质性和临床结局 | 首次使用转录组数据训练的深度学习模型，通过常规病理图像低成本量化并精确定位LumA乳腺癌亚型混合导致的瘤内异质性 | NA | 探索乳腺癌亚型异质性机制及其对个体化治疗选择的影响 | Luminal A型乳腺癌患者 | 数字病理 | 乳腺癌 | 全切片图像分析 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1704 | 2025-10-07 |
Predicting sinonasal inverted papilloma attachment using machine learning: Current lessons and future directions
2025 Jan-Feb, American journal of otolaryngology
IF:1.8Q2
DOI:10.1016/j.amjoto.2024.104549
PMID:39740533
|
研究论文 | 开发基于nnU-Net的机器学习模型，通过分析CT图像预测鼻腔鼻窦内翻性乳头状瘤的附着部位 | 首次将nnU-Net这一先进深度学习分割算法应用于鼻腔鼻窦内翻性乳头状瘤附着部位的自动识别 | 样本量较小(58例)，模型性能有待提升，需要更大规模和更多样化的数据集 | 开发能够自动识别鼻腔鼻窦内翻性乳头状瘤附着部位的机器学习模型 | 鼻腔鼻窦内翻性乳头状瘤患者 | 医学影像分析 | 鼻腔鼻窦肿瘤 | CT影像分析 | 深度学习分割模型 | CT图像 | 58例患者 | nnU-Net | nnU-Net | Sørensen-Dice系数, 识别准确率 | NA |
| 1705 | 2025-10-07 |
NeuTox 2.0: A hybrid deep learning architecture for screening potential neurotoxicity of chemicals based on multimodal feature fusion
2025-Jan, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2024.109244
PMID:39742830
|
研究论文 | 开发了一种基于多模态特征融合的混合深度学习架构NeuTox 2.0，用于化学物质的神经毒性筛查 | 结合自监督学习的迁移学习、图神经网络和分子指纹/描述符的多模态特征融合方法 | 在BBB数据集上的性能未超越最佳单模态模型 | 开发高精度的神经毒性虚拟筛选工具 | 化学化合物的神经毒性预测 | 机器学习 | 神经毒性疾病 | 多模态特征融合 | 图神经网络,深度学习 | 分子结构数据,化学描述符 | 四个神经毒性相关数据集+REACH数据库中的315,790种化合物 | NA | 混合深度学习架构 | 多种统计指标 | NA |
| 1706 | 2025-10-07 |
Analyzing the TotalSegmentator for facial feature removal in head CT scans
2025-Jan, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2024.12.018
PMID:39754865
|
研究论文 | 本研究评估了TotalSegmentator在头颈部CT扫描中面部特征去除的效果，以降低重新识别风险 | 首次系统评估TotalSegmentator在CT图像去身份化中的应用，并与现有先进算法进行对比 | 仅使用单一数据集（UCLH EIT Stroke数据集），样本量有限（1404个渲染图像） | 开发保护隐私的医学图像处理流程，在保持数据完整性的同时降低重新识别风险 | 头颈部CT扫描图像中的面部特征 | 医学图像处理 | 卒中 | CT扫描，深度学习 | 深度学习模型，支持向量机 | CT图像 | 1404个高质量渲染图像（来自UCLH EIT Stroke数据集） | NA | NA | ROC-AUC，准确率，余弦相似度 | NA |
| 1707 | 2025-10-07 |
Benchmarking uncertainty quantification for protein engineering
2025-Jan, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1012639
PMID:39775201
|
研究论文 | 本研究系统评估了深度学习不确定性量化方法在蛋白质工程序列-功能建模中的表现 | 首次在蛋白质数据集上系统比较多种深度学习不确定性量化方法，并评估其在分布偏移下的表现 | 没有单一的不确定性量化方法在所有数据集、数据划分和评估指标上表现最佳 | 评估不确定性量化方法在蛋白质工程中的有效性，为生物序列设计提供建议 | 蛋白质序列-功能关系 | 机器学习 | NA | 深度学习不确定性量化 | 深度学习 | 蛋白质序列数据 | FLIP基准数据集 | NA | 预训练语言模型 | 准确率, 校准度, 覆盖率, 区间宽度, 秩相关 | NA |
| 1708 | 2025-10-07 |
Quantitative Structural and Compositional Elucidation of Real-World Pharmaceutical Tablet Using Large Field-of-View, Correlative Microscopy-Tomography Techniques and AI-Enabled Image Analysis
2025-Jan, Pharmaceutical research
IF:3.5Q2
DOI:10.1007/s11095-024-03812-0
PMID:39779618
|
研究论文 | 本研究提出了一种结合关联显微镜-断层扫描技术和人工智能图像分析的定量方法，用于解析真实世界药物片剂的结构与成分 | 开发了关联显微镜-断层扫描与AI图像分析相结合的新方法，能够对真实药物片剂进行微米级定量结构解析 | 仅针对含15%API的单一类型片剂进行了验证，方法在更复杂配方中的适用性需进一步验证 | 实现药物片剂结构与成分的定量解析，促进片剂配方和工艺开发 | 真实世界药物片剂（含15%API和多种辅料） | 计算机视觉 | NA | 关联扫描电子显微镜、能量色散X射线光谱、同步辐射X射线微计算机断层扫描 | 监督机器学习,深度学习 | 图像 | 一种真实世界片剂样品 | NA | NA | 成分定量准确性,孔隙率测量准确性,粒径分布匹配度 | NA |
| 1709 | 2025-10-07 |
Double Oracle Neural Architecture Search for Game Theoretic Deep Learning Models
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3558420
PMID:40215149
|
研究论文 | 提出一种基于双预言机框架的神经架构搜索方法，用于改进生成对抗网络和对抗训练 | 将博弈论中的双预言机框架扩展到神经架构搜索领域，提出DONAS-GAN和DONAS-AT方法 | 未明确说明计算复杂度和大规模策略空间下的可扩展性限制 | 解决GAN和对抗训练在大规模策略空间中寻找纳什均衡的挑战 | 生成对抗网络和对抗训练模型 | 机器学习 | NA | 神经架构搜索 | GAN | 图像 | MNIST、CIFAR-10、TinyImageNet、SVHN数据集 | NA | NA | 定性评估、定量指标、FGSM攻击鲁棒性、PGD攻击鲁棒性 | NA |
| 1710 | 2025-10-07 |
SMANet: A Model Combining SincNet, Multi-Branch Spatial-Temporal CNN, and Attention Mechanism for Motor Imagery BCI
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3560993
PMID:40232894
|
研究论文 | 提出一种结合SincNet、多分支时空CNN和注意力机制的端到端深度学习模型SMANet，用于运动想象脑机接口分类 | 首次将SincNet、多分支时空卷积神经网络和注意力机制相结合，采用多目标优化方案整合交叉熵损失和中心损失来增强判别性特征 | NA | 提高运动想象脑机接口中EEG信号的解码准确率 | 运动想象脑机接口的EEG信号 | 脑机接口 | NA | 脑电图 | CNN, 注意力机制 | EEG信号 | BCI Competition IV 2a（四类MI数据集）、BCI Competition IV 2b（二类MI数据集）、OpenBMI（二类MI数据集） | NA | SincNet, 多分支时空CNN, ECA注意力机制 | 准确率 | NA |
| 1711 | 2025-10-07 |
An empirical study of preventive healthcare policy under the synergy of education and corporate financial monitoring
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1540618
PMID:40276349
|
研究论文 | 本研究通过企业财务监控与教育协同视角，评估预防性医疗政策的有效性 | 首次将企业财务监控与预防性医疗政策评估相结合，开发了动态风险自适应框架 | 未明确说明研究样本的具体规模和地域范围 | 通过跨学科方法提升预防性医疗政策的社会经济效果评估 | 预防性医疗政策与企业财务指标的关联性 | 机器学习 | NA | 深度学习、动态风险建模 | 神经网络 | 财务指标、政策实施数据 | NA | NA | 高级财务监控神经框架(AFMNF)、动态风险自适应框架(DRAF) | 预测准确率、异常检测提升率 | NA |
| 1712 | 2025-05-01 |
Development of Multicenter Deep Learning Models for Predicting Surgical Complexity and Surgical Site Infection in Abdominal Wall Reconstruction, a Pilot Study
2025, Journal of abdominal wall surgery : JAWS
DOI:10.3389/jaws.2025.14371
PMID:40297249
|
研究论文 | 开发用于预测腹壁重建手术复杂性和手术部位感染风险的多中心深度学习模型 | 首次使用多中心深度学习模型预测腹壁重建手术的复杂性和手术部位感染风险 | CST模型表现不佳，可能反映了手术决策的主观性和不同机构的实践差异 | 预测腹壁重建手术的复杂性和手术部位感染风险 | 腹壁重建手术患者 | 数字病理 | 腹壁疝 | 深度学习 | ResNet-18 | CT图像 | 来自两个三级腹壁重建中心的去标识化CT图像 | NA | NA | NA | NA |
| 1713 | 2025-05-01 |
RSDCNet: An efficient and lightweight deep learning model for benign and malignant pathology detection in breast cancer
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251336286
PMID:40297351
|
研究论文 | 本研究提出了一种名为RSDCNet的高效轻量级深度学习模型，用于乳腺癌良恶性病理检测 | RSDCNet结合了深度可分离卷积和SCSE模块，在减少模型参数的同时增强了关键特征提取能力，实现了轻量化和高效率 | 研究仅使用了BreakHis数据集，未在其他独立数据集上进行验证 | 开发一种高效、自动化和精确的乳腺癌病理检测方法 | 乳腺癌良恶性病理图像 | 数字病理 | 乳腺癌 | 深度学习 | RSDCNet（基于CNN的改进模型） | 图像 | 9109张乳腺肿瘤显微图像（来自BreakHis数据集） | NA | NA | NA | NA |
| 1714 | 2025-05-01 |
Magnetic resonance radiomics-based deep learning model for diagnosis of Alzheimer's disease
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251337183
PMID:40297370
|
研究论文 | 本研究提出了一种基于磁共振影像组学和深度学习的模型，用于阿尔茨海默病的诊断 | 结合磁共振影像组学特征和深度学习模型TabNet，实现了阿尔茨海默病的高精度诊断 | 研究样本量相对有限，且来自特定种族群体 | 开发一种基于深度学习的阿尔茨海默病诊断方法 | 阿尔茨海默病患者、轻度认知障碍患者和正常对照者 | 数字病理学 | 老年病 | 磁共振成像(MRI) | TabNet | 图像 | ADNI数据库中的141名AD患者、166名MCI患者和231名正常对照者，以及华山医院的45名AD患者、35名MCI患者和31名正常对照者 | NA | NA | NA | NA |
| 1715 | 2025-05-01 |
Development of a deep learning model to predict smoking status in patients with chronic obstructive pulmonary disease: A secondary analysis of cross-sectional national survey
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251333660
PMID:40297369
|
研究论文 | 开发并验证了一个深度学习模型，用于预测慢性阻塞性肺疾病（COPD）患者的吸烟状况 | 使用残差神经网络（ResNN）模型预测COPD患者的吸烟状况，并比较了多种机器学习和深度学习模型，性能优于其他模型 | 需要外部验证，并纳入更多行为和心理学变量以提高模型的通用性和性能 | 开发一个深度学习模型，用于预测COPD患者的吸烟状况 | COPD患者 | 机器学习 | 慢性阻塞性肺疾病 | 深度学习 | ResNN | 结构化数据（包括人口统计学、行为学和临床变量） | 5466例COPD患者 | NA | NA | NA | NA |
| 1716 | 2025-05-01 |
A hybrid power load forecasting model using BiStacking and TCN-GRU
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321529
PMID:40294011
|
研究论文 | 本文提出了一种结合集成学习和深度学习技术的混合预测模型BiStacking+TCN-GRU，用于电力负荷预测 | 结合了BiStacking集成学习和TCN-GRU深度学习技术，通过Pearson相关系数选择特征，提高了预测准确性 | 实验数据仅基于巴拿马2020年的电力负荷数据，可能在其他地区或时间段的适用性有待验证 | 提高电力负荷预测的准确性，减少能源浪费并改善电网稳定性 | 电力负荷数据 | 机器学习 | NA | Pearson相关系数(PCC)、BiStacking、TCN、GRU | BiStacking+TCN-GRU | 电力负荷数据 | 巴拿马2020年电力负荷数据 | NA | NA | NA | NA |
| 1717 | 2025-10-07 |
A divide-and-conquer approach based on deep learning for long RNA secondary structure prediction: Focus on pseudoknots identification
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314837
PMID:40279361
|
研究论文 | 提出一种基于深度学习的DivideFold方法，用于预测长RNA二级结构（包括假结） | 采用分治策略递归分割长RNA序列，结合深度学习模型解决长序列和假结预测的挑战 | 未明确说明方法对特定RNA类型的适用性限制 | 提高长RNA二级结构（特别是假结）的预测准确性 | 长RNA序列及其二级结构 | 生物信息学 | NA | RNA二级结构预测 | 深度学习 | RNA序列数据 | NA | NA | NA | 假结预测准确率、二级结构预测准确率 | NA |
| 1718 | 2025-10-07 |
Towards sustainable architecture: Enhancing green building energy consumption prediction with integrated variational autoencoders and self-attentive gated recurrent units from multifaceted datasets
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317514
PMID:40279377
|
研究论文 | 提出一种集成变分自编码器和自注意力门控循环单元的深度学习框架，用于绿色建筑能耗预测 | 首次将时间依赖变分自编码器与自适应门控自注意力GRU相结合，并采用多任务学习策略同时优化预测精度和异常检测 | 仅基于两个公共数据集进行验证，未在更广泛的实际场景中测试 | 提高绿色建筑能耗预测准确性以支持能源管理和节能减排 | 绿色建筑的能源消耗时间序列数据 | 机器学习 | NA | 时间序列分析 | TD-VAE, AGSA-GRU | 时间序列数据 | 两个公共绿色建筑能耗数据集 | NA | 时间依赖变分自编码器, 自适应门控自注意力GRU | 准确率, AUC, 假阳性率, 真阳性率 | NA |
| 1719 | 2025-04-29 |
Synthetic fibrosis distributions for data augmentation in predicting atrial fibrillation ablation outcomes: an in silico study
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1512356
PMID:40290188
|
研究论文 | 本研究利用去噪扩散概率模型生成合成纤维化分布，以增强深度学习预测心房颤动消融结果的数据集 | 使用去噪扩散概率模型生成合成纤维化分布，并通过生物物理模拟扩增训练数据集，以提高深度学习模型的预测性能 | 研究基于计算机模拟，尚未在真实患者数据中验证其临床适用性 | 提高深度学习模型预测心房颤动消融结果的准确性 | 心房颤动患者的纤维化分布及消融策略效果 | 数字病理学 | 心血管疾病 | LGE-MRI, 去噪扩散概率模型, 生物物理模拟 | 深度学习, 去噪扩散概率模型 | 图像, 模拟数据 | 100个真实LGE-MRI分布用于训练模型，生成1000个双心房网格用于模拟 | NA | NA | NA | NA |
| 1720 | 2025-04-29 |
The current status and future directions of artificial intelligence in the prediction, diagnosis, and treatment of liver diseases
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251325418
PMID:40290269
|
review | 本文综述了人工智能在肝病预测、诊断和治疗中的当前应用及未来发展方向 | 强调了机器学习和深度学习算法在肝病领域的应用进展 | 指出了该领域面临的挑战，包括需要大规模数据集、鲁棒算法和临床实践中的伦理考虑 | 探讨人工智能在肝病预测、诊断和治疗中的应用及其未来发展方向 | 肝病 | machine learning | liver disease | machine learning, deep learning | NA | NA | NA | NA | NA | NA | NA |