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 19278 篇文献，本页显示第 641 - 660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 641 | 2026-04-21 |
Machine learning to identify hypoxic-ischemic brain injury on early head CT after pediatric cardiac arrest
2025-10, Resuscitation
IF:6.5Q1
|
研究论文 | 本研究利用深度学习模型检测儿童院外心脏骤停后早期CT扫描中的缺氧缺血性脑损伤，并探索模型是否能识别放射科医生视觉未察觉的损伤 | 首次应用深度学习模型在儿童院外心脏骤停后早期CT图像中自动检测缺氧缺血性脑损伤，并证明模型能识别放射科医生视觉未发现的损伤 | 样本量较小（117例），且为回顾性研究，可能存在选择偏倚 | 开发深度学习模型以早期检测儿童心脏骤停后的缺氧缺血性脑损伤 | 儿童院外心脏骤停患者及其早期CT扫描图像 | 计算机视觉 | 缺氧缺血性脑损伤 | CT扫描 | 深度学习模型 | 图像 | 117例儿童院外心脏骤停病例及年龄匹配的对照组 | NA | NA | AUC | NA |
| 642 | 2026-04-21 |
Multimodal profiling of Pepcan-CB1 receptor structure-activity relationships: integrating molecular dynamics simulations, biological profiling, and the deep learning model MuMoPepcan
2025-10, Bioorganic chemistry
IF:4.5Q1
DOI:10.1016/j.bioorg.2025.109027
PMID:41005111
|
研究论文 | 本文提出了一种结合分子动力学模拟与湿实验数据的深度学习框架MuMoPepcan，用于预测肽类与大麻素受体CB1的生物活性，并发现了潜在镇痛化合物RD-pepcan-11 | 将分子动力学模拟数据作为数据增强方法，整合到肽类生物活性预测中，提高了模型在有限实验数据下的泛化能力和准确性 | 研究主要针对CB1受体和pepcans，可能不直接适用于其他受体或肽类体系；数据规模虽通过模拟扩大，但实验验证样本量有限 | 开发一种结合干湿实验的框架，以改善药物发现中机器学习在有限数据下的预测性能 | 大麻素受体CB1及其配体pepcans肽类 | 机器学习 | NA | 分子动力学模拟，生物筛选，深度学习 | 深度学习模型 | 分子构象数据，生物活性数据 | 45种合成pepcans肽类，以及数百万分子动力学模拟生成的构象数据 | NA | MuMoPepcan | 预测误差 | NA |
| 643 | 2026-04-21 |
The Efficacy of Artificial Intelligence in the Detection and Management of Atrial Fibrillation
2025-Jan, Cureus
DOI:10.7759/cureus.77135
PMID:39925585
|
系统综述 | 本文系统评估了人工智能在心房颤动风险预测、监测和管理中的应用 | 首次全面评估了人工智能与心房颤动领域的交叉应用，并识别了现有研究中的关键差距 | 由于数据异质性和方法学不一致，人工智能工具的可靠性和一致性在不同研究中存在差异 | 评估人工智能在心房颤动检测和管理中的效能 | 心房颤动患者及相关医疗数据 | 机器学习 | 心血管疾病 | NA | 机器学习, 深度学习, 人工神经网络 | 心电图数据, 可穿戴设备数据 | 39项符合纳入标准的研究 | NA | 最优时变机器学习模型, 观察性医疗结果伙伴关系通用数据模型 | 灵敏度, 特异性 | NA |
| 644 | 2025-09-13 |
Infant Electrocardiogram-Based Deep Learning Predicts Critical Congenital Heart Disease
2025-Dec, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.08.005
PMID:40938228
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 645 | 2026-04-20 |
Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models
2025-Nov-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-65518-0
PMID:41298357
|
研究论文 | 本文通过将大型语言模型的层级结构与人类大脑语言处理的时序动态对齐，揭示了深度学习模型在理解大脑语言理解机制中的优势 | 首次证明大型语言模型的层级结构与大脑语言理解的时间动态对齐，并公开了神经与语言对齐的数据集作为公共基准 | 研究依赖于特定叙事刺激和有限参与者样本，可能无法完全推广到所有语言处理场景 | 探索大型语言模型如何作为理解人类大脑语言处理机制的框架 | 人类大脑在语言理解过程中的神经活动 | 自然语言处理 | NA | 皮层电图（ECoG） | GPT-2 XL, Llama-2 | 文本, 神经信号 | 参与者听30分钟叙事时的ECoG数据 | NA | Transformer | 相关性 | NA |
| 646 | 2026-04-20 |
Box embeddings for extending ontologies: a data-driven and interpretable approach
2025-Sep-01, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01086-1
PMID:40890838
|
研究论文 | 提出一种基于盒形嵌入的数据驱动方法，用于扩展本体并实现可解释的多标签分类 | 通过盒形嵌入在训练过程中强制实施分类结构，无需显式分类法即可捕获标签间的隐式层次关系 | 未在摘要中明确说明 | 从深度学习模型中推导符号知识，实现可解释的多标签分类 | ChEBI本体中的化学类别 | 自然语言处理 | NA | 盒形嵌入 | 深度学习模型 | 多标签数据集 | NA | NA | NA | 多标签分类性能 | NA |
| 647 | 2026-04-20 |
Diagnostic value of deep learning of multimodal imaging of thyroid for TI-RADS category 3-5 classification
2025-06, Endocrine
IF:3.0Q2
DOI:10.1007/s12020-025-04198-8
PMID:40056264
|
研究论文 | 本研究探索了基于深度学习结合超声和CT多模态成像对甲状腺TI-RADS 3-5类结节进行良恶性分类的诊断价值 | 首次将深度学习应用于超声与CT多模态成像的融合，以提高甲状腺TI-RADS 3-5类结节的分类准确性，避免不必要的活检 | 研究样本仅来自单一中心，且未提及外部验证集，可能影响模型的泛化能力 | 开发一种非侵入性方法，准确区分甲状腺TI-RADS 3-5类结节的良恶性，以减少不必要的细针穿刺活检 | 甲状腺TI-RADS 3-5类结节 | 数字病理 | 甲状腺癌 | 超声成像，计算机断层扫描 | 深度学习模型 | 图像 | 768例患者中的768个甲状腺结节（499例恶性，269例良性） | NA | NA | AUC，灵敏度，准确率，阳性预测值 | NA |
| 648 | 2026-04-20 |
Dongting Lake algal bloom forecasting: Robustness and accuracy analysis of deep learning models
2025-03-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2024.136804
PMID:39672063
|
研究论文 | 本研究开发了一个基于深度学习的早期预警系统，用于预测洞庭湖有害藻华的发生，通过整合时间序列分析和iTransformer模型来提高预测准确性 | 采用iTransformer模型结合时间序列分析，增强了预测准确性，并通过注意力权重分析识别了影响藻密度的关键因素（如营养物和温度），展示了模型在数据不完整情况下的鲁棒性 | 未来工作需探索更多环境变量以提升模型的预测能力和泛化性 | 开发一个早期预警系统来预测有害藻华的发生，以支持水质管理 | 洞庭湖的水质数据，特别是与藻华相关的环境因素 | 机器学习 | NA | 深度学习，时间序列分析 | iTransformer | 时间序列水质数据 | NA | NA | iTransformer | NA | NA |
| 649 | 2026-04-20 |
A green and efficient method for detecting nicosulfuron residues in field maize using hyperspectral imaging and deep learning
2025-02-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2024.136724
PMID:39637793
|
研究论文 | 本研究提出了一种结合高光谱成像和深度学习（HerbiResNet模型）的绿色高效方法，用于检测田间玉米中烟嘧磺隆除草剂残留 | 开发了HerbiResNet模型，首次将高光谱成像与深度学习结合用于玉米除草剂残留的预测与分类，并识别出与残留及生理变化强相关的特定光谱波段（约550 nm、680 nm、750 nm和1000 nm） | 研究仅针对六种玉米品种（抗性和敏感型）及两种除草剂浓度，样本多样性和环境条件可能有限 | 实现田间玉米中烟嘧磺隆除草剂残留的准确、快速检测，以支持化学修复和优化喷洒策略 | 田间种植的玉米叶片（六种品种，包括抗性和敏感型） | 计算机视觉 | NA | 高光谱成像 | 深度学习 | 光谱数据 | 六种玉米品种（抗性和敏感型），在两种除草剂浓度下，残留分为低、中、高三个水平 | NA | HerbiResNet | 决定系数（R²），准确率 | NA |
| 650 | 2026-04-20 |
General artificial intelligence for the diagnosis and treatment of cancer: the rise of foundation models
2025-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubaf015
PMID:41030612
|
综述 | 本文综述了通用人工智能和基础模型在癌症诊断与治疗中的应用、潜力及面临的挑战 | 探讨了基于生成式AI和通用AI技术的基础模型在肿瘤学领域的兴起及其多功能性、高性能、个性化增强和对医疗工作者的辅助作用 | 存在多重障碍可能阻碍通用AI和生成式AI的临床转化 | 回顾通用人工智能和基础模型在肿瘤学诊断与治疗中的应用与挑战 | 癌症的诊断与治疗，特别是放射学、病理学、精准医学、护理个性化和外科肿瘤学 | 机器学习 | 癌症 | NA | NA | NA | NA | NA | NA | NA | NA |
| 651 | 2026-04-19 |
Machine and deep learning structural vessel analysis of ruptured and unruptured brain arteriovenous malformations
2025-Dec-01, Interventional neuroradiology : journal of peritherapeutic neuroradiology, surgical procedures and related neurosciences
IF:1.5Q3
DOI:10.1177/15910199251400137
PMID:41325021
|
研究论文 | 本文提出了一种结合机器学习和深度学习的图像分析方法，用于评估脑动静脉畸形（bAVM）的结构血管特征与破裂风险之间的关系 | 首次应用多种人工智能模型（包括隔离森林、一类支持向量机、变分自编码器和基于分数的模型）自动分析bAVM血管段曲线特征，以区分破裂与未破裂病例，其中SBM模型在检测破裂风险曲线时表现出色 | 研究样本量较小（仅20例bAVM），且为回顾性分析，可能限制结果的普遍性和前瞻性应用 | 预测脑动静脉畸形的破裂风险，通过分析血管结构特征来识别与破裂相关的曲线特征 | 脑动静脉畸形（bAVM）的血管段，包括9例既往破裂和11例未破裂的病例 | 计算机视觉 | 脑血管疾病 | 图像分析 | 隔离森林, 一类支持向量机, 变分自编码器, 基于分数的模型 | 图像 | 20例脑动静脉畸形（9例破裂，11例未破裂） | NA | 隔离森林, 一类支持向量机, 变分自编码器, 基于分数的模型 | F1分数, AUC | NA |
| 652 | 2026-04-19 |
Artificial Intelligence Enabled Lifestyle Medicine in Diabetes Care: A Narrative Review
2025-Jul-17, American journal of lifestyle medicine
IF:1.5Q3
DOI:10.1177/15598276251359185
PMID:40687630
|
综述 | 本文是一篇关于人工智能在糖尿病生活方式医学中应用的叙述性综述 | 系统性地将人工智能在糖尿病护理中的应用归纳为四大类别，并展示了其在预测、个性化推荐、远程监测和临床决策支持方面的潜力 | 作为一篇叙述性综述，可能存在选择偏倚，且未对纳入研究的质量进行系统性评估 | 探讨人工智能在糖尿病生活方式医学领域的应用 | 糖尿病护理中的人工智能应用研究 | 机器学习 | 糖尿病 | NA | 随机森林, 深度学习 | NA | NA | NA | NA | 准确率 | NA |
| 653 | 2026-04-19 |
GINClus: RNA structural motif clustering using graph isomorphism network
2025-Jun, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqaf050
PMID:40290315
|
研究论文 | 本文提出了一种名为GINClus的RNA结构基序聚类工具，利用图同构网络结合聚类算法，基于碱基相互作用和三维结构相似性对RNA基序候选进行聚类 | 首次将图同构网络（GIN）模型应用于RNA结构基序的聚类任务，结合半监督深度学习与k-means和层次凝聚聚类，实现了对RNA环区域的高精度聚类，并成功识别出新的基例和家族 | 未明确提及模型在未知或高度变异RNA结构上的泛化能力，以及计算效率在处理大规模数据集时的表现 | 开发一种自动化工具，用于聚类RNA结构基序，以辅助RNA结构和功能的理解，特别是发现新的RNA结构基序家族 | RNA结构基序候选（RNA环区域），包括已知的内部环和发夹环基序，以及潜在的未知基序 | 生物信息学 | NA | RNA三维结构分析，图表示学习 | 图同构网络（GIN） | 图数据（基于RNA碱基相互作用和三维结构转换） | 未明确指定具体样本数量，但涉及已知内部环和发夹环基序的聚类，并发现了927个新基例和12个新家族 | 未明确指定，但可能基于PyTorch或TensorFlow等深度学习框架 | 图同构网络（GIN） | 聚类准确率（已知内部环基序为87.88%，已知发夹环基序为97.69%） | NA |
| 654 | 2026-04-19 |
A deep learning strategy to identify cell types across species from high-density extracellular recordings
2025-Apr-17, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2025.01.041
PMID:40023155
|
研究论文 | 本文提出了一种基于深度学习的策略，用于从高密度细胞外记录中跨物种识别细胞类型 | 结合光遗传学和药理学，构建了经过筛选的地面真实电生理特性库，并训练了一个半监督深度学习分类器，能够在不同探针、实验室、功能区域和物种间准确预测细胞类型 | NA | 识别细胞类型并揭示具有不同功能、分子和解剖特性的神经元在行为中的计算作用 | 小脑中的浦肯野细胞、分子层中间神经元、高尔基细胞和苔藓纤维 | 机器学习 | NA | 光遗传学、药理学、高密度探针记录 | 深度学习分类器 | 细胞外记录（波形、放电统计、神经元层信息） | NA | NA | NA | 准确率 | NA |
| 655 | 2026-04-19 |
Application of Machine Learning to Osteoporosis and Osteopenia Screening Using Hand Radiographs
2025-01, The Journal of hand surgery
DOI:10.1016/j.jhsa.2024.09.008
PMID:39556066
|
研究论文 | 本研究开发并验证了一种基于手部X光片的人工智能算法，用于筛查骨质疏松和骨质减少 | 利用标准手部X光片替代专业DXA扫描进行骨质疏松和骨质减少的自动化筛查，提高了筛查的可及性和成本效益 | 样本量相对有限，骨质疏松类别图像数量较少，且依赖于DXA扫描作为参考标准，可能存在人类误差 | 开发并验证一种人工智能算法，用于通过手部X光片筛查骨质疏松和骨质减少 | 手部X光片图像 | 医学影像分析 | 骨质疏松 | 手部X光成像 | 深度学习 | 图像 | 1424张手部X光片图像（正常687张，骨质减少607张，骨质疏松130张） | ResNet-50 | ResNet-50 | 灵敏度, 特异度, 准确率, AUC | NA |
| 656 | 2026-04-19 |
The Role of Artificial Intelligence in Cardiovascular Disease Risk Prediction: An Updated Review on Current Understanding and Future Research
2025, Current cardiology reviews
IF:2.4Q2
|
综述 | 本文综述了人工智能在心血管疾病风险预测中的当前应用、优势及未来研究方向 | 系统总结了AI在提升心血管风险预测准确性、效率及可及性方面的最新进展，并强调了其在个性化治疗和临床决策支持中的潜力 | AI在心血管风险评估中的广泛采用仍面临挑战，主要由于医疗专业人员缺乏相关教育和接受度 | 探讨人工智能在心血管疾病风险预测中的变革性作用，以改善患者预后并减轻全球疾病负担 | 心血管疾病风险预测模型及AI驱动工具 | 机器学习 | 心血管疾病 | 电子健康记录分析、心电图分析 | 机器学习算法、深度学习 | 电子健康记录、心电图数据 | NA | NA | NA | 准确率 | NA |
| 657 | 2026-04-19 |
Histopathological image analysis and enhanced diagnostic accuracy explainability for oral cancer detection
2025, Polish journal of pathology : official journal of the Polish Society of Pathologists
IF:0.7Q4
DOI:10.5114/pjp.2025.153973
PMID:40977550
|
研究论文 | 本研究提出了一种用于口腔癌分类的深度学习模型，通过颜色归一化、特征选择和可解释性增强，提高了诊断准确性和决策透明度 | 结合Vahadane归一化、加权Fisher评分特征选择和可解释人工智能技术，改进U-Net分类器以处理类不平衡问题并提升模型可解释性 | 未明确说明模型在外部验证集上的泛化性能或临床部署的具体挑战 | 开发一种准确、可解释的口腔癌组织病理学图像分类方法，以支持早期精准检测 | 口腔癌组织病理学图像 | 数字病理学 | 口腔癌 | 组织病理学图像分析 | 深度学习 | 图像 | NA | NA | U-Net, DenseNet201, VGG10 | 准确率, 精确度, 可靠性 | NA |
| 658 | 2026-04-18 |
MRI augmented with novel artificial intelligence system is equivalent to CT in glenoid imaging
2025-Nov-04, Shoulder & elbow
IF:1.5Q3
DOI:10.1177/17585732251392203
PMID:41199812
|
研究论文 | 本研究通过深度学习算法自动分割MRI图像，并与CT图像进行对比，评估MRI在肩关节前向不稳定中替代CT作为首选成像方式的可行性 | 开发了一种定制深度学习算法，用于自动分割MRI图像，实现了与CT近乎相同的解剖定义，同时具备软组织可视化和避免电离辐射的优势 | 研究为回顾性设计，样本量相对较小（共64例患者），且仅针对特定MRI序列（T1脂肪抑制和VIBE MRI关节造影图像）进行验证 | 评估MRI是否能在肩关节前向不稳定的骨丢失测量中替代CT作为首选成像方式 | 肩关节前向不稳定患者的MRI和CT扫描图像 | 医学影像分析 | 肩关节前向不稳定 | MRI（T1脂肪抑制和VIBE序列）、CT | 深度学习算法 | 图像 | 64例患者（39例T1脂肪抑制MRI，25例VIBE MRI关节造影） | NA | NA | Dice相似系数, Spearman相关系数 | NA |
| 659 | 2026-04-18 |
Deep Learning Estimation of 24-2 Visual Field Map From Optic Nerve Head Optical Coherence Tomography Angiography
2025-11-01, Journal of glaucoma
IF:2.0Q2
DOI:10.1097/IJG.0000000000002626
PMID:40923848
|
研究论文 | 本研究开发了深度学习模型，利用OCTA图像估计24-2视野图，以减少视野测试频率 | 首次将深度学习应用于OCTA图像，利用视盘层信息高精度估计24-2视野图 | NA | 开发深度学习模型从OCTA图像估计24-2视野图 | OCTA视盘正面图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描血管成像 | 深度学习模型 | 图像 | 994名参与者（1684只眼睛）的3148个视野OCTA对 | NA | NA | 平均绝对误差, 皮尔逊相关系数 | NA |
| 660 | 2026-04-18 |
A protein dynamics-based deep learning model enhances predictions of fitness and epistasis
2025-Oct-21, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2502444122
PMID:41100667
|
研究论文 | 本研究构建了一个融合蛋白质动力学信息的深度学习框架，用于增强对蛋白质突变适应性和上位性效应的预测能力 | 首次将基于物理的蛋白质动力学指标（非对称动态耦合指数DCI）整合到图神经网络架构中，无需上位性实验数据训练即可有效建模突变间的复杂相互作用 | 模型仅在四种特定蛋白质的深度突变扫描数据集上验证，尚未在更广泛的蛋白质家族或体内环境中测试 | 开发能够准确预测多个突变对蛋白质功能协同影响（包括上位性效应）的计算模型 | 蛋白质突变效应预测，重点关注残基间的动态耦合与上位性相互作用 | 机器学习 | NA | 深度突变扫描，蛋白质动力学模拟 | GNN | 蛋白质序列数据，动力学耦合指标 | 四种不同蛋白质的深度突变扫描数据集，外加37个计算设计的TEM-1 β-内酰胺酶变体 | PyTorch | 图神经网络（GNN），基于动态耦合构建残基连接 | 预测准确性，与现有方法的比较性能 | NA |