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 1370 篇文献，本页显示第 681 - 700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 681 | 2025-10-07 |
ABTrans: A Transformer-based Model for Predicting Interaction between Anti-Aβ Antibodies and Peptides
2025-Mar, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-024-00664-5
PMID:39466358
|
研究论文 | 开发基于Transformer的深度学习模型ABTrans，用于预测抗Aβ抗体与多肽之间的相互作用 | 首次将Transformer架构应用于抗Aβ抗体-多肽相互作用预测，能够对结合能力进行四级分类 | 模型训练数据主要来源于噬菌体展示实验和公共数据库，可能受数据覆盖范围限制 | 预测抗Aβ抗体与多肽的结合能力，评估抗体交叉反应性 | 抗Aβ抗体和十二肽序列 | 自然语言处理 | 阿尔茨海默病 | 噬菌体展示 | Transformer | 蛋白质序列数据 | 来自噬菌体展示实验的十二肽序列和公共来源的抗Aβ抗体序列 | NA | Transformer | 准确率 | NA |
| 682 | 2025-10-07 |
Spatial structural abnormality maps associated with cognitive and physical performance in relapsing-remitting multiple sclerosis
2025-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11157-w
PMID:39470796
|
研究论文 | 使用深度学习算法识别复发缓解型多发性硬化症患者脑部空间结构异常与认知和身体功能表现的关系 | 首次使用3D nnU-Net生成空间异常图来表征RRMS患者的脑部异常，并基于此识别出五种具有不同临床特征的亚型 | 研究样本量相对有限，需要更大规模的外部验证 | 探索复发缓解型多发性硬化症患者脑部异常与认知和身体功能表现的关系 | 复发缓解型多发性硬化症患者 | 医学影像分析 | 多发性硬化症 | T1加权磁共振成像 | 深度学习 | 3D医学影像 | 370名RRMS患者（数据集1：281人，数据集2：33人，数据集3：56人） | NA | 3D nnU-Net | Kruskal-Wallis检验，Kaplan-Meier分析 | NA |
| 683 | 2025-10-07 |
SPINEPS-automatic whole spine segmentation of T2-weighted MR images using a two-phase approach to multi-class semantic and instance segmentation
2025-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11155-y
PMID:39470797
|
研究论文 | 介绍SPINEPS深度学习方法，用于在全身矢状T2加权磁共振图像中对14个脊柱结构进行语义和实例分割 | 首个公开可用的能够对T2加权矢状TSE图像中整个脊柱（包括后部元素）进行语义和实例分割的算法 | NA | 开发自动全脊柱分割方法，便于生物标志物提取、病理定位和退行性疾病分析 | 14个脊柱结构（十个椎骨子结构、椎间盘、脊髓、椎管和骶骨） | 医学影像分析 | 脊柱疾病 | T2加权涡轮自旋回波磁共振成像 | 深度学习 | MRI图像 | 公开数据集179训练/39测试，德国国家队列1412训练/65测试，内部数据集10测试 | nnUNet | 两阶段方法：语义分割模型+滑动窗口实例分割模型 | Dice分数，平均对称表面距离 | NA |
| 684 | 2025-10-07 |
Evaluation of a deep learning-based software to automatically detect and quantify breast arterial calcifications on digital mammogram
2025-Mar, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2024.10.001
PMID:39490357
|
研究论文 | 评估基于深度学习的软件自动检测和量化数字乳腺X线摄影中乳腺动脉钙化的性能 | 开发了首个能够自动检测和量化乳腺动脉钙化的深度学习软件，并与传统放射科医师视觉评分进行对比验证 | 单中心回顾性研究，样本量相对有限（502名女性） | 评估人工智能软件在自动检测和量化乳腺动脉钙化方面的性能 | 接受乳腺X线摄影和胸部CT检查的女性患者 | 数字病理学 | 心血管疾病 | 数字乳腺X线摄影，胸部CT | 深度学习 | 医学影像 | 502名女性，中位年龄62岁（范围42-96岁） | NA | NA | 灵敏度, 特异度, 准确率, 阳性预测值, 阴性预测值, AUC | NA |
| 685 | 2025-04-26 |
Comparing No-Code Platforms and Deep Learning Models for Glaucoma Detection From Fundus Images
2025-Mar, Cureus
DOI:10.7759/cureus.81064
PMID:40271336
|
research paper | 本研究比较了两种无代码机器学习平台（Google的Teachable Machine和Apple的Create ML）与传统深度学习模型ResNet200d在使用ACRIMA数据集对视网膜眼底图像进行青光眼分类的性能 | 首次比较无代码平台与传统深度学习模型在青光眼检测中的性能，展示了无代码平台在医疗图像分析中的潜力 | 研究仅使用了单一数据集（ACRIMA），建议未来研究使用更多样化的数据集验证结果 | 评估无代码平台与传统深度学习模型在青光眼检测中的性能差异 | 视网膜眼底图像 | digital pathology | glaucoma | machine learning | ResNet200d, Create ML, Teachable Machine | image | 705张标注的视网膜眼底图像（326张青光眼，239张非青光眼），验证集包含70张青光眼和70张非青光眼图像 | NA | NA | NA | NA |
| 686 | 2025-04-25 |
Vision Transformer Autoencoders for Unsupervised Representation Learning: Capturing Local and Non-Local Features in Brain Imaging to Reveal Genetic Associations
2025-Mar-25, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.24.25324549
PMID:40196251
|
研究论文 | 本文提出了一种基于视觉变换器（ViT）自编码器的无监督表示学习方法，用于从脑成像数据中提取局部和非局部特征，以揭示遗传关联 | 利用ViT模型的成对注意力机制和位置嵌入，能够捕捉脑MRI数据中的非局部模式（如左右半球对称性），发现了10个之前基于CNN的UDIP模型未报告的遗传位点 | 未明确提及具体局限性 | 通过无监督表示学习从脑成像数据中发现与脑结构相关的遗传位点 | 脑MRI数据 | 计算机视觉 | NA | 视觉变换器（ViT）自编码器 | ViT | 图像 | UK Biobank（UKBB）数据集的128个内表型 | NA | NA | NA | NA |
| 687 | 2025-04-25 |
Three-photon population imaging of subcortical brain regions
2025-Mar-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.21.644611
PMID:40166349
|
研究论文 | 本文介绍了一种新型的三光子显微镜LIFT，用于深层脑区的大规模细胞活动成像 | 开发了具有大视场（>3 mm）的LIFT显微镜，结合深度学习去噪技术，实现了深层脑区的高质量成像 | 由于三光子成像固有的低重复率源和增加的组织加热问题，成像视场仍受限制 | 开发一种能够记录深层神经回路中大量细胞活动的成像技术 | 小鼠和大鼠的脑区（CA1、白质和皮层深层） | 神经科学成像技术 | NA | 三光子成像技术、深度学习去噪 | 深度学习 | 钙成像数据 | 超过1500个细胞（小鼠CA1区、白质和皮层深层）及大鼠皮层（深度1.2mm） | NA | NA | NA | NA |
| 688 | 2025-03-20 |
Deep learning approaches to predict late gadolinium enhancement and clinical outcomes in suspected cardiac sarcoidosis
2025-Mar-18, Sarcoidosis, vasculitis, and diffuse lung diseases : official journal of WASOG
DOI:10.36141/svdld.v42i1.15378
PMID:40100114
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 689 | 2025-04-25 |
Effectiveness and Efficiency: Label-Aware Hierarchical Subgraph Learning for Protein-Protein Interaction
2025-Mar-15, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2024.168737
PMID:39102976
|
研究论文 | 本文提出了一种标签感知的层次子图学习方法（laruGL-PPI），用于有效推断蛋白质-蛋白质相互作用（PPIs），并解决现有方法中的拓扑捷径和高计算成本问题 | 引入基于边的子图采样以缓解拓扑捷径问题，并将PPIs的内外连接建模为层次图，同时通过标签图构建相互作用类型之间的依赖关系 | 未提及具体局限性 | 提高蛋白质-蛋白质相互作用预测的准确性和计算效率 | 蛋白质-蛋白质相互作用（PPIs） | 生物信息学 | NA | 图神经网络（GNNs） | laruGL-PPI | 图数据 | 多种规模的PPI数据集 | NA | NA | NA | NA |
| 690 | 2025-04-25 |
Bi-level graph learning unveils prognosis-relevant tumor microenvironment patterns in breast multiplexed digital pathology
2025-Mar-14, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101178
PMID:40182181
|
research paper | 提出了一种数据驱动且可解释的方法，用于识别与患者预后相关的肿瘤微环境中的细胞模式 | 引入了双层图模型（细胞图和群体图），提供了一种新的可解释的生物标志物识别方法 | 方法虽然在乳腺癌中验证，但在其他癌症类型中的普适性需要进一步验证 | 识别与患者预后相关的肿瘤微环境中的细胞模式 | 乳腺癌患者的肿瘤微环境 | digital pathology | breast cancer | deep learning | bi-level graph model | multiplexed digital pathology images | 在两个独立队列中验证 | NA | NA | NA | NA |
| 691 | 2025-04-25 |
Structural Connectome Analysis using a Graph-based Deep Model for Age and Dementia Prediction
2025-Mar-13, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.09.642165
PMID:40161600
|
research paper | 该研究提出了一种基于图卷积网络（GCNs）的机器学习模型，用于预测年龄和迷你精神状态检查（MMSE）分数，基于从扩散磁共振图像中获取的结构性脑连接数据 | 模型架构的创新，特别是连接注意力模块，能够学习脑图的嵌入表示并提供图级注意力 | NA | 预测年龄和MMSE分数，以增进对健康和疾病的理解 | 结构脑连接数据 | machine learning | geriatric disease | diffusion magnetic resonance imaging | GCN | image | 公开可用的PREVENT-AD和OASIS3数据集 | NA | NA | NA | NA |
| 692 | 2025-04-25 |
IDP-EDL: enhancing intrinsically disordered protein prediction by combining protein language model and ensemble deep learning
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf182
PMID:40254833
|
research paper | 提出了一种结合蛋白质语言模型和集成深度学习的方法IDP-EDL，用于增强内在无序蛋白质的预测 | 通过任务特定的监督微调捕捉长无序区域(LDRs)和短无序区域(SDRs)的不同特征，并集成三个任务特定的预测器 | 未明确提及具体局限性 | 提高内在无序区域(IDRs)的预测准确性，区分长无序区域(LDRs)和短无序区域(SDRs) | 蛋白质中的内在无序区域(IDRs) | 生物信息学 | NA | 蛋白质语言模型、集成深度学习 | ensemble deep learning | 蛋白质序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 693 | 2025-04-25 |
The impact of deep learning on diagnostic performance in the differentiation of benign and malignant thyroid nodules
2025-Mar-02, Medical ultrasonography
IF:1.8Q3
DOI:10.11152/mu-4432
PMID:39231286
|
研究论文 | 本研究利用深度学习技术通过超声图像对甲状腺结节进行良恶性分类，并探讨了深度学习对不同经验水平的放射科医生诊断成功率的影响 | 首次系统评估了深度学习辅助诊断对不同经验水平放射科医生在甲状腺结节良恶性鉴别中的提升效果 | 研究样本量有限（576张超声图像），且仅评估了四种经验水平的放射科医生 | 提高甲状腺结节良恶性鉴别的诊断准确率 | 甲状腺结节超声图像 | 数字病理 | 甲状腺疾病 | 超声检查(US) | 深度学习模型（未指定具体架构） | 图像 | 576张甲状腺结节超声图像（80%训练集/20%测试集） | NA | NA | NA | NA |
| 694 | 2025-04-25 |
Deep learning-based analysis of gross features for ovarian epithelial tumors classification: A tool to assist pathologists for frozen section sampling
2025-Mar, Human pathology
IF:2.7Q2
DOI:10.1016/j.humpath.2025.105762
PMID:40122402
|
research paper | 本研究提出了一种基于Swin Transformer的SGFD-network，用于辅助病理学家通过大体特征定位卵巢上皮性肿瘤的病变区域 | 首次利用深度学习分析大体图像特征辅助卵巢上皮性肿瘤分类，特别是针对冰冻切片采样中的微浸润鉴别难题 | 研究仅基于4129张大样本图像，未说明外部验证集的性能表现 | 开发辅助病理学家进行卵巢上皮性肿瘤冰冻切片采样的AI工具 | 卵巢上皮性肿瘤的大体图像特征 | digital pathology | ovarian cancer | deep learning | Swin Transformer | image | 4129张卵巢上皮性肿瘤大体图像 | NA | NA | NA | NA |
| 695 | 2025-04-24 |
The Prediction of Recombination Hotspot Based on Automated Machine Learning
2025-Mar-15, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2024.168653
PMID:38871176
|
研究论文 | 本文研究基于自动化机器学习的重组热点预测方法，通过结合序列信息和物理化学特性，提高了预测准确率 | 采用自动化机器学习方法构建重组热点预测模型，结合TF-IDF-Kmer和DNA组成成分提取更有效的特征数据，并在三个不同数据集上验证了模型的有效性 | 未明确提及具体的数据集规模或多样性限制 | 提高重组热点预测的准确性和泛化能力 | 基因序列中的重组热点 | 机器学习 | NA | 自动化机器学习、TF-IDF-Kmer、DNA组成分析 | 自动化机器学习模型 | 基因序列数据 | 三个不同的数据集（具体数量未提及） | NA | NA | NA | NA |
| 696 | 2025-04-24 |
Similarity-guided graph contrastive learning for lncRNA-disease association prediction
2025-Mar-15, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2024.168609
PMID:38750722
|
research paper | 提出了一种基于相似性引导的图对比学习方法（SGGCL），用于预测lncRNA与疾病之间的关联 | 创新性地结合了图神经网络和对比学习，提出了一种相似性引导的图数据增强方法，以解决已验证数据稀缺的问题 | 未明确提及具体局限性 | 提高lncRNA与疾病关联预测的准确性 | 长链非编码RNA（lncRNA）与人类疾病之间的关联 | machine learning | NA | 图神经网络、对比学习、RWR算法 | SGGCL（相似性引导的图对比学习模型） | 图数据 | 多个数据集（未明确提及具体样本数量） | NA | NA | NA | NA |
| 697 | 2025-04-24 |
Categorizing high-grade serous ovarian carcinoma into clinically relevant subgroups using deep learning-based histomic clusters
2025-Mar, Journal of pathology and translational medicine
IF:1.7Q3
DOI:10.4132/jptm.2024.10.23
PMID:39962925
|
research paper | 本研究利用深度学习技术对高级别浆液性卵巢癌进行组织学聚类，将其分为临床相关的亚组 | 首次应用深度学习模型对HGSC进行组织学聚类，揭示了线粒体动力学和能量代谢在疾病进展中的关键作用 | 研究基于TCGA数据集，样本来源可能有限，未涉及其他独立验证队列 | 改善高级别浆液性卵巢癌的预后分层和个性化治疗策略 | 高级别浆液性卵巢癌(HGSC)患者 | digital pathology | ovarian cancer | RNA sequencing | deep learning | whole slide images | TCGA数据集中的卵巢癌样本 | NA | NA | NA | NA |
| 698 | 2025-10-07 |
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-Mar, 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，提升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深度学习提取的影像特征与剂量体积指标V30Gy相结合，构建放射性肺炎预测模型 | 样本量相对有限（共149例患者），需多中心验证 | 预测局部晚期非小细胞肺癌患者放疗后发生放射性肺炎的风险 | 局部晚期非小细胞肺癌患者 | 医学影像分析 | 肺癌 | 3D深度学习，CT影像分析 | 多层感知机 | CT影像 | 149例患者（复旦90例，江南大学附属医院59例） | NA | 3D深度学习网络 | AUC | NA |
| 699 | 2025-10-07 |
Deep Learning for Automated Measurement of Total Cardiac Volume for Heart Transplantation Size Matching
2025-Mar, Pediatric cardiology
IF:1.5Q2
DOI:10.1007/s00246-024-03470-4
PMID:38570368
|
研究论文 | 本研究开发了一种基于3D卷积神经网络的深度学习模型，用于从CT图像自动测量全心脏体积，以支持心脏移植中的尺寸匹配 | 首次将3D-CNN结合DenseNet和ResNet架构应用于全心脏体积的自动测量，为儿科心脏移植提供快速准确的尺寸匹配方法 | 单中心研究，训练数据有限，未来需要多中心研究和更多样化的心脏病理数据来提高模型的泛化能力 | 开发自动测量全心脏体积的深度学习方法，提高心脏移植中供体与受体心脏尺寸匹配的效率和准确性 | 0-30岁受试者的心脏CT扫描图像 | 计算机视觉 | 心血管疾病 | CT扫描 | 3D-CNN | 医学图像 | 314名受试者（270名训练集，44名验证集，其中36名正常心脏，8名心脏病患者） | NA | DenseNet,ResNet | Dice相似系数,平均绝对百分比误差 | NA |
| 700 | 2025-04-24 |
Recent advances and issues in imaging modalities for hepatocellular carcinoma surveillance
2025-Mar, Journal of liver cancer
DOI:10.17998/jlc.2025.02.16
PMID:40007309
|
综述 | 本文综述了肝细胞癌（HCC）监测中影像学技术的最新进展及其存在的问题 | 探讨了低剂量CT结合深度学习重建等新技术在提高HCC监测安全性和可行性方面的潜力，以及基于个体风险特征的定制化监测策略 | MRI虽然具有优越的组织对比度和敏感性，但其可及性和成本仍是挑战 | 提高肝细胞癌（HCC）早期检测的敏感性和成本效益 | 肝细胞癌（HCC）患者 | 数字病理学 | 肝癌 | 超声（US）、对比增强计算机断层扫描（CT）、磁共振成像（MRI）、深度学习重建 | NA | 影像数据 | NA | NA | NA | NA | NA |