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 1213 篇文献，本页显示第 1081 - 1100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1081 | 2024-12-18 |
Correction: Deep learning assists early-detection of hypertension-mediated heart change on ECG signals
2025-Feb, Hypertension research : official journal of the Japanese Society of Hypertension
IF:4.3Q1
DOI:10.1038/s41440-024-01980-5
PMID:39681651
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1082 | 2025-10-07 |
Deep Learning and Numerical Analysis for Bladder Outflow Obstruction and Detrusor Underactivity Diagnosis in Men: A Novel Urodynamic Evaluation Scheme
2025-Feb, Neurourology and urodynamics
IF:1.8Q3
DOI:10.1002/nau.25665
PMID:39803869
|
研究论文 | 开发基于深度学习与短时傅里叶变换的尿动力学评估方案，用于自动诊断男性膀胱出口梗阻和逼尿肌活动不足 | 首次将短时傅里叶变换与深度卷积神经网络结合应用于五通道尿动力学数据诊断 | 研究仅限于男性患者，样本来源仅来自两家医院 | 通过尿动力学检查自动识别和诊断男性下尿路症状患者的膀胱出口梗阻和逼尿肌活动不足 | 1949名接受尿动力学研究的男性患者 | 医疗人工智能 | 泌尿系统疾病 | 尿动力学检查 | CNN | 五通道尿动力学数据（尿流率、尿量、膀胱内压、腹压、逼尿肌压力） | 1949名男性患者（1725名来自武汉大学人民医院，224名来自武汉市中心医院） | NA | 深度卷积神经网络 | AUC | NA |
| 1083 | 2025-10-07 |
Explainable deep learning and virtual evolution identifies antimicrobial peptides with activity against multidrug-resistant human pathogens
2025-Feb, Nature microbiology
IF:20.5Q1
DOI:10.1038/s41564-024-01907-3
PMID:39825096
|
研究论文 | 开发可解释深度学习模型EvoGradient预测抗菌肽活性并通过虚拟进化优化肽序列 | 结合可解释AI与虚拟进化技术，从低丰度口腔细菌中识别并优化抗菌肽 | 仅测试了6种最有效的合成肽，样本量有限 | 识别和优化具有抗多重耐药病原体活性的抗菌肽 | 人类口腔低丰度细菌编码的抗菌肽 | 机器学习 | 多重耐药细菌感染 | 深度学习，虚拟进化 | 深度学习 | 肽序列数据 | 32种虚拟进化肽，其中6种合成测试 | NA | EvoGradient | 细菌载量减少率 | NA |
| 1084 | 2025-02-05 |
Enhancing unsupervised learning in medical image registration through scale-aware context aggregation
2025-Feb-21, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.111734
PMID:39898031
|
研究论文 | 本文介绍了一种名为ScaMorph的无监督学习模型，用于医学图像配准，通过尺度感知的上下文聚合来提高配准效果 | ScaMorph模型结合了多尺度混合卷积和轻量级多尺度上下文融合，有效整合了卷积网络和视觉变换器，解决了多种配准任务 | NA | 提高医学图像配准的无监督学习效果 | 3D医学图像 | 计算机视觉 | NA | 无监督学习 | 卷积网络和视觉变换器 | 3D医学图像 | 五个应用场景的3D医学图像数据集 | NA | NA | NA | NA |
| 1085 | 2025-10-07 |
NIRFluor: A Deep Learning Platform for Rapid Screening of Small Molecule Near-Infrared Fluorophores with Desired Optical Properties
2025-Feb-04, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c01953
PMID:39818744
|
研究论文 | 开发了一个名为NIRFluor的深度学习平台，用于快速筛选具有理想光学性质的小分子近红外荧光团 | 提出了结合摩根指纹、理化性质和溶剂性质的新型混合指纹，并设计了多任务指纹增强图卷积网络(MT-FinGCN)模型 | NA | 加速小分子近红外荧光团的开发和设计 | 小分子近红外荧光团 | 机器学习 | NA | 深度学习 | GCN | 化学结构数据 | 5179个实验大数据 | NA | 多任务指纹增强图卷积网络(MT-FinGCN) | NA | NA |
| 1086 | 2025-10-07 |
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 | 通过新型距离分辨3D评估方法分析胶质母细胞瘤周围浸润区ADC值与MGMT启动子甲基化状态的关系 | 首次采用距离分辨的3D体积分析方法评估胶质母细胞瘤周围FLAIR高信号区的ADC分布特征 | 回顾性研究，样本量有限(n=101)，仅关注IDH野生型胶质母细胞瘤 | 探索MGMT启动子甲基化状态在胶质母细胞瘤MRI标记物中的差异表现 | 101例IDH野生型胶质母细胞瘤患者(mMGMT=43, uMGMT=58) | 数字病理 | 胶质母细胞瘤 | MRI, FLAIR序列, ADC分析, 深度学习分割 | 深度学习 | 3D医学影像 | 101例IDH野生型胶质母细胞瘤患者 | NA | NA | Wilcoxon符号秩检验, P值 | NA |
| 1087 | 2025-10-07 |
Multi-task aquatic toxicity prediction model based on multi-level features fusion
2025-Feb, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2024.06.002
PMID:38844122
|
研究论文 | 提出一种基于多级特征融合的多任务水生毒性预测模型ATFPGT-multi，用于同时预测有机化合物对四种鱼类的急性毒性 | 融合分子指纹和分子图表征分子结构，采用多任务学习框架同时预测多种鱼类毒性，并利用注意力机制识别毒性相关分子片段 | 仅针对四种鱼类进行验证，未涵盖更广泛的水生生物种类 | 开发高精度、高效率的水生毒性预测模型以支持环境保护 | 有机化合物及其对水生生物的毒性效应 | 机器学习 | NA | 深度学习 | 深度神经网络 | 分子指纹、分子图 | 四种鱼类数据集 | NA | 多任务深度学习网络 | AUC | NA |
| 1088 | 2025-10-07 |
Diagnosis and typing of leukemia using a single peripheral blood cell through deep learning
2025-Feb, Cancer science
IF:4.5Q1
DOI:10.1111/cas.16374
PMID:39555724
|
研究论文 | 本研究开发了一种基于深度学习的模型，能够通过单个外周血细胞图像实现白血病的诊断和分型 | 首次提出使用分割增强残差网络结合渐进多粒度训练方法，仅需单个外周血细胞即可完成白血病诊断和分型，避免了侵入性骨髓穿刺 | 模型在非APL病例中的召回率相对较低(74.63%)，样本量有限(237名患者) | 开发非侵入性的白血病诊断和分型方法 | 外周血细胞图像，包括五种良性白细胞和八种白血病细胞 | 数字病理学 | 白血病 | 细胞形态学分析 | CNN | 图像 | 237名患者的21,208张图像 | NA | 增强残差网络 | 精确率,召回率,F1分数 | NA |
| 1089 | 2025-10-07 |
Current status and future direction of cancer research using artificial intelligence for clinical application
2025-Feb, Cancer science
IF:4.5Q1
DOI:10.1111/cas.16395
PMID:39557634
|
综述 | 介绍基于人工智能的癌症研究现状，重点讨论临床应用视角下的挑战与未来方向 | 聚焦生成式AI技术在癌症研究中的最新进展，特别关注AI医疗软件设备的监管审批现状 | NA | 促进利用有效AI技术的癌症研究发展 | 人工智能在癌症研究中的应用 | 机器学习 | 癌症 | 深度学习 | NA | 大数据 | NA | NA | NA | NA | NA |
| 1090 | 2025-10-07 |
Artificial Intelligence In Health And Health Care: Priorities For Action
2025-Feb, Health affairs (Project Hope)
DOI:10.1377/hlthaff.2024.01003
PMID:39841940
|
评论 | 本文阐述了在医疗健康领域应用人工智能的优先行动方向，重点关注安全性、有效性和公平性 | 提出了医疗AI发展的四个战略重点领域，为2025年总统政府提供政策指导 | NA | 为医疗健康领域人工智能的安全有效应用提供战略指导 | 医疗健康领域的人工智能应用 | 机器学习 | NA | 深度学习，生成式AI | NA | NA | NA | NA | NA | NA | NA |
| 1091 | 2025-10-07 |
Informatics strategies for early detection and risk mitigation in pancreatic cancer patients
2025-Feb, Neoplasia (New York, N.Y.)
DOI:10.1016/j.neo.2025.101129
PMID:39842383
|
综述 | 全面概述胰腺癌筛查、诊断和早期检测的现状，重点关注高危人群筛查策略和新兴检测技术 | 强调人工智能驱动方法在早期检测中的潜力，整合液体活检技术和传统诊断方法 | 主要基于现有文献综述，缺乏原始实验数据验证 | 改善胰腺癌早期检测和风险缓解策略 | 胰腺癌高危人群，特别是有家族遗传倾向和基因突变（BRCA1、BRCA2、PALB2）的个体 | 数字病理 | 胰腺癌 | 内镜超声（EUS）、对比增强谐波成像（CEH-EUS）、液体活检、循环肿瘤DNA（ctDNA）分析 | 深度学习 | 医学影像、生物标志物数据、基因数据 | NA | NA | NA | 灵敏度 | NA |
| 1092 | 2025-10-07 |
Deep learning methods for proteome-scale interaction prediction
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2024.102981
PMID:39848140
|
综述 | 本文综述了深度学习在蛋白质组规模相互作用预测中的最新进展与应用 | 系统总结基于结构的深度学习方法在克服当前预测局限性方面的潜力 | 数据质量和验证偏差等挑战仍然存在 | 推动蛋白质相互作用预测以促进生物学研究和药物发现 | 蛋白质-蛋白质和蛋白质-配体相互作用 | 机器学习 | NA | 深度学习 | NA | 蛋白质相互作用数据、结构信息 | NA | NA | NA | NA | NA |
| 1093 | 2025-10-07 |
Challenges and compromises: Predicting unbound antibody structures with deep learning
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.102983
PMID:39862761
|
研究论文 | 本文探讨了利用深度学习预测未结合抗体结构的挑战与折衷方案 | 提出生成模型可能解决未结合抗体结构预测中的构象异质性挑战 | 结构数据偏向抗体-抗原复合物导致类别不平衡，可能限制模型对未结合形式的泛化能力 | 改进未结合抗体结构的预测方法以优化抗体开发流程 | 治疗性抗体及其未结合形式的结构 | 机器学习 | NA | 深度学习 | 生成模型 | 结构数据 | NA | NA | NA | NA | NA |
| 1094 | 2025-10-07 |
Development and evaluation of a deep learning model to reduce exomass-related metal artefacts in cone-beam CT: an ex vivo study using porcine mandibles
2025-Feb-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae062
PMID:39589904
|
研究论文 | 开发并评估用于减少锥形束CT中外源性金属伪影的深度学习模型 | 首次使用条件去噪扩散概率模型校正锥形束CT中的外源性金属伪影 | 仅使用猪下颌骨进行体外研究，样本量较小 | 减少锥形束CT中外源性金属植入物引起的伪影 | 猪下颌骨及钛、钛锆、氧化锆牙科种植体 | 医学影像处理 | 口腔疾病 | 锥形束CT扫描 | 条件去噪扩散概率模型 | CT影像 | 5个猪下颌骨，每个含6个放射不透明溶液管，最多植入3个种植体 | 深度学习 | 条件去噪扩散概率模型 | 对比噪声比, 图像质量评分 | NA |
| 1095 | 2025-02-05 |
HEDDI-Net: heterogeneous network embedding for drug-disease association prediction and drug repurposing, with application to Alzheimer's disease
2025-Feb-01, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-024-05938-6
PMID:39891114
|
研究论文 | 本文介绍了一种名为HEDDI-Net的异质网络嵌入架构，用于预测药物-疾病关联和药物再利用，特别是在阿尔茨海默病中的应用 | HEDDI-Net能够直接应用于新的疾病和药物，无需重新训练，这是大多数基于GCN的方法所不具备的。此外，HEDDI-Net提供了详细的亲和力模式，有助于理解候选药物的生理效应 | 尽管HEDDI-Net在预测药物-疾病关联方面表现出色，但其在稀疏网络中的表现仍需进一步验证 | 开发一种能够准确预测药物-疾病关联并保持生物机制可解释性的方法，以支持药物再利用 | 药物和疾病，特别是阿尔茨海默病 | 机器学习 | 阿尔茨海默病 | 图神经网络（GCN）和浅层学习技术 | 多层感知机（MLP） | 网络数据 | NA | NA | NA | NA | NA |
| 1096 | 2025-02-05 |
Predicting carbon dioxide emissions using deep learning and Ninja metaheuristic optimization algorithm
2025-Feb-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86251-0
PMID:39893234
|
研究论文 | 本文提出了一种基于深度学习和Ninja元启发式优化算法的高精度预测二氧化碳排放的新方法 | 使用DPRNNs模型结合NiOA优化算法，能够有效捕捉数据中的短期和长期时间依赖性，并通过PCA和BSS技术进行数据预处理以提高预测精度 | 研究仅针对二氧化碳排放，未涵盖其他温室气体，且未实现实时跟踪 | 开发一种高精度的二氧化碳排放预测方法 | 二氧化碳排放数据 | 机器学习 | NA | PCA, BSS, NiOA | DPRNNs | 时间序列数据 | NA | NA | NA | NA | NA |
| 1097 | 2025-02-05 |
Observational study of sudden cardiac arrest risk (OSCAR): Rationale and design of an electronic health records cohort
2025-Feb, International journal of cardiology. Heart & vasculature
DOI:10.1016/j.ijcha.2025.101614
PMID:39897418
|
研究论文 | 本文描述了基于电子健康记录（EHR）的队列研究OSCAR，旨在评估心脏骤停（SCA）的预测因素 | 利用电子健康记录（EHR）和人工智能技术（如自然语言处理和深度学习）来定义患者表型，并结合生物统计学和机器学习方法进行分析 | 研究依赖于电子健康记录的数据质量，可能存在数据缺失或不准确的问题 | 评估心脏骤停（SCA）的预测因素，改进风险预测模型 | 洛杉矶县居民，特别是那些在Cedars-Sinai健康系统（CSHS）接受常规医疗的患者 | 机器学习 | 心血管疾病 | 自然语言处理，深度学习 | NA | 电子健康记录（EHR） | 379,833名洛杉矶县居民 | NA | NA | NA | NA |
| 1098 | 2025-10-07 |
Brain tumor detection and segmentation using deep learning
2025-Feb, Magma (New York, N.Y.)
DOI:10.1007/s10334-024-01203-5
PMID:39231857
|
研究论文 | 本研究比较了不同目标检测算法在脑肿瘤检测中的性能，并提出将最佳检测网络与2D U-Net结合用于肿瘤分割 | 首次系统比较Faster R-CNN、YOLO和SSD在脑肿瘤检测中的性能，并提出YOLOv5与2D U-Net级联的新方法 | 研究主要基于特定数据集（BTF和BRATS 2018），在其他数据集上的泛化能力有待验证 | 开发准确的脑肿瘤检测、分类和分割方法 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | CNN | 医学图像 | BTF数据集和BRATS 2018数据集 | NA | Faster R-CNN, YOLOv5, SSD, 2D U-Net, Mask R-CNN | mAP, DSC | NA |
| 1099 | 2025-02-04 |
A comprehensive review on early detection of drusen patterns in age-related macular degeneration using deep learning models
2025-Feb, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2024.104454
PMID:39716627
|
综述 | 本文综述了使用深度学习模型早期检测年龄相关性黄斑变性（AMD）中玻璃膜疣模式的全面研究 | 提出了一种基于深度学习的模型，通过结合局部和全局知识来优化AMD早期阶段的玻璃膜疣检测 | 现有模型由于眼底图像分辨率问题，难以准确预测玻璃膜疣区域 | 研究目的是通过深度学习技术早期检测AMD中的玻璃膜疣模式 | 研究对象是年龄相关性黄斑变性（AMD）患者的眼底图像 | 计算机视觉 | 老年疾病 | 深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1100 | 2025-02-04 |
Multi-Dimensional Features Extraction for Voice Pathology Detection Based on Deep Learning Methods
2025-Feb-01, Journal of voice : official journal of the Voice Foundation
IF:2.5Q1
DOI:10.1016/j.jvoice.2024.12.048
PMID:39894721
|
研究论文 | 本文提出了一种基于深度学习的多维特征提取方法，用于语音病理检测 | 提出了一种结合Gammatonegram特征与TKEO Scalogram特征的特征提取方案，命名为CGT Scalogram | NA | 提高语音病理检测的准确性 | 健康语音与病理语音 | 自然语言处理 | 语音障碍 | 深度学习 | ResNet | 语音信号 | Saarbrucken语音数据库 | NA | NA | NA | NA |