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 1382 篇文献，本页显示第 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2025-06-06 |
Predicting Recurrence in Locally Advanced Rectal Cancer Using Multitask Deep Learning and Multimodal MRI
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240359
PMID:40445102
|
research paper | 开发并验证了一种名为MultiRecNet的多任务深度网络，用于全自动预测接受新辅助放化疗（nCRT）治疗的局部晚期直肠癌（LARC）患者的无病生存期（DFS） | MultiRecNet能够在单一框架内同时执行分割、分类和生存预测任务，实现了全自动端到端的预后预测 | 研究为回顾性设计，可能存在选择偏差 | 预测局部晚期直肠癌患者的无病生存期 | 接受nCRT治疗的局部晚期直肠癌患者 | digital pathology | rectal cancer | multimodal MRI | MultiRecNet (multitask deep learning) | MRI图像（T2、ADC等）及临床指标 | 445名患者（训练集261名，验证集37名，内部测试集75名，外部测试集72名） | NA | NA | NA | NA |
| 402 | 2025-06-05 |
iPSC-RPE patch restores photoreceptors and regenerates choriocapillaris in a pig retinal degeneration model
2025-May-22, JCI insight
IF:6.3Q1
DOI:10.1172/jci.insight.179246
PMID:40401519
|
research paper | 该研究开发了一种基于诱导多能干细胞衍生的视网膜色素上皮（iRPE）贴片，用于治疗干性年龄相关性黄斑变性（AMD），并在猪视网膜退化模型中验证了其恢复光感受器和再生脉络膜毛细血管的能力 | 使用可生物降解的PLGA支架成熟iRPE细胞，开发了一种临床兼容的制造工艺，并通过深度学习算法和自适应光学成像验证了治疗效果 | 研究仅在猪模型中进行，尚未在人体临床试验中验证 | 开发并验证一种能够恢复光感受器和再生脉络膜毛细血管的治疗方法，以治疗干性年龄相关性黄斑变性 | 激光诱导的外视网膜退化的猪模型 | digital pathology | age-related macular degeneration | optical coherence tomography (OCT), OCT-angiography, adaptive optics imaging | deep learning algorithm | image | 猪模型中的视网膜区域 | NA | NA | NA | NA |
| 403 | 2025-06-05 |
Evaluation of data collection and annotation approaches of driver gaze dataset
2025-May-14, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-025-02679-2
PMID:40369353
|
research paper | 本研究评估了驾驶员视线数据集的三种标注方法，并提出了一种新的基于移动指针的标注方法 | 引入了一种新的基于移动指针的标注方法，该方法受到基于屏幕的视线数据收集的启发 | 手动标注和Speak2Label方法的准确性较低，需要进一步分析误分类原因 | 评估不同数据收集和标注方法在驾驶员视线估计中的效果 | 驾驶员视线数据集 | computer vision | NA | eye tracker | supervised machine learning, deep learning | image | NA | NA | NA | NA | NA |
| 404 | 2025-06-05 |
Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks
2025-May-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.07.652715
PMID:40463260
|
研究论文 | 本文报告了三种计算方法的整合，用于在全蛋白质组范围内预测两个蛋白质是否可能形成二元复合物 | 整合了PrePPI、Topsy-Turvy和ZEPPI三种方法，显著提高了高置信度蛋白质相互作用的预测数量 | 方法依赖于计算预测，需要进一步的实验验证 | 预测大肠杆菌蛋白质相互作用组和功能网络 | 大肠杆菌蛋白质 | 计算生物学 | NA | PrePPI、Topsy-Turvy、ZEPPI、AF3Complex | 蛋白质语言模型 | 蛋白质序列和结构数据 | 400个蛋白质-蛋白质相互作用 | NA | NA | NA | NA |
| 405 | 2025-06-05 |
Evaluating Vision and Pathology Foundation Models for Computational Pathology: A Comprehensive Benchmark Study
2025-May-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.08.25327250
PMID:40463538
|
research paper | 该研究对31种计算病理学AI基础模型进行了全面基准测试，评估它们在多样组织病理学数据集和任务中的表现 | 首次系统比较了不同类型病理学基础模型的性能，并发现模型大小与数据规模并不总是与性能提升相关 | 未深入探讨影响模型性能的潜在因素，且测试数据集可能仍有限 | 评估和比较不同病理学基础模型在计算病理学中的表现 | 31种AI基础模型（包括通用视觉模型、病理专用视觉模型等） | digital pathology | NA | deep learning | foundation models (VM, VLM, Path-VM, Path-VLM) | histopathological images | 41个任务的数据集（来自TCGA、CPTAC等） | NA | NA | NA | NA |
| 406 | 2025-10-06 |
Significance of Image Reconstruction Parameters for Future Lung Cancer Risk Prediction Using Low-Dose Chest Computed Tomography and the Open-Access Sybil Algorithm
2025-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001131
PMID:39437009
|
研究论文 | 本研究评估了图像重建参数和CT扫描仪制造商对Sybil深度学习算法预测肺癌风险性能的影响 | 首次系统评估了不同图像重建参数对深度学习肺癌风险预测模型性能的影响，并发现了参数组合对中长期预测性能的显著影响 | 研究仅基于美国国家肺癌筛查试验的特定子集数据，且仅比较了两种CT扫描仪制造商 | 评估图像重建参数和CT扫描仪制造商对Sybil算法预测肺癌风险性能的影响 | 美国国家肺癌筛查试验参与者的低剂量胸部CT扫描数据 | 数字病理 | 肺癌 | 低剂量计算机断层扫描(LDCT) | 深度学习算法 | 医学影像 | 1049对标准与骨重建滤波器扫描，1961对标准与肺重建滤波器扫描，1288对2mm与5mm层厚扫描 | NA | Sybil算法 | AUC, 95%置信区间, P值 | NA |
| 407 | 2025-06-05 |
SegFormer3D: Improving the Robustness of Deep Learning Model-Based Image Segmentation in Ultrasound Volumes of the Pediatric Hip
2025-05, Ultrasound in medicine & biology
|
research paper | 该研究提出了一种名为SegFormer3D的深度学习模型，用于提高儿童髋关节超声体积图像分割的鲁棒性 | 提出了3D SegFormer架构的扩展，这是一种轻量级的基于transformer的模型，具有分层结构的编码器，能够产生多尺度特征，从而同时提高准确性和鲁棒性 | 当前技术的鲁棒性仍不足以可靠地部署到实际临床工作流程中 | 提高儿童髋关节发育不良(DDH)超声图像分割的准确性和鲁棒性 | 儿童髋关节的3D超声图像 | digital pathology | geriatric disease | 3D US imaging, deep learning | SegFormer3D, CNN, vision transformer | 3D ultrasound image | 临床数据来自儿科患者的测试集 | NA | NA | NA | NA |
| 408 | 2025-05-28 |
Erratum for: MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum
2025-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.259008
PMID:40423544
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 409 | 2025-06-04 |
Estimating motor symptom presence and severity in Parkinson's disease from wrist accelerometer time series using ROCKET and InceptionTime
2025-May-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04263-2
PMID:40450120
|
研究论文 | 该研究探讨了使用ROCKET和InceptionTime模型从手腕加速度计时间序列数据中估计帕金森病患者的运动症状存在和严重程度 | 首次将InceptionTime和ROCKET模型应用于帕金森病运动症状监测，并比较了它们在处理复杂运动模式和小数据集方面的性能 | 在检测运动障碍方面遇到挑战，且数据集规模较小 | 开发更有效的帕金森病运动症状监测方法 | 帕金森病患者的腕部运动数据 | 机器学习 | 帕金森病 | 时间序列分类 | InceptionTime, ROCKET, 多层感知机 | 时间序列数据 | NA | NA | NA | NA | NA |
| 410 | 2025-06-04 |
Development and validation of an integrated residual-recurrent neural network model for automated heart murmur detection in pediatric populations
2025-May-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04746-2
PMID:40450176
|
研究论文 | 开发并验证了一种集成的残差-循环神经网络模型，用于自动检测儿科人群中的心脏杂音 | 结合了传统机器学习和深度学习技术，提出了一种创新的AI方法，以提高儿科人群心脏杂音的检测效果 | 研究样本量有限（500名儿科参与者），且未提及模型在不同年龄段或不同疾病阶段的泛化能力 | 改善儿科心脏疾病的早期检测策略 | 儿科人群的心脏杂音检测 | 机器学习 | 心血管疾病 | 心脏听诊 | Residual-Recurrent Neural Networks | 心脏声音记录 | 500名儿科参与者 | NA | NA | NA | NA |
| 411 | 2025-06-04 |
Detecting cyber attacks in vehicle networks using improved LSTM based optimization methodology
2025-May-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04643-8
PMID:40450183
|
研究论文 | 本文提出了一种基于改进LSTM和优化方法的深度学习框架，用于检测车辆网络中的网络攻击 | 采用改进的长短期记忆网络(ILSTM)结合鳄鱼优化算法(COA)进行参数优化，显著提高了检测准确率和性能指标 | 仅使用UNSW-NB15数据集进行验证，未在其他车辆网络数据集上测试 | 开发一种高效准确的车辆网络入侵检测系统 | 车辆网络中的网络攻击 | 机器学习 | NA | 离散傅里叶变换(DFT)，最大-最小归一化 | 改进的长短期记忆网络(ILSTM) | 网络流量数据 | UNSW-NB15数据集 | NA | NA | NA | NA |
| 412 | 2025-06-04 |
Deep learning based motion correction in ultrasound microvessel imaging approach improves thyroid nodule classification
2025-May-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02728-y
PMID:40447670
|
研究论文 | 提出一种基于深度学习的运动校正技术，用于改善超声定量高清微血管成像中的甲状腺结节分类 | 引入深度学习技术校正超声图像中的帧间运动伪影，提高甲状腺结节分类的准确性 | 研究未提及是否在其他类型运动伪影或更大规模数据集上验证方法的普适性 | 改善甲状腺结节的超声分类准确性 | 甲状腺结节 | 数字病理 | 甲状腺疾病 | 定量高清微血管成像(qHDMI) | 深度学习 | 超声图像 | 根据运动量分为低运动和高运动病例的数据集 | NA | NA | NA | NA |
| 413 | 2025-05-29 |
Reply to Commentary on "Machine Learning, Deep Learning, Artificial Intelligence and Aesthetic Plastic Surgery: A Qualitative Systematic Review"
2025-May-27, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-025-04938-1
PMID:40425882
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 414 | 2025-10-06 |
Development of an Automated Tool for the Estimation of Histological Remission in Ulcerative Colitis Using Single-Wavelength Endoscopy Technology
2025-May-08, Journal of Crohn's & colitis
DOI:10.1093/ecco-jcc/jjae180
PMID:39602814
|
研究论文 | 开发基于单波长内窥镜技术的自动化工具，用于评估溃疡性结肠炎的组织学缓解 | 首次将单波长内窥镜技术与计算机辅助诊断系统结合，通过增强毛细血管可见性提高组织学缓解检测准确率 | 研究样本量相对有限（112名患者），且使用原型内窥镜系统可能限制临床推广 | 评估基于白光内窥镜和单波长内窥镜的计算机辅助诊断系统在溃疡性结肠炎组织学活动评估中的准确性 | 溃疡性结肠炎患者的内窥镜图像数据 | 数字病理 | 溃疡性结肠炎 | 单波长内窥镜技术，白光内窥镜 | 深度学习模型 | 内窥镜图像 | 112名患者的6926组对应白光内窥镜和单波长内窥镜图像帧 | NA | NA | 准确率，灵敏度，特异性 | NA |
| 415 | 2025-10-06 |
Evolving biomaterials design from trial and error to intelligent innovation
2025-05-01, Acta biomaterialia
IF:9.4Q1
DOI:10.1016/j.actbio.2025.03.013
PMID:40081552
|
综述 | 系统回顾生物材料设计技术的发展历程，重点探讨人工智能与高通量筛选技术的融合及其未来潜力 | 提出从传统试错法到人工智能驱动的智能创新范式转变，系统阐述AI在生物材料设计中的变革性作用 | 作为综述文章，未涉及具体实验验证和原始数据 | 总结生物材料设计技术的演进过程并展望未来发展方向 | 生物材料设计方法和技术 | 材料科学 | NA | 高通量筛选(HTS), 机器学习(ML), 深度学习 | NA | 材料性能数据 | NA | NA | NA | NA | NA |
| 416 | 2025-10-06 |
Quantitative dynamics of neural uncertainty in sensory processing and decision-making during discriminative learning
2025-May, Experimental & molecular medicine
DOI:10.1038/s12276-025-01456-7
PMID:40335633
|
研究论文 | 使用深度学习方法量化感觉皮层在辨别学习过程中神经活动的不确定性 | 首次引入transformer模型解码随时间不一致的神经数据，揭示fS1区域同时编码振动刺激和决策过程的不确定性 | 研究局限于初级体感皮层前肢区域，未扩展到其他脑区 | 量化神经活动中的不确定性表征及其在感觉处理和决策中的作用 | 初级体感皮层前肢区域(fS1)的神经活动 | 机器学习 | NA | 深度学习 | transformer | 神经活动数据 | NA | NA | transformer | NA | NA |
| 417 | 2025-06-04 |
Pathomics in Gastrointestinal Tumors: Research Progress and Clinical Applications
2025-May, Cureus
DOI:10.7759/cureus.85060
PMID:40452669
|
综述 | 本文综述了病理组学在胃肠道肿瘤中的研究进展及其临床应用 | 介绍了病理组学作为一种新型工具，结合高分辨率数字切片扫描技术和深度学习算法，用于胃肠道肿瘤的精确诊断和治疗 | 当前面临的挑战包括技术应用的局限性和未来发展方向的不确定性 | 探讨病理组学在胃肠道肿瘤诊断和治疗中的应用 | 胃肠道肿瘤 | 数字病理学 | 胃肠道肿瘤 | 高分辨率数字切片扫描技术、机器学习和深度学习 | 深度学习算法 | 全切片图像 | NA | NA | NA | NA | NA |
| 418 | 2025-10-06 |
Application of Deep Neural Networks in the Manufacturing Process of Mesenchymal Stem Cells Therapeutics
2025-May-30, International journal of stem cells
IF:2.5Q3
DOI:10.15283/ijsc24070
PMID:39322430
|
研究论文 | 本研究应用深度神经网络分析间充质干细胞图像，以监测细胞融合度和状态 | 首次基于深度学习方法分析细胞图像，直接影响干细胞治疗产品的产量和质量参数 | 异常细胞检测仅限于单层培养图像，多层培养仅在单层培养无异常细胞时进行 | 开发自动化的细胞治疗制造过程监控方法 | 间充质干细胞 | 计算机视觉 | NA | 细胞培养成像 | 深度神经网络 | 图像 | 多种培养容器中培养的间充质干细胞图像 | NA | NA | 准确率 | NA |
| 419 | 2025-06-03 |
Bayesian deep-learning structured illumination microscopy enables reliable super-resolution imaging with uncertainty quantification
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60093-w
PMID:40447610
|
research paper | 本文提出了一种基于贝叶斯深度学习的结构光照明显微镜（BayesDL-SIM）方法，用于实现高保真超分辨率成像并量化不确定性 | 开发了BayesDL-SIM方法，首次在SIM中引入贝叶斯深度学习框架，实现了超分辨率不确定性的量化，并提升了密集标记结构的重建质量 | 未明确说明该方法在计算资源需求或处理速度方面的局限性 | 提高结构光照明显微镜（SIM）成像的可靠性和透明度，实现超分辨率不确定性的量化 | 生物过程的超分辨率成像，特别是活细胞成像 | computational microscopy | NA | structured illumination microscopy (SIM), Bayesian deep learning | Bayesian deep learning | microscopy images | NA（涉及活细胞成像实验，但未明确样本数量） | NA | NA | NA | NA |
| 420 | 2025-06-03 |
DeepDTAGen: a multitask deep learning framework for drug-target affinity prediction and target-aware drugs generation
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59917-6
PMID:40447614
|
研究论文 | 本文提出了一种多任务深度学习框架DeepDTAGen，用于预测药物-靶标亲和力并生成靶标感知的新药物 | 开发了一个多任务学习框架，能够同时预测药物-靶标结合亲和力并生成新的靶标感知药物变体，解决了现有方法单任务设计的局限性 | 未提及具体的数据集规模限制或模型泛化能力的局限性 | 加速药物发现和开发过程，提高药物-靶标相互作用预测和新药生成的效率 | 药物分子和靶标蛋白质 | 机器学习 | NA | 深度学习 | 多任务深度学习框架 | 药物分子和蛋白质的结构数据 | 三个真实世界的数据集 | NA | NA | NA | NA |