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 19349 篇文献，本页显示第 2141 - 2160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2141 | 2025-12-27 |
Multimodal deep learning model for prognostic prediction in cervical cancer receiving definitive radiotherapy: a multi-center study
2025-Aug-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01903-9
PMID:40760164
|
研究论文 | 本研究开发并验证了名为CerviPro的多模态深度学习模型，用于预测接受根治性放疗的局部晚期宫颈癌患者的无病生存期 | 通过融合治疗前后CT影像、手工放射组学特征和临床变量，构建了首个针对局部晚期宫颈癌的多模态预后预测模型，并证明了多模态特征融合优于单一数据源模型 | 研究样本量相对有限（1018例），且外部验证队列的C-index（0.70和0.66）低于内部验证队列（0.81），表明模型泛化能力有待进一步提升 | 开发精准的生存预测模型以指导局部晚期宫颈癌的个性化治疗 | 接受根治性放疗的局部晚期宫颈癌患者 | 数字病理学 | 宫颈癌 | CT成像 | 深度学习模型 | CT影像、放射组学特征、临床变量 | 1018例局部晚期宫颈癌患者 | NA | CerviPro | C-index | NA |
| 2142 | 2025-12-27 |
Deep learning-based polygenic scores enhance generalizability of psychiatric disorders prediction
2025-May-05, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.05.25326794
PMID:40385437
|
研究论文 | 本研究比较了深度学习模型Genome-Local-Net与线性模型bigstatsr在预测五种精神疾病方面的性能，并探讨了结合个体和GWAS来源的多基因评分及家族遗传风险评分的预测效果 | 首次系统评估深度学习模型在精神疾病多基因评分预测中的泛化能力，并探索了多种评分整合策略的增效作用 | 深度学习整合策略未显示一致优势，研究仅针对五种精神疾病，样本代表性可能受限 | 提升精神疾病遗传风险预测的准确性和泛化能力 | 注意力缺陷多动障碍、自闭症谱系障碍、双相情感障碍、重度抑郁症和精神分裂症 | 机器学习 | 精神疾病 | 全基因组关联研究 | 深度学习, 线性模型 | 基因型数据 | 未明确 | 未明确 | Genome-Local-Net | AUROC | 未明确 |
| 2143 | 2025-12-27 |
Research on partial discharge signal recognition and classification of power transformer based on acoustic-VMD and CNN-LSTM
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335447
PMID:41264639
|
研究论文 | 本研究提出了一种基于声学-VMD和CNN-LSTM的混合模型，用于电力变压器局部放电信号的识别与分类 | 提出了一种新颖的混合模型，结合了样本熵优化的变分模态分解、并行1D-CNN和双向LSTM分支以及分层注意力机制，实现了自适应信号处理与基于注意力的深度学习的协同集成 | 未明确说明模型在更广泛或不同噪声环境下的泛化能力，也未讨论模型对计算资源的具体需求 | 提高电力变压器局部放电信号的识别与分类准确性，以预防绝缘故障 | 电力变压器的局部放电信号 | 机器学习 | NA | 声学信号处理，变分模态分解 | CNN, LSTM | 声学信号 | 未明确说明 | NA | 1D-CNN, 双向LSTM | 分类准确率, 平均绝对定位误差, 角度精度, 处理时间 | NA |
| 2144 | 2025-12-27 |
Pathway-guided architectures for interpretable AI in biological research
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.10.063
PMID:41282420
|
综述 | 本文综述了基于通路指导的可解释深度学习架构（PGI-DLA）在生物研究中的进展，重点关注其组学兼容性、架构设计、特征解释以及生物与临床应用 | 系统总结了不同通路数据库（如KEGG、GO、Reactome、MSigDB）在知识范围、层次结构、细节水平和注释重点上的差异，并讨论了数据库选择对模型设计、性能和可解释性的影响，为优化PGI-DLA应用提供了指导 | 作为一篇综述文章，未提出新的实验模型或算法，主要基于现有文献进行总结和讨论 | 旨在通过整合先验通路知识，提升深度学习模型在生物多组学数据分析中的性能和可解释性，以促进生物学发现和临床转化 | 通路指导的可解释深度学习架构（PGI-DLA）及其在生物多组学数据建模中的应用 | 机器学习 | NA | 多组学数据分析 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 2145 | 2025-12-27 |
Brand public opinion data analysis method based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339563
PMID:41433265
|
研究论文 | 本文提出了一种基于深度学习的品牌舆情数据分析方法，通过改进情感词典并结合BERT模型进行情感分类 | 利用主题词和基准词算法增强情感词典，并结合预训练词向量与BERT线性情感分类模型，以提高舆情事件情感分析的准确性 | NA | 提升品牌舆情事件的情感分析准确性，为品牌所有者应对突发网络舆情提供技术支持 | 微博评论数据，针对特定品牌A在特定时间范围内的舆情事件相关话题数据 | 自然语言处理 | NA | 潜在狄利克雷分配主题模型，情感词典增强算法，预训练词向量 | BERT | 文本 | NA | NA | BERT线性情感分类模型 | NA | NA |
| 2146 | 2025-12-27 |
Identification and classification of oil and gas pipeline intru-sion events based on 1-D CNN network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0338205
PMID:41433319
|
研究论文 | 本研究提出了一种结合相位敏感光时域反射计分布式声学传感与优化一维卷积神经网络的多模态传感交互框架，用于油气管道入侵事件的识别与分类 | 整合原始光纤振动信号与手工特征，并利用公开人体活动数据集进行迁移学习以提升特征泛化能力 | 数据集多样性有限，需进一步扩展并增强多传感器融合与自适应交互能力 | 开发实时、高灵敏度的油气管道安全监测系统 | 油气管道入侵事件（如手动敲击、机械挖掘、人类脚步） | 机器学习 | NA | 相位敏感光时域反射计分布式声学传感 | CNN | 振动信号 | NA | NA | 一维卷积神经网络 | 分类准确率 | NA |
| 2147 | 2025-12-27 |
Generational stability of environmentally induced epigenetic transgenerational inheritance of adult-onset disease over ten mammalian generations
2025, Environmental epigenetics
IF:4.8Q1
DOI:10.1093/eep/dvaf033
PMID:41438350
|
研究论文 | 本研究通过连续繁殖10代大鼠，评估了环境暴露诱导的表观遗传跨代遗传对成年期疾病的影响 | 首次在哺乳动物中证明环境诱导的表观遗传跨代遗传可稳定维持长达10代，远超以往仅研究3-4代的范围 | 研究仅关注大鼠模型，未涉及其他哺乳动物；病理评估主要基于特定组织，可能未全面覆盖所有器官 | 探究环境暴露导致的表观遗传跨代遗传在哺乳动物中是否能在多代间稳定维持 | 远交大鼠群体，包括雄性和雌性谱系 | 表观遗传学 | 成年期疾病 | DNA甲基化分析，深度学习组织学协议 | 深度学习 | 组织病理图像，DNA甲基化数据 | 连续10代大鼠群体 | NA | NA | NA | NA |
| 2148 | 2025-12-27 |
Design and development of an mHealth application for pressure ulcer care and caregiver support
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1694486
PMID:41438477
|
研究论文 | 本研究旨在设计和开发一款名为IPI的移动健康应用程序，该应用集成了基于人工智能的压力性损伤分期、针对护理人员的教育、个性化营养支持和视觉伤口监测功能，以辅助护理人员和医疗专业人员提供及时有效的护理 | 开发了一个集成了AI压力性损伤分期、护理人员教育、个性化营养支持和伤口视觉监测的综合性移动健康应用程序，并采用了针对类别不平衡和类间细微差异的类别自适应增强流程以及增强的Vision Transformer架构 | 未来需要通过实验研究验证该应用程序的临床效用、对患者结局的影响以及改善家庭压力性损伤管理质量的潜力 | 设计和开发一个支持家庭压力性损伤护理和护理人员支持的移动健康应用程序 | 压力性损伤图像数据集（包括健康组织和1-4期溃疡）以及相关的护理人员和医疗专业人员 | 计算机视觉 | 压力性损伤 | 深度学习 | Vision Transformer | 图像 | 临床验证的压力性损伤图像数据集，涵盖六个类别（健康组织和1-4期溃疡） | NA | 增强的Vision Transformer架构（具有分层特征表示和专门的自注意力机制） | 准确率, 宏F1分数 | NA |
| 2149 | 2025-12-27 |
Real-time segmentation and phenotypic analysis of rice seeds using YOLOv11-LA and RiceLCNN
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1673143
PMID:41439182
|
研究论文 | 提出了一种结合YOLOv11-LA目标检测、RiceLCNN分类、DeepSORT跟踪和亚像素边缘检测的集成智能分析模型，用于水稻种子的实时分割、分类和表型分析 | 在YOLOv11架构基础上，通过引入可分离卷积、CBAM注意力机制和模块剪枝策略，开发了轻量化的YOLOv11-LA模型，参数减少63.2%，计算复杂度降低51.6%，同时检测精度提升 | 未明确说明模型在极端光照条件、不同水稻品种或大规模田间部署时的泛化能力 | 实现水稻种子的实时、准确检测、分类和表型测量，以提升农业生产效率和粮食质量 | 水稻种子 | 计算机视觉 | NA | 深度学习，亚像素边缘检测，动态尺度校准 | CNN，目标检测模型，分类模型，多目标跟踪算法 | 图像 | 未明确说明具体样本数量，但使用了私有数据集和公共基准数据集 | 未明确说明，可能为PyTorch（基于YOLO系列常见实现） | YOLOv11-LA（基于YOLOv11改进），RiceLCNN（自定义轻量CNN），DeepSORT | mAP@0.5:0.95，分类准确率，测量误差（毫米） | 未明确说明具体硬件资源 |
| 2150 | 2025-12-27 |
GAME-Net: an ensemble deep learning framework integrating Generative Autoencoders and attention mechanisms for automated brain tumor segmentation in MRI
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1702902
PMID:41439240
|
研究论文 | 本文提出了一种集成深度学习框架GAME-Net，结合生成式自编码器和注意力机制，用于自动化脑肿瘤MRI分割 | 通过集成生成式自编码器、注意力机制和卷积神经网络，创新性地结合了无监督表示学习和注意力驱动的特征细化，提升了肿瘤分割的准确性和鲁棒性 | 需要在外部数据集上进行更广泛的验证以进一步证实其泛化能力 | 提升脑肿瘤在MRI图像中的自动分割性能，以改善治疗规划和临床结果 | 脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | CNN, 自编码器, Transformer | 图像 | 5880张MRI图像 | NA | U-Net, 注意力增强U-Net, 生成式自编码器 | Dice系数, Jaccard指数, 准确率, 灵敏度, 特异性, AUC-ROC | NA |
| 2151 | 2025-12-26 |
Deep Learning-aided 1H-MR Spectroscopy for Differentiating between Patients with and without Hepatocellular Carcinoma
2025-Dec-25, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2025-0064
PMID:40790529
|
研究论文 | 本研究探索了结合深度学习的1H-MR光谱技术在区分乙型肝炎病毒相关肝硬化患者是否伴有肝细胞癌方面的潜力 | 首次将深度学习与1H-MR光谱结合，通过光谱模拟进行数据增强，用于肝细胞癌的鉴别诊断 | 样本量较小（共37例患者），且研究基于模拟数据集，需要进一步临床验证 | 开发一种基于深度学习的1H-MR光谱方法，以区分乙型肝炎病毒相关肝硬化患者是否伴有肝细胞癌 | 乙型肝炎病毒相关肝硬化患者，包括无肝细胞癌组（20例）和伴有肝细胞癌组（17例） | 医学影像分析 | 肝细胞癌 | 质子MR光谱（1H-MRS） | CNN | 光谱数据 | 37例患者（20例无HCC，17例有HCC），其中17例用于测试 | NA | 卷积神经网络（包括定量CNN和分类CNN） | 灵敏度, 特异性, 准确率 | NA |
| 2152 | 2025-12-26 |
Deep Learning Model for Classification of Premature Ventricular Contractions - Could Artificial Intelligence Models Become the New Criteria?
2025-Dec-24, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-25-1002
PMID:41443894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2153 | 2025-12-26 |
U-Net-based deep learning architecture for automated CBCT segmentation of the mandibular canal in dental implant treatment planning: A systematic review and meta-analysis
2025-Dec-23, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2025.12.003
PMID:41444033
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了基于U-Net的深度学习架构在CBCT影像中自动分割下颌管用于牙科种植治疗规划的准确性和临床相关性 | 首次对基于U-Net的深度学习模型在CBCT下颌管自动分割中的应用进行系统综述和定量荟萃分析，综合评估其分割精度和临床潜力 | 纳入研究数量有限（8项），存在高度异质性，且外部验证和模型可解释性分析报告不足，可能影响结果的普遍适用性 | 评估深度学习（主要是U-Net架构）在CBCT影像中自动分割下颌管用于牙科种植规划的准确性和临床价值 | 锥形束计算机断层扫描（CBCT）影像中的下颌管结构 | 数字病理 | NA | 锥形束计算机断层扫描（CBCT） | 深度学习 | 医学影像（CBCT扫描） | NA | NA | U-Net, 注意力机制U-Net, 残差U-Net | Dice相似系数（DSC）, 95%豪斯多夫距离（HD）, 交并比（IoU） | NA |
| 2154 | 2025-12-26 |
MRI-based habitat radiomics and deep learning for predicting vessels encapsulating tumor clusters and survival in hepatocellular carcinoma
2025-Dec-22, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-025-02167-3
PMID:41428280
|
研究论文 | 本研究开发并验证了一种基于MRI的深度学习放射组学列线图模型，用于术前预测肝细胞癌中的血管包绕肿瘤簇和无复发生存期 | 首次结合栖息地放射组学和深度学习特征构建了多模态预测模型，并利用SHAP方法增强了模型的可解释性 | 回顾性研究设计可能存在选择偏倚，且外部验证集规模相对有限 | 开发术前预测肝细胞癌血管包绕肿瘤簇状态和无复发生存期的预测模型 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | Gd-EOB-DTPA增强MRI | 深度学习,机器学习分类器 | MRI图像 | 625例肝细胞癌患者（训练集296例，内部测试集126例，外部测试集203例） | NA | NA | AUC,F1-score,C-index | NA |
| 2155 | 2025-12-26 |
Deep Learning Approaches for Classifying Children With and Without Autism Spectrum Disorder Using Inertial Measurement Unit Hand Tracking Data: Comparative Study
2025-Dec-22, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/73440
PMID:41428363
|
研究论文 | 本研究评估了多种深度学习模型，利用惯性测量单元手部追踪数据对自闭症谱系障碍儿童进行分类 | 结合卷积自编码器和长短期记忆层处理IMU手部追踪数据，在自闭症分类任务中实现了高准确率和F1分数，并验证了小规模模型在医疗数据分类中的有效性和泛化能力 | 样本量相对较小（41名学龄儿童），且仅基于单一任务（伸手清理任务）的IMU数据，可能限制了模型的广泛适用性 | 评估深度学习模型在利用惯性测量单元手部追踪数据对自闭症谱系障碍儿童进行分类中的效果 | 自闭症谱系障碍儿童和正常发育儿童的惯性测量单元手部追踪数据 | 机器学习 | 自闭症谱系障碍 | 惯性测量单元手部追踪 | 卷积自编码器, 长短期记忆 | 时间序列数据 | 41名学龄儿童（包括自闭症谱系障碍儿童和正常发育儿童） | NA | 卷积自编码器+长短期记忆 | 准确率, F1分数 | NA |
| 2156 | 2025-12-26 |
Quantitative multi-metabolite imaging of Parkinson's disease using AI boosted molecular MRI
2025-Dec-22, Npj imaging
DOI:10.1038/s44303-025-00130-x
PMID:41429895
|
研究论文 | 本研究结合快速分子MRI采集与深度学习重建，对急性MPTP小鼠模型中的多种代谢物进行定量成像，以探索帕金森病的生物标志物 | 首次将快速分子MRI采集范式与深度学习重建相结合，实现多代谢物（谷氨酸、可移动蛋白质、半固体及可移动大分子）的定量成像，并识别出半固体磁化转移、酰胺及脂肪族接力核奥弗豪斯效应质子体积分数作为潜在的帕金森病生物标志物 | 研究基于急性MPTP小鼠模型，结果可能无法完全反映人类帕金森病的异质性或早期阶段特征 | 开发一种基于人工智能增强的分子MRI技术，用于帕金森病的定量多代谢物成像，以改善诊断和生物标志物发现 | 急性MPTP诱导的帕金森病小鼠模型 | 数字病理学 | 帕金森病 | 分子MRI, 磁共振波谱 | 深度学习 | MRI图像 | NA | NA | NA | NA | NA |
| 2157 | 2025-12-24 |
Author Correction: Multimodal deep learning model for prognostic prediction in cervical cancer receiving definitive radiotherapy: a multi-center study
2025-Dec-22, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02204-x
PMID:41429919
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2158 | 2025-12-26 |
A fault classification scheme based on protective agents for microgrid with parameters impact analysis
2025-Dec-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28178-0
PMID:41430064
|
研究论文 | 本文提出了一种基于保护代理的微电网故障分类方法，结合智能电子设备和混合深度神经网络，并分析了多种参数对方案性能的影响 | 创新点在于结合保护代理和混合深度神经网络进行故障分类，并全面分析微电网参数对深度学习故障检测与定位方案的影响 | 未明确说明方法在更复杂或大规模微电网系统中的适用性，且参数分析可能受限于模拟环境 | 提高微电网故障分类的准确性，并评估不同参数对基于深度学习的故障检测与定位方案的影响 | 微电网的故障检测、类型识别、相位检测和定位 | 机器学习 | NA | 深度学习故障检测与定位 | DNN | 模拟数据 | NA | TensorFlow, Keras | 混合深度神经网络（包含单层和混合层类型） | 准确率, 故障定位误差 | 使用DIgSILENT Power Factory、MATLAB和Python软件进行模拟 |
| 2159 | 2025-12-26 |
Deep learning-based MRI model for predicting P53-mutated hepatocellular carcinoma
2025-Dec-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02045-w
PMID:41430161
|
研究论文 | 本研究开发了一种基于MRI的深度学习模型，用于预测P53突变的肝细胞癌 | 首次利用EfficientNetV2架构，结合多序列MRI图像（动脉期、门静脉期、T2加权成像、肝胆期）构建深度学习模型来预测P53突变状态，并发现多序列组合模型显著优于单序列模型 | 研究为回顾性设计，样本量相对有限（312例），且未进一步验证模型在其他独立队列或前瞻性研究中的表现 | 开发一个基于MRI的深度学习模型，以无创方式预测肝细胞癌中的P53突变状态 | 312例经病理证实的肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 钆增强MRI | CNN | 图像 | 312例患者（训练集249例，测试集63例） | NA | EfficientNetV2 | AUC, 准确率, 灵敏度, 特异性, 精确率, F1分数 | NA |
| 2160 | 2025-12-26 |
From monochromatic waves to realistic tides: deep learning for short-term forecasting of coastal ocean
2025-Dec-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31670-2
PMID:41423688
|
研究论文 | 本研究提出了一种结合卷积神经网络和长短期记忆网络的混合架构，用于预测德国湾的海平面变化 | 开发了结合CNN空间重建与LSTM时间预测的混合深度学习框架，能够从有限数量的沿海观测站重建整个海域的海平面，并通过模拟数据同化显著提升预测精度 | 模型性能受空间信号复杂度和梯度陡度等因素影响，研究主要关注数据丰富区域的应用潜力 | 开发深度学习模型以补充传统数值模型，实现海岸海洋的短期预报 | 德国湾的海平面变化数据 | 机器学习 | NA | 深度学习 | CNN, LSTM | 海平面数据 | 从学术数据到实际数据的海平面数据序列 | NA | 卷积神经网络, 长短期记忆网络 | 预测误差 | NA |