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 1347 篇文献，本页显示第 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2025-10-07 |
Convolutional Neural Network Models for Visual Classification of Pressure Ulcer Stages: Cross-Sectional Study
2025-Mar-25, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/62774
PMID:40135412
|
研究论文 | 本研究探索使用卷积神经网络模型对压力性损伤分期进行视觉分类 | 首次系统比较AlexNet、VGGNet16、ResNet18和DenseNet121四种CNN模型在压力性损伤分期分类中的性能 | 研究样本仅来自单一三级医院，未来需要与不同经验水平的护士进行比较验证 | 开发辅助压力性损伤分期的有效工具 | 压力性损伤患者图像，包括I期、II期、III期、IV期、不可分期和疑似深部组织损伤 | 计算机视觉 | 压力性损伤 | 深度学习 | CNN | 图像 | 853张原始压力性损伤图像，经数据增强后获得7677张图像 | NA | AlexNet,VGGNet16,ResNet18,DenseNet121 | 准确率 | NA |
| 302 | 2025-10-07 |
Deep Learning Study of Alkaptonuria Spinal Disease Assesses Global and Regional Severity and Detects Occult Treatment Status
2025-Mar-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.11.25323762
PMID:40162283
|
研究论文 | 本研究开发深度学习模型分析罕见病黑酸尿症的脊柱X光片，评估疾病严重程度并检测隐匿治疗状态 | 首次将深度学习应用于罕见病黑酸尿症的脊柱影像分析，能识别传统方法难以检测的药物治疗状态 | 真空椎间盘现象预测一致性较低(41-90%)，样本量受罕见病特性限制 | 开发深度学习方法来准确评估黑酸尿症脊柱病变的严重程度和检测药物治疗状态 | 黑酸尿症患者的颈椎和腰椎X光片 | 医学影像分析 | 黑酸尿症 | X射线成像 | 深度学习模型 | 医学影像 | NA | NA | NA | 准确度, 平均绝对误差 | NA |
| 303 | 2025-10-07 |
The role of artificial intelligence and deep learning in determining the histopathological grade of pancreatic neuroendocrine tumors by using EUS images
2025 Mar-Apr, Endoscopic ultrasound
IF:4.4Q1
DOI:10.1097/eus.0000000000000113
PMID:40385971
|
研究论文 | 本研究利用人工智能和深度学习算法，通过EUS图像预测胰腺神经内分泌肿瘤的组织病理学分级 | 首次将深度学习技术应用于EUS图像进行胰腺神经内分泌肿瘤分级预测 | 样本量较小（44例患者），属于初步研究 | 开发基于AI的胰腺神经内分泌肿瘤分级预测方法 | 胰腺神经内分泌肿瘤患者 | 医学影像分析 | 胰腺神经内分泌肿瘤 | EUS-FNA/B（超声内镜引导下细针穿刺/活检） | CNN | EUS图像 | 44例患者的803张EUS图像 | NA | 卷积神经网络 | 灵敏度, 特异度, 准确率 | NA |
| 304 | 2025-10-07 |
Deep Learning-Based Ion Channel Kinetics Analysis for Automated Patch Clamp Recording
2025-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202404166
PMID:39737527
|
研究论文 | 本研究提出了首个基于人工智能的框架，用于自动膜片钳记录中多种离子通道动力学的表征分析 | 首次将人工智能技术应用于离子通道动力学分析，集成了异常检测和多类分类的深度学习框架 | NA | 开发自动化离子通道动力学分析框架以提高电生理研究效率 | 全细胞膜片钳记录数据 | 机器学习 | 阿尔茨海默病,帕金森病 | 膜片钳技术 | CNN,LSTM | 电生理记录数据 | 124个测试数据集 | NA | 1D卷积神经网络,双向长短期记忆网络,注意力机制 | 准确率 | NA |
| 305 | 2025-10-07 |
Deep learning-based fully automated detection and segmentation of pelvic lymph nodes on diffusion-weighted images for prostate cancer: a multicenter study
2025-Mar-17, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00840-w
PMID:40098034
|
研究论文 | 本研究开发了一种基于3D V-Net的深度学习模型，用于前列腺癌患者盆腔淋巴结的自动检测和分割 | 首次将3D V-Net模型应用于前列腺癌盆腔淋巴结的自动检测和分割，并进行了多中心验证 | 模型对可疑转移性淋巴结检测的灵敏度为60.1%，仍有提升空间 | 提高前列腺癌患者淋巴结检测和分割的效率和准确性 | 前列腺癌患者的盆腔淋巴结 | 医学影像分析 | 前列腺癌 | 扩散加权成像 | CNN | 医学影像 | 训练集1,151名患者（32,507个标注淋巴结），外部验证集401名患者（7,707个淋巴结） | NA | 3D V-Net | Dice相似系数, 灵敏度, 特异性, 阳性预测值, 假阳性率 | NA |
| 306 | 2025-10-07 |
Artificial intelligence can be trained to predict c-KIT-11 mutational status of canine mast cell tumors from hematoxylin and eosin-stained histological slides
2025-03, Veterinary pathology
IF:2.3Q1
DOI:10.1177/03009858241286806
PMID:39422217
|
研究论文 | 本研究训练深度学习模型仅通过H&E染色组织切片形态学特征预测犬肥大细胞肿瘤的c-KIT-11基因突变状态 | 首次实现基于常规H&E染色切片形态学特征预测基因突变状态，无需额外分子检测 | 染色方案和扫描仪类型会影响模型准确性，跨机构数据性能存在下降 | 开发能够从组织形态学预测基因突变的AI诊断工具 | 犬肥大细胞肿瘤 | 数字病理学 | 犬肥大细胞肿瘤 | H&E染色, PCR, 全玻片成像 | 深度学习模型 | 组织病理学图像 | 368个皮肤、皮下和黏膜皮肤肥大细胞肿瘤样本（195个有ITD突变，173个无突变） | NA | NA | 准确率, 敏感性, 特异性 | NA |
| 307 | 2025-10-07 |
Nuclear pleomorphism in canine cutaneous mast cell tumors: Comparison of reproducibility and prognostic relevance between estimates, manual morphometry, and algorithmic morphometry
2025-03, Veterinary pathology
IF:2.3Q1
DOI:10.1177/03009858241295399
PMID:39560067
|
研究论文 | 比较犬皮肤肥大细胞瘤核多形性评估方法的可重复性和预后价值 | 首次系统比较病理学家目测评估、人工形态测量和深度学习自动形态测量在犬皮肤肥大细胞瘤核多形性评估中的表现 | 需要进一步验证研究结果、确定算法间可重复性和鲁棒性，并探索整个肿瘤切片的肿瘤异质性 | 探索犬皮肤肥大细胞瘤核评估方法的局限性并开发替代形态测量方案 | 犬皮肤肥大细胞瘤 | 数字病理学 | 皮肤肿瘤 | 深度学习分割 | 深度学习 | 病理图像 | 96个犬皮肤肥大细胞瘤样本 | NA | NA | ROC曲线下面积, 组内相关系数, Kappa值 | NA |
| 308 | 2025-05-17 |
Clinical implications of deep learning based image analysis of whole radical prostatectomy specimens
2025-Mar-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95267-5
PMID:40164701
|
研究论文 | 本研究评估了基于深度学习的图像分析（DLIA）算法在前列腺癌根治术（RP）标本中Gleason分级和肿瘤定量的临床应用和预后价值 | 首次将DLIA算法应用于全RP标本的Gleason分级和肿瘤定量，并评估其临床可行性和预后价值 | 研究样本量相对有限（992例患者），且DLIA算法与病理学家评估的一致性仅为中等水平（Cohen's kappa: 0.374） | 提高前列腺癌诊断的准确性和临床决策支持 | 前列腺癌根治术标本 | 数字病理学 | 前列腺癌 | 深度学习图像分析 | DLIA算法 | H&E染色数字切片图像 | 992例患者的29,646张数字化H&E染色切片 | NA | NA | NA | NA |
| 309 | 2025-05-17 |
A novel network-level fused deep learning architecture with shallow neural network classifier for gastrointestinal cancer classification from wireless capsule endoscopy images
2025-Mar-31, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02966-0
PMID:40165262
|
research paper | 提出了一种新型深度学习框架，用于从无线胶囊内窥镜图像中分类和定位胃肠道疾病 | 融合了两种新型架构SC-DSAN和CNN-GRU，采用深度连接层进行网络级融合，避免了特征级融合的计算成本，并利用贝叶斯优化和熵控海洋捕食者算法进行动态超参数调优和特征选择 | 未来工作将探索其对其他数据集的适应性，并优化其计算复杂性以实现更广泛的部署 | 解决胃肠道疾病分类和定位中的挑战，如类间和类内相似性、类别不平衡和计算效率低下 | 无线胶囊内窥镜图像 | computer vision | gastrointestinal cancer | deep learning | SC-DSAN, CNN-GRU, SWNN | image | Kvasir-V1和Kvasir-V2数据集 | NA | NA | NA | NA |
| 310 | 2025-05-17 |
Ant-Inspired Ion Gel Sensor for Dual-Mode Detection of Force and Humidity via Magnetic Induction
2025-03-28, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.5c00032
PMID:40016092
|
research paper | 介绍了一种受蚂蚁感官机制启发的双模式离子凝胶传感器，能够同时检测环境湿度和压力 | 采用磁感应技术开发的双模式传感器，结合了湿度传感器和压力传感器的高灵敏度和宽范围检测能力，并通过深度学习算法实现高精度物体识别 | 未明确提及传感器的长期稳定性测试或在极端环境下的性能表现 | 开发多功能、高灵敏度、宽范围和耐用的柔性传感器，用于智能传感领域 | 环境湿度和压力的检测，以及人体生理信号和物体识别 | 智能传感 | NA | 磁感应技术，深度学习算法 | NA | 湿度信号，压力信号，生理信号 | 未明确提及具体样本数量，但涉及人体生理信号测试和物体识别实验 | NA | NA | NA | NA |
| 311 | 2025-05-17 |
Penalized factorial regression as a flexible and computationally attractive reaction norm model for prediction in the presence of GxE
2025-Mar-28, TAG. Theoretical and applied genetics. Theoretische und angewandte Genetik
DOI:10.1007/s00122-025-04865-4
PMID:40155554
|
研究论文 | 本文提出了一种惩罚性因子回归方法，作为预测基因型与环境互作（GxE）的计算高效替代方案 | 该方法在预测精度上与基于核方法和深度学习的替代方法相当，但计算需求和耗时明显更低 | 仅在小麦和玉米两个代表性数据集上进行了验证，未在其他作物或更大规模数据上测试 | 解决植物育种和遗传学中长期存在的挑战，即在存在基因型与环境互作的情况下预测新环境中的产量 | 小麦和玉米的候选品种 | 植物育种与遗传学 | NA | 惩罚性因子回归 | 线性反应规范模型 | 基因型与环境互作数据 | 两个代表性数据集（小麦和玉米） | NA | NA | NA | NA |
| 312 | 2025-05-17 |
[Research progress in mutation effect prediction based on protein language models]
2025-Mar-25, Sheng wu gong cheng xue bao = Chinese journal of biotechnology
DOI:10.13345/j.cjb.240683
PMID:40170306
|
综述 | 本文综述了基于蛋白质语言模型（PLMs）的蛋白质突变效应预测的研究进展 | 总结了PLMs在预测蛋白质突变效应中的应用，包括序列模型、结构模型及序列与结构结合模型，并分析了无监督和监督学习在模型训练中的应用 | 当前面临的主要挑战包括高质量数据集的获取和数据噪声的处理 | 推动蛋白质突变效应预测的进一步发展 | 蛋白质突变效应预测 | 生物信息学 | NA | 蛋白质语言模型（PLMs） | 序列模型、结构模型、序列与结构结合模型 | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 313 | 2025-05-17 |
[Intelligent mining, engineering, and de novo design of proteins]
2025-Mar-25, Sheng wu gong cheng xue bao = Chinese journal of biotechnology
DOI:10.13345/j.cjb.240629
PMID:40170309
|
综述 | 本文综述了人工智能在蛋白质发现、评估、工程和设计方面的最新研究进展 | 探讨了人工智能在蛋白质工程和设计中的应用及其对生物制造的潜在影响 | 未提及具体的技术限制或数据局限性 | 探索和改造酶以适应特定的生物制造过程 | 蛋白质，特别是酶 | 机器学习 | NA | 机器学习和深度学习算法 | NA | 生物信息学数据 | NA | NA | NA | NA | NA |
| 314 | 2025-05-17 |
Kolmogorov-Arnold networks for genomic tasks
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf129
PMID:40163820
|
research paper | 本文研究了Kolmogorov-Arnold网络（KANs）在基因组任务中替代多层感知机（MLPs）的潜力 | 首次将KANs整合到基因组任务的深度学习模型中，并测试了线性KANs（LKANs）和卷积KANs（CKANs）的性能 | CKANs在参数规模较大时表现不佳，且KANs在不同深度学习架构中的潜力需要进一步研究 | 探索KANs在基因组任务中的性能表现 | 基因组序列的分类与生成 | machine learning | NA | deep learning | Kolmogorov-Arnold networks (KANs), linear KANs (LKANs), convolutional KANs (CKANs) | genomic sequences | 三个基因组基准数据集：Genomic Benchmarks, Genome Understanding Evaluation, Flipon Benchmark | NA | NA | NA | NA |
| 315 | 2025-05-17 |
DOMSCNet: a deep learning model for the classification of stomach cancer using multi-layer omics data
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf115
PMID:40178281
|
研究论文 | 提出了一种名为DOMSCNet的深度学习模型，用于利用多层组学数据对胃癌进行分类 | 提出了一种混合特征选择（HFS）技术和基于深度循环神经网络的DOMSCNet模型，能够处理多层组学数据并有效提取信息特征 | 未明确提及具体局限性 | 改进胃癌的分类方法，支持癌症的分子过程理解和临床诊断 | 胃癌的多层组学数据 | 机器学习 | 胃癌 | NGS | 深度循环神经网络（DOMSCNet） | 多层组学数据 | 使用了八个外部数据集进行验证 | NA | NA | NA | NA |
| 316 | 2025-05-17 |
Data imbalance in drug response prediction: multi-objective optimization approach in deep learning setting
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf134
PMID:40178282
|
research paper | 该研究提出了一种多目标优化方法，用于解决药物反应预测中的数据集不平衡问题，以提高深度学习模型的泛化能力 | 通过构建多目标优化损失函数（Multi-Objective Optimization Regularized by Loss Entropy）并将其应用于深度学习模型，解决了药物反应预测中的数据集不平衡问题 | 数据深度仍然不足，与计算机视觉或自然语言处理等领域相比，限制了当前的学习能力 | 提高药物反应预测模型的泛化能力 | 药物反应预测模型 | machine learning | NA | deep learning | Deep Learning | genomic data, drug screening data | NA | NA | NA | NA | NA |
| 317 | 2025-10-07 |
Clinical applications of deep learning in neuroinflammatory diseases: A scoping review
2025-Mar, Revue neurologique
IF:2.8Q2
DOI:10.1016/j.neurol.2024.04.004
PMID:38772806
|
综述 | 本文对深度学习在神经炎症性疾病临床应用的文献进行了范围综述 | 首次系统梳理了深度学习在神经炎症性疾病领域的临床应用现状和技术特征 | 仅基于PubMed数据库和单一商业算法注册网站，可能存在文献收录不全的局限 | 评估深度学习技术在神经炎症性疾病临床转化应用的范围和现状 | 神经炎症性疾病相关的深度学习算法研究 | 医疗人工智能 | 神经炎症性疾病 | 深度学习 | NA | 图像,文本,时间序列信号 | 148篇文献(2018-2024年)和5个商业算法 | NA | NA | 预测性能 | NA |
| 318 | 2025-05-17 |
Association between deep learning radiomics based on placental MRI and preeclampsia with fetal growth restriction: A multicenter study
2025-Mar, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.111985
PMID:39946812
|
研究论文 | 本研究开发了一种基于胎盘MRI的深度学习放射组学模型，用于识别先兆子痫（PE）妊娠及其严重程度 | 首次利用半监督方法实现胎盘MRI的自动分割，并构建深度学习放射组学（DLR）模型来识别PE妊娠及预测胎儿生长受限（FGR） | 研究为回顾性多中心设计，可能存在选择偏倚；样本量相对较小，尤其是PE合并FGR的病例 | 开发自动定量模型识别先兆子痫妊娠及疾病严重程度 | 420名孕妇（140例PE患者和280例正常血压妊娠） | 数字病理 | 先兆子痫 | MRI，深度学习放射组学（DLR） | 深度学习模型 | MRI图像 | 420名孕妇（140例PE，280例对照） | NA | NA | NA | NA |
| 319 | 2025-05-17 |
Early Colon Cancer Prediction from Histopathological Images Using Enhanced Deep Learning with Confidence Scoring
2025-Mar, Cancer investigation
IF:1.8Q3
DOI:10.1080/07357907.2025.2483302
PMID:40178023
|
研究论文 | 本研究提出了一种名为NalexNet的混合深度学习分类器，用于提高结肠癌组织病理学图像的分类准确性和计算效率 | 结合Vahadane染色归一化、Watershed分割和Teamwork优化算法进行特征选择，构建了具有卷积层和正常/缩减细胞的NalexNet模型 | 未提及模型在外部验证集上的表现或临床实际应用中的潜在挑战 | 开发自动化的结肠癌早期诊断系统 | 结肠癌组织病理学图像 | 数字病理学 | 结肠癌 | 深度学习 | CNN（NalexNet） | 图像 | NA | NA | NA | NA | NA |
| 320 | 2025-05-16 |
Impact of optimized and conventional facility designs on outpatient abdominal MRI workflow efficiency
2025-Mar-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94799-0
PMID:40157988
|
research paper | 本研究评估了优化设施与传统设施在腹部磁共振成像（MRI）门诊工作流程效率上的差异 | 通过对比优化设施与传统设施的工作流程效率，展示了优化设施在提高患者吞吐量方面的显著优势 | 研究仅针对特定机构的两个设施，结果可能不具备普遍性 | 评估优化设施与传统设施在腹部MRI门诊工作流程效率上的差异 | 2,723例对比增强肝脏和前列腺MRI检查 | digital pathology | liver cancer, prostate cancer | MRI, deep learning reconstruction | NA | medical imaging data | 2,723例MRI检查 | NA | NA | NA | NA |