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 16751 篇文献，本页显示第 1521 - 1540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1521 | 2025-11-05 |
Level-crossing processing and deep convolutional neural network for arrhythmia classification in telehealth services
2025-Nov-03, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01660-9
PMID:41182637
|
研究论文 | 提出一种融合电平交叉采样和深度卷积神经网络的心律失常自动诊断方法 | 结合LCADC电平交叉采样、EASA算法、ARF自适应率滤波和1D-CNN，实现实时数据压缩与高效分类 | 仅使用MIT-BIH数据集中的五类心律失常，未在其他数据集验证 | 开发适用于远程医疗的高效心律失常自动诊断方法 | 心电图信号和心律失常分类 | 数字病理 | 心血管疾病 | 心电图信号处理 | CNN | 心电图信号 | MIT-BIH数据集中的五类心律失常数据 | NA | 1D-CNN | 准确率 | NA |
| 1522 | 2025-11-05 |
OoDBench+: Quantifying and Understanding Two Dimensions of Out-of-Distribution Generalization
2025-Nov-03, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3628027
PMID:41182941
|
研究论文 | 本文提出并量化了分布外泛化的两个维度——多样性偏移和相关性偏移，并建立了评估算法性能的理论框架 | 首次明确识别并量化定义分布外泛化中的两种分布偏移类型，证明算法性能受限于这两种偏移，并将不同研究领域的数据集和算法整合到统一框架中 | 研究主要基于分类和目标检测任务，可能未覆盖其他机器学习任务中的分布偏移情况 | 深入理解分布外泛化问题的本质特征，建立量化评估框架 | 分布外泛化算法及其在多样化数据集上的表现 | 机器学习 | NA | NA | NA | 图像数据 | 来自分类和目标检测领域的多个现有数据集 | NA | NA | NA | NA |
| 1523 | 2025-11-05 |
MOAEAM: Multi-omics data integration with autoencoder and attention mechanisms for cancer patient classification and biomarker identification
2025-Nov-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3628490
PMID:41182929
|
研究论文 | 提出一种基于改进自编码器和注意力机制的多组学数据整合框架MOAEAM，用于癌症患者分类和生物标志物识别 | 提出新型复合损失函数促进组学特异性特征提取，并设计多组学整合模块捕获跨组学关联信息 | NA | 开发多组学数据整合方法以提升癌症患者分类和生物标志物识别性能 | 癌症患者多组学数据 | 机器学习 | 癌症 | 多组学数据整合 | 自编码器,注意力机制 | 多组学数据 | 多个癌症数据集 | NA | 改进自编码器,注意力机制 | 分类性能 | NA |
| 1524 | 2025-11-05 |
Novel Approach for Decoding Olfactory Receptors Interactions With Molecules Based on Multimodal Feature and Deep Learning Network
2025-Nov-03, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3622055
PMID:41182946
|
研究论文 | 提出一种基于多模态特征和深度学习网络的新方法，用于预测气味分子与嗅觉受体的相互作用 | 首次利用多模态深度学习网络精确识别特定嗅觉受体，并开发了空间分布图揭示受体间的聚类模式 | NA | 推进对人类嗅觉机制的理解并帮助新型合成药物的开发 | 气味分子与嗅觉受体的相互作用 | 机器学习 | NA | 多模态深度学习 | 深度学习网络 | 分子物理化学特性数据、受体结构数据 | 新整理的数据集 | NA | 多模态深度学习网络 | 准确率 | NA |
| 1525 | 2025-11-05 |
Smartphone-based biosensing: a review of optical imaging, microfluidic integration, and AI-enhanced analysis
2025-Nov-03, Mikrochimica acta
DOI:10.1007/s00604-025-07523-0
PMID:41184410
|
综述 | 本文综述了基于智能手机的生物传感技术，重点介绍光学成像、微流控集成和人工智能增强分析的最新进展 | 整合了智能手机平台与生物医学传感，提供便携、低成本的实验室诊断替代方案，并强调人工智能增强诊断准确性的最新发展 | 存在硬件变异性、标准化不足和临床验证不充分等挑战 | 总结智能手机集成生物传感技术，推动分散式医疗、环境监测和全球生物传感应用 | 核酸、蛋白质、细胞、病原体等生物和化学靶标 | 生物医学工程 | 眼部疾病、代谢疾病、泌尿系统疾病、各种癌症、传染病 | 光学成像（明场、荧光、暗场）、电化学传感、微流控技术 | 深度学习 | 图像 | NA | NA | NA | 诊断准确性 | 智能手机平台、云端分析 |
| 1526 | 2025-11-05 |
Deep learning algorithms for timely diagnosis of retinopathy of prematurity requiring treatment
2025-Nov-03, Eye (London, England)
DOI:10.1038/s41433-025-04096-3
PMID:41184508
|
研究论文 | 本研究评估深度学习算法在早产儿视网膜病变远程医疗筛查中的诊断效果 | 首次系统比较多种CNN模型结合不同预处理方法在ROP诊断中的性能，发现MobileNet结合CLAHE预处理具有最佳表现 | 回顾性研究，样本量有限（141名早产儿），需要在更多临床环境中验证 | 评估深度学习算法在诊断需要治疗的早产儿视网膜病变方面的有效性 | 141名接受ROP筛查的早产儿 | 计算机视觉 | 早产儿视网膜病变 | 眼底成像，图像预处理 | CNN | 图像 | 1700张RetCam眼底图像，来自141名早产儿 | NA | MobileNet, ResNet-18, ResNet-50, DenseNet-121 | 准确率, 敏感度, 特异度, F1分数 | NA |
| 1527 | 2025-11-05 |
Decoding the regulatory genome with large-scale deep learning
2025-Nov-03, Nature reviews. Genetics
DOI:10.1038/s41576-025-00914-2
PMID:41184593
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1528 | 2025-11-05 |
Construction and validation of hepatocellular carcinoma survival prediction models based on machine learning
2025-Nov-03, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03456-1
PMID:41184613
|
研究论文 | 本研究基于机器学习和深度学习构建并验证了肝细胞癌生存预测模型 | 首次在生存分析中引入自注意力机制到DeepSurv和DeepHit模型以更好地捕捉特征依赖关系，并集成改进的深度学习模型、Cox比例风险模型和随机生存森林 | 研究依赖于SEER和TCGA数据库的数据，可能存在数据选择偏差 | 开发更准确的肝细胞癌生存预测模型以支持个性化治疗 | 肝细胞癌患者 | 机器学习 | 肝细胞癌 | 机器学习，深度学习 | DeepSurv, DeepHit, Cox神经网络, 随机生存森林 | 临床数据 | 来自SEER和TCGA数据库的肝细胞癌患者数据 | NA | 残差网络, 自注意力机制, 集成模型 | C-index, Brier分数 | NA |
| 1529 | 2025-11-05 |
Automated surgical instrument recognition in laparoscopic cholecystectomy videos: a novel two-step deep learning approach with virtual image synthesis
2025-Nov-03, Surgical endoscopy
DOI:10.1007/s00464-025-12341-9
PMID:41184678
|
研究论文 | 提出一种用于腹腔镜胆囊切除术视频中手术器械自动识别的新型两步深度学习系统 | 通过虚拟图像合成创建训练数据，并采用两步检测方法（器械定位+类型分类） | 需要外部和公共数据集验证泛化能力，合成数据与真实数据存在差异 | 优化手术流程并预防器械遗留，提高手术器械识别精度 | 腹腔镜胆囊切除术视频中的手术器械 | 计算机视觉 | 胆囊疾病 | 虚拟图像合成，数据增强 | 深度学习模型 | 手术视频，合成图像 | 52名患者的311张器械图像和1610张背景图像，生成6023张合成图像 | NA | 两步检测模型（器械定位模型+器械分类模型） | 平均精度(AP)，交并比(IoU)，曲线下面积(AUC) | NA |
| 1530 | 2025-11-05 |
Patch-Wise Approach with Vision Transformer for Detecting Implant Failure in Spinal Radiography
2025-Nov-03, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01724-y
PMID:41184706
|
研究论文 | 开发基于视觉Transformer的深度学习模型，用于检测脊柱植入物失败 | 提出基于分块的视觉Transformer方法，首次将DINOv2模型应用于脊柱植入物失败检测 | 模型精确度相对较低（0.37），可能产生较多假阳性 | 开发和验证用于检测脊柱植入物骨折的AI模型，并评估其对放射科医生诊断性能的影响 | 脊柱植入物和植入物骨折 | 计算机视觉 | 脊柱疾病 | 放射影像分析 | Vision Transformer | 图像 | 798名患者的9924张脊柱放射影像（3492项研究） | NA | DINOv2 | 准确率, F1分数, 精确率, 召回率, GEE分析 | NA |
| 1531 | 2025-11-05 |
Towards Pharmaceutical Industry 5.0: Impact of Artificial Intelligence in Drug Discovery and Development
2025-Nov-03, Current pharmaceutical biotechnology
IF:2.2Q3
|
综述 | 本文探讨人工智能在制药行业5.0时代对药物发现与开发的影响 | 系统分析AI技术在制药行业5.0背景下的整合应用，涵盖从药物发现到监管合规的全流程创新 | 存在数据质量、监管问题和跨学科协作需求等整合挑战 | 研究人工智能在药物研发领域的应用现状与发展前景 | 制药行业与人工智能技术 | 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 | NA | NA | NA | NA | NA | NA | NA |
| 1532 | 2025-11-05 |
AKIRA: Deep learning tool for image standardization, implant detection and arthritis grading to establish a radiographic registry in patients with anterior cruciate ligament injuries
2025-Nov, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA
DOI:10.1002/ksa.12618
PMID:39925136
|
研究论文 | 开发用于前交叉韧带损伤患者图像标准化、植入物检测和关节炎分级的深度学习工具AKIRA，以建立影像学登记库 | 提出AKIRA系统，整合三种深度学习算法实现膝关节X光片的自动分类、标注和植入物检测 | KL分级一致性较低(0.39-0.40)，研究设计为横断面研究，证据等级为IV级 | 通过人工智能工具开发大规模标准化前交叉韧带损伤影像学登记库 | 1628名前交叉韧带损伤患者的20,836张膝关节X光片 | 计算机视觉 | 骨科疾病 | X射线成像 | CNN,目标检测 | 医学影像 | 20,836张膝关节X光片，来自1628名患者 | NA | EfficientNet,YOLO,Residual Network | F1分数,精确率-召回率曲线下面积,一致性 | NA |
| 1533 | 2025-11-05 |
Method for estimating real-scale 3D human body shape from an image based on 3D camera calibration and computer graphics-based reverse projection photogrammetry
2025-Nov, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70130
PMID:40619616
|
研究论文 | 提出一种基于3D相机标定和计算机图形学逆向投影摄影测量的方法，从单张图像估计真实比例的3D人体形状 | 结合3D相机标定和CG逆向投影摄影测量，首次实现从低分辨率图像估计真实比例的3D人体形状，无需对象先验知识 | NA | 从单张2D图像估计真实比例的3D人体形状模型 | 人体图像中的3D人体形状 | 计算机视觉 | NA | 逆向投影摄影测量，3D相机标定 | SMPL-X模型 | 图像 | 数百到数千次比较 | NA | SMPL-X | 等错误率 | NA |
| 1534 | 2025-11-05 |
MRI sequence focused on pancreatic morphology evaluation: three-shot turbo spin-echo with deep learning-based reconstruction
2025-Nov, Acta radiologica (Stockholm, Sweden : 1987)
DOI:10.1177/02841851251355844
PMID:40641210
|
研究论文 | 开发并评估一种基于深度学习重建的三次激发涡轮自旋回波MRI序列用于胰腺形态评估 | 提出新型3S-TSE-DLR序列，结合高空间分辨率与深度学习重建技术，在胰腺成像中实现优于传统序列的图像质量 | 研究仅纳入50名健康志愿者，缺乏胰腺癌患者的验证数据 | 比较新型MRI序列与传统序列在胰腺成像质量方面的表现 | 健康志愿者的胰腺MRI图像 | 医学影像分析 | 胰腺癌 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 50名健康志愿者 | NA | NA | 运动伪影评分，边缘锐度评分，主胰管识别率 | NA |
| 1535 | 2025-11-05 |
Deep Learning Estimation of 24-2 Visual Field Map From Optic Nerve Head Optical Coherence Tomography Angiography
2025-Nov-01, Journal of glaucoma
IF:2.0Q2
DOI:10.1097/IJG.0000000000002626
PMID:40923848
|
研究论文 | 本研究开发了基于深度学习的光学相干断层扫描血管成像图像估计24-2视野图的方法 | 首次将深度学习应用于OCTA图像，利用视盘旁区域信息准确估计24-2视野图 | 研究样本量为994名参与者（1684只眼睛），可能存在一定的样本局限性 | 开发从OCTA视盘正面图像估计24-2视野图的深度学习模型 | 视神经头光学相干断层扫描血管成像图像 | 医学影像分析 | 眼科疾病 | 光学相干断层扫描血管成像 | 深度学习模型 | 医学影像 | 994名参与者的1684只眼睛，共3148个视野-OCTA配对 | NA | NA | 平均绝对误差, Pearson相关系数 | NA |
| 1536 | 2025-11-05 |
Decreased parietal epithelial cell density is linked to podocyte depletion and predictors of kidney disease progression in human kidneys
2025-Nov-01, American journal of physiology. Renal physiology
DOI:10.1152/ajprenal.00243.2025
PMID:41052018
|
研究论文 | 开发深度学习方法来分析人类肾脏样本中壁层上皮细胞密度与肾小球疾病进展的关系 | 首次使用深度学习技术分析人类肾脏样本中壁层上皮细胞密度与肾小球疾病进展的关联 | 研究样本来自肾切除患者，可能不适用于所有慢性肾病患者群体 | 探究壁层上皮细胞在人类慢性肾小球疾病进展中的作用 | 肾切除样本中的肾小球壁层上皮细胞 | 数字病理学 | 慢性肾脏病 | 深度学习图像分析 | 深度学习 | 肾脏组织图像 | 超过14,000个肾小球 | NA | NA | NA | NA |
| 1537 | 2025-11-05 |
Authentication of forged inked fingerprints utilizing silicone molds
2025-Nov, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70111
PMID:40571990
|
研究论文 | 本研究提出了一种结合拉曼光谱、形态学分析和深度学习的快速无损方法，用于检测伪造的油墨指纹 | 首次将特征金字塔网络(FPN)和多头自注意力机制(MHSA)集成到ResNet中，开发了ResNet50_AuI深度学习模型用于指纹认证 | 拉曼光谱单独使用无法区分真假指纹，各方法在实际应用中的局限性需要进一步验证 | 开发有效的伪造油墨指纹检测方法，提高司法环境中法医证据的可靠性 | 油墨指纹（包括真实和伪造样本） | 计算机视觉 | NA | 拉曼光谱，形态学分析 | CNN | 图像 | 3600个油墨指纹 | NA | ResNet50, FPN, MHSA | 准确率 | NA |
| 1538 | 2025-11-05 |
Self-supervised model-driven deep learning for two-step phase-shifting interferometry
2025-Nov-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.577384
PMID:41185194
|
研究论文 | 提出一种用于两步相移干涉术的自监督模型驱动深度学习方法 | 结合预训练归一化网络和未训练模型驱动网络，通过基于物理的模型驱动方法实现自监督学习，无需真实相位图作为训练标签 | NA | 提高相移干涉术的相位重建精度和鲁棒性 | 干涉图相位重建 | 机器学习和计算成像 | NA | 相移干涉术 | 深度学习网络 | 干涉图图像 | NA | NA | PNNet（预训练归一化网络）, UMNet（未训练模型驱动网络） | 误差降低率 | NA |
| 1539 | 2025-11-05 |
Edge-Guided Deep Learning Model to Predict Fetal Brain Age Using MRI
2025 Nov-Dec, Journal of neuroimaging : official journal of the American Society of Neuroimaging
IF:2.3Q2
DOI:10.1111/jon.70099
PMID:41185452
|
研究论文 | 提出一种结合边缘信息的深度学习模型，用于从胎儿脑部MRI预测脑年龄 | 在深度学习模型中引入全局边缘信息，弥补了传统方法忽略局部边缘细节的不足 | 回顾性研究，样本来源单一，需进一步外部验证 | 提高胎儿脑年龄预测的准确性和可靠性 | 207例单胎妊娠的1630张胎儿脑部冠状T2加权MR图像 | 医学影像分析 | 胎儿发育评估 | MRI | 神经网络 | 医学图像 | 1630张胎儿脑部MR图像（来自207个受试者） | NA | 边缘引导深度学习模型 | 平均绝对误差(MAE), 决定系数(R2) | NA |
| 1540 | 2025-11-05 |
Optic disc morphometrics as a potential ocular biomarker for depression: evidence from two cross-sectional cohort studies
2025-Oct-31, Translational psychiatry
IF:5.8Q1
DOI:10.1038/s41398-025-03691-y
PMID:41173843
|
研究论文 | 本研究通过自动眼底形态测量和血浆蛋白质组分析，探索视盘形态作为抑郁症潜在生物标志物的可能性 | 首次将视盘形态测量与血浆蛋白质组关联分析相结合，发现视盘圆度与抑郁症相关蛋白LRRN1和PRL的表达相关 | 横断面研究设计无法确定因果关系，样本量相对有限 | 探索视盘形态特征作为抑郁症客观生物标志物的潜力 | 来自英国生物银行和广东眼科-心理健康研究的412名参与者 | 数字病理学 | 抑郁症 | 自动眼底形态测量，Olink血浆蛋白质组分析，深度学习分割 | 深度学习分割模型 | 眼底图像，血浆蛋白质组数据 | 412名参与者（来自两个独立队列） | NA | NA | 比值比(OR)，置信区间(CI)，p值 | NA |