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 19275 篇文献，本页显示第 921 - 940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 921 | 2026-08-25 |
Interpretable multimodal deep learning model for predicting post-surgical international society of urological pathology grade in primary prostate cancer
2025-08, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07248-5
PMID:40183953
|
研究论文 | 开发了一种可解释的多模态深度学习融合模型，整合18F-PSMA-PET/CT影像特征和临床变量，用于预测原发性前列腺癌术后ISUP分级 | 首次将18F-PSMA-PET/CT影像组学特征与临床变量融合，并引入SHAP可解释性分析，开发了影像组学列线图以提高临床适用性 | 未提供 | 准确预测术后ISUP分级（≥4 vs <4），优化手术规划和个性化治疗策略 | 222名原发性前列腺癌患者（2020-2024年） | 医学影像分析 | 前列腺癌 | 18F-PSMA-PET/CT成像 | 深度学习融合模型 | 影像图像和临床数据 | 222名患者 | 未提供 | 未提供 | 曲线下面积(AUC) | 未提供 |
| 922 | 2026-08-25 |
Iterative deep learning design of human enhancers exploits condensed sequence grammar to achieve cell-type specificity
2025-07-16, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101302
PMID:40472848
|
研究论文 | 本文应用迭代深度学习设计具有细胞类型特异性的合成人类增强子，并实验验证其活性 | 首次将迭代深度学习策略用于增强子设计，通过多次实验-模型循环优化提高细胞类型特异性，并揭示了紧凑序列语法在特异性中的关键作用 | 研究仅针对两种人类细胞系，未在其他细胞类型或体内环境中验证通用性 | 设计能靶向特定细胞类型表达的合成增强子，解决合成生物学中基因表达精准调控的问题 | 人类合成增强子及其在两种人类细胞系中的活性 | 机器学习 | NA | 深度学习模型训练与迭代优化，增强子活性测量实验 | 深度学习模型（未具体指定类型，如CNN或DNN） | 增强子活性数据和染色质可及性数据（序列数据） | 两代合成增强子，数量未明确，包括实验验证的序列 | NA | NA | 特异性（预测和实验测量的差异活性） | NA |
| 923 | 2026-08-25 |
Impact of deep learning denoising on kinetic modelling for low-dose dynamic PET: application to single- and dual-tracer imaging protocols
2025-07, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07182-6
PMID:40069458
|
研究论文 | 本研究探讨深度学习去噪技术对低剂量动态PET成像中动力学建模的影响，并应用于单示踪剂和双示踪剂成像协议。 | 将基于静态[18F]FDG PET图像训练的深度学习去噪模型应用于动态PET帧，显著降低注射剂量，同时保持动力学参数的准确性，并首次在双示踪剂成像中验证其效果。 | 研究样本量较小（16例），且训练数据仅限于[18F]FDG，对于其他示踪剂或更大数据集的效果仍需进一步验证。 | 评估深度学习去噪技术是否能改善低剂量动态PET的量化精度，特别是对动力学参数和参数图像质量的影响。 | 动态PET图像，包括[18F]FDG和[18F]FGln的单示踪剂及双示踪剂成像协议。 | 医学影像分析 | 癌症 | PET成像 | 深度学习模型（未指定具体类型，可能为CNN类） | 动态PET图像 | 16例[18F]FDG PET研究 | NA | NA | 偏差（bias）、变异性（variability） | NA |
| 924 | 2026-08-25 |
CT-free attenuation and Monte-Carlo based scatter correction-guided quantitative 90Y-SPECT imaging for improved dose calculation using deep learning
2025-07, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07191-5
PMID:40080141
|
研究论文 | 本研究开发了基于深度学习的模型，用于无CT衰减校正和蒙特卡洛散射校正的定量90Y SPECT成像，以提高剂量计算准确性。 | 创新性地使用深度学习模型（基于改进的3D Swin UNETR架构）在无CT图像的情况下进行衰减和散射校正，避免了CT图像不可用或不对准时的问题。 | 模型训练依赖较大的数据集，且当前研究基于单中心数据，泛化性能有待进一步验证。 | 开发深度学习模型，实现CT-free的衰减校正和散射校正，以改善90Y SPECT成像中的剂量计算。 | 190名接受90Y选择性内放射治疗（SIRT）并植入玻璃微球的患者的SPECT和CT影像数据。 | 医学影像、深度学习 | 肝脏肿瘤（通过SIRT治疗） | SPECT成像、蒙特卡洛散射校正、CT衰减校正 | Transformer | 医学影像（SPECT和CT） | 190名患者，分为训练集（约80%）和测试集（约20%），采用五折交叉验证。 | 未指定 | Swin UNETR | 平均误差（ME）、结构相似性指数（SSIM）、峰值信噪比（PSNR）、平均绝对误差（MAE）、Gamma分析 | 未指定 |
| 925 | 2026-08-25 |
Deep Learning Model for Automated Classification of Macular Neovascularization Subtypes in AMD
2025-07-01, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.66.9.55
PMID:40689724
|
研究论文 | 开发一种基于深度学习算法，利用结构光学相干断层扫描图像自动分类新生血管性年龄相关性黄斑变性中黄斑新生血管亚型。 | 首次利用同质化预处理优化OCT图像层信息，提高CNN模型对MNV亚型分类的性能，并通过遮挡敏感性分析揭示亚型间解剖差异。 | 回顾性研究设计，样本量相对较小（193只眼），且未进行外部验证。 | 开发并验证一种深度学习算法，能准确分类治疗初治渗出性新生血管性AMD的MNV亚型。 | 治疗初治的新生血管性AMD患者的193只眼，分类为MNV 1型、2型和3型。 | 计算机视觉 | 年龄相关性黄斑变性 | 光学相干断层扫描成像 | 卷积神经网络 | 图像 | 193只眼（来自治疗初治新生血管性AMD患者） | 未在标题和摘要中明确说明，故为不适用 | 卷积神经网络（具体架构未说明） | 敏感性、特异性、曲线下面积 | 未在标题和摘要中说明，故为不适用 |
| 926 | 2026-08-25 |
Identifying Retinal Features Using a Self-Configuring CNN for Clinical Intervention
2025-06-02, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.66.6.55
PMID:40525921
|
研究论文 | 本文介绍了一个名为OCTAVE的大型3D OCT数据集，并利用自配置的nnU-Net框架训练深度学习分割模型，在多个独立外部验证集上展示了临床有效的视网膜特征识别性能。 | 提供了首个包含像素级标注的高质量3D OCT数据集OCTAVE，并附带四个独立公共数据集的标注，同时采用无需手动配置的nnU-Net框架实现跨数据集的稳健分割。 | 未在摘要中提及明确的局限性。 | 解决视网膜疾病诊断中标注OCT数据稀缺的问题，开发AI工具以支持精确的疾病检测、监测和治疗指导。 | 视网膜解剖结构和病理特征，包括OCT图像中的相关结构。 | 数字病理学 | 视网膜疾病 | OCT成像 | CNN（基于U-Net架构） | 3D OCT图像 | 训练集包含198个OCT体积（3762个B扫描），外部验证集包含221个OCT体积（4109个B扫描） | nnU-Net | U-Net | 分割性能指标（具体指标未详述，可能包括Dice系数等） | 未在标题和摘要中提及 |
| 927 | 2026-08-25 |
Perspectives: Comparison of deep learning segmentation models on biophysical and biomedical data
2025-05-06, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2025.03.023
PMID:40158204
|
研究论文 | 本文对生物物理和生物医学数据上常用的四种深度学习分割模型进行了全面比较，并提供了选择最佳模型的实用指南 | 针对生物物理实验常见的小规模训练数据集，建立了评估四种不同深度学习架构（卷积神经网络、U-Net、视觉变换器和视觉状态空间模型）表现优劣的标准 | 未提及 | 为生物物理和生物医学图像分割任务提供选择深度学习模型的指导原则 | 四种深度学习分割模型（卷积神经网络、U-Net、视觉变换器和视觉状态空间模型） | 计算机视觉 | 不适用 | 不适用 | 卷积神经网络, U-Net, 视觉变换器, 视觉状态空间模型 | 图像数据 | 未提及 | 未提及 | 卷积神经网络, U-Net, 视觉变换器 (ViT), 视觉状态空间模型 | 未明确提及，但通常包括准确率、Dice系数等 | 未提及 |
| 928 | 2026-08-25 |
Analysis of AI foundation model features decodes the histopathologic landscape of HPV-positive head and neck squamous cell carcinomas
2025-Apr, Oral oncology
IF:4.0Q2
|
研究论文 | 本研究利用AI基础模型分析HPV阳性头颈鳞状细胞癌的组织病理学特征，并通过生成合成图像来解码其组织学景观 | 首次使用AI基础模型（UNI）和生成对抗网络（HistoXGAN）生成合成病理图像，以客观描述HPV阳性HNSCC的组织学变异模式，并识别出三个亚型 | 未明确提及限制，但可能包括对合成图像的依赖和样本量有限 | 利用AI基础模型表征与HPV存在相关的组织病理学特征，并客观描述HPV阳性空间中的变异模式，以实现可解释的HPV检测 | HPV阳性与阴性的头颈鳞状细胞癌（HNSCC）患者的H&E染色组织切片 | 数字病理学、机器学习 | 头颈鳞状细胞癌 | H&E染色、自监督学习（SSL）、生成对抗网络（GAN） | 基础模型（UNI）、生成对抗网络（HistoXGAN） | H&E染色病理图像 | 981名HNSCC患者的H&E图像，来自公共和机构数据集 | NA | UNI（Transformer-based）、HistoXGAN（GAN） | 敏感性、特异性 | NA |
| 929 | 2026-08-25 |
Emerging frontiers in protein structure prediction following the AlphaFold revolution
2025-04, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0886
PMID:40233800
|
综述 | 本文综述了AlphaFold革命后蛋白质结构预测的新兴前沿，重点讨论其在高级应用中的使用，并建议一套报告AlphaFold预测的指南 | 提出了针对AlphaFold预测报告的指南，并聚焦于蛋白质与其他生物分子相互作用的结构预测应用 | 未在摘要中明确提及局限性 | 综述蛋白质结构预测的最新进展，及其在理解蛋白质相互作用和动态行为中的应用，并提供预测报告指南 | 蛋白质结构预测工具及其在生物过程理解中的应用 | 机器学习 | NA | AlphaFold | 深度学习模型（AlphaFold） | 蛋白质序列和结构数据 | NA | NA | AlphaFold | NA | NA |
| 930 | 2026-08-25 |
Reconstructing illusory camouflage patterns on moth wings using computer vision
2025-04, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0757
PMID:40304197
|
研究论文 | 利用计算机视觉算法重建蛾类翅膀上的伪装图案，以探索动物色彩图案如何产生假深度线索。 | 首次将用于三维场景重建的计算机视觉算法应用于动物伪装图案的感知重建，结合内在图像分解和深度学习两种方法。 | 未提及具体限制，但可能受限于模拟环境和物种数量。 | 探究蛾类翅膀图案如何利用单眼深度线索产生视觉错觉，以及如何通过计算机视觉重建潜在感知。 | 六种蛾类（鳞翅目）的翅膀图案，以及自然三维表面的图像。 | 计算机视觉 | 无 | 单图像单眼深度估计 | 内在图像分解和深度学习模型 | 图像 | 六种蛾类物种的翅膀图案，以及自然三维表面图像 | 未明确指定，可能涉及PyTorch或TensorFlow等 | 未明确指定，可能包括基于Retinex理论的分解模型和深度学习深度估计模型 | 定性评估模型的响应性 | 未提及 |
| 931 | 2026-08-25 |
Evaluation of De Vries et al.: Quantifying cellular shapes and how they correlate to cellular responses
2025-Mar-19, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101242
PMID:40112776
|
评论 | 本文对De Vries等人2025年发表的关于三维细胞形状几何深度学习与多实例学习的研究进行了同行评审过程的评估 | NA | NA | 评估De Vries等人的研究，探讨细胞形状量化及其与细胞反应的关联性 | De Vries等人的论文及其同行评审过程 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 932 | 2026-08-25 |
Geometric deep learning and multiple-instance learning for 3D cell-shape profiling
2025-03-19, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101229
PMID:40112779
|
研究论文 | 本文介绍MorphoMIL，一个结合几何深度学习和注意力多实例学习的计算流程，用于三维细胞和核形态分析，并在黑色素瘤细胞数据集上验证其预测药物扰动和细胞状态的能力 | 提出MorphoMIL流程，首次将几何深度学习和注意力多实例学习结合用于3D细胞形态分析，能够处理点云数据，在单细胞和群体水平上捕捉形态特征，并考虑表型异质性 | 摘要中未明确提及局限，可能涉及对特定数据集和扰动的依赖，或计算资源需求 | 利用深度学习发现细胞形态表征，理解细胞状态，并实现高通量形态分析以支持药物发现 | 黑色素瘤细胞，经临床相关和细胞骨架调节的化学和遗传扰动处理，超过95,000个细胞 | 计算生物学, 深度学习, 几何深度学习, 药物发现 | 黑色素瘤 | 3D形态分析（可能基于成像技术，如荧光显微镜） | 几何深度学习模型，注意力多实例学习 | 3D点云数据 | 超过95,000个黑色素瘤细胞 | NA（未指定，可能使用PyTorch或类似框架） | 几何深度学习架构（如PointNet或类似），注意力机制 | 预测准确性（具体指标如AUC或精度未明确） | NA（未提及具体GPU或平台） |
| 933 | 2026-08-25 |
Predicting RNA structure and dynamics with deep learning and solution scattering
2025-02-04, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2024.12.024
PMID:39722452
|
研究论文 | 介绍了一种名为SCOPER的RNA溶液构象预测器，它结合基于运动学的构象采样与深度学习模型IonNet预测镁离子结合位点，以改善小角X射线散射（SAXS）谱图的拟合质量 | 首次将深度学习模型IonNet用于预测RNA镁离子结合位点，并整合构象采样以处理RNA的构象可塑性，从而提高对实验SAXS数据的验证能力 | 需要初始足够准确的RNA结构作为输入，且过度调整可塑性和离子密度可能导致过拟合实验SAXS数据 | 开发一个高效工具，用于准确验证RNA在溶液中的状态，并提供包含离子的校正原子模型，解决SAXS谱图与RNA结构比较中的两大挑战 | RNA分子 | 深度学习 | NA | 小角X射线散射（SAXS）、深度学习 | 深度学习模型IonNet | 基因组数据 | 14个实验数据集 | NA | IonNet | SAXS谱图拟合质量 | NA |
| 934 | 2024-09-04 |
Correction: Free access via computational cloud to deep learning-based EEG assessment in neonatal hypoxic-ischemic encephalopathy: revolutionary opportunities to overcome health disparities
2025-Jan, Pediatric research
IF:3.1Q1
DOI:10.1038/s41390-024-03539-z
PMID:39223254
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 935 | 2026-08-24 |
Deep-DPC: Deep learning-assisted label-free temporal imaging discovery of anti-fibrotic compounds by controlling cell morphology
2025-12, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.02.028
PMID:40010605
|
研究论文 | 提出了一种名为deep-DPC的新方法，结合无标记时间序列数字相位对比成像、细胞形态分析和无监督机器学习，用于动态监控细胞形态并发现抗纤维化化合物 | 首次将无标记时间序列数字相位对比成像与深度学习相结合，动态控制并监测细胞形态，以发现抗纤维化先导化合物，超越了传统方法仅关注最终生物指标的局限 | 未提及具体限制，但可能包括依赖高内涵成像系统和细胞模型的特异性 | 开发一种能够区分静息和活化纤维细胞，并发现非侵入性无标记抗纤维化先导化合物的方法 | 纤维细胞（静息和活化状态）以及抗纤维化先导化合物（如Neo-Przewaquinone A） | 数字病理学 | 纤维化（包括心肌纤维化） | 高内涵成像系统 | 神经网络 | 图像（无标记时间序列数字相位对比和明场图像） | 训练使用12,000张图像，处理超过100,000张图像（来自1,400种化合物） | NA | 神经网络（具体架构未指定） | 图像分类的准确性（未具体指定） | NA |
| 936 | 2026-08-24 |
mbSparse: an autoencoder-based imputation method to address sparsity in microbiome data
2025-12, Gut microbes
IF:12.2Q1
DOI:10.1080/19490976.2025.2552347
PMID:40888610
|
研究论文 | 开发了一种基于自编码器的插补方法mbSparse，用于处理微生物组数据中的稀疏性问题 | 利用深度学习（自编码器和条件变分自编码器）而非传统的预定义计数分布进行微生物组数据插补，并整合特征自编码器与CVAE以增强性能 | 未明确提及局限性，但可能涉及对特定数据类型或计算资源的需求 | 提出并评估一种新的深度学习插补算法，以提高微生物组数据分析的准确性并改善疾病相关分类群的检测 | 微生物组数据，包括肠道微生物组样本，涉及结直肠癌分析 | 机器学习 | 结直肠癌 | 深度学习（自编码器、条件变分自编码器） | 自编码器，条件变分自编码器（CVAE） | 微生物组计数数据 | 未具体说明样本数量，但涉及微生物组样本，包括结直肠癌数据集 | 未在摘要中指定，可能使用PyTorch或TensorFlow，但输出“NA” | 特征自编码器和条件变分自编码器 | 均方误差（MSE）、精确率-召回率曲线下面积（AUPRC）、皮尔逊相关系数 | 未在摘要中提及，输出“NA” |
| 937 | 2026-08-24 |
An intelligent diagnostic model for pulmonary nodules utilizing chest radiographic imagery and its application in community-based lung cancer screening
2025-Nov, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-025-03147-6
PMID:40847012
|
研究论文 | 本研究开发了一种基于胸部X光影像的智能诊断模型CXR-RANet，用于肺结节和肺癌的早期检测，并在社区肺癌筛查中进行了验证 | 提出了一种基于CXR-RANet架构的深度学习模型，在特征提取和分类性能上优于主流深度学习算法和传统机器学习模型，适用于资源有限的社区筛查环境 | 未明确提及局限性 | 提高胸部X光影像在肺癌早期检测中的诊断准确性，并为社区医生提供不依赖专家经验的筛查工具 | 肺结节和肺癌患者，以及社区筛查人群 | 医学影像分析 | 肺癌 | 胸部X光影像 | 深度学习模型（CXR-RANet） | 图像 | 4079张胸部X光影像来自2518名个体，外部验证包括PLCO数据集的24697名个体（88562张图像）和ChestDR数据集的4848名个体 | NA | CXR-RANet | AUC | NA |
| 938 | 2026-08-24 |
Declining ocean greenness and phytoplankton blooms in low to mid-latitudes under a warming climate
2025-10-17, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adx4857
PMID:41105765
|
研究论文 | 利用多源数据和深度学习方法生成2001至2023年低至中纬度（45°N至45°S）的海洋叶绿素a数据集，分析表明海洋绿度普遍下降，叶绿素a浓度以每年(-0.35±0.10)×10毫克/立方米的速度减少，海岸区域下降更显著，且高叶绿素a事件频率相对减少1.78%每年。 | 首次使用深度学习方法结合多源数据生成覆盖低至中纬度的长期海洋叶绿素a数据集，揭示了气候变暖背景下海洋绿度和浮游植物水华的大规模下降趋势。 | 未提及具体限制，如数据集分辨率、模型误差或区域覆盖偏差。 | 研究气候变暖下低至中纬度海洋绿度和浮游植物水华的变化趋势及其驱动因素。 | 低至中纬度（45°N至45°S）海洋中的浮游植物，通过叶绿素a浓度进行监测。 | 数字病理学 | NA | 深度学习方法（多源数据融合） | NA | 图像数据（叶绿素a遥感图像） | 2001至2023年低至中纬度海洋区域，具体样本数未提及 | NA | NA | 叶绿素a浓度（单位：毫克/立方米）、频率（每年百分比） | NA |
| 939 | 2026-08-24 |
Neural xenografts contribute to long-term recovery in stroke via molecular graft-host crosstalk
2025-Sep-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-63725-3
PMID:40957886
|
研究论文 | 本研究展示了iPSC来源的神经祖细胞移植可改善中风小鼠的脑修复和长期功能恢复，并揭示了移植物与宿主组织的分子相互作用机制 | 首次通过单核RNA测序揭示神经移植物与宿主中风组织之间的分子串扰机制，并利用深度学习分析量化功能恢复 | 研究仅在动物模型中进行，未涉及人类临床试验，长期安全性和有效性有待进一步验证 | 探究神经祖细胞移植促进中风后长期功能恢复的机制，并评估其治疗潜力 | 中风损伤的小鼠模型 | 神经科学 | 中风 | 单核RNA测序 | 神经网络 | 图像数据、基因表达数据 | 中风小鼠模型，具体数量未提及 | NA | 深度学习模型，具体架构未提及 | 步态恢复和精细运动恢复的量化指标 | NA |
| 940 | 2026-08-24 |
Unipolar voltage electroanatomic mapping detects structural atrial remodeling identified by LGE-MRI
2025-09, Heart rhythm
IF:5.6Q1
DOI:10.1016/j.hrthm.2024.10.015
PMID:39396602
|
研究论文 | 本文探讨了在心房颤动患者中，单极电压电解剖标测与LGE-MRI检测到的结构性心房重构之间的关系 | 首次使用多极高密度标测比较单极和双极低电压区与LGE区域的重叠情况，并展示单极低电压区与LGE区域高度相关 | 样本量较小（20名患者），且为单中心研究，可能限制结果的普遍性 | 探索LGE区域与单极和双极低电压区之间的关系，以改善心房颤动患者的心房基质评估 | 计划进行心房颤动消融的20名患者 | 医学影像分析，数字病理学 | 心房颤动 | LGE-MRI，电解剖标测 | 深度学习 | MRI图像，电解剖标测数据 | 20名患者 | NA | NA | 精确度、灵敏度、F1分数、准确率 | NA |