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 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2025-10-06 |
scPrediXcan integrates deep learning methods and single-cell data into a cell-type-specific transcriptome-wide association study framework
2025-May-14, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2025.100875
PMID:40373737
|
研究论文 | 提出scPrediXcan方法，将深度学习方法与单细胞数据整合到细胞类型特异性转录组范围关联研究框架中 | 整合深度学习方法和单细胞数据，开发能预测细胞类型特异性表达的ctPred方法，捕捉线性模型忽略的复杂基因调控规则 | 未明确说明样本量限制或数据稀疏性问题的具体解决方案 | 改进转录组范围关联研究，在细胞水平识别疾病机制 | 2型糖尿病和系统性红斑狼疮 | 机器学习 | 2型糖尿病, 系统性红斑狼疮 | 单细胞数据, 表观遗传特征预测 | 深度学习 | DNA序列, 单细胞表达数据 | NA | NA | NA | 准确性, 候选因果基因数量, GWAS位点解释能力 | NA |
| 302 | 2025-10-06 |
FastConformation: A Standalone ML-Based Toolkit for Modeling and Analyzing Protein Conformational Ensembles at Scale
2025-May-14, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.09.653048
PMID:40463224
|
研究论文 | 介绍FastConformation——一个基于Python的独立工具包，用于大规模建模和分析蛋白质构象集合 | 将MSA生成、AF2结构预测和构象分析集成到单一工具中，提供用户友好的GUI界面，支持通过MSA子采样生成替代蛋白质构象 | 未明确说明工具在复杂蛋白质系统上的局限性或计算精度限制 | 开发一个易于使用的蛋白质构象集合建模和分析工具 | 蛋白质构象集合，包括Abl1激酶、LAT1转运蛋白和CCR5受体等 | 计算生物学 | NA | 多序列比对子采样，深度学习结构预测 | AlphaFold 2 | 氨基酸序列，蛋白质结构数据 | NA | Python | AlphaFold 2 | NA | 本地机器 |
| 303 | 2025-05-07 |
Code Error in "Diagnostic Classification and Prognostic Prediction Using Common Genetic Variants in Autism Spectrum Disorder: Genotype-Based Deep Learning"
2025-05-06, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/66556
PMID:40327366
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 304 | 2025-10-06 |
RLEAAI: improving antibody-antigen interaction prediction using protein language model and sequence order information
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf238
PMID:40462512
|
研究论文 | 提出一种名为RLEAAI的新型深度学习方法，用于改进抗体-抗原相互作用的预测性能 | 引入序列顺序提取策略（CKSAAP）从预训练蛋白质语言模型的特征嵌入中生成特征表示，并整合三种神经网络模块充分挖掘特征中的判别信息 | NA | 提高抗体-抗原相互作用预测的准确性 | 抗体-抗原相互作用 | 生物信息学 | NA | 蛋白质语言模型，序列顺序信息提取 | CNN, BiLSTM, 循环交叉注意力机制 | 蛋白质序列 | NA | NA | CNN, BiLSTM, 循环交叉注意力机制 | 准确率, Matthews相关系数, 互补决定区敏感性值 | NA |
| 305 | 2025-10-06 |
Deep learning reveals determinants of transcriptional infidelity at nucleotide resolution in the allopolyploid line by goldfish and common carp hybrids
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf260
PMID:40471993
|
研究论文 | 本研究开发深度学习模型探究金鱼和鲤鱼杂交多倍体品系中转录不忠实的决定因素 | 首次在核苷酸分辨率水平识别转录不忠实序列，并揭示位置特异性转录因子家族对转录不忠实的影响 | 研究仅限于金鱼和鲤鱼杂交多倍体品系，未验证其他生物系统 | 探究杂交多倍体品系中转录不忠实的分子决定机制 | 金鱼和鲤鱼杂交多倍体品系的转录序列 | 生物信息学 | NA | 深度学习，转录因子分析 | 深度学习模型 | DNA和RNA序列数据 | NA | NA | NA | NA | NA |
| 306 | 2025-06-09 |
Comparative Efficacy of MultiModal AI Methods in Screening for Major Depressive Disorder: Machine Learning Model Development Predictive Pilot Study
2025-May-30, JMIR formative research
IF:2.0Q4
DOI:10.2196/56057
PMID:40446148
|
研究论文 | 本研究评估了基于多模态AI方法在筛查重度抑郁症（MDD）中的效能，比较了不同范式的效果 | 利用AI分析视听信号，结合多种范式（CS、Q&A、MID、VW）进行MDD筛查，提出Q&A范式效果最佳 | 样本量较小（89名参与者），且未提及外部验证结果 | 评估不同AI范式在MDD筛查中的效能 | 41名MDD患者和48名无症状参与者 | 机器学习 | 重度抑郁症 | AI分析视听信号 | 深度学习模型 | 视频、音频、文本 | 89名参与者（41名MDD患者，48名无症状者） | NA | NA | NA | NA |
| 307 | 2025-06-09 |
Deep learning-driven modality imputation and subregion segmentation to enhance high-grade glioma grading
2025-May-30, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03029-0
PMID:40448035
|
研究论文 | 本研究开发了一个深度学习框架，通过模态插补和子区域分割提高高级别胶质瘤分级的准确性 | 提出了基于PatchGAN的模态插补网络，结合了Transformer自注意力和CNN特征提取的聚合残差Transformer（ART）模块，并配以U-Net变体进行分割 | 研究依赖于回顾性数据，可能限制了结果的普适性 | 提高高级别胶质瘤的分级准确性 | 高级别胶质瘤患者 | 数字病理 | 胶质瘤 | 深度学习 | PatchGAN, Transformer, CNN, U-Net | 医学影像 | 1,251名患者（BraTS2021数据集）和181例临床病例（外部测试集） | NA | NA | NA | NA |
| 308 | 2025-06-09 |
RETINA: Reconstruction-based pre-trained enhanced TransUNet for electron microscopy segmentation on the CEM500K dataset
2025-May, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013115
PMID:40435368
|
research paper | 本文提出了一种名为RETINA的预训练增强型TransUNet方法，用于在CEM500K数据集上进行电子显微镜图像分割 | 结合了大规模无标签CEM500K EM图像数据集的预训练与混合神经网络模型架构，整合了局部（卷积层）和全局（transformer层）图像处理 | 未提及具体局限性 | 开发自动化细胞结构分割方法以提高电子显微镜图像分析的效率 | 电子显微镜图像中的细胞结构 | digital pathology | NA | electron microscopy | TransUNet | image | CEM500K数据集 | NA | NA | NA | NA |
| 309 | 2025-06-08 |
Application of the Bidirectional Encoder Representations from Transformers Model for Predicting the Abbreviated Injury Scale in Patients with Trauma: Algorithm Development and Validation Study
2025-May-29, JMIR formative research
IF:2.0Q4
DOI:10.2196/67311
PMID:40440586
|
研究论文 | 本研究应用BERT模型预测创伤患者的AIS评分，以提高创伤评估的准确性 | 采用BERT预训练方法嵌入患者诊断信息等关键特征，构建预测模型，其准确率比先前研究提高了10个百分点 | 外部验证数据集样本量较小（n=244），可能影响模型泛化能力的全面评估 | 利用深度学习技术基于易获取的诊断信息预测AIS编码，改进创伤评估 | 创伤患者 | 自然语言处理 | 创伤 | BERT预训练方法 | BERT | 文本（诊断信息、损伤描述等） | 26,810例创伤患者（主要数据集）+244例外部验证数据 | NA | NA | NA | NA |
| 310 | 2025-06-08 |
Deep learning-based temporal MR image reconstruction for accelerated interventional imaging during in-bore biopsies
2025-May, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.3.035001
PMID:40469203
|
研究论文 | 本研究旨在通过深度学习加速前列腺癌的经直肠MR引导活检，利用欠采样图像重建和图像分割进行器械定位 | 提出了一种基于深度学习的时空MR图像重建模型，能够在16倍欠采样率下保持图像质量，并显著提高器械预测成功率 | 研究为单中心回顾性研究，可能受到数据来源单一的限制 | 加速前列腺癌的经直肠MR引导活检过程 | 前列腺癌患者 | 数字病理 | 前列腺癌 | MR成像 | nnU-Net | MR图像 | 1289名患者的8464次MR 2D多层扫描 | NA | NA | NA | NA |
| 311 | 2025-06-08 |
Performance of ChatGPT-3.5 and ChatGPT-4 in Solving Questions Based on Core Concepts in Cardiovascular Physiology
2025-May, Cureus
DOI:10.7759/cureus.83552
PMID:40476113
|
研究论文 | 本研究评估了ChatGPT-3.5和ChatGPT-4在解决心血管生理学核心概念问题上的表现 | 比较了不同版本的ChatGPT在医学教育中的应用效果，特别是在心血管生理学领域的表现 | 需要教师审查生成的解释以确保准确性，生成式AI在医学教育中的应用需要谨慎考虑 | 评估ChatGPT在解决心血管生理学核心概念问题上的能力 | ChatGPT-3.5和ChatGPT-4 | 自然语言处理 | 心血管疾病 | 深度学习 | ChatGPT | 文本 | 多项选择题（具体数量未提及） | NA | NA | NA | NA |
| 312 | 2025-06-07 |
Beyond episodic early warning systems: a continuous clinical alert system for early detection of in-hospital deterioration
2025-May-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.20.25327940
PMID:40475141
|
research paper | 开发了一种基于可穿戴设备的深度学习模型，用于早期检测住院患者的病情恶化 | 使用仅9个输入的可穿戴设备数据，开发了一种RNN模型，能够比传统早期预警系统更早识别病情恶化 | 数据缺失率为4-8%，且排除了SpO2数据 | 减少住院患者病情恶化的延迟识别，提高临床警报系统的效率 | 888名成人非ICU住院患者 | machine learning | geriatric disease | wearable biosensors | RNN | biosensor data | 888 adult non-ICU inpatient visits in four hospitals | NA | NA | NA | NA |
| 313 | 2025-06-07 |
Detecting Arrhythmogenic Right Ventricular Cardiomyopathy From the Electrocardiogram Using Deep Learning
2025-May-06, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.04.003
PMID:40471767
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 314 | 2025-06-07 |
Deep Learning-based Anatomy-Aware Morph Model for Registration of Prostate Whole-Mount Histopathology to MRI
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240336
PMID:40445100
|
研究论文 | 开发并评估了一种基于深度学习的创新方法，用于配准前列腺术前MRI和全切片组织病理学（WMHP）图像 | 提出了一种结合注意力机制和卷积神经网络的混合模型（Anatomy-Aware Morph模型），用于多模态前列腺图像配准，显著优于现有VoxelMorph方法 | 研究为回顾性设计，样本量相对有限（315例患者） | 实现前列腺术前MRI与术后病理图像的精准配准，辅助前列腺癌病灶映射 | 前列腺MRI和全切片组织病理学图像 | 数字病理 | 前列腺癌 | 深度学习图像配准 | 混合注意力机制与CNN（Anatomy-Aware Morph模型） | 医学影像（MRI与病理切片图像） | 315例患者（270训练集/45测试集），含160张测试图像 | NA | NA | NA | NA |
| 315 | 2025-06-07 |
Deep Learning-Based Automated Detection of Oral Leukoplakia in Clinical Imaging
2025-May, Cureus
DOI:10.7759/cureus.83368
PMID:40462818
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统，用于自动识别口腔白斑（OLK），以解决临床实践中的诊断挑战 | 使用19种CNN架构进行比较分析，并选择经过微调的EfficientNetB0作为最优模型，通过CAM可视化决策区域，实现了高精度和可解释性 | 数据集仅包含446张经组织病理学确认的口腔白斑病例图像和1,041张正常口腔黏膜图像，样本量相对有限 | 开发并验证一种基于深度学习的系统，用于自动识别口腔白斑，以解决临床实践中的诊断挑战 | 口腔白斑（OLK）的临床图像 | 计算机视觉 | 口腔癌 | 深度学习 | CNN, EfficientNetB0 | 图像 | 446张口腔白斑病例图像和1,041张正常口腔黏膜图像 | NA | NA | NA | NA |
| 316 | 2025-06-07 |
Trials and tribulations: Developing an artificial intelligence for screening malaria parasite from peripheral blood smears
2025 May-Jun, Medical journal, Armed Forces India
DOI:10.1016/j.mjafi.2023.10.007
PMID:40463611
|
研究论文 | 本研究旨在开发一种人工智能技术，用于自动化检测外周血涂片中的疟原虫 | 首次尝试开发一个完整模块，用于从自动化显微摄影/全切片图像中筛查疟原虫 | 模型A、B和C的性能在敏感性或特异性方面存在不足 | 开发人工智能技术以自动化疟原虫检测过程 | 外周血涂片中的疟原虫 | 数字病理学 | 疟疾 | 深度学习方法 | DCNN, Inception V3, Watershed Transform | 图像 | 352张Leishman-Giemsa染色的外周血涂片图像 | NA | NA | NA | NA |
| 317 | 2025-06-07 |
Revolutionizing the diagnosis of dental caries using artificial intelligence-based methods
2025-May, Journal of conservative dentistry and endodontics
DOI:10.4103/JCDE.JCDE_172_25
PMID:40463673
|
review | 本文综述了人工智能在龋齿诊断中的应用及其潜力 | 探讨了AI如何通过机器学习和深度学习技术改进龋齿诊断的精确性和效率 | 讨论了当前AI在牙科诊断中面临的挑战和限制 | 探索人工智能在龋齿早期诊断和病变检测中的应用 | 龋齿诊断的影像数据和临床记录 | digital pathology | dental caries | machine learning, deep learning | NA | image, clinical records | NA | NA | NA | NA | NA |
| 318 | 2025-06-06 |
Automatic Segmentation and Molecular Subtype Classification of Breast Cancer Using an MRI-based Deep Learning Framework
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240184
PMID:40249269
|
research paper | 开发了一个基于MRI的深度学习框架，用于乳腺癌病灶分割和分子亚型自动分类 | 提出了一个结合3D ResU-Net和Ensemble ResNet的深度学习框架，实现了乳腺癌病灶的高精度分割和分子亚型的自动分类 | 研究为回顾性多中心研究，可能存在选择偏倚 | 开发一个基于MRI的深度学习框架，用于乳腺癌病灶分割和分子亚型分类 | 乳腺癌患者 | digital pathology | breast cancer | contrast-enhanced MRI | 3D ResU-Net, Ensemble ResNet | MRI图像 | 687名女性患者（平均年龄48.70岁±8.97） | NA | NA | NA | NA |
| 319 | 2025-06-06 |
Development and validation of a novel chronic pancreatitis pathological grade based on artificial intelligence
2025-May, Pancreatology : official journal of the International Association of Pancreatology (IAP) ... [et al.]
IF:2.8Q2
DOI:10.1016/j.pan.2025.04.011
PMID:40335378
|
研究论文 | 本研究开发并验证了一种基于深度学习的慢性胰腺炎病理分级系统（Histopathology-derived CPpG），并通过放射组学评分（DLRS）预测疾病严重程度 | 首次提出基于人工智能的慢性胰腺炎病理分级系统，并开发了非侵入性的DLRS用于动态监测疾病严重程度 | 研究为回顾性设计，且病理确认的CP样本量相对较小（181例） | 开发慢性胰腺炎的客观病理分级系统并验证其临床价值 | 慢性胰腺炎和复发性急性胰腺炎患者 | 数字病理 | 慢性胰腺炎 | 深度学习，放射组学 | DeeplabV3+ | 全切片图像，CT扫描 | 2054例患者（含181例病理确诊CP） | NA | NA | NA | NA |
| 320 | 2025-06-06 |
Interactive Explainable Deep Learning Model for Hepatocellular Carcinoma Diagnosis at Gadoxetic Acid-enhanced MRI: A Retrospective, Multicenter, Diagnostic Study
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240332
PMID:40445095
|
研究论文 | 开发基于钆塞酸增强MRI的人工智能模型，辅助放射科医生诊断肝细胞癌 | 提出了一种交互式可解释的深度学习模型，能够通过分析预训练病变分类器的激活模式推断LI-RADS特征的存在 | 研究为回顾性设计，可能受到选择偏差的影响 | 开发AI模型辅助肝细胞癌诊断 | 肝局灶性病变患者 | 数字病理 | 肝细胞癌 | 钆塞酸增强MRI | 深度学习 | MRI图像 | 839名患者（1023个肝局灶性病变） | NA | NA | NA | NA |