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 967 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2026-02-08 |
SynAnno: Interactive Guided Proofreading of Synaptic Annotations
2025-Aug-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.09.669342
PMID:40832296
|
研究论文 | 本文介绍了SynAnno，一种用于大规模连接组学数据集中突触注释交互式校对的新工具 | 开发了集成了结构化工作流程、优化遍历路径、3D迷你地图以及微调机器学习模型的交互式校对工具，以提升校对效率和准确性 | NA | 旨在通过交互式工具改进连接组学中突触注释的校对过程 | 大规模连接组学数据集中的突触注释 | 数字病理学 | NA | 深度学习 | NA | 图像 | 涉及七位神经科学专家的用户和案例研究 | PyTorch | NA | 校对速度、认知负荷、注释错误率 | NA |
| 162 | 2026-01-30 |
Sparse Learning Enabled by Constraints on Connectivity and Function
2025-Aug-22, Physical review letters
IF:8.1Q1
DOI:10.1103/918k-x6np
PMID:40929306
|
研究论文 | 本文通过可解模型研究稀疏连接对网络性能的影响，并探索了实现稀疏性的优化方法 | 利用可解关联学习模型评估多种稀疏诱导约束，发现消除弱连接可达到与ℓ0范数约束相近的稀疏效率，并实现在线稀疏化方法 | 基于理论模型研究，未在真实生物神经网络或复杂深度学习任务中验证 | 探索在不损害网络性能的前提下实现稀疏连接的方法 | 人工神经网络与生物神经网络的稀疏连接特性 | 机器学习 | NA | 关联学习模型 | 人工神经网络 | 理论模型数据 | NA | NA | 可解关联学习模型 | 稀疏效率，网络性能 | NA |
| 163 | 2026-01-30 |
Automated Deep Learning Pipeline for Callosal Angle Quantification
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.18.25333901
PMID:40894175
|
研究论文 | 本文开发了一个全自动深度学习框架，用于从原始T1 MPRAGE和非MPRAGE MRI扫描中量化胼胝体角，以辅助正常压力脑积水的诊断 | 提出了一种结合BrainSignsNET模型进行关键解剖标志点检测和基于UNet的分割网络进行侧脑室分割的全自动框架，实现了胼胝体角的鲁棒量化，性能优于报告的人工观察者间变异性 | 外部验证仅使用了来自单一医院的216个临床MRI扫描，样本来源可能有限；未明确讨论模型在不同MRI扫描仪或协议下的泛化能力 | 开发一个全自动、可靠的深度学习框架，用于从MRI扫描中量化胼胝体角，以改善正常压力脑积水的诊断 | 正常压力脑积水患者的MRI扫描图像 | 数字病理学 | 正常压力脑积水 | T1 MPRAGE MRI, 非MPRAGE MRI | 深度学习 | 3D MRI图像 | 使用巴尔的摩纵向衰老研究和BIOCARD数据集进行训练和内部验证，外部验证使用约翰霍普金斯湾景医院的216个临床MRI扫描 | NA | BrainSignsNET, UNet with EfficientNetB0 encoder | 相关系数(r), p值, 平均绝对误差(MAE), 标准差(SD) | NA |
| 164 | 2026-01-30 |
StructVPR++: Distill Structural and Semantic Knowledge With Weighting Samples for Visual Place Recognition
2025-Aug, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3556859
PMID:40168193
|
研究论文 | 本文提出了一种名为StructVPR++的视觉地点识别框架，通过分割引导的蒸馏方法将结构和语义知识嵌入到RGB全局表示中，以在准确性和效率之间取得良好平衡 | 主要创新点在于从全局描述符中解耦标签特定特征，实现图像对之间的显式语义对齐，而无需在部署时进行分割；并引入了样本加权蒸馏策略，优先处理可靠训练对并抑制噪声对 | 未在摘要中明确说明 | 解决自动驾驶和机器人技术中的视觉地点识别挑战，旨在缩小全局检索与重排序之间的差距 | 视觉地点识别任务 | 计算机视觉 | NA | 分割引导的蒸馏方法 | 深度学习模型 | RGB图像 | 在四个基准数据集上进行实验 | NA | StructVPR++ | Recall@1 | NA |
| 165 | 2026-01-29 |
ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning
2025-Aug, Proceedings of machine learning research
PMID:41394314
|
研究论文 | 提出了一种基于原型推理的可解释深度学习模型ProtoECGNet，用于多标签心电图分类 | 结合了1D CNN与全局原型、2D CNN与时间局部原型、2D CNN与全局原型的多分支架构，并设计了适用于多标签学习的原型损失函数，包含聚类、分离、多样性和新颖的对比损失 | NA | 开发可解释的深度学习模型用于临床心电图分类 | 心电图信号 | 机器学习 | 心血管疾病 | 深度学习 | CNN | 时间序列数据 | PTB-XL数据集 | NA | 1D CNN, 2D CNN | NA | NA |
| 166 | 2026-01-27 |
Data Mining-Based Model for Computer-Aided Diagnosis of Autism and Gelotophobia: Mixed Methods Deep Learning Approach
2025-Aug-13, JMIR formative research
IF:2.0Q4
DOI:10.2196/72115
PMID:40802390
|
研究论文 | 本研究开发了一种基于深度学习的诊断系统，结合面部情绪识别和验证问卷，用于检测自闭症谱系障碍（ASD）患者或非ASD个体的恐笑症 | 创新点在于整合面部情绪识别（使用DeepFace库）与验证问卷（GELOPH<15>），通过混合方法提升恐笑症检测的准确性和可靠性，特别是在面部线索模糊时 | 局限性包括在面部表情模糊时，仅依赖DeepFace模型可能不足，需结合问卷以提高诊断一致性；样本主要来自Kaggle和ASD相关网站，可能缺乏多样性 | 研究目标是开发一个自动化诊断系统，用于早期检测恐笑症，以改善ASD患者的生活质量和干预效果 | 研究对象包括自闭症谱系障碍（ASD）患者和神经典型个体，特别是青少年高功能ASD患者 | 计算机视觉 | 自闭症谱系障碍 | 面部情绪识别，问卷调查 | 多层感知机 | 图像 | 2932张面部图像（1466张来自ASD个体，1466张来自神经典型个体） | PyTorch, scikit-learn, NumPy, Pandas, DeepFace | 多层感知机 | 准确率 | 使用CUDA加速的兼容GPU |
| 167 | 2026-01-27 |
BOLD-GPCRs: A Transformer-Powered App for Predicting Ligand Bioactivity and Mutational Effects Across Class A GPCRs
2025-Aug-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.04.668547
PMID:40799593
|
研究论文 | 本研究介绍了一个名为BOLD-GPCRs的深度学习框架，旨在提升A类GPCRs配体生物活性的预测能力 | 结合了迁移学习和基于Transformer的蛋白质语言模型，以捕获受体序列/功能与配体活性之间的复杂关系 | 主要针对A类GPCRs，可能不适用于其他GPCR类别；依赖于现有配体和序列数据集，对于数据稀缺的受体预测能力可能受限 | 开发一个深度学习框架，用于准确预测A类GPCRs的配体生物活性和突变效应 | A类G蛋白偶联受体及其配体 | 自然语言处理 | NA | 深度学习，迁移学习 | Transformer, 密集神经网络 | 序列数据 | NA | NA | BERT, Transformer | NA | NA |
| 168 | 2026-01-24 |
Spatio-temporal learning from molecular dynamics simulations for protein-ligand binding affinity prediction
2025-Aug-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf429
PMID:40828893
|
研究论文 | 本文开发了MDbind数据集和新型神经网络，利用分子动力学模拟增强蛋白质-配体结合亲和力预测 | 通过分子动力学模拟作为数据增强，结合时空学习神经网络，提升了模型在偏置测试集上的泛化能力 | 训练数据有限，模型对蛋白质-配体相互作用的有效学习仍面临挑战 | 预测蛋白质-配体结合亲和力，解决现有深度学习模型泛化能力不足的问题 | 蛋白质-配体复合物 | 机器学习 | NA | 分子动力学模拟 | 神经网络 | 分子动力学模拟轨迹 | 63000个蛋白质-配体相互作用的模拟 | NA | NA | NA | NA |
| 169 | 2026-01-12 |
Optimized deep learning for brain tumor detection: a hybrid approach with attention mechanisms and clinical explainability
2025-Aug-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04591-3
PMID:40858650
|
研究论文 | 本研究提出了一种结合VGG16、注意力机制和优化超参数的混合深度学习模型，用于从MRI图像中分类脑肿瘤，包括胶质瘤、脑膜瘤、垂体瘤和无肿瘤类别 | 整合了注意力机制和Grad-CAM可视化，实现了自动特征提取和临床可解释性，提升了分类准确性和透明度 | 未明确提及模型在外部验证数据集上的泛化能力或计算资源需求的具体限制 | 开发一种高性能且可解释的深度学习模型，用于脑肿瘤的自动检测和分类，以辅助临床诊断和治疗规划 | 脑肿瘤MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和无肿瘤的样本 | 计算机视觉 | 脑肿瘤 | 磁共振成像（MRI） | CNN | 图像 | 7023张MRI图像 | 未明确提及，但可能基于TensorFlow或PyTorch（基于常见深度学习实践） | VGG16 | 准确率、精确率、召回率 | 未明确提及 |
| 170 | 2026-01-11 |
A lightweight neural attention-based model for service chatbots
2025-Aug-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14215-5
PMID:40804277
|
研究论文 | 本文提出了一种轻量级神经注意力机制，用于提升服务聊天机器人的上下文相关性和可扩展性 | 在现有注意力得分计算中引入标量函数，针对seq2seq架构优化对齐序列，从而改善上下文相关性并降低资源需求 | 未与基于Transformer的架构结合，未来可扩展至更广泛的序列预测任务 | 开发一种轻量级神经注意力机制，以增强服务聊天机器人的响应准确性和上下文相关性 | 服务聊天机器人 | 自然语言处理 | NA | NA | seq2seq | 文本 | 真实世界的Customer Support Twitter数据集 | NA | seq2seq | BLEU-4, 训练时间, 验证损失 | NA |
| 171 | 2026-01-08 |
Estimating ascending aortic diameter from the electrocardiogram
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.19.25333786
PMID:40894145
|
研究论文 | 本研究开发了一种基于一维卷积神经网络的深度学习模型（ECGAI-TAA），用于从12导联心电图信号中估计升主动脉直径 | 首次将12导联心电图信号与MRI测量的升主动脉直径配对，利用深度学习模型从心电图信号中估计主动脉直径，并发现模型检测到的电生理变化可能与侧上轴偏移有关 | 研究结果仅代表生理学观察，尚未经过外部验证的风险评分验证 | 探索从心电图信号中无创估计升主动脉直径的可能性 | 英国生物银行（UK Biobank）的69,173名参与者 | 机器学习 | 心血管疾病 | MRI测量，心电图信号分析 | CNN，变分自编码器 | 心电图信号（12导联，10秒，500Hz），MRI图像 | 69,173名参与者（训练集），5,191名参与者（内部测试集） | NA | 一维卷积神经网络，变分自编码器 | 方差解释率（31%），比值比（16倍） | NA |
| 172 | 2026-01-05 |
StarVasc: hyper-dimensional and spectral feature expansion for lightweight vascular enhancement
2025-Aug-10, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-025-02644-3
PMID:40783657
|
研究论文 | 本文提出了一种名为StarVasc的轻量级无监督血管对比度增强框架，专为机器人手术视觉系统设计 | StarVasc采用基于紧凑生成对抗网络的非配对学习策略，引入星形操作模块实现超维特征扩展，并设计了光谱特征增强模块（SFEM）以隐式学习光谱线索，无需高光谱输入 | 未在摘要中明确说明 | 开发一种无需专用硬件的自适应血管对比度增强方法，以提高机器人手术成像中的视觉感知和手术安全性 | 机器人手术成像中的血管结构 | 计算机视觉 | NA | 非配对学习策略，光谱特征增强 | GAN | 图像 | NA | NA | 编码器-解码器架构 | 无参考质量指标，视觉评估 | NA |
| 173 | 2026-01-05 |
Artificial intelligence and digital health in vascular surgery: a 2-decade bibliometric analysis of research landscapes and evolving frontiers
2025-Aug-06, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-025-02583-z
PMID:40767924
|
研究论文 | 本文通过文献计量分析，回顾了过去20年人工智能和数字健康在血管外科领域的应用演变，识别了研究热点和新兴前沿 | 首次使用CiteSpace和HistCite工具对血管外科中AI和数字健康研究进行全面的结构性和时间性演化分析，揭示了七个新兴研究子领域和范式转变 | 研究基于WoSCC数据库，可能未涵盖所有相关文献；文献计量分析方法主要反映趋势而非深度内容评估 | 分析人工智能和数字健康在血管外科应用的结构与时间演化，识别历史发展轨迹、研究焦点和新兴前沿 | 血管外科领域的人工智能和数字健康应用相关出版物 | 数字病理学 | 心血管疾病 | 文献计量分析 | NA | 文本 | 675篇爆发性引用论文，涉及123个相关学科和505个关键词 | NA | NA | NA | NA |
| 174 | 2026-01-01 |
Fusing Tool Segmentation Predictions from Pose-Informed Morphological Polar Transform of Endoscopic Images
2025-Aug, IEEE International Conference on Automation Science and Engineering (CASE) : [proceedings]. IEEE Conference on Automation Science and Engineering
DOI:10.1109/case58245.2025.11164078
PMID:41458100
|
研究论文 | 本文提出并评估了融合语义图像分割预测的方法，重点介绍了一种结合空间频率和边缘特征的新型混合方法 | 提出了一种基于低层特征融合灰度分割预测的混合方法，包括梯度估计、拉普拉斯金字塔和改进的空间频率方法，并探索了通过无监督聚类和ResNet-18模型进行可解释性分析 | 未提及具体的数据集规模限制或计算资源需求，可能缺乏大规模验证 | 通过融合两种基于形态学极坐标变换的分割预测，生成更优的手术工具分割结果，以支持机器人辅助微创手术中的视觉力估计 | 鼻窦手术中的内窥镜图像，特别是手术工具的分割 | 计算机视觉 | NA | 形态学极坐标变换，深度学习分割 | CNN | 图像 | NA | NA | U-Net, ResNet-18 | NA | NA |
| 175 | 2025-12-28 |
Evaluating the Performance and Potential Bias of Predictive Models for Detection of Transthyretin Cardiac Amyloidosis
2025-Aug, JACC. Advances
DOI:10.1016/j.jacadv.2025.101901
PMID:40616933
|
研究论文 | 本研究比较了四种算法在心力衰竭人群中检测转甲状腺素蛋白心脏淀粉样变性的性能，并评估了模型偏见的潜在危害风险 | 首次直接比较了基于索赔的随机森林模型、回归评分和两种深度学习超声心动图模型在检测ATTR-CM中的性能，并应用了标准公平性指标进行偏见评估 | 研究样本中79.2%为白人，9.0%为黑人，种族多样性有限，可能影响结果的普遍性 | 比较不同算法在检测转甲状腺素蛋白心脏淀粉样变性中的性能，并评估模型偏见风险 | 心力衰竭患者，包括176例确诊的ATTR-CM病例和3,192例对照患者 | 机器学习 | 心血管疾病 | 深度学习，超声心动图分析 | 随机森林，回归模型，深度学习模型 | 医疗索赔数据，超声心动图图像 | 176例ATTR-CM病例和3,192例对照患者，总计3,368例样本 | NA | EchoNet-LVH, EchoGo Amyloidosis | AUC | NA |
| 176 | 2025-12-28 |
Fully Automated Diagnosis of Acute Myocardial Infarction Using Electrocardiograms and Multimodal Deep Learning
2025-Aug, JACC. Advances
DOI:10.1016/j.jacadv.2025.102011
PMID:40675022
|
研究论文 | 本研究开发并验证了一种基于心电图、人口统计学和症状的多模态深度学习模型，用于急性心肌梗死的全自动诊断 | 结合心电图特征、年龄、性别和症状数据，利用残差卷积神经网络进行多模态融合，实现急性心肌梗死的自动化检测，并在大规模真实世界数据中进行了内部和外部验证 | 研究为回顾性队列设计，缺乏与急诊医生诊断性能的前瞻性随机对照试验比较 | 开发并验证一种深度学习模型，用于快速检测急性心肌梗死，以降低发病率和死亡率 | 因胸痛或呼吸困难接受院前或院内心电图检查的患者 | 机器学习 | 心血管疾病 | 心电图 | CNN | 心电图信号, 人口统计学数据, 症状文本 | 104,507名个体（共208,366份心电图） | NA | 残差卷积神经网络 | 受试者工作特征曲线下面积, 敏感性, 特异性 | NA |
| 177 | 2025-12-28 |
Artificial Intelligence Empowers Novice Users to Acquire Diagnostic-Quality Echocardiography
2025-Aug, JACC. Advances
DOI:10.1016/j.jacadv.2025.102005
PMID:40700992
|
研究论文 | 本研究评估了基于人工智能的软件如何帮助无超声经验的护士获取诊断质量的心脏超声图像 | 首次证明AI引导系统能使新手在短时间内获取与专家相当的诊断质量心脏超声图像 | 研究仅在两个医疗中心进行，样本量相对有限，且未随机分配 | 评估AI软件是否能让无经验的新手获取诊断质量的心脏超声图像 | 成年患者（计划进行临床指示超声心动图检查） | 医学影像分析 | 心血管疾病 | 心脏超声（超声心动图） | 深度学习算法 | 超声图像 | 240名患者（平均年龄62.6岁，117名女性，平均BMI 26.6 kg/m²） | NA | NA | 图像质量评估（视觉分析左心室大小和功能、右心室大小、心包积液存在性），参数相关性 | NA |
| 178 | 2025-12-27 |
Multimodal deep learning model for prognostic prediction in cervical cancer receiving definitive radiotherapy: a multi-center study
2025-Aug-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01903-9
PMID:40760164
|
研究论文 | 本研究开发并验证了名为CerviPro的多模态深度学习模型，用于预测接受根治性放疗的局部晚期宫颈癌患者的无病生存期 | 通过融合治疗前后CT影像、手工放射组学特征和临床变量，构建了首个针对局部晚期宫颈癌的多模态预后预测模型，并证明了多模态特征融合优于单一数据源模型 | 研究样本量相对有限（1018例），且外部验证队列的C-index（0.70和0.66）低于内部验证队列（0.81），表明模型泛化能力有待进一步提升 | 开发精准的生存预测模型以指导局部晚期宫颈癌的个性化治疗 | 接受根治性放疗的局部晚期宫颈癌患者 | 数字病理学 | 宫颈癌 | CT成像 | 深度学习模型 | CT影像、放射组学特征、临床变量 | 1018例局部晚期宫颈癌患者 | NA | CerviPro | C-index | NA |
| 179 | 2025-12-26 |
[Prospects and technical challenges of non-invasive brain-computer interfaces in manned space missions]
2025-Aug-28, Zhong nan da xue xue bao. Yi xue ban = Journal of Central South University. Medical sciences
|
综述 | 本文探讨了非侵入式脑机接口在载人航天任务中的应用前景与技术挑战 | 系统性地提出了非侵入式脑机接口在航天员选拔、在轨任务执行及任务后康复全周期的应用范式，并展望了与深度学习、虚拟现实及机器人技术的融合方向 | 未提供具体的实验数据或案例研究，主要基于理论分析与前景展望 | 分析非侵入式脑机接口技术在载人航天任务中的潜在应用价值与面临的技术瓶颈 | 航天员在长期太空任务中的生理、心理及认知功能 | 脑机接口 | NA | 非侵入式脑机接口，神经信号采集与解读，神经调控 | NA | 多模态生理信号（神经信号等） | NA | NA | NA | NA | NA |
| 180 | 2025-12-20 |
Retinal image-based disease classification using hybrid deep architecture with improved image features
2025-Aug-05, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03660-w
PMID:40762730
|
研究论文 | 本文提出了一种基于视网膜图像的疾病分类混合深度学习架构，通过改进图像特征提高分类准确性 | 提出了一种结合改进的LinkNet（ILinkNet）和SqueezeNet的混合深度学习模型（ILink-SqNet），并整合了改进的多纹理特征与统计特征，以提升视网膜疾病的分类性能 | 未明确提及样本量、计算资源细节或模型在更广泛数据集上的泛化能力 | 开发一种准确、高效的视网膜疾病自动分类方法，以辅助眼科诊断 | 视网膜眼底图像 | 计算机视觉 | 视网膜疾病 | NA | 深度学习 | 图像 | NA | NA | ResNet, VGG16, ILinkNet, SqueezeNet | 精确度 | NA |