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 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 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 |
| 402 | 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 |
| 403 | 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 |
| 404 | 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 |
| 405 | 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 |
| 406 | 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 |
| 407 | 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 |
| 408 | 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 |
| 409 | 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 |
| 410 | 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 |
| 411 | 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 |
| 412 | 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 |
| 413 | 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 |
| 414 | 2025-05-15 |
RNAmigos2: accelerated structure-based RNA virtual screening with deep graph learning
2025-Mar-21, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-57852-0
PMID:40118849
|
research paper | 介绍了一种名为RNAmigos2的基于深度图学习的RNA虚拟筛选方法，显著提高了筛选速度和准确性 | 首次将数据驱动的虚拟筛选流程应用于RNA，结合粗粒度3D建模、合成数据增强和RNA特异性自监督学习，实现了比传统分子对接快10,000倍的速度 | RNA领域的数据有限，且机器学习在该领域的应用仍不成熟 | 开发一种高效的RNA虚拟筛选方法，以加速RNA药物的发现 | RNA分子及其潜在药物靶点 | machine learning | NA | deep graph learning, synthetic data augmentation, RNA-specific self-supervision | deep learning | 3D RNA structure data | 20,000-compound in-vitro microarray | NA | NA | NA | NA |
| 415 | 2025-05-15 |
Bulldogs stenosis degree classification using synthetic images created by generative artificial intelligence
2025-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92769-0
PMID:40119072
|
research paper | 本研究开发了一种自动深度学习模型，用于分类斗牛犬鼻狭窄的严重程度 | 使用包括真实和AI生成的样本在内的图像，测试了五种神经网络架构，并比较了模型与专业兽医解剖学评估者的性能 | DenseNet201的中位F-score为54.04%，性能仍有提升空间 | 开发自动分类斗牛犬鼻狭窄严重程度的深度学习模型 | 斗牛犬的鼻孔图像 | computer vision | nasal stenosis | generative artificial intelligence | DenseNet201 | image | 1020张斗牛犬鼻孔图像（包括真实和AI生成的样本） | NA | NA | NA | NA |
| 416 | 2025-05-15 |
Exploring the impact of hyperparameter and data augmentation in YOLO V10 for accurate bone fracture detection from X-ray images
2025-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93505-4
PMID:40119100
|
研究论文 | 本研究探讨了超参数和数据增强技术对YOLO V10架构在X射线图像中准确检测骨折性能的影响 | 通过结合特定的超参数组合和目标增强策略，显著提高了骨折检测的准确性和精确度 | 研究仅针对YOLO V10架构，未与其他最新模型进行对比 | 提高X射线图像中骨折检测的准确性和精确度 | X射线图像中的骨折 | 计算机视觉 | 骨折 | 图像非锐化掩模方法和对比度受限的自适应直方图均衡化 | YOLO V10 | 图像 | NA | NA | NA | NA | NA |
| 417 | 2025-05-15 |
Merging synthetic and real embryo data for advanced AI predictions
2025-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94680-0
PMID:40119109
|
研究论文 | 本文探讨了如何通过结合合成和真实的胚胎数据来提高AI在胚胎形态评估中的预测准确性 | 使用两种生成模型（包括扩散模型和生成对抗网络）生成合成胚胎图像，并与真实图像结合训练分类模型，显著提高了分类性能 | 合成图像的逼真度仍有提升空间，且需要更多外部数据集的验证 | 提高辅助生殖技术中胚胎形态评估的准确性 | 胚胎图像 | 计算机视觉 | 生殖健康 | 生成模型（扩散模型和生成对抗网络） | CNN | 图像 | 两个数据集（一个公开可用，一个现有公共数据集） | NA | NA | NA | NA |
| 418 | 2025-05-15 |
A fusion model to predict the survival of colorectal cancer based on histopathological image and gene mutation
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91420-2
PMID:40113813
|
研究论文 | 提出了一种基于组织病理学图像和基因突变的多模态深度学习计算框架，用于预测结直肠癌患者的5年生存率 | 首次将组织病理学图像与分子数据结合，使用Multimodal Compact Bilinear Pooling (MCBP)方法预测结直肠癌患者的生存率 | 样本量较小（84例），且仅使用了TCGA数据库的数据 | 预测结直肠癌患者的5年生存率，以辅助临床决策 | 结直肠癌患者 | 数字病理学 | 结直肠癌 | mRNA测序、基因突变分析 | MCBP | 图像、文本（临床信息）、基因数据 | 84例（来自TCGA数据库，包含组织病理学图像、临床信息、mRNA测序数据和基因突变数据） | NA | NA | NA | NA |
| 419 | 2025-05-15 |
Spatio-temporal epidemic forecasting using mobility data with LSTM networks and attention mechanism
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94089-9
PMID:40113855
|
research paper | 本研究提出了一种结合LSTM网络和多头注意力机制的深度学习模型，用于短期预测传染病趋势，以日本COVID-19确诊病例和住院数据为例 | 结合LSTM网络和多头注意力机制，利用移动数据捕捉时空动态，提高预测准确性 | 研究仅基于日本的数据，可能在其他地区的适用性有限 | 短期预测传染病趋势以辅助决策制定和疫情控制策略开发 | COVID-19确诊病例和住院数据 | machine learning | COVID-19 | NA | LSTM, attention mechanism | 时间序列数据，移动数据 | 日本COVID-19确诊病例和住院数据 | NA | NA | NA | NA |
| 420 | 2025-05-15 |
A hybrid object detection approach for visually impaired persons using pigeon-inspired optimization and deep learning models
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92239-7
PMID:40113884
|
research paper | 提出了一种结合鸽群优化和深度学习模型的混合物体检测方法，用于帮助视障人士安全导航 | 结合了YOLOv10框架、CapsNet和InceptionV3的特征提取模型融合，以及MHA-BiLSTM分类方法，并使用鸽群优化算法进行超参数调优 | 仅在室内物体检测数据集上进行了验证，未涉及室外复杂环境 | 开发可靠精确的物体检测系统以帮助视障人士安全导航 | 视障人士及其周围环境中的物体 | computer vision | NA | deep learning, pigeon-inspired optimization | YOLOv10, CapsNet, InceptionV3, MHA-BiLSTM | image | Indoor Objects Detection数据集（具体数量未提及） | NA | NA | NA | NA |