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 19729 篇文献，本页显示第 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 2025-12-30 |
Machine Learning for Protein Function Prediction
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_2
PMID:40728606
|
综述 | 本章全面回顾和分类了基于Gene Ontology (GO)术语的蛋白质功能预测主要计算方法，包括模板检测、统计机器学习、深度学习和组合方法，并讨论了这些方法的应用 | 系统性地对蛋白质功能预测的计算方法进行了分类和综述，涵盖了从传统模板检测到现代深度学习的多种技术路线 | 作为综述章节，未提出新的算法或模型，主要侧重于现有方法的总结和比较 | 开发高效准确的计算方法以预测蛋白质功能，替代耗时耗力的生物实验 | 蛋白质功能，特别是由Gene Ontology (GO)术语定义的功能 | 生物信息学 | NA | 计算预测方法 | 模板检测方法, 统计机器学习方法, 深度学习方法 | 蛋白质序列和功能注释数据 | NA | NA | NA | NA | NA |
| 862 | 2025-12-30 |
A Survey of Deep Learning Methods and Tools for Protein Binding Site Prediction
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_5
PMID:40728609
|
综述 | 本文全面回顾了用于蛋白质结合位点预测的深度学习方法和工具 | 系统性地汇编和评估了最新的深度学习模型、数据资源和评估指标，为研究人员提供了全面的指南 | NA | 促进AI驱动的蛋白质结合位点预测研究 | 蛋白质结合位点 | 机器学习 | NA | 深度学习 | CNN, GNN | 蛋白质结构数据 | NA | NA | 卷积神经网络, 图神经网络 | NA | NA |
| 863 | 2025-12-30 |
Annotating genomes with DeepGO protein function prediction tools
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_10
PMID:40728614
|
综述 | 本章探讨了DeepGO蛋白质功能预测工具套件的演变及其在基因组注释中的应用 | 介绍了DeepGO系列工具的关键进展，特别是最新模型DeepGO-SE在预测蛋白质功能方面的效率和准确性 | NA | 为研究人员提供使用深度学习功能预测方法增强基因组分析的指南 | 蛋白质功能预测工具及其在基因组注释中的应用 | 机器学习 | NA | 深度学习 | NA | 基因组数据 | NA | NA | DeepGO, DeepGO-SE | 效率, 准确性 | NA |
| 864 | 2025-12-30 |
A Benchmarking Platform for Assessing Protein Language Models on Function-Related Prediction Tasks
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_14
PMID:40728618
|
研究论文 | 介绍了一个用于评估蛋白质语言模型在功能相关预测任务上性能的基准测试平台PROBE | 开发了首个综合性的蛋白质表示基准测试框架PROBE，支持评估包括多模态PLM在内的多种模型，并提供了用户友好的Web服务 | NA | 评估和比较不同蛋白质表示方法（包括经典方法和蛋白质语言模型）在功能预测任务上的性能 | 蛋白质序列、结构和功能 | 自然语言处理 | NA | 蛋白质语言模型 | PLM | 序列数据, 结构数据 | NA | NA | ESM2, ESM3, ProstT5, SaProt | NA | NA |
| 865 | 2025-12-30 |
Intelligent glucose management in hospitalized patients: Short-term glucose and adverse events prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339360
PMID:41452855
|
研究论文 | 本研究提出了一种基于堆叠注意力门控循环单元（SA-GRU）的深度学习模型，用于预测住院患者的短期血糖水平和不良事件 | 首次将堆叠注意力门控循环单元（SA-GRU）网络应用于住院患者血糖管理和不良事件预测，实现了从回顾性干预到前瞻性预测的转变 | 研究仅针对2型糖尿病患者，样本量相对有限（196例），未涵盖其他类型糖尿病或更广泛的住院人群 | 开发智能血糖管理系统，帮助临床医生提前预测住院患者的血糖水平和潜在不良事件，以支持临床决策 | 住院的2型糖尿病患者 | 机器学习 | 糖尿病 | 连续血糖监测（CGM） | 深度学习, SA-GRU | 时间序列数据（血糖监测数据） | 196名住院2型糖尿病患者，另加一个公开可用的2型糖尿病数据集 | NA | 堆叠注意力门控循环单元（SA-GRU） | 均方根误差（RMSE）, 平均绝对相对差异（MARD）, 分类准确率 | NA |
| 866 | 2025-12-28 |
Retraction: Can artificial intelligence and face recognition using deep learning detect emotions in children with autism?
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340338
PMID:41452923
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 867 | 2025-12-28 |
Retraction: A deep learning-based ensemble for autism spectrum disorder diagnosis using facial images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340328
PMID:41452920
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 868 | 2025-12-29 |
A survival prediction model for leptomeningeal metastasis patients with non-small cell lung cancer based on deep learning
2025-Dec-28, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-15503-z
PMID:41455921
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 869 | 2025-12-29 |
Application of Noise2Inverse and adaptation (Noise2Phase) to single-mask x-ray phase contrast micro-computed tomography
2025-Dec-27, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70056
PMID:41454755
|
研究论文 | 本文探讨了将深度学习去噪技术Noise2Inverse及其改进版本Noise2Phase应用于单掩模X射线相位对比显微CT中，以降低曝光时间需求 | 提出了Noise2Phase方法，该方法利用成像系统特性，无需按投影分割CT数据集，从而优化了去噪流程 | 未明确说明方法在极端噪声水平下的具体性能限制或适用范围 | 旨在通过集成深度学习去噪技术，减少单掩模边缘照明XPCI显微CT的曝光时间，提高成像效率 | 弱衰减材料样本的3D成像 | 计算机视觉 | NA | 单掩模边缘照明X射线相位对比成像，显微CT | 深度学习 | 图像 | NA | NA | Noise2Inverse, Noise2Phase | NA | NA |
| 870 | 2025-12-29 |
Leveraging vision transformer for histological grade prediction in laryngeal and hypopharyngeal squamous cell carcinoma: a large-scale multicenter study
2025-Dec-27, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03876-8
PMID:41454919
|
研究论文 | 本研究开发了一种基于增强CT的Vision Transformer模型，用于无创评估喉及下咽鳞状细胞癌的组织学分级 | 首次将预训练的Vision Transformer模型应用于喉及下咽鳞状细胞癌的增强CT图像分析，以预测组织学分级，并通过大规模多中心数据验证了其性能 | 研究为回顾性设计，可能存在选择偏倚；外部验证队列样本量相对较小 | 开发非侵入性方法预测喉及下咽鳞状细胞癌的组织学分级，以辅助预后评估 | 喉及下咽鳞状细胞癌患者 | 计算机视觉 | 喉癌 | 对比增强CT扫描 | Vision Transformer, XGBoost | 医学图像 | 1648名患者（训练队列1239人，内部验证队列310人，外部验证队列99人） | NA | Vision Transformer | AUC, 决策曲线分析, 校准曲线 | NA |
| 871 | 2025-12-29 |
Graph attention-based heterogeneous multi-agent deep reinforcement learning for adaptive portfolio optimization
2025-Dec-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32408-w
PMID:41455760
|
研究论文 | 提出了一种基于图注意力机制的异构多智能体深度强化学习框架，用于自适应投资组合优化 | 创新性地整合了图神经网络与异构智能体架构，通过图注意力网络建模时变资产关联性，并采用三种专业化智能体分别处理风险评估、收益预测和市场环境感知 | 未明确说明模型在极端市场事件（如金融危机）中的表现，且实验仅限于美国三大股指数据集 | 解决传统投资组合优化方法在捕捉复杂资产关系和适应动态市场条件方面的局限性 | 金融资产投资组合 | 机器学习 | NA | 深度强化学习 | GNN, 深度强化学习 | 金融时间序列数据 | S&P 500、NASDAQ 100和Russell 2000三个数据集 | NA | 图注意力网络（GAT） | 年化收益率（16.8%）、夏普比率（1.34）、最大回撤（8.2%） | NA |
| 872 | 2025-12-29 |
Multimodal deep learning for cancer prognosis prediction with clinical information prompts integration
2025-Dec-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02257-y
PMID:41455823
|
研究论文 | 本文提出了一种名为SurvPGC的多模态深度学习模型，用于整合病理图像、基因组数据和临床记录以预测癌症预后 | 通过文本模板和基础模型将临床信息转化为高维向量，并利用交叉注意力模块实现多模态数据整合，有效捕捉模态特异性特征 | 未明确说明模型在外部验证或不同癌症类型中的泛化能力，且临床信息处理可能受限于数据稀疏性和离散性 | 提高癌症生存预测的准确性，以指导治疗和评估疗效 | 癌症患者的多模态数据，包括病理图像、基因组数据和临床记录 | 数字病理学 | 癌症 | 多模态深度学习 | 深度学习模型 | 图像, 基因组数据, 文本 | 三个癌症基因组图谱数据集，具体样本数量未明确 | NA | 交叉注意力模块 | 注意力可视化，具体评估指标未明确 | NA |
| 873 | 2025-12-29 |
Deep Learning Radiomics Based on Preoperational Ultrasound Images for Predicting Ipsilateral Ischemic Stroke in Patients with Carotid Artery Stenting: A Multicenter Study
2025-Dec-26, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.006
PMID:41455622
|
研究论文 | 本研究开发并验证了一个结合临床、影像组学和深度学习特征的整合模型，用于预测颈动脉支架植入术后长期同侧缺血性卒中风险 | 首次将临床特征、影像组学特征和深度学习特征整合到一个模型中，用于预测颈动脉支架植入术后的长期卒中风险，并在多中心数据中进行了验证 | 研究为回顾性设计，可能存在选择偏倚；模型性能在外部验证集中有所下降，表明需要进一步优化和验证 | 预测颈动脉支架植入术后患者发生长期同侧缺血性卒中的风险 | 接受颈动脉支架植入术的患者 | 数字病理学 | 心血管疾病 | 超声成像 | 深度学习, 随机生存森林 | 图像 | 802名患者（来自三个中心，2018-2024年） | NA | NA | C-index, Kaplan-Meier分析 | NA |
| 874 | 2025-12-29 |
Deep Learning-Based denoising improves myocardial late enhancement imaging with spectral photon-counting CT
2025-Dec-26, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.002
PMID:41455687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 875 | 2025-12-29 |
Development and validation of a deep learning model for severe mitral stenosis detection from chest X-rays
2025-Dec-25, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003519
PMID:41448847
|
研究论文 | 本研究开发并验证了一种基于深度学习的AI模型，用于从胸部X光片中检测严重二尖瓣狭窄 | 首次利用深度学习模型从胸部X光片中自动检测二尖瓣狭窄，并生成显著性图以可视化模型关注区域 | 研究为回顾性设计，样本量相对较小（515张图像），且仅使用后前位胸部X光片 | 开发一种基于深度学习的AI模型，用于从胸部X光片中检测二尖瓣狭窄，以提供便捷的筛查工具 | 二尖瓣狭窄患者（285例）和健康对照者（230例）的胸部X光图像 | 计算机视觉 | 心血管疾病 | 胸部X光成像 | 深度学习模型 | 图像 | 515张后前位胸部X光图像（285张来自二尖瓣狭窄患者，230张来自健康对照） | NA | NA | AUC, 精确率, 召回率, F1分数, 准确率 | NA |
| 876 | 2025-12-29 |
Association of deep learning-derived epicardial fat volume with target organ damage in subjects with nonobstructive coronary artery disease
2025-Dec-25, Journal of cardiovascular imaging
DOI:10.1186/s44348-025-00062-5
PMID:41449432
|
研究论文 | 本研究探讨了基于CT的索引化心外膜脂肪体积与非阻塞性冠状动脉疾病患者靶器官损伤参数之间的关联 | 首次使用深度学习衍生的心外膜脂肪体积与左心室舒张功能等靶器官损伤参数进行关联分析，并确定了EFVi的阈值 | 样本量较小（仅75名患者），且为单中心前瞻性队列研究，可能限制了结果的普遍性 | 研究心外膜脂肪体积与靶器官损伤参数之间的关联，特别是左心室舒张功能 | 75名非阻塞性冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 心电图门控计算机断层扫描 | 深度学习 | CT图像 | 75名患者 | NA | NA | ROC曲线下面积, 敏感性, 特异性 | NA |
| 877 | 2025-12-26 |
Translational deep learning models for risk stratification to predict prognosis and immunotherapy response in gastric cancer using digital pathology
2025-Dec-24, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07416-z
PMID:41444960
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 878 | 2025-12-29 |
D‑Blur: A Deep Learning Approach for Mapping Subdiffraction Diffusion with Motion-Blurred Images
2025-Dec-22, Chemical & biomedical imaging
DOI:10.1021/cbmi.5c00042
PMID:41450466
|
研究论文 | 本文提出了一种基于深度学习的D-Blur算法，用于从运动模糊图像中定位单粒子并预测其扩散系数，以重建多孔材料中的扩散图 | 开发了基于U-Net的CNN算法，直接从运动模糊的PSF中提取扩散系数，无需轨迹链接，克服了传统单粒子追踪方法的局限性 | NA | 旨在通过深度学习改进单粒子追踪，实现对复杂系统中亚衍射扩散的映射 | 模拟发射器和实验数据中的自由扩散粒子 | 计算机视觉 | NA | 荧光显微镜成像 | CNN | 图像 | NA | NA | U-Net | NA | NA |
| 879 | 2025-12-29 |
SSHF-DTI: Leveraging structural similarity and hierarchical features through a fusion network for drug-target interaction prediction
2025-Dec-20, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究提出了一种名为SSHF-DTI的模型，通过整合结构相似性和多源子结构特征来预测药物-靶点相互作用和结合亲和力 | 模型结合了基于Tanimoto系数评估的结构相似性数据增强以及Transformer和卷积组件的混合架构，实现了层次特征融合，显著提升了预测性能 | 未明确提及具体局限性 | 开发一个更鲁棒和可泛化的模型，用于药物-靶点相互作用和结合亲和力预测 | 药物-靶点相互作用、结合亲和力以及药物-药物相互作用 | 机器学习 | NA | Morgan指纹相似性评估 | Transformer, CNN | 分子结构数据 | NA | NA | Transformer, 卷积神经网络 | ROC-AUC, PR-AUC | NA |
| 880 | 2025-12-29 |
Global trends and collaboration networks in radiology: A bibliometric analysis of the 500 most-cited articles in web of science
2025-Dec-17, Clinical imaging
IF:1.8Q3
DOI:10.1016/j.clinimag.2025.110700
PMID:41455150
|
研究论文 | 本研究通过文献计量学方法分析了Web of Science核心合集中被引次数最高的500篇放射学相关文章，以揭示该领域的全球研究趋势与合作网络 | 首次对放射学、核医学和医学影像领域高被引文献进行大规模文献计量分析，识别了关键机构、国家、作者和新兴研究主题 | 分析仅基于Web of Science数据库，可能遗漏其他数据库中的重要文献；且仅分析前500篇高被引文章，未能涵盖全部研究 | 揭示放射学、核医学和医学影像领域的全球研究趋势、合作网络及新兴方向 | Web of Science核心合集中被引次数最高的500篇放射学相关文章 | 医学影像 | NA | 文献计量分析，网络可视化 | NA | 文献元数据（作者、机构、国家、关键词、引用次数等） | 500篇高被引文章 | Biblioshiny, VOSviewer 1.6.20, Python 3.13.3 | NA | 引用次数，平均引用影响力，关键词出现频率 | NA |