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!


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。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1241 | 2026-07-28 |
Using InterLabelGO+ for Accurate Protein Language Model-Based Function Prediction
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4623-6_7
PMID:40601254
|
研究论文 | 介绍InterLabelGO+模型,一种基于ESM2蛋白质语言模型和深度学习进行基因本体术语预测的工具 | 考虑了不同GO术语之间的复杂关系,并结合序列同源搜索获得共识预测 | 未提及 | 开发高性能的蛋白质功能预测方法,特别是基因本体术语预测 | 蛋白质序列的基因本体术语预测 | 机器学习,自然语言处理 | NA | 蛋白质语言模型(ESM2),序列同源搜索 | 深度学习模型 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 1242 | 2026-07-28 |
Predicting the Pathogenicity of Human Protein Variants: Not Only a Matter of Residue Labeling
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4623-6_12
PMID:40601259
|
研究论文 | 描述预测人类蛋白质变异致病性的方法及其在结构功能注释上的扩展 | 提出在预测致病性后进一步推导蛋白质结构稳定性、溶剂可及性和相互作用网络扰动的在线框架 | 未明确提及具体局限性 | 通过序列嵌入和机器学习预测人类变异致病性,并在线提供结构功能解释 | 人类蛋白质变异 | 机器学习 | NA | 蛋白质序列嵌入 | 机器学习和/或深度学习模型 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 1243 | 2026-07-28 |
Tracking the Evolving Role of Artificial Intelligence in Implementation Science: Protocol for a Living Scoping Review of Applications, Evaluation Approaches and Outcomes
2025, F1000Research
DOI:10.12688/f1000research.171774.2
PMID:41835982
|
研究协议 | 本生活范围综述协议旨在追踪人工智能在实施科学中的应用,包括评估方法和结果 | 采用生活范围综述方法,动态跟踪人工智能在实施科学中的快速演变作用 | 未提及具体局限性 | 绘制人工智能在实施研究和实践中的应用,识别评估方法、报告结果及潜在风险,并综合研究空白和机会 | 人工智能在实施科学中的应用,包括机器学习、深度学习、自然语言处理、大语言模型等技术 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理, 大语言模型 | 机器学习, 深度学习, 自然语言处理, 大语言模型 | 文本 | NA | NA | NA | NA | NA |
| 1244 | 2025-12-24 |
CT-based radiomics deep learning signatures for noninvasive prediction of early recurrence after radical surgery in locally advanced colorectal cancer: A multicenter study
2025-12, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2025.110482
PMID:41014758
|
研究论文 | 本研究开发并验证了一种结合CT影像组学、深度学习特征与临床实验室参数的术前模型,用于无创预测局部晚期结直肠癌患者根治术后的早期复发风险 | 首次将CT影像组学特征、深度学习特征与临床实验室参数整合构建术前预测模型,并在多中心外部数据集验证其优于传统病理和TNM分期模型 | 回顾性研究设计,样本量相对有限,且未在更广泛的人群中进行前瞻性验证 | 优化局部晚期结直肠癌患者的治疗策略,通过术前无创预测早期复发,减少不必要的药物毒性 | 局部晚期结直肠癌患者 | 数字病理 | 结直肠癌 | CT影像,RNA测序 | 机器学习,深度学习 | CT图像,临床实验室数据,RNA测序数据 | 560例经病理证实的局部晚期结直肠癌患者(来自三个中心)及GEO数据集 | NA | NA | AUC | NA |
| 1245 | 2025-12-03 |
Automated abdominal aortic calcification scoring via deep learning: a multi-center validation of LVLCRNet
2025-12-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02072-7
PMID:41327056
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1246 | 2025-10-07 |
Using artificial intelligence and statistics for managing peritoneal metastases from gastrointestinal cancers
2025-01-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae049
PMID:39736152
|
综述 | 探讨人工智能和统计学方法在胃肠道癌腹膜转移分析与管理的应用 | 系统比较AI方法与统计学方法在腹膜转移管理中的性能表现 | 纳入研究数量有限(约30篇),样本量是影响预测准确性的关键因素 | 研究AI和统计学方法在胃肠道癌腹膜转移管理中的应用价值 | 胃肠道癌引发的腹膜转移患者 | 机器学习 | 胃肠道癌 | 文献系统回顾 | 机器学习,深度学习 | 医学文献数据 | 约30篇符合条件的研究文献 | NA | NA | 预测准确性,精确度 | NA |
| 1247 | 2025-10-07 |
DeepMEns: an ensemble model for predicting sgRNA on-target activity based on multiple features
2025-01-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae043
PMID:39528429
|
研究论文 | 提出基于深度学习的集成可解释模型DeepMEns,用于预测sgRNA的靶向活性 | 提出集成可解释模型,结合多种特征和架构,通过五个子回归器的平均预测提高性能 | 模型内在机制仍存在解释难度,性能提升空间未明确量化 | 提高CRISPR/Cas9系统中sgRNA靶向活性的预测准确性 | 化脓性链球菌CRISPR/Cas9系统的单导RNA(sgRNA) | 机器学习 | NA | 基因编辑技术 | CNN, Transformer, LSTM | 序列数据,DNA形状特征,位置编码特征 | 五个不同的训练和验证数据集,十个独立测试数据集 | NA | CNN with Transformer encoder, LSTM with attention mechanism | Spearman相关系数 | NA |
| 1248 | 2025-10-07 |
A comprehensive review of deep learning-based approaches for drug-drug interaction prediction
2025-01-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae052
PMID:39987494
|
综述 | 本文系统综述了基于深度学习的药物相互作用预测方法,包括分子表示分析和图数据特征提取的理论框架 | 提供了最新的药物相互作用预测方法综述,深入分析了分子表示方法并系统阐述了图数据特征提取的理论框架 | NA | 为不同领域研究人员提供关于药物相互作用预测的最新且易于理解的指南 | 药物相互作用预测方法 | 生物医学信息学 | NA | 深度学习 | NA | 图数据 | NA | NA | NA | NA | NA |
| 1249 | 2025-10-07 |
Advances in computer vision and deep learning-facilitated early detection of melanoma
2025-01-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elaf002
PMID:40139223
|
综述 | 本文综述了计算机视觉和深度学习技术在黑色素瘤早期检测中的最新进展与应用 | 系统评估了YOLO、GAN、Mask R-CNN、ResNet和DenseNet等先进神经网络在黑色素瘤早期检测中的集成应用 | 未提及具体研究样本量和技术实现的详细性能指标 | 探索人工智能技术在改善黑色素瘤早期检测和诊断准确性的应用 | 皮肤镜图像和黑色素瘤病变 | 计算机视觉 | 黑色素瘤 | 深度学习 | YOLO, GAN, Mask R-CNN, ResNet, DenseNet | 皮肤镜图像 | NA | NA | YOLO, GAN, Mask R-CNN, ResNet, DenseNet | NA | NA |
| 1250 | 2025-05-15 |
Automatic Detection of Cognitive Impairment in Patients With White Matter Hyperintensity Using Deep Learning and Radiomics
2025 Jan-Dec, American journal of Alzheimer's disease and other dementias
DOI:10.1177/15333175251325091
PMID:40087144
|
研究论文 | 本研究利用深度学习和放射组学技术自动检测白质高信号患者的认知障碍 | 结合VB-Nets深度学习卷积神经网络和放射组学特征,开发了一种新的随机森林模型,用于早期诊断白质高信号患者的认知障碍 | 样本量较小(总共108名患者),且外部验证集仅来自一家医院 | 开发一种可靠的早期诊断工具,用于检测白质高信号患者的认知障碍 | 白质高信号患者 | 数字病理学 | 老年疾病 | 放射组学特征提取 | VB-Nets CNN和随机森林 | 医学影像 | 79名患者(医院1)和29名患者(医院2) | NA | NA | NA | NA |
| 1251 | 2026-07-09 |
Generative AI for Diagnostic Medical Imaging: A Review
2025, Current medical imaging
IF:1.1Q3
|
综述 | 本文全面分析了生成式深度学习模型在诊断医学影像中的应用,探讨了其在提高诊断准确性、减少辐射暴露和改进数据处理方面的变革潜力 | 设计了多种专门用于医学影像的生成模型管线架构,包括增强型GAN配置及AE-GAN混合模型,以应对合成图像质量、时间序列处理和精准字幕生成等挑战 | 未提及具体局限性 | 综合评估生成式深度学习模型在医学诊断成像中的应用进展,推动更准确、可及和个性化的患者护理 | 诊断医学影像中的生成深度学习模型 | 计算机视觉 | NA | NA | GAN, 自编码器, 扩散模型, 基于Transformer的模型 | 医学图像 | NA | NA | ML-C-GAN, Temporal-GAN, Atten-AE, M3AE | NA | NA |
| 1252 | 2025-10-06 |
Deep Learning-Based Classification of NSCLC-Derived Extracellular Vesicles Using AFM Nanomechanical Signatures
2025-07-22, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02009
PMID:40626500
|
研究论文 | 本研究开发了一种基于深度学习的非小细胞肺癌来源细胞外囊泡分类方法,通过原子力显微镜纳米力学特征分析实现精准诊断 | 首次展示了基于纳米力学特征的NSCLC来源细胞外囊泡分类方法,将深度学习和AFM分析相结合 | 样本变异性问题尚未解决,需要在临床样本中进一步验证性能 | 开发非小细胞肺癌液体活检的精准诊断工具 | 非小细胞肺癌来源的细胞外囊泡 | 数字病理学 | 肺癌 | 原子力显微镜 | CNN | 图像 | 来自NSCLC亚型(A549、PC9、PC9/GR)和非肿瘤性支气管上皮细胞(BEAS-2B)的细胞外囊泡 | NA | DenseNet | AUC, 准确率 | NA |
| 1253 | 2025-10-06 |
MS2MP: A Deep Learning Framework for Metabolic Pathway Prediction from MS/MS-Based Untargeted Metabolomics
2025-07-15, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c06875
PMID:40583780
|
研究论文 | 提出一种直接从MS/MS非靶向代谢组学数据预测KEGG代谢通路的深度学习框架MS2MP | 首个能够直接从MS谱图预测代谢通路的计算工具,无需先进行代谢物注释 | 仅基于33,221个实验MS谱图进行训练,可能对某些罕见代谢通路覆盖不足 | 开发直接从串联质谱数据预测代谢通路的深度学习方法 | 非靶向代谢组学中的MS/MS谱图和KEGG代谢通路 | 机器学习 | NA | 串联质谱(MS/MS),非靶向代谢组学 | 图神经网络(GNN) | 质谱数据,图数据(碎片树图) | 33,221个实验MS谱图,161个代谢物标准品 | NA | 图神经网络 | 平衡准确率,精确匹配率 | NA |
| 1254 | 2025-10-06 |
A Large Language Model-Powered Map of Metabolomics Research
2025-07-15, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c01672
PMID:40608399
|
研究论文 | 本研究使用大型语言模型构建了代谢组学研究领域的综合图谱,分析了超过80,000篇文献 | 结合PubMedBERT和GPT-4o mini进行文献主题建模,首次创建了代谢组学研究的交互式可视化图谱 | 研究仅基于文献摘要进行分析,可能无法完全反映全文内容 | 构建代谢组学研究领域的综合知识图谱,识别研究趋势和发展方向 | 代谢组学领域的科学文献 | 自然语言处理 | NA | 文献挖掘,主题建模 | BERT, GPT-4, 神经网络主题模型 | 文本 | 超过80,000篇科学文献 | PubMedBERT, GPT-4o, t-SNE | BERT, Transformer | NA | NA |
| 1255 | 2025-10-06 |
Accurate Diagnosis of Colorectal Cancer Using a Combination of Lectin-Induced Recombinase Polymerase Amplification and CRISPR/Cas12a Assay on a Point-of-Care Testing Platform with Deep Learning Assistant
2025-07-01, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c00468
PMID:40511702
|
研究论文 | 开发了一种结合凝集素诱导重组酶聚合酶扩增和CRISPR/Cas12a检测的即时诊断平台,用于结直肠癌的精准诊断 | 首次将凝集素诱导的外泌体聚集与RPA-CRISPR/Cas12a检测结合,并集成LSTM深度学习模型实现智能手机数据分析 | 样本量相对有限(100例临床样本),需要在更大规模人群中验证 | 开发一种快速、灵敏、用户友好的结直肠癌即时诊断方法 | 结直肠癌患者血液样本中的外泌体 | 数字病理 | 结直肠癌 | 凝集素诱导重组酶聚合酶扩增,CRISPR/Cas12a检测,液体活检 | LSTM | 智能手机采集的检测数据 | 100例临床样本和SW480结直肠癌亚型小鼠模型 | 深度学习框架(具体未指明) | LSTM | 准确率 | 智能手机平台,自制便携式等温扩增设备 |
| 1256 | 2025-10-06 |
Deep Learning-Assisted Nanocavity Sensor for Amphiphilic Biomarker Analysis
2025-07-01, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c01102
PMID:40532101
|
研究论文 | 本文开发了一种结合纳米腔传感器与深度学习技术的两亲性生物标志物检测平台 | 首次将银纳米立方体-金镜纳米腔与支撑脂质双层集成,并采用深度学习语义分割方法计算荧光增强因子 | NA | 开发高灵敏度、快速检测的两亲性生物标志物传感平台 | 两亲性生物标志物 | 生物传感 | 癌症, 感染性疾病 | 荧光增强检测, 微流控技术 | 深度学习 | 荧光图像 | NA | NA | 语义分割 | 荧光增强因子, 检测灵敏度 | NA |
| 1257 | 2025-10-06 |
Slice-Inference-Assisted Lightweight Small Object Detection Model for Holographic Digital Immunoassay Quantification
2025-07-01, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02441
PMID:40540441
|
研究论文 | 提出一种切片推理辅助的轻量级小目标检测模型,用于全息数字免疫分析定量检测食品中的氯霉素 | 结合无透镜全息成像系统与轻量深度学习模型,通过切片推理算法提升小目标检测精度并降低计算复杂度 | NA | 开发用于食品安全检测的便携式全息生物传感器 | 食品样品中的氯霉素 | 计算机视觉 | NA | 全息成像,数字免疫分析 | 深度学习,目标检测 | 全息图像 | NA | NA | YOLOv5s改进模型 | 精确度,召回率,线性检测范围 | NA |
| 1258 | 2025-06-11 |
High-Output Droplet Electricity Generator for Intelligent Self-Powered Biochemical Analysis
2025-06-24, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02079
PMID:40491299
|
研究论文 | 提出了一种微型智能自供电电子舌(MISET),用于化学和生物物质的高灵敏度、可靠性和实时检测 | MISET引入了封闭式液体传感环境和液滴能量生成机制,显著提高了信号稳定性和电荷转移效率,并通过深度学习辅助分析优化信号处理和模式识别 | NA | 克服传统分析方法在灵敏度、可靠性、便携性和实时检测方面的挑战 | 化学和生物物质 | 生物传感 | NA | 液滴能量生成(DEG)机制和深度学习辅助分析 | 深度学习 | 液体传感信号 | NA | NA | NA | NA | NA |
| 1259 | 2025-06-12 |
Time-Gated Raman Spectroscopy Combined with Deep Learning for Rapid, Label-Free Histopathological Discrimination of Gastric Cancer
2025-06-24, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02321
PMID:40497384
|
研究论文 | 结合时间门控拉曼光谱与深度学习技术,实现胃癌组织的快速、无标记病理鉴别 | 首次将时间门控拉曼光谱技术与深度学习结合用于胃癌诊断,有效抑制自发荧光并提升拉曼信号质量 | 未提及样本来源多样性及模型在外部验证集上的表现 | 开发分子水平、数字化且智能化的实时胃癌诊断方法 | 胃癌组织样本 | 数字病理学 | 胃癌 | 时间门控拉曼光谱(TG-Raman) | CNN | 光谱数据 | NA | NA | NA | NA | NA |
| 1260 | 2025-10-06 |
Multiplexing and Sensing with Fluorescence Lifetime Imaging Microscopy Empowered by Phasor U-Net
2025-06-03, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02028
PMID:40378347
|
研究论文 | 提出一种名为Phasor U-Net的深度学习方法来提升荧光寿命成像显微镜的成像速度与精度 | 开发了结合两个轻量级U-Net子网络的深度学习架构,仅需计算机生成数据集训练即可实现噪声降低和仪器响应函数校正 | 未提及方法在更复杂生物样本或临床环境中的验证情况 | 提升荧光寿命成像显微镜在多重成像和传感应用中的性能 | 小鼠小肠样本和量子点材料 | 计算机视觉 | NA | 荧光寿命成像显微镜(FLIM) | U-Net | 显微镜图像 | 计算机生成数据集和小鼠小肠样本 | NA | U-Net | 修正Kullback-Leibler散度, 平均绝对误差 | NA |