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 1901 篇文献，本页显示第 901 - 920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 901 | 2025-10-06 |
Deep learning-based analysis and identification of single-particle mass spectra of bacteria
2025-Jul, Analytical and bioanalytical chemistry
IF:3.8Q1
DOI:10.1007/s00216-025-05942-9
PMID:40542895
|
研究论文 | 结合单粒子质谱与深度学习算法对六种细菌物种进行识别和分类 | 首次将Score-CAM可视化方法应用于细菌单粒子质谱数据分析，提取CNN模型分类依赖的关键离子特征 | 仅针对六种细菌物种进行研究，样本多样性有限 | 开发基于深度学习的细菌单粒子质谱分析方法 | 六种细菌物种和四种生物质燃烧产物 | 机器学习 | NA | 单粒子质谱法 | CNN, MLP, SVM | 质谱数据 | 10个样本类别（6种细菌+4种生物质燃烧产物） | NA | CNN, MLP | 准确率 | NA |
| 902 | 2025-10-06 |
GASTON-Mix: a unified model of spatial gradients and domains using spatial mixture-of-experts
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf254
PMID:40662777
|
研究论文 | 提出GASTON-Mix模型，用于从空间分辨转录组数据中同时识别空间域和域内空间梯度 | 将混合专家框架扩展为空间MoE模型，结合聚类组件与神经场模型，无需对空间域和梯度做限制性几何假设 | NA | 开发能够同时量化空间域和连续空间梯度的计算方法 | 空间分辨转录组数据 | 机器学习 | NA | 空间分辨转录组技术 | 混合专家模型,神经场模型 | 基因表达空间数据 | NA | NA | 空间混合专家模型 | 准确性 | NA |
| 903 | 2025-10-06 |
Top-DTI: integrating topological deep learning and large language models for drug-target interaction prediction
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf183
PMID:40662785
|
研究论文 | 提出Top-DTI框架，通过整合拓扑深度学习和大型语言模型来预测药物-靶点相互作用 | 首次将拓扑数据分析与大型语言模型相结合用于DTI预测，利用持久同源性从蛋白质接触图和药物分子图像中提取拓扑特征 | NA | 提高药物-靶点相互作用预测的准确性和鲁棒性 | 药物分子和蛋白质靶点 | 机器学习 | NA | 拓扑数据分析，大型语言模型 | 深度学习 | 蛋白质序列，药物SMILES字符串，蛋白质接触图，药物分子图像 | 公共BioSNAP和Human DTI基准数据集 | NA | 大型语言模型，拓扑深度学习 | AUROC，AUPRC，灵敏度，特异性 | NA |
| 904 | 2025-10-06 |
Understanding the sources of performance in deep drug response models reveals insights and improvements
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf255
PMID:40662789
|
研究论文 | 本研究通过分析深度药物反应预测模型的性能来源，揭示了现有模型的局限性并提出了改进方案 | 首次证明二元化药物反应值能使模型学习有用的化学药物特征，并开发了BinaryET和BinaryCB两种新模型 | 现有模型性能很大程度上依赖于训练目标值，且不同测试类型下性能表现不一致 | 改进抗癌药物反应预测模型的性能并理解其性能来源 | 癌细胞系和药物化学结构 | 机器学习 | 癌症 | 转录组学分析 | Transformer, 基础模型 | 化学结构数据, 组学数据 | NA | NA | Transformer | NA | NA |
| 905 | 2025-10-06 |
GRACKLE: an interpretable matrix factorization approach for biomedical representation learning
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf213
PMID:40662804
|
研究论文 | 提出一种名为GRACKLE的可解释矩阵分解方法，用于生物医学表征学习 | 同时整合样本相似性和基因相似性矩阵，结合样本元数据和分子关系知识 | NA | 开发能够识别疾病特异性基因特征的生物医学表征学习方法 | 基因表达数据，乳腺癌肿瘤样本，唐氏综合征患者 | 机器学习 | 乳腺癌，唐氏综合征 | 矩阵分解，图正则化 | 非负矩阵分解(NMF) | 基因表达数据 | NA | NA | GRACKLE | NA | NA |
| 906 | 2025-10-06 |
Soffritto: a deep learning model for predicting high-resolution replication timing
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf231
PMID:40662815
|
研究论文 | 开发了一种名为Soffritto的深度学习模型，用于从低分辨率数据预测高分辨率DNA复制时序 | 首次使用深度学习模型从两分式复制时序数据预测高分辨率16分式复制时序数据 | 仅在五个人类和鼠类细胞系中进行了验证，数据覆盖范围有限 | 提高DNA复制时序数据的分辨率和预测准确性 | 人类和鼠类细胞系的DNA复制时序 | 生物信息学 | NA | Repli-Seq, ChIP-seq, DNA测序 | LSTM | 基因组序列数据, 表观遗传数据 | 五个人类和鼠类细胞系 | NA | LSTM, 全连接层 | 准确率 | NA |
| 907 | 2025-10-06 |
Prognostic Value of Deep Learning-Extracted Tumor-Infiltrating Lymphocytes in Esophageal Cancer: A Multicenter Retrospective Cohort Study
2025-Jul, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.71054
PMID:40673386
|
研究论文 | 本研究利用深度学习方法评估食管鳞状细胞癌中肿瘤浸润淋巴细胞的预后价值 | 首次使用深度学习方法在食管鳞癌中定量分析肿瘤内和瘤周浸润淋巴细胞的分布及其预后意义 | 回顾性研究设计，未分析淋巴细胞亚群，空间信息利用不足 | 评估肿瘤浸润淋巴细胞在食管鳞状细胞癌中的预后潜力 | 626例经病理确诊的食管鳞状细胞癌患者 | 数字病理学 | 食管癌 | 全切片数字成像 | 深度学习 | 病理图像 | 626例来自两个研究中心的患者 | NA | NA | 总生存期，无复发生存期，风险比 | NA |
| 908 | 2025-10-06 |
Deep Learning for the Early Diagnosis of Candidemia
2025-Jul, Infectious diseases and therapy
IF:4.7Q1
DOI:10.1007/s40121-025-01171-w
PMID:40549343
|
研究论文 | 本研究评估了深度学习模型在念珠菌血症与菌血症早期鉴别诊断中的性能 | 首次使用深度学习模型基于非特异性实验室特征进行念珠菌血症与菌血症的早期鉴别诊断 | 学习到的模式未能改善特异性标志物的诊断性能，模型性能有待提升 | 念珠菌血症的早期诊断 | 念珠菌血症和菌血症患者 | 机器学习 | 念珠菌血症 | 实验室特征自动提取 | 深度学习 | 实验室数据 | 12,483例发作（念珠菌血症1,275例，菌血症11,208例） | NA | NA | 敏感度,特异度,阳性预测值,加权阳性预测值,阴性预测值,AUC | NA |
| 909 | 2025-10-06 |
Lung Cancer Management: Revolutionizing Patient Outcomes Through Machine Learning and Artificial Intelligence
2025-Jul, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70240
PMID:40674395
|
研究论文 | 本研究开发了一种基于深度学习的双阶段模型，用于从CT扫描中分割肺部肿瘤区域并进行癌症分类 | 采用迁移学习和U-Net架构的ResNet50骨干网络，结合数据增强和正则化技术提升模型泛化能力 | 需要前瞻性验证和可解释性技术改进，尚未集成到医院工作流程中 | 克服传统机器学习模型在临床环境中的泛化限制，提高肺癌检测准确性 | 肺部CT扫描图像 | 计算机视觉 | 肺癌 | CT扫描 | 深度学习 | 医学图像 | 公开CT扫描数据集和伊朗Hazrat Rasool医院的独立临床数据集 | NA | U-Net, ResNet50, MLP | 准确率, F1分数, Matthews相关系数, Cohen's kappa, Dice指数 | NA |
| 910 | 2025-10-06 |
Phase-augmented deep learning for cell segmentation in wrapped quantitative phase images
2025-Jul-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.566950
PMID:40677815
|
研究论文 | 开发了一种用于包裹定量相位图像中细胞分割的相位增强深度学习方法 | 通过引入全局相位偏移的数据增强策略，使网络能够区分真实形态特征与相位包裹伪影 | NA | 实现包裹定量相位图像中的精确细胞分割以研究细胞动态过程 | 细胞粘附与分离过程中的细胞形态 | 计算机视觉 | NA | 调制光学计算机相位显微镜(M-OCPM) | CNN | 相位图像 | NA | NA | U-Net | 分割准确度 | NA |
| 911 | 2025-10-06 |
ConNeCT: weakly supervised corneal confocal microscopy image inpainting network based on a diffusion model
2025-Jul-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.562924
PMID:40677830
|
研究论文 | 提出了一种基于扩散模型的弱监督角膜共聚焦显微镜图像修复网络ConNeCT | 首个专门针对CCM图像修复的深度学习方法，结合了轻量级引导扩散模型、U-Net辅助分割模型和改进的DDPM重采样算法 | NA | 开发角膜共聚焦显微镜图像修复方法以提高神经形态参数测量的准确性 | 角膜共聚焦显微镜图像 | 计算机视觉 | 神经退行性疾病 | 角膜共聚焦显微镜 | 扩散模型, U-Net | 图像 | NA | NA | DDPM, U-Net | SSIM, PSNR, HD, MSD, MAE | NA |
| 912 | 2025-10-06 |
Deep learning ocular aberration retrieval from simulated retinal images under straylight
2025-Jul-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.559749
PMID:40677828
|
研究论文 | 提出一种基于深度学习的方法，从包含杂散光的模拟点扩散函数图像中准确提取人眼波前像差 | 首次使用深度学习技术分离点扩散函数中的像差和杂散光成分，实现单次3毫秒的快速推理 | 基于模拟数据开发，尚未在真实临床数据上验证 | 开发能够从含杂散光的点扩散函数图像中准确提取波前像差的方法 | 人眼点扩散函数和波前像差 | 计算机视觉 | 眼科疾病 | 波前传感技术 | 深度学习模型 | 模拟视网膜图像 | NA | NA | NA | 预测准确度 | NA |
| 913 | 2025-10-06 |
ROQUS: a retinal OCT quality and usability score
2025-Jul-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.564188
PMID:40677832
|
研究论文 | 开发了一种基于深度学习的视网膜OCT B扫描质量评估方法ROQUS，用于评估图像质量和临床可用性 | 采用排序策略生成无界质量评分，在识别采集问题方面优于传统指标，且与人类评估者的一致性相当 | NA | 开发客观的视网膜OCT图像质量评估方法以改善临床研究和日常实践 | 视网膜OCT B扫描图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描(OCT) | 深度学习 | 医学图像 | 内部数据集和公共数据集 | NA | NA | ROC-AUC | NA |
| 914 | 2025-10-06 |
[A multi-feature fusion-based model for fetal orientation classification from intrapartum ultrasound videos]
2025-Jul-20, Nan fang yi ke da xue xue bao = Journal of Southern Medical University
|
研究论文 | 本研究提出了一种基于多特征融合的智能分析模型，用于从产时超声视频中分类胎儿方位 | 结合Yolov8与多种注意力机制（CBAM、ECA、PSA）和AIFI特征交互模块进行多特征融合 | NA | 构建智能分析模型以分类产时超声视频中的胎儿方位 | 产时超声视频中的胎儿关键结构（眼睛、面部、头部、丘脑、脊柱） | 计算机视觉 | 产科疾病 | 超声成像 | CNN | 视频, 图像 | NA | NA | Yolov8, CBAM, ECA, PSA, AIFI | 准确率, PR曲线下面积, ROC曲线下面积, Kappa一致性检验 | NA |
| 915 | 2025-10-06 |
Computer vision techniques for high-speed atomic force microscopy of DNA molecules
2025-Jul-16, Nanotechnology
IF:2.9Q2
DOI:10.1088/1361-6528/ade888
PMID:40570888
|
研究论文 | 本研究探讨深度学习技术在高速原子力显微镜DNA分子图像分析中的应用 | 首次将全卷积网络和YOLOv8目标检测模型应用于HSAFM图像分析，实现DNA分子的自动识别和分类 | 研究仅针对三核苷酸重复扩展疾病和脆性X综合征样本，未验证在其他疾病类型的泛化能力 | 开发自动化的HSAFM图像分析方法以加速基于基因组学的疾病诊断 | DNA分子，特别是来自三核苷酸重复扩展疾病和脆性X综合征患者的样本 | 计算机视觉 | 遗传疾病 | 高速原子力显微镜(HSAFM) | FCN, YOLO | 图像 | 20000张包含DNA分子的图像，识别出248个标记分子，其中33个为真实目标 | NA | 全卷积网络, YOLOv8 | 准确率, AUC, 平均精度 | NA |
| 916 | 2025-10-06 |
An interpretable machine learning model for predicting bone marrow invasion in patients with lymphoma via 18F-FDG PET/CT: a multicenter study
2025-Jul-15, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03110-8
PMID:40665334
|
研究论文 | 开发并验证一种可解释的机器学习模型，通过整合临床数据、PET/CT参数、影像组学特征和深度学习特征来预测淋巴瘤患者的骨髓侵犯 | 首次开发结合临床数据、PET/CT参数、影像组学特征和深度学习特征的可解释机器学习模型用于预测淋巴瘤骨髓侵犯 | 样本量相对较小（159例患者），且为回顾性研究设计 | 开发非侵入性方法预测淋巴瘤患者的骨髓侵犯，减少对骨髓活检的依赖 | 159例新诊断的淋巴瘤患者 | 医学影像分析 | 淋巴瘤 | 18F-FDG PET/CT成像 | ExtraTrees分类器 | 临床数据、PET/CT图像、影像组学特征、深度学习特征 | 159例患者（118例来自中心I，41例来自中心II） | NA | NA | AUC, 准确率 | NA |
| 917 | 2025-10-06 |
A cryptosystem for face recognition based on optical interference and phase truncation theory
2025-Jul-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-06990-y
PMID:40659666
|
研究论文 | 提出一种基于光学干涉和相位截断理论的人脸图像加密系统，用于安全传输和存储 | 提出振幅-相位分离异步加密(APSAE)技术，通过异步分别加密振幅和相位分量来缓解固有漏洞 | NA | 解决人脸图像数据隐私泄露问题，推进安全生物识别系统发展 | 人脸图像数据 | 计算机视觉 | NA | 光学干涉，相位截断理论 | 深度学习 | 图像 | LFW数据集 | NA | NA | 准确率 | NA |
| 918 | 2025-10-06 |
Quantification of Optical Coherence Tomography Features in >3500 Patients with Inherited Retinal Disease Reveals Novel Genotype-Phenotype Associations
2025-Jul-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.07.03.25330767
PMID:40630585
|
研究论文 | 开发深度学习算法AIRDetect-OCT，用于大规模量化遗传性视网膜疾病患者的OCT特征，揭示基因型-表型关联 | 首次在超过3500名分子特征明确的IRD患者中应用深度学习算法进行大规模OCT特征量化分析，发现新的基因型-表型关联 | 回顾性研究设计，手动标注仅覆盖部分数据，模型对EZ-loss和RPE-loss的分割性能相对较低 | 量化遗传性视网膜疾病患者的SD-OCT图像特征，探索基因型与表型之间的关联 | 3,534名经临床和分子确诊的遗传性视网膜疾病患者 | 数字病理学 | 遗传性视网膜疾病 | 光谱域光学相干断层扫描 | 神经网络 | 医学图像 | 3,534名患者，7,405个SD-OCT体积，272,168个b扫描，涵盖176个独特基因 | NA | AIRDetect-OCT | Dice分数 | NA |
| 919 | 2025-10-06 |
Beyond static structures: protein dynamic conformations modeling in the post-AlphaFold era
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf340
PMID:40663654
|
综述 | 本文回顾了后AlphaFold时代蛋白质动态构象建模的基本概念、计算方法进展与核心挑战 | 系统阐述从静态结构预测向多状态动态构象建模的范式转变，提出后AlphaFold时代蛋白质动力学研究的新方向 | 存在数据局限性、方法学约束和评估指标不完善等挑战 | 促进人工智能驱动的结构生物学中蛋白质构象研究的持续发展 | 蛋白质动态构象与多状态转换 | 结构生物学 | NA | 深度学习 | NA | 蛋白质结构数据 | NA | NA | AlphaFold | NA | NA |
| 920 | 2025-10-06 |
Kinase-inhibitor binding affinity prediction with pretrained graph encoder and language model
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf338
PMID:40663653
|
研究论文 | 提出一种名为Kinhibit的新型框架，用于预测激酶与抑制剂之间的结合亲和力 | 整合自监督图对比学习与多视图分子图表示，结合结构信息蛋白质语言模型(ESM-S)进行特征提取，并采用特征融合方法优化抑制剂和激酶特征的融合 | NA | 开发更先进的激酶-抑制剂结合亲和力预测方法以解决现有挑战 | 激酶抑制剂结合亲和力 | 机器学习 | 癌症 | 图对比学习，蛋白质语言模型 | 图神经网络，语言模型 | 分子图数据，蛋白质序列数据 | 三个MAPK信号通路激酶(RAF、MEK、ERK)和MAPK-All数据集 | NA | ESM-S | 准确率 | NA |