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!


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。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 141 | 2025-10-06 |
Feature-based ensemble modeling for addressing diabetes data imbalance using the SMOTE, RUS, and random forest methods: a prediction study
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00353
PMID:40703379
|
研究论文 | 本研究开发了一种基于特征的集成模型,结合SMOTE、RUS和随机森林方法来解决糖尿病数据不平衡问题 | 提出将SMOTE和RUS重采样技术与基于特征的集成随机森林相结合的新方法,专门针对医学数据中的类别不平衡问题 | 仅使用单一数据集(442个样本),样本量相对较小;仅针对糖尿病预测任务进行验证 | 解决机器学习中类别不平衡问题,提高早期糖尿病检测的预测性能 | 糖尿病数据集中的患者样本 | 机器学习 | 糖尿病 | SMOTE(合成少数类过采样技术),RUS(随机欠采样) | 随机森林,k近邻,全连接神经网络 | 结构化医疗数据 | 442个样本,10个特征 | Scikit-learn | 随机森林集成模型 | 准确率,AUC(曲线下面积) | NA |
| 142 | 2025-10-06 |
MSP-tracker: A versatile vesicle tracking software tool used to reveal the spatial control of polarized secretion in Drosophila epithelial cells
2025-04, PLoS biology
IF:7.8Q1
DOI:10.1371/journal.pbio.3003099
PMID:40208901
|
研究论文 | 开发了一种名为MSP-tracker的囊泡追踪软件工具,用于研究果蝇上皮细胞中极化分泌的空间调控机制 | 开发了新型交互式囊泡追踪框架,结合计算机视觉和深度学习技术,无需大量训练数据即可在嘈杂环境中准确追踪囊泡轨迹 | NA | 研究上皮细胞中特定分泌货物如何靶向质膜不同区域的机制 | 果蝇上皮细胞中的高尔基体后囊泡 | 计算机视觉 | NA | RUSH系统,囊泡追踪 | 深度学习 | 图像 | NA | NA | NA | 追踪准确度 | NA |
| 143 | 2025-10-06 |
Accurate and rapid determination of metabolic flux by deep learning of isotope patterns
2025-Apr-15, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.06.565907
PMID:37986781
|
研究论文 | 开发了一种名为ML-Flux的机器学习框架,通过深度学习同位素标记模式来快速准确测定代谢通量 | 首创使用神经网络直接解析复杂同位素标记模式,替代传统的间接迭代求解器 | 目前仅涵盖中心碳代谢的26种关键示踪剂,网络覆盖范围有待扩展 | 开发快速准确的代谢通量定量分析方法 | 中心碳代谢中的同位素标记模式 | 机器学习 | NA | 同位素示踪技术 | 神经网络 | 同位素标记模式数据 | 26种关键C-葡萄糖、H-葡萄糖和C-谷氨酰胺示踪剂 | NA | NA | 准确性, 计算速度 | NA |
| 144 | 2025-10-06 |
Deciphering epistatic genetic regulation of cardiac hypertrophy
2025-Apr-11, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.11.06.23297858
PMID:37987017
|
研究论文 | 本研究开发了低信号符号迭代随机森林方法,揭示了心脏肥大的复杂遗传调控机制 | 开发了低信号符号迭代随机森林新方法,首次系统性地揭示了心脏肥大中的上位性遗传调控网络 | 研究主要基于英国生物银行数据,样本来源相对单一,需要在其他人群中进一步验证 | 解析心脏肥大的上位性遗传调控机制 | 人类心脏组织、人类诱导多能干细胞来源的心肌细胞 | 生物信息学 | 心血管疾病 | 深度学习、RNA沉默、微流控单细胞形态分析、转录组网络分析 | 随机森林、深度学习模型 | 心脏MRI图像、基因组数据、转录组数据 | 29,661例英国生物银行心脏MRI,313例人类心脏组织 | NA | NA | NA | NA |
| 145 | 2025-10-06 |
Combination of deep learning reconstruction and quantification for dynamic contrast-enhanced (DCE) MRI
2025-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2024.110310
PMID:39710009
|
研究论文 | 提出一种结合深度学习重建与量化的端到端动态对比增强MRI技术 | 开发了新型深度重建网络DCE-Movienet,结合已有的DCE-Qnet量化网络,实现快速定量DCE-MRI | 仅在健康志愿者和一名宫颈癌患者中验证,样本规模有限 | 解决DCE-MRI在采集速度和量化性能方面的挑战 | 动态对比增强MRI数据 | 医学影像分析 | 宫颈癌 | 动态对比增强MRI | 深度学习网络 | 4D MRI数据 | 健康志愿者和一名宫颈癌患者 | NA | DCE-Movienet, DCE-Qnet | 重建时间,图像质量 | NA |
| 146 | 2025-07-22 |
Accurate treatment effect estimation using inverse probability of treatment weighting with deep learning
2025-Apr, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooaf032
PMID:40290454
|
研究论文 | 本研究利用深度序列模型通过逆处理概率加权(IPTW)方法准确估计处理效应,无需特征处理 | 提出使用深度序列模型(如RNN和Transformer)直接从索赔记录中估计倾向得分,无需特征处理,提高了处理效应估计的准确性 | 研究主要基于合成和半合成数据集,未在真实世界数据中广泛验证 | 在存在时间依赖性混杂因素的情况下,准确估计处理效应 | 电子健康记录(EHRs)中的索赔记录 | 机器学习 | NA | 逆处理概率加权(IPTW) | RNN, Transformer | 电子健康记录(EHRs) | 合成和半合成数据集 | NA | NA | NA | NA |
| 147 | 2025-10-06 |
Dissection of tumoral niches using spatial transcriptomics and deep learning
2025-Apr-18, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112214
PMID:40230519
|
研究论文 | 本研究开发了TG-ME计算框架,通过整合空间转录组学数据和形态学图像来解析肿瘤微环境中的生态位 | 首次将Transformer与图变分自编码器(GraphVAE)相结合,构建能够同时分析空间转录组数据和形态学图像的计算框架 | NA | 开发计算框架以解析肿瘤微环境中的空间组织结构 | 肿瘤生态位和肿瘤微环境 | 数字病理学 | 肺癌 | 空间转录组学 | Transformer, GraphVAE | 空间转录组数据, 形态学图像 | NA | NA | Transformer, GraphVAE | NA | NA |
| 148 | 2025-10-06 |
pC-SAC: A method for high-resolution 3D genome reconstruction from low-resolution Hi-C data
2025-Apr-10, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf289
PMID:40226920
|
研究论文 | 提出一种从低分辨率Hi-C数据重建高分辨率3D基因组的新计算方法pC-SAC | 使用自适应重要性采样与序列蒙特卡洛方法生成满足物理约束的3D染色质链集合,实现从低分辨率数据重建高分辨率Hi-C矩阵 | NA | 开发成本效益高的方法增强Hi-C数据分辨率,以深入研究3D基因组组织及其在基因调控和疾病中的作用 | 3D基因组组织、染色质结构 | 计算生物学 | NA | Hi-C技术 | 概率模型、蒙特卡洛方法 | Hi-C交互数据 | NA | NA | probabilistically Constrained Self-Avoiding Chromatin (pC-SAC) | 准确率 | NA |
| 149 | 2025-10-06 |
Enhancing nonlinear transcriptome- and proteome-wide association studies via trait imputation with applications to Alzheimer's disease
2025-Apr, PLoS genetics
IF:4.0Q1
DOI:10.1371/journal.pgen.1011659
PMID:40209152
|
研究论文 | 本研究通过性状插补方法增强非线性转录组和蛋白质组关联研究,应用于阿尔茨海默病风险基因和蛋白的发现 | 将性状插补方法应用于非线性TWAS/PWAS分析,利用深度学习模型捕捉表达量对疾病的非线性效应 | 生物银行参与者年龄相对年轻导致AD病例数量不足,可能影响统计功效 | 识别与阿尔茨海默病风险相关的基因和蛋白质 | 阿尔茨海默病相关基因和蛋白质 | 机器学习 | 阿尔茨海默病 | 转录组测序, 蛋白质组分析 | 深度学习 | 基因表达数据, 蛋白质表达数据 | GTEx项目和UK Biobank参与者数据 | NA | DeLIVR | 统计功效, 假阳性率 | NA |
| 150 | 2025-10-06 |
SuperMRF: deep robust reconstruction for highly accelerated magnetic resonance fingerprinting
2025-Apr-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-23-1819
PMID:40235764
|
研究论文 | 提出一种名为SuperMRF的深度学习框架,用于从欠采样的磁共振指纹数据直接重建定量T1和T2图谱 | 首次将三维卷积神经网络同时利用空间和时间信息直接重建MRF定量图谱,绕过传统模式匹配方法 | 网络使用模拟数据进行训练,在真实数据中的泛化能力需要进一步验证 | 开发快速、鲁棒的磁共振指纹重建方法 | 健康志愿者的膝关节磁共振数据 | 医学影像分析 | NA | 磁共振指纹成像 | CNN | 三维笛卡尔磁共振指纹数据 | 4名志愿者 | NA | 3D CNN | SSIM, PSNR, NMSE | NA |
| 151 | 2025-10-06 |
Enhanced cell tracking using a GAN-based super-resolution video-to-video time-lapse microscopy generative model
2025-Apr-18, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112225
PMID:40230526
|
研究论文 | 提出一种基于GAN的超分辨率延时显微镜视频生成模型tGAN,用于增强细胞追踪性能 | 开发了具有双分辨率架构的GAN模型,能够同时捕捉低分辨率和高分辨率细胞细节,生成具有高时间一致性和精细细节的合成注释延时显微镜视频 | 未明确说明模型在特定细胞类型或成像条件下的泛化能力 | 解决细胞追踪中注释延时数据有限的问题,提升深度学习在生物图像分析中的应用 | 细胞动态行为(生长、分裂、运动、细胞间相互作用) | 计算机视觉 | NA | 延时显微镜成像 | GAN | 视频 | NA | NA | GAN, 双分辨率架构 | 时间一致性, 细节质量 | NA |
| 152 | 2025-10-06 |
Tumor Bud Classification in Colorectal Cancer Using Attention-Based Deep Multiple Instance Learning and Domain-Specific Foundation Models
2025-Apr-07, Cancers
IF:4.5Q1
DOI:10.3390/cancers17071245
PMID:40227783
|
研究论文 | 提出一种基于注意力深度多示例学习和领域特定基础模型的结直肠癌肿瘤芽自动分类系统 | 首次将注意力机制多示例学习与领域特定基础模型结合用于肿瘤芽分类,通过注意力热图验证特征可解释性 | 数据集规模有限(29张训练WSI,70张测试WSI),未进行大规模临床验证 | 开发自动化肿瘤芽分类系统以提高结直肠癌预后评估准确性 | 结直肠癌组织切片中的肿瘤芽 | 数字病理学 | 结直肠癌 | 全切片图像分析 | 注意力多示例学习 | 病理图像 | 29张训练用全切片图像,70张测试用全切片图像 | NA | ABMIL, Phikon-v2, UNI, CtransPath | AUC, 精确度, 召回率 | NA |
| 153 | 2025-10-06 |
Deep learning informed multimodal fusion of radiology and pathology to predict outcomes in HPV-associated oropharyngeal squamous cell carcinoma
2025-Apr, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2025.105663
PMID:40121941
|
研究论文 | 开发基于Swin Transformer的多模态多区域数据融合框架,整合CT影像和病理全切片图像预测HPV相关口咽鳞状细胞癌的预后 | 首次提出整合原发灶和淋巴结区域的放射学与病理学特征的多模态融合方法,采用跨模态和跨区域的窗口多头自注意力机制 | 样本量相对有限(277例患者),需在更大队列中验证 | 预测HPV相关口咽鳞状细胞癌的生存结果和肿瘤分级 | HPV相关口咽鳞状细胞癌患者 | 医学影像分析 | 头颈癌 | CT影像,全切片病理图像 | Transformer | 影像,图像 | 277例匹配放射学和病理学图像的口咽鳞状细胞癌患者 | NA | Swin Transformer | C-index, AUC, 风险比, 优势比 | NA |
| 154 | 2025-10-06 |
Harnessing AlphaFold to reveal hERG channel conformational state secrets
2025-Apr-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.27.577468
PMID:38352360
|
研究论文 | 本研究利用AlphaFold结合结构模板预测hERG离子通道的不同构象状态,揭示其功能机制和药物结合特性 | 通过精心选择结构模板指导AlphaFold预测特定功能状态,首次揭示了hERG通道失活机制和增强药物结合的分子特征 | 方法依赖于结构模板的选择质量,计算预测仍需实验数据验证 | 预测hERG离子通道的离散构象状态并理解其与药物相互作用的机制 | hERG钾离子通道(Kv11.1)的不同构象状态 | 计算生物学 | 心律失常 | AlphaFold蛋白质结构预测,分子对接,分子动力学模拟 | 深度学习 | 蛋白质结构数据,实验验证数据 | NA | AlphaFold | AlphaFold架构 | 与实验数据一致性,药物亲和力预测准确性 | NA |
| 155 | 2025-10-06 |
Emerging frontiers in protein structure prediction following the AlphaFold revolution
2025-Apr, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0886
PMID:40233800
|
综述 | 本文探讨了AlphaFold引发蛋白质结构预测革命后该领域的新兴前沿应用 | 聚焦深度学习革命后蛋白质结构预测在高级应用中的发展,提出了AlphaFold预测结果的报告指南 | NA | 综述当前最先进的蛋白质结构预测技术及其在复杂生物系统中的应用 | 蛋白质结构及其与生物分子的相互作用 | 计算生物学 | NA | 深度学习 | 深度学习模型 | 蛋白质序列和结构数据 | 数百万个蛋白质结构模型 | NA | AlphaFold | NA | NA |
| 156 | 2025-10-06 |
SegCSR: WEAKLY-SUPERVISED CORTICAL SURFACES RECONSTRUCTION FROM BRAIN RIBBON SEGMENTATIONS
2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi60581.2025.10980662
PMID:40655953
|
研究论文 | 提出一种基于脑MRI带状分割的弱监督皮质表面重建方法SegCSR | 无需依赖传统流程生成的伪标签,直接从脑MRI带状分割重建多个皮质表面 | 在深度脑沟区域仍需正则化处理,性能依赖于分割质量 | 开发弱监督的皮质表面重建方法 | 脑MRI图像中的皮质表面 | 医学图像分析 | 神经科学相关疾病 | 脑MRI成像 | 深度学习 | 医学图像 | 两个大规模脑MRI数据集 | NA | NA | 重建精度、规则性 | NA |
| 157 | 2025-10-06 |
A Novel Technique for Fluorescence Lifetime Tomography
2025-Apr-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.19.613888
PMID:39345436
|
研究论文 | 提出一种基于深度神经网络的荧光寿命层析成像新技术AUTO-FLI,能够在厘米深度实现3D强度和定量寿命重建 | 开发了首个能够同时实现3D强度和定量寿命重建的深度学习模型,解决了深层组织中高散射导致的成像挑战 | 目前仅在模拟小鼠模型上进行验证,尚未在真实生物组织中进行广泛测试 | 开发能够在深层散射介质中实现精确3D荧光寿命成像的新技术 | 模拟小鼠模型和高度散射介质 | 医学影像 | NA | 荧光寿命成像(FLIM),荧光寿命层析成像 | 深度神经网络 | 3D荧光寿命数据 | 解剖学精确的小鼠模拟体模 | NA | NA | 3D定量估计精度 | NA |
| 158 | 2025-10-06 |
All-at-once RNA folding with 3D motif prediction framed by evolutionary information
2025-Apr-08, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.17.628809
PMID:39764046
|
研究论文 | 提出CaCoFold-R3D概率语法模型,联合预测RNA二级结构和三维基序 | 首次开发能够同时预测RNA二级结构和三维基序的联合概率语法模型,利用进化信息通过共变可靠识别螺旋结构 | 未明确说明模型在特定RNA类型或复杂结构上的性能限制 | 开发RNA结构预测方法,准确识别三维基序和二级结构 | RNA分子及其三维结构基序 | 计算生物学 | NA | 概率语法模型,进化信息分析 | 概率语法模型 | RNA序列,RNA比对数据 | 超过50种已知RNA基序 | NA | CaCoFold-R3D,R3D语法 | NA | NA |
| 159 | 2025-10-06 |
TOWARDS PATIENT-SPECIFIC SURGICAL PLANNING FOR BICUSPID AORTIC VALVE REPAIR: FULLY AUTOMATED SEGMENTATION OF THE AORTIC VALVE IN 4D CT
2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/ISBI60581.2025.10981269
PMID:40630832
|
研究论文 | 开发基于nnU-Net的全自动二叶式主动脉瓣多标签分割流程,用于患者特异性手术规划 | 首个针对二叶式主动脉瓣的全自动分割模型,并评估了分割结果在临床手术规划中的可用性 | 分割结果的时间一致性仍需改进 | 为二叶式主动脉瓣修复手术提供患者特异性规划支持 | 二叶式主动脉瓣患者 | 医学影像分析 | 心血管疾病 | 4D CT成像 | CNN | 4D CT图像 | NA | nnU-Net | U-Net | Dice系数, 对称平均距离 | NA |
| 160 | 2025-10-06 |
A comprehensive benchmark for multiple highly efficient base editors with broad targeting scope
2025-Apr-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.17.628899
PMID:39763781
|
研究论文 | 本研究构建了10种高效碱基编辑器并建立了包含34,040种BE-gRNA-靶点组合的大规模基准数据集,开发了深度学习模型BEEP用于预测编辑效率 | 首次系统评估多种高效碱基编辑器的编辑特性,发现广泛的非经典PAM识别能力,并开发了可预测编辑效率的深度学习模型 | NA | 建立碱基编辑器性能基准并开发编辑效率预测工具 | 10种腺嘌呤和胞嘧啶碱基编辑器及其与gRNA和靶点的组合 | 生物信息学 | 遗传疾病 | 碱基编辑技术、基因组整合、深度学习 | 深度学习模型 | 基因组编辑数据 | 34,040个BE-gRNA-靶点组合,3,558个疾病相关SNVs验证 | NA | BEEP(Base Editing Efficiency Predictor) | 编辑效率预测准确性 | NA |