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 1209 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2026-03-11 |
Renal Cell Type and State Estimation in Brightfield Histology Images: A Pilot Study on Diabetic Nephropathy
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3047996
PMID:41799653
|
研究论文 | 本研究提出了一种基于深度学习的两阶段流程，用于从亮视野组织学图像预测细胞类型/状态，旨在提升糖尿病肾病的诊断和预后评估 | 结合图像到文本检索网络和视觉语言模型，利用CONCH模型从亮视野图像生成组织病理学文本提示，并通过回归头预测细胞类型/状态比例，相比仅使用图像输入的模型有显著性能提升 | 研究为试点性质，样本来源单一（印第安纳大学收集的糖尿病肾病样本），且仅针对四种组织结构类型进行分类，可能缺乏泛化性 | 开发机器学习流程，从亮视野组织学图像预测细胞类型/状态，以弥补多组学数据在临床中的昂贵和不可及性 | 糖尿病肾病患者的10X Visium空间转录组学福尔马林固定石蜡包埋全切片图像 | 数字病理学 | 糖尿病肾病 | 空间转录组学（10X Visium），亮视野显微镜 | 深度学习模型 | 图像，文本 | 未明确指定样本数量，但来自印第安纳大学收集的糖尿病肾病样本集 | 未明确指定，但提及CONCH、ViT、ResNet等模型架构 | CONCH, ViT, ResNet | 均方误差 | NA |
| 22 | 2026-03-06 |
Addressing myocardial infarction in South-Asian populations: risk factors and machine learning approaches
2025-Feb-03, NPJ cardiovascular health
DOI:10.1038/s44325-024-00040-8
PMID:41776250
|
综述 | 本文探讨了南亚人群心肌梗死的风险因素，并强调了机器学习和深度学习在提升诊断与预测准确性方面的潜在作用 | 结合南亚人群特有的心血管风险因素，利用机器学习和深度学习模型（如CNN和Transformer）分析临床特征、心电图和心脏生物标志物等多模态数据，以改进传统风险评估工具 | 缺乏高质量数据集，且临床应用面临挑战 | 提升南亚人群心肌梗死的风险预测、诊断和管理水平 | 南亚人群的心肌梗死风险因素 | 机器学习 | 心血管疾病 | NA | CNN, Transformer | 临床特征、心电图、心脏生物标志物等多模态数据 | NA | NA | 卷积神经网络, Transformer | NA | NA |
| 23 | 2026-03-01 |
Feature-Based Audiogram Value Estimator (FAVE): Estimating Numerical Thresholds from Scanned Images of Handwritten Audiograms
2025-Feb-27, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-025-02146-7
PMID:40011323
|
研究论文 | 本研究开发了一种基于机器学习的模型FAVE，用于从手写听力图的扫描图像中估计数值阈值 | 首次提出基于滑动窗口和聚合通道特征的单类物体检测器，专门用于手写听力图的数值提取，相比预训练的深度学习方法在特定测试集上表现更优 | 数值阈值估计的准确性有待提高，仅78.3%的估计无误差，且符号和轴刻度标签检测存在局限性 | 开发机器学习模型以从手写听力图图像中自动提取数值阈值，促进公共卫生研究中的数据可访问性 | 手写听力图的扫描图像 | 计算机视觉 | 老年疾病 | 纯音听力测定 | 物体检测器 | 图像 | 556份手写听力图，来自一项年龄相关性听力损失的纵向队列研究 | NA | 基于聚合通道特征的滑动窗口单类物体检测器 | 召回率, 精确率, 误差率 | NA |
| 24 | 2026-02-27 |
Application of artificial intelligence in forecasting survival in high-grade glioma: systematic review and meta-analysis involving 79,638 participants
2025-Feb-15, Neurosurgical review
IF:2.5Q1
DOI:10.1007/s10143-025-03419-y
PMID:39954167
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了人工智能模型在预测高级别胶质瘤患者生存结局方面的性能 | 本研究特别关注了AI在高级别胶质瘤复发预测中的潜力，并整合了临床、影像组学和遗传学等多模态数据，发现整合模型优于单一数据类型模型 | 需要在前瞻性、多中心研究中进行进一步验证以确保临床适用性 | 评估人工智能模型在预测高级别胶质瘤患者生存结局方面的性能 | 高级别胶质瘤患者 | 机器学习 | 高级别胶质瘤 | NA | 机器学习, 深度学习 | 临床数据, 影像数据, 遗传数据 | 79,638名患者 | NA | 随机森林, 逻辑回归 | AUC | NA |
| 25 | 2026-02-21 |
Macrophage memory emerges from coordinated transcription factor and chromatin dynamics
2025-Feb-19, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101171
PMID:39938520
|
研究论文 | 本文通过活细胞分析、ATAC测序和脓毒症体内模型，揭示了巨噬细胞如何通过NF-κB网络和染色质可及性重编程来编码动态炎症信号的记忆 | 首次展示了巨噬细胞在单细胞水平上通过转录因子和染色质动态协调，对连续炎症信号形成记忆的机制 | 研究主要聚焦于脓毒症模型，可能未涵盖所有炎症条件；单细胞变异性机制仍需进一步探索 | 探究免疫细胞如何编码和解码动态炎症信号，以及巨噬细胞是否保留过去暴露于炎症分子的记忆 | 巨噬细胞 | 机器学习 | 脓毒症 | ATAC测序, 活细胞分析, 转录组分析 | 深度学习 | 序列数据, 转录组数据 | NA | NA | NA | NA | NA |
| 26 | 2026-02-17 |
Brain structural connectomic topology predicts medication response in youth with bipolar disorder: A randomized clinical trial
2025-Feb-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.11.061
PMID:39577502
|
研究论文 | 本研究利用脑结构连接组拓扑特征，通过深度学习模型预测青少年双相情感障碍患者对喹硫平或锂盐的药物反应 | 首次结合基线及用药一周后的脑结构连接组拓扑变化，构建纵向联合深度学习模型，实现了对双相情感障碍药物反应的高精度预测（91.3%） | 需要独立样本验证初步发现 | 开发基于神经影像的生物标志物，预测青少年双相情感障碍患者的药物反应 | 未接受过精神药物治疗的双相情感障碍I型青少年患者 | 数字病理学 | 双相情感障碍 | 结构磁共振成像 | 深度学习 | 图像 | 121名患者 | NA | NA | 准确率 | NA |
| 27 | 2026-02-17 |
A Multicenter Evaluation of the Impact of Therapies on Deep Learning-Based Electrocardiographic Hypertrophic Cardiomyopathy Markers
2025-Feb-15, The American journal of cardiology
DOI:10.1016/j.amjcard.2024.11.028
PMID:39581517
|
研究论文 | 本研究评估了基于深度学习的AI-ECG模型在监测肥厚型心肌病患者接受室间隔减容术和Mavacamten药物治疗后生物反应中的应用 | 首次利用AI-ECG模型对两种不同疗法（手术/介入治疗与口服药物治疗）在肥厚型心肌病中的治疗效果进行系统性比较评估 | 研究为观察性设计，样本量相对有限，且随访时间较短，可能影响结果的普遍性和长期效应评估 | 评估AI-ECG作为监测肥厚型心肌病治疗反应的新策略 | 接受室间隔减容术或Mavacamten药物治疗的肥厚型心肌病患者 | 数字病理学 | 心血管疾病 | AI增强心电图分析 | 深度学习模型 | 心电图图像 | 315名患者（70名来自YNHHS，100名来自CCF，145名来自AHS接受SRT；36名来自YNHHS接受Mavacamten治疗） | NA | NA | AI-ECG HCM评分，Wilcoxon符号秩检验 | NA |
| 28 | 2024-10-18 |
Radiomics-Based Prediction of Patient Demographic Characteristics on Chest Radiographs: Looking Beyond Deep Learning for Risk of Bias
2025-02, AJR. American journal of roentgenology
DOI:10.2214/AJR.24.31963
PMID:39413236
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 29 | 2026-02-15 |
Multi-Image Fusion-Based Defect Detection Method for Real-Time Monitoring of Recoating in Ceramic Additive Manufacturing
2025-Feb, 3D printing and additive manufacturing
IF:2.3Q3
DOI:10.1089/3dp.2023.0285
PMID:40151680
|
研究论文 | 本文提出了一种基于多图像融合和深度学习的缺陷检测方法，用于陶瓷增材制造中实时监测涂覆缺陷 | 结合多图像融合与通道级YOLO（CW-YOLO）方法，通过图像校正技术将侧视涂覆图像转换为俯视图，并引入F1分数作为综合评价指标，显著提升了难以区分缺陷的检测性能 | NA | 开发一种实时监测陶瓷增材制造中涂覆缺陷的方法，以提高工艺稳定性 | 陶瓷增材制造中的涂覆缺陷，如材料短缺和划痕 | 计算机视觉 | NA | 多图像融合，图像校正技术 | YOLO | 图像 | NA | NA | CW-YOLO | F1分数，检测准确率，召回率 | NA |
| 30 | 2026-02-12 |
Clinical Features and Physiological Signals Fusion Network for Mechanical Circulatory Support Need Prediction in Pediatric Cardiac Intensive Care Unit
2025-02, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3510217
PMID:40030552
|
研究论文 | 本研究通过融合临床特征和生理信号，利用机器学习/深度学习集成方法预测儿科心脏重症监护室中机械循环支持的需求 | 首次将血流动力学对正性肌力药物的反应与机械循环支持结果关联，并处理分钟级多传感器数据以早期识别高风险患者，不同于以往仅处理单一特征类型或短期诊断的研究 | 研究基于单一四级医院的儿科心脏重症监护室数据，临床决策在某些情况下可能不直接适用 | 预测儿科心脏重症监护室中急性失代偿性心力衰竭患者对机械循环支持的需求 | 儿科心脏重症监护室中因急性失代偿性心力衰竭入院的患者 | 机器学习 | 心血管疾病 | 血流动力学监测、心电图和动脉血压信号分析 | 机器学习/深度学习集成方法 | 表格临床特征、时间序列、原始波形 | NA | NA | NA | AUC | NA |
| 31 | 2026-02-12 |
Scaling Synthetic Brain Data Generation
2025-02, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3520156
PMID:40030742
|
研究论文 | 本文介绍了Wirehead，一种可扩展的内存数据管道，旨在显著提升神经影像学中深度学习任务的实时合成数据生成性能 | 通过将数据生成与训练解耦，并利用多个独立并行进程运行生成器，实现了接近线性的性能提升，同时使用MongoDB高效处理TB级数据，大幅降低了存储成本 | 揭示了在优化生成与训练平衡以及资源分配方面存在未来研究机会 | 解决神经影像学研究中深度学习应用因数据稀缺而面临的挑战，通过提升合成数据生成效率来加速实验周期 | 合成脑影像数据生成工具SynthSeg及其在深度学习模型训练中的应用 | 神经影像学 | NA | 合成数据生成 | 深度学习模型 | 图像 | NA | NA | NA | 吞吐量提升倍数 | 并行生成器（16至20个） |
| 32 | 2026-02-11 |
Integrating blockchain technology with artificial intelligence for the diagnosis of tibial plateau fractures
2025-Feb-21, European journal of trauma and emergency surgery : official publication of the European Trauma Society
IF:1.9Q2
DOI:10.1007/s00068-025-02793-y
PMID:39984717
|
研究论文 | 本研究评估了整合区块链技术与人工智能的先进诊断模型在急诊环境中识别胫骨平台骨折的可行性和有效性 | 首次将区块链技术与深度学习结合，构建了一个用于胫骨平台骨折检测的分布式网络，实现了无需数据出院的模型训练和参数聚合 | 研究仅在三家独立医院收集图像进行训练和验证，样本来源和多样性可能有限 | 评估整合区块链与人工智能的模型在急诊环境中安全、协作诊断胫骨平台骨折的临床价值 | 胫骨平台骨折患者的医学影像 | 计算机视觉 | 骨科创伤 | 深度学习 | CNN | 图像 | 来自三家独立医院的影像数据，具体数量未明确说明 | NA | YOLOv8n | 准确率, 灵敏度, 特异性, F1分数, AUC | NA |
| 33 | 2026-02-11 |
Impact of deep learning on pediatric elbow fracture detection: a systematic review and meta-analysis
2025-Feb-20, European journal of trauma and emergency surgery : official publication of the European Trauma Society
IF:1.9Q2
DOI:10.1007/s00068-025-02779-w
PMID:39976732
|
系统综述与荟萃分析 | 本研究系统评估了深度学习模型在检测儿童肘部骨折中的性能 | 首次对深度学习模型在儿童肘部骨折检测中的表现进行系统综述与荟萃分析，并强调了预处理技术和模型骨干架构对性能的影响 | 仅纳入了6项符合标准的研究，样本量有限，可能存在发表偏倚 | 评估深度学习模型在儿童肘部骨折检测中的诊断性能 | 0至16岁儿童的肘部骨折 | 计算机视觉 | 儿童肘部骨折 | 深度学习 | 深度学习模型 | 医学影像数据（如X光片） | NA | NA | ResNet | 灵敏度, 特异度, AUC | NA |
| 34 | 2026-02-11 |
Retinal vascular alterations in cognitive impairment: A multicenter study in China
2025-Feb, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.14593
PMID:39988572
|
研究论文 | 本研究通过多中心研究，利用深度学习模型分析认知障碍患者的视网膜血管变化，探索其作为认知功能下降生物标志物的潜力 | 首次在东亚三个地区（上海、香港、宁夏）开展多中心研究，利用VC-Net深度学习模型分割视网膜动静脉网络并提取36个血管特征，发现认知障碍患者血管结构显著改变 | 样本量相对较小（共440名参与者），需要更大规模队列验证，且未深入探讨潜在机制 | 研究认知障碍患者的视网膜血管变化，探索其作为阿尔茨海默病诊断生物标志物的可能性 | 轻度认知障碍（MCI）或阿尔茨海默病（AD）患者及健康对照者 | 数字病理学 | 阿尔茨海默病 | 视网膜成像 | 深度学习 | 图像 | 440名参与者（176名MCI/AD患者，264名对照） | NA | VC-Net | NA | NA |
| 35 | 2026-02-08 |
Predicting RNA structure and dynamics with deep learning and solution scattering
2025-Feb-04, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2024.12.024
PMID:39722452
|
研究论文 | 本文介绍了一种名为SCOPER的RNA溶液构象预测工具，该工具结合了基于运动学的构象采样和深度学习模型IonNet，用于预测RNA在溶液中的结构和动力学，并通过小角X射线散射（SAXS）数据进行验证 | 开发了SCOPER管道，整合了构象采样与创新的深度学习模型IonNet来预测Mg离子结合位点，解决了RNA结构预测中缺乏离子和构象可塑性的挑战 | 需要初始足够准确的结构作为输入，且可能因过度调整可塑性和离子密度而导致过拟合实验SAXS数据 | 预测RNA在溶液中的结构和动力学，并通过SAXS数据验证结构预测的准确性 | RNA分子及其在溶液中的构象 | 机器学习 | NA | 小角X射线散射（SAXS） | 深度学习模型 | 结构数据，SAXS数据 | 14个实验数据集 | NA | IonNet | SAXS剖面拟合质量 | NA |
| 36 | 2026-02-08 |
Deep Learning Analysis of Google Street View to Assess Residential Built Environment and Cardiovascular Risk in a U.S. Midwestern Retrospective Cohort
2025-Feb-04, European journal of preventive cardiology
IF:8.4Q1
DOI:10.1093/eurjpc/zwaf038
PMID:39903569
|
研究论文 | 本研究利用Google街景图像和深度学习技术，分析住宅周围建筑环境特征与心血管事件风险之间的关系 | 首次结合Google街景图像和深度学习技术，大规模量化评估建筑环境特征（如绿化和人行道）与心血管风险的关联 | 研究为回顾性队列设计，需未来研究验证关联性并深入理解其机制 | 探究建筑环境特征（包括住宅绿化和人行道）与心血管风险之间的关系 | 美国俄亥俄州东北部地区的居民 | 计算机视觉 | 心血管疾病 | Google街景图像分析 | 深度学习模型 | 图像 | 49,887名个体 | NA | NA | 风险比（HR），95%置信区间 | NA |
| 37 | 2026-02-07 |
Consequences of training data composition for deep learning models in single-cell biology
2025-Feb-24, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.19.639127
PMID:40060416
|
研究论文 | 本文系统研究了训练数据组成对单细胞转录组学深度学习模型行为的影响，重点关注人类造血系统作为模型系统 | 首次系统探讨训练数据组成对单细胞基础模型性能的影响，揭示了数据多样性对模型泛化能力的重要性 | 研究主要聚焦于人类造血系统，可能限制了结论在其他生物系统或疾病类型中的普适性 | 优化单细胞基础模型的训练数据组成以提高其性能 | 人类造血系统中的单细胞转录组数据 | 机器学习 | NA | 单细胞转录组学 | 深度学习模型 | 单细胞转录组数据 | 包含成人及发育组织、疾病状态和扰动图谱的细胞数据 | NA | NA | NA | NA |
| 38 | 2026-02-06 |
An Explainable Unified Framework of Spatio-Temporal Coupling Learning With Application to Dynamic Brain Functional Connectivity Analysis
2025-02, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3467384
PMID:39320999
|
研究论文 | 本文提出了一种可解释的时空耦合学习统一框架，并应用于动态脑功能连接分析 | 该框架基于时空相关性构建深度学习网络，能有效整合节点表示与节点间连接的时间变化耦合关系，并探索每个时间步的时空演化，提高了分析结果的可解释性 | NA | 开发一个可解释的深度学习框架，用于挖掘时间序列数据中的时空耦合信息，以揭示生物机制 | fMRI和MEG等时间序列数据，特别是大脑动态功能连接 | 机器学习 | NA | fMRI, MEG | 深度学习网络 | 时间序列数据 | NA | NA | NA | NA | NA |
| 39 | 2026-02-03 |
Advanced Distance-Resolved Evaluation of the Perienhancing Tumor Areas with FLAIR Hyperintensity Indicates Different ADC Profiles by MGMT Promoter Methylation Status in Glioblastoma
2025-Feb-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8493
PMID:39848779
|
研究论文 | 本研究利用一种新颖的距离分辨3D评估方法，分析了胶质母细胞瘤（GBM）强化周围浸润区的ADC值，并探讨其与MGMT启动子甲基化状态的关系 | 首次采用距离分辨的3D体积分析方法，量化了GBM肿瘤核心周围不同距离子体积的ADC值，揭示了传统MRI人眼无法察觉的组织特征差异 | 研究为回顾性分析，样本量相对有限（101例），且仅分析了IDH野生型GBM | 探究MGMT启动子甲基化状态是否反映在GBM的MRI标记物（特别是ADC值）上 | IDH野生型胶质母细胞瘤（GBM）患者 | 数字病理学 | 胶质母细胞瘤 | MRI（包括FLAIR序列和ADC图），深度学习分割 | 深度学习模型（具体类型未在摘要中指定） | 3D MRI图像 | 101名患者（其中MGMT启动子甲基化[mMGMT] 43例，未甲基化[uMGMT] 58例） | NA | NA | Wilcoxon符号秩检验的P值 | NA |
| 40 | 2026-02-03 |
Whole-body low-dose computed tomography in patients with newly diagnosed multiple myeloma predicts cytogenetic risk: a deep learning radiogenomics study
2025-Feb, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04733-0
PMID:38937291
|
研究论文 | 本研究开发了一种基于全身低剂量CT的深度学习模型，用于预测多发性骨髓瘤患者的细胞遗传学异常风险 | 首次利用全身低剂量CT扫描结合深度学习技术预测多发性骨髓瘤的细胞遗传学风险，实现了无创性风险分层 | 样本量相对较小（151例患者），且仅基于单中心数据，可能影响模型的泛化能力 | 开发深度学习模型以通过影像学特征预测多发性骨髓瘤的细胞遗传学异常 | 新诊断的多发性骨髓瘤患者 | 数字病理学 | 多发性骨髓瘤 | 荧光原位杂交（FISH），全身低剂量CT（WBLDCT） | 深度学习模型 | 医学影像（CT扫描） | 151例多发性骨髓瘤患者 | NA | NA | AUROC（受试者工作特征曲线下面积） | NA |