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 1367 篇文献，本页显示第 501 - 520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 501 | 2025-05-10 |
Using Cancer-Associated Fibroblasts as a Shear-Wave Elastography Imaging Biomarker to Predict Anti-PD-1 Efficacy of Triple-Negative Breast Cancer
2025-Apr-09, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms26083525
PMID:40332007
|
研究论文 | 本研究利用癌症相关成纤维细胞（CAFs）作为剪切波弹性成像（SWE）的生物标志物，预测三阴性乳腺癌（TNBC）患者对PD-1抑制剂的疗效 | 首次将伤口愈合型CAFs（WH CAFs）作为SWE成像的生物标志物，用于非侵入性预测TNBC患者对免疫检查点抑制剂的反应，并开发了基于深度学习的分类模型 | 研究主要基于Eo771小鼠模型，临床样本的验证仍需进一步扩大 | 开发预测三阴性乳腺癌患者对免疫检查点抑制剂疗效的非侵入性生物标志物 | 三阴性乳腺癌（TNBC）患者和Eo771小鼠模型 | 数字病理学 | 乳腺癌 | 剪切波弹性成像（SWE）、多组学分析 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 502 | 2025-05-10 |
DerivaPredict: A User-Friendly Tool for Predicting and Evaluating Active Derivatives of Natural Products
2025-Apr-09, Molecules (Basel, Switzerland)
DOI:10.3390/molecules30081683
PMID:40333643
|
research paper | 介绍了一个名为DerivaPredict的用户友好工具，用于预测和评估天然产物的活性衍生物 | 通过化学和代谢转化生成新的天然产物衍生物，并使用预训练的深度学习模型预测结合亲和力 | 未提及具体的数据集或样本量限制 | 增强早期药物发现，通过自动生成和评估天然产物的新型衍生物 | 天然产物及其衍生物 | 药物发现 | NA | 深度学习 | 预训练的深度学习模型 | 化学和代谢数据 | NA | NA | NA | NA | NA |
| 503 | 2025-05-10 |
Predicting Atlantic and Benguela Niño events with deep learning
2025-04-04, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.ads5185
PMID:40173237
|
研究论文 | 本研究探讨了深度学习在预测大西洋和本格拉尼诺事件中的潜力 | 使用简单的卷积神经网络架构，能够提前3至4个月预测大西洋/本格拉尼诺事件，并在峰值季节事件预测中表现出色，将预测时间延长至5个月 | 未提及具体的数据量或模型泛化能力的限制 | 提高对大西洋和本格拉尼诺事件的预测能力，挑战热带大西洋不可预测的传统观点 | 大西洋和本格拉尼诺事件 | 机器学习 | NA | 深度学习 | CNN | 气候数据 | NA | NA | NA | NA | NA |
| 504 | 2025-10-07 |
Deep Learning for Automated Segmentation of Basal Cell Carcinoma on Mohs Micrographic Surgery Frozen Section Slides
2025-04-01, Dermatologic surgery : official publication for American Society for Dermatologic Surgery [et al.]
IF:2.5Q1
DOI:10.1097/DSS.0000000000004501
PMID:39625169
|
研究论文 | 本研究训练了一个深度学习分割模型，用于在Mohs显微外科手术冰冻切片中自动定位基底细胞癌 | 首次使用YOLOv8分割模型在Mohs手术冰冻切片上定位基底细胞癌，并按BCC亚型评估性能 | 模型对某些BCC亚型（如硬化型和浸润型）的敏感性较低，需要更准确和临床相关的分割性能指标 | 开发用于Mohs手术冰冻切片中基底细胞癌自动定位的分割模型 | 基底细胞癌患者Mohs手术冰冻切片组织 | 数字病理学 | 皮肤癌 | 冰冻切片，全玻片扫描 | YOLOv8 | 病理图像 | 348张新鲜冰冻组织切片 | Ultralytics | YOLOv8 | 敏感性，特异性 | NA |
| 505 | 2025-05-10 |
Exploring the potential performance of 0.2 T low-field unshielded MRI scanner using deep learning techniques
2025-Apr, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01234-6
PMID:39964601
|
研究论文 | 利用深度学习技术探索0.2 T低场无屏蔽MRI扫描仪在成像质量和速度方面的潜在性能 | 通过深度学习方法克服物理限制，实现低场无屏蔽MRI扫描仪的高质量快速成像 | 未明确提及具体局限性 | 探索低场无屏蔽MRI扫描仪的潜在性能，推动MRI技术进步 | 0.2 T低场无屏蔽MRI扫描仪 | 医学影像 | NA | 深度学习、超分辨率成像 | NA | MRI图像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 506 | 2025-05-10 |
Self-supervised 3D medical image segmentation by flow-guided mask propagation learning
2025-Apr, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103478
PMID:39965534
|
研究论文 | 提出了一种名为Flow2Mask的自监督3D医学图像分割方法，通过流引导的掩码传播学习来减少对人工标注的依赖 | Flow2Mask方法引入了Local-to-Global (L2G)损失和Inter-Slice Smoothness (ISS)损失，以无监督方式学习体积内所有连续切片间的流场，克服了先前方法的局限性 | 先前方法Vol2Flow的局限性包括未充分关注局部（即切片对）信息、在目标函数中忽略全局信息（即体积上下文）以及在切片到切片重建过程中的误差积累 | 开发一种更有效的自监督3D医学图像分割方法，以减少对人工标注的依赖 | 3D医学图像 | 数字病理 | NA | 自监督学习 | Flow2Mask | 3D医学图像 | Sliver、CHAOS和3D-IRCAD数据集 | NA | NA | NA | NA |
| 507 | 2025-05-10 |
Image quality and diagnostic performance of deep learning reconstruction for diffusion- weighted imaging in 3 T breast MRI
2025-Apr, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.111997
PMID:39970544
|
研究论文 | 本研究评估了深度学习重建（DLR）在3T乳腺MRI中扩散加权成像（DWI）的图像质量和诊断价值，并与传统的单次激发平面回波成像（ss-EPI）进行了比较 | 首次在3T乳腺MRI中比较了DLR DWI与传统ss-EPI的图像质量和诊断性能，并展示了DLR在加速和高分辨率采集中的优势 | 单中心研究，样本量较小（50名患者），且未探讨DLR在其他场强或不同扫描仪上的表现 | 评估DLR在乳腺MRI DWI中的临床应用价值 | 乳腺MRI图像质量和诊断性能 | 数字病理 | 乳腺癌 | 扩散加权成像（DWI），深度学习重建（DLR） | 深度学习 | 医学影像 | 50名患者的62个乳腺病灶（55个恶性，7个良性），以及之前研究中的81名患者的98个乳腺病灶 | NA | NA | NA | NA |
| 508 | 2025-05-10 |
From part to whole: AI-driven progress in fragment-based drug discovery
2025-Apr, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.102995
PMID:39970579
|
review | 本文回顾了AI在片段药物发现中的最新进展，包括分子设计、结构探索和优化技术 | 介绍了AI在片段药物发现中的创新应用，如VAE、强化学习和SE(3)-等变模型，提高了分子设计的准确性和效率 | NA | 探索AI技术在片段药物发现中的应用，提高分子设计的效率和准确性 | 片段药物发现中的分子设计和优化 | machine learning | NA | VAE, reinforcement learning, SE(3)-equivariant models, diffusion models, language models, deep evolutionary learning | VAE, reinforcement learning, SE(3)-equivariant models, diffusion models, language models, deep evolutionary learning | molecular structure data | NA | NA | NA | NA | NA |
| 509 | 2025-05-10 |
Comparative analysis for accurate multi-classification of brain tumor based on significant deep learning models
2025-Apr, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109872
PMID:39970824
|
研究论文 | 本文提出了一种基于深度学习的脑肿瘤多分类方法，比较了CNN、Swin Transformer和EfficientNet模型在MRI扫描图像上的性能 | 比较了多种深度学习模型在脑肿瘤分类中的性能，发现Swin Transformer和EfficientNet模型表现优于传统CNN | 未提及模型在临床环境中的实际应用效果或外部验证结果 | 提高脑肿瘤分类的准确性 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI扫描 | CNN, Swin Transformer, EfficientNet | 图像 | NA | NA | NA | NA | NA |
| 510 | 2025-05-10 |
Transforming personalized weight forecasting: From the Personalized Metabolic Avatar to the Generalized Metabolic Avatar
2025-Apr, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109879
PMID:39978095
|
研究论文 | 该论文提出了一种名为广义代谢化身（GMA）的模型，用于预测更广泛用户群体的体重变化，而无需个体数据测量 | GMA模型通过引入年龄和性别等参数，消除了对个体数据测量的需求，显著提高了计算效率并保持了预测准确性 | 尽管GMA在预测准确性上与PMA相当，但在理想条件下的RMSE略高于PMA（0.54 ± 0.03 vs 0.42 ± 0.04） | 开发一个无需个体数据测量的通用代谢预测模型，以提高预测效率和应用范围 | 体重变化的预测模型 | 机器学习 | NA | 深度学习 | GRU（门控循环单元） | 营养组成和每日能量平衡数据 | NA | NA | NA | NA | NA |
| 511 | 2025-05-10 |
RNA structure prediction using deep learning - A comprehensive review
2025-Apr, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109845
PMID:39983363
|
综述 | 本文全面回顾了利用深度学习技术预测RNA结构的研究进展 | 强调了深度学习在RNA二级结构预测中的应用，并对现有技术进行了比较分析 | 指出了文献中的空白和当前面临的挑战 | 促进对RNA功能的理解和基于RNA的药物设计 | RNA二级结构 | 计算生物学 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 512 | 2025-05-10 |
Toward deep learning sequence-structure co-generation for protein design
2025-Apr, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.103018
PMID:39983410
|
综述 | 本文回顾了深度生成模型在蛋白质设计中的最新进展，特别关注序列-结构共生成方法 | 探讨了序列-结构共生成方法在蛋白质设计中的潜力，以实现更准确和可控的设计 | NA | 探讨深度生成模型在蛋白质设计中的应用，特别是序列-结构共生成方法 | 蛋白质序列和结构 | 机器学习 | NA | NA | 深度生成模型 | 序列和结构数据 | NA | NA | NA | NA | NA |
| 513 | 2025-05-10 |
Integrating manual preprocessing with automated feature extraction for improved rodent seizure classification
2025-Apr, Epilepsy & behavior : E&B
IF:2.3Q2
DOI:10.1016/j.yebeh.2025.110306
PMID:39983590
|
research paper | 该研究开发了一种结合手动预处理和自动特征提取的半自动流程，用于改进啮齿动物癫痫发作分类 | 提出了一种结合模型驱动和数据驱动方法的混合方法，利用PoseC3D模型对啮齿动物癫痫阶段进行分类 | 该方法无法实现完全自动化的癫痫检测，且未在未见过的动物上进行测试，限制了其普适性和广泛应用 | 开发一种AI支持的定量分析方法，用于啮齿动物行为分析，包括癫痫阶段分类 | 啮齿动物（大鼠）的癫痫发作行为 | computer vision | epilepsy | deep learning, computer vision | PoseC3D | video | 两个数据集，包括大鼠骨架关键点和癫痫发作行为视频 | NA | NA | NA | NA |
| 514 | 2025-05-10 |
Physics-informed neural networks for enhanced reference evapotranspiration estimation in Morocco: Balancing semi-physical models and deep learning
2025-Apr, Chemosphere
IF:8.1Q1
|
研究论文 | 本文提出了一种基于物理信息神经网络（PINNs）的方法，用于在摩洛哥增强参考蒸散量（ETo）的估计，以平衡半物理模型和深度学习的优势 | 通过将半物理模型整合到神经网络的损失函数中，提出了一种新的残差损失计算方法，结合了数据驱动损失和半物理模型损失，提高了模型的准确性和可解释性 | 研究仅基于摩洛哥Tensift流域四个自动气象站的数据，可能限制了模型的泛化能力 | 提高参考蒸散量（ETo）的估计准确性，以支持农业水资源管理和灌溉系统优化 | 参考蒸散量（ETo） | 环境科学 | NA | 物理信息神经网络（PINNs），CMA-ES优化算法 | PINN | 气象数据（气温、太阳辐射、相对湿度、风速） | 摩洛哥Tensift流域四个自动气象站的数据 | NA | NA | NA | NA |
| 515 | 2025-05-10 |
Subtraction-free artifact-aware digital subtraction angiography image generation for head and neck vessels from motion data
2025-Apr, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
research paper | 提出了一种无需减影的、基于运动数据的头颈部血管数字减影血管造影（DSA）图像生成方法，旨在消除运动伪影 | 创新性地提出了Artifact-aware DSA图像生成方法（AaDSA），仅利用运动数据生成无伪影的DSA图像，无需减影过程，并通过梯度场变换（GFT）技术生成伪影掩码指导模型训练 | 需要进一步验证在更广泛临床数据集上的泛化能力 | 开发一种能够自动生成无运动伪影的DSA图像的方法，以提高血管疾病诊断的准确性 | 头颈部血管的DSA图像 | digital pathology | cardiovascular disease | deep learning, Gradient Field Transformation (GFT) | DL-based model | image | 真实头颈部DSA数据集（具体样本量未明确说明） | NA | NA | NA | NA |
| 516 | 2025-05-10 |
Quantitative Evaluation of Tendon Gliding Sounds and Their Classification Using Deep Learning Models
2025-Apr, Cureus
DOI:10.7759/cureus.81790
PMID:40330348
|
research paper | 本研究旨在开发和评估一种深度学习模型，用于分类通过数字听诊器记录的肌腱滑动声音 | 利用深度学习模型分析肌腱滑动声音的频谱特征，实现高精度分类，为非侵入性诊断肌腱疾病提供新方法 | 样本量较小 | 开发一种基于人工智能的非侵入性诊断工具，用于检测肌腱疾病 | 健康志愿者的拇指和食指肌腱滑动声音 | machine learning | musculoskeletal disorders | spectrogram analysis | DL | audio | 小样本健康志愿者 | NA | NA | NA | NA |
| 517 | 2025-05-10 |
Current Architectural and Developmental Approaches in Artificial Intelligence Models for Prostate Cancer Detection and Management: A Technical Report
2025-Apr, Cureus
DOI:10.7759/cureus.81748
PMID:40330342
|
技术报告 | 本文探讨了人工智能模型在前列腺癌检测和管理中的当前架构和发展方法 | 介绍了AI驱动模型（如CNN和深度学习系统）在提高肿瘤检测和Gleason分级诊断准确性方面的应用，以及集成PSA数据以提高风险分层的准确性 | 数据来源不一致、成像领域转移以及缺乏标准化的染色归一化等问题阻碍了AI在临床中的广泛应用 | 提升前列腺癌诊断方法的准确性和效率 | 前列腺癌的诊断和管理 | 数字病理学 | 前列腺癌 | 深度学习、集成学习、半监督学习 | CNN、深度学习系统 | 组织病理学全切片图像、PSA数据 | NA | NA | NA | NA | NA |
| 518 | 2025-05-09 |
Establishing performance criteria for evaluating watershed-scale sediment and nutrient models at fine temporal scales
2025-Apr-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.123156
PMID:39955106
|
research paper | 该研究旨在建立用于评估流域尺度沉积物和养分模型在精细时间尺度上性能的标准 | 提出了针对精细时间尺度的过程模型性能评估标准，并探讨了校准持续时间、目标单位选择等因素对模型性能的影响 | 虽然标准基于过程模型开发，但可能不完全适用于所有类型的模型评估 | 建立流域水质模型的性能评估标准 | 流域水质模型（涉及水流、沉积物、总养分和溶解养分） | 环境建模 | NA | Nash-Sutcliffe效率(NSE)分析、自助法(bootstrapping) | 过程模型、深度学习模型 | 水质监测数据 | 229个模型应用案例 | NA | NA | NA | NA |
| 519 | 2025-05-09 |
Identifying RNA-small Molecule Binding Sites Using Geometric Deep Learning with Language Models
2025-Apr-15, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169010
PMID:39961524
|
研究论文 | 开发了一个名为RNABind的几何深度学习框架，用于从RNA结构中检测RNA与小分子的结合位点 | 将RNA大型语言模型（LLMs）整合到先进的几何深度学习网络中，同时编码RNA序列和结构信息，并构建了最大的RNA-小分子相互作用数据集 | 未提及具体的局限性 | 预测RNA与小分子的结合位点，以促进RNA靶向药物发现 | RNA与小分子的结合位点 | 自然语言处理 | NA | 几何深度学习与语言模型 | RNABind（整合了RNA LLMs的几何深度学习网络） | RNA序列和结构数据 | 从整个多链复合体结构中编译的最大RNA-小分子相互作用数据集 | NA | NA | NA | NA |
| 520 | 2025-05-09 |
EEGConvNeXt: A novel convolutional neural network model for automated detection of Alzheimer's Disease and Frontotemporal Dementia using EEG signals
2025-Apr, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108652
PMID:39938252
|
研究论文 | 提出了一种名为EEGConvNeXt的新型卷积神经网络模型，用于通过EEG信号自动检测阿尔茨海默病和额颞叶痴呆 | EEGConvNeXt是一种轻量级的CNN模型，基于transformer模型构建，具有高效的多类分类能力 | 依赖相对较小的数据集，需要在更多样化的人群中进行进一步验证 | 开发一种高效、轻量级的深度学习模型，用于神经退行性疾病的自动检测 | 阿尔茨海默病(AD)和额颞叶痴呆(FD)患者及对照组的EEG信号 | 数字病理学 | 老年病 | EEG信号分析 | CNN (EEGConvNeXt) | EEG信号转换的功率谱图像 | 包含AD、FD和对照组三个类别的公开EEG数据集 | NA | NA | NA | NA |