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 18870 篇文献，本页显示第 7721 - 7740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7721 | 2025-10-06 |
Accelerated brain magnetic resonance imaging with deep learning reconstruction: a comparative study on image quality in pediatric neuroimaging
2025-Aug, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06314-2
PMID:40650736
|
研究论文 | 比较深度学习重建技术在加速儿科脑部磁共振成像中的图像质量表现 | 首次在儿科神经影像学中系统比较传统MRI、传统MRI+DLR和加速MRI+DLR三种重建方法的图像质量 | 回顾性研究设计，样本量相对有限（116名参与者） | 评估深度学习重建加速脑部MRI在儿科神经影像学中的临床可行性 | 116名儿科参与者（平均年龄7.9±5.4岁） | 医学影像分析 | 儿科神经系统疾病 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 116名儿科患者 | NA | NA | 图像质量评分，锐度，伪影，噪声，病变显著性，图像噪声测量，变异系数，加权Cohen's kappa | NA |
| 7722 | 2025-10-06 |
Base-resolution binding profile prediction of proteins on RNAs with deep learning
2025-Jul-19, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf748
PMID:40794872
|
研究论文 | 提出了一种基于深度学习的iDeepB方法，用于预测蛋白质在RNA上的碱基分辨率结合谱 | 首次整合细胞系特异性基因表达谱来预测蛋白质-RNA相互作用，构建了表达感知基准数据集 | 未明确说明方法在其他类型RNA结合蛋白或细胞系中的泛化能力 | 开发能够准确预测蛋白质在RNA上结合核苷酸和结合强度的计算方法 | RNA结合蛋白及其与RNA的相互作用 | 机器学习 | NA | eCLIP-seq, RNA-seq | 深度学习, 多头注意力机制 | 基因组序列数据, 基因表达数据 | 基于细胞特异性RNA-seq和eCLIP-seq数据构建的基准数据集 | NA | 混合深度网络, 多头注意力 | 结合谱预测准确性 | NA |
| 7723 | 2025-10-06 |
Unraveling Parkinson's disease motor subtypes: A deep learning approach based on spatiotemporal dynamics of EEG microstates
2025-06-15, Neurobiology of disease
IF:5.1Q1
DOI:10.1016/j.nbd.2025.106915
PMID:40274133
|
研究论文 | 本研究开发了一种基于EEG微状态时空动力学的深度学习模型，用于区分帕金森病震颤主导型和姿势不稳/步态困难型运动亚型 | 首次将EEG微状态动态空间模式与电极位置数据结合用于PD运动亚型分类，强调了动态脑网络特征作为潜在生物标志物的重要性 | 未明确说明样本量大小和研究人群的具体特征 | 理解帕金森病异质性运动表型的脑网络动力学基础，改善个性化治疗 | 帕金森病患者（震颤主导型和姿势不稳/步态困难型）与健康个体 | 机器学习 | 帕金森病 | 脑电图微状态分析 | 深度学习 | EEG信号 | NA | NA | NA | AUC | NA |
| 7724 | 2025-10-06 |
GCN-BBB: Deep Learning Blood-Brain Barrier (BBB) Permeability PharmacoAnalytics with Graph Convolutional Neural (GCN) Network
2025-04-03, The AAPS journal
DOI:10.1208/s12248-025-01059-0
PMID:40180695
|
研究论文 | 本研究开发了一种基于图卷积神经网络的深度学习模型，用于预测血脑屏障渗透性 | 首次将归一化拉普拉斯矩阵的图卷积神经网络应用于血脑屏障渗透性预测，相比传统分子指纹方法表现更优 | 研究仅基于1924个分子数据集，样本规模相对有限 | 开发高精度的血脑屏障渗透性预测模型以支持中枢神经系统药物研发 | 小分子药物的血脑屏障渗透性 | 机器学习 | 神经系统疾病 | 图神经网络 | GCN | 图结构数据 | 1924个分子 | NA | GCN_2（基于归一化拉普拉斯矩阵的图卷积神经网络） | 精确率,召回率,F1分数,MCC分数 | NA |
| 7725 | 2025-10-06 |
Deep Learning and Hyperspectral Imaging for Liver Cancer Staging and Cirrhosis Differentiation
2025-04, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202400557
PMID:39873135
|
研究论文 | 开发结合高光谱成像与深度学习的诊断方法，用于肝癌分期和肝硬化鉴别 | 首次将高光谱成像与深度卷积神经网络结合，捕捉传统方法难以识别的细胞级光谱特征差异 | 未提及外部验证集性能及临床部署可行性 | 提高肝癌分期和肝硬化鉴别的诊断精度 | 肝组织样本（肝细胞癌与肝硬化） | 计算机视觉 | 肝癌 | 高光谱成像 | CNN | 高光谱图像 | NA | NA | 深度卷积神经网络 | 准确率, 敏感度, 特异度 | NA |
| 7726 | 2025-10-06 |
Physics-informed deep learning for stochastic particle dynamics estimation
2025-Mar-04, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2418643122
PMID:40014572
|
研究论文 | 提出一种融合物理信息的深度学习框架SPINN，用于随机粒子动力学估计 | 将随机微分方程整合到深度学习框架中，实现单帧分辨率的参数空间自主探索和确定性/随机性成分区分 | NA | 提高随机粒子动力学的时间分辨率，实现复杂扩散行为的估计和预测 | 单粒子轨迹数据，金纳米棒在水凝胶中的扩散 | 机器学习 | NA | 单粒子追踪技术 | 深度学习 | 轨迹数据 | NA | NA | SPINN（随机粒子信息神经网络） | 帧间变异性，统计相关性 | NA |
| 7727 | 2025-10-06 |
Rapid counting of Kazachstania humilis and Saccharomyces cerevisiae in sourdough by deep learning-based classifier
2025-Sep, Journal of microbiological methods
IF:1.7Q4
DOI:10.1016/j.mimet.2025.107183
PMID:40562078
|
研究论文 | 开发基于深度学习的分类器用于快速计数酸面团中的Kazachstania humilis和Saccharomyces cerevisiae酵母菌落 | 首次使用YOLO深度学习方法和两阶段培养温度区分酵母菌落，实现自动化快速计数 | 仅针对特定两种酵母菌进行验证，未测试其他酵母菌种 | 开发自动化酵母菌落计数方法以监测酸面团发酵过程中的酵母菌群变化 | Kazachstania humilis和Saccharomyces cerevisiae酵母菌 | 计算机视觉 | NA | 微生物培养，两阶段温度培养 | YOLO | 图像 | 酸面团分离的K. humilis和S. cerevisiae菌株，以及面包、清酒和葡萄酒中使用的S. cerevisiae菌株 | NA | YOLO | 准确率 | NA |
| 7728 | 2025-06-13 |
Reassessment of deep learning-based surgical phase recognition in laparoscopic cholecystectomy
2025-Aug-31, Annals of hepato-biliary-pancreatic surgery
IF:1.1Q3
DOI:10.14701/ahbps.25-059
PMID:40499925
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7729 | 2025-10-06 |
Leveraging deep learning and structure-based drug repurposing for the discovery of potent Trk-A inhibitors targeting CIPA
2025-Aug, Bioorganic chemistry
IF:4.5Q1
DOI:10.1016/j.bioorg.2025.108680
PMID:40517591
|
研究论文 | 本研究结合深度学习和基于结构的药物重定位方法，发现针对CIPA的强效Trk-A抑制剂 | 首次将深度学习ANN模型与结构基药物重定位相结合筛选Trk-A抑制剂，从FDA已批准药物库中发现新适应症 | 研究仅基于计算模拟验证，缺乏实验验证数据 | 发现针对CIPA疾病的新型、强效且无毒的Trk-A抑制剂 | Trk-A靶向化合物和FDA批准药物库 | 机器学习 | 遗传性感觉和自主神经病（CIPA） | 深度学习、分子对接、分子动力学模拟 | ANN | 生物活性数据、化合物结构数据 | NA | NA | 人工神经网络 | RMSD, RMSF, Rg, H-bonds, PCA, MMGBSA/MMPBSA | NA |
| 7730 | 2025-10-06 |
Decoding tissue complexity: multiscale mapping of chemistry-structure-function relationships through advanced visualization technologies
2025-Jul-10, Journal of materials chemistry. B
DOI:10.1039/d5tb00744e
PMID:40476698
|
综述 | 本文系统探讨了先进生物可视化技术在解码组织多尺度化学-结构-功能关系中的原理、应用与局限 | 重点分析了人工智能驱动的图像分析、多维成像重建和多模态数据整合等变革性技术进步 | NA | 通过先进可视化技术解析生物组织的多尺度复杂性，推动生物材料开发和生物医学研究 | 生物组织和器官的多尺度结构与功能特征 | 生物医学可视化 | NA | 多维成像、多模态数据整合、增强现实 | 深度学习 | 多维图像数据、多模态生物数据 | NA | NA | NA | NA | NA |
| 7731 | 2025-10-06 |
Applying multimodal AI to physiological waveforms improves genetic prediction of cardiovascular traits
2025-Jul-03, American journal of human genetics
IF:8.1Q1
DOI:10.1016/j.ajhg.2025.05.015
PMID:40543505
|
研究论文 | 提出多模态深度学习框架M-REGLE，通过联合分析生理波形数据提升心血管性状的遗传预测能力 | 开发了首个用于多模态生理波形联合表征学习的遗传发现框架，相比单模态方法显著提高了遗传位点发现数量 | 研究主要聚焦心血管性状，未验证在其他生理系统或疾病中的适用性 | 利用多模态生理数据改进复杂性状的遗传关联研究 | 心电图和光电容积脉搏波等生理波形数据 | 机器学习 | 心血管疾病 | GWAS, 深度学习 | 卷积变分自编码器 | 生理波形信号 | 多个生物银行的大规模人群数据 | NA | 卷积变分自编码器 | 遗传位点发现数量, 遗传风险评分预测性能 | NA |
| 7732 | 2025-10-06 |
Hyperspectral Imaging for Rapid Detection of Common Infected Bacteria Based on Fluorescence Effect
2025-07, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202500164
PMID:40444593
|
研究论文 | 本研究结合荧光高光谱成像与深度学习算法，开发了一种快速检测伤口常见感染细菌的非侵入性方法 | 首次将荧光高光谱成像技术与空间-光谱多尺度注意力网络相结合，实现低至10 CFU/mL细菌浓度的快速非侵入检测 | 仅针对8种常见细菌进行研究，未涵盖所有可能的致病菌种类 | 开发快速准确的细菌感染检测方法 | 伤口感染中的八种常见细菌 | 计算机视觉 | 细菌感染 | 荧光高光谱成像(FHSI) | 深度学习 | 高光谱图像 | 八种细菌物种的培养板荧光数据 | NA | 空间-光谱多尺度注意力网络(SSMA-Net) | 准确率 | NA |
| 7733 | 2025-10-06 |
Hyperspectral Imaging for Predicting Bladder Cancer Grading: A Novel Diagnostic Approach
2025-07, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202500161
PMID:40456708
|
研究论文 | 提出一种基于深度学习的多模态融合模型RVCK-net，通过整合高光谱成像和病理图像实现膀胱癌精准分级 | 首次提出结合高光谱成像和病理图像的多模态融合模型，采用自适应融合机制整合空间和光谱信息 | NA | 提高膀胱癌分级的准确性和诊断一致性 | 膀胱癌组织样本 | 数字病理学 | 膀胱癌 | 高光谱成像, 病理成像 | 深度学习, 多模态融合模型 | 高光谱图像, 病理图像 | NA | NA | RVCK-net | 准确率 | NA |
| 7734 | 2025-10-06 |
PTMFusionNet: A Deep Learning Approach for Predicting Disease Related Post-translational Modification and Classifying Disease Subtypes
2025-Jul, Molecular & cellular proteomics : MCP
IF:6.1Q1
DOI:10.1016/j.mcpro.2025.101009
PMID:40466864
|
研究论文 | 提出一种名为PTMFusionNet的深度学习方法，用于预测疾病相关翻译后修饰并整合蛋白质表达数据进行疾病亚型分类 | 开发了结合层注意力图卷积网络和特征加权图卷积网络的双重GCN模型，能够预测PTM潜力分数并与蛋白质表达数据融合 | NA | 预测疾病相关翻译后修饰并改进疾病亚型分类 | 蛋白质翻译后修饰和疾病亚型 | 机器学习 | 癌症 | 质谱技术 | GCN | 蛋白质表达数据和PTM信息 | 三个数据集（KIPAN、COADREAD和THCA） | NA | Layer-Attention Graph Convolutional Network (LAGCN), Feature Weighting Graph Convolutional Network (FWGCN) | 准确率, F1分数, AUC | NA |
| 7735 | 2025-10-06 |
Enhancing the Accuracy of Skin Lesion Diagnosis Using Hyperspectral Imaging and Deep Learning
2025-07, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202500182
PMID:40505653
|
研究论文 | 本研究提出了一种结合高光谱成像和深度学习的新型诊断方法，用于区分皮炎、光化性角化病和脂溢性角化病 | 首次将高光谱成像与深度学习相结合用于皮肤病变诊断，采用Savitzky-Golay滤波和一阶导数光谱分析增强数据质量 | 样本量较小（60个样本），需要进一步研究可扩展性和成本效益优化 | 开发准确诊断皮肤病变的自动化方法 | 皮炎、光化性角化病(AK)、脂溢性角化病(SK)三种皮肤病变 | 计算机视觉 | 皮肤病 | 高光谱成像(HSI), Savitzky-Golay滤波, 一阶导数光谱分析 | 深度学习 | 高光谱图像 | 60个术中临床标本 | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 7736 | 2025-10-06 |
A scoping review of self-supervised representation learning for clinical decision making using EHR categorical data
2025-Jun-14, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01692-1
PMID:40517140
|
综述 | 本文对使用电子健康记录分类数据进行自监督表示学习以支持临床决策的研究进行了范围综述 | 首次系统梳理了2019-2024年间针对未标记分类EHR数据的自监督表示学习研究趋势和模型家族分布 | 在评估这些技术对临床实践影响方面存在当前局限性 | 评估自监督表示学习在电子健康记录分类数据中支持临床决策的研究现状和发展趋势 | 46项从2019年1月至2024年4月发表的研究 | 自然语言处理 | NA | 自监督表示学习 | Transformer, Autoencoder, 图神经网络 | 电子健康记录分类数据 | 46项研究 | NA | Transformer-based, Autoencoder-based, Graph Neural Network-based | NA | NA |
| 7737 | 2025-10-06 |
Exploring Generative Pre-Trained Transformer-4-Vision for Nystagmus Classification: Development and Validation of a Pupil-Tracking Process
2025-Jun-06, JMIR formative research
IF:2.0Q4
DOI:10.2196/70070
PMID:40478723
|
研究论文 | 本研究开发并验证了一种基于GPT-4V的眼震分类方法，通过瞳孔追踪过程实现自动化分类 | 首次将生成式预训练Transformer-4-Vision模型应用于眼震分类，利用其强大的图像识别能力 | 总体分类准确率较低（图像输入37%，坐标输入24.6%），垂直和扭转方向眼震分类准确率不足，需要扩大数据集和增强输入模态 | 评估GPT-4V模型在眼震分类中的应用效果，开发自动化眼震分类方法 | 眼震视频记录中的瞳孔运动轨迹 | 计算机视觉 | 前庭疾病 | 瞳孔追踪技术，视频分析 | GPT-4V | 视频，图像，二维坐标数据 | NA | NA | Generative Pre-trained Transformer 4 Vision | 准确率 | NA |
| 7738 | 2025-10-06 |
HVAngleEst: A Dataset for End-to-end Automated Hallux Valgus Angle Measurement from X-Ray Images
2025-May-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05261-9
PMID:40447606
|
研究论文 | 本文提出了首个用于拇外翻角度自动测量的大规模公开数据集HVAngleEst | 创建了首个专门用于拇外翻角度估计的大规模开放数据集，支持端到端自动测量 | NA | 开发用于拇外翻角度自动测量的深度学习算法 | X射线图像中的足部区域和骨骼结构 | 计算机视觉 | 足部疾病 | X射线成像 | NA | X射线图像 | 1,382张X射线图像，来自1,150名患者 | NA | NA | NA | NA |
| 7739 | 2025-10-06 |
Optimizing Mask R-CNN for enhanced quinoa panicle detection and segmentation in precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1472688
PMID:40530286
|
研究论文 | 本研究提出了一种基于改进Mask R-CNN的藜麦圆锥花序检测与分割方法，用于精准农业中的产量估算 | 首次将实例分割技术应用于藜麦圆锥花序分析，采用EfficientNet-B7骨干网络和Mish激活函数优化模型性能 | NA | 开发自动化藜麦产量估算的深度学习方法 | 藜麦圆锥花序 | 计算机视觉 | NA | 实例分割 | Mask R-CNN | 图像 | NA | NA | Mask R-CNN, EfficientNet-B7 | NA | NA |
| 7740 | 2025-10-06 |
Deep learning with ensemble-based hybrid AI model for bipolar and unipolar depression detection using demographic and behavioral based on time-series data
2025-12, Dialogues in clinical neuroscience
DOI:10.1080/19585969.2025.2524337
PMID:40588165
|
研究论文 | 提出基于人口统计学和行为时间序列数据的集成混合AI模型，用于双相和单相抑郁症检测 | 结合结构化人口统计特征与合成活动记录时间序列数据的混合AI框架，集成XGBoost和深度CNN模型 | 尚未经过临床验证，使用合成数据而非真实世界数据集 | 开发自动化的抑郁症分类方法 | 双相和单相抑郁症患者 | 机器学习 | 精神疾病 | 行为时间序列分析 | XGBoost, CNN | 时间序列数据，结构化人口统计数据 | NA | XGBoost, TensorFlow/PyTorch | 卷积神经网络 | 准确率，灵敏度，特异性 | NA |