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 19283 篇文献，本页显示第 12861 - 12880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12861 | 2025-06-15 |
Unsupervised Deep Learning for Blood-Brain Barrier Leakage Detection in Diffuse Glioma Using Dynamic Contrast-enhanced MRI
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.240507
PMID:40172325
|
研究论文 | 开发了一种无监督深度学习框架，用于在弥漫性胶质瘤中通过动态对比增强MRI检测血脑屏障泄漏，无需药代动力学模型和动脉输入函数估计 | 采用基于自动编码器的异常检测方法，通过重构残差识别一维体素级时间序列异常信号，并将其分为残余泄漏信号和残余血管信号 | 研究为回顾性研究，可能存在选择偏差 | 开发一种无需药代动力学模型和动脉输入函数估计的血脑屏障泄漏检测方法 | 弥漫性胶质瘤患者 | 数字病理学 | 胶质瘤 | 动态对比增强MRI | 自动编码器 | MRI图像 | 274名患者（平均年龄54.4岁±14.6，其中164名男性） | NA | NA | NA | NA |
| 12862 | 2025-05-29 |
Pixels to Prognosis: Using Deep Learning to Rethink Cardiac Risk Prediction from CT Angiography
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.250260
PMID:40434277
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12863 | 2025-06-15 |
Gene expression inference based on graph neural networks using L1000 data
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf273
PMID:40505083
|
研究论文 | 本研究探讨了基于图神经网络（GNN）的基因表达推断方法，使用L1000数据，展示了其在预测基因表达值和基于表达的基因排序上的优越性 | 首次将图神经网络应用于基因表达推断，相比传统线性回归和非线性非GNN模型，GNN模型在减少10倍信息需求的同时达到可比性能 | 未明确提及具体的数据集规模限制或模型在特定生物环境下的适用性限制 | 探索非线性模型，特别是基于图结构的模型，在基因表达推断中的有效性 | 基因表达数据 | 生物信息学 | NA | L1000 | GNN | 基因表达数据 | 超过一百万种不同条件下的基因表达数据 | NA | NA | NA | NA |
| 12864 | 2025-06-15 |
AI-Driven Advancements in Bioinformatics: Transforming Healthcare and Science
2025-May, Journal of pharmacy & bioallied sciences
DOI:10.4103/jpbs.jpbs_389_25
PMID:40511171
|
review | 本文回顾了AI在生物信息学中的关键应用及其对医疗实践和科学研究的潜在影响 | 探讨了AI在基因组和蛋白质结构预测、药物发现算法及诊断解决方案中的创新应用 | 存在数据质量、模型可解释性不明确及伦理问题等限制 | 评估AI在生物信息学中的基础方法及其在医疗和科学研究中的应用 | 基因组、蛋白质结构、药物发现算法和诊断解决方案 | 生物信息学 | NA | 机器学习、深度学习 | NA | 生物数据 | NA | NA | NA | NA | NA |
| 12865 | 2025-06-15 |
Post-Training Network Compression for 3D Medical Image Segmentation: Reducing Computational Efforts via Tucker Decomposition
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240353
PMID:39812583
|
研究论文 | 本研究探讨了通过Tucker分解减少基于3D CT的多器官分割模型TotalSegmentator的计算量 | 首次将Tucker分解应用于医学图像分割模型的压缩，显著减少了模型参数和计算量，同时保持分割精度 | 不同GPU架构上的实际加速效果存在差异，在性能较低的硬件上加速效果更明显 | 降低医学图像分割模型的计算需求 | TotalSegmentator模型（基于nnU-Net的117个解剖结构自动分割模型） | 数字病理 | NA | Tucker分解 | nnU-Net | 3D CT图像 | 1228个分割CT扫描（训练集）+89个CT扫描（测试集） | NA | NA | NA | NA |
| 12866 | 2025-06-15 |
Optimising deep learning models for ophthalmological disorder classification
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75867-3
PMID:39856068
|
研究论文 | 本文利用深度学习模型对眼科疾病进行分类，采用基于迁移学习的CNN方法 | 使用MobileNet模型结合Adam优化器，在眼科疾病分类中取得了89.64%的测试准确率 | 仅使用了ODIR数据库中的数据进行实验，可能在其他数据集上表现不同 | 优化深度学习模型以提高眼科疾病分类的准确性 | 眼科疾病（如高血压、青光眼、糖尿病视网膜病变） | 计算机视觉 | 眼科疾病 | fundus imaging | CNN, MobileNet | image | ODIR数据库中的眼底图像（患者左右眼） | NA | NA | NA | NA |
| 12867 | 2025-06-15 |
Detection of cervical cell based on multi-scale spatial information
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87165-7
PMID:39856153
|
研究论文 | 提出了一种基于多尺度空间信息的宫颈细胞检测方法，以提高宫颈癌筛查和诊断的效率 | 设计了多尺度空间信息增强模块（MSA）和通道注意力增强模块（CAE），有效捕捉和整合不同尺度的空间信息，并动态优化关键特征 | 未提及具体的数据集规模或多样性限制，也未讨论模型在其他数据集上的泛化能力 | 提高宫颈癌筛查和诊断的效率和准确性 | 宫颈细胞 | 数字病理学 | 宫颈癌 | 深度学习 | Sparse R-CNN | 图像 | NA | NA | NA | NA | NA |
| 12868 | 2025-06-15 |
Phyla: Towards a foundation model for phylogenetic inference
2025-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.01.17.633626
PMID:39896621
|
研究论文 | 本文介绍了Phyla，一种专为系统发育推理设计的混合状态空间变换器架构，旨在通过树损失函数实现序列推理和系统发育树重建的最新性能 | Phyla采用了一种新颖的混合状态空间变换器架构和树损失函数，专注于序列间的推理能力，而非传统的单个序列学习 | NA | 开发一个用于系统发育推理的基础模型，提升计算生物学中序列分析和系统发育推理的性能 | 蛋白质序列和系统发育树 | 计算生物学 | NA | 深度学习 | 混合状态空间变换器 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 12869 | 2025-06-15 |
Interpretable deep learning for gastric cancer detection: a fusion of AI architectures and explainability analysis
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1596085
PMID:40510366
|
研究论文 | 本文提出了一种结合多种深度学习架构和可解释性分析的胃癌检测方法 | 融合了VGG16、RESNET50和MobileNetV2三种深度学习架构，并采用LIME技术提高模型决策的可解释性 | 未提及具体的数据集来源和样本多样性问题 | 开发高精度且可解释的胃癌检测系统以支持临床决策 | 胃癌的医学影像检测 | 数字病理学 | 胃癌 | 深度学习融合架构、LIME可解释性分析 | VGG16、RESNET50、MobileNetV2融合模型 | 医学影像 | NA | NA | NA | NA | NA |
| 12870 | 2025-06-15 |
Deep learning-based action recognition for analyzing drug-induced bone remodeling mechanisms
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1564157
PMID:40510423
|
research paper | 提出了一种基于深度学习的动作识别框架，用于分析药物诱导的骨重塑机制 | 结合图神经网络（GNNs）和动态信号传播模型，识别驱动骨重塑的关键分子相互作用，并集成预测药理学相互作用模型以量化药物-靶点相互作用 | 未提及具体实验样本量或数据来源的局限性 | 优化治疗干预并减少骨健康管理中的不良反应 | 药物诱导的骨重塑机制 | machine learning | geriatric disease | graph neural networks (GNNs), dynamic signal propagation model | GNN | multi-scale biological data | NA | NA | NA | NA | NA |
| 12871 | 2025-06-15 |
Graph convolutional neural networks improved target-specific scoring functions for cGAS and kRAS in virtual screening
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.023
PMID:40510763
|
研究论文 | 本研究通过结合分子图和卷积神经网络，提高了针对cGAS和kRAS蛋白的靶向特异性评分函数在虚拟筛选中的外推能力和准确性 | 首次将图卷积神经网络应用于靶向特异性评分函数的开发，显著提升了虚拟筛选的准确性和外推性能 | 研究仅针对cGAS和kRAS两种蛋白进行验证，需要更多靶点验证其普适性 | 提高虚拟筛选中靶向特异性评分函数的准确性和外推能力 | cGAS和kRAS蛋白 | 机器学习 | NA | 分子对接、虚拟筛选 | 图卷积神经网络(GCN)、传统机器学习模型 | 分子图数据 | NA | NA | NA | NA | NA |
| 12872 | 2025-06-15 |
Random splicing assisted deep learning for breast cancer cell line classification via Raman spectroscopy
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.051
PMID:40510766
|
研究论文 | 本文开发了一种名为随机拼接-卷积神经网络（RS-CNN）的深度学习框架，用于通过拉曼光谱对乳腺癌细胞系进行分类 | 通过随机拼接同一细胞系的拉曼光谱，RS-CNN增强了特征光谱特征，同时扩大了数据集规模并改善了信号质量 | NA | 开发一种深度学习框架以提高拉曼光谱在癌症识别中的准确性和效率 | 六种乳腺癌细胞系 | 数字病理学 | 乳腺癌 | 拉曼光谱 | RS-CNN（随机拼接-卷积神经网络） | 光谱数据 | 每种细胞系450个光谱，数据有限条件下为100个光谱/细胞系 | NA | NA | NA | NA |
| 12873 | 2025-06-14 |
Predicting Imminent Conversion to Exudative Age-Related Macular Degeneration Using Multimodal Data and Ensemble Machine Learning
2025 Sep-Oct, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100785
PMID:40502295
|
研究论文 | 该研究开发并比较了经典机器学习和深度学习模型，用于预测6个月内即将发生的渗出性年龄相关性黄斑变性（eAMD）转化 | 结合OCT和临床数据，开发了集成机器学习模型来预测eAMD的即时转化，且深度学习模型表现优于传统机器学习模型 | 研究为回顾性队列研究，需前瞻性验证模型的有效性 | 开发预测即将发生eAMD转化的模型，以促进及时治疗 | 2013至2021年间在Wilmer眼科研究所就诊的eAMD患者 | 数字病理学 | 年龄相关性黄斑变性 | 光谱域OCT | ResNet-50, Random Forest, XGBoost, MLP | 图像, 临床数据 | 2084名患者的33189个OCT体积 | NA | NA | NA | NA |
| 12874 | 2025-06-14 |
Deep learning reconstruction for T2-weighted and contrast-enhanced T1-weighted magnetic resonance enterography imaging in patients with Crohn's disease: Assessment of image quality and clinical utility
2025-Aug, Clinical imaging
IF:1.8Q3
DOI:10.1016/j.clinimag.2025.110528
PMID:40479900
|
research paper | 研究深度学习重建在克罗恩病患者磁共振肠成像中T2加权和对比增强T1加权图像的质量及临床效用 | 评估深度学习重建技术在磁共振肠成像中的应用，比较其与传统方法在图像质量和采集时间上的差异 | 观察者间对深度学习重建图像质量的一致性较低，尤其是T1 VIBE图像 | 评估深度学习重建的磁共振肠成像图像质量及其在克罗恩病诊断中的临床效用 | 克罗恩病患者 | digital pathology | Crohn's disease | magnetic resonance enterography | deep learning | image | 93名患者用于T2 HASTE比较，42名患者用于T1 VIBE比较 | NA | NA | NA | NA |
| 12875 | 2025-06-14 |
Model-informed deep-learning photoacoustic reconstruction for low-element linear array
2025-Aug, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2025.100732
PMID:40502804
|
research paper | 提出了一种针对低元素线性阵列的模型信息深度学习光声重建方法，以解决传统重建方法在稀疏传感器排列和有限传感器间距下的图像质量问题 | 引入了轻量级的GE-CNN框架，显著降低了计算需求，模型矩阵大小减少了4倍，处理速度提高了约46.3% | 未提及在实际临床环境中的广泛验证 | 提高光声断层扫描（PAT）在稀疏传感器排列下的图像重建质量和计算效率 | 线性阵列超声换能器 | 医学影像处理 | NA | 光声断层扫描（PAT） | GE-CNN | 图像 | 合成模型、实验体模和活体大鼠肝脏成像 | NA | NA | NA | NA |
| 12876 | 2025-06-14 |
Acquisition and Reconstruction Techniques for Coronary CT Angiography: Current Status and Trends over the Past Decade
2025-07, Radiographics : a review publication of the Radiological Society of North America, Inc
IF:5.2Q1
DOI:10.1148/rg.240083
PMID:40504731
|
review | 本文回顾了过去十年中冠状动脉CT血管成像（CCTA）的采集和重建技术，探讨了其现状和发展趋势 | 总结了多种新技术如低管电压采集、高清CT、超高清CT、深度学习重建算法等，以提高图像质量和降低辐射剂量 | 尽管有多种新技术，但CCTA仍存在运动伪影、图像噪声、辐射暴露等问题 | 提高冠状动脉CT血管成像（CCTA）的临床价值，用于非侵入性评估冠状动脉疾病（CAD） | 冠状动脉CT血管成像（CCTA）技术 | 医学影像 | 心血管疾病 | 低管电压采集、高清CT、超高清CT、深度学习重建算法 | 深度学习重建算法（DLR） | 医学影像 | NA | NA | NA | NA | NA |
| 12877 | 2025-06-14 |
Computational design of diverse nuclear factor erythroid 2 activators with cellular antioxidative activity
2025-Jun-20, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112621
PMID:40502689
|
研究论文 | 利用深度学习算法设计能够激活NRF2的小蛋白，以增强细胞抗氧化防御能力 | 采用深度学习模型设计具有不同结构框架和热力学特性的稳定小蛋白，有效激活KEAP1-NRF2通路 | 未提及在动物模型或临床试验中的验证 | 开发高效且选择性激活KEAP1-NRF2通路的合成抗氧化剂 | KEAP1-NRF2复合物及设计的结合蛋白 | 机器学习 | 慢性疾病 | 深度学习 | 深度学习模型 | 蛋白质结构数据 | 五种设计的结合蛋白 | NA | NA | NA | NA |
| 12878 | 2025-06-14 |
Deep learning-based ranking method for subgroup and predictive biomarker identification in patients
2025-Jun-10, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-00946-z
PMID:40494908
|
research paper | 本研究开发了一种基于深度学习的框架DeepRAB，用于识别患者亚组和预测生物标志物，以优化治疗效果 | DeepRAB不仅能够捕捉个体间治疗效果的差异，还能帮助发现与这些差异相关的有意义的生物标志物 | NA | 开发一种深度学习方法，用于识别患者亚组和预测生物标志物，以支持更精准的治疗策略 | 患者亚组和预测生物标志物 | machine learning | hidradenitis suppurativa | deep learning | DeepRAB | clinical trial data | 模拟数据集和真实临床试验数据 | NA | NA | NA | NA |
| 12879 | 2025-06-14 |
A cross population study of retinal aging biomarkers with longitudinal pre-training and label distribution learning
2025-Jun-10, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01751-7
PMID:40494933
|
research paper | 开发了一种深度学习模型，通过视网膜图像提高视网膜年龄估计的准确性，并探索其作为衰老生物标志物的潜力 | 整合了自监督学习和渐进式标签分布学习模块，以捕捉时间序列信息并模拟生物衰老的变异性 | 研究主要基于健康人群，可能无法完全代表其他人群的视网膜老化模式 | 提高视网膜年龄估计的准确性，并探索其作为衰老生物标志物的潜力 | 视网膜图像 | digital pathology | geriatric disease | deep learning | CNN | image | 34,433名来自UK Biobank和三个中国队列的健康参与者 | NA | NA | NA | NA |
| 12880 | 2025-06-14 |
Empirical evaluation of artificial intelligence distillation techniques for ascertaining cancer outcomes from electronic health records
2025-Jun-10, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01646-7
PMID:40494945
|
研究论文 | 本文评估了利用教师-学生框架从电子健康记录中提取癌症纵向临床结果的技术 | 使用分层Transformer架构的教师模型训练，并通过公开数据集和GPT-4生成的合成数据进行知识蒸馏 | 在Wiki-text和合成数据上训练的学生模型表现较差，强调了领域内公开数据集的重要性 | 评估人工智能蒸馏技术在从电子健康记录中提取癌症结果方面的应用 | 电子健康记录中的自由文本放射学报告 | 自然语言处理 | 癌症 | 教师-学生框架，知识蒸馏 | Transformer | 文本 | Dana-Farber Cancer Institute的数据，MIMIC-IV、Wiki-text公开数据集及GPT-4生成的合成数据 | NA | NA | NA | NA |