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 2201 - 2220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2201 | 2025-12-26 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_097917
PMID:41434440
|
研究论文 | 本研究利用深度学习分析单细胞RNA-seq数据，探索阿尔茨海默病多样临床表型的细胞和分子机制 | 首次在人群水平上应用深度学习分析大规模单核RNA-seq数据，识别表型关联细胞，并开发个性化单细胞功能基因组学方法，包括基因调控QTLs分析 | 研究主要基于前额叶皮层数据，可能未完全反映其他脑区变化；样本虽大但仍可能存在人群偏倚 | 揭示阿尔茨海默病多样临床表型的细胞和分子基础 | 1,494个个体大脑前额叶皮层的单核RNA-seq数据 | 生物信息学 | 阿尔茨海默病 | 单核RNA-seq | 深度学习 | 基因表达数据 | 超过600万个细胞核，来自1,494个个体大脑 | NA | NA | 表型分类改进 | NA |
| 2202 | 2025-12-26 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_099459
PMID:41435353
|
研究论文 | 本研究开发了一种基于Transformer架构的深度学习模型，仅使用全基因组测序数据来预测阿尔茨海默病痴呆 | 提出了一种结合窗口注意力、注释增强和图卷积网络的多步骤深度学习模型，用于从WGS数据中整合局部和远距离关系以改进AD预测 | 模型预测准确率仍有提升空间（AUC=0.68），且仅分析了染色体19上APOE基因周围的特定基因组区域 | 开发深度学习模型以早期预测阿尔茨海默病痴呆 | 阿尔茨海默病患者和认知正常个体的全基因组测序数据 | 机器学习 | 阿尔茨海默病 | 全基因组测序 | Transformer, GCN | 基因组序列数据 | 1050个样本（443名认知正常，607名AD痴呆） | NA | Transformer, GCN | AUC | NA |
| 2203 | 2025-12-26 |
On the public dissemination and open sourcing of ultrasound resources, datasets and deep learning models
2025-Nov-24, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02162-4
PMID:41286495
|
研究论文 | 本文评估了公开可用的超声数据集和深度学习模型，并提出了质量评分系统SonoDQS和SonoMQS | 提出了原创的超声数据集质量评分SonoDQS和模型质量评分SonoMQS，系统性地分类和评估了公开资源 | 未提及具体的技术实施细节或模型性能验证，主要侧重于资源调查和评估 | 提高超声数据在医学影像机器学习研究中的利用率，促进公开资源的传播和使用 | 公开的超声数据集和深度学习模型 | 医学影像 | NA | 超声成像 | 深度学习模型 | 超声图像 | 72个公开超声数据集和56个开源模型 | NA | NA | SonoDQS, SonoMQS | NA |
| 2204 | 2025-11-24 |
Deep Learning for Automatic Detection of Aortic Dissection on Non-contrast Computed Tomography
2025-Nov-21, European journal of vascular and endovascular surgery : the official journal of the European Society for Vascular Surgery
IF:5.7Q1
DOI:10.1016/j.ejvs.2025.09.072
PMID:41274488
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2205 | 2025-12-26 |
Component puzzle protein-protein interaction prediction
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf685
PMID:41428392
|
研究论文 | 本文提出了一种名为C3PI的新型基于序列的深度学习框架，用于预测蛋白质-蛋白质相互作用 | 引入了包含puzzler和entangler两种新颖组件的复杂架构，首次在无数据泄露的金标准数据集上实现了显著优于随机预测的性能 | 未明确说明模型在特定蛋白质类型或复杂相互作用场景下的局限性 | 提高蛋白质-蛋白质相互作用预测的准确性和可靠性 | 蛋白质序列及其相互作用 | 生物信息学 | NA | 蛋白质嵌入（ProtT5） | 深度学习 | 蛋白质序列数据 | 多个数据集（具体数量未在摘要中说明） | NA | 包含puzzler和entangler组件的定制架构 | AUPRC, AUROC | NA |
| 2206 | 2025-12-26 |
Structure-enhanced deep learning accelerates aptamer selection for small molecule families like steroids
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf680
PMID:41428391
|
研究论文 | 本文提出了一种名为DL-SELEX的两步深度学习框架，通过变分自编码器加速和优化小分子家族（如类固醇）的适配体选择 | 首次将深度学习整合到SELEX工作流中，利用AptaVAE和AptaClux两个VAE模型，基于分子家族的结构共性设计初始适配体库并从NGS数据中识别高性能候选物 | NA | 加速和优化小分子家族（如类固醇）的高亲和力适配体发现 | 小分子家族（如类固醇），具体以氢化可的松和睾酮为例 | 机器学习 | NA | SELEX, NGS | VAE | 序列数据 | NA | NA | AptaVAE, AptaClux | 亲和力提升倍数, SELEX迭代减少百分比 | NA |
| 2207 | 2025-12-26 |
The Role of Large Language Models in Ophthalmology: A Review of Current Applications, Performance, and Future Directions
2025-Nov, Cureus
DOI:10.7759/cureus.97374
PMID:41431521
|
综述 | 本文综述了大型语言模型（LLMs）在眼科领域的当前应用、性能表现及未来发展方向 | 系统性地评估了LLMs（如ChatGPT）在眼科临床决策支持、文档处理、患者教育和医学培训等具体应用场景中的表现，并探讨了多模态与检索增强模型如何提升信息准确性与相关性 | 指出将AI整合到临床护理中存在伦理与法律困境、专家表现差异等潜在风险与局限性 | 评估大型语言模型在眼科领域的应用潜力与现状 | 大型语言模型（如ChatGPT、GPT-4）及其在眼科领域的应用 | 自然语言处理 | 眼科疾病 | 深度学习 | 大型语言模型 | 文本 | NA | NA | GPT-4, Chat Generative Pretrained Transformer | NA | NA |
| 2208 | 2025-12-26 |
[Prospects and technical challenges of non-invasive brain-computer interfaces in manned space missions]
2025-Aug-28, Zhong nan da xue xue bao. Yi xue ban = Journal of Central South University. Medical sciences
|
综述 | 本文探讨了非侵入式脑机接口在载人航天任务中的应用前景与技术挑战 | 系统性地提出了非侵入式脑机接口在航天员选拔、在轨任务执行及任务后康复全周期的应用范式，并展望了与深度学习、虚拟现实及机器人技术的融合方向 | 未提供具体的实验数据或案例研究，主要基于理论分析与前景展望 | 分析非侵入式脑机接口技术在载人航天任务中的潜在应用价值与面临的技术瓶颈 | 航天员在长期太空任务中的生理、心理及认知功能 | 脑机接口 | NA | 非侵入式脑机接口，神经信号采集与解读，神经调控 | NA | 多模态生理信号（神经信号等） | NA | NA | NA | NA | NA |
| 2209 | 2025-12-26 |
Adapting and evaluating deep-pseudo neural network for survival data with time-varying covariates
2025, Journal of applied statistics
IF:1.2Q2
DOI:10.1080/02664763.2024.2444649
PMID:40765660
|
研究论文 | 本研究将Deep-pseudo生存神经网络（DSNN）模型扩展应用于包含时变协变量的生存数据预测，并与扩展Cox模型、Dynamic-DeepHit及多元联合模型进行比较 | 首次将DSNN模型适应于处理时变协变量的生存数据，通过离散化生存时间扩展其应用场景，在模拟和真实数据中验证了其预测潜力 | 研究主要基于模拟数据和单一真实数据集，未在更广泛的实际临床场景中验证模型的泛化能力 | 开发并评估适用于时变协变量生存数据预测的深度学习模型 | 包含时变协变量的生存数据 | 机器学习 | NA | 深度学习 | 神经网络 | 生存数据 | NA | NA | Deep-pseudo生存神经网络（DSNN） | Brier分数 | NA |
| 2210 | 2025-12-26 |
Ratio maps of T1w/T2w MRI signal intensity do not improve deep-learning segmentation of pediatric brain tumors
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323398
PMID:41428695
|
研究论文 | 本研究探讨了在儿科脑肿瘤分割任务中，使用T1w/T2w比值图或组合图是否能够提升基于nnU-Net的深度学习模型性能 | 首次系统评估T1w/T2w比值图在儿科脑肿瘤自动分割中的实际效用，挑战了该技术在组织区分方面的传统认知 | 研究仅基于BraTS-PED 2024数据集，样本量相对有限（n=261），且未探索其他可能的图像融合或预处理方法 | 评估T1w/T2w比值图对儿科脑肿瘤自动分割模型性能的影响 | 儿科脑肿瘤患者的MRI图像 | 数字病理学 | 脑肿瘤 | MRI（包括T1加权、T2加权、FLAIR和对比增强T1加权成像） | CNN | 医学影像（MRI） | 261名儿科脑肿瘤患者 | nnU-Net | U-Net | Dice系数 | NA |
| 2211 | 2025-12-25 |
Deep Learning Exploration Expands the Natural Diversity of Metallothioneins in the Archaea Domain
2025-Dec-24, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.5c05880
PMID:41370558
|
研究论文 | 本研究利用深度学习探索并扩展了古菌域中金属硫蛋白的自然多样性 | 首次全面识别古菌金属硫蛋白，揭示其进化谱系和结构多样性，并通过AlphaFold3建模和功能实验验证其金属抗性 | 研究仅基于406个基因组，可能未覆盖所有古菌多样性；功能实验仅测试了少数金属硫蛋白 | 探索古菌域中金属硫蛋白的多样性、进化、结构和功能 | 古菌基因组中的金属硫蛋白 | 机器学习 | NA | 基因组分析、AlphaFold3建模、功能实验 | 深度学习 | 基因组序列、蛋白质结构 | 从406个古菌基因组中识别出180个金属硫蛋白 | AlphaFold3 | AlphaFold3 | NA | NA |
| 2212 | 2025-12-25 |
Deep Learning-Based Risk Factor Analysis for Accurate Prediction of Lung Cancer in High-Risk Populations
2025-Dec-24, American journal of clinical oncology
DOI:10.1097/COC.0000000000001284
PMID:41437170
|
研究论文 | 本研究提出了一种结合深度学习和优化算法的新型框架，用于高风险人群中肺癌的准确预测 | 整合了LIDC-IDRI、WOA-APSO、CNN和KNG-CNN等先进技术，优化特征选择，实现了99.25%的高预测准确率 | 未明确说明研究样本的具体规模或数据集的局限性 | 提高肺癌早期检测和风险预测的准确性，以改善患者生存率和降低治疗成本 | 高风险人群中的肺癌预测 | 计算机视觉 | 肺癌 | 深度学习，优化算法 | CNN, KNG-CNN | 图像 | NA | PYTHON | 卷积神经网络，基于核的非高斯卷积神经网络 | 准确率 | NA |
| 2213 | 2025-12-25 |
Multi-DNBiTM: preterm labor prediction from electrohysterography signals using multi-head attention-enabled deep learning framework
2025-Dec-24, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2602829
PMID:41439533
|
研究论文 | 本文提出了一种基于多注意力头的分布式神经网络与双向长短期记忆结合的框架（multi-DNBiTM），用于从子宫电信号中预测早产，以提高预测准确性 | 引入了多注意力头机制和根均能量熵深度特征（RMEn2D），以增强对子宫电信号中细微变化的捕捉和表示能力 | 未明确提及模型在外部数据集上的泛化能力或计算资源需求的具体限制 | 通过深度学习框架提高早产预测的准确性和敏感性 | 子宫电信号数据 | 机器学习 | 产科疾病 | 子宫电信号分析 | LSTM, 注意力机制 | 信号数据 | NA | NA | 双向长短期记忆网络, 多注意力头机制 | 准确率, 敏感性, 特异性 | NA |
| 2214 | 2025-12-25 |
Advanced lung segmentation on chest HRCT: comprehensive pipeline for quantification of airways, vessels, and injury patterns
2025-Dec-24, La Radiologia medica
DOI:10.1007/s11547-025-02166-w
PMID:41441964
|
研究论文 | 本文提出了一种结合U-Net AI分割与定制图像处理的混合管道，用于同时分割肺部、气道、肺血管和实质损伤模式，并在COVID-19和特发性肺纤维化患者的HRCT扫描中验证了其性能 | 与现有工具通常针对单一解剖结构并主要依赖深度学习或基于规则的方法不同，该混合管道将U-Net AI分割与定制图像处理相结合，实现了肺部、气道、血管和实质损伤模式的可靠同时分割 | 研究样本量有限，仅使用了47例CT扫描（包括公共数据集和回顾性数据），可能影响结果的普遍性 | 开发一个可靠的混合管道，用于在胸部高分辨率CT上同时量化气道、血管和损伤模式，以诊断和监测肺部疾病 | COVID-19和特发性肺纤维化患者的胸部HRCT扫描 | 数字病理学 | 肺癌 | 胸部高分辨率CT扫描 | U-Net | 图像 | 47例CT扫描（19例来自COVID-19公共数据集用于深度学习，8例来自EXACT'09挑战用于验证气道分割，20例回顾性HRCT扫描用于管道验证） | NA | U-Net | Dice系数 | NA |
| 2215 | 2025-12-25 |
Correction: Addressing fractures that are hard to diagnose on imaging: Radiomics or deep learning?
2025-Dec-24, La Radiologia medica
DOI:10.1007/s11547-025-02151-3
PMID:41441965
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2216 | 2025-12-25 |
TFS-FENet: A time-frequency spatial deep learning framework for EEG-based ADHD subtype classification
2025-Dec-24, Applied neuropsychology. Child
DOI:10.1080/21622965.2025.2606108
PMID:41442154
|
研究论文 | 本文提出了一种名为TFS-FENet的深度学习框架，用于基于EEG的ADHD亚型分类，通过整合CNN和注意力机制来建模EEG的时-频-空三维特征 | 首次同时捕获EEG的联合三维时-频和空间特征，而现有方法多专注于二维特征建模 | NA | 开发一个客观的基于EEG的ADHD诊断辅助工具，以弥补临床诊断主要依赖行为表现和缺乏生物标记物的不足 | 注意力缺陷多动障碍（ADHD）患者，具体包括ADHD-注意缺陷型、ADHD-混合型以及典型发育儿童 | 机器学习 | 注意力缺陷多动障碍 | 脑电图（EEG） | CNN | 脑电图信号 | NA | NA | TFS-FENet | 准确率 | NA |
| 2217 | 2025-12-25 |
Real-time Instantaneous Phase Estimation Using a Deep Dual-Branch Complex Neural Network
2025-Dec-23, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3647598
PMID:41433160
|
研究论文 | 本文提出了一种基于深度学习双分支复杂神经网络的实时瞬时相位估计算法，用于神经振荡信号处理 | 采用类似复杂小波变换的双分支结构生成伪复数值信号进行瞬时相位估计，并引入离散余弦变换层提取信号实部和虚部的潜在空间表示 | NA | 开发适用于脑机接口和神经调节系统的实时瞬时相位估计算法 | 神经振荡信号的瞬时相位 | 机器学习 | NA | 深度学习 | 复杂神经网络 | 信号数据 | NA | NA | 双分支复杂神经网络 | 相位估计准确度 | 现场可编程门阵列 |
| 2218 | 2025-12-25 |
Multi-Task Learning for OSA Detection and Sleep Staging via Multi-Scale Modeling
2025-Dec-23, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3647317
PMID:41433180
|
研究论文 | 本文提出了一种统一的多模态多任务网络MT-TASPPNet，用于同时进行阻塞性睡眠呼吸暂停（OSA）事件检测和睡眠分期 | 首次提出一个统一的多模态多任务网络同时处理OSA检测和睡眠分期，并引入了EOG引导的先验机制来增强对细微睡眠阶段的区分能力 | 未明确提及模型在更广泛或不同人群数据集上的泛化能力，也未讨论模型的计算复杂度 | 开发一个高效、可扩展的多任务睡眠分析系统，用于睡眠障碍的诊断和管理 | 睡眠障碍患者的多模态生理信号（EEG、ECG、气流信号、EOG） | 机器学习 | 睡眠障碍 | 多模态信号处理，多任务学习 | 深度学习，多任务学习网络 | 生理信号时间序列（EEG、ECG、气流、EOG） | 三个大规模数据集：SHHS1、SHHS2和悉尼睡眠生物库 | NA | MT-TASPPNet（多任务三重空洞空间金字塔池化网络），包含空洞空间金字塔池化模块 | 准确度，宏平均F1分数，Kappa系数 | NA |
| 2219 | 2025-12-25 |
Self-Supervised Koopman Operator Learning for Distributed Final Synchronization Prediction of Networked Nonlinear Dynamics
2025-Dec-23, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3644299
PMID:41433175
|
研究论文 | 本文开发了一种混合Koopman深度学习算法，用于仅使用相邻状态信息预测不同拓扑结构网络化非线性动力系统的最终同步状态 | 提出了一种自监督Koopman算子学习方法，能够从个体和/或相邻状态序列中提取并融合多种不同拓扑的线性特征，从而预测非线性网络动力系统的最终同步状态，而现有方法通常仅适用于线性网络 | 未明确说明算法在极端非线性或大规模网络中的适用性限制，且未提供实际应用场景的验证 | 研究网络化非线性动力系统的最终同步预测问题 | 具有不同拓扑结构的网络化非线性动力系统 | 机器学习 | NA | Koopman算子理论，深度学习 | 自监督学习，混合模型 | 状态序列数据 | NA | NA | 非线性编码器，非线性解码器 | 通过数值模拟验证有效性，但未指定具体评估指标 | NA |
| 2220 | 2025-12-25 |
Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction
2025-Dec-23, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3647429
PMID:41433179
|
研究论文 | 提出一种新颖的再可见双域自监督深度展开网络，用于仅使用欠采样数据集进行MRI重建 | 通过引入再可见双域损失，利用所有欠采样k空间数据进行训练，减轻输入分布偏移；并设计基于Chambolle和Pock近端点算法的深度展开网络，结合空间-频率特征提取块，有效整合成像物理与图像先验 | 未明确说明计算资源需求或模型在极端欠采样条件下的性能限制 | 加速磁共振成像采集，提高重建性能 | 单线圈和多线圈磁共振成像数据集 | 医学影像重建 | NA | 磁共振成像 | 深度展开网络 | k空间数据 | NA | NA | DUN-CP-PPA, Spatial-Frequency Feature Extraction block | 重建性能，泛化能力 | NA |