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 121 - 140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 121 | 2025-10-06 |
NetSDR: Drug repurposing for cancers based on subtype-specific network modularization and perturbation analysis
2025-03, Biochimica et biophysica acta. Molecular basis of disease
DOI:10.1016/j.bbadis.2025.167688
PMID:39862994
|
研究论文 | 提出基于网络模块化和扰动分析的癌症亚型特异性药物重定位框架NetSDR | 整合癌症亚型信息识别亚型特异性功能模块，结合深度学习构建加权药物响应网络，并采用动态扰动响应扫描方法进行药物优先排序 | 仅以胃癌为例进行验证，需要扩展到更多癌症类型和更大规模数据 | 开发针对特定癌症亚型的精准药物重定位方法 | 癌症亚型特异性功能模块和潜在药物靶点 | 系统生物学 | 癌症 | 网络医学方法，蛋白质组学数据分析，深度学习 | 深度学习模型 | 蛋白质组学数据，网络数据 | NA | NA | NA | NA | NA |
| 122 | 2025-10-06 |
A systematic review of deep learning in MRI-based cerebral vascular occlusion-based brain diseases
2025-Mar-05, Neuroscience
IF:2.9Q2
|
系统综述 | 本综述系统评估了2020-2024年间61项基于MRI的深度学习研究在脑血管闭塞相关脑部疾病诊断中的应用 | 首次系统比较了CNN和Vision Transformer在脑血管闭塞诊断中的优劣，并强调了伦理安全框架和模型可解释性的重要性 | 纳入研究存在数据集充分性和多样性不足的问题，面临数据隐私和算法可解释性挑战 | 评估深度学习在MRI-based脑血管闭塞相关脑部疾病诊断中的作用 | 脑血管闭塞及相关脑部疾病 | 医学影像分析 | 脑血管疾病 | 磁共振成像(MRI) | CNN, Vision Transformer | 医学影像 | 61项研究（具体样本量未明确说明） | NA | U-Net变体, Transformer-based模型 | NA | NA |
| 123 | 2025-06-03 |
Artificial intelligence in early screening for esophageal squamous cell carcinoma
2025-Mar, Best practice & research. Clinical gastroenterology
DOI:10.1016/j.bpg.2025.102004
PMID:40451647
|
review | 本文综述了人工智能在食管鳞状细胞癌早期筛查中的变革性作用 | AI技术（如机器学习、深度学习和迁移学习）在优化筛查方式、提高成本效益及整合多源数据方面展现出显著潜力 | 数据集变异性、模型泛化能力、算法透明度及伦理法律问题仍需解决 | 探讨AI如何革新食管鳞状细胞癌的早期筛查 | 食管鳞状细胞癌（ESCC）高风险人群 | digital pathology | esophageal squamous cell carcinoma | machine learning, deep learning, transfer learning, liquid biopsy | NA | imaging, genomic, clinical data | NA | NA | NA | NA | NA |
| 124 | 2025-10-06 |
Voxel-level radiomics and deep learning for predicting pathologic complete response in esophageal squamous cell carcinoma after neoadjuvant immunotherapy and chemotherapy
2025-Mar-15, Journal for immunotherapy of cancer
IF:10.3Q1
DOI:10.1136/jitc-2024-011149
PMID:40090670
|
研究论文 | 开发并验证了一种基于体素级影像组学和深度学习的模型，用于预测食管鳞状细胞癌新辅助免疫治疗联合化疗后的病理完全缓解 | 首次将体素级影像组学方法与Vision-Mamba深度学习架构相结合用于pCR预测，相比传统方法和其他深度学习模型表现更优 | 回顾性研究设计，样本量相对有限，需要进一步前瞻性验证 | 预测食管鳞状细胞癌患者在新辅助免疫治疗联合化疗后的病理完全缓解 | 食管鳞状细胞癌患者 | 医学影像分析 | 食管癌 | CT影像分析 | 深度学习 | CT图像 | 741名来自三个医疗中心的食管鳞状细胞癌患者 | NA | Vision-Mamba, 3D-ResNet, Vision Transformer | 准确率, AUC, 敏感度, 特异度 | NA |
| 125 | 2025-10-06 |
A comprehensive dataset of magnetic resonance enterography images with intestinal segment annotations
2025-Mar-11, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04760-z
PMID:40069172
|
研究论文 | 本文构建了一个包含肠道分段标注的磁共振小肠造影图像数据集，并验证了多种先进分割方法在该数据集上的性能 | 创建了首个公开的具有精细像素级标注的完整肠道分段MR数据集，为IBD的AI研究提供了重要基础资源 | 数据集仅包含114名患者，样本规模相对有限 | 开发用于炎症性肠病诊断和监测的自动化工具 | 炎症性肠病患者的磁共振小肠造影图像 | 医学影像分析 | 炎症性肠病 | 磁共振小肠造影，HASTE序列 | 深度学习分割模型 | 医学影像 | 114名IBD患者，每人包含10个肠道分段的标注 | NA | NA | NA | NA |
| 126 | 2025-10-06 |
Evaluation of enzyme activity predictions for variants of unknown significance in Arylsulfatase A
2025-Mar, Human genetics
IF:3.8Q2
DOI:10.1007/s00439-025-02731-3
PMID:40055237
|
研究论文 | 评估机器学习方法对芳基硫酸酯酶A基因未知意义变异体酶活性的预测性能 | 首次在ARSA CAGI挑战赛中系统评估社区提交的预测模型，发现由遗传学和编程训练营开发的模型表现最佳 | 仅针对219个错义VUS进行评估，样本规模有限 | 评估机器学习方法预测基因变异功能效应的准确性 | 芳基硫酸酯酶A基因的219个实验验证的错义未知意义变异体 | 机器学习 | 遗传性疾病 | 实验验证的酶活性测定 | 深度学习, 标准机器学习模型 | 基因变异数据 | 219个错义VUS | Python | NA | 预测准确性 | 适度计算资源 |
| 127 | 2025-05-31 |
Deep neural networks excel in COVID-19 disease severity prediction-a meta-regression analysis
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95282-6
PMID:40133706
|
meta-analysis | 该研究通过元回归分析评估了深度神经网络在COVID-19疾病严重程度预测中的优越性 | 首次使用MetaForest算法识别工具性能的相关混杂因素，并通过混合效应元回归模型比较了线性、机器学习和深度学习方法 | 88%的研究存在高偏倚风险，主要由于数据分析的缺陷 | 评估COVID-19严重程度预测工具的性能，指导临床医生选择最佳工具并优化资源管理 | 住院的COVID-19患者 | 机器学习 | COVID-19 | MetaForest算法, 混合效应元回归模型 | Neural Networks, 机器学习方法 | 临床、实验室和影像数据 | 约280万患者，来自430项独立评估 | NA | NA | NA | NA |
| 128 | 2025-05-31 |
AI-Derived Blood Biomarkers for Ovarian Cancer Diagnosis: Systematic Review and Meta-Analysis
2025-Mar-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/67922
PMID:40126546
|
meta-analysis | 本文通过系统综述和荟萃分析评估了AI衍生的血液生物标志物在卵巢癌诊断中的研究质量和有效性 | 首次对AI在卵巢癌血液生物标志物发现中的诊断价值进行了系统评估，并比较了不同AI算法和样本类型的性能差异 | 纳入研究之间存在异质性，且部分研究缺乏外部验证 | 评估AI衍生的血液生物标志物在卵巢癌诊断中的有效性 | 卵巢癌患者 | 数字病理 | 卵巢癌 | AI算法（包括机器学习和深度学习） | 机器学习 vs 深度学习 | 血液生物标志物数据 | 40项研究 | NA | NA | NA | NA |
| 129 | 2025-05-31 |
Explainable AI for Intraoperative Motor-Evoked Potential Muscle Classification in Neurosurgery: Bicentric Retrospective Study
2025-Mar-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/63937
PMID:40127441
|
研究论文 | 本研究开发并评估了用于术中运动诱发电位（MEP）肌肉分类的机器学习方法，并利用可解释人工智能（XAI）技术识别关键信号特征 | 结合机器学习与可解释人工智能技术，首次在双中心设置下验证MEP信号分类模型，并识别出频率成分和峰值潜伏期等关键特征 | 研究为回顾性设计，样本量相对有限（151例训练手术/58例测试手术），且仅针对四种特定肌肉 | 开发可靠的MEP肌肉分类模型以提高神经外科手术患者安全性，并探索影响分类的关键信号特征 | 幕上神经外科手术中四种肌肉（指伸肌、拇短展肌、胫骨前肌和拇展肌）的运动诱发电位信号 | 数字病理 | 神经系统疾病 | 运动诱发电位监测（IONM） | 随机森林（RF）、1D-CNN和2D-CNN | 时间序列生物电信号 | 训练集：36,992个MEP（151例手术）；测试集：24,298个MEP（58例手术） | NA | NA | NA | NA |
| 130 | 2025-05-31 |
Establishment of a deep-learning-assisted recurrent nasopharyngeal carcinoma detecting simultaneous tactic (DARNDEST) with high cost-effectiveness based on magnetic resonance images: a multicenter study in an endemic area
2025-Mar-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00853-5
PMID:40128777
|
研究论文 | 本研究探讨了利用未增强磁共振图像（MRI）检测局部复发性鼻咽癌（rNPC）的可行性，并通过深度学习模型优化了随访的分层管理策略 | 开发了一种基于深度学习的复发性鼻咽癌同步检测策略（DARNDEST），结合了3D DenseNet和ResNet框架，提高了检测的准确性和敏感性 | 特异性相比T1_T2模型有所降低，且研究结果基于假设的1000名患者队列 | 优化复发性鼻咽癌的检测方法，提高随访管理的效率和经济效益 | 局部复发性鼻咽癌（rNPC）患者 | 数字病理 | 鼻咽癌 | MRI（T1WI, T2WI, T1WIC） | 3D DenseNet, ResNet | 图像 | 假设队列1000名患者（内部和外部测试集） | NA | NA | NA | NA |
| 131 | 2025-05-31 |
A Two-Stage Lightweight Deep Learning Framework for Mass Detection and Segmentation in Mammograms Using YOLOv5 and Depthwise SegNet
2025-Mar-14, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01471-0
PMID:40087224
|
研究论文 | 提出了一种轻量级的两阶段深度学习框架，用于在乳腺X光片中检测和分割肿块，确保医疗数据隐私 | 结合YOLOv5和深度可分离卷积的SegNet架构，创建了一个参数少、推理速度快的轻量级模型，可直接在用户浏览器中运行 | 在CBIS-DDSM数据集上的mAP@50为50.3%，性能仍有提升空间 | 开发一个高效且保护隐私的乳腺癌肿块检测和分割解决方案 | 乳腺X光片中的肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | YOLOv5, SegNet | 图像 | CBIS-DDSM和INbreast数据集 | NA | NA | NA | NA |
| 132 | 2025-05-31 |
Tumor cell villages define the co-dependency of tumor and microenvironment in liver cancer
2025-Mar-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.07.642107
PMID:40161587
|
研究论文 | 该研究通过空间单细胞成像和单细胞RNA测序分析了50个肿瘤生物样本中的200多万个细胞，开发了一种基于深度学习的策略来空间映射肿瘤细胞状态及其周围结构 | 提出了空间动态网络（SDN）的概念，揭示了肿瘤细胞状态如何组织成独特的集群（'村庄'），并展示了这些村庄与肿瘤微环境之间的分子共依赖性 | 研究仅针对肝癌，未涉及其他癌症类型 | 理解肿瘤空间景观及其对肿瘤侵袭性的影响 | 肝癌肿瘤细胞及其微环境 | 数字病理学 | 肝癌 | 空间单细胞成像, 单细胞RNA测序 | 深度学习 | 图像, 基因表达数据 | 50个肿瘤生物样本中的200多万个细胞 | NA | NA | NA | NA |
| 133 | 2025-05-31 |
Graph neural networks for single-cell omics data: a review of approaches and applications
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf109
PMID:40091193
|
综述 | 本文系统回顾了图神经网络（GNNs）在单细胞组学数据分析中的应用及其六种变体 | 首次系统总结了GNNs在单细胞组学数据分析中的107个成功应用案例，并整理了77个公开可用的单细胞数据集 | 当前研究可能存在方法学上的不足，需要未来进一步探索 | 深化GNNs在单细胞组学数据分析中的应用 | 单细胞组学数据 | 机器学习 | NA | 单细胞测序技术 | GNN及其六种变体 | 单细胞组学数据（表观基因组学、转录组学、空间转录组学、蛋白质组学和多组学） | 总结了77个公开可用的单细胞数据集 | NA | NA | NA | NA |
| 134 | 2025-05-31 |
Utilising routinely collected clinical data through time series deep learning to improve identification of bacterial bloodstream infections: a retrospective cohort study
2025-03, The Lancet. Digital health
DOI:10.1016/j.landig.2025.01.010
PMID:40015765
|
研究论文 | 本研究利用常规收集的临床数据，通过时间序列深度学习技术，提高了细菌性血流感染的识别能力 | 使用LSTM模型分析时间序列数据，显著提高了对血流感染的预测准确性 | 研究为回顾性队列研究，可能存在数据偏差 | 开发和评估利用医疗数据预测住院患者血流感染的模型 | 住院患者 | 机器学习 | 血流感染 | 血液培养 | LSTM, logistic regression | 临床数据 | 20850名患者（训练集15212名，测试集5638名） | NA | NA | NA | NA |
| 135 | 2025-05-31 |
A Robust and Efficient Representation-based DNA Storage Architecture by Deep Learning
2025-03, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202400959
PMID:40114483
|
research paper | 提出一种基于深度学习的表示型DNA存储架构，用于图像的高效和鲁棒存储 | 利用深度学习的出色表示和图像生成能力，结合自编码器和U-Net网络，实现了DNA存储中噪声读取下的图像表示、构建和优化 | 在插入-删除-替换(IDS)错误率低于6%的场景下才能重建中等质量的图像 | 开发一种鲁棒且高效的DNA存储架构，用于大规模图像应用 | 图像数据 | 数字病理 | NA | DNA存储 | autoencoder, U-Net | 图像 | 14个质粒中存储的图像 | NA | NA | NA | NA |
| 136 | 2025-10-07 |
Deep learning on T2WI to predict the muscle-invasive bladder cancer: a multi-center clinical study
2025-Mar-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82909-3
PMID:40121216
|
研究论文 | 基于T2WI磁共振图像开发深度学习模型预测肌层浸润性膀胱癌 | 首次采用多中心临床数据构建基于T2WI的深度学习模型，结合原始图像、分割膀胱和感兴趣区域三通道输入 | 外部测试集性能有所下降，特别是敏感性和阳性预测值较低 | 开发深度学习模型预测膀胱癌的肌层浸润状态 | 559名膀胱癌患者（521名内部中心，38名外部中心） | 医学影像分析 | 膀胱癌 | MRI T2加权成像 | CNN | 医学影像 | 559例患者（2012-2023年） | NA | Inception V3 | 准确率, 敏感性, 特异性, 阳性预测值, 阴性预测值 | NA |
| 137 | 2025-10-07 |
Enhanced electroencephalogram signal classification: A hybrid convolutional neural network with attention-based feature selection
2025-Mar-15, Brain research
IF:2.7Q3
DOI:10.1016/j.brainres.2025.149484
PMID:39904453
|
研究论文 | 提出一种结合注意力机制的混合卷积神经网络模型，用于运动想象脑电信号的分类 | 提出结合说话头注意力机制的混合CNN-TCN架构，能够增强关键特征序列并提取时空特征 | NA | 提高运动想象脑电信号的分类精度，增强脑机接口的意图识别能力 | 运动想象脑电信号 | 脑机接口 | NA | 离散小波变换，共同平均参考 | CNN,TCN | 脑电信号 | 基于BCI Competition IV-2a数据集 | NA | 混合卷积神经网络，时序卷积网络 | 分类准确率 | NA |
| 138 | 2025-05-29 |
Diagnostic Performance of Artificial Intelligence-Based Methods for Tuberculosis Detection: Systematic Review
2025-Mar-07, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/69068
PMID:40053773
|
系统综述 | 本文对基于人工智能的结核病检测方法进行了全面评估，总结了当前的研究现状和性能表现 | 首次系统性地评估了不同数据模态和参考标准下AI在结核病检测中的表现，并指出了未来研究方向 | 仅1项研究进行了领域转移分析，缺乏对真实世界场景的充分模拟 | 评估AI算法在结核病检测中的诊断性能 | 基于AI的结核病检测方法 | 数字病理 | 结核病 | 深度学习 | CNN (包括VGG-16, ResNet-50, DenseNet-121) | 放射影像、分子/生化、生理数据 | 152项研究(来自1146条记录) | NA | NA | NA | NA |
| 139 | 2025-05-29 |
Continuous nursing symptom management in cancer chemotherapy patients using deep learning
2025-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92762-7
PMID:40055437
|
research paper | 评估深度学习平台在化疗患者症状管理中的效果，旨在提高其生活质量 | 使用深度学习平台进行化疗患者的症状管理，显著减少焦虑和抑郁，并提高生活质量 | 非随机对照试验设计可能影响结果的普遍性 | 评估深度学习平台在化疗患者症状管理中的效果 | 144名化疗患者，分为干预组（72人）和对照组（72人） | digital pathology | cancer | deep learning | NA | NA | 144名化疗患者 | NA | NA | NA | NA |
| 140 | 2025-10-07 |
High resolution multi-delay arterial spin labeling with self-supervised deep learning denoising for pediatric choroid plexus perfusion MRI
2025-Mar, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121070
PMID:39889809
|
研究论文 | 本研究提出了一种基于Transformer的自监督深度学习去噪方法，用于提高儿童脉络丛灌注MRI图像质量 | 首次将Transformer模型应用于儿童多延迟动脉自旋标记成像去噪，并采用k空间加权图像平均作为训练参考 | 研究样本量较小（21名儿童），且仅限于典型发育儿童 | 开发适用于儿童脉络丛灌注成像的高分辨率多延迟动脉自旋标记方法 | 8-17岁典型发育儿童的脉络丛和灰质 | 医学影像分析 | 儿科神经发育 | 多延迟动脉自旋标记（MD-ASL），MRI | Transformer | 医学影像 | 21名8-17岁典型发育儿童 | NA | Transformer | 信噪比（SNR），偏差，可重复性 | NA |