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 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2025-10-06 |
Single-Molecule SERS Discrimination of Proline from Hydroxyproline Assisted by a Deep Learning Model
2025-05-07, Nano letters
IF:9.6Q1
DOI:10.1021/acs.nanolett.5c01177
PMID:40241681
|
研究论文 | 本研究结合单分子表面增强拉曼光谱和深度学习模型，首次实现了脯氨酸与羟脯氨酸的单分子水平区分 | 首次使用一维卷积神经网络模型成功区分脯氨酸和羟脯氨酸的单分子SERS信号，准确率达96.6% | 信号波动和柠檬酸盐的强干扰可能影响分析结果 | 开发能够区分低丰度羟基化的单分子检测方法 | 脯氨酸和羟脯氨酸分子 | 机器学习 | NA | 单分子表面增强拉曼光谱(SERS) | CNN | 光谱数据 | NA | NA | 一维卷积神经网络(1D-CNN) | 准确率 | NA |
| 82 | 2025-10-06 |
DRExplainer: Quantifiable interpretability in drug response prediction with directed graph convolutional network
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103101
PMID:40056540
|
研究论文 | 提出一种基于有向图卷积网络的可解释药物反应预测模型DRExplainer | 首次在有向二分网络框架中实现药物反应预测，并引入可量化的模型可解释性方法 | 未明确说明模型在更大规模数据集上的泛化能力 | 改进癌症细胞系对治疗药物的反应预测 | 癌症细胞系和药物 | 机器学习 | 癌症 | 多组学分析 | 有向图卷积网络 | 多组学数据、化学结构数据、药物反应数据 | NA | NA | 有向图卷积网络 | NA | NA |
| 83 | 2025-10-06 |
Deep learning based estimation of heart surface potentials
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103093
PMID:40073713
|
研究论文 | 开发基于深度学习的框架，仅从体表电位估计心表电位，无需CT/MRI成像 | 将3D躯干和心脏几何转换为标准2D表示，开发定制化的深度学习网络模型，无需几何信息即可估计心表电位 | 样本量相对较小（40名受试者），在部分性能指标上仍有改进空间 | 开发无需CT/MRI成像的心表电位估计方法，促进心电图成像的临床应用 | 11名健康受试者和29名特发性心室颤动患者 | 医学图像分析 | 心血管疾病 | 心电图成像 | GAN | 2D体表电位图和2D心表电位图 | 40名受试者（19名女性，21名男性） | PyTorch | Pix2Pix | 平均绝对误差, 结构相似性指数, 皮尔逊相关系数, 激活时间差, 恢复时间差 | NA |
| 84 | 2025-10-06 |
Histopathology image classification based on semantic correlation clustering domain adaptation
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103110
PMID:40107119
|
研究论文 | 提出基于语义相关性聚类的无监督域自适应方法，用于组织病理学图像分类 | 使用多粒度信息实现跨域语义相关性知识迁移，通过概率热图可视化模型预测结果 | 依赖动物模型数据与人类数据的域适应效果，未明确说明模型在多样化数据集上的泛化能力 | 利用小鼠模型组织病理学图像数据集实现人类全切片图像的分类识别 | 小鼠模型组织病理学图像和人类全切片图像 | 数字病理 | 癌症 | 组织病理学成像 | 深度学习 | 图像 | NA | NA | 多尺度特征融合 | 分类准确率 | NA |
| 85 | 2025-10-06 |
Deep learning method for malaria parasite evaluation from microscopic blood smear
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103114
PMID:40107120
|
系统综述 | 本文系统综述了用于疟疾诊断的自动化分析方法，重点关注计算机辅助方法在疟原虫检测中的应用 | 首次系统性地对2020-2024年间基于深度学习和机器学习的疟疾自动化诊断方法进行分类和评估，识别出最适合疟疾数字诊断的三类ML模型 | 数据标准化不足和实际应用场景中的挑战尚未完全解决 | 系统评估当前用于疟疾诊断的自动化分析方法 | 疟原虫属在疟疾诊断中的自动化分析 | 数字病理学 | 疟疾 | 吉姆萨染色薄血涂片 | CNN, ResNet, VGG, CADx | 显微血液涂片图像 | NA | NA | ResNet, VGG, 自定义CNN | 准确率 | NA |
| 86 | 2025-10-06 |
Network-based analyses of multiomics data in biomedicine
2025-May-27, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-025-00452-x
PMID:40426270
|
综述 | 本文综述了在多组学生物医学数据中使用网络表示和深度学习方法的各种现有方法 | 将网络表示与深度学习/机器学习方法结合应用于多组学数据分析，明确整合生物学数据间的层次关系 | NA | 评估多组学数据网络表示和分析方法的优缺点，探讨该领域可能的下一步发展方向 | 多组学数据（包括基因组学、转录组学、蛋白质组学等） | 生物医学信息学 | NA | 多组学数据分析 | 深度学习, 机器学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 87 | 2025-10-06 |
Genome structure mapping with high-resolution 3D genomics and deep learning
2025-May-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.06.650874
PMID:40654659
|
研究论文 | 本文介绍了一种结合高分辨率3D基因组学和深度学习的方法，用于预测细胞类型特异性的3D基因组结构 | 开发了基于注意力机制的深度学习模型Cleopatra，通过预训练和微调策略实现亚千碱基级别的3D基因组图谱预测 | 方法依赖于特定类型的表观基因组数据，可能无法完全覆盖所有细胞类型的复杂性 | 建立超高分辨率3D基因组图谱预测框架，研究细胞类型特异性基因调控机制 | 四种人类细胞类型的3D基因组结构 | 机器学习 | NA | 区域捕获微C技术(RCMC), 微C技术(Micro-C), 表观基因组分析 | 深度学习, 注意力机制 | 表观基因组数据, 3D基因组接触图谱 | 四种人类细胞类型 | NA | 基于注意力的深度学习架构 | 预测准确性, 分辨率 | NA |
| 88 | 2025-10-06 |
Fully volumetric body composition analysis for prognostic overall survival stratification in melanoma patients
2025-May-12, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06507-1
PMID:40355935
|
研究论文 | 本研究利用深度学习对黑色素瘤患者的基线CT扫描进行全容积身体成分分析，以预测总生存期 | 首次采用全容积身体成分分析方法，利用常规CT扫描无需额外检查即可实现生存期预测 | 样本量相对有限，需要进一步多中心验证 | 探索基于深度学习的身体成分分析在黑色素瘤患者总生存期预测中的价值 | 黑色素瘤患者 | 数字病理 | 黑色素瘤 | CT扫描 | 深度学习网络 | 医学影像 | 495名患者（内部队列）+ 428名患者（外部验证） | NA | NA | 风险比(HR), P值 | NA |
| 89 | 2025-10-06 |
Identification of Hypertrophic Cardiomyopathy on Electrocardiographic Images with Deep Learning
2025-May-28, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.12.23.23300490
PMID:38234746
|
研究论文 | 开发并验证一种能够从12导联心电图图像中识别肥厚型心肌病的深度学习模型 | 首次开发能够跨不同心电图布局格式识别肥厚型心肌病的深度学习模型，实现基于图像的可扩展筛查 | 模型性能可能受限于训练数据的多样性和外部验证数据集中HCM定义方式的不一致 | 开发一种能够在临床环境中进行肥厚型心肌病筛查的深度学习模型 | 心电图图像和肥厚型心肌病患者 | 计算机视觉 | 心血管疾病 | 深度学习，心脏磁共振成像，超声心动图 | 深度学习模型 | 心电图图像 | 124,553份心电图，来自66,987名个体 | NA | NA | AUROC | NA |
| 90 | 2025-06-01 |
Letter to the Editor on "Deep Learning Algorithms to Predict Differential Renal Function <40% in Unilateral Hydronephrosis Based on Key Parameters of Urinary Tract Ultrasound"
2025-May-28, Urology
IF:2.1Q2
DOI:10.1016/j.urology.2025.05.044
PMID:40447158
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 91 | 2025-10-06 |
Deep Learning-Based Classification of Peptide Analytes from Single-Channel Nanopore Translocation Events
2025-May-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.04.652126
PMID:40654724
|
研究论文 | 提出一种基于深度学习的纳米孔易位事件肽分析物分类方法 | 开发了包含分支输入网络的新型深度学习框架，结合时序卷积网络处理电导状态序列和密集网络整合动力学特征 | 使用模拟数据而非真实实验数据，部分肽具有相似动力学参数导致事件级预测困难 | 实现纳米孔生物传感器中肽生物标志物的快速准确检测 | 七种肽的模拟多态易位数据 | 机器学习 | NA | 纳米孔传感技术 | CNN,RNN,TCN | 电流记录信号数据 | 七种肽的模拟易位数据 | NA | Deep-Channel,分支输入网络,时序卷积网络,密集网络 | 准确率,MAE | NA |
| 92 | 2025-10-06 |
ORAKLE: Optimal Risk prediction for mAke30 in patients with sepsis associated AKI using deep LEarning
2025-May-26, Critical care (London, England)
DOI:10.1186/s13054-025-05457-w
PMID:40420108
|
研究论文 | 开发了一种名为ORAKLE的深度学习模型，利用动态时间序列数据预测脓毒症相关急性肾损伤患者的30天内主要不良肾脏事件 | 首次将Dynamic DeepHit框架应用于MAKE30预测，能够捕捉临床状态的动态变化，克服了现有静态预测模型的局限 | 基于回顾性研究设计，可能存在数据偏差；仅使用公开重症监护数据库，未在更多临床环境中验证 | 开发能够准确预测脓毒症相关急性肾损伤患者30天内主要不良肾脏事件的个性化风险预测模型 | 符合脓毒症-3标准且在ICU入院48小时内发生急性肾损伤的重症患者 | 医疗人工智能 | 急性肾损伤,脓毒症 | 时间序列生存分析 | Dynamic DeepHit, XGBoost, Cox | 临床时间序列数据 | MIMIC-IV数据库16,671例患者，SiCdb数据库2,665例患者，eICU-CRD数据库11,447例患者 | NA | Dynamic DeepHit | AUROC, AUPRC, Brier score | NA |
| 93 | 2025-10-06 |
Pancreas segmentation using AI developed on the largest CT dataset with multi-institutional validation and implications for early cancer detection
2025-May-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-01802-9
PMID:40379726
|
研究论文 | 开发基于深度学习的三维卷积神经网络用于胰腺自动分割，并在最大单机构CT数据集上训练和多机构数据集上验证 | 使用迄今为止最大的单机构CT数据集（n=3031）开发胰腺分割模型，并在多机构数据集上进行外部验证 | NA | 推进早期胰腺癌检测的影像生物标志物研究和胰腺疾病的生物标志物发现 | 胰腺CT影像 | 医学影像分析 | 胰腺癌 | CT成像 | CNN | CT图像 | 训练集3031例CT，外部验证集585例CT，测试子集452例 | NA | 3D nnU-Net | Dice相似系数, 一致性相关系数 | NA |
| 94 | 2025-10-06 |
Tracking Conditioned Fear in Pair-Housed Mice Using Deep Learning and Real-Time Cue Delivery
2025-May-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.10.653260
PMID:40463247
|
研究论文 | 开发了一种结合深度学习姿态估计和实时线索传递的新范式，用于在配对饲养小鼠中追踪条件性恐惧行为 | 首次将开源软件与深度学习姿态估计相结合，在家庭笼环境中研究配对小鼠对重复条件刺激的恐惧行为反应，并考虑光暗昼夜周期影响 | 研究仅针对小鼠模型，结果向人类PTSD的转化需要进一步验证 | 开发新范式研究创伤后应激障碍(PTSD)相关的条件性恐惧行为 | 配对饲养的小鼠 | 计算机视觉 | 创伤后应激障碍 | 深度学习姿态估计，实时线索传递，视频记录分析 | 深度学习 | 视频 | 配对饲养的小鼠群体（具体数量未明确说明） | NA | NA | 冻结行为分析 | NA |
| 95 | 2025-10-06 |
Vessels hiding in plain sight: quantifying brain vascular morphology in anatomical MR images using deep learning
2025-May-11, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.06.652518
PMID:40654616
|
研究论文 | 开发名为anat2vessels的深度学习模型，用于在常规T1/T2加权磁共振图像中量化脑部血管形态 | 首次实现从常规解剖MR图像（T1w/T2w）中提取脑血管形态特征，无需专门的MRA扫描 | 模型性能在仅使用T1w图像时可能受限，需要配对MR/MRA数据进行训练 | 开发非侵入性方法评估脑部血管形态与脑健康的关系 | 脑部血管形态 | 医学影像分析 | 脑部血管疾病 | 磁共振成像（MRI），时间飞跃法磁共振血管成像（TOF-MRA） | 神经网络 | 磁共振图像 | 包含配对MR/MRA的数据集 | NA | NA | 交叉验证准确率，特征方差解释率（78%） | NA |
| 96 | 2025-10-06 |
Diagnostic Accuracy of a Deep Learning Algorithm for Detecting Unruptured Intracranial Aneurysms in Magnetic Resonance Angiography: A Multicenter Pivotal Trial
2025-05, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2025.123882
PMID:40086726
|
研究论文 | 评估基于深度学习的算法在磁共振血管造影中检测未破裂颅内动脉瘤的诊断准确性 | 首次在多中心关键试验中使用3D U-Net模型检测未破裂颅内动脉瘤，并在不同机构间验证性能一致性 | 对小于3mm的动脉瘤检测灵敏度较低（72.3%），小型或复杂动脉瘤仍需专家复核 | 开发辅助放射科医生检测未破裂颅内动脉瘤的深度学习工具 | 675名参与者（189例动脉瘤阳性含221个UIAs，486例动脉瘤阴性） | 医学影像分析 | 颅内动脉瘤 | 时间飞跃法磁共振血管造影 | CNN | 3D医学影像 | 675名参与者，988个非重叠TOF MRA数据集 | NA | 3D U-Net | 灵敏度, 特异度, 假阳性率, AUC | NA |
| 97 | 2025-07-22 |
A Diffusion-Based Framework for Designing Molecules in Flexible Protein Pockets
2025-May-30, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.27.656443
PMID:40502112
|
research paper | 提出了一种基于扩散的框架YuelDesign，用于设计适应柔性蛋白口袋的分子 | YuelDesign采用新的蛋白质编码方案和全连接图表示来编码蛋白口袋的灵活性，以及专门的键重建模块 | 未提及具体的局限性 | 解决基于结构的药物发现中柔性蛋白口袋分子设计的挑战 | 柔性蛋白口袋和分子设计 | machine learning | NA | 扩散模型 | diffusion-based framework | molecular structures | NA | NA | NA | NA | NA |
| 98 | 2025-07-22 |
Operationalizing postmortem pathology-MRI association studies in Alzheimer's disease and related disorders with MRI-guided histology sampling
2025-05-28, Acta neuropathologica communications
IF:6.2Q1
DOI:10.1186/s40478-025-02030-y
PMID:40437594
|
研究论文 | 本文开发了一种结合7T MRI引导的组织病理学采样和数字成像的全面方案，用于阿尔茨海默病及相关疾病的死后病理-MRI关联研究 | 开发了患者特异性3D打印模具和半自动MRI到组织学配准流程，以及使用弱监督深度学习的定量病理评分系统 | 研究仅针对29个大脑样本进行验证，样本量相对较小 | 开发标准化方法整合组织学和MRI，以改进阿尔茨海默病及相关疾病的神经病理学研究 | 死后大脑组织，特别是阿尔茨海默病谱系疾病患者的大脑 | 数字病理学 | 阿尔茨海默病 | 7T MRI，全切片数字成像，弱监督深度学习 | 深度学习模型（具体类型未明确说明） | MRI图像，组织学图像 | 29个确诊为阿尔茨海默病谱系疾病的大脑 | NA | NA | NA | NA |
| 99 | 2025-10-06 |
Empowering Data Sharing in Neuroscience: A Deep Learning Deidentification Method for Pediatric Brain MRIs
2025-May-02, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8581
PMID:39532533
|
研究论文 | 开发了一种基于深度学习的儿科脑部MRI面部去识别方法，以促进神经科学数据共享 | 首个专门针对儿科病例和多种MRI序列的自动去识别工具，解决了现有工具在儿科病例上的性能不足问题 | 耳朵区域去除准确率相对较低(73%)，主要针对儿科脑肿瘤患者数据 | 开发儿科脑部MRI的自动去识别工具，促进神经科学研究数据共享 | 儿科脑部MRI图像，包括脑肿瘤患者和临床对照患者 | 医学影像分析 | 脑肿瘤 | 多参数MRI (T1W, T1W-contrast-enhanced, T2W, T2W-FLAIR) | 深度学习 | 医学影像 | 244名患者(208名脑肿瘤患者+36名临床对照)，976张图像，年龄范围7天至21岁 | nnU-Net | U-Net | 准确率, 相关系数(r S), p值 | NA |
| 100 | 2025-10-06 |
Perfusion estimation from dynamic non-contrast computed tomography using self-supervised learning and a physics-inspired U-net transformer architecture
2025-May, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03323-2
PMID:39832070
|
研究论文 | 提出一种基于自监督学习和物理启发U-net Transformer架构的新方法，从动态非对比计算机断层扫描中预测肺灌注成像 | 开发了适用于连体IE-CT输入的U-Net Transformer架构，结合物理模型见解和专门为肺功能预测设计的自监督学习策略 | 监督训练仅使用44名患者的小样本队列，需要进一步开发以扩展临床应用 | 从非对比吸气和呼气CT扫描预测肺灌注成像 | 肺灌注成像 | 医学影像分析 | 肺部疾病 | 计算机断层扫描(CT), 单光子发射计算机断层扫描(SPECT/CT) | U-Net, Transformer | 医学影像 | 自监督训练使用523个IE-CT图像，监督训练使用44名患者 | NA | U-Net Transformer | 空间Spearman相关系数, 中位数相关系数 | NA |