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 981 - 1000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2025-10-07 |
Deep learning-based spatial optimization of green and cool roof implementation for urban heat mitigation
2025-May, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.125398
PMID:40273786
|
研究论文 | 提出基于深度学习的城市绿化和凉爽屋顶空间优化框架，用于缓解城市热压力并提高成本效益 | 开发基于Multi-ResNet的代理模型替代传统物理模型，显著降低计算需求（从3561小时降至72小时） | 研究仅针对首尔大都市区，在SSP585气候情景和2100年土地覆盖预测下进行 | 优化城市绿化和凉爽屋顶实施策略以实现热缓解和成本效益最大化 | 首尔大都市区的379个城市网格 | 机器学习 | NA | 天气研究与预报模型耦合城市冠层模型 | CNN | 气候模拟数据，土地利用数据 | 评估262,144个场景，覆盖379个城市网格 | NA | Multi-ResNet | 有效热应力指数减少百分比，成本降低百分比 | NA |
| 982 | 2025-10-07 |
Multitemporal river flow discharge prediction: A new framework for integrated environmental management and flood control
2025-May, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.125372
PMID:40279745
|
研究论文 | 提出一种先进通用数据分组处理方法（AUGMDH）模型用于多时间尺度河流流量预测 | 首次将AUGMDH模型应用于多时间尺度河流流量预测，并在所有主要性能指标上优于传统CNN模型 | NA | 开发更精确可靠的河流流量预测方法以支持水资源管理和洪水控制 | 河流流量数据 | 机器学习 | NA | NA | AUGMDH, CNN | 时间序列数据 | NA | NA | AUGMDH, CNN | 决定系数, Nash-Sutcliffe效率系数, 归一化均方根误差, RMSE-观测标准差比率, 百分比偏差, AIC | NA |
| 983 | 2025-05-03 |
Deep Learning Radiopathomics for Predicting Tumor Vasculature and Prognosis in Hepatocellular Carcinoma
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.250141
PMID:40314587
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 984 | 2025-10-07 |
An overview of computational methods in single-cell transcriptomic cell type annotation
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf207
PMID:40347979
|
综述 | 系统评述基于单细胞转录组数据的细胞类型注释计算方法 | 重点关注数据不平衡导致的罕见细胞类型长尾分布问题，探讨深度学习在开放世界框架下识别新型细胞类型的潜力 | NA | 系统比较和分类单细胞转录组细胞类型注释方法 | 单细胞RNA测序数据 | 生物信息学 | NA | 单细胞RNA测序 | 监督学习, 深度学习 | 基因表达谱 | NA | NA | NA | NA | NA |
| 985 | 2025-10-07 |
Three-dimensional C-scan-based generation adversarial network with synthetic input to improve optical coherence tomography angiography
2025-May, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.5.056006
PMID:40352109
|
研究论文 | 提出基于三维C扫描的生成对抗网络，通过合成输入数据改善光学相干断层扫描血管成像质量 | 首次提出利用单次拍摄的en face OCTA图像与无血管噪声C扫描图像合成输入数据，并采用多帧平均en face OCTA图像作为参考标签，实现三维血管网络重建 | 未明确说明样本规模和数据来源的多样性限制 | 改善三维光学相干断层扫描血管成像的血管可视化质量 | 光学相干断层扫描血管成像数据 | 计算机视觉 | 鲜红斑痣 | 光学相干断层扫描血管成像 | GAN | 三维医学图像 | NA | NA | Pix2Pix | 对比噪声比 | NA |
| 986 | 2025-10-07 |
An inherently interpretable AI model improves screening speed and accuracy for early diabetic retinopathy
2025-May, PLOS digital health
DOI:10.1371/journal.pdig.0000831
PMID:40354306
|
研究论文 | 开发了一种内在可解释的深度学习模型，用于糖尿病视网膜病变的早期筛查 | 在网络架构中显式建模局部病变证据，提供内在可解释性而非后处理解释方法 | 仅使用公开数据集进行训练，未提及在实际临床环境中的前瞻性验证 | 提高糖尿病视网膜病变早期筛查的准确性和速度，改善人机协作 | 糖尿病视网膜病变患者 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 深度学习模型 | 眼底图像 | 34,350张高质量眼底图像，并在10个外部数据集上验证 | NA | 内在可解释深度学习架构 | 准确率, AUC, 精确率 | NA |
| 987 | 2025-05-14 |
Association of Deep Learning-based Chest CT-derived Respiratory Parameters with Disease Progression in Amyotrophic Lateral Sclerosis
2025-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243463
PMID:40358443
|
research paper | 该研究探讨了基于深度学习的胸部CT衍生呼吸参数在预测肌萎缩侧索硬化症（ALS）疾病进展和生存期中的价值 | 使用深度学习技术从胸部CT中提取肺体积指数（LVI）和呼吸肌指数（RMI），这些参数能够反映ALS的临床分期并预测生存期，特别是在延髓受累患者中具有应用价值 | 研究为回顾性设计，样本量相对有限（261例患者），且所有数据来自单一三级医院 | 评估深度学习衍生的胸部CT参数对ALS疾病进展和患者生存期的预测能力 | 肌萎缩侧索硬化症（ALS）患者 | digital pathology | geriatric disease | deep learning-based CT analysis | Gaussian process regressor | CT images | 261例ALS患者（平均年龄65.2岁±11.9，男性156例） | NA | NA | NA | NA |
| 988 | 2025-05-13 |
Computer-aided assessment for enlarged fetal heart with deep learning model
2025-May-16, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112288
PMID:40343273
|
研究论文 | 本文提出了一种基于YOLO架构的深度学习方法，用于自动化胎儿心脏扩大的评估 | 使用YOLOv8结合CBAM模块以及ResNeXtBlock残差网络，提高了胎儿心脏扩大检测的准确性和预测一致性 | 需要进一步验证以确认其临床适用性 | 通过自动化评估胎儿心脏扩大，提高产前筛查的准确性和效率 | 胎儿心脏扩大的超声视频 | 计算机视觉 | 先天性心脏病 | 深度学习 | YOLOv8, YOLOv11, ResNeXtBlock | 超声视频 | NA | NA | NA | NA | NA |
| 989 | 2025-05-13 |
NeuroPred-AIMP: Multimodal Deep Learning for Neuropeptide Prediction via Protein Language Modeling and Temporal Convolutional Networks
2025-May-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00444
PMID:40258183
|
研究论文 | 提出了一种名为NeuroPred-AIMP的多模态深度学习模型，用于通过蛋白质语言建模和时间卷积网络预测神经肽 | 结合蛋白质语言模型(ESM)的全局语义表示和时间卷积网络(TCN)的多尺度结构特征，引入残差增强的自适应特征融合机制，动态重新校准特征贡献，实现进化和局部序列信息的稳健整合 | 依赖于有限的实验验证数据，可能影响模型的泛化能力 | 提高神经肽识别的准确性，以促进神经系统疾病治疗和基于肽的药物设计 | 神经肽 | 自然语言处理 | 神经系统疾病 | 蛋白质语言建模，时间卷积网络 | ESM, TCN | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 990 | 2025-05-13 |
COLOR: A Compositional Linear Operation-Based Representation of Protein Sequences for Identification of Monomer Contributions to Properties
2025-May-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00205
PMID:40272990
|
research paper | 该论文提出了一种基于可解释深度学习模型的蛋白质序列表示方法，用于识别单体对蛋白质特性的贡献 | 引入具有可解释步骤的深度学习模型，直接追踪单体贡献，并提出新的定量分析指标 | 主要应用于分类任务，如结合位点识别，且在这些任务中准确率有限（40-45%） | 开发一种可解释的蛋白质序列表示方法，用于识别关键功能基序 | 蛋白质序列，特别是抗癌肽（ACP）、抗菌肽（AMP）和胶原蛋白 | natural language processing | NA | 深度学习，可解释AI（XAI） | DL | 蛋白质序列数据 | 主要包含抗癌肽（ACP）、抗菌肽（AMP）和胶原蛋白的数据集 | NA | NA | NA | NA |
| 991 | 2025-05-13 |
Development and evaluation of an early childhood caries prediction model: a deep learning-based hybrid statistical modelling approach
2025-May-12, European archives of paediatric dentistry : official journal of the European Academy of Paediatric Dentistry
IF:2.3Q2
DOI:10.1007/s40368-025-01046-1
PMID:40354021
|
研究论文 | 开发并评估了一种基于深度学习的混合统计模型，用于预测儿童早期龋齿（ECC） | 结合了bootstrap方法、逻辑回归建模（LRM）和多层前馈神经网络（MLFFNN）的混合统计方法，提高了预测的准确性和可解释性 | 样本量较小（157对亲子），且研究设计为横断面研究，可能限制了结果的普遍性 | 开发并评估一种高准确性和可解释性的儿童早期龋齿预测模型 | 157对亲子 | 机器学习 | 儿童早期龋齿 | bootstrap方法、逻辑回归建模（LRM）、多层前馈神经网络（MLFFNN） | 混合统计模型（LRM + MLFFNN） | 问卷调查数据 | 157对亲子 | NA | NA | NA | NA |
| 992 | 2025-05-13 |
Enhancing segmentation accuracy of the common iliac vein in OLIF51 surgery in intraoperative endoscopic video through gamma correction: a deep learning approach
2025-May-11, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03388-z
PMID:40349282
|
研究论文 | 本研究开发并评估了一种深度学习模型，用于在OLIF51手术中从术中内窥镜视频中分割髂总静脉，以减少血管损伤风险 | 采用U-Net++与ResNet18结合的结构，并应用伽马校正预处理以提高分割精度 | 需要进一步研究和模型优化以适应临床应用 | 提高OLIF51手术中髂总静脉的分割准确性以减少血管损伤风险 | 髂总静脉 | 计算机视觉 | 退行性腰骶椎疾病 | 深度学习 | U-Net, U-Net++ with ResNet18 | 内窥镜视频图像 | 614张OLIF51手术内窥镜图像 | NA | NA | NA | NA |
| 993 | 2025-05-13 |
Climate change prediction in Saudi Arabia using a CNN GRU LSTM hybrid deep learning model in al Qassim region
2025-May-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00607-0
PMID:40346151
|
研究论文 | 使用CNN-GRU-LSTM混合深度学习模型预测沙特阿拉伯Al-Qassim地区的气候变化趋势 | 提出了一种独特的CNN-GRU-LSTM混合深度学习架构，用于预测气候变化，并在所有四种气候情景中优于传统回归方法 | 研究仅针对沙特阿拉伯Al-Qassim地区，可能无法推广到其他地区 | 预测气候变化趋势，以指导环境政策和城市发展决策 | Al-Qassim地区的气候数据 | 机器学习 | NA | SMOGN（合成少数过采样技术回归与高斯噪声） | CNN-GRU-LSTM混合模型 | 气候数据（温度、露点温度、能见度距离、海平面气压） | 数据集分为训练集（70%）、验证集（15%）和测试集（15%） | NA | NA | NA | NA |
| 994 | 2025-05-13 |
Scoping review of deep learning research illuminates artificial intelligence chasm in otolaryngology-head and neck surgery
2025-May-10, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01693-0
PMID:40346307
|
综述 | 本文通过范围综述分析了1996年至2023年间耳鼻咽喉头颈外科（OHNS）领域的深度学习研究，揭示了该领域人工智能（AI）技术的临床验证不足 | 首次全面评估了OHNS领域深度学习研究的现状，揭示了AI技术在该领域临床验证的严重缺失 | 仅分析了已发表的研究，可能未涵盖未发表或正在进行的研究 | 评估OHNS领域深度学习研究的现状和临床验证情况 | 1996-2023年间发表的OHNS领域深度学习研究 | 人工智能在医疗健康中的应用 | 耳鼻咽喉头颈外科疾病 | 深度学习 | CNN | 图像 | 444篇符合纳入标准的研究文章 | NA | NA | NA | NA |
| 995 | 2025-05-11 |
Author Correction: Deep learning and genome-wide association meta-analyses of bone marrow adiposity in the UK Biobank
2025-May-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59574-9
PMID:40346038
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 996 | 2025-05-13 |
Multiparameter MRI-based model integrating radiomics and deep learning for preoperative staging of laryngeal squamous cell carcinoma
2025-May-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-01270-1
PMID:40346120
|
研究论文 | 本研究建立了一个基于多参数MRI的模型，结合放射组学和深度学习，用于喉鳞状细胞癌的术前分期 | 结合放射组学和深度学习特征，构建了一个综合模型，显著提高了术前分期的准确性 | 研究仅基于两个中心的数据，可能存在一定的样本偏差 | 提高喉鳞状细胞癌术前分期的准确性，为临床决策提供指导 | 401例经组织学确认的喉鳞状细胞癌患者 | 数字病理 | 喉鳞状细胞癌 | MRI | ResNet 18, 随机森林(RF) | MRI图像 | 401例患者（训练集：213例；内部测试集：91例；外部测试集：97例） | NA | NA | NA | NA |
| 997 | 2025-05-13 |
Addressing significant challenges for animal detection in camera trap images: a novel deep learning-based approach
2025-May-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90249-z
PMID:40346172
|
research paper | 提出了一种新颖的两阶段深度学习框架，用于解决相机陷阱图像中动物检测的实际挑战 | 采用两阶段深度学习框架，结合全局模型和专家模型，显著提高了动物检测的准确性和适用性 | 模型在新地点的适用性可能仍受背景和物种相似性的影响 | 提高相机陷阱图像中动物检测的自动化水平和准确性 | 24种哺乳动物 | computer vision | NA | deep learning, Transfer Learning | YOLOv5, agglomerative clustering | image | 1.3 million images from 91 camera traps, 120,000 images for testing | NA | NA | NA | NA |
| 998 | 2025-05-13 |
Deep learning for Parkinson's disease classification using multimodal and multi-sequences PET/MR images
2025-May-09, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-025-01245-3
PMID:40346391
|
research paper | 使用深度学习方法通过多模态和多序列PET/MR图像对帕金森病进行分类 | 提出了一种改进的18层ResNet18模型，结合多模态和多序列图像，提高了帕金森病(PD)和多系统萎缩(MSA)的分类准确率 | 研究为回顾性分析，样本量相对有限(206患者+38健康对照)，外部验证未进行 | 开发高性能辅助工具以准确诊断PD和MSA | 帕金森病(PD)患者、多系统萎缩(MSA)患者和健康对照(NC) | digital pathology | geriatric disease | PET/MR成像 | 改进的ResNet18 | 多模态医学图像(PET/MR) | 206名患者(PD/MSA)和38名健康对照 | NA | NA | NA | NA |
| 999 | 2025-05-13 |
SMFF-DTA: using a sequential multi-feature fusion method with multiple attention mechanisms to predict drug-target binding affinity
2025-May-09, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-025-02222-x
PMID:40346536
|
研究论文 | 提出了一种名为SMFF-DTA的序列多特征融合方法，用于高效准确地预测药物-靶标结合亲和力 | 采用序列方法表示药物和靶标的结构信息及理化性质，并引入多重注意力机制以紧密捕捉相互作用特征 | 未明确提及具体局限性 | 加速药物筛选过程，提高药物-靶标结合亲和力预测的准确性和效率 | 药物和靶标的结合亲和力 | 机器学习 | NA | 深度学习 | 多重注意力机制 | 1D序列数据 | 未明确提及具体样本量 | NA | NA | NA | NA |
| 1000 | 2025-10-07 |
EPIPDLF: a pretrained deep learning framework for predicting enhancer-promoter interactions
2025-May-06, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae716
PMID:40036975
|
研究论文 | 开发了一种基于深度学习的增强子-启动子相互作用预测框架EPIPDLF | 提出了一种仅基于基因组序列即可预测增强子-启动子相互作用的可解释深度学习框架 | NA | 预测增强子与启动子之间的相互作用 | 基因组序列中的增强子和启动子 | 生物信息学 | NA | 深度学习 | 深度学习 | 基因组序列 | 六个基准数据集 | NA | EPIPDLF | NA | NA |