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 1430 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2025-06-15 |
VADEr: Vision Transformer-Inspired Framework for Polygenic Risk Reveals Underlying Genetic Heterogeneity in Prostate Cancer
2025-May-18, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.16.25327672
PMID:40463543
|
research paper | 提出了一种基于Vision Transformer的框架VADEr，用于捕捉基因数据中的局部和全局交互，以预测前列腺癌的多基因风险 | 结合自然语言处理和计算机视觉技术，利用Vision Transformer架构捕捉基因变异间的复杂交互，并引入DARTH评分提供可解释的疾病风险驱动因素 | 研究仅针对前列腺癌，未验证在其他复杂疾病中的适用性 | 开发一种能够捕捉基因变异间复杂交互的多基因风险预测框架 | 前列腺癌（PCa）的多基因风险预测 | machine learning | prostate cancer | Vision Transformer (ViT) | Transformer | genetic data | NA | NA | NA | NA | NA |
| 242 | 2025-06-15 |
Distinct actin microfilament localization during early cell plate formation through deep learning-based image restoration
2025-May-08, Plant cell reports
IF:5.3Q1
DOI:10.1007/s00299-025-03498-7
PMID:40335746
|
研究论文 | 通过基于深度学习的图像恢复技术，实现了高分辨率4D成像，揭示了Lifeact-RFP标记的肌动蛋白微丝在细胞板形成初期的独特定位及其作用 | 利用深度学习进行图像恢复，实现了最小光损伤的高分辨率4D成像，揭示了两种不同标记的肌动蛋白微丝在细胞板形成初期的不同定位模式 | 研究仅使用了转基因烟草BY-2细胞，可能不适用于其他植物细胞类型 | 探究肌动蛋白微丝在细胞板形成初期的定位和功能 | 转基因烟草BY-2细胞 | 计算机视觉 | NA | 深度学习图像恢复技术 | 深度学习 | 图像 | 转基因烟草BY-2细胞 | NA | NA | NA | NA |
| 243 | 2025-06-15 |
Unsupervised Deep Learning for Blood-Brain Barrier Leakage Detection in Diffuse Glioma Using Dynamic Contrast-enhanced MRI
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.240507
PMID:40172325
|
研究论文 | 开发了一种无监督深度学习框架，用于在弥漫性胶质瘤中通过动态对比增强MRI检测血脑屏障泄漏，无需药代动力学模型和动脉输入函数估计 | 采用基于自动编码器的异常检测方法，通过重构残差识别一维体素级时间序列异常信号，并将其分为残余泄漏信号和残余血管信号 | 研究为回顾性研究，可能存在选择偏差 | 开发一种无需药代动力学模型和动脉输入函数估计的血脑屏障泄漏检测方法 | 弥漫性胶质瘤患者 | 数字病理学 | 胶质瘤 | 动态对比增强MRI | 自动编码器 | MRI图像 | 274名患者（平均年龄54.4岁±14.6，其中164名男性） | NA | NA | NA | NA |
| 244 | 2025-05-29 |
Pixels to Prognosis: Using Deep Learning to Rethink Cardiac Risk Prediction from CT Angiography
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.250260
PMID:40434277
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 245 | 2025-06-15 |
Gene expression inference based on graph neural networks using L1000 data
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf273
PMID:40505083
|
研究论文 | 本研究探讨了基于图神经网络（GNN）的基因表达推断方法，使用L1000数据，展示了其在预测基因表达值和基于表达的基因排序上的优越性 | 首次将图神经网络应用于基因表达推断，相比传统线性回归和非线性非GNN模型，GNN模型在减少10倍信息需求的同时达到可比性能 | 未明确提及具体的数据集规模限制或模型在特定生物环境下的适用性限制 | 探索非线性模型，特别是基于图结构的模型，在基因表达推断中的有效性 | 基因表达数据 | 生物信息学 | NA | L1000 | GNN | 基因表达数据 | 超过一百万种不同条件下的基因表达数据 | NA | NA | NA | NA |
| 246 | 2025-06-15 |
AI-Driven Advancements in Bioinformatics: Transforming Healthcare and Science
2025-May, Journal of pharmacy & bioallied sciences
DOI:10.4103/jpbs.jpbs_389_25
PMID:40511171
|
review | 本文回顾了AI在生物信息学中的关键应用及其对医疗实践和科学研究的潜在影响 | 探讨了AI在基因组和蛋白质结构预测、药物发现算法及诊断解决方案中的创新应用 | 存在数据质量、模型可解释性不明确及伦理问题等限制 | 评估AI在生物信息学中的基础方法及其在医疗和科学研究中的应用 | 基因组、蛋白质结构、药物发现算法和诊断解决方案 | 生物信息学 | NA | 机器学习、深度学习 | NA | 生物数据 | NA | NA | NA | NA | NA |
| 247 | 2025-06-14 |
Deep Learning-Assisted Microscopic Polarization Inspection of Micro-Nano Damage Precursors: Automatic, Non-Destructive Metrology for Additive Manufacturing Devices
2025-May-29, Nanomaterials (Basel, Switzerland)
DOI:10.3390/nano15110821
PMID:40497869
|
研究论文 | 提出了一种创新的微观偏振YOLOv11-LSF智能检测框架，用于增材制造设备微纳米损伤前驱体的自动无损检测 | 通过三重技术创新（多尺度感知模块、跨级局部网络VoV-GSCSP模块、结合物理特征的损伤前驱体模拟策略），突破了现有技术瓶颈 | 未明确提及具体局限性 | 解决增材制造质量监测系统中的智能转型挑战 | 增材制造设备中的微纳米损伤前驱体 | 智能制造 | NA | 微观偏振检测、深度学习 | YOLOv11-LSF | 图像 | 虚拟与真实集成的训练样本库（具体数量未提及） | NA | NA | NA | NA |
| 248 | 2025-06-14 |
Progress in the application of fludeoxyglucose positron emission tomography computed tomography in biliary tract cancer
2025-May-27, World journal of hepatology
IF:2.5Q2
DOI:10.4254/wjh.v17.i5.105446
PMID:40501462
|
综述 | 本文综述了过去十年特别是近三年来18F-FDG PET/CT在胆道癌（BTC）中的应用进展 | 重点介绍了近三年未被充分总结和认可的研究进展，包括从定性研究向定量研究的转变，以及利用18F-FDG PET/CT代谢信息预测ICC基因表达的突破 | NA | 评估18F-FDG PET/CT在胆道癌临床分期、治疗评估和预后预测中的应用价值 | 胆道癌（包括肝内胆管癌、肝门部胆管癌、远端胆管癌和胆囊癌） | 数字病理学 | 胆道癌 | 18F-FDG PET/CT、PET/磁共振成像 | 深度学习 | 影像 | NA | NA | NA | NA | NA |
| 249 | 2025-06-14 |
Auto-segmentation of cerebral cavernous malformations using a convolutional neural network
2025-May-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01738-6
PMID:40420000
|
research paper | 本文提出了一种使用卷积神经网络（CNN）自动分割脑海绵状血管畸形（CCMs）的深度学习模型 | 采用Mask R-CNN和3D CNN（DeepMedic）结合的方法，实现了CCMs的自动分割，并开发了用户友好的图形界面 | 模型仅基于T2W图像进行分割，可能在其他类型的MRI图像上表现不同 | 开发自动分割脑海绵状血管畸形（CCMs）的深度学习模型，以辅助临床分析 | 脑海绵状血管畸形（CCMs） | digital pathology | cerebral cavernous malformations | MRI | Mask R-CNN, DeepMedic (3D CNN) | image | 199 Gamma Knife (GK) exams (171单CCM病例，28多CCM病例) | NA | NA | NA | NA |
| 250 | 2025-06-14 |
Automated Detection of Micro-Scale Porosity Defects in Reflective Metal Parts via Deep Learning and Polarization Imaging
2025-May-25, Nanomaterials (Basel, Switzerland)
DOI:10.3390/nano15110795
PMID:40497844
|
研究论文 | 本研究提出了一种结合偏振成像和深度学习的增强SCK-YOLOV5框架，用于高反射金属材料精密增材制造中的微米级孔隙缺陷检测 | 首次在YOLO框架中引入SNWD损失函数，结合SIOU角度损失和NWD分布感知特性，显著提高了小金属微纳缺陷的智能识别能力 | NA | 提高高反射金属材料精密增材制造中微米级缺陷的自动检测能力 | 高反射金属材料表面的微米级孔隙缺陷 | 计算机视觉 | NA | 偏振成像预处理、深度学习 | SCK-YOLOV5（改进的YOLOv5框架） | 图像 | NA | NA | NA | NA | NA |
| 251 | 2025-06-14 |
Study on Liver Sinusoidal Endothelial Cell Fenestrations Based on Cellular Omics-Structure Integration Technology and Its Application in Metabolic Diseases
2025-May-19, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.16.653525
PMID:40475559
|
研究论文 | 本研究开发了一种新的细胞组学-结构整合（COSI）技术平台，用于解决传统技术在单细胞水平上同时获取基因表达谱和超分辨率细胞结构信息的局限性 | 开发了COSI技术平台，首次实现了单细胞水平上基因表达谱与超分辨率细胞结构信息的同步获取与分析 | NA | 研究肝脏窦内皮细胞窗孔形成的机制及其在代谢疾病中的应用 | 肝脏窦内皮细胞 | 细胞生物学 | 代谢疾病 | 单细胞转录组学、超分辨率荧光显微镜、电子显微镜、深度学习分辨率增强 | 深度学习 | 基因表达数据、超分辨率图像数据 | NA | NA | NA | NA | NA |
| 252 | 2025-06-14 |
Fast MRI Techniques of the Liver and Pancreaticobiliary Tract: Overview and Application
2025-May, Journal of the Korean Society of Radiology
DOI:10.3348/jksr.2025.0004
PMID:40502472
|
review | 本文综述了肝脏和胰胆管MRI中的快速成像技术及其应用 | 探讨了压缩感知和深度学习重建在加速MRI扫描中的应用及其潜力 | 压缩感知重建时间长且参数优化复杂，深度学习重建需要进一步测试模型稳定性、泛化能力和输出图像保真度 | 研究肝脏和胰胆管MRI中减少呼吸运动伪影和加速扫描时间的技术 | 肝脏和胰胆管MRI图像 | 医学影像 | 肝脏和胰胆管疾病 | 并行成像、压缩感知、深度学习重建 | CNN | MRI图像 | NA | NA | NA | NA | NA |
| 253 | 2025-06-13 |
EnhancerDetector : Enhancer Discovery from Human to Fly via Interpretable Deep Learning
2025-May-31, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.28.656532
PMID:40501920
|
research paper | 介绍了一个基于卷积神经网络的跨物种增强子预测框架EnhancerDetector，该框架结合了高准确性和生物可解释性 | 提出了一种新的跨物种增强子预测方法，通过集成策略减少假阳性，并支持在新物种上进行微调，同时利用类激活图增强模型的可解释性 | 未提及具体的技术或数据限制 | 开发一个准确且可解释的增强子预测框架，适用于多种物种 | 人类、小鼠和果蝇的增强子序列 | machine learning | NA | deep learning, convolutional neural network | CNN | DNA序列数据 | 至少20,000个增强子序列用于微调 | NA | NA | NA | NA |
| 254 | 2025-06-13 |
MCOA: A Comprehensive Multimodal Dataset for Advancing Deep Learning in Corneal Opacity Assessment
2025-May-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05205-3
PMID:40447652
|
research paper | 该研究建立了一个全面的角膜混浊多模态数据集，用于推进深度学习在角膜混浊评估中的应用 | 创建了目前最大规模的角膜混浊数据集，结合了AS-OCT图像和前段照片，为深度学习算法的发展提供了高质量数据 | 未提及数据集的多样性和代表性是否覆盖所有类型的角膜混浊 | 推进深度学习在角膜混浊识别和评估中的应用，支持AI驱动的临床决策和个性化治疗计划 | 角膜混浊患者 | digital pathology | vision impairment | AS-OCT | deep learning | image | 6,272张AS-OCT图像和392张前段照片 | NA | NA | NA | NA |
| 255 | 2025-06-13 |
Application of deep learning models in the pathological classification and staging of esophageal cancer: A focus on Wave-Vision Transformer
2025-May-21, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v31.i19.104897
PMID:40497091
|
研究论文 | 本研究探讨了深度学习技术，特别是Wave-Vision Transformer (Wave-ViT)，在食管癌病理分类和分期中的应用，以提高诊断准确性和效率 | 首次将Wave-ViT模型应用于食管癌的病理分类和分期，并在准确性和计算效率上优于其他深度学习模型 | 研究仅基于临床验证的食管病理图像数据集，未涉及其他类型的医学图像或多中心验证 | 提高食管癌病理分类和分期的诊断准确性和效率 | 食管癌的病理图像 | 数字病理 | 食管癌 | 深度学习 | Wave-ViT, Transformer, ResNet, MLP | 图像 | NA | NA | NA | NA | NA |
| 256 | 2025-06-13 |
Enhanced Prognostication of Early Breast Cancer Outcomes Using Deep Learning on Merged Multistain and Multicolor-Depth Tumor Histopathology
2025-May-09, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/mam/ozaf044
PMID:40501404
|
研究论文 | 通过深度学习结合肿瘤组织病理学图像，提高早期乳腺癌预后的预测准确性 | 使用深度学习分析多染色和多颜色深度的肿瘤组织病理学图像，优化免疫染色方法，并评估不同图像颜色深度表示的预后效用 | 未提及具体局限性 | 提高早期乳腺癌预后的预测准确性，以帮助临床医生选择最佳治疗方案 | 早期乳腺癌患者的肿瘤组织病理学图像 | 数字病理学 | 乳腺癌 | 深度学习，免疫染色（AE1/AE3 pan-cytokeratin和H&E染色） | ResNet-50 | 图像 | 2,646张图像，来自六个不同的数据集 | NA | NA | NA | NA |
| 257 | 2025-10-06 |
High precision ECG digitization using artificial intelligence
2025 May-Jun, Journal of electrocardiology
IF:1.3Q3
|
研究论文 | 提出一种基于深度学习的全自动心电图纸质记录高精度数字化方法 | 开发了无需人工干预的端到端深度学习解决方案，能够处理不同图像质量和标准化布局的纸质心电图 | 在极端图像质量条件下（如严重模糊或图像退化）失败率较高（6.62%） | 实现纸质心电图的高精度自动化数字化 | 纸质心电图图像 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 图像 | PMcardio心电图图像数据库中的6000张心电图图像 | NA | NA | 皮尔逊相关系数, 均方根误差, 信噪比 | NA |
| 258 | 2025-10-06 |
Model-Based Convolution Neural Network for 3D Near-Infrared Spectral Tomography
2025-May, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3529621
PMID:40031020
|
研究论文 | 提出一种结合扩散方程模型与卷积神经网络的近红外光谱断层成像重建算法 | 将物理模型与深度学习相结合，通过CNN学习正则化先验来约束解空间 | 模型仅在模拟数据上训练，未使用真实患者数据进行训练 | 解决近红外光谱断层成像重建中的不适定问题 | 生物组织中的血红蛋白和水浓度分布 | 医学影像 | NA | 近红外光谱断层成像 | CNN | 3D光谱数据 | 数值模拟数据、物理体模数据和临床患者数据 | NA | CNN | 绝对偏差误差, 峰值信噪比 | NA |
| 259 | 2025-10-06 |
CMV2U-Net: A U-shaped network with edge-weighted features for detecting and localizing image splicing
2025-May, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70033
PMID:40177991
|
研究论文 | 提出一种基于边缘加权U形网络的图像拼接伪造定位方法CMV2U-Net | 开发了能同时处理双流输入图像的特征提取模块，并设计了分层融合方法防止浅层特征数据丢失 | NA | 解决深度学习在图像拼接检测中特征融合不足和模型易过拟合的问题 | 图像拼接伪造区域 | 计算机视觉 | NA | NA | U-Net | 图像 | 多个公共数据集 | NA | CMV2U-Net, U-Net | AUC, F1-score | NA |
| 260 | 2025-10-06 |
ERAS and the challenge of the new technologies
2025-May, Minerva anestesiologica
IF:2.9Q2
DOI:10.23736/S0375-9393.25.18746-4
PMID:40214219
|
综述 | 探讨人工智能和新技术在加速康复外科协议中的整合应用及其潜力 | 提出将人工智能与新技术系统整合到ERAS协议中以解决实施障碍并实现个性化患者护理 | 需要外部验证和数据安全保障 | 探索AI和新技术如何优化ERAS协议实施并改善围手术期医疗 | 围手术期患者护理流程和ERAS协议实施 | 医疗人工智能 | 围手术期管理 | 机器学习,深度学习 | NA | 临床数据 | NA | NA | NA | NA | NA |