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 1342 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2025-12-22 |
CVRP: A rice image dataset with high-quality annotations for image segmentation and plant phenomics research
2025-Mar, Plant phenomics (Washington, D.C.)
DOI:10.1016/j.plaphe.2025.100025
PMID:41415951
|
研究论文 | 本文介绍了一个名为CVRP的高质量水稻图像数据集，用于图像分割和植物表型组学研究 | 创建了一个包含多品种、多视角、高标注质量的水稻图像公开数据集，并设计了半自动标注流程 | 未明确说明数据集的样本数量及标注的具体耗时 | 为作物图像分析和植物表型组学研究提供高质量标注数据集，促进精准农业和育种模型发展 | 水稻植株图像，包括231个地方品种和50个现代栽培品种 | 计算机视觉 | NA | 深度学习模型辅助的半自动标注 | 语义分割模型 | 图像 | 来自281个水稻品种（231个地方品种 + 50个现代栽培品种）的图像 | 未明确说明 | 未明确指定具体架构，但评估了四种SOTA语义分割模型 | 未明确说明 | 未明确说明 |
| 202 | 2025-12-22 |
Segmenting vegetation from UAV images via spectral reconstruction in complex field environments
2025-Mar, Plant phenomics (Washington, D.C.)
DOI:10.1016/j.plaphe.2025.100021
PMID:41415944
|
研究论文 | 提出一种基于光谱重建的弱监督方法，用于复杂田间环境下的植被分割 | 通过光谱重建技术降低数据采集成本，并结合植被指数理论增强植被信息，实现无需人工标注的弱监督分割 | 未明确说明方法在极端光照或天气条件下的鲁棒性，且数据集规模相对有限 | 开发一种低成本、高效的田间植被分割方法，以应对复杂环境挑战 | 无人机采集的田间植被遥感图像 | 计算机视觉 | NA | 光谱重建，植被指数 | CNN, 注意力机制 | 图像 | 2358对无人机RGB-多光谱图像样本 | 未明确指定，但开源代码暗示可能基于PyTorch或TensorFlow | SRCNet, SRANet | 平均交并比 | NA |
| 203 | 2025-12-22 |
The blessing of Depth Anything: An almost unsupervised approach to crop segmentation with depth-informed pseudo labeling
2025-Mar, Plant phenomics (Washington, D.C.)
DOI:10.1016/j.plaphe.2025.100005
PMID:41415954
|
研究论文 | 本文提出了一种几乎无监督的作物分割方法DepthCropSeg，利用深度信息生成伪标签训练分割模型 | 首次利用Depth Anything V2视觉基础模型生成高质量伪作物掩码，实现接近全监督性能的几乎无监督作物分割 | 依赖深度图生成伪掩码的质量，且需要人工筛选可靠图像 | 开发无需人工像素级标注的作物分割方法 | 作物图像 | 计算机视觉 | NA | 深度图生成与处理 | 语义分割模型 | 图像 | 17199张图像来自六个公共植物分割源，筛选后1378张图像用于训练 | NA | NA | NA | NA |
| 204 | 2025-12-20 |
Advances in machine learning for keratoconus diagnosis
2025-Mar-30, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03496-4
PMID:40159519
|
综述 | 本文回顾了过去十年中机器学习技术在圆锥角膜诊断中的应用，重点关注学术研究与临床实践之间的差距 | 提出了促进机器学习模型融入临床实践的路线图模型，并针对机器学习和眼科医生提供了可操作的建议 | 缺乏早期圆锥角膜检测和严重程度分期的客观诊断标准共识，多学科合作有限，公共数据集访问受限 | 评估机器学习在圆锥角膜诊断中的进展，并探讨如何将其有效整合到临床实践中 | 圆锥角膜的诊断研究，包括不同疾病阶段（如非圆锥角膜、亚临床圆锥角膜、临床圆锥角膜） | 机器学习 | 圆锥角膜 | NA | 随机森林, 卷积神经网络, 前馈和反馈神经网络, 支持向量机 | 数值角膜参数 | NA | NA | NA | NA | NA |
| 205 | 2025-03-20 |
Correction: Enhancing diabetic retinopathy diagnosis: automatic segmentation of hyperreflective foci in OCT via deep learning
2025-Mar-18, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03504-7
PMID:40100458
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 206 | 2025-12-20 |
Oculomics approaches using retinal imaging to predict mental health disorders: a systematic review and meta-analysis
2025-Mar-18, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03500-x
PMID:40100514
|
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基于视网膜成像的眼组学方法（包括深度学习、机器学习和逻辑回归模型）在诊断主要精神障碍方面的性能 | 首次对利用视网膜成像预测精神健康障碍的眼组学方法进行系统综述和荟萃分析，综合评估了多种机器学习模型在该领域的诊断性能 | 纳入研究存在高偏倚风险（尤其在患者选择和指标测试设计方面）、缺乏外部验证、样本量小导致过拟合风险、未发现精神障碍特异性的视网膜生物标志物 | 评估眼组学方法通过视网膜成像诊断主要精神障碍的准确性和临床适用性 | 主要精神障碍患者（包括重度抑郁症、双相情感障碍、精神分裂症、强迫症、自闭症谱系障碍）的视网膜影像数据 | 数字病理学 | 精神障碍 | 视网膜成像技术（彩色眼底照相、光学相干断层扫描、OCT血管成像） | 深度学习, 机器学习, 逻辑回归 | 图像 | 11项研究中的13个诊断模型（具体样本量未在摘要中说明） | NA | NA | 敏感性, 特异性, 受试者工作特征曲线下面积 | NA |
| 207 | 2025-12-13 |
NLP-enriched social determinants of health improve prediction of suicide death among the Veterans
2025-Mar-31, Research square
DOI:10.21203/rs.3.rs-5067562/v1
PMID:40235516
|
研究论文 | 本研究探讨了通过自然语言处理（NLP）和ICD编码提取的社会行为健康决定因素（SBDH）对退伍军人精神病院出院后自杀死亡预测模型的性能提升作用 | 创新性地将NLP从非结构化临床记录中提取的SBDH信息与ICD编码信息结合，用于提升自杀死亡预测模型的性能、校准度和公平性 | 研究人群仅限于美国退伍军人，可能限制了结果的普适性；模型性能仍有提升空间（AUROC约64%） | 评估社会行为健康决定因素（SBDH）作为预测因子是否能改善精神病院出院患者的自杀死亡预测 | 2017年1月1日至2019年7月1日期间从129家美国退伍军人健康管理局（VHA）精神病院出院的197,581名退伍军人，共计414,043次出院记录 | 自然语言处理 | 精神疾病 | 自然语言处理（NLP），ICD编码分析 | 集成机器学习模型，基于Transformer的深度学习基础模型 | 文本（非结构化临床记录），结构化管理数据 | 197,581名退伍军人的414,043次出院记录 | NA | TransformEHR | 灵敏度，阳性预测值（PPV），受试者工作特征曲线下面积（AUROC），校准分析 | NA |
| 208 | 2025-12-13 |
Principles of artificial intelligence in radiooncology
2025-03, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02272-0
PMID:39105746
|
综述 | 本文是一篇针对放射肿瘤学领域的人工智能深度学习原理的全面指南 | 以易于理解的方式，专门为放射肿瘤学定制，系统阐述了深度学习的技术原理，填补了该领域缺乏易懂综述的空白 | NA | 阐明深度学习在放射肿瘤学中的技术原理，旨在弥合复杂技术概念与临床实践之间的差距 | 深度学习模型及其在放射肿瘤学中的应用 | 机器学习 | NA | NA | MLP, CNN, RNN, Transformer, GAN, 扩散生成模型, 强化学习 | NA | NA | NA | NA | NA | NA |
| 209 | 2025-12-13 |
Deep learning for autosegmentation for radiotherapy treatment planning: State-of-the-art and novel perspectives
2025-03, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02262-2
PMID:39105745
|
综述 | 本文总结了人工智能在放射治疗计划自动分割中的最新技术和临床应用 | 探讨了将数学肿瘤生长模型与AI肿瘤检测相结合以优化靶区勾画的新视角，并展望了一站式分割与放疗计划的前沿 | 临床实施中面临领域偏移等挑战 | 总结AI在放疗计划自动分割中的技术现状与临床应用 | 危及器官、大体肿瘤体积和临床靶区 | 数字病理 | 肿瘤 | NA | 深度学习 | 医学影像 | NA | NA | NA | 效率、一致性和时间节省 | NA |
| 210 | 2025-12-13 |
The Segment Anything foundation model achieves favorable brain tumor auto-segmentation accuracy in MRI to support radiotherapy treatment planning
2025-03, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02313-8
PMID:39503868
|
研究论文 | 本研究评估了Segment Anything基础模型在MRI图像中自动分割脑胶质瘤的准确性，以支持放射治疗计划 | 首次将可提示的基础分割模型应用于脑胶质瘤的交互式自动轮廓勾画，并评估其在放射治疗计划中的潜力 | 使用建议掩码时准确性较低（0.572），且模型性能可能受肿瘤分级影响 | 评估Segment Anything基础模型在脑胶质瘤MRI自动分割中的准确性，以支持放射治疗计划 | 脑胶质瘤MRI图像 | 数字病理 | 脑胶质瘤 | MRI成像 | 基础分割模型 | MRI图像 | 369个MRI数据集，共16,744个横断面切片 | NA | Segment Anything | IoU, Dice系数 | NA |
| 211 | 2025-12-13 |
Enhancing the prediction of symptomatic radiation pneumonitis for locally advanced non-small-cell lung cancer by combining 3D deep learning-derived imaging features with dose-volume metrics: a two-center study
2025-03, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02221-x
PMID:38498173
|
研究论文 | 本研究结合3D深度学习提取的影像特征与剂量-体积指标，以增强局部晚期非小细胞肺癌患者症状性放射性肺炎的预测能力 | 首次将3D深度学习从放疗前计划CT中提取的影像特征与临床相关的剂量-体积指标（如V30Gy）相结合，构建了用于预测放射性肺炎的模型，并在两个中心的数据集上进行了验证 | 样本量相对有限（总计149例患者），且为回顾性研究，需要更大规模的前瞻性研究进一步验证模型的泛化能力 | 探索深度学习提取的影像特征在预测局部晚期非小细胞肺癌患者放射性肺炎方面的能力，并评估其与剂量-体积指标结合后的预测价值提升 | 局部晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 3D深度学习，CT影像分析 | 深度学习 | 3D CT影像 | 149例患者（90例来自复旦大学附属肿瘤医院，59例来自江南大学附属医院） | 未明确指定，可能为TensorFlow或PyTorch | 多层感知机 | AUC | NA |
| 212 | 2025-12-11 |
Deep learning-based normative database of anterior chamber dimensions for angle closure assessment: the Singapore Chinese Eye Study
2025-Mar-20, The British journal of ophthalmology
DOI:10.1136/bjo-2024-325602
PMID:39486884
|
研究论文 | 本研究利用深度学习算法建立前房尺寸的规范数据库，用于评估闭角型青光眼 | 首次使用深度学习算法处理Visante ASOCT扫描数据，建立基于年龄和性别的规范分布，并应用百分位数截断值检测原发性闭角型青光眼 | 研究仅基于新加坡华人群体，可能不适用于其他种族；排除了有眼部手术或外伤的眼睛，限制了泛化性 | 建立前房尺寸的规范数据库，以评估闭角型青光眼 | 新加坡华人眼病研究中的受试者，包括开角和闭角眼睛 | 数字病理学 | 青光眼 | 前节光学相干断层扫描 | 深度学习算法 | ASOCT扫描图像 | 2157只眼睛（1853只开角，304只闭角） | NA | NA | 平衡准确度, 灵敏度, 特异性 | NA |
| 213 | 2025-12-11 |
International expert consensus on the current status and future prospects of artificial intelligence in metabolic and bariatric surgery
2025-Mar-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94335-0
PMID:40102585
|
共识声明 | 本文通过德尔菲法建立了国际专家共识，探讨了人工智能在代谢与减重手术中的当前应用与未来前景 | 首次通过国际多中心专家共识，系统评估了人工智能在代谢与减重手术各环节的应用潜力与伦理规范 | 共识基于专家意见，缺乏实际临床数据验证；未涉及具体AI算法的技术细节与验证标准 | 建立关于人工智能在代谢与减重手术中作用的国际专家共识 | 代谢与减重手术领域的人工智能应用 | 医疗人工智能 | 代谢性疾病与肥胖症 | NA | NA | 专家意见与共识声明 | 来自35个国家的68位代谢与减重外科专家 | NA | NA | 共识达成率（≥70%） | NA |
| 214 | 2025-12-10 |
Automatic Brain Segmentation for PET/MR Dual-Modal Images Through a Cross-Fusion Mechanism
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3516012
PMID:40030515
|
研究论文 | 本文提出了一种基于交叉融合机制的PET/MR双模态图像自动脑分割方法，用于精确分割45个脑区 | 引入了交叉融合机制，同时处理PET和MR图像，通过UX-Net和交叉融合块在编码器中进行特征提取与融合，实现了更精确的脑区分割 | 未明确提及方法在临床实践中的具体应用限制或数据泛化能力 | 开发一种自动脑分割方法，以辅助神经疾病的检测与诊断 | PET/MR双模态脑部图像 | 数字病理学 | 神经系统疾病 | PET/MR成像 | 深度学习网络 | 3D图像 | NA | NA | UX-Net, 3DUXNET, SwinUNETR, UNETR, nnFormer, UNet3D, NestedUNet, ResUNet, VNet | Dice系数, Jaccard指数, 灵敏度, 精确度, Hausdorff距离 | NA |
| 215 | 2025-12-10 |
Human Activity Recognition Using Deep Residual Convolutional Network Based on Wearable Sensors
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3510860
PMID:40030576
|
研究论文 | 本文提出了一种名为DKInception的深度学习模型，用于基于可穿戴传感器的人体活动识别任务 | 提出了DKInception模型，该模型将深度卷积残差网络与注意力机制相结合，并利用多尺度卷积核来高效提取时序特征，基于Inception ResNet架构扩展了其能力，具有高效、快速收敛和鲁棒缩放特性 | NA | 开发一种准确的人体活动识别模型，用于监测人类日常活动和健康行为 | 人体活动识别 | 机器学习 | NA | NA | CNN | 传感器数据 | 四个基准HAR数据集：UCI-HAR、Opportunity、Daphnet和PAMAP2 | NA | Inception ResNet | 准确率 | NA |
| 216 | 2025-12-10 |
TrGPCR: GPCR-Ligand Binding Affinity Prediction Based on Dynamic Deep Transfer Learning
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3307928
PMID:37610904
|
研究论文 | 本文提出了一种基于动态深度迁移学习的GPCR-配体结合亲和力预测方法TrGPCR，以解决GPCR数据不足的问题 | 采用动态迁移学习策略，结合蛋白质二级结构（口袋）作为特征，解决了GPCR数据稀缺的挑战 | 未明确提及模型的具体泛化能力或对其他蛋白质家族的适用性 | 预测G蛋白偶联受体（GPCR）与配体的结合亲和力，以辅助药物开发 | GPCR蛋白质及其配体 | 机器学习 | NA | 动态深度迁移学习 | 深度学习模型 | 序列数据、二级结构特征 | 源域使用BindingDB数据库，目标域使用GLASS数据库，具体样本数量未明确说明 | NA | TrGPCR | RMSE, MAE | NA |
| 217 | 2025-12-10 |
AEGNN-M:A 3D Graph-Spatial Co-Representation Model for Molecular Property Prediction
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3368608
PMID:38386576
|
研究论文 | 本文提出了一种名为AEGNN-M的3D图-空间共表示模型，用于准确预测分子性质，以改进药物开发过程 | 结合GAT和EGNN两种图神经网络，首次整合分子图表示和3D空间结构表示进行分子性质预测 | 未明确说明模型的计算复杂度或可扩展性限制 | 提高分子性质预测的准确性，以加速精准医疗背景下的新药开发 | 分子（药物分子） | 机器学习 | 乳腺癌 | 计算机辅助药物发现（CADD） | 图神经网络（GNN） | 分子图数据，3D空间结构数据 | 7个公共数据集（包括3个回归数据集和14个乳腺癌细胞系表型筛选数据集） | 未明确指定（可能为PyTorch或TensorFlow） | GAT, EGNN | 未明确指定（可能包括回归指标如RMSE、MAE等） | NA |
| 218 | 2025-12-10 |
BINDTI: A Bi-Directional Intention Network for Drug-Target Interaction Identification Based on Attention Mechanisms
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3375025
PMID:38457318
|
研究论文 | 本文提出了一种基于注意力机制的双向意图网络BINDTI，用于药物-靶点相互作用识别 | 结合双向意图网络和ACmix混合模型，有效融合药物和蛋白质特征，提升DTI预测精度，尤其在非平衡数据集上表现优异 | 未提及模型在更大规模或更复杂数据集上的泛化能力，以及计算效率的具体分析 | 开发一个端到端的深度学习框架，以低成本高效识别药物-靶点相互作用，支持药物发现和虚拟筛选 | 药物分子和蛋白质靶点 | 机器学习 | NA | SMILES字符串编码，氨基酸序列分析 | GCN, 自注意力机制，卷积，多层感知机 | 分子图，序列数据 | 涉及BindingDB、BioSNAP、DrugBank和Human数据集，具体样本数未提及 | NA | 图卷积网络，ACmix混合模型，双向意图网络 | 准确率，精确率，召回率，F1分数，AUC | NA |
| 219 | 2025-12-10 |
Multimodal Drug Target Binding Affinity Prediction Using Graph Local Substructure
2025-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3386815
PMID:38598378
|
研究论文 | 本文提出了一种名为MLSDTA的多模态药物靶点结合亲和力预测模型，通过整合药物和靶点的图与序列模态信息，利用交叉注意力实现多模态融合，并采用自适应结构感知池化生成包含局部子结构信息的图 | 提出多模态融合方法，结合图与序列信息；引入自适应结构感知池化以捕获局部子结构；应用DropNode策略增强分子间区分度 | 未明确提及模型在更大规模或多样化数据集上的泛化能力，也未讨论计算效率或实际部署的挑战 | 预测药物靶点结合亲和力，以降低药物开发成本与周期 | 药物与靶点的分子结构及序列信息 | 机器学习 | NA | 深度学习 | 图神经网络, 注意力机制 | 图数据, 序列数据 | 基于两个基准数据集（未指定具体样本数量） | NA | MLSDTA（自定义多模态架构） | NA | NA |
| 220 | 2025-12-06 |
Learning Ordinal-Hierarchical Constraints for Deep Learning Classifiers
2025-Mar, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3360641
PMID:38347692
|
研究论文 | 本文提出了两种新的序数-层次深度学习方法来同时学习标签的层次和序数约束，以提高泛化性能 | 首次在深度学习中同时集成层次和序数约束，通过全局和局部图路径分解问题并最小化相应损失，创新性地结合了序数二元分解和累积链接模型 | 未明确说明方法在极端数据不平衡或噪声环境下的鲁棒性，也未讨论计算复杂度或模型可扩展性 | 开发能够同时处理标签层次结构和序数关系的深度学习分类器，以提升分类性能 | 具有序数层次结构的分类问题，涉及工业、生物医学、计算机视觉和金融领域的真实数据集 | 机器学习 | NA | 深度学习 | 深度学习分类器 | NA | 四个真实用例数据集 | NA | HCLM, HOBD | NA | NA |