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 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2026-07-01 |
Enhancing HER2 testing in breast cancer: predicting fluorescence in situ hybridization (FISH) scores from immunohistochemistry images via deep learning
2025-03, The journal of pathology. Clinical research
DOI:10.1002/2056-4538.70024
PMID:40050230
|
研究论文 | 利用聚类约束注意力多实例深度学习模型，从免疫组化图像预测HER2评分和荧光原位杂交评分，以减少对反射性FISH检测的依赖 | 将深度学习应用于HER2 IHC评分和FISH评分预测，提高IHC测试的准确性，减少主观性和变异性，并降低对反射性FISH检测的依赖 | FISH预测模型准确性和灵敏度较低，虽然特异性高，但对低表达病例的识别能力有限 | 提高HER2检测的准确性，减少主观性和变异性，降低对反射性FISH检测的依赖 | 5,731张HER2 IHC图像，包括592例FISH检测的病例 | 计算机视觉 | 乳腺癌 | 免疫组化（IHC），荧光原位杂交（FISH） | 深度学习 | 图像 | 5,731张HER2 IHC图像，其中592例有FISH检测结果 | NA | 聚类约束注意力多实例学习模型 | 准确率，ROC AUC，敏感性，特异性 | NA |
| 22 | 2026-06-30 |
Graphene-based FETs for advanced biocatalytic profiling: investigating heme peroxidase activity with machine learning insights
2025-03-03, Mikrochimica acta
DOI:10.1007/s00604-025-06955-y
PMID:40029395
|
研究论文 | 利用石墨烯场效应晶体管探测辣根过氧化物酶和血红素的过氧化物酶活性，并结合机器学习进行酶学行为分析 | 首次将石墨烯FET的高灵敏度与多层感知机深度学习结合，用于酶动力学参数的精确预测和自杀失活机制研究 | NA | 评估石墨烯场效应晶体管在分析过氧化物酶活性中的有效性，并利用机器学习提高酶行为预测精度 | 辣根过氧化物酶和血红素分子 | 机器学习 | NA | 石墨烯场效应晶体管 | 多层感知机 | 电学信号 | NA | NA | 多层感知机 | NA | NA |
| 23 | 2026-06-19 |
Predicting rheumatoid arthritis progression from seronegative undifferentiated arthritis using machine learning: a deep learning model trained on the KURAMA cohort and externally validated with the ANSWER cohort
2025-03-26, Arthritis research & therapy
IF:4.4Q1
DOI:10.1186/s13075-025-03541-8
PMID:40140918
|
研究论文 | 利用机器学习预测血清阴性未分化关节炎向类风湿关节炎的进展，基于KURAMA队列训练及ANSWER队列外部验证的深度学习模型 | 针对血清阴性未分化关节炎这一临床难题，构建了仅使用临床和实验室参数的深度神经网络模型，并在独立外部队列中验证其预测性能，创新性在于克服了血清阴性RA分类标准难以满足的挑战 | NA | 开发并验证一个基于临床和实验室参数的机器学习模型，以预测血清阴性未分化关节炎向类风湿关节炎的进展 | 血清阴性未分化关节炎患者 | 机器学习 | 类风湿关节炎 | NA | 前馈神经网络 (FNN) | 表格数据（包含人口统计学、急性期反应物、自身抗体和体格检查参数） | KURAMA队列210例（57例进展为RA），ANSWER队列140例（45例进展为RA） | NA | 前馈神经网络 | ROC曲线下面积(AUC)、敏感度 | NA |
| 24 | 2026-06-19 |
A deep learning model for characterizing altered gyro-sulcal functional connectivity in abstinent males with methamphetamine use disorder and associated emotional symptoms
2025-03-06, Cerebral cortex (New York, N.Y. : 1991)
DOI:10.1093/cercor/bhaf062
PMID:40120102
|
研究论文 | 利用深度学习模型表征戒断男性甲基苯丙胺使用障碍患者的脑回-脑沟功能连接改变及其与情绪症状的关联 | 首次采用基于脑回-脑沟亚区划分的时空图卷积网络，揭示精细尺度上脑回与脑沟信号在甲基苯丙胺使用障碍病理中的差异化功能贡献 | NA | 探究甲基苯丙胺使用障碍患者脑回-脑沟信号在精神病理性中的独特功能贡献，并分析其与情绪症状的关联 | 48名戒断男性甲基苯丙胺使用障碍患者与48名年龄和性别匹配的健康对照者 | 机器学习 | 甲基苯丙胺使用障碍 | 静息态功能磁共振成像 | 时空图卷积网络 | 磁共振图像 | 96名受试者（48名患者，48名健康对照） | NA | 时空图卷积网络 | 平均分类准确率 | NA |
| 25 | 2026-06-17 |
Integrating deep learning with ECG, heart rate variability and demographic data for improved detection of atrial fibrillation
2025-03-31, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003185
PMID:40164487
|
研究论文 | 通过整合深度学习与心电图、心率变异性和人口统计数据来提高房颤检测能力 | 首次系统性地探索将心率变异性和人口统计数据（年龄和性别）与心电图数据结合，使用多种卷积神经网络模型（包括AlexNet、VGG-16、ResNet和Transformer）进行房颤检测，并通过显著性图验证模型行为 | 研究基于公共数据库，缺乏临床验证，且模型性能提升幅度有限 | 研究如何通过整合心率变异性和人口统计数据来改进心电图数据对房颤的自动检测 | 房颤患者的心电图记录及对应的心率变异性和人口统计数据 | 计算机视觉, 机器学习 | 房颤 | 心电图分析 | CNN, Transformer | 医学图像, 数值数据 | 35634条12导联心电图记录 | PyTorch, TensorFlow | AlexNet, VGG-16, ResNet, Transformer | AUROC, 灵敏度, 特异性, 精确度, 召回率, F1分数 | NA |
| 26 | 2026-06-17 |
Quantifying Facial Gestures Using Deep Learning in a New World Monkey
2025-03, American journal of primatology
IF:2.0Q1
DOI:10.1002/ajp.70013
PMID:40019116
|
研究论文 | 利用深度学习量化棉顶狨猴的面部姿态 | 首次采用无标记姿态估计算法自动区分棉顶狨猴的发声与非发声面部形态，并验证不同行为背景下面部姿态的独特性 | 仅基于圈养个体的视频数据，可能未反映自然条件下的面部行为多样性 | 自动量化灵长类动物面部姿态的独特性，以推进多模态沟通研究 | 棉顶狨猴的面部姿态 | 计算机视觉 | NA | 无标记姿态估计 | 机器学习分类器 | 视频 | 未明确说明样本量 | NA | NA | 正确分类率 | NA |
| 27 | 2026-06-15 |
Radiomics in glioma: emerging trends and challenges
2025-03, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.52306
PMID:39901654
|
综述 | 本文综述了放射组学在胶质瘤中的应用、新兴趋势和挑战 | 整合深度学习算法增强放射组学各组件，并探讨特定肿瘤生境、先进成像技术和多组学数据整合的作用 | 模型可重复性、泛化性、可解释性和多组学数据整合等挑战尚未解决 | 综述放射组学在胶质瘤中的应用和未来方向 | 胶质瘤 | 医学图像分析 | 胶质瘤 | 放射组学，深度学习，扩散加权成像，灌注加权成像，磁共振波谱，磁共振指纹成像，功能MRI，PET | 深度学习模型 | 影像数据，多组学数据（基因组学、转录组学、蛋白质组学、病理组学） | NA | NA | NA | NA | NA |
| 28 | 2026-06-15 |
A Deep Learning Model for Three-Dimensional Determination of Whole Thoracic Vertebral Bone Mineral Density from Noncontrast Chest CT: The Multi-Ethnic Study of Atherosclerosis
2025-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.242133
PMID:40067103
|
研究论文 | 该研究利用基于nnU-net的TotalSegmentator算法在非增强胸部CT图像上三维测量全胸椎骨密度，并结合FRAXnb预测椎体骨折 | 首次在常规非增强胸部CT中利用三维深度学习算法全自动测量T1-T10椎体骨密度，相较二维方法降低了测量不确定性，并展示了与骨折风险评估工具结合的增量预测价值 | NA | 评估TotalSegmentator算法在非增强胸部CT上准确测量三维胸椎骨密度及其预测椎体骨折的能力 | T1-T10椎体的三维骨密度测量及其与骨折风险的关联 | 计算机视觉 | 骨质疏松症、椎体骨折 | CT | nnU-net（卷积神经网络） | 图像 | 2956名参与者（其中1304名有随访数据），来自MESA队列 | PyTorch | nnU-net（集成了U-Net架构） | Dice系数、交并比（IoU）、AUC | NA |
| 29 | 2026-06-07 |
Distinguishing the activity of flexor digitorum brevis and soleus across standing postures with deep learning models
2025-03, Gait & posture
IF:2.2Q2
DOI:10.1016/j.gaitpost.2024.12.014
PMID:39674063
|
研究论文 | 利用深度学习模型区分不同站立姿势下趾短屈肌和比目鱼肌的肌电活动 | 首次使用深度学习模型基于高密度表面肌电信号区分趾短屈肌和比目鱼肌在四种站立姿势下的活动，发现趾短屈肌在姿势调整中表现出更明显的时空调制特征 | 未提及模型泛化性验证、样本量较小、仅针对健康年轻男性 | 通过深度学习模型区分不同站立姿势下趾短屈肌和比目鱼肌的肌电活动差异 | 趾短屈肌和比目鱼肌的肌电活动 | 机器学习 | NA | 高密度表面肌电信号 | 深度卷积神经网络 | 肌电信号 | 健康年轻男性受试者，具体数量未提及 | NA | 深度卷积神经网络 | 分类准确率 | NA |
| 30 | 2026-06-07 |
Convolutional Neural Networks for the segmentation of hippocampal structures in postmortem MRI scans
2025-03, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2024.110359
PMID:39755177
|
研究论文 | 探索使用卷积神经网络自动分割死后MRI扫描中的海马结构 | 提出了一种融合自注意力机制和空洞空间金字塔池化的编码器-解码器分割框架，用于识别海马的四个亚区域 | 训练数据仅来自15例死后的MRI扫描，样本量较小，可能影响模型的泛化能力 | 开发全自动方法对死后MRI中的海马亚区域进行准确分割，以量化阿尔茨海默病引起的结构变化 | 死后大脑的T1加权、T2加权和磁敏加权MRI扫描中的海马结构，包括齿状回、海马头、海马体和海马尾 | 计算机视觉 | 阿尔茨海默病 | 死后MRI扫描 | 卷积神经网络 | 影像 | 15例死后MRI扫描（含T1加权、T2加权和磁敏加权影像） | NA | UNet, Double UNet, Attention UNet, Multi-resolution UNet | 定性比较和定量比较 | NA |
| 31 | 2026-06-07 |
Deep learning for age estimation from panoramic radiographs: A systematic review and meta-analysis
2025-03, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2025.105560
PMID:39826609
|
系统性综述与荟萃分析 | 评估深度学习在基于全景X线片的年龄估计中的性能 | 首次通过系统综述和荟萃分析全面评估深度学习在全景X线片年龄估计中的表现，并量化其平均绝对误差 | 多数研究偏倚风险不明确或较高，研究间性能差异大，限制了临床推广 | 评估深度学习在全景X线片年龄估计中的准确性 | 基于深度学习进行年龄估计的研究及其性能指标 | 机器学习, 数字病理学 | NA | 深度学习 | 深度学习模型 (如CNN等未具体说明) | 影像 (全景X线片) | 纳入42项研究，其中9项用于荟萃分析 | NA | NA | 准确率, 平均绝对误差 | NA |
| 32 | 2026-06-07 |
PIDGN: An explainable multimodal deep learning framework for early prediction of Parkinson's disease
2025-03, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2025.110363
PMID:39832626
|
研究论文 | 提出一种可解释的多模态深度学习框架PIDGN，用于帕金森病早期预测 | 融合SNP和sMRI数据设计可解释的深度学习模型，结合集成树降维、Transformer编码器与3D ResNet，并利用门控注意力融合技术探索模态间交互，同时采用SHAP值和Grad-CAM解释模型预测的关键因素 | 未提及具体局限性 | 实现帕金森病的早期诊断，辅助医生及时治疗 | 帕金森病（PD）患者数据 | 机器学习 | 神经退行性疾病 | SNP分型、sMRI成像 | 深度学习分类模型 | 基因数据（SNP）和影像数据（sMRI） | 未提及具体样本数量 | PyTorch | Transformer编码器、3D ResNet、门控注意力融合 | 准确率（Accuracy）、AUC（AUROC） | NA |
| 33 | 2026-06-07 |
Research of orthodontic soft tissue profile prediction based on conditional generative adversarial networks
2025-03, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2025.105570
PMID:39864612
|
研究论文 | 构建一种新的条件生成对抗网络模型来预测正畸治疗后侧貌变化 | 提出Soft-P-CGAN模型，融合条件向量输入模块、基于U-Net的生成器模块和基于PatchGAN的判别器模块，并设计Soft loss以增强软组织轮廓生成以及多尺度特征金字塔优化图像质量 | 下颌区域预测相对不准确 | 预测正畸治疗后侧貌变化，辅助临床医生设定正畸治疗目标 | 正畸成人患者的侧位头影X线片 | 计算机视觉 | 正畸相关口腔疾病 | 侧位头影X线成像 | 条件生成对抗网络 | 图像 | 成人患者的正畸前（T1）和正畸后（T2）侧位头影X线片，扩充后按8:1:1随机划分为训练、验证和测试集 | NA | U-Net, PatchGAN, Pix2Pix, Cycle-GAN, CGAN | 平均径向误差（MRE）、2.0/2.5/3.0/4.0 mm范围内的成功检测率（SDR） | NA |
| 34 | 2026-06-07 |
Automated diagnosis and classification of temporomandibular joint degenerative disease via artificial intelligence using CBCT imaging
2025-03, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2025.105592
PMID:39870190
|
研究论文 | 使用人工智能技术实现颞下颌关节退行性关节病的CBCT图像自动诊断与分类 | 首次利用YOLOv10算法在CBCT图像上自动识别颞下颌关节退行性关节病的多种影像学征象，包括侵蚀、骨赘、硬化和软骨下囊肿 | 模型对于同时包含多个退行性关节病征象的图像分类准确率较低，且研究仅基于单一中心的CBCT图像数据 | 开发并验证基于深度学习的颞下颌关节退行性关节病自动诊断与分类方法 | 颞下颌关节退行性关节病的CBCT影像学征象分类 | 计算机视觉 | 颞下颌关节退行性关节病 | CBCT成像 | YOLOv10算法 | 图像 | 1018名患者的7357张标注CBCT图像（3010张正常髁突图像和4347张退行性关节病髁突图像） | NA | YOLOv10 | 准确率、精确率、灵敏度、特异性、F1分数、平均精度均值 | NA |
| 35 | 2026-06-07 |
LGS-PPIS: A Local-Global Structural Information Aggregation Framework for Predicting Protein-Protein Interaction Sites
2025-03, Proteins
IF:3.2Q2
DOI:10.1002/prot.26763
PMID:39520116
|
研究论文 | 提出了一种局部-全局结构信息聚合框架LGS-PPIS，用于预测蛋白质-蛋白质相互作用位点 | 该框架包含边缘感知图卷积网络（EA-GCN）和集成初始残差与恒等映射的自注意力机制（SA-RIM），分别捕获局部和全局特征，并证明局部特征对PPIS预测作用更显著 | 现有方法仅考虑节点特征而忽略边特征，且无法捕捉远程残基的全局特征 | 预测蛋白质-蛋白质相互作用位点，克服湿实验高成本并解决现有深度学习方法特征提取不足的问题 | 蛋白质-蛋白质相互作用位点（PPIS） | 机器学习 | NA | NA | 图卷积网络（GCN），自注意力机制 | 蛋白质序列与结构数据 | 三个广泛使用的PPIS预测基准数据集 | NA | 边缘感知图卷积网络（EA-GCN），集成初始残差与恒等映射的自注意力机制（SA-RIM） | 评估指标未明确列出，但提及优于最先进方法 | NA |
| 36 | 2026-06-01 |
Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multimodal deep learning
2025-Mar-22, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01560-y
PMID:40121304
|
研究论文 | 开发了一种可解释的基于图的多模态晚期融合深度学习框架，整合组织病理学、细胞类型和基因表达数据，预测肌层浸润性膀胱癌对新辅助化疗的反应 | 提出可解释的图基多模态晚期融合框架，融合H&E图像、细胞类型数据和RNA-seq基因表达谱，发现新的组织病理、细胞和分子预测因子 | NA | 构建准确预测模型并识别肌层浸润性膀胱癌治疗反应的生物标志物 | 肌层浸润性膀胱癌患者 | 机器学习 | 膀胱癌 | RNA-seq | 图神经网络 | 图像、文本 | 来自SWOG S1314-COXEN临床试验的样本 | NA | 图基多模态晚期融合 | NA | NA |
| 37 | 2026-05-31 |
A deep learning framework for automated and generalized synaptic event analysis
2025-Mar-05, eLife
IF:6.4Q1
DOI:10.7554/eLife.98485
PMID:40042890
|
研究论文 | 提出一种基于深度学习的监督方法miniML，用于自动检测和分类自发突触事件，并验证其在多种实验条件下的通用性 | 首次将深度学习框架miniML应用于自发突触事件的自动化分析，在精确度和召回率上优于传统方法，且易于跨物种、跨记录技术和跨突触类型泛化 | 未提及具体局限，但依赖监督学习需要大量标注数据，可能对罕见突触事件检测不足 | 开发一种自动化、可靠且标准化的突触事件分析框架，以促进神经功能的高通量研究 | 模拟真实数据和多种生物样本中的自发突触事件 | 机器学习 | 神经疾病 | 电生理记录, 光学记录 | CNN（卷积神经网络） | 电信号, 图像 | 未在标题和摘要中明确说明样本数量 | NA | NA | 精确度, 召回率 | NA |
| 38 | 2026-05-30 |
Risk-Stratified Screening: A Simulation Study of Scheduling Templates on Daily Mammography Recalls
2025-03, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.12.010
PMID:40044308
|
研究论文 | 通过仿真模拟评估风险分层筛查调度对每日乳腺X光检查召回率的影响 | 将基于AI和深度学习的癌症风险分层整合到每日筛查调度中，以优化同一天诊断检查的利用，减少后续预约需求 | 基于模拟而非真实临床数据，且未涉及实际实施中的复杂性，如患者依从性或资源限制 | 评估与传统随机调度相比，风险分层筛查调度对乳腺X光检查工作流程中召回率、运营时间和患者等待时间的影响 | 基于离散事件模拟的高容量乳腺成像中心的每日患者调度流程 | 计算机视觉 | 乳腺癌 | 没有使用特定的测序或组学技术；主要涉及AI辅助诊断和深度学习 | 深度学习风险模型 | 模拟数据 | 每日60名患者（模型中平均42%接受筛查，11%约3名被推荐诊断检查） | NA | NA | 召回率方差、运营时间、患者等待时间 | NA |
| 39 | 2026-05-30 |
Opportunistic Detection of Hepatocellular Carcinoma Using Noncontrast CT and Deep Learning Artificial Intelligence
2025-03, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.12.011
PMID:40044303
|
研究论文 | 利用非增强CT和深度学习人工智能算法机会性检测肝细胞癌 | 首次探索非增强CT在肝细胞癌机会性筛查中的应用，并开发了基于3D卷积块注意力模块的人工智能算法 | 未提及具体限制，但可能包括样本选择偏倚、外部验证队列规模有限等 | 开发一种仅使用非增强CT进行高效准确肝细胞癌检测的人工智能算法 | 肝细胞癌患者及高风险人群的非增强CT扫描图像 | 计算机视觉，数字病理 | 肝癌 | CT成像 | 3D卷积块注意力模块 | CT图像 | 共2,223名患者（内部验证）和584名患者（外部测试） | NA | 卷积块注意力模块 | AUC | NA |
| 40 | 2026-05-30 |
Applying Artificial Intelligence to Quantify Body Composition on Abdominal CTs and Better Predict Kidney Transplantation Wait-List Mortality
2025-03, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2025.01.004
PMID:40044312
|
研究论文 | 利用人工智能量化腹部CT上的身体成分，以更好地预测肾移植等待名单死亡率 | 首次应用深度学习模型全自动量化肾移植候选者的腹部CT身体成分数据，包括脂肪、主动脉钙化、骨密度和肌肉质量，并评估其在预测等待名单死亡率中的价值 | 单中心回顾性研究，样本量有限，需要外部验证；身体成分参数与EPTS联合改善预测性能有限 | 评估人工智能辅助提取腹部CT身体成分数据能否改善肾移植等待名单死亡率的预测 | 2007年1月1日至2017年12月31日期间等待肾移植的候选者 | 机器学习和数字病理学 | 肾脏疾病 | CT成像 | 深度学习模型 | CT图像 | 899名肾移植候选者 | NA | NA | 受试者工作特征曲线下面积 (AUC) | NA |