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 1345 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2025-05-16 |
Global or local modeling for XGBoost in geospatial studies upon simulated data and German COVID-19 infection forecasting
2025-Mar-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92995-6
PMID:40087346
|
研究论文 | 本文研究了在空间地理研究中，XGBoost模型采用全局建模还是局部建模更优的问题，并通过模拟数据和德国COVID-19感染预测案例进行了比较 | 探讨了XGBoost在空间地理研究中的全局与局部建模策略，并通过实证分析比较了两种方法的优劣 | 研究结果依赖于数据的平衡性和空间变异性，且局部建模的空间划分需要额外注意 | 比较XGBoost在空间地理研究中的全局建模与局部建模的效果 | 模拟数据和德国COVID-19感染数据 | 机器学习 | COVID-19 | XGBoost | XGBoost | 模拟数据和真实感染数据 | NA | NA | NA | NA | NA |
| 322 | 2025-05-16 |
Comparison of Deep Learning and Traditional Machine Learning Models for Predicting Mild Cognitive Impairment Using Plasma Proteomic Biomarkers
2025-Mar-08, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms26062428
PMID:40141072
|
research paper | 比较深度学习和传统机器学习模型在利用血浆蛋白质组生物标志物预测轻度认知障碍(MCI)中的表现 | 首次比较了深度学习和传统机器学习模型在预测MCI中的性能，并识别出与MCI相关的关键血浆蛋白质组生物标志物 | 样本量相对较小(239名成人)，且数据来自单一队列(ADNI) | 比较不同机器学习方法在预测轻度认知障碍方面的性能 | 239名成年人及其146种血浆蛋白质组生物标志物 | machine learning | geriatric disease | 血浆蛋白质组分析 | DNN, SVM, LR, NB, RF, KNN, GBM, XGBoost | 生物标志物数据 | 239名来自ADNI队列的成年人 | NA | NA | NA | NA |
| 323 | 2025-05-16 |
AD-VAE: Adversarial Disentangling Variational Autoencoder
2025-Mar-04, Sensors (Basel, Switzerland)
DOI:10.3390/s25051574
PMID:40096455
|
研究论文 | 提出了一种名为AD-VAE的新框架，用于单人样本人脸识别（SSPP FR），结合了变分自编码器（VAE）和生成对抗网络（GAN）技术 | AD-VAE框架通过结合VAE和GAN技术，能够从受控和野生数据集中学习构建具有代表性的身份保留原型，有效处理姿态、光照和遮挡等变化 | 未明确提及具体限制，但可能包括对极端姿态或遮挡情况的处理能力 | 解决单人样本人脸识别（SSPP FR）中学习鲁棒且具有判别性特征的挑战 | 人脸识别 | 计算机视觉 | NA | VAE, GAN | AD-VAE（结合VAE和GAN的混合模型） | 图像 | 使用了四个受控基准数据集（AR, E-YaleB, CAS-PEAL, FERET）和一个非受控数据集（LFW） | NA | NA | NA | NA |
| 324 | 2025-05-16 |
Relational similarity-based graph contrastive learning for DTI prediction
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf122
PMID:40127181
|
研究论文 | 本文提出了一种基于关系相似性的图对比学习方法（RSGCL-DTI），用于提高药物-靶标相互作用（DTI）预测的准确性 | 结合药物和蛋白质的结构特征与关系特征，通过图对比学习提取药物间和蛋白质间的关系特征，从而提升DTI预测性能 | NA | 提高药物-靶标相互作用预测的准确性，以促进药物再利用 | 药物和靶标蛋白质 | 机器学习 | NA | 图对比学习 | GNN, CNN, D-MPNN | 图数据 | 四个基准数据集 | NA | NA | NA | NA |
| 325 | 2025-05-16 |
DS-MVP: identifying disease-specific pathogenicity of missense variants by pre-training representation
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf119
PMID:40127180
|
研究论文 | 提出了一种名为DS-MVP的方法，用于预测人类基因组中错义变异的疾病特异性致病性 | DS-MVP通过预训练深度学习模型学习错义变异的丰富表示，并利用XGBoost模型在特定疾病的小数据集上进行微调，优于现有最先进方法 | 未提及具体样本量或数据集的详细限制 | 提高疾病诊断和临床研究的准确性，通过预测错义变异的疾病特异性致病性 | 人类基因组中的错义变异 | 机器学习 | NA | 深度学习预训练，XGBoost | 深度学习模型，XGBoost | 基因组数据 | NA | NA | NA | NA | NA |
| 326 | 2025-05-16 |
PCLSurv: a prototypical contrastive learning-based multi-omics data integration model for cancer survival prediction
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf124
PMID:40127182
|
research paper | 介绍了一种名为PCLSurv的创新深度学习框架，用于基于多组学数据的癌症生存预测 | 结合了自动编码器提取组学特异性特征，采用样本级对比学习识别数据视图间的互补特征，并通过原型对比学习增强模型捕捉高层次语义关系的能力 | NA | 提高癌症生存预测的准确性 | 癌症患者 | machine learning | cancer | multi-omics data integration | deep learning framework (PCLSurv) | multi-omics data | 11个癌症数据集 | NA | NA | NA | NA |
| 327 | 2025-05-16 |
MethPriorGCN: a deep learning tool for inferring DNA methylation prior knowledge and guiding personalized medicine
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf131
PMID:40131311
|
research paper | 提出了一种名为MethPriorGCN的深度学习工具，用于推断DNA甲基化先验知识并指导个性化医疗 | 通过整合层注意力机制和特征加权机制，MethPriorGCN不仅识别了可靠的甲基化数字生物标志物，还实现了卓越的疾病亚型分类准确性 | NA | 系统挖掘已知DNA甲基化与疾病关联中的可靠甲基化先验知识，并开发用于精准医疗应用的稳健计算方法 | DNA甲基化与人类疾病的关联 | machine learning | NA | DNA methylation sequencing | GCN (Graph Convolutional Network) | methylation data | NA | NA | NA | NA | NA |
| 328 | 2025-05-16 |
scSAMAC: saliency-adjusted masking induced attention contrastive learning for single-cell clustering
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf128
PMID:40131310
|
研究论文 | 提出了一种名为scSAMAC的新方法，用于单细胞数据的聚类分析，通过结合对比学习和负二项式损失到变分自编码器中，提高了聚类的鲁棒性和泛化能力 | scSAMAC方法创新性地整合了对比学习和负二项式损失到变分自编码器中，采用基因特征显著性调整的负样本生成方法构建掩码模块，并开发了包含软k均值损失、Wasserstein距离和对比损失的新损失函数，以及应用多头注意力机制模块增强特征相关性 | 未明确提及具体限制，但可能面临高维稀疏数据处理的挑战 | 提高单细胞数据的聚类性能，以便更好地分析细胞类型 | 单细胞测序数据 | 机器学习 | NA | 单细胞测序技术 | 变分自编码器（VAE）、多头注意力机制 | 单细胞测序数据 | NA | NA | NA | NA | NA |
| 329 | 2025-05-16 |
A review of neural networks for metagenomic binning
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf065
PMID:40131312
|
综述 | 本文详细回顾了人工神经网络在宏基因组分箱中的应用，比较了34种基于ANN的分箱工具 | 系统比较了34种基于ANN的分箱工具，揭示了深度学习方法的优势，并提出了未来研究方向 | 强调了基准测试实践的不足 | 描述微生物群落的分类多样性 | 宏基因组序列 | 机器学习 | NA | 宏基因组测序 | CNN, autoencoders | 序列数据 | NA | NA | NA | NA | NA |
| 330 | 2025-05-16 |
FungID: Innovative Fungi Identification Method with Chromogenic Profiling of Colony Color Patterns
2025-Mar-03, Pathogens (Basel, Switzerland)
DOI:10.3390/pathogens14030242
PMID:40137727
|
研究论文 | 介绍了一种名为FungID的新型深度学习算法，通过菌落颜色模式的显色分析来识别真菌物种 | 开发了基于CNN的FungID算法及其用户友好软件，用于通过显色分析快速可靠地识别真菌物种 | 需要仔细评估这些方法的适用范围和局限性 | 提高真菌物种识别的速度和可靠性，为健康、微生物学、生物技术等领域提供额外工具 | 真菌物种 | 计算机视觉 | NA | 显色分析 | CNN | 图像 | 269张图像 | NA | NA | NA | NA |
| 331 | 2025-05-16 |
Multimodal Artificial Intelligence Models Predicting Glaucoma Progression Using Electronic Health Records and Retinal Nerve Fiber Layer Scans
2025-Mar-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.3.27
PMID:40152766
|
研究论文 | 本研究开发了结合电子健康记录（EHRs）和视网膜神经纤维层光学相干断层扫描（RNFL OCT）扫描的多模态人工智能模型，用于预测青光眼患者是否需要手术 | 首次结合EHR和RNFL OCT扫描数据，使用TabNet深度学习架构预测青光眼手术需求，并证明其优于传统XGBoost模型 | 研究样本仅来自单一学术中心，可能限制模型的泛化能力 | 开发预测青光眼进展的人工智能模型 | 青光眼患者 | 数字病理 | 青光眼 | 光学相干断层扫描（OCT） | TabNet, XGBoost | 结构化临床数据（EHR）、医学影像（RNFL OCT扫描） | 1472名青光眼患者（其中367名进展至需要手术） | NA | NA | NA | NA |
| 332 | 2025-05-16 |
LOGLformer: Integrating local and global characteristics for depression scale estimation from facial expressions
2025-Mar-01, The Review of scientific instruments
DOI:10.1063/5.0231737
PMID:40130984
|
research paper | 提出了一种名为LOGLFormer的新型混合计算架构，用于从面部表情中估计抑郁量表，整合了CNN的局部属性和transformer的全局模式 | LOGLFormer架构首次整合了CNN和transformer的特性，通过特征对齐模块解决了两种特征集之间的差异，显著提升了自动抑郁检测的性能 | 仅在AVEC2013和AVEC2014两个抑郁数据库上进行了测试，未在其他数据集上验证其泛化能力 | 开发一种能够整合局部和全局面部动态特征的深度学习模型，用于自动抑郁检测 | 抑郁患者的面部表情 | affective computing | depression | deep learning | LOGLFormer (CNN + transformer) | facial expression images | AVEC2013和AVEC2014两个抑郁数据库 | NA | NA | NA | NA |
| 333 | 2025-05-16 |
Current AI Applications and Challenges in Oral Pathology
2025-Mar, Oral (Basel, Switzerland)
DOI:10.3390/oral5010002
PMID:40357025
|
review | 本文综述了人工智能在口腔病理学中的当前应用与挑战 | 探讨了AI在口腔病理学中的变革潜力，包括提高口腔疾病检测准确性和简化诊断流程 | 数据质量、泛化能力、法律与伦理问题、财务限制以及实践模式转变的需求 | 探索人工智能在口腔病理学中的潜在应用与挑战 | 口腔病理学中的AI应用 | digital pathology | oral diseases | machine learning (ML), deep learning (DL), convolutional neural networks (CNNs), natural language processing (NLP) | CNNs, NLP | image, text | NA | NA | NA | NA | NA |
| 334 | 2025-05-15 |
Rapid left ventricle mesh prediction by adaptive deformable model fitting
2025-Mar-28, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adc237
PMID:40101357
|
research paper | 提出了一种快速且无需训练的自适应可变形模型拟合框架，用于左心室网格预测 | 通过自适应网格模块和两阶段拟合方案，消除了对标注数据集的依赖，提高了跨不同心脏病理的泛化能力 | 在扩张型心肌病临床数据集中的Dice系数平均为0.78，仍有提升空间 | 克服现有方法在计算复杂度、对大规模配对训练数据的依赖以及跨心脏病理泛化能力有限的问题 | 左心室的三维网格重建 | digital pathology | cardiovascular disease | proper orthogonal decomposition, polyharmonic spline interpolation | adaptive deformable model | cardiac magnetic resonance imaging | 三个心脏磁共振成像数据集，包括扩张型心肌病临床数据集 | NA | NA | NA | NA |
| 335 | 2025-05-15 |
Deep learning techniques for proton dose prediction across multiple anatomical sites and variable beam configurations
2025-Mar-27, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adc236
PMID:40101365
|
research paper | 评估质子治疗中束流掩模实现和数据聚合对基于人工智能的剂量预测准确性的影响 | 结合束流掩模和数据聚合显著提高了质子治疗剂量预测的准确性，特别是在复杂病例中 | 数据聚合在低剂量区域可能产生负面影响 | 提高质子治疗中剂量预测的准确性 | 541例前列腺和632例头颈部质子治疗计划 | machine learning | prostate cancer, head and neck cancer | proton therapy | CNN | medical imaging | 541 prostate and 632 head and neck proton therapy plans | NA | NA | NA | NA |
| 336 | 2025-05-15 |
Fast and Accurate Prediction of Tautomer Ratios in Aqueous Solution via a Siamese Neural Network
2025-Mar-25, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c00041
PMID:40091187
|
研究论文 | 本研究开发了一个名为sPhysNet-Taut的深度学习模型，用于快速准确预测水溶液中互变异构体的比例 | 采用Siamese神经网络架构，基于实验数据微调，直接预测水溶液中互变异构体的比例，性能优于现有方法 | 模型依赖于MMFF94优化的分子几何结构，可能不适用于所有类型的分子 | 提高计算药物发现中互变异构体比例预测的准确性和速度 | 药物类分子的互变异构体 | 机器学习 | NA | 深度学习 | Siamese神经网络 | 分子几何结构数据 | 100个互变异构体数据集和SAMPL2挑战数据集 | NA | NA | NA | NA |
| 337 | 2025-05-15 |
Development and validation of a postoperative prognostic model for hormone receptor positive early stage breast cancer recurrence
2025-Mar-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92872-2
PMID:40121273
|
研究论文 | 开发并验证了一种基于Transformer的深度学习预后模型HERPAI，用于预测激素受体阳性早期乳腺癌患者的复发风险 | 首次为低复发风险患者开发了基于Transformer的深度学习预后模型，并在多中心数据中进行了验证 | 研究为回顾性设计，可能存在选择偏倚 | 开发预测激素受体阳性早期乳腺癌复发的预后模型 | 激素受体阳性/HER2阴性早期(T1-2N0-1)浸润性乳腺癌患者 | 数字病理 | 乳腺癌 | 深度学习 | Transformer | 临床和病理数据 | 6340名患者(5424名用于训练和验证，916名用于外部测试) | NA | NA | NA | NA |
| 338 | 2025-05-15 |
A novel framework for segmentation of small targets in medical images
2025-Mar-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94437-9
PMID:40121297
|
research paper | 提出了一种名为STS-Net的新型框架，专门用于医学图像中小目标的精确分割 | 采用ResNeXt50-32x4d架构作为编码器，并在编码阶段整合注意力机制以增强网络的特征表示能力 | 在训练样本数量有限的情况下，现有网络对小目标的分割仍存在困难 | 解决医学图像中小目标分割的挑战 | 医学图像中的小目标 | digital pathology | NA | deep learning | CNN | image | 四个公开数据集 | NA | NA | NA | NA |
| 339 | 2025-05-15 |
Deep-ProBind: binding protein prediction with transformer-based deep learning model
2025-Mar-22, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06101-8
PMID:40121399
|
研究论文 | 本文提出了一种名为Deep-ProBind的深度学习模型，用于预测蛋白质结合位点 | 结合了序列和结构信息，采用transformer和进化注意力机制，以及SHAP算法进行特征选择，显著提高了预测准确率 | 未提及具体的数据集规模限制或模型泛化能力测试 | 开发高准确率的蛋白质结合位点预测工具 | 蛋白质结合位点 | 生物信息学 | NA | BERT, PsePSSM-DWT, SHAP, DNN | transformer, Deep Neural Network | 序列数据, 结构数据 | 基准数据集和独立样本集（具体数量未提及） | NA | NA | NA | NA |
| 340 | 2025-05-15 |
Machine learning-based radiomics using MRI to differentiate early-stage Duchenne and Becker muscular dystrophy in children
2025-Mar-22, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-025-08538-7
PMID:40121488
|
研究论文 | 本研究利用MRI T2加权Dixon序列的放射组学特征，开发了一种机器学习分类模型，用于早期区分Duchenne和Becker肌营养不良症 | 结合放射组学和机器学习方法，首次在早期阶段有效区分DMD和BMD | 样本量较小（62例患者），且为回顾性研究 | 提高早期Duchenne和Becker肌营养不良症的鉴别诊断准确性 | 36-60月龄的肌营养不良症儿童患者（41例DMD，21例BMD） | 数字病理学 | 肌营养不良症 | MRI T2加权Dixon序列 | 机器学习算法（未指定具体模型） | 医学影像 | 62例患者（41例DMD，21例BMD） | NA | NA | NA | NA |