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 1352 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2025-10-06 |
Machine learning for the rElapse risk eValuation in acute biliary pancreatitis: The deep learning MINERVA study protocol
2025-03-03, World journal of emergency surgery : WJES
IF:6.0Q1
DOI:10.1186/s13017-025-00594-7
PMID:40033414
|
研究论文 | 开发并验证用于预测轻度急性胆源性胰腺炎复发风险的深度学习模型 | 首次将卷积神经网络与核主成分分析结合，通过空间变量转换和图像化处理预测胰腺炎复发风险 | 研究仅限于意大利多家医院，样本来源相对单一；排除了重症胰腺炎患者 | 预测轻度急性胆源性胰腺炎患者的复发风险，改善临床决策 | 符合修订版亚特兰大标准的轻度急性胆源性胰腺炎成年患者 | 医疗人工智能 | 胰腺疾病 | 机器学习，深度学习 | CNN | 临床和人口统计学变量 | 结合MANCTRA-1研究的回顾性数据和前瞻性数据收集 | NA | 卷积神经网络 | 准确率，精确率，召回率，AUC | NA |
| 182 | 2025-10-06 |
Segment Anything for Microscopy
2025-Mar, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02580-4
PMID:39939717
|
研究论文 | 开发基于Segment Anything的显微镜图像分割工具μSAM，通过微调通用模型提升多种显微镜成像条件下的分割质量 | 首次将视觉基础模型应用于显微镜领域，通过微调策略显著提升分割性能，并提供跨显微镜模态的统一解决方案 | NA | 解决显微镜图像中目标分割的准确性问题，开发通用分割工具 | 显微镜图像中的目标分割与追踪 | 计算机视觉 | NA | 光学显微镜，电子显微镜 | 基础视觉模型 | 显微镜图像 | NA | NA | Segment Anything | 分割质量 | NA |
| 183 | 2025-10-06 |
[Nobel Prize in physics 2024 : John J. Hopfield and Geoffrey E. Hinton. From Hopfield and Hinton to AlphaFold: The 2024 Nobel Prize honors the pioneers of deep learning]
2025-Mar, Medecine sciences : M/S
DOI:10.1051/medsci/2025036
PMID:40117553
|
评论 | 回顾2024年诺贝尔物理学奖得主John J. Hopfield和Geoffrey E. Hinton的职业生涯及其在人工神经网络领域的开创性贡献 | NA | NA | 追溯两位诺贝尔奖得主的科研历程并强调他们对深度学习的先驱性贡献 | John J. Hopfield和Geoffrey E. Hinton的研究工作 | 机器学习 | NA | 人工神经网络 | NA | 图像 | NA | NA | Hopfield网络 | NA | NA |
| 184 | 2025-10-06 |
Strategies to include prior knowledge in omics analysis with deep neural networks
2025-Mar-14, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101203
PMID:40182174
|
综述 | 本文综述了在深度神经网络中整合先验知识以分析组学数据的三种主要策略 | 系统总结了利用生物先验知识指导深度神经网络处理高维组学数据的方法，特别关注了新兴的图神经网络架构 | NA | 探讨如何在组学数据分析中利用深度神经网络整合先验知识以提高预测性能 | 分子谱数据和生物先验知识 | 机器学习 | NA | 高通量分子分析技术 | 深度神经网络, 图神经网络 | 分子谱数据 | NA | NA | NA | NA | NA |
| 185 | 2025-06-07 |
Burnout crisis in Chinese radiology: will artificial intelligence help?
2025-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11206-4
PMID:39567429
|
research paper | 评估人工智能（AI）软件使用与中国医院放射科职业倦怠之间的相关性 | 首次量化研究AI软件使用与放射科人员职业倦怠的关系，并发现AI使用时长与倦怠程度呈显著负相关 | 研究设计为横断面研究，无法确定因果关系 | 探讨AI在减轻放射科人员职业倦怠方面的作用 | 中国68家公立医院的放射科医生和技术人员 | digital pathology | NA | 问卷调查（MBI-HSS量表和AI使用问卷） | NA | survey data | 522名放射科工作人员 | NA | NA | NA | NA |
| 186 | 2025-06-07 |
Colorectal cancer classification using weakly annotated whole slide images: Multiple instance learning optimization study
2025-Mar, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109649
PMID:39798507
|
研究论文 | 本研究利用深度学习技术，通过弱标注的组织病理学全切片图像（WSIs）研究结直肠癌（CRC）分类问题 | 提出了与多实例学习（MIL）集成的WSI标签预测函数，显著提高了WSI级别分类的性能 | NA | 开发高效的计算机辅助诊断（CAD）系统，用于结直肠癌的早期检测和分类 | 结直肠癌的组织病理学全切片图像 | 数字病理学 | 结直肠癌 | 深度学习 | 多实例学习（MIL） | 图像 | NA | NA | NA | NA | NA |
| 187 | 2025-06-05 |
Deep learning-based breast MRI for predicting axillary lymph node metastasis: a systematic review and meta-analysis
2025-Mar-31, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00863-3
PMID:40165212
|
meta-analysis | 评估深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 首次系统评价和荟萃分析深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 研究间存在中度异质性（I2=61%和60%） | 评估深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 乳腺癌患者 | digital pathology | breast cancer | MRI | deep learning | image | 10项研究 | NA | NA | NA | NA |
| 188 | 2025-06-05 |
CoupleVAE: coupled variational autoencoders for predicting perturbational single-cell RNA sequencing data
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf126
PMID:40178283
|
研究论文 | 本文提出了一种名为CoupleVAE的新型深度学习方法，用于预测扰动后的单细胞RNA测序数据 | CoupleVAE由两个耦合的VAE组成，通过耦合器在潜在空间中进行更复杂的细胞状态转换 | NA | 预测单细胞扰动响应，以理解生物体的功能和行为 | 单细胞RNA测序数据 | 计算生物学 | NA | 单细胞RNA测序 | VAE（变分自编码器） | RNA测序数据 | 三个真实数据集（感染、刺激和跨物种预测） | NA | NA | NA | NA |
| 189 | 2025-06-05 |
Brain tumor segmentation and detection in MRI using convolutional neural networks and VGG16
2025-Mar, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.1177/18758592241311184
PMID:40183298
|
research paper | 本研究探讨了使用卷积神经网络（CNN）和VGG16在MRI图像中自动检测和分类脑肿瘤的方法 | 提出了一种能够预测分割性能并检测失败事件的深度学习模型，通过mIoU指标提高语义分割的准确性和失败检测 | 未提及具体的数据集大小或多样性限制，也未讨论模型在不同类型脑肿瘤上的泛化能力 | 开发一个自动化的脑肿瘤检测系统，以提高诊断速度和准确性 | MRI图像中的脑肿瘤 | digital pathology | brain tumor | deep learning, image processing | CNN, VGG16 | image | NA | NA | NA | NA | NA |
| 190 | 2025-10-06 |
Global output of clinical application research on artificial intelligence in the past decade: a scientometric study and science mapping
2025-03-15, Systematic reviews
IF:6.3Q1
DOI:10.1186/s13643-025-02779-2
PMID:40089747
|
研究论文 | 通过科学计量学方法分析过去十年人工智能临床应用研究的现状、热点和发展趋势 | 首次对人工智能临床研究领域进行全面的科学计量分析，识别研究热点和新兴趋势 | 仅基于Web of Science数据库，可能遗漏其他数据库的重要文献 | 分析人工智能临床应用研究的现状、热点和发展趋势 | 人工智能临床应用相关的研究文献 | 机器学习 | NA | 科学计量分析，文献计量学 | NA | 文献数据 | 22,583篇文章，其中735篇人工智能临床应用研究 | VOSviewer, CiteSpace, SciMAT | NA | 发文量，被引频次，爆发词检测 | NA |
| 191 | 2025-10-06 |
A systematic review on the impact of artificial intelligence on electrocardiograms in cardiology
2025-Mar, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2024.105753
PMID:39674006
|
系统综述 | 本文系统综述了人工智能在心电图分析中对心脏病学的影响 | 首次系统评估2014-2024年间AI技术在ECG分析中的应用进展，涵盖多种AI模型在心脏病预测诊断中的综合表现 | 仅纳入英文文献，可能存在语言偏倚；研究时间范围限定可能遗漏早期重要研究 | 探讨人工智能、机器学习和深度学习在ECG分析中的整合及其对心脏病预测诊断和治疗支持的影响 | 心电图数据和相关心脏病患者 | 机器学习 | 心血管疾病 | 心电图分析 | CNN, RNN, 混合模型 | 心电图信号 | 46项符合纳入标准的研究 | NA | NA | 诊断准确率, 诊断时间 | NA |
| 192 | 2025-10-06 |
Deep learning-based pelvimetry in pelvic MRI volumes for pre-operative difficulty assessment of total mesorectal excision
2025-03, Surgical endoscopy
DOI:10.1007/s00464-024-11485-4
PMID:39753930
|
研究论文 | 本研究开发了一种基于深度学习的自动化骨盆测量方法，用于术前评估全直肠系膜切除术的难度 | 首次在MRI体积数据中实现基于深度学习的自动化骨盆测量 | 仅使用来自8个TME中心的1707名患者数据，需要进一步验证其泛化能力 | 开发自动化骨盆测量工作流程，辅助全直肠系膜切除术的术前难度评估 | 接受全直肠系膜切除术患者的术前MRI体积数据 | 医学影像分析 | 结直肠癌 | 磁共振成像 | CNN | 3D MRI体积数据 | 来自8个TME中心的1707名患者 | NA | 3D U-Net | 平均地标定位误差, Spearman相关系数 | NA |
| 193 | 2025-10-06 |
An in-depth review of AI-powered advancements in cancer drug discovery
2025-03, Biochimica et biophysica acta. Molecular basis of disease
DOI:10.1016/j.bbadis.2025.167680
PMID:39837431
|
综述 | 探讨人工智能与基因组学在癌症药物发现中的融合及其对个性化治疗发展的推动作用 | 系统阐述AI技术（包括深度学习和高级数据分析）在药物发现关键阶段（靶点识别、药物设计、临床试验优化和药物反应预测）的变革性作用，并重点介绍DrugnomeAI、PandaOmics和AlphaFold等前沿工具的创新应用 | 面临大规模基因组数据管理的技术挑战以及AI在医疗领域应用的伦理问题 | 加速癌症药物发现过程并推动精准医疗发展 | 人工智能技术在癌症药物研发中的应用 | 机器学习 | 癌症 | 基因组学数据分析 | 深度学习 | 基因组数据 | NA | NA | NA | NA | NA |
| 194 | 2025-10-06 |
NetSDR: Drug repurposing for cancers based on subtype-specific network modularization and perturbation analysis
2025-03, Biochimica et biophysica acta. Molecular basis of disease
DOI:10.1016/j.bbadis.2025.167688
PMID:39862994
|
研究论文 | 提出基于网络模块化和扰动分析的癌症亚型特异性药物重定位框架NetSDR | 整合癌症亚型信息识别亚型特异性功能模块，结合深度学习构建加权药物响应网络，并采用动态扰动响应扫描方法进行药物优先排序 | 仅以胃癌为例进行验证，需要扩展到更多癌症类型和更大规模数据 | 开发针对特定癌症亚型的精准药物重定位方法 | 癌症亚型特异性功能模块和潜在药物靶点 | 系统生物学 | 癌症 | 网络医学方法，蛋白质组学数据分析，深度学习 | 深度学习模型 | 蛋白质组学数据，网络数据 | NA | NA | NA | NA | NA |
| 195 | 2025-10-06 |
A systematic review of deep learning in MRI-based cerebral vascular occlusion-based brain diseases
2025-Mar-05, Neuroscience
IF:2.9Q2
|
系统综述 | 本综述系统评估了2020-2024年间61项基于MRI的深度学习研究在脑血管闭塞相关脑部疾病诊断中的应用 | 首次系统比较了CNN和Vision Transformer在脑血管闭塞诊断中的优劣，并强调了伦理安全框架和模型可解释性的重要性 | 纳入研究存在数据集充分性和多样性不足的问题，面临数据隐私和算法可解释性挑战 | 评估深度学习在MRI-based脑血管闭塞相关脑部疾病诊断中的作用 | 脑血管闭塞及相关脑部疾病 | 医学影像分析 | 脑血管疾病 | 磁共振成像(MRI) | CNN, Vision Transformer | 医学影像 | 61项研究（具体样本量未明确说明） | NA | U-Net变体, Transformer-based模型 | NA | NA |
| 196 | 2025-06-03 |
Artificial intelligence in early screening for esophageal squamous cell carcinoma
2025-Mar, Best practice & research. Clinical gastroenterology
DOI:10.1016/j.bpg.2025.102004
PMID:40451647
|
review | 本文综述了人工智能在食管鳞状细胞癌早期筛查中的变革性作用 | AI技术（如机器学习、深度学习和迁移学习）在优化筛查方式、提高成本效益及整合多源数据方面展现出显著潜力 | 数据集变异性、模型泛化能力、算法透明度及伦理法律问题仍需解决 | 探讨AI如何革新食管鳞状细胞癌的早期筛查 | 食管鳞状细胞癌（ESCC）高风险人群 | digital pathology | esophageal squamous cell carcinoma | machine learning, deep learning, transfer learning, liquid biopsy | NA | imaging, genomic, clinical data | NA | NA | NA | NA | NA |
| 197 | 2025-10-06 |
Voxel-level radiomics and deep learning for predicting pathologic complete response in esophageal squamous cell carcinoma after neoadjuvant immunotherapy and chemotherapy
2025-Mar-15, Journal for immunotherapy of cancer
IF:10.3Q1
DOI:10.1136/jitc-2024-011149
PMID:40090670
|
研究论文 | 开发并验证了一种基于体素级影像组学和深度学习的模型，用于预测食管鳞状细胞癌新辅助免疫治疗联合化疗后的病理完全缓解 | 首次将体素级影像组学方法与Vision-Mamba深度学习架构相结合用于pCR预测，相比传统方法和其他深度学习模型表现更优 | 回顾性研究设计，样本量相对有限，需要进一步前瞻性验证 | 预测食管鳞状细胞癌患者在新辅助免疫治疗联合化疗后的病理完全缓解 | 食管鳞状细胞癌患者 | 医学影像分析 | 食管癌 | CT影像分析 | 深度学习 | CT图像 | 741名来自三个医疗中心的食管鳞状细胞癌患者 | NA | Vision-Mamba, 3D-ResNet, Vision Transformer | 准确率, AUC, 敏感度, 特异度 | NA |
| 198 | 2025-10-06 |
A comprehensive dataset of magnetic resonance enterography images with intestinal segment annotations
2025-Mar-11, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04760-z
PMID:40069172
|
研究论文 | 本文构建了一个包含肠道分段标注的磁共振小肠造影图像数据集，并验证了多种先进分割方法在该数据集上的性能 | 创建了首个公开的具有精细像素级标注的完整肠道分段MR数据集，为IBD的AI研究提供了重要基础资源 | 数据集仅包含114名患者，样本规模相对有限 | 开发用于炎症性肠病诊断和监测的自动化工具 | 炎症性肠病患者的磁共振小肠造影图像 | 医学影像分析 | 炎症性肠病 | 磁共振小肠造影，HASTE序列 | 深度学习分割模型 | 医学影像 | 114名IBD患者，每人包含10个肠道分段的标注 | NA | NA | NA | NA |
| 199 | 2025-10-06 |
Evaluation of enzyme activity predictions for variants of unknown significance in Arylsulfatase A
2025-Mar, Human genetics
IF:3.8Q2
DOI:10.1007/s00439-025-02731-3
PMID:40055237
|
研究论文 | 评估机器学习方法对芳基硫酸酯酶A基因未知意义变异体酶活性的预测性能 | 首次在ARSA CAGI挑战赛中系统评估社区提交的预测模型，发现由遗传学和编程训练营开发的模型表现最佳 | 仅针对219个错义VUS进行评估，样本规模有限 | 评估机器学习方法预测基因变异功能效应的准确性 | 芳基硫酸酯酶A基因的219个实验验证的错义未知意义变异体 | 机器学习 | 遗传性疾病 | 实验验证的酶活性测定 | 深度学习, 标准机器学习模型 | 基因变异数据 | 219个错义VUS | Python | NA | 预测准确性 | 适度计算资源 |
| 200 | 2025-05-31 |
Deep neural networks excel in COVID-19 disease severity prediction-a meta-regression analysis
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95282-6
PMID:40133706
|
meta-analysis | 该研究通过元回归分析评估了深度神经网络在COVID-19疾病严重程度预测中的优越性 | 首次使用MetaForest算法识别工具性能的相关混杂因素，并通过混合效应元回归模型比较了线性、机器学习和深度学习方法 | 88%的研究存在高偏倚风险，主要由于数据分析的缺陷 | 评估COVID-19严重程度预测工具的性能，指导临床医生选择最佳工具并优化资源管理 | 住院的COVID-19患者 | 机器学习 | COVID-19 | MetaForest算法, 混合效应元回归模型 | Neural Networks, 机器学习方法 | 临床、实验室和影像数据 | 约280万患者，来自430项独立评估 | NA | NA | NA | NA |