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 1212 篇文献，本页显示第 941 - 960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 941 | 2025-10-06 |
Identification and segregation of genes with improved recurrent neural network trained with optimal gene level and mutation level features
2025-Jun, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2311322
PMID:38424698
|
研究论文 | 提出一种基于改进循环神经网络和优化特征选择的癌症驱动基因识别与分离模型 | 结合基因水平和突变水平特征，采用改进K-Means+SMOTE处理类别不平衡，并使用FIHFSO优化特征选择 | 未明确说明数据来源和具体基因数量，性能比较方法有限 | 解决癌症突变异质性问题，准确识别驱动基因 | 癌症基因突变数据 | 机器学习 | 癌症 | 基因突变分析 | RNN | 基因特征数据 | NA | NA | 改进循环神经网络(I-RNN) | 准确率 | NA |
| 942 | 2025-06-04 |
Deep learning model for predicting immunotherapy response in patients with advanced NSCLC: Study findings demonstrate a strong and independent deep learning-based feature associated with an immune checkpoint inhibitor response in patients with NSCLC across cohorts
2025-Jun-01, Cancer
IF:6.1Q1
DOI:10.1002/cncr.35883
PMID:40457864
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 943 | 2025-06-03 |
Deep learning-based image classification and quantification models for tablet sticking
2025-Jun-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.125690
PMID:40339626
|
研究论文 | 本研究提出了一种基于深度学习的图像分类和量化模型，用于检测和量化制药片剂生产中的粘附问题 | 结合CNN和GLCM特征的集成模型，能够检测和量化片剂粘附，克服了传统视觉检查的局限性 | 研究仅针对10批片剂进行了验证，样本量相对较小 | 提高制药片剂生产的效率和质量控制 | 制药片剂生产中的粘附问题 | 计算机视觉 | NA | CNN, GLCM, SVM | AlexNet, VGG 16, ResNet 50, GoogLeNet | 图像 | 10批片剂 | NA | NA | NA | NA |
| 944 | 2025-06-03 |
Hyaluronan network remodeling by ZEB1 and ITIH2 enhances the motility and invasiveness of cancer cells
2025-Jun-02, The Journal of clinical investigation
IF:13.3Q1
DOI:10.1172/JCI180570
PMID:40178908
|
研究论文 | 研究透明质酸（HA）网络中ZEB1和ITIH2的作用及其对肺癌细胞迁移和侵袭能力的影响 | 揭示了ZEB1通过调控ITIH2、HAS2和CD44重塑肿瘤微环境中的HA网络，并提出针对该网络的抑制策略 | 研究主要基于体外实验和小鼠模型，尚未在人体中进行验证 | 探究HA网络在肺癌细胞迁移和侵袭中的作用机制 | 肺癌细胞和癌症相关成纤维细胞 | 肿瘤生物学 | 肺癌 | 深度学习药物-靶点相互作用算法 | NA | NA | NA | NA | NA | NA | NA |
| 945 | 2024-12-20 |
Deep learning on chromatin profiles reveals the cis-regulatory sequence code of the rice genome
2025-Jun, Journal of genetics and genomics = Yi chuan xue bao
DOI:10.1016/j.jgg.2024.12.007
PMID:39694233
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 946 | 2025-10-06 |
AI image analysis as the basis for risk-stratified screening
2025-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01734-4
PMID:39794661
|
综述 | 本文综述了人工智能在乳腺癌筛查中风险预测模型的研究进展与应用挑战 | 系统整合了从传统影像生物标志物到前沿深度学习方法及多模态方法在乳腺癌风险预测中的发展 | AI风险模型目前主要处于研究阶段，尚未在临床实践中广泛采用 | 优化人工智能工具在乳腺癌筛查中的应用，改善不同人群的公平性和筛查结果 | 乳腺癌筛查中的风险预测模型 | 计算机视觉 | 乳腺癌 | NA | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 947 | 2025-06-03 |
Prediction of Lymph Node Metastasis in Lung Cancer Using Deep Learning of Endobronchial Ultrasound Images With Size on CT and PET-CT Findings
2025-Jun, Respirology (Carlton, Vic.)
DOI:10.1111/resp.70010
PMID:40033122
|
研究论文 | 本研究评估了深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力，并强调了整合ROI、CT上的淋巴结大小和PET-CT结果的价值 | 首次将ROI、CT上的淋巴结大小和PET-CT结果整合到深度学习模型中，显著提高了诊断能力 | 研究仅基于回顾性数据，未进行前瞻性验证 | 评估深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | 数字病理学 | 肺癌 | EBUS-TBNA, CT, PET-CT | ResNet18 | 图像 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | NA | NA | NA | NA |
| 948 | 2025-06-03 |
Using deep-learning based segmentation to enable spatial evaluation of knee osteoarthritis (SEKO) in rodent models
2025-Jun, Osteoarthritis and cartilage
IF:7.2Q1
DOI:10.1016/j.joca.2025.02.787
PMID:40139644
|
research paper | 该研究介绍了一种基于深度学习的组织学分析流程SEKO，用于定量和可视化啮齿动物膝关节内侧区域的关节重塑 | 开发了一个结合分割和可视化工具的深度学习流程SEKO，用于空间评估膝关节骨关节炎，并作为开源工具提供给研究社区 | 仅针对啮齿动物模型进行研究，尚未在人类样本中验证 | 开发一种客观比较骨关节炎进展和治疗干预效果的方法 | 啮齿动物膝关节 | digital pathology | osteoarthritis | histological analysis | U-NET, HRNet | image | NA | NA | NA | NA | NA |
| 949 | 2025-04-03 |
Integrating Deep Learning in Breast MRI: Technical Advances and Clinical Promise
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.047
PMID:40169328
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 950 | 2025-06-03 |
Strategies to Improve the Robustness and Generalizability of Deep Learning Segmentation and Classification in Neuroimaging
2025-Jun, BioMedInformatics
DOI:10.3390/biomedinformatics5020020
PMID:40271381
|
review | 本文回顾并总结了提高深度学习模型在神经影像分割和分类中鲁棒性和泛化能力的策略 | 识别并总结了包括正则化、数据增强、迁移学习和不确定性估计在内的关键策略，以应对数据变异性和领域转移等主要挑战 | 仅包括英文同行评审的脑成像研究，可能忽略了其他语言或非脑成像的相关研究 | 提高深度学习模型在神经影像分割和分类中的鲁棒性和泛化能力，以增强其在实际临床实践中的可靠性 | 神经影像数据 | machine learning | NA | 深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 951 | 2025-06-03 |
EEG-ConvoBLSTM: A novel hybrid model for efficient EEG signal classification
2025-Jun-01, The Review of scientific instruments
DOI:10.1063/5.0258358
PMID:40454762
|
研究论文 | 提出一种新型混合模型EEG-ConvoBLSTM，用于高效分类EEG信号以进行情感识别 | 结合卷积层和双向LSTM网络，实现对EEG信号时空特征的全面建模及长时依赖信息捕获 | 未明确说明模型在更大规模或多样化数据集上的泛化能力 | 提升基于EEG信号的情感识别准确率及跨被试泛化能力 | EEG信号的情感识别 | 机器学习 | NA | 深度学习 | CNN与BLSTM混合模型 | EEG信号 | 使用SEED数据集（具体样本量未说明） | NA | NA | NA | NA |
| 952 | 2025-06-03 |
Physics-driven deep learning methods and numerically intractable "bad" Jaulent-Miodek equation
2025-Jun-01, Chaos (Woodbury, N.Y.)
DOI:10.1063/5.0264041
PMID:40455205
|
research paper | 该论文提出了一种结合PINN和PECANN的两阶段深度学习方法，用于解决'bad' Jaulent-Miodek (JM)方程的非线性波演化问题 | 将PINN和PECANN两种物理驱动的深度学习方法结合成一个两阶段神经网络，提高了计算效率并正确求解了'bad' JM方程 | NA | 解决具有不良性质的'bad' JM方程的非线性波演化问题 | 'bad' JM方程的非线性波演化 | machine learning | NA | Physics-Informed Neural Networks (PINN), Physics and Equality-Constrained Artificial Neural Networks (PECANN) | PINN+PECANN neural network | numerical data | NA | NA | NA | NA | NA |
| 953 | 2025-10-06 |
Comparative analysis of kidney function prediction: traditional statistical methods vs. deep learning techniques
2025-Jun, Clinical and experimental nephrology
IF:2.2Q2
DOI:10.1007/s10157-024-02616-1
PMID:39813007
|
研究论文 | 比较传统统计方法与深度学习技术在预测肾功能方面的性能差异 | 首次在日本全国性CKD登记数据库中使用GRU-D等深度学习模型处理缺失值并预测肾功能 | 深度学习技术在此研究中未显示出优于传统统计方法的预测准确性 | 评估深度学习技术是否比传统统计方法能更准确地预测未来肾功能 | 慢性肾病患者 | 机器学习 | 慢性肾病 | 电子健康记录分析 | FFNN, GRU-D, 多元线性回归 | 临床登记数据 | 22,929名CKD患者 | NA | 前馈神经网络, GRU-D | 均方根误差(RMSE) | NA |
| 954 | 2025-10-06 |
Generative artificial intelligence enables the generation of bone scintigraphy images and improves generalization of deep learning models in data-constrained environments
2025-Jun, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07091-8
PMID:39878897
|
研究论文 | 本研究利用生成式人工智能生成骨闪烁扫描图像，并通过合成数据增强提升深度学习模型在数据受限环境中的泛化能力 | 开发了能够生成代表不同疾病模式的高质量合成骨闪烁扫描图像的生成模型，并验证了合成数据对提升模型泛化性能的有效性 | 研究仅基于单一中心的训练数据，且仅针对两种特定疾病模式进行验证 | 解决医学影像中深度学习模型因数据稀缺而泛化能力不足的问题 | 骨闪烁扫描图像，重点关注骨转移和心脏淀粉样变性两种疾病模式 | 医学影像分析 | 骨转移，心脏淀粉样变性 | 骨闪烁扫描技术 | 生成模型，深度学习分类模型 | 医学影像 | 训练集：9,170名患者的骨闪烁扫描；测试集：6,448名患者的7,472次扫描 | NA | NA | AUC，准确率，Fleiss' kappa，log-rank检验 | NA |
| 955 | 2025-10-06 |
Robust whole-body PET image denoising using 3D diffusion models: evaluation across various scanners, tracers, and dose levels
2025-Jun, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07122-4
PMID:39912940
|
研究论文 | 提出并验证了一种基于3D扩散模型的全身PET图像去噪方法，能够适应不同扫描仪、示踪剂和剂量水平 | 首次将3D Denoising Diffusion Probabilistic Model应用于全身PET图像去噪，实现了跨多种临床场景的鲁棒性能 | 模型训练主要基于Biograph Vision Quadra PET/CT扫描仪的高质量数据 | 开发一种能够适应多种PET协议的鲁棒性全身PET图像去噪方法 | 全身PET图像 | 医学影像处理 | 癌症 | PET成像 | DDPM | 3D医学图像 | 来自4台扫描仪、4种示踪剂类型和6个剂量水平的数据集 | NA | 3D卷积网络 | 去噪性能，不确定性图方差 | NA |
| 956 | 2025-10-06 |
Integrating generative AI with neurophysiological methods in psychiatric practice
2025-Jun, Asian journal of psychiatry
IF:3.8Q1
DOI:10.1016/j.ajp.2025.104499
PMID:40262408
|
综述 | 探讨生成式AI与神经生理学方法在精神病学实践中的整合潜力与应用前景 | 首次系统提出生成式AI与神经科学、生理学方法在精神病学领域的协同整合框架 | 面临数据可靠性、隐私保护和资源限制等挑战 | 探索生成式AI如何增强精神病学临床实践和神经生理学研究 | 精神病学临床实践、神经生理学数据、心理症状模型 | 自然语言处理, 机器学习 | 精神疾病 | 深度学习, 神经生理学方法 | 大语言模型 | 多模态数据, 文本, 神经生理信号 | NA | NA | NA | NA | NA |
| 957 | 2025-10-06 |
Sustainable water allocation under climate change: Deep learning approaches to predict drinking water shortages
2025-Jun, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.125600
PMID:40345087
|
研究论文 | 本研究采用深度学习方法预测德黑兰饮用水短缺问题，为可持续水资源分配提供前瞻性解决方案 | 结合循环神经网络与三种优化算法（FHO、WOA、HOA）的混合模拟模型，首次在德黑兰水资源管理中实现多模型比较和优化 | 研究依赖于气候模型的预测准确性，且未考虑突发性极端气候事件的影响 | 通过先进机器学习方法理解和缓解城市化、土地利用管理不善及气候变异对水资源的影响 | 德黑兰五个关键水坝水库和德黑兰含水层系统 | 机器学习 | NA | 混合模拟模型，气候模型（MRI-ESM2、CNRM-CM6-1、BCC-CSM2） | RNN, LSTM | 气候数据、水文数据、水资源分配数据 | 2021-2050年期间三种排放路径（SSP1.26、SSP2.45、SSP5.85）的预测数据 | NA | RNN-FHO, RNN-WOA, RNN-HOA混合架构 | 水坝流入量预测性能、地下水位波动预测精度 | NA |
| 958 | 2025-06-01 |
Learnable fractional Fourier transform for high-quality computer-generated holography
2025-Jun-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.561347
PMID:40445699
|
research paper | 提出了一种基于深度学习的计算机生成全息术方法，通过分数傅里叶变换提升全息成像质量 | 提出了复数分数傅里叶网络（CFrFNet），整合分数傅里叶变换（FrFT）于空间-频率统一框架中，生成高保真相位全息图（POHs） | NA | 提升计算机生成全息术的成像质量 | 相位全息图（POHs） | computer vision | NA | 分数傅里叶变换（FrFT） | CFrFNet, FrFNM, MFEB | image | NA | NA | NA | NA | NA |
| 959 | 2025-10-07 |
Predicting host-pathogen interactions with machine learning algorithms: A scoping review
2025-06, Infection, genetics and evolution : journal of molecular epidemiology and evolutionary genetics in infectious diseases
DOI:10.1016/j.meegid.2025.105751
PMID:40220943
|
综述 | 本文通过范围综述方法系统评估机器学习算法在宿主-病原体相互作用预测中的应用现状 | 首次系统比较不同机器学习方法在HPI预测中的效果，提供未来研究路线图 | 数据集标准化不足和模型可解释性存在显著差距 | 评估机器学习在宿主-病原体相互作用预测中的有效性 | 宿主-病原体相互作用（特别是蛋白质-蛋白质相互作用） | 机器学习 | 传染病 | 机器学习算法 | Random Forest, Gradient Boosting, CNN, RNN | 分子相互作用数据 | 46篇相关文献中筛选30篇进行综述 | NA | 卷积神经网络, 循环神经网络 | 准确率 | NA |
| 960 | 2025-10-07 |
Combining Deep Data-Driven and Physics-Inspired Learning for Shear Wave Speed Estimation in Ultrasound Elastography
2025-Jun, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3561599
PMID:40238602
|
研究论文 | 提出一种结合数据驱动和物理启发学习的混合方法，用于超声弹性成像中的剪切波速度估计 | 采用自适应无监督损失函数，能够在没有已知SWS值的真实数据上训练网络，减少伪影并提高鲁棒性 | 仅在实验体模数据和两名人类受试者的肝脏数据上进行了验证，样本量有限 | 提高超声弹性成像中剪切波速度估计的准确性和鲁棒性 | 剪切波在生物组织中的传播特性 | 医学影像分析 | 肝脏疾病 | 超声弹性成像，剪切波弹性成像 | 深度学习 | 超声RF/IQ数据，位移数据 | 实验体模数据和两名人类受试者的肝脏数据 | NA | NA | 准确性，可靠性 | NA |