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 1408 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2025-10-06 |
Comparative evaluation of deep learning-based and conventional reconstruction techniques for image quality enhancement in low-dose chest computed tomography
2025-May-30, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-589
PMID:40529728
|
研究论文 | 比较深度学习算法与传统重建技术在低剂量胸部CT图像质量增强方面的性能 | 提出了一种新型深度学习重建算法，相比主流迭代重建技术能更有效地提升低剂量CT图像质量 | 研究样本量相对有限（90例患者），且为单中心回顾性研究 | 评估深度学习算法在低剂量胸部CT图像重建中的性能表现 | 接受胸部CT检查的90例患者，包括45例低剂量CT和45例常规剂量CT | 计算机视觉 | 肺部疾病 | 计算机断层扫描（CT） | 深度学习算法 | 医学影像 | 90例患者 | NA | NA | 信噪比（SNR）、绝对噪声、对比噪声比（CNR）、均方误差（MSE）、结构相似性（SSIM）、五点量表主观评分 | NA |
| 182 | 2025-10-06 |
A systematic review and meta-analysis of artificial intelligence software for tuberculosis diagnosis using chest X-ray imaging
2025-May-30, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-604
PMID:40529749
|
系统评价与荟萃分析 | 本文通过系统评价和荟萃分析评估了五种基于人工智能的肺结核诊断软件在胸部X光影像中的诊断准确性 | 首次对五种主流AI肺结核诊断软件进行系统性比较和荟萃分析，为AI在结核病筛查中的临床应用提供循证依据 | 仅纳入21项研究，软件性能可能受研究设计和阈值设置影响，存在一定的异质性 | 评估AI软件在胸部X光影像中诊断肺结核的准确性，推动AI在结核病筛查中的应用 | 五种AI肺结核诊断软件（JF CXR-1、qXR、Lunit INSIGHT CXR、CAD4TB、InferRead DR Chest） | 计算机视觉 | 肺结核 | 胸部X光成像 | 深度学习 | 医学影像 | 从5,651篇文献中筛选21项研究纳入分析 | NA | NA | 灵敏度, 特异性 | Stata 17.0软件 |
| 183 | 2025-10-06 |
Machine learning and deep learning to improve overall survival prediction in cervical cancer patients
2025-May-30, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2024-2304
PMID:40530132
|
研究论文 | 本研究利用机器学习和深度学习算法构建宫颈癌患者总生存期预测模型 | 首次将DeepSurv深度学习模型应用于宫颈癌生存预测，并通过X-tile分析对患者进行分层 | 数据来源于单一数据库SEER，缺乏外部验证 | 识别关键预后因素并构建宫颈癌患者总生存期预测模型 | 宫颈癌患者 | 机器学习 | 宫颈癌 | 生存分析 | CoxBoost, RandomForest, SuperPC, XGBoost, DeepSurv | 临床数据 | 2490名患者（训练集1743名，测试集747名） | NA | DeepSurv | C-index, AUC, ROC曲线 | NA |
| 184 | 2025-10-06 |
Deep learning for fine-grained molecular-based colorectal cancer classification
2025-May-30, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2024-2348
PMID:40530151
|
研究论文 | 本研究提出了一种基于深度学习的结直肠癌分子亚型细粒度分类方法，使用H&E染色组织切片图像结合CNN和ViT混合模型 | 首次提出结合CNN和Vision Transformer的混合深度学习模型用于结直肠癌分子标志物的细粒度分类，并构建了LZUFH_CRC数据集 | 模型性能需要进一步提升，准确率仅为0.524 | 开发基于深度学习的结直肠癌分子诊断方法，替代传统耗时昂贵的分子检测技术 | 383例结直肠癌患者的H&E染色组织切片图像 | 数字病理 | 结直肠癌 | H&E染色组织切片成像 | CNN, Vision Transformer | 图像 | 383例结直肠癌患者 | NA | CNN, ViT混合模型（包含特征提取器、聚合器和分类头） | 准确率, AUC, F1-score | NA |
| 185 | 2025-10-06 |
Opportunities and challenges in lung cancer care in the era of large language models and vision language models
2025-May-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-801
PMID:40535072
|
综述 | 全面总结人工智能在肺癌诊疗中的应用现状，重点探讨大语言模型和视觉语言模型带来的机遇与挑战 | 系统梳理了大语言模型和视觉语言模型在肺癌诊疗中的最新应用前景，并深入分析了相关技术转化面临的独特挑战 | 作为综述文章，未涉及原始实验数据验证，主要基于现有文献分析 | 探讨人工智能技术在肺癌诊疗领域的发展现状与未来方向 | 肺癌诊疗相关的AI技术应用 | 自然语言处理,计算机视觉,机器学习 | 肺癌 | 机器学习,深度学习,大语言模型,视觉语言模型 | LLM,VLM | 医学图像,临床文本,多模态数据 | NA | NA | NA | 标准化评估指标缺乏 | NA |
| 186 | 2025-10-06 |
A Bayesian deep learning model with consolidation-to-tumor ratio (CTR) prior revolutionizes the prediction of spread through air spaces (STAS) in stage IA lung adenocarcinoma: a large-scale diagnostic study
2025-May-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-890
PMID:40535077
|
研究论文 | 本研究开发了一种基于贝叶斯深度学习框架结合实变-肿瘤比先验的模型，用于预测IA期肺腺癌的气道播散 | 首次将临床医生知识（CTR先验）融入贝叶斯深度学习框架，显著提升了STAS预测性能 | 研究为单中心回顾性研究，需要多中心前瞻性验证 | 开发术前预测IA期肺腺癌患者气道播散的深度学习模型 | IA期肺腺癌患者 | 数字病理 | 肺癌 | 医学影像分析 | 贝叶斯深度学习 | 医学影像数据 | 1,374例患者（训练集961例，验证集275例，测试集138例） | 变分贝叶斯推断框架 | STAS-DLPrior CTR, STAS-DLNon-prior CTR | ROC曲线, AUC, 校准曲线, 决策曲线分析, 临床影响曲线 | NA |
| 187 | 2025-10-06 |
Deep learning in histopathology images for prediction of oncogenic driver molecular alterations in lung cancer: a systematic review and meta-analysis
2025-May-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2024-1196
PMID:40535093
|
系统综述与荟萃分析 | 系统评估深度学习模型从H&E染色全切片图像预测非小细胞肺癌致癌驱动分子改变的诊断准确性 | 首次通过系统综述和荟萃分析全面评估深度学习模型从常规H&E病理切片预测肺癌致癌驱动基因改变的诊断性能 | 仅纳入英文和西班牙文研究，缺乏多人群验证和临床结局数据 | 评估深度学习模型从H&E全切片图像预测非小细胞肺癌致癌驱动分子改变的诊断准确性 | 非小细胞肺癌患者的H&E染色全切片图像 | 数字病理学 | 肺癌 | H&E染色全切片图像分析 | CNN | 病理图像 | NA | NA | 卷积神经网络 | 灵敏度, 特异性, 置信区间 | NA |
| 188 | 2025-10-06 |
FLAMeS: A Robust Deep Learning Model for Automated Multiple Sclerosis Lesion Segmentation
2025-May-23, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.19.25327707
PMID:40475145
|
研究论文 | 开发了一种基于深度学习的自动化多发性硬化病灶分割模型FLAMeS | 基于nnU-Net 3D全分辨率U-Net架构，在多个外部数据集上验证了其鲁棒性和优越性能 | 对于小于10mm³的小病灶检测存在遗漏 | 开发自动化多发性硬化病灶分割算法 | 多发性硬化患者的脑部MRI图像 | 医学图像分析 | 多发性硬化 | FLAIR MRI | 深度学习 | 医学图像 | 训练集668个FLAIR扫描，测试集包含三个外部数据集（MSSEG-2:14例，MSLesSeg:51例，临床队列:10例） | nnU-Net | 3D full-resolution U-Net | Dice系数, 真阳性率, F1分数, 阳性预测值, 相对体积差异, 假阳性率 | NA |
| 189 | 2025-10-06 |
Multiobjective learning and design of bacteriophage specificity
2025-May-19, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.19.654895
PMID:40475446
|
研究论文 | 本研究应用深度学习理解和设计T7噬菌体受体结合蛋白的多功能宿主靶向景观 | 首次将多目标机器学习应用于噬菌体特异性设计，实现了增强感染性、预定义特异性和对未知菌株高毒力的多功能优化 | 研究仅针对T7噬菌体，需要进一步验证在其他蛋白质或生物系统中的适用性 | 理解和设计噬菌体的多功能靶向能力 | T7噬菌体受体结合蛋白 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质功能数据 | 针对26个不同任务优化的设计噬菌体 | NA | 多种不同架构（具体未指明） | 成功率，感染性，特异性，毒力 | NA |
| 190 | 2025-10-06 |
A new age in structural S-layer biology: Experimental and in silico milestones
2025-May-08, The Journal of biological chemistry
IF:4.0Q2
DOI:10.1016/j.jbc.2025.110205
PMID:40345586
|
综述 | 本文总结了近5年S层蛋白结构研究的主要进展，包括实验结构确定流程和计算建模新方法 | 首次系统探讨计算建模方法在S层蛋白研究中的突破，并展望计算方法如何进一步推动对该蛋白结构的理解 | NA | 总结S层蛋白结构生物学研究的最新进展 | 细菌和古菌中的表面(S-)层蛋白 | 结构生物学 | NA | 高分辨率成像、深度学习结构预测 | 深度学习 | 蛋白质结构数据 | 多种细菌和古菌物种，包括未培养微生物谱系 | NA | NA | NA | NA |
| 191 | 2025-10-06 |
Artificial intelligence-driven circRNA vaccine development: multimodal collaborative optimization and a new paradigm for biomedical applications
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf263
PMID:40483546
|
综述 | 本文探讨人工智能在环状RNA疫苗开发中的多模态协同优化策略及其生物医学应用新范式 | 提出融合AI与传统实验的混合范式，整合可解释AI框架与多组学验证以提升环状RNA疫苗的临床转化潜力 | AI算法存在黑箱问题、文献检索可靠性不足、生物学机制整合不充分以及生成式AI可能产生虚假参考文献 | 通过人工智能优化环状RNA疫苗设计流程并建立新型生物医学应用范式 | 环状RNA疫苗及其在传染病预防和癌症免疫治疗中的应用 | 生物信息学 | 传染病与癌症 | 多组学数据整合，RNA二级结构建模，脂质纳米颗粒递送系统 | CNN, Transformer, 生成式AI | 多组学数据 | NA | NA | NA | NA | NA |
| 192 | 2025-10-06 |
RadField3D: a data generator and data format for deep learning in radiation-protection dosimetry for medical applications
2025-05-16, Journal of radiological protection : official journal of the Society for Radiological Protection
IF:1.4Q3
DOI:10.1088/1361-6498/add53d
PMID:40334671
|
研究论文 | 介绍用于辐射防护剂量学深度学习研究的开源三维辐射场数据生成工具和数据格式 | 开发了基于Geant4的开源蒙特卡洛模拟应用和快速机器可解释数据格式，支持神经网络研究 | NA | 研究使用深度学习的替代辐射模拟方法 | 三维辐射场数据集 | 机器学习和医学物理 | NA | 蒙特卡洛模拟 | 神经网络 | 三维辐射场数据 | NA | Python | NA | NA | NA |
| 193 | 2025-10-06 |
Solving physics-based initial value problems with unsupervised machine learning
2025-May, Physical review. E
DOI:10.1103/PhysRevE.111.055302
PMID:40533973
|
研究论文 | 提出一种使用无监督机器学习解决基于物理的初值问题的方法 | 引入概率激活函数和耦合神经网络来严格学习初值问题的解，能够处理非线性、耦合和混沌动力系统 | NA | 开发深度学习框架解决物理系统中的初值问题 | 自由粒子、重力场中的粒子、经典摆和Hénon-Heiles系统等机械系统 | 机器学习 | NA | 无监督机器学习 | 深度神经网络 | 物理系统动态数据 | NA | NA | 耦合神经网络 | 能量守恒、作用量守恒 | NA |
| 194 | 2025-10-06 |
A Novel Artificial Intelligence Approach to Kennedy Classification for Partially Edentulous Patients Using Panoramic Radiographs
2025-May-28, The European journal of prosthodontics and restorative dentistry
DOI:10.1922/EJPRD_2801Hassan09
PMID:40105321
|
研究论文 | 开发基于人工智能的系统，利用全景X光片自动对部分缺牙患者进行Kennedy分类 | 首次将YOLOv8深度学习模型应用于全景X光片的牙齿检测和Kennedy分类系统 | 仅使用公开数据集，样本来源可能有限；未提及模型在不同人群中的泛化能力 | 开发自动化部分缺牙分类系统，减少诊断变异并减轻牙科专业人员工作负担 | 部分缺牙患者的口腔全景X光片 | 计算机视觉 | 牙科疾病 | 全景X光成像 | CNN | 图像 | 1875张高质量全景X光片（来自5261张原始图像），通过数据增强扩展至2398张 | YOLOv8 | YOLOv8s | 精度, 召回率, F1分数, 平均精度均值(mAP50) | NA |
| 195 | 2025-10-06 |
Detection of Pulmonary Nodules on Ultra-low Dose Chest Computed Tomography With Deep-learning Image Reconstruction Algorithm
2025-May-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000806
PMID:39267547
|
研究论文 | 评估使用深度学习图像重建算法在超低剂量胸部CT中检测肺结节的准确性 | 首次在辐射剂量相当于两次胸部X线的超低剂量CT中使用深度学习图像重建算法进行肺结节检测 | 样本量较小（60例患者），仅评估了实性肺结节 | 评估超低剂量胸部CT结合深度学习重建算法检测肺结节的性能 | 60例转诊评估或随访实性肺结节的患者 | 计算机视觉 | 肺癌 | 计算机断层扫描（CT） | 深度学习 | 医学影像 | 60例患者，733个结节 | NA | 深度学习图像重建（DLIR） | 灵敏度，ICC（组内相关系数） | NA |
| 196 | 2025-10-06 |
Predicting Gene Comutation of EGFR and TP53 by Radiomics and Deep Learning in Patients With Lung Adenocarcinomas
2025-May-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000817
PMID:39319553
|
研究论文 | 本研究基于影像组学和深度学习构建渐进式二分类模型，预测肺腺癌患者EGFR和TP53基因共突变状态 | 首次结合影像组学和深度学习方法构建渐进式二分类模型预测肺腺癌基因共突变，为TKI靶向治疗响应和预后评估提供新参考 | 回顾性单中心研究，样本量有限（267例患者），需外部验证确认模型泛化能力 | 构建预测模型识别适合TKI靶向治疗和预后不良的肺腺癌患者 | 267例接受基因检测和非增强胸部CT的肺腺癌患者 | 数字病理 | 肺癌 | 非增强胸部CT，基因检测 | 深度学习模型 | 医学影像，临床数据 | 267例肺腺癌患者 | NA | NA | AUC，敏感性，特异性，准确率，精确率，F1分数 | NA |
| 197 | 2025-10-06 |
Non-invasive biopsy diagnosis of diabetic kidney disease via deep learning applied to retinal images: a population-based study
2025-05, The Lancet. Digital health
DOI:10.1016/j.landig.2025.02.008
PMID:40312169
|
研究论文 | 开发基于视网膜图像的深度学习系统DeepDKD用于无创诊断糖尿病肾病 | 首次利用视网膜图像通过深度学习实现糖尿病肾病的无创活检诊断和分型 | 外部验证数据集的AUC存在一定波动(0.733-0.844) | 开发AI系统用于糖尿病肾病的筛查和分型诊断 | 糖尿病患者视网膜图像 | 数字病理 | 糖尿病肾病 | 视网膜成像 | 深度学习 | 图像 | 开发阶段734,084张视网膜图像，验证阶段涉及多个国家121,578名参与者 | NA | DeepDKD | AUC, 敏感性 | NA |
| 198 | 2025-10-06 |
MultiPep-DLCL: recognition of multifunctional therapeutic peptides through deep learning with label-sequence contrastive learning
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf274
PMID:40518951
|
研究论文 | 提出一种基于深度学习和标签序列对比学习的多标签分类方法MultiPep-DLCL，用于识别多功能治疗肽 | 采用标签序列融合Transformer学习高质量标签嵌入，通过标签序列对比学习加强序列特征与标签嵌入的对应关系，并整合多标签焦点骰子损失函数解决数据集不平衡问题 | 未明确说明数据集的规模和多样性限制 | 开发更准确的多功能治疗肽识别方法 | 多功能治疗肽 | 机器学习 | NA | 深度学习 | Transformer | 肽序列数据 | NA | NA | Label-Sequence Fusion Transformer | NA | NA |
| 199 | 2025-10-06 |
VirulentHunter: deep learning-based virulence factor predictor illuminates pathogenicity in diverse microbial contexts
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf271
PMID:40518950
|
研究论文 | 开发基于深度学习的毒力因子预测工具VirulentHunter，能够直接从蛋白质序列中识别和分类毒力因子 | 首次将预训练蛋白质语言模型微调应用于毒力因子识别和功能分类，解决了传统同源性方法无法识别新型或分歧毒力因子的局限性 | NA | 开发更准确的毒力因子预测方法，以更好地理解微生物致病性 | 细菌毒力因子，特别是结核分枝杆菌和鸟分枝杆菌的比较分析，以及炎症性肠病患者肠道微生物组的毒力因子分析 | 生物信息学 | 传染病 | 深度学习，蛋白质语言模型，宏基因组分析 | 深度学习 | 蛋白质序列，基因组数据，宏基因组数据 | NA | NA | 预训练蛋白质语言模型 | 基准测试性能比较 | NA |
| 200 | 2025-06-18 |
Harnessing Artificial Intelligence in Pediatric Oncology Diagnosis and Treatment: A Review
2025-May-30, Cancers
IF:4.5Q1
DOI:10.3390/cancers17111828
PMID:40507308
|
review | 本文综述了人工智能在儿科肿瘤学诊断和治疗中的应用及其潜力 | 探讨了AI在儿科肿瘤学中的新兴趋势，如基于AI的放射组学和蛋白质组学应用 | 儿科癌症数据的异质性和稀缺性、影像技术的快速发展和数据隐私及算法透明性的伦理问题 | 提高儿童癌症诊断和治疗的准确性和有效性 | 儿科肿瘤学中的主要癌症类型 | machine learning | pediatric cancer | machine learning (ML), deep learning (DL) | NA | imaging, proteomics data | NA | NA | NA | NA | NA |