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 3695 篇文献，本页显示第 1761 - 1780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1761 | 2025-06-15 |
Detection of cervical cell based on multi-scale spatial information
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87165-7
PMID:39856153
|
研究论文 | 提出了一种基于多尺度空间信息的宫颈细胞检测方法，以提高宫颈癌筛查和诊断的效率 | 设计了多尺度空间信息增强模块（MSA）和通道注意力增强模块（CAE），有效捕捉和整合不同尺度的空间信息，并动态优化关键特征 | 未提及具体的数据集规模或多样性限制，也未讨论模型在其他数据集上的泛化能力 | 提高宫颈癌筛查和诊断的效率和准确性 | 宫颈细胞 | 数字病理学 | 宫颈癌 | 深度学习 | Sparse R-CNN | 图像 | NA | NA | NA | NA | NA |
| 1762 | 2025-06-15 |
Phyla: Towards a foundation model for phylogenetic inference
2025-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.01.17.633626
PMID:39896621
|
研究论文 | 本文介绍了Phyla，一种专为系统发育推理设计的混合状态空间变换器架构，旨在通过树损失函数实现序列推理和系统发育树重建的最新性能 | Phyla采用了一种新颖的混合状态空间变换器架构和树损失函数，专注于序列间的推理能力，而非传统的单个序列学习 | NA | 开发一个用于系统发育推理的基础模型，提升计算生物学中序列分析和系统发育推理的性能 | 蛋白质序列和系统发育树 | 计算生物学 | NA | 深度学习 | 混合状态空间变换器 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 1763 | 2025-06-15 |
Artificial intelligence: the human response to approach the complexity of big data in biology
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf057
PMID:40504538
|
综述 | 本文探讨了人工智能在生命科学中的应用，特别是在处理高通量组学数据时的作用 | 强调了基于组学的预测分析在系统生物学中的作用，以及创新的AI分析方法在理解复杂生物系统中的价值 | 未具体提及研究的局限性 | 探讨人工智能在生命科学中的应用及其对组学数据分析的影响 | 植物科学、动物科学和微生物学中的生物过程和生态系统动态 | 机器学习 | NA | 高通量组学数据分析 | 深度学习 | 组学数据 | NA | NA | NA | NA | NA |
| 1764 | 2025-06-15 |
Improving lung cancer diagnosis and survival prediction with deep learning and CT imaging
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323174
PMID:40498724
|
研究论文 | 该论文提出了一种结合深度学习和CT影像的方法，用于改善肺癌的诊断和生存预测 | 使用卷积神经网络建模肺癌风险与肺部形态之间的非线性关系，并提出了结合小批量损失和二元交叉熵的方法来预测肺癌发生和死亡风险 | 未提及具体的数据集局限性或模型泛化能力问题 | 提高肺癌的诊断准确性和生存预测效果 | 肺癌患者 | 计算机视觉 | 肺癌 | CT成像 | 3D CNN | 医学影像 | 国家肺癌筛查试验数据集 | NA | NA | NA | NA |
| 1765 | 2025-06-15 |
An ensemble-based 3D residual network for the classification of Alzheimer's disease
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324520
PMID:40498744
|
研究论文 | 本研究提出了一种基于深度学习的集成方法，用于阿尔茨海默病的分类 | 采用加权概率的集成方法整合3D残差网络的结果，并引入CBAM注意力机制增强模型性能 | 数据量有限，需通过数据增强技术来提升准确率 | 早期诊断轻度认知障碍（MCI）以延缓阿尔茨海默病（AD）的进展 | 阿尔茨海默病（AD）及其前驱阶段轻度认知障碍（MCI）患者 | 数字病理学 | 老年病 | 深度学习 | 3D ResNet-18, 3D ResNet-34, 3D ResNet-50 | 图像 | NA | NA | NA | NA | NA |
| 1766 | 2025-06-15 |
In-depth exploration of software defects and self-admitted technical debt through cutting-edge deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324847
PMID:40498858
|
研究论文 | 提出了一种利用深度学习技术同时识别和分类自承认技术债务（SATD）及软件缺陷的创新方法 | 首次结合深度学习技术同时处理SATD和软件缺陷的识别与分类，并采用Transformer模型如GPT-3提升性能 | 未明确提及模型在小规模或特定领域软件项目中的泛化能力 | 提升软件质量评估与维护的全面性，优化技术债务与缺陷的认知及维护资源分配 | 软件注释中的自承认技术债务（SATD）及相关缺陷 | 自然语言处理 | NA | 深度学习架构（LSTM, BI-LSTM, GRU, BI-GRU）及Transformer模型（BERT, GPT-3） | LSTM, GRU, BERT, GPT-3 | 文本（软件注释） | 来自Apache、Mozilla Firefox和Eclipse等仓库的多样化项目数据，含SATD示例和缺陷实例 | NA | NA | NA | NA |
| 1767 | 2025-06-15 |
Interpretable deep learning for gastric cancer detection: a fusion of AI architectures and explainability analysis
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1596085
PMID:40510366
|
研究论文 | 本文提出了一种结合多种深度学习架构和可解释性分析的胃癌检测方法 | 融合了VGG16、RESNET50和MobileNetV2三种深度学习架构，并采用LIME技术提高模型决策的可解释性 | 未提及具体的数据集来源和样本多样性问题 | 开发高精度且可解释的胃癌检测系统以支持临床决策 | 胃癌的医学影像检测 | 数字病理学 | 胃癌 | 深度学习融合架构、LIME可解释性分析 | VGG16、RESNET50、MobileNetV2融合模型 | 医学影像 | NA | NA | NA | NA | NA |
| 1768 | 2025-06-15 |
Deep learning-based action recognition for analyzing drug-induced bone remodeling mechanisms
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1564157
PMID:40510423
|
research paper | 提出了一种基于深度学习的动作识别框架，用于分析药物诱导的骨重塑机制 | 结合图神经网络（GNNs）和动态信号传播模型，识别驱动骨重塑的关键分子相互作用，并集成预测药理学相互作用模型以量化药物-靶点相互作用 | 未提及具体实验样本量或数据来源的局限性 | 优化治疗干预并减少骨健康管理中的不良反应 | 药物诱导的骨重塑机制 | machine learning | geriatric disease | graph neural networks (GNNs), dynamic signal propagation model | GNN | multi-scale biological data | NA | NA | NA | NA | NA |
| 1769 | 2025-06-15 |
Graph convolutional neural networks improved target-specific scoring functions for cGAS and kRAS in virtual screening
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.023
PMID:40510763
|
研究论文 | 本研究通过结合分子图和卷积神经网络，提高了针对cGAS和kRAS蛋白的靶向特异性评分函数在虚拟筛选中的外推能力和准确性 | 首次将图卷积神经网络应用于靶向特异性评分函数的开发，显著提升了虚拟筛选的准确性和外推性能 | 研究仅针对cGAS和kRAS两种蛋白进行验证，需要更多靶点验证其普适性 | 提高虚拟筛选中靶向特异性评分函数的准确性和外推能力 | cGAS和kRAS蛋白 | 机器学习 | NA | 分子对接、虚拟筛选 | 图卷积神经网络(GCN)、传统机器学习模型 | 分子图数据 | NA | NA | NA | NA | NA |
| 1770 | 2025-06-15 |
Random splicing assisted deep learning for breast cancer cell line classification via Raman spectroscopy
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.051
PMID:40510766
|
研究论文 | 本文开发了一种名为随机拼接-卷积神经网络（RS-CNN）的深度学习框架，用于通过拉曼光谱对乳腺癌细胞系进行分类 | 通过随机拼接同一细胞系的拉曼光谱，RS-CNN增强了特征光谱特征，同时扩大了数据集规模并改善了信号质量 | NA | 开发一种深度学习框架以提高拉曼光谱在癌症识别中的准确性和效率 | 六种乳腺癌细胞系 | 数字病理学 | 乳腺癌 | 拉曼光谱 | RS-CNN（随机拼接-卷积神经网络） | 光谱数据 | 每种细胞系450个光谱，数据有限条件下为100个光谱/细胞系 | NA | NA | NA | NA |
| 1771 | 2025-06-14 |
Real-time detection and monitoring of public littering behavior using deep learning for a sustainable environment
2025-01-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77118-x
PMID:39848984
|
research paper | 利用深度学习实时检测和监控公共乱扔垃圾行为，以促进可持续环境 | 结合MoViNet视频分类模型和YOLOv8目标检测模型，通过面部识别和车牌识别技术识别乱扔垃圾的个体 | 数据收集困难，需通过模拟真实场景获取数据 | 通过技术手段减少公共乱扔垃圾行为，保护环境和人类健康 | 车辆和行人的乱扔垃圾行为 | computer vision | NA | 深度学习、计算机视觉 | MoViNet, YOLOv8, LRCN, CNN-RNN | 视频 | 模拟真实场景收集的数据集 | NA | NA | NA | NA |
| 1772 | 2025-01-24 |
From pixels to patients: the evolution and future of deep learning in cancer diagnostics: (Trends in Molecular Medicine, published online December 11, 2024)
2025-Jan-21, Trends in molecular medicine
IF:12.8Q1
DOI:10.1016/j.molmed.2024.12.012
PMID:39843287
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1773 | 2025-06-14 |
Deep Learning Applied to Diffusion-weighted Imaging for Differentiating Malignant from Benign Breast Tumors without Lesion Segmentation
2025-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240206
PMID:39565222
|
研究论文 | 评估和比较不同人工智能模型在扩散加权成像（DWI）中区分良性和恶性乳腺肿瘤的性能，并与放射科医生的评估进行比较 | 应用深度学习模型（特别是小型2D CNN）在无需病灶分割的情况下，利用DWI数据区分乳腺肿瘤的良恶性，且性能与放射科医生相当 | 研究为回顾性设计，样本量相对较小（334个乳腺病灶），且所有患者均为女性 | 评估AI模型在乳腺肿瘤良恶性鉴别中的性能 | 乳腺肿瘤患者 | 计算机视觉 | 乳腺癌 | 扩散加权成像（DWI） | 2D CNN, ResNet-18, EfficientNet-B0, 3D CNN | 医学影像 | 293名女性患者的334个乳腺病灶 | NA | NA | NA | NA |
| 1774 | 2025-06-14 |
Innovative data techniques for centrifugal pump optimization with machine learning and AI model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325952
PMID:40493691
|
research paper | 本文探讨了利用机器学习和AI模型优化离心泵的数据技术 | 采用Dewesoft FFT DAQ系统和传感器融合技术提取高质量数据，结合EDA、数据可视化和特征工程提升数据可解释性，并通过假设测试验证数据完整性 | 未提及具体模型在极端条件下的表现或泛化能力 | 提高离心泵的运营效率并减少模型训练时间 | 离心泵机器(CPM) | machine learning | NA | Exploratory Data Analysis (EDA), Data Visualization, Feature Engineering (FE) | machine learning classifiers, deep learning algorithms | sensor data | NA | NA | NA | NA | NA |
| 1775 | 2025-06-14 |
A User-Friendly Machine Learning Pipeline for Automated Leaf Segmentation in Atriplex lentiformis
2025, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322251344033
PMID:40496491
|
研究论文 | 本文介绍了一种用于植物表型分析的端到端深度学习管道，专注于自动化叶片分割 | 结合了微调的Mask R-CNN模型与自然语言提示技术，并集成了QR码自动识别功能，开发了用户友好的Streamlit网络应用 | 训练数据集较小（仅176张植物图像） | 开发一个准确、可扩展且用户友好的自动化叶片分割管道 | Atriplex lentiformis植物的叶片 | 计算机视觉 | NA | 深度学习 | Mask R-CNN, Segment Anything Model (SAM), Grounded SAM | 图像 | 176张植物图像 | NA | NA | NA | NA |
| 1776 | 2025-06-14 |
An integrated approach for mental health assessment using emotion analysis and scales
2025 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.12040
PMID:40502325
|
research paper | 该研究提出了一种结合情绪分析和量表的综合方法进行心理健康评估，特别是针对抑郁症的初步评估 | 整合了四种模块（面部情绪识别、量表问卷、语音情绪识别和医生聊天）进行抑郁症评估，提高了预测的准确性 | 情绪识别的准确性仍有提升空间，且用户可能需要与真实医生交流以消除疑虑 | 开发一种综合方法，通过情绪分析和量表评估抑郁症 | 抑郁症患者或潜在患者 | machine learning | mental illness | Facial Emotion Recognition (FER), Speech Emotion Recognition (SER), 量表问卷 | 深度学习模型（未明确具体类型） | image, audio, text | 使用了FER2013数据集以及RAVDESS、TESS、SAVEE和CREMA-D数据集 | NA | NA | NA | NA |
| 1777 | 2025-06-14 |
Integration of T cell repertoire, CyTOF, genotyping and symptomatology data reveals subphenotypic variability in COVID-19 patients
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.016
PMID:40502932
|
研究论文 | 该研究通过整合T细胞受体库、CyTOF、基因分型和症状学数据，揭示了COVID-19患者的亚表型变异性 | 使用LCM-BIC算法整合多种免疫表型和遗传数据，识别出三个新的患者聚类，并通过深度学习分析TCR氨基酸序列，发现与疾病严重程度相关的SARS-CoV-2特异性TCR序列 | 样本量较小（61名患者），且仅来自西班牙人群，可能限制结果的普适性 | 通过整合多种数据识别COVID-19患者的免疫和遗传特征，以帮助分层和管理患者 | 61名西班牙COVID-19患者（33名轻度，28名重度） | 免疫学 | COVID-19 | CyTOF, TCRseq, SNP分析, 深度学习 | LCM-BIC算法, 深度学习模型 | 免疫表型数据, 基因分型数据, 症状学数据 | 61名COVID-19患者（33名轻度，28名重度） | NA | NA | NA | NA |
| 1778 | 2025-06-14 |
Prediction of CRISPR-Cas9 on-target activity based on a hybrid neural network
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.001
PMID:40502933
|
研究论文 | 提出了一种基于混合神经网络CRISPR_HNN的CRISPR-Cas9靶向活性预测方法 | 整合了MSC、MHSA和BiGRU模块，有效捕捉局部动态特征和全局长距离依赖关系，并采用One-hot Encoding和Label Encoding策略 | 未提及具体的数据集局限性或模型泛化能力测试 | 提高sgRNA活性的预测准确性，以增强CRISPR-Cas9基因编辑技术的安全性和有效性 | CRISPR-Cas9系统中的sgRNA活性 | 机器学习 | NA | CRISPR-Cas9基因编辑技术 | 混合深度神经网络（整合MSC、MHSA和BiGRU） | 基因序列数据 | 未明确提及具体样本量，仅说明在公共数据集上测试 | NA | NA | NA | NA |
| 1779 | 2025-10-06 |
Minimal sourced and lightweight federated transfer learning models for skin cancer detection
2025-01-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82402-x
PMID:39837883
|
研究论文 | 提出一种基于轻量级联邦迁移学习的皮肤癌分类方法，使用最小资源实现高精度检测 | 结合轻量级预训练模型与联邦学习框架，在低像素图像和非独立同分布数据条件下实现高效皮肤癌分类 | 仅使用特定形状的低像素图像数据，模型在其他分辨率图像上的泛化能力未验证 | 开发资源需求最小化的高精度皮肤癌自动分类技术 | 皮肤病变图像数据 | 计算机视觉 | 皮肤癌 | 深度学习，联邦学习，迁移学习 | CNN | 图像 | NA | TensorFlow, PyTorch | EfficientNetV2S, EfficientNetB3, ResNet50, NasNetMobile | 准确率, 精确率, 召回率, 分类损失 | 轻量级计算资源 |
| 1780 | 2025-10-06 |
Predicting branch retinal vein occlusion development using multimodal deep learning and pre-onset fundus hemisection images
2025-01-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85777-7
PMID:39837962
|
研究论文 | 开发基于深度学习模型利用发病前眼底半球图像预测分支视网膜静脉阻塞 | 首次使用发病前眼底半球图像结合多模态深度学习预测BRVO，提出血管增强多模态方法 | 样本量有限（27只受影响眼睛），需要更大规模多中心数据集验证 | 预测分支视网膜静脉阻塞的发生 | 单侧BRVO患者的眼底半球图像 | 计算机视觉 | 视网膜静脉阻塞 | 眼底成像 | 深度学习 | 图像 | 27只BRVO受影响眼睛与81只未受影响半球图像（来自韩国两家三级医疗中心2005-2023年数据） | NA | U-net | AUC, 准确率 | NA |