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 1205 篇文献，本页显示第 521 - 540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 521 | 2025-05-03 |
Diffusion transformer model with compact prior for low-dose PET reconstruction
2025-Feb-07, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adac25
PMID:39832449
|
研究论文 | 提出一种基于扩散变换器模型（DTM）和紧凑先验的低剂量PET重建方法，以提高图像重建质量 | 首次将扩散模型和变换器模型结合用于PET重建，通过病灶细化块和交替方向乘子法增强病灶区域的恢复能力和细节保留 | 未提及具体的数据集规模或模型计算复杂度 | 提高低剂量PET图像的重建质量，减少辐射暴露同时保证可靠的成像效果 | 低剂量PET图像 | 数字病理 | NA | 扩散变换器模型（DTM） | 扩散模型与Transformer结合 | 医学图像（PET） | NA | NA | NA | NA | NA |
| 522 | 2025-05-02 |
White matter hyperintensities regress at a high rate at three months after minor ischemic stroke or transient ischemic attack
2025-Feb, Journal of neuroradiology = Journal de neuroradiologie
DOI:10.1016/j.neurad.2024.101239
PMID:39798248
|
研究论文 | 研究探讨轻微缺血性卒中或短暂性脑缺血发作后三个月内白质高信号（WMH）的早期消退情况及其影响因素 | 首次报道WMH在轻微缺血性卒中或短暂性脑缺血发作后三个月内即可出现消退，并识别了影响消退的因素 | 样本量较小（98例患者），且为回顾性分析 | 探究WMH在轻微缺血性卒中或短暂性脑缺血发作后的早期消退情况及影响因素 | 轻微缺血性卒中或短暂性脑缺血发作患者 | 数字病理学 | 心血管疾病 | 脑MRI | 深度学习算法 | 图像 | 98例轻微缺血性卒中或短暂性脑缺血发作患者 | NA | NA | NA | NA |
| 523 | 2025-10-07 |
Pneumonia Detection Using Enhanced Convolutional Neural Network Model on Chest X-Ray Images
2025-02, Big data
IF:2.6Q2
DOI:10.1089/big.2022.0261
PMID:37074075
|
研究论文 | 本研究开发了多种深度学习模型用于胸部X光图像的肺炎检测 | 提出了增强型CNN模型，在肺炎检测任务中取得了92.4%的最高准确率，优于传统集成方法和现有先进方法 | 数据集仅包含5863张胸部X光图像，可能需要进行更大规模的数据验证 | 开发肺炎检测模型并比较不同模型的性能 | 胸部X光图像 | 计算机视觉 | 肺炎 | X射线成像 | CNN | 图像 | 5863张胸部X光图像 | NA | 增强型CNN,VGG-19,ResNet-50 | 准确率,精确率,召回率,损失值,AUC | NA |
| 524 | 2025-10-07 |
The intelligent fault identification method based on multi-source information fusion and deep learning
2025-Feb-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90823-5
PMID:39994344
|
研究论文 | 提出一种基于多源信息融合和深度学习的智能断层识别方法 | 通过多源信息融合增强断层形态特征，结合机器学习特征重要性分析和卷积神经网络实现智能断层识别 | 方法仅在金寨县南部区域进行验证，未在其他地质区域测试泛化能力 | 实现断层的快速、精确和智能识别 | 地质断层结构 | 计算机视觉 | NA | 多源信息融合、遥感影像分析 | CNN, 机器学习方法 | 遥感影像、数字高程模型、地质图 | NA | NA | 卷积神经网络 | 准确率, 真正率, F1分数, 验证准确率, 验证损失 | NA |
| 525 | 2025-10-07 |
Automated gradation design of natural waste gravel soil stabilized by composite soil stabilizer based on a novel DNNSS-APDM-PFC model
2025-Feb-15, Waste management (New York, N.Y.)
DOI:10.1016/j.wasman.2024.12.046
PMID:39778231
|
研究论文 | 提出一种基于DNNSS-APDM-PFC模型的复合土壤稳定剂稳定废弃碎石土自动级配设计方法 | 开发了适用于小样本的深度学习神经网络(DNNSS)，结合中国沥青路面设计方法(APDM)和颗粒流代码(PFC)构建新型集成模型 | 基于小样本数据训练，模型泛化能力需进一步验证 | 实现废弃碎石土的自动化级配设计和性能分析 | 复合土壤稳定剂稳定的废弃碎石土(CSSWGS) | 机器学习 | NA | 颗粒流代码(PFC)，沥青路面设计方法(APDM) | 深度学习神经网络 | 工程性能数据 | 小样本数据集 | NA | DNNSS | 无侧限抗压强度(UCS)，抗冻性，加州承载比(CBR) | NA |
| 526 | 2025-10-07 |
NovoRank: Refinement for De Novo Peptide Sequencing Based on Spectral Clustering and Deep Learning
2025-Feb-07, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.4c00300
PMID:39739539
|
研究论文 | 提出NovoRank后处理工具，通过谱图聚类和深度学习改进从头肽段测序的准确性 | 结合谱图聚类和深度学习模型，利用聚类衍生的蛋白质组学特征和单个谱图特征重新排序候选肽段 | NA | 提高从头肽段测序工具的肽段识别准确性 | 质谱谱图和肽段序列 | 生物信息学 | NA | 质谱分析，从头肽段测序 | 深度学习 | 质谱谱图数据 | NA | NA | NA | 召回率，精确度，肽段-谱图匹配水平 | NA |
| 527 | 2025-10-07 |
Predicting benefit from PARP inhibitors using deep learning on H&E-stained ovarian cancer slides
2025-Feb-05, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2024.115199
PMID:39742559
|
研究论文 | 本研究开发了一种基于深度学习的模型，通过分析H&E染色的卵巢癌全切片图像来预测PARP抑制剂的疗效 | 首次尝试直接使用组织学全切片图像预测PARP抑制剂疗效，避免了复杂的分子检测 | 外部验证性能较低(AUROC 57%)，需要更大样本量和进一步方法学改进才能达到临床应用标准 | 开发基于深度学习的PARP抑制剂疗效预测方法 | 卵巢癌患者 | 数字病理学 | 卵巢癌 | H&E染色全切片图像分析 | 深度学习模型 | 图像 | AGO-TR1队列208例(108训练，100测试)，PAOLA-1队列447例 | NA | NA | AUROC, Kaplan-Meier分析, 无进展生存期 | NA |
| 528 | 2025-10-07 |
Peripheral nerve injury induces dystonia-like movements and dysregulation in the energy metabolism: A multi-omics descriptive study in Thap1+/- mice
2025-Feb, Neurobiology of disease
IF:5.1Q1
DOI:10.1016/j.nbd.2024.106783
PMID:39732371
|
研究论文 | 本研究通过坐骨神经损伤诱导Thap1+/-小鼠出现肌张力障碍样运动，并揭示能量代谢失调的病理机制 | 首次结合基因-环境相互作用和多组学分析方法，揭示外周神经损伤如何触发遗传易感个体的肌张力障碍表型 | 研究仅使用小鼠模型，结果向人类疾病的转化需要进一步验证 | 探究DYT-THAP1肌张力障碍的基因-环境相互作用机制 | Thap1+/-基因敲除小鼠模型 | 生物医学研究 | 肌张力障碍 | 多组学分析，坐骨神经挤压损伤，深度学习行为分析 | 深度学习算法 | 行为视频数据，多组学数据 | Thap1+/-小鼠和野生型小鼠分组实验 | NA | NA | 肌张力障碍样运动评分 | NA |
| 529 | 2025-10-07 |
Non-Invasive Diagnosis of Moyamoya Disease Using Serum Metabolic Fingerprints and Machine Learning
2025-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202405580
PMID:39737836
|
研究论文 | 本研究利用血清代谢指纹和深度学习算法开发了烟雾病的无创诊断方法 | 首次将纳米颗粒增强激光解吸/电离质谱技术与深度学习相结合用于烟雾病的无创诊断 | 未提及样本规模的局限性或外部验证结果 | 建立烟雾病的无创诊断方法 | 烟雾病患者和健康对照者的血清样本 | 机器学习 | 脑血管疾病 | 纳米颗粒增强激光解吸/电离质谱 | 深度学习 | 血清代谢指纹数据 | NA | NA | NA | AUC | NA |
| 530 | 2025-10-07 |
Vibrational fiber photometry: label-free and reporter-free minimally invasive Raman spectroscopy deep in the mouse brain
2025-Feb, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02557-3
PMID:39741190
|
研究论文 | 开发了一种名为振动光纤光度法的无标记、无报告基因的微创拉曼光谱技术，用于深部小鼠脑区的生物分子监测 | 首次将自发拉曼光谱与锥形光纤探针结合，实现无标记深部脑区分子监测，并引入深度学习算法抑制探针背景信号 | 技术仍处于开发阶段，尚未在更广泛的生物模型或临床环境中验证 | 开发无标记光学技术监测大脑发育、衰老或疾病过程中的生物分子变化 | 小鼠大脑深部区域 | 生物医学光学 | 脑外伤、脑转移瘤 | 自发拉曼光谱、振动光纤光度法 | 深度学习 | 拉曼光谱数据 | 小鼠脑组织 | NA | NA | 高准确度 | NA |
| 531 | 2025-10-07 |
Molecular Display of the Animal Meta-Venome for Discovery of Novel Therapeutic Peptides
2025-Feb, Molecular & cellular proteomics : MCP
IF:6.1Q1
DOI:10.1016/j.mcpro.2024.100901
PMID:39746545
|
研究论文 | 开发了一种计算方法来设计动物毒液和元毒液库，通过噬菌体展示技术发现靶向人类瘙痒受体的新型治疗肽 | 首创计算设计高度多样化的动物毒液和元毒液库，结合可编程M13超噬菌体展示技术实现单轮定量生物淘选 | 未提及方法在更广泛受体靶点筛选中的适用性 | 发现靶向人类瘙痒受体的新型治疗肽 | 动物毒液和元毒液库中的Kunitz型结构域蛋白 | 计算生物学 | 瘙痒相关疾病 | M13噬菌体展示, 高通量DNA测序, 深度学习 | 深度学习 | 蛋白质序列数据, 结构数据 | 高度多样化的动物毒液和元毒液库 | NA | NA | NA | NA |
| 532 | 2025-10-07 |
Multi-institutional development and testing of attention-enhanced deep learning segmentation of thyroid nodules on ultrasound
2025-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03294-w
PMID:39751996
|
研究论文 | 开发并验证了一种基于注意力增强深度学习的甲状腺结节超声自动分割系统 | 采用带有注意力权重函数的AttU-Net架构，并在多机构数据集上进行独立测试验证 | 仅使用两个医疗机构的回顾性数据，需要进一步整合到自动分类系统中 | 开发自动甲状腺结节超声分割算法以支持风险分层系统 | 甲状腺结节患者 | 医学影像分析 | 甲状腺结节 | 超声成像 | 深度学习 | 超声图像 | 520名患者的1595张甲状腺超声图像 | NA | AttU-Net | Dice相似系数, Hausdorff距离百分比 | NA |
| 533 | 2025-10-07 |
Artificial Intelligence and Cancer Health Equity: Bridging the Divide or Widening the Gap
2025-Feb, Current oncology reports
IF:4.7Q1
DOI:10.1007/s11912-024-01627-1
PMID:39753817
|
综述 | 评估人工智能对癌症健康公平性的影响，分析AI是缩小还是扩大癌症结局差异 | 首次系统评估AI技术在癌症健康公平性领域的双刃剑作用，提出包容性数据集和伦理框架的解决方案 | 作为综述文章未包含原始数据研究，主要基于现有文献分析 | 探讨人工智能对癌症健康公平性的影响机制和发展方向 | 人工智能在癌症诊疗中的应用及其对不同人群的影响 | 医疗人工智能 | 癌症 | 深度学习、预测分析 | 深度学习模型 | 医疗数据 | NA | NA | NA | NA | NA |
| 534 | 2025-10-07 |
Inferring multi-slice spatially resolved gene expression from H&E-stained histology images with STMCL
2025-Feb, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.11.016
PMID:39755346
|
研究论文 | 提出一种名为STMCL的多模态对比学习框架，用于从H&E染色组织学图像推断空间基因表达 | 首次整合组织学图像、基因表达特征和空间位置信息的多模态对比学习框架，能够预测多切片空间基因表达 | 仅测试了10X Genomics平台生成的四种多切片空间转录组数据集 | 开发从H&E染色组织学图像预测空间基因表达的低成本方法 | 空间转录组数据和H&E染色组织学图像 | 数字病理学 | 癌症 | 空间转录组学，H&E染色 | 深度学习，对比学习 | 图像，基因表达数据 | 四种多切片空间转录组数据集 | NA | STMCL | 空间基因表达预测准确性，基因表达模式保持能力 | NA |
| 535 | 2025-10-07 |
A Novel RAGE Modulator Induces Soluble RAGE to Reduce BACE1 Expression in Alzheimer's Disease
2025-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202407812
PMID:39755927
|
研究论文 | 本研究探索抗癌药物6-硫代鸟苷通过调节RAGE降低BACE1表达，改善阿尔茨海默病病理 | 首次发现抗癌药物6-TG可直接与RAGE相互作用，通过JAK2-STAT1通路调节BACE1表达并提高脑内sRAGE水平 | 研究主要基于AD小鼠模型，尚未在人类临床试验中验证 | 探索通过降低BACE1表达来减轻阿尔茨海默病病理的新策略 | 阿尔茨海默病小鼠模型、β-分泌酶(BACE1)、晚期糖基化终末产物受体(RAGE) | 数字病理 | 阿尔茨海默病 | 表面等离子共振分析、深度学习靶点识别 | 深度学习 | 生物分子相互作用数据、行为学数据 | AD小鼠模型 | NA | NA | BACE1表达水平、Aβ积累量、认知功能改善、小胶质细胞吞噬活性 | NA |
| 536 | 2025-10-07 |
Enhancing meteorological data reliability: An explainable deep learning method for anomaly detection
2025-Feb, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2024.124011
PMID:39765064
|
研究论文 | 提出一种基于自编码器、SHAP和贝叶斯优化的可解释深度学习方法，用于气象观测数据的异常检测 | 结合自编码器、SHAP解释性分析和贝叶斯优化，开发了可解释的异常检测方法，并采用K-sigma阈值自动划分方法适应不同观测站点的数据特征 | 未明确说明模型在不同气候条件下的泛化能力以及计算效率的具体表现 | 提高气象观测数据的可靠性，实现及时准确的数据异常检测 | 气象观测数据 | 机器学习 | NA | 深度学习异常检测 | 自编码器(AE) | 多维气象数据集 | NA | NA | 自编码器 | NA | NA |
| 537 | 2025-10-07 |
Effect of magnetic field strength and segmentation variability on the reproducibility and repeatability of radiomic texture features in cardiovascular magnetic resonance parametric mapping
2025-Feb, The international journal of cardiovascular imaging
DOI:10.1007/s10554-024-03312-7
PMID:39776324
|
研究论文 | 评估心肌放射组学纹理特征对磁场强度差异和分割变异性的鲁棒性 | 首次系统评估放射组学纹理特征在心血管磁共振参数映射中对扫描仪场强差异和分割变异性的敏感度 | 样本量较小（仅15名健康志愿者），仅使用西门子扫描仪，结果可能不适用于其他厂商设备 | 评估放射组学纹理特征在临床实践中的可靠性 | 健康志愿者的心脏磁共振T1映射图像 | 医学影像分析 | 心血管疾病 | 心血管磁共振成像，放射组学分析 | 深度学习模型 | 医学影像 | 15名健康志愿者的45对CMR T1映射图像（1.5T和3T各15个） | NA | 蒙特卡洛Dropout | 组内相关系数 | NA |
| 538 | 2025-10-07 |
Unraveling Spatial Heterogeneity in Mass Spectrometry Imaging Data with GraphMSI
2025-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202410840
PMID:39778027
|
研究论文 | 提出一种基于深度学习的GraphMSI方法，用于增强质谱成像数据的空间异质性分析 | 首次将代谢谱与空间信息整合到图神经网络中，提供两种可选增强模式（涂鸦交互和知识迁移）来改进分割结果 | 未明确说明方法在特定组织类型或疾病中的适用性限制 | 开发一种能够客观分割质谱成像数据中生物组织区域的新方法 | 质谱成像数据中的代谢异质性区域 | 计算生物学 | NA | 质谱成像 | 图神经网络 | 质谱成像数据 | NA | NA | GraphMSI | 视觉检查，定量评估 | 降低计算需求，支持更有效的三维MSI分割 |
| 539 | 2025-10-07 |
Hierarchical Graph Attention Network with Positive and Negative Attentions for Improved Interpretability: ISA-PN
2025-Feb-10, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01035
PMID:39654089
|
研究论文 | 提出一种具有正负注意力机制的分层图注意力网络ISA-PN，用于增强分子结构-性质关系的可解释性 | 开发了可解释子图注意力网络ISA-PN，通过正负注意力流量化分子子结构对分子性质的贡献 | 主要在水溶性数据集上评估可解释性，其他性质数据集的验证相对有限 | 提高深度学习模型在化学和材料科学中的可解释性 | 分子结构-性质关系 | 机器学习 | NA | 深度学习 | 图注意力网络 | 分子结构数据 | NA | NA | 分层图注意力网络, ISA-PN, GC-Net | 准确率, 可解释性评估 | NA |
| 540 | 2025-10-07 |
Predicting gene expression from histone marks using chromatin deep learning models depends on histone mark function, regulatory distance and cellular states
2025-Feb-08, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae1212
PMID:39660643
|
研究论文 | 本研究通过深度学习模型分析组蛋白标记与基因表达的关系，揭示了组蛋白标记功能、基因组距离和细胞状态对转录预测的共同影响 | 在11种细胞类型中系统研究7种组蛋白标记，首次综合考虑细胞状态、组蛋白标记功能和远端调控效应这三个关键因素 | 模型预测能力受限于所研究的组蛋白标记类型和细胞状态范围 | 探索组蛋白标记活性与基因表达之间的复杂关系 | 7种组蛋白标记在11种不同细胞类型中的活性模式 | 计算生物学 | NA | 染色质深度学习模型，组蛋白标记扰动分析 | CNN, 注意力机制模型 | 组蛋白标记数据，基因表达数据 | 11种细胞类型，7种组蛋白标记 | NA | 卷积神经网络，基于注意力的模型 | NA | NA |