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 18663 篇文献，本页显示第 2761 - 2780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2761 | 2025-11-22 |
Phylogenetic Methods Meet Deep Learning
2025-Sep-30, Genome biology and evolution
IF:3.2Q2
DOI:10.1093/gbe/evaf177
PMID:40973626
|
综述 | 探讨深度学习在系统发育学中的应用现状、挑战与未来发展方向 | 提出使用紧凑双射阶梯化向量或Transformer等新型训练数据编码方式处理更大规模的系统发育树和基因组数据 | 主要依赖模拟训练数据存在风险，需要关注计算估计的可重复性和鲁棒性 | 推动深度学习与系统发育学的交叉融合，提升系统发育分析的计算效率 | 系统发育树重建方法和基因组数据集 | 机器学习 | NA | 基因组测序数据 | Transformer | 基因组序列数据 | NA | NA | Transformer | 计算成本评估 | 与传统方法相比显著降低计算需求 |
| 2762 | 2025-11-22 |
Analysis of the analgesic mechanism of TENS-WAA in colonoscopy using the EEG-fNIRS system: a study protocol for a randomised controlled trial
2025-Sep-30, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2025-103681
PMID:41033775
|
研究论文 | 本研究通过随机对照试验探讨基于腕踝针理论的经皮神经电刺激在结肠镜检查中的中枢镇痛机制 | 首次结合脑电图和功能性近红外光谱的多模态方法研究TENS-WAA的镇痛机制，并应用深度学习框架分析神经生理信号与主观疼痛体验的关系 | 单中心研究，样本量较小（60例患者），仅针对非麻醉结肠镜检查患者 | 探究TENS-WAA在结肠镜检查中的中枢镇痛机制 | 接受非麻醉结肠镜检查的患者 | 医疗人工智能 | 结直肠疾病 | EEG-fNIRS多模态神经影像技术 | 深度学习 | 脑电图信号，近红外光谱信号，临床评分 | 60例结肠镜检查患者 | NA | NA | 疼痛预测准确率，VAS评分相关性 | NA |
| 2763 | 2025-11-22 |
Deep learning neural network of adenocarcinoma detection in effusion cytology
2025-Sep-09, American journal of clinical pathology
IF:2.3Q2
DOI:10.1093/ajcp/aqaf067
PMID:40736208
|
研究论文 | 开发基于深度学习的腺癌细胞检测模型用于积液细胞学检查 | 首次将YOLOv8目标检测算法应用于积液细胞学中的腺癌细胞检测 | 细胞标注过程中存在一些问题需要解决 | 开发自动检测积液细胞学中恶性细胞的深度学习模型 | 积液细胞学图像中的腺癌细胞 | 计算机视觉 | 腺癌 | 细胞学检查 | CNN | 图像 | 275例腺癌病例(12182张图像)和188例阴性病例(1980张图像) | Roboflow | YOLOv8 | 精确率,召回率,F1分数,mAP,准确率,灵敏度,特异性,假阳性率 | NA |
| 2764 | 2025-11-22 |
Can classical statistics and deep learning converge on explainable, causally driven target discovery?
2025-Sep-02, DNA research : an international journal for rapid publication of reports on genes and genomes
IF:3.9Q1
DOI:10.1093/dnares/dsaf024
PMID:40971794
|
综述 | 探讨传统统计方法与深度学习在复杂疾病因果机制发现中的融合路径 | 提出结合深度学习可扩展性与统计遗传学推断能力的混合模型框架 | 当前深度学习模型存在过拟合风险、可解释性不足及缺乏标准化评估框架 | 开发下一代计算工具以揭示复杂疾病的分子基础并加速遗传发现向有效治疗的转化 | 复杂疾病的遗传变异与多组学数据 | 机器学习 | 复杂疾病 | 多组学数据整合 | 混合模型 | 基因组数据, 多组学数据 | NA | NA | NA | NA | NA |
| 2765 | 2025-11-22 |
Retinal Vessel Traits and Age-Related Eye Disease in the Canadian Longitudinal Study on Aging
2025 Sep-Oct, Clinical & experimental ophthalmology
DOI:10.1111/ceo.14566
PMID:40515626
|
研究论文 | 本研究利用深度学习算法分析视网膜血管特征与青光眼和年龄相关性黄斑变性之间的横断面和纵向关联 | 首次在大规模人群队列中结合深度学习算法和纵向数据分析视网膜血管特征与年龄相关性眼病的时序关系 | 青光眼和黄斑变性为自我报告数据，可能存在测量误差 | 探讨视网膜血管特征与年龄相关性眼病的关联性 | 加拿大老龄化纵向研究中的30,097名参与者 | 数字病理学 | 年龄相关性眼病 | 深度学习，视网膜图像分析 | 深度学习算法 | 视网膜图像，临床测量数据 | 30,097名参与者，92%随访率 | NA | QUARTZ | OR, 95% CI, β系数 | NA |
| 2766 | 2025-11-22 |
Big data and AI: Potential and challenges for digital transformation in toxicology
2025-Sep, Environmental analysis, health and toxicology
DOI:10.5620/eaht.2025s07
PMID:41265416
|
综述 | 探讨人工智能在毒理学数字化转型中的潜力与挑战 | 系统分析AI在毒理学中的应用现状，提出结合可解释AI与不良结局通路框架的创新方向 | 高质量同质数据集有限，AI模型黑箱特性阻碍监管接受度 | 推动毒理学从观察科学向预测科学转型，促进新一代风险评估方法发展 | 毒性数据库与人工智能预测模型 | 机器学习 | NA | 大数据分析，人工智能 | 机器学习，深度学习，大语言模型 | 毒理学大数据 | NA | NA | NA | NA | NA |
| 2767 | 2025-11-22 |
Robust Deep Learning for Pulse-echo Speed of Sound Imaging via Time-shift Maps
2025-Aug-22, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3602000
PMID:40844937
|
研究论文 | 提出一种基于深度学习的稳健脉冲回波声速成像方法，通过学习时间偏移与声速间的非线性映射实现高质量成像 | 无需依赖特定前向模型约束，采用两阶段训练策略和结构相似性损失函数，实现跨条件的稳健泛化 | 未明确说明计算资源需求和模型在临床环境中的验证结果 | 开发稳健的深度学习声速成像方法以提升超声图像质量和诊断价值 | 超声脉冲回波数据中的声速分布 | 医学影像处理 | NA | 脉冲回波超声成像 | 深度学习 | 超声波束成形数据 | 仿真数据和体模实验数据 | NA | NA | 结构相似性指数, 重建精度, 对比度噪声比 | NA |
| 2768 | 2025-11-22 |
Improving RNA Secondary Structure Prediction Through Expanded Training Data
2025-Aug-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.03.652028
PMID:40654677
|
研究论文 | 通过扩展训练数据改进RNA二级结构预测 | 开发了大规模多样化的RNA序列与二级结构配对的RNASSTR数据集，并验证了该数据集能提升深度学习模型对新RNA家族的泛化能力 | 仅针对RNA二级结构预测进行评估，未涉及三级结构预测；改进效果主要体现在特定RNA家族上 | 解决RNA结构预测精度不足的问题，提升RNA二级结构预测的准确性 | RNA序列及其二级结构 | 生物信息学 | NA | RNA结构预测 | 深度学习 | RNA序列数据、结构数据 | 大规模多样化RNA序列-结构配对数据集 | NA | SincFold | 泛化能力、结构预测准确性 | NA |
| 2769 | 2025-11-22 |
Assessing genotype-phenotype correlations in colorectal cancer with deep learning: a multicentre cohort study
2025-Aug, The Lancet. Digital health
DOI:10.1016/j.landig.2025.100891
PMID:40829965
|
研究论文 | 本研究开发并验证了一种基于深度学习的多目标模型，用于从结直肠癌组织病理切片中同时预测多种基因突变及其相关表型 | 首次系统性地开发了能够同时预测多种基因改变的多目标深度学习模型，超越了传统仅关注MSI、BRAF和KRAS的单目标模型 | 模型预测性能高度依赖于与MSI相关的形态学特征，对其他生物标志物的特异性模式识别能力有限 | 评估结直肠癌基因型与表型相关性，开发基于深度学习的生物标志物预测模型 | 结直肠癌患者的组织样本 | 数字病理学 | 结直肠癌 | 苏木精-伊红染色，全切片数字化成像，综合panel测序 | Transformer | 病理图像 | 主要数据集1376名患者（5个队列），验证数据集536名患者（2个公共数据集） | NA | Transformer | AUROC | NA |
| 2770 | 2025-11-22 |
Evaluation of recent lightweight deep learning architectures for lung cancer CT classification
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1647701
PMID:41049845
|
研究论文 | 评估三种轻量级深度学习架构在肺癌CT分类任务中的性能表现 | 首次系统评估MobileOne-S0、FastViT-S12和MambaOut-Femto等新兴轻量级模型在医学影像特别是肺癌分类中的应用潜力 | 研究样本量相对有限（公共数据集95例，私有数据集274例），未在更多样化的临床环境中验证 | 为资源受限环境下的临床部署提供基于证据的模型选择指导 | 肺癌CT图像的分类任务 | 计算机视觉 | 肺癌 | CT成像 | 深度学习 | 医学影像 | 公共数据集95例，私有数据集274例 | NA | MobileOne-S0, FastViT-S12, MambaOut-Femto, ResNet, Swin Transformer | 准确率, AUC, 推理时间, 参数量, FLOPs | NA |
| 2771 | 2025-11-22 |
Correction: Evaluation of recent lightweight deep learning architectures for lung cancer CT classification
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1715188
PMID:41195277
|
修正 | 对先前发表的关于轻量级深度学习架构在肺癌CT分类中评估的文章进行修正 | NA | NA | NA | NA | NA | 肺癌 | CT | NA | NA | NA | NA | NA | NA | NA |
| 2772 | 2025-11-22 |
DeepAttNet: deep neural network incorporating cross-attention mechanism for subject-independent mental stress detection in passive brain-computer interfaces using bilateral ear-EEG
2025, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2025.1685087
PMID:41255549
|
研究论文 | 提出了一种基于交叉注意力机制的深度神经网络DeepAttNet，用于被动脑机接口中独立于被试的心理压力检测 | 引入了休息对休息范式来隔离任务相关干扰，开发了专门建模半球间神经动力学的交叉注意力机制和逐点时间压缩模块 | 样本量相对较小（32名成人参与者），仅使用双耳EEG记录 | 开发独立于被试的心理压力检测方法，提升被动脑机接口在现实场景中的应用 | 32名成人参与者的双耳EEG数据 | 脑机接口 | 心理健康 | 脑电图 | 深度学习, CNN | EEG信号 | 32名成人参与者 | NA | DeepAttNet, EEGNet, ShallowConvNet, DeepConvNet, TSception | 准确率, 宏F1值 | NA |
| 2773 | 2025-11-22 |
Multi-Omics Meets Premalignancy: Paving the Way for Early Prevention of Cancer
2025, Research (Washington, D.C.)
DOI:10.34133/research.0930
PMID:41255572
|
综述 | 本文系统探讨多组学技术与人工智能在癌前病变研究中的整合应用及其对癌症早期预防的推动作用 | 首次系统梳理15种癌症类型的临床公认癌前病变，并强调多组学与人工智能融合在肿瘤发生轨迹推断中的创新应用 | 未涉及具体临床验证数据，主要基于现有研究进行理论梳理与展望 | 推动癌症早期检测与药物预防策略发展 | 癌前病变及其向恶性肿瘤转化的动态过程 | 数字病理 | 泛癌种 | 多组学技术, 单细胞测序, 空间组学 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 2774 | 2025-11-22 |
Two-decade dialogue between artificial intelligence and osteoporosis: research trajectories and frontier projections under bibliometric and visual analysis
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1606361
PMID:41255602
|
文献计量分析 | 通过文献计量和可视化方法系统分析2004-2024年间人工智能在骨质疏松症研究领域的发展轨迹和前沿趋势 | 首次对骨质疏松症领域人工智能研究进行全面的文献计量分析，识别了该领域的发展轨迹、新兴前沿和关键挑战 | 仅基于Web of Science数据库的英文文献，可能存在语言和数据库偏倚 | 评估人工智能在骨质疏松症研究中的知识进展和发展趋势 | 2004-2024年间发表的骨质疏松症与人工智能相关文献 | 文献计量学 | 骨质疏松症 | 文献计量分析，可视化分析 | NA | 文献元数据 | 408篇出版物（343篇文章，65篇综述） | VOSviewer, CiteSpace, Scimago Graphica, Bibliometrix | NA | NA | NA |
| 2775 | 2025-11-22 |
Deep learning-driven MRI for accurate brain volumetry in murine models of neurodegenerative diseases
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1632169
PMID:41255818
|
研究论文 | 本研究开发了一种基于深度学习的MRI分割方法，用于精确测量神经退行性疾病小鼠模型的脑体积 | 采用深度学习分割方法在7特斯拉MRI上实现快速（4.3分钟）高分辨率脑体积测量，显著减少采集时间并提高动物福利 | 需要麻醉可能影响采集参数，研究主要聚焦小鼠模型 | 开发可靠的小鼠脑体积定量方法以评估神经退行性疾病进程和治疗干预 | 健康C57BL/6J小鼠和肌萎缩侧索硬化、铜宗诱导脱髓鞘、多发性硬化疾病模型小鼠 | 数字病理 | 神经退行性疾病 | MRI, T1加权成像 | 深度学习分割模型 | 医学影像 | 健康C57BL/6J小鼠和疾病模型小鼠 | NA | NA | 重现性 | NA |
| 2776 | 2025-11-22 |
Thyroid nodule and lymph node metastasis assessment from ultrasound images using deep learning
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1684104
PMID:41255824
|
研究论文 | 本研究开发了一种基于深度学习的超声图像诊断模型，用于术前区分良性甲状腺结节、非转移性恶性甲状腺结节和转移性恶性甲状腺结节 | 首次建立能够同时区分三种甲状腺结节类型（BTN、NMTN、MMTN）的AI诊断模型，并在多中心数据上验证其性能优于放射科医生 | 样本量相对较小（195例患者），且各类别样本数量不均衡（MMTN样本最多，NMTN样本最少） | 开发AI辅助诊断工具以提高甲状腺结节超声诊断的准确性和一致性 | 甲状腺结节患者的超声图像 | 计算机视觉 | 甲状腺癌 | 超声成像 | CNN | 图像 | 195名患者（BTN=60，NMTN=15，MMTN=120），共3,537张超声图像 | NA | NA | AUC, 准确率, ROC曲线, 混淆矩阵 | NA |
| 2777 | 2025-11-22 |
Prospects and challenges of deep learning in gynecologic malignancies
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1592078
PMID:41256318
|
综述 | 概述深度学习在妇科恶性肿瘤诊疗中的应用现状与挑战 | 系统探讨深度学习在妇科肿瘤影像分析中的多任务应用潜力及多组学数据整合方向 | 未涉及具体临床验证数据与实际部署障碍的量化分析 | 评估深度学习技术在妇科恶性肿瘤诊疗中的发展前景 | 妇科恶性肿瘤的影像与病理数据 | 数字病理学 | 妇科肿瘤 | 医学影像分析（X射线、CT、MRI、SPECT） | 深度学习模型 | 影像数据 | NA | NA | NA | NA | NA |
| 2778 | 2025-11-22 |
Predicting alcohol use disorder risk in firefighters using a multimodal deep learning model: a cross-sectional study
2025, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2025.1643552
PMID:41256950
|
研究论文 | 开发并验证了一种融合结构磁共振成像和神经心理学评估的多模态深度学习框架，用于预测消防员的酒精使用障碍风险 | 首次将结构MRI与神经心理学评估相结合，通过多模态深度学习实现酒精使用障碍的客观风险分层，避免了传统自我报告方法的系统性漏报问题 | 横断面研究设计无法建立因果关系，样本主要为男性消防员可能限制结果的普适性 | 开发客观的酒精使用障碍风险预测模型，用于高风险职业人群的早期筛查 | 689名现役消防员 | 数字病理 | 酒精使用障碍 | 结构磁共振成像, 神经心理学评估 | CNN, Transformer, 多层感知机 | 图像, 临床数据 | 689名现役消防员（平均年龄43.3±8.8岁，93%为男性） | PyTorch, TensorFlow | ResNet-50, Vision Transformer | 准确率, AUC, ROC曲线 | NA |
| 2779 | 2025-11-22 |
Deep learning-based classification of colorectal cancer in histopathology images for category detection
2025, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpaf077
PMID:41256969
|
研究论文 | 本研究开发基于深度学习的结直肠癌组织病理图像分类系统，用于自动识别不同癌症类别 | 提出两阶段预测框架，先进行异常检测再进行多类别分类，显著提升对代表性不足和形态复杂类别的分类鲁棒性 | Swin Transformer模型计算需求较高，部分类别样本量可能不足 | 开发自动化的结直肠癌分类系统以辅助病理学家诊断 | 结直肠癌组织病理图像 | 数字病理 | 结直肠癌 | 苏木精-伊红染色组织病理学成像 | CNN, Transformer | 图像 | NA | NA | ResNet-34, ResNet-50, Swin Transformer V2 | 准确率, ROC AUC, F1-score | NA |
| 2780 | 2025-11-22 |
The role of health monitoring technologies in optimising athletes' self-regulation
2025, Wiadomosci lekarskie (Warsaw, Poland : 1960)
DOI:10.36740/WLek/209507
PMID:41075206
|
研究论文 | 开发结合可穿戴设备、云计算和深度学习的智能系统来监测运动员表现和健康 | 整合最新可穿戴设备与深度学习技术实现运动员健康状态的实时监测和预测 | NA | 分析当前运动员表现和健康监测方法，开发智能监测系统 | 运动员的健康监测和训练优化 | 机器学习 | NA | 可穿戴设备监测 | 深度学习 | 生理参数数据 | NA | NA | NA | 预测准确率 | 云计算 |