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 1464 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2025-11-12 |
Dual deep learning network enables data-efficient two-color single-molecule localization microscopy with colorimetry camera
2025-Sep-22, Optics express
IF:3.2Q2
DOI:10.1364/OE.574460
PMID:41215365
|
研究论文 | 开发了一种结合双深度学习网络的CC-DeepSTORM框架，用于提升双色单分子定位显微镜的数据效率 | 提出CC-DeepLoc定位网络和CC-DeepSeparator颜色分离网络的双深度学习框架，显著提升定位精度并大幅降低数据拒绝率 | 研究主要基于模拟和单色实验数据验证，双色实验的全面性能评估有待进一步扩展 | 解决多色单分子定位显微镜技术复杂性和数据效率低下的问题 | 单分子定位显微镜图像数据 | 计算显微镜 | NA | 单分子定位显微镜(SMLM) | 深度学习网络 | 显微镜图像 | NA | 深度学习框架 | CC-DeepLoc, CC-DeepSeparator | Jaccard指数, 定位精度, 串扰率, 数据拒绝率 | NA |
| 182 | 2025-11-12 |
Research on an atmospheric turbulent channel equalization algorithm using the spatiotemporal feature fusion method
2025-Sep-22, Optics express
IF:3.2Q2
DOI:10.1364/OE.573173
PMID:41215432
|
研究论文 | 提出一种基于时空特征融合的深度学习信道均衡算法，用于消除大气湍流信道对无线光通信系统的影响 | 首次将时空特征融合方法应用于大气湍流信道均衡，突破了传统信道均衡的性能瓶颈 | NA | 解决大气湍流引起的信号衰落问题，提高无线光通信系统的传输可靠性 | 大气湍流信道模型和传输信号 | 机器学习 | NA | 深度学习 | CNN | 光强度测量数据 | NA | NA | 时空特征融合网络 | 误码率 | NA |
| 183 | 2025-11-12 |
Risk stratification of chest pain in the emergency department using artificial intelligence applied to electrocardiograms
2025-Sep-01, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003343
PMID:40889954
|
研究论文 | 开发了一种基于人工智能的心电图风险分层模型（CP-AI），用于急诊胸痛患者的7天主要心血管事件预测 | 首次将深度学习模型应用于心电图数据，结合临床特征构建全自动风险分层系统，显著优于传统生物标志物模型 | 回顾性研究设计，需要在更多样化人群中验证模型泛化能力 | 改善急诊胸痛患者的风险分层，减少主观评估带来的不一致性 | 急诊胸痛患者 | 医疗人工智能 | 心血管疾病 | 深度学习，心电图分析 | 神经网络分类器 | 心电图，临床数据 | 训练集15,048名患者，外部验证集14,476名患者 | NA | 患者对比学习表示模型 | AUROC, AUPRC | NA |
| 184 | 2025-10-05 |
Correction: Javeed et al. A Hybrid Deep Learning-Driven SDN Enabled Mechanism for Secure Communication in Internet of Things (IoT). Sensors 2021, 21, 4884
2025-Sep-15, Sensors (Basel, Switzerland)
DOI:10.3390/s25185739
PMID:41013172
|
correction | 对先前发表的关于物联网安全通信的混合深度学习驱动SDN机制论文进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 185 | 2025-11-08 |
A deep learning model for epidermal growth factor receptor prediction using ensemble residual convolutional neural network
2025-Sep-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18518-5
PMID:41023039
|
研究论文 | 提出一种基于集成残差卷积神经网络的深度学习模型ERCNN-EGFR，用于从氨基酸序列准确预测表皮生长因子受体 | 首次将集成残差卷积神经网络应用于EGFR预测，结合多种蛋白质特征提取方法和特征选择策略 | 模型在独立测试集上的准确率（82.85%）较训练集有所下降，可能存在泛化能力限制 | 开发准确识别表皮生长因子受体的计算方法 | 表皮生长因子受体蛋白质 | 生物信息学 | 乳腺癌 | 蛋白质序列分析 | BiLSTM, GRU, GAN, CNN | 蛋白质氨基酸序列 | NA | NA | Ensemble Residual Convolutional Neural Network | 准确率, 灵敏度, 特异性, 马修斯相关系数 | NA |
| 186 | 2025-11-08 |
A novel hybrid deep learning model for segmentation and uzzy Res-LeNet based classification for Alzheimer's disease
2025-Sep-24, Neurogenetics
IF:1.6Q3
DOI:10.1007/s10048-025-00837-4
PMID:40991056
|
研究论文 | 提出一种用于阿尔茨海默病分割和分类的混合深度学习方法 | 提出O-SegUNet分割方法和融合模糊逻辑、ResNeXt和LeNet的Fuzzy Res-LeNet分类模型 | NA | 阿尔茨海默病的早期检测和分类 | 阿尔茨海默病患者的大脑MRI图像 | 医学影像分析 | 阿尔茨海默病 | 磁共振成像 | 混合深度学习模型 | 医学图像 | NA | NA | O-SegUNet, Fuzzy Res-LeNet, SegNet, U-Net, ResNeXt, LeNet | 准确率, 敏感度, 特异性 | NA |
| 187 | 2025-11-08 |
Synergy of advanced machine learning and deep neural networks with consensus molecular docking for virtual screening of anaplastic lymphoma kinase inhibitors
2025-Sep-15, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00657-6
PMID:40952529
|
研究论文 | 本研究开发了一种结合机器学习和分子对接的AI模型，用于虚拟筛选间变性淋巴瘤激酶抑制剂 | 结合了基于配体和基于结构的双重方法，使用集成投票模型和共识对接策略，在大型化合物库中筛选出三个有前景的ALK抑制剂 | 需要进一步的体外实验验证模型筛选性能，图神经网络表现不如传统机器学习模型 | 开发AI模型预测ALK抑制剂用于非小细胞肺癌治疗 | 间变性淋巴瘤激酶抑制剂化合物 | 机器学习 | 肺癌 | 分子对接，虚拟筛选 | XGBoost, ANN, GNN, 集成学习 | 化合物结构数据 | 120,571个化合物 | XGBoost, TensorFlow/PyTorch | 人工神经网络, 图神经网络, 集成投票模型 | F1分数, 平均精度, 交叉验证 | GPU加速分子对接程序 |
| 188 | 2025-11-07 |
SeaMoon: From protein language models to continuous structural heterogeneity
2025-Sep-04, Structure (London, England : 1993)
DOI:10.1016/j.str.2025.06.010
PMID:40683255
|
研究论文 | 本研究开发了SeaMoon方法，直接从蛋白质序列预测连续结构异质性，无需依赖3D结构信息 | 首次探索直接从蛋白质序列预测连续结构运动，无需利用3D结构；结合蛋白质语言模型与轻量级卷积神经网络；能够捕捉传统方法无法识别的运动模式 | 仅对40%的测试蛋白质能够以合理精度预测至少一个真实运动 | 开发直接从蛋白质序列预测连续结构异质性的深度学习方法 | 蛋白质结构运动和构象变化 | 计算生物学, 机器学习 | NA | 蛋白质语言模型, 深度学习 | CNN | 蛋白质序列, 蛋白质语言模型嵌入 | 约1,000组实验构象集合 | NA | 轻量级卷积神经网络 | 预测精度 | NA |
| 189 | 2025-11-06 |
Leveraging deep learning to combat cyberbullying on social media
2025 Sep-Dec, Industrial psychiatry journal
DOI:10.4103/ipj.ipj_47_25
PMID:41180047
|
短篇通讯 | 探讨深度学习技术在社交媒体网络欺凌检测中的应用潜力 | 结合基于Transformer和循环神经网络的模型，并整合表情符号和情感分析等多模态数据提升检测精度 | 数据标注困难、网络俚语理解、语境依赖解释问题以及用户匿名性带来的识别挑战 | 开发更准确、全面且符合伦理的网络欺凌检测方法 | 社交媒体中的网络欺凌内容（文本、图像）和用户行为 | 自然语言处理 | NA | 情感分析，多模态数据分析 | Transformer, RNN | 文本，图像，多模态数据 | NA | NA | Transformer, 循环神经网络 | 检测准确率 | NA |
| 190 | 2025-11-05 |
Iterative improvement of deep learning models using synthetic regulatory genomics
2025-Sep-23, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.04.636130
PMID:39974895
|
研究论文 | 本研究使用深度学习模型Enformer预测合成调控基因组学数据中的DNA可及性和RNA转录，并通过微调提升模型性能 | 首次将合成调控基因组学数据用于深度学习模型的迭代改进，显著提升了模型对基因组变异的预测泛化能力 | 模型对DHS顺序或方向重排的序列预测能力较差，训练数据主要基于参考基因组相似序列 | 评估和改进深度学习模型对基因组变异序列的表观遗传特征预测能力 | DNase I超敏感位点的删除、倒位和重排等工程化序列 | 计算生物学 | NA | 合成调控基因组学，表观遗传学分析 | 深度学习 | 基因组序列，表观遗传数据 | 数十个DHS工程化序列 | NA | Enformer | 预测误差，相关性 | NA |
| 191 | 2025-11-05 |
Correction: A Systematic Review: Do the Use of Machine Learning, Deep Learning, and Artificial Intelligence Improve Patient Outcomes in Acute Myocardial Ischemia Compared to Clinician-Only Approaches?
2025-Sep, Cureus
DOI:10.7759/cureus.c307
PMID:41185712
|
correction | 本文是对先前发表的一篇系统综述文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 192 | 2025-11-02 |
Application of Explainable Artificial Intelligence Based on Visual Explanation in Digestive Endoscopy
2025-Sep-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101058
PMID:41155057
|
综述 | 系统回顾基于视觉解释的可解释人工智能在消化内镜图像分析中的研究进展与应用 | 首次系统梳理消化内镜领域视觉解释型XAI方法的应用现状，重点关注模型决策透明化 | 仅纳入34篇文献，样本量有限；未涉及非视觉解释方法 | 构建可信赖的AI辅助消化内镜诊疗系统 | 消化内镜图像（食管胃十二指肠镜、结肠镜、超声内镜、无线胶囊内镜） | 计算机视觉 | 胃肠道疾病 | 消化内镜成像 | 深度学习 | 医学图像 | 34篇研究文献 | NA | NA | NA | NA |
| 193 | 2025-11-02 |
Comparative Analysis of Foundational, Advanced, and Traditional Deep Learning Models for Hyperpolarized Gas MRI Lung Segmentation: Robust Performance in Data-Constrained Scenarios
2025-Sep-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101062
PMID:41155061
|
研究论文 | 比较基础模型、先进大核架构和传统深度学习方法在超极化气体MRI肺部分割任务中不同数据量下的性能表现 | 首次系统比较基础模型、先进大核架构和传统深度学习在数据受限场景下的医学图像分割性能，发现基础模型和先进架构在极端数据稀缺情况下仍能保持稳定性能 | 研究仅针对超极化气体MRI肺部分割任务，样本量相对有限（205名参与者），需要进一步验证在其他医学影像任务中的泛化能力 | 评估不同深度学习模型在数据受限情况下对超极化气体MRI肺部分割的性能表现 | 慢性阻塞性肺疾病（COPD）患者的超极化气体MRI肺部图像 | 医学影像分析 | 慢性阻塞性肺疾病 | 超极化气体MRI（氦-3和氙-129） | 基础模型,先进大核架构,传统深度学习模型 | 2D MRI图像 | 205名参与者的1640张2D MRI切片 | NA | Segment Anything Model, MedSAM, UniRepLKNet, TransXNet, UNet with VGG19, Feature Pyramid Network with MIT-B5, DeepLabV3 with ResNet152 | DSC（Dice相似系数） | NA |
| 194 | 2025-11-02 |
Wearable Flexible Wireless Pressure Sensor Based on Poly(vinyl alcohol)/Carbon Nanotube/MXene Composite for Health Monitoring
2025-Sep-30, Micromachines
IF:3.0Q2
DOI:10.3390/mi16101132
PMID:41156378
|
研究论文 | 开发了一种基于PVA/碳纳米管/MXene复合材料的可穿戴柔性无线压力传感器，用于健康监测 | 采用PVA/单壁碳纳米管/MXene复合材料作为敏感材料，结合随机分布的皱纹结构，实现高精度压力监测 | NA | 开发高精度无线柔性传感器用于人体健康监测和人机界面应用 | 声带运动、弯曲手指和人体脉搏 | NA | NA | 压力传感技术 | 深度学习模型 | 压力数据 | NA | NA | NA | 准确率 | 无需额外计算设备 |
| 195 | 2025-11-02 |
Voice-Based Early Diagnosis of Parkinson's Disease Using Spectrogram Features and AI Models
2025-Sep-29, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101052
PMID:41155050
|
研究论文 | 本研究开发了一种基于语音信号和人工智能模型的帕金森病早期诊断系统 | 结合多种声学特征提取方法和深度学习架构，特别是双向LSTM模型在帕金森病语音分类中表现出优越性能 | 使用了相对较小的公开数据集（81个样本），且补充数据集（15个样本）未参与实验 | 开发基于语音分析的帕金森病自动诊断系统 | 帕金森病患者和非帕金森病个体的语音信号 | 机器学习 | 帕金森病 | 语音信号分析，MFCC，频谱图分析 | SVM, XGBoost, 逻辑回归, DNN, CNN, LSTM, GRU, BiLSTM | 语音信号 | 主要数据集81个样本（帕金森病患者和非患者语音录音） | NA | 深度神经网络，卷积神经网络，长短期记忆网络，门控循环单元，双向长短期记忆网络 | 准确率，AUC | NA |
| 196 | 2025-11-02 |
Predicting Short-Term Outcome of COVID-19 Pneumonia Using Deep Learning-Based Automatic Detection Algorithm Analysis of Serial Chest Radiographs
2025-Sep-29, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101054
PMID:41155053
|
研究论文 | 本研究使用基于深度学习的自动检测算法分析系列胸部X光片，预测COVID-19肺炎患者的短期临床结局 | 首次将商业深度学习自动检测算法与梯度加权类激活映射技术结合，通过量化系列影像中实变区域的变化率来预测COVID-19患者临床结局 | 研究样本量有限（391例患者），仅来自单一治疗中心，需要外部验证 | 评估基于深度学习的自动检测算法参数在预测COVID-19肺炎患者短期临床结局中的价值 | COVID-19肺炎患者 | 计算机视觉 | COVID-19肺炎 | 胸部X光摄影 | 深度学习 | 医学影像 | 391例COVID-19患者 | NA | 商业深度学习自动检测算法 | C-index, AUROC, 集成校准指数 | NA |
| 197 | 2025-11-02 |
AI-Enhanced Deep Learning Framework for Pulmonary Embolism Detection in CT Angiography
2025-Sep-29, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101055
PMID:41155054
|
研究论文 | 提出一种用于CT肺动脉造影中肺栓塞检测的AI增强深度学习框架 | 引入了共识交集优化融合(CIOF)方法，通过K-of-M像素级掩码融合和训练患者投票阈值优化来最大化IoU | 运行时间较高(约63.7秒每病例)，因为需要执行和融合所有十个模型 | 提高CT肺动脉造影中肺栓塞检测的准确性和鲁棒性 | 肺栓塞患者 | 计算机视觉 | 肺栓塞 | CT肺动脉造影(CTPA) | 全卷积网络(FCN) | 医学影像 | 35名患者，12,034个切片 | NA | Inception-ResNetV2, 全卷积网络 | IoU, Dice系数, 假阴性率(FNR), 假阳性率(FPR), 延迟时间 | NA |
| 198 | 2025-11-02 |
Ultrawidefield-to-Conventional Fundus Image Translation with Scaled Feature Registration and Distorted Vessel Correction
2025-Sep-28, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101046
PMID:41155045
|
研究论文 | 提出一种改进的超广角眼底图像到常规眼底图像的转换方法，通过尺度特征配准和扭曲血管校正技术提升图像质量 | 采用尺度特征配准和扭曲血管校正方法，有效解决未配对学习中常见的畸变现象，显著提升图像转换质量 | 需要从同一患者同一天采集的配对UFI-CFI数据，数据收集存在限制 | 改进眼底图像模态转换方法，提升眼科深度学习模型的诊断支持能力 | 超广角眼底图像(UFI)和常规眼底图像(CFI) | 计算机视觉 | 眼科疾病 | 眼底成像 | 生成模型 | 图像 | NA | NA | NA | MSE, PSNR, SSIM | NA |
| 199 | 2025-11-02 |
Integrating Spatial Omics and Deep Learning: Toward Predictive Models of Cardiomyocyte Differentiation Efficiency
2025-Sep-27, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101037
PMID:41155036
|
系统综述 | 通过整合空间多组学技术与深度学习，探索心肌细胞分化效率的预测模型 | 首次系统整合GNN和RNN等深度学习架构与空间多组学数据，推进心脏再生医学的AI应用 | 基于文献综述，缺乏原始实验验证 | 建立AI驱动的心脏再生医学预测模型，加速再生治疗的临床转化 | 心肌细胞分化过程及心脏组织 | 机器学习 | 心血管疾病 | 空间转录组学、表观基因组学、单细胞多组学 | GNN, RNN | 空间多组学数据、单细胞数据 | 88项PRISMA筛选研究（2015-2025年） | NA | 图神经网络，循环神经网络 | NA | NA |
| 200 | 2025-11-02 |
Artificial Intelligence-Based Methods and Omics for Mental Illness Diagnosis: A Review
2025-Sep-27, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101039
PMID:41155039
|
综述 | 本文综述了基于人工智能和多组学技术在精神疾病诊断中的应用现状与发展前景 | 整合人工智能方法与多组学数据，为精神疾病提供个性化精准诊断新范式 | 精神疾病的异质性和复杂性仍是当前诊断方法的主要挑战 | 探索精神疾病的生物标志物并推进个性化精准诊断 | 焦虑障碍、抑郁症和双相情感障碍等主要精神疾病 | 机器学习 | 精神疾病 | 多组学数据整合分析 | 机器学习,深度学习,计算建模 | 临床数据,生物分析数据 | NA | NA | NA | NA | NA |