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 16751 篇文献，本页显示第 2101 - 2120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2101 | 2025-10-30 |
S2S: A deep learning method for the radiological diagnosis of fine-grained diseases spanning screening to subtyping
2025-Oct-10, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101294
PMID:41142912
|
研究论文 | 提出一种用于细粒度疾病放射学诊断的筛查到分型AI范式，覆盖从初筛到最终分型的完整诊断流程 | 首次提出专门针对细粒度疾病的多阶段放射学诊断AI范式，整合多诊断阶段、多放射学视角、多病灶维度和多成像模态信息 | NA | 开发能够准确诊断细粒度疾病的放射学AI系统 | 细粒度胸部癌症亚型的放射影像 | 计算机视觉 | 胸部癌症 | 放射影像分析 | 深度学习 | 放射影像 | 大规模多中心放射影像数据集 | NA | NA | NA | NA |
| 2102 | 2025-10-30 |
DeepProtein: deep learning library and benchmark for protein sequence learning
2025-Oct-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf165
PMID:40388205
|
研究论文 | 本文介绍了专为蛋白质相关任务设计的深度学习库DeepProtein及其基准测试 | 开发了专门针对蛋白质序列学习的综合深度学习库，并建立了多任务基准评估体系，同时提出了基于Prot-T5微调的DeepProt-T5模型系列 | NA | 为蛋白质科学研究提供易用的深度学习工具和性能基准 | 蛋白质序列数据 | 机器学习 | NA | 深度学习 | 基于Prot-T5的微调模型 | 蛋白质序列数据 | NA | 基于DeepPurpose构建 | Prot-T5, DeepProt-T5 | 在蛋白质功能预测、亚细胞定位预测、蛋白质-蛋白质相互作用预测和蛋白质结构预测等任务上的性能评估 | NA |
| 2103 | 2025-10-30 |
G4STAB: a multi-input deep learning model to predict G-quadruplex thermodynamic stability based on sequence and salt concentration
2025-Oct-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf545
PMID:41014017
|
研究论文 | 开发了一个多输入深度学习模型G4STAB，用于基于序列特征和盐浓度预测G-四链体热力学稳定性 | 首个不依赖预定结构特征，能够同时考虑序列特征、盐浓度和pH值来预测G-四链体熔解温度的多输入深度学习模型 | 模型训练数据量相对有限（2382个DNA G4序列），可能无法覆盖所有可能的G4拓扑结构 | 开发准确预测G-四链体热力学稳定性的计算模型 | DNA G-四链体序列及其热力学稳定性 | 机器学习 | NA | 深度学习 | 多输入深度神经网络 | 序列数据, 化学浓度数据 | 2382个DNA G-四链体序列用于训练，391502个实验验证的G4用于分析 | NA | 多输入深度神经网络 | R² | NA |
| 2104 | 2025-10-30 |
Multimodal deep learning with hyperspectral imaging for accurate origin classification of wolfberries
2025-Oct, Food chemistry: X
DOI:10.1016/j.fochx.2025.103166
PMID:41140601
|
研究论文 | 提出一种融合高光谱成像的多模态深度学习模型，用于枸杞地理产地的精确分类 | 采用交叉注意力机制有效融合光谱和图像特征，通过简化注意力机制降低计算复杂度并提升模型可解释性 | NA | 实现枸杞地理产地的精确分类，以评估其营养和药用特性 | 枸杞 | 计算机视觉 | NA | 高光谱成像 | CNN | 图像, 光谱数据 | NA | NA | 多模态卷积神经网络(MTCNN) | 准确率 | NA |
| 2105 | 2025-10-30 |
HER2-IHC-40x: A high-resolution histopathology dataset for HER2 IHC scoring in breast cancer
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111922
PMID:41143256
|
研究论文 | 本文介绍了一个用于乳腺癌HER2免疫组织化学评分的高分辨率数字病理学数据集 | 提供了首个专门针对HER2 IHC评分的高分辨率全切片图像和提取区域集合数据集，包含两种数据划分策略和颜色直方图过滤方法 | 数据集仅包含107张全切片图像，样本规模相对有限 | 为计算病理学分析提供结构化的高质量数据资源 | 乳腺癌组织切片中的HER2免疫组织化学染色区域 | 数字病理学 | 乳腺癌 | 免疫组织化学染色，全切片图像扫描 | 深度学习模型 | 图像 | 107张全切片图像，从中提取的1024×1024像素图像块 | NA | NA | NA | NA |
| 2106 | 2025-10-30 |
MeatScan: An image dataset for machine learning-based classification of fresh and spoiled cow meat
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.112045
PMID:41143259
|
研究论文 | 本文介绍了MeatScan数据集，用于支持基于深度学习的鲜肉与变质牛肉二元分类 | 提供了首个在加纳真实环境中采集的牛肉新鲜度分类图像数据集，填补了计算机视觉与食品安全检测在资源匮乏环境中的应用空白 | 数据集仅包含加纳地区的样本，可能限制了在其他地理区域的泛化能力 | 开发用于食品安全监测的机器学习分类方法 | 新鲜与变质的牛肉样本 | 计算机视觉 | NA | 图像采集 | CNN | 图像 | 11,000张高分辨率RGB图像（5,627张新鲜，5,373张变质） | NA | NA | NA | NA |
| 2107 | 2025-10-30 |
Development and validation of deep learning models for qualitative classification of benign and malignant enlarged cervical lymph nodes based on ultrasound images
2025-Sep-30, Gland surgery
IF:1.5Q3
DOI:10.21037/gs-2024-576
PMID:41142548
|
研究论文 | 开发并验证基于超声图像的深度学习模型，用于良恶性颈部淋巴结的定性分类 | 首次系统比较多种深度学习模型在颈部淋巴结良恶性分类中的性能，发现VGG16模型表现最佳 | 回顾性研究设计，样本来源单一，模型性能存在提升空间 | 提高颈部淋巴结良恶性术前定性诊断的准确性 | 经超声引导活检病理证实的颈部淋巴结 | 计算机视觉 | 淋巴结疾病 | 超声成像 | 深度学习 | 超声图像 | 2,697名患者的3,014个颈部淋巴结（良性1,489例，恶性1,525例） | NA | VGG16, ResNet101, ResNet50 | AUC, 准确率, 敏感度, 特异度 | NA |
| 2108 | 2025-10-30 |
Performance assessment of computed tomographic angiography fractional flow reserve using deep learning: SMART trial summary
2025-Sep-28, Journal of geriatric cardiology : JGC
IF:1.8Q3
DOI:10.26599/1671-5411.2025.09.002
PMID:41143164
|
研究论文 | 评估基于深度学习的CT血管造影血流储备分数技术(DVFFR)在诊断冠状动脉疾病中的性能 | 开发了基于深度学习的CT-FFR方法DeepVessel FFR，利用完整的冠状动脉树结构进行血流储备分数计算 | 回顾性单中心研究，样本量有限(339名患者) | 评估深度学习CT-FFR技术在诊断冠状动脉疾病缺血中的性能 | 疑似稳定型冠状动脉疾病患者 | 医学影像分析 | 心血管疾病 | 计算机断层扫描血管造影(CTA) | 深度学习 | 医学影像 | 339名患者(60.5±10.0岁，209名男性)，414条血管 | NA | DeepVessel FFR | 灵敏度,特异性,准确度,阳性预测值,阴性预测值,AUC | NA |
| 2109 | 2025-10-30 |
The Evolution and Clinical Impact of Deep Learning Technologies in Breast MRI
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.rev.2024-0056
PMID:39477506
|
综述 | 本文综述了深度学习技术在乳腺MRI中的演变历程和临床影响，重点探讨其在图像重建、分类、检测、分割及临床结局预测等方面的应用 | 系统总结了深度学习在乳腺MRI多任务应用中的革命性进展，包括改善图像质量、提升良恶性病变鉴别精度以及实现个性化治疗策略预测 | 技术临床应用仍面临挑战，需要进一步研究验证并建立法律伦理框架 | 探讨深度学习技术在乳腺MRI领域的演进过程及其对临床实践的影响 | 乳腺MRI影像数据及相关临床结局（新辅助化疗反应、乳腺癌复发） | 医学影像 | 乳腺癌 | MRI | CNN, RNN, GAN | 医学影像 | NA | NA | NA | NA | NA |
| 2110 | 2025-09-15 |
A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images
2025-Sep-11, Journal of the American Academy of Dermatology
IF:12.8Q1
DOI:10.1016/j.jaad.2025.09.010
PMID:40945744
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2111 | 2025-10-30 |
Artificial Intelligence in Fracture Diagnosis on Radiographs: Evidence, Pitfalls, and Pathways for Clinical Integration (2020-2025)
2025-Sep, Cureus
DOI:10.7759/cureus.93124
PMID:41141172
|
综述 | 本文对2020-2025年间人工智能在X光片骨折诊断中的应用证据、局限性和临床整合路径进行叙事性综合评述 | 系统梳理了近五年AI骨折诊断的研究进展，重点关注临床部署实践和监管审批现状 | 存在数据集偏差、泛化能力有限、可解释性不足和患者中心结局不确定等挑战 | 评估AI在骨折诊断中的诊断性能、临床效用和整合路径 | X光片和其他影像模态中的骨折检测 | 医学影像分析 | 骨折 | 深度学习 | 深度学习系统 | X光影像 | 基于多项系统评价和荟萃分析的综合样本 | NA | NA | 灵敏度, 特异性 | NA |
| 2112 | 2025-10-30 |
[Exploration and application of attention mechanism in survival analysis of competitive events in oral cancer]
2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41157971
|
研究论文 | 本研究基于注意力机制构建了OSAA模型用于口腔癌竞争事件生存分析，并探索其在口腔癌辅助诊疗中的应用价值 | 首次将注意力机制应用于口腔癌竞争事件的生存分析，开发了OSAA模型 | NA | 开发基于注意力机制的口腔癌竞争事件生存分析模型并评估其性能 | 来自SEER数据库的口腔癌患者数据 | 机器学习 | 口腔癌 | 生存分析 | 深度学习 | 临床数据 | NA | NA | 注意力机制 | C-index, IBS, Kaplan-Meier生存曲线, 时间依赖性ROC曲线 | NA |
| 2113 | 2025-10-30 |
[Preliminary study of alveolar socket measurement on CBCT based on SAM]
2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41157983
|
研究论文 | 本研究开发了一种基于SAM的深度学习自动测量工具，用于CBCT影像中牙槽窝尺寸的测量 | 首次将Segment Anything Model(SAM)应用于CBCT影像的牙槽窝自动测量，开发了交互式分割测量工具 | 样本量较小（29名患者），仅评估了特定牙位（5-5位置）的测量准确性 | 评估基于深度学习的CBCT自动测量工具的准确性，并与手动测量进行比较验证 | 成人患者的CBCT影像和牙槽窝横断面 | 计算机视觉 | 口腔疾病 | CBCT成像 | SAM | 医学影像 | 29名成年患者（11男，18女），427个牙槽窝横断面 | NA | Segment Anything Model | 决定系数(R2), 测量误差, Pearson相关系数 | NA |
| 2114 | 2025-10-30 |
A ViTUNeT-based model using YOLOv8 for efficient LVNC diagnosis and automatic cleaning of dataset
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0048
PMID:40460443
|
研究论文 | 提出结合ViTUNeT和YOLOv8的模型，用于左心室致密化不全诊断和数据集自动清洗 | 提出ViTUNeT架构（结合U-Net和Vision Transformers），并集成YOLOv8模型进行感兴趣区域检测和数据集自动清洗 | 数据集质量限制了模型精度的进一步提升 | 改进左心室致密化不全的诊断准确性和心脏图像分析 | 左心室致密化不全患者、Titin心肌病患者和健康个体的心脏MRI图像 | 计算机视觉 | 心血管疾病 | MRI | U-Net, Vision Transformer, YOLO | 医学图像 | 包含新患者和健康个体的扩展数据集 | NA | ViTUNeT, YOLOv8, U-Net | NA | NA |
| 2115 | 2025-10-30 |
Radiomics of PET Using Neural Networks for Prediction of Alzheimer's Disease Diagnosis
2025-Jun, Statistics in medicine
IF:1.8Q1
DOI:10.1002/sim.70128
PMID:40468810
|
研究论文 | 本研究开发了基于图神经网络和Transformer编码器的深度学习模型，利用纵向PET图像和认知评分预测阿尔茨海默病的诊断和转化 | 首次将图神经网络和Transformer编码器应用于纵向PET图像序列分析，同时考虑了访间时间变异性 | 数据来源于单一研究ADNI，未在外部数据集验证 | 利用纵向PET图像和认知评分预测阿尔茨海默病的诊断和从认知正常或轻度认知障碍向AD的转化 | 阿尔茨海默病神经影像计划(ADNI)研究收集的数据 | 医学影像分析 | 阿尔茨海默病 | 正电子发射断层扫描(PET) | GNN, Transformer, RNN, FFN | 医学图像(PET图像), 认知评分 | ADNI研究数据集 | NA | 图神经网络, Transformer编码器, 循环神经网络, 前馈神经网络 | 准确率, AUC, Brier分数 | NA |
| 2116 | 2025-10-30 |
Automated mitosis detection in stained histopathological images using Faster R-CNN and stain techniques
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0049
PMID:40491077
|
研究论文 | 本研究使用Faster R-CNN和染色技术实现染色组织病理图像中的自动有丝分裂检测 | 提出基于Faster R-CNN的两阶段目标检测模型，并应用染色增强和标准化技术解决组织病理图像分析中的域偏移挑战 | 未明确说明样本量的具体数值和计算资源细节 | 开发自动有丝分裂检测方法以辅助癌症诊断和治疗 | 染色组织病理图像中的有丝分裂细胞 | 数字病理 | 癌症 | 染色增强, 染色标准化 | Faster R-CNN, RetinaNet | 图像 | MIDOG++数据集 | PyTorch, fastai | Faster R-CNN, RetinaNet | F1分数 | NA |
| 2117 | 2025-10-30 |
Leveraging transformers for semi-supervised pathogenicity prediction with soft labels
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0047
PMID:40538169
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型，用于预测遗传变异的致病性 | 采用半监督学习方法处理包含明确标记和模糊标记的遗传变异数据，并利用Feature Tokenizer Transformer架构处理数值和分类基因组信息 | 模型对明确标记变异的预测准确性较高，但对不确定性数据的预测效果仍需改进 | 开发遗传变异致病性预测模型以推进个性化医疗 | 来自NGS输出的遗传变异数据，包括明确标记和模糊标记的变异 | 机器学习 | NA | NGS | Transformer | 基因组数据 | NA | NA | Feature Tokenizer Transformer | 准确率 | NA |
| 2118 | 2025-10-30 |
Colon cancer survival prediction from gland shapes within histology slides using deep learning
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0052
PMID:40650530
|
研究论文 | 本研究利用深度学习技术从结直肠癌组织病理图像中分割腺体，并基于腺体形态特征预测患者生存期 | 结合GlaS和CRAG数据集训练模型以增强泛化能力，并首次将腺体形态特征与生存预测相结合 | 模型在特定领域准确性和跨数据集鲁棒性之间存在权衡 | 通过腺体分割和形态特征分析预测结肠癌患者生存期 | 结直肠癌组织病理图像中的腺体结构 | 数字病理学 | 结肠癌 | 组织病理学成像 | CNN | 图像 | GlaS和CRAG数据集及TCGA的全切片图像 | NA | U-Net, DCAN | 一致性指数, log-rank检验p值 | NA |
| 2119 | 2025-10-30 |
Using machine and deep learning to predict short-term complications following trigger digit release surgery
2025-Jan, Journal of hand and microsurgery
IF:0.3Q4
DOI:10.1016/j.jham.2024.100171
PMID:39876951
|
研究论文 | 本研究使用机器学习和深度学习技术预测扳机指松解术后短期并发症 | 首次将多种机器学习算法应用于扳机指手术并发症预测，并比较不同模型性能 | 回顾性研究设计，样本量相对有限（1209例），模型预测性能有提升空间 | 评估机器学习技术在预测扳机指松解术后短期并发症的能力 | 接受扳机指松解术的患者 | 机器学习 | 手部疾病 | 机器学习，深度学习 | Random Forest, Elastic-Net Regression, XGBoost, Neural Network | 临床数据 | 1209例扳机指松解术病例 | NA | 神经网络 | AUC | NA |
| 2120 | 2025-10-30 |
DeepRNAac4C: a hybrid deep learning framework for RNA N4-acetylcytidine site prediction
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1622899
PMID:40927364
|
研究论文 | 提出一种混合深度学习框架DeepRNAac4C用于RNA N4-乙酰胞苷位点预测 | 整合残差神经网络、CNN、BiLSTM和BiGRU，有效捕捉局部和全局序列特征 | NA | 提高RNA ac4C位点预测的准确性和泛化能力 | RNA N4-乙酰胞苷(ac4C)修饰位点 | 生物信息学 | NA | RNA序列分析 | CNN, BiLSTM, BiGRU, 残差神经网络 | RNA序列数据 | NA | NA | 混合架构(ResNet, CNN, BiLSTM, BiGRU) | 准确率 | NA |