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 1660 篇文献，本页显示第 1041 - 1060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1041 | 2025-09-13 |
Infant Electrocardiogram-Based Deep Learning Predicts Critical Congenital Heart Disease
2025-Sep-06, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.08.005
PMID:40938228
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1042 | 2025-10-06 |
A Comprehensive Review on the Application of Artificial Intelligence for Predicting Postsurgical Recurrence Risk in Early-Stage Non-Small Cell Lung Cancer Using Computed Tomography, Positron Emission Tomography, and Clinical Data
2025-Sep, Journal of medical radiation sciences
IF:1.8Q3
DOI:10.1002/jmrs.860
PMID:39844750
|
综述 | 本文系统回顾了基于CT、PET和临床数据的人工智能技术在预测早期非小细胞肺癌术后复发风险中的应用 | 首次全面评估了结合放射组学、机器学习和深度学习的多模态方法在早期NSCLC复发预测中的综合应用潜力 | 纳入研究存在样本量小、缺乏外部验证、可解释性不足和多模态影像技术融合不充分等问题 | 评估人工智能技术在预测早期非小细胞肺癌术后复发风险中的应用效果和发展前景 | 早期非小细胞肺癌患者 | 数字病理 | 肺癌 | CT, PET, PET/CT | 机器学习, 深度学习 | 影像数据, 临床数据 | 16项符合纳入标准的研究 | NA | NA | NA | NA |
| 1043 | 2025-10-06 |
Artificial intelligence in metalloprotein binding site prediction: A systematic review bridging bioinformatics and biotechnology
2025-Sep, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2025.146666
PMID:40885350
|
系统综述 | 本文系统综述了人工智能在金属蛋白结合位点预测中的应用，连接生物信息学与生物技术领域 | 提出了基于数据集特征、研究目标和性能权衡的结构化决策框架来指导模型选择 | 数据不平衡、金属离子代表性不足和结构异质性限制了模型的泛化能力 | 系统评估人工智能在金属蛋白结合位点预测中的方法与应用 | 金属蛋白及其金属结合位点 | 生物信息学 | NA | 机器学习,深度学习 | Random Forest,CNN | 序列数据,结构数据 | NA | NA | 卷积神经网络 | 准确率 | NA |
| 1044 | 2025-10-06 |
Analyzing Depression in College Students Using NLP and Transformer Models: Implications for Career and Educational Counseling
2025-Sep, Brain and behavior
IF:2.6Q3
DOI:10.1002/brb3.70828
PMID:40922618
|
研究论文 | 本研究开发了一种结合RoBERTa Transformer和GRU层的自然语言处理框架，用于通过社交媒体内容检测大学生抑郁症状 | 提出结合RoBERTa Transformer与GRU层的混合架构，并整合多模态嵌入（行为、时间和上下文元数据）来增强情感分析能力 | 研究依赖于社交媒体数据，可能无法完全代表所有学生群体，且模型性能可能受平台特定语言特征影响 | 开发自动化系统检测大学生抑郁症状，为学业和职业咨询提供支持 | 大学生的社交媒体帖子 | 自然语言处理 | 抑郁症 | 自然语言处理 | Transformer, GRU | 文本数据（社交媒体帖子） | 来自Twitter和Reddit的真实世界数据集 | PyTorch, TensorFlow | RoBERTa, GRU | 准确率 | NA |
| 1045 | 2025-10-06 |
Automated Coffee Roast Level Classification Using Machine Learning and Deep Learning Models
2025-Sep, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70532
PMID:40923385
|
研究论文 | 本研究评估多种机器学习和深度学习模型用于咖啡烘焙程度自动分类 | 使用Xception作为特征提取器的CNN模型，并结合多种传统ML模型进行咖啡烘焙程度分类，实现完全自动化解决方案 | NA | 开发可靠、可扩展的咖啡烘焙程度自动分类方法 | 咖啡豆烘焙程度 | 计算机视觉 | NA | 图像分析 | CNN, AdaBoost, random forest, SVM | 图像 | 1,600张高质量图像，均衡分布在绿色、浅度、中度和深度四个烘焙等级 | NA | Xception | 准确率, F1分数 | NA |
| 1046 | 2025-10-06 |
High-resolution imaging system for integration into intelligent noncontact total body scanner
2025-Sep, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.9.096001
PMID:40927515
|
研究论文 | 开发了一种用于全身扫描仪的高分辨率光学皮肤成像模块和软件，通过焦点堆栈方法生成超聚焦皮肤镜图像 | 采用电调谐液体透镜快速捕获不同焦点图像序列，结合焦点堆栈和深度学习超分辨率技术提升图像质量 | 与接触式皮肤镜标准相比，个别病变分辨率存在差异；超分辨率技术可能影响原始数据真实性 | 开发用于早期黑色素瘤检测的高分辨率非接触式皮肤成像系统 | 皮肤病变和皮肤地形 | 计算机视觉 | 黑色素瘤 | 焦点堆栈成像、深度学习超分辨率 | 分类模型 | 图像 | NA | NA | NA | 分辨率(28μm)、采集速度(50帧/秒) | NA |
| 1047 | 2025-09-12 |
Application of Convolutional Neural Network Image Analysis and Machine Learning to Basic Blood Tests for Intelligent Diagnostic Assistance
2025-Sep-11, International journal of laboratory hematology
IF:2.2Q3
DOI:10.1111/ijlh.14550
PMID:40932175
|
研究论文 | 开发基于卷积神经网络和机器学习的血液细胞图像识别与诊断辅助系统，用于智能血液疾病诊断 | 结合外周血细胞形态图像识别与全血细胞计数数据，构建诊断辅助深度学习系统，实现高精度细胞分类和疾病区分 | 研究仅基于特定血液分析仪（Sysmex XN-9000）数据，未涉及其他设备或多中心验证 | 评估血液细胞图像识别深度学习系统及诊断辅助系统在常规检查中的临床性能 | 健康受试者及ALL、AML、ML、MPN、MDS患者的血液样本 | 计算机视觉 | 血液疾病 | 深度学习图像分析、血液细胞形态学识别 | CNN | 图像、数值数据 | 1,476,727张血液细胞图像用于训练，128,716张图像（来自589份涂片）用于评估 | NA | NA | NA | NA |
| 1048 | 2025-09-12 |
Artificial intelligence in gastric cancer: a systematic review of machine learning and deep learning applications
2025-Sep-11, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05181-7
PMID:40932499
|
系统综述 | 本文系统评估了机器学习和深度学习在胃癌管理中的应用、性能及局限性 | 全面总结了AI在胃癌早期检测、诊断、治疗规划和预后预测中的跨模态应用性能 | 存在算法偏差、数据集多样性不足、可解释性差及临床整合障碍 | 评估ML和DL模型在胃癌管理中的表现与应用 | 胃癌患者的临床影像和多模态数据 | 数字病理 | 胃癌 | 机器学习、深度学习 | CNN | 内镜图像、CT影像、病理图像、多模态数据 | 59项符合纳入标准的研究 | NA | NA | NA | NA |
| 1049 | 2025-09-12 |
Application of Deep Learning for Predicting Hematoma Expansion in Intracerebral Hemorrhage Using Computed Tomography Scans: A Systematic Review and Meta-Analysis of Diagnostic Accuracy
2025-Sep-11, La Radiologia medica
DOI:10.1007/s11547-025-02089-6
PMID:40932678
|
系统综述与荟萃分析 | 本文系统评估了基于深度学习的CT扫描模型在预测脑出血患者血肿扩张中的诊断准确性 | 首次对深度学习模型在脑出血血肿扩张预测中的应用进行系统性定量综合分析，并比较了纯深度学习模型与混合模型的性能差异 | 纳入研究存在异质性，部分亚组分析显示方法学质量差异可能影响结果 | 评估深度学习模型通过CT图像预测脑出血患者血肿扩张的诊断效能 | 脑出血患者 | 医学影像分析 | 脑出血 | 深度学习，CT影像分析 | 深度学习网络 | CT图像 | 22项研究（其中11项用于纯DL分析，6项用于混合DL分析） | NA | NA | NA | NA |
| 1050 | 2025-09-12 |
Identifying 14-3-3 interactome binding sites with deep learning
2025-Sep-10, Digital discovery
IF:6.2Q1
DOI:10.1039/d5dd00132c
PMID:40837623
|
研究论文 | 开发深度学习框架预测蛋白质与14-3-3蛋白的结合位点 | 首次构建集成深度学习模型预测14-3-3相互作用组结合位点，尤其针对内在无序蛋白 | 模型在外部序列上平衡准确率为75%，仍有提升空间；实验验证仅覆盖8个预测肽段 | 预测蛋白质与14-3-3蛋白的结合位点以理解细胞信号网络 | 14-3-3蛋白及其相互作用蛋白质（约300个序列） | 生物信息学 | 阿尔茨海默病（涉及tau蛋白结合） | 深度学习、X射线晶体学、分子动力学模拟 | 集成深度学习模型 | 蛋白质序列数据 | 约300个医学相关蛋白质序列，实验验证8个预测肽段 | NA | NA | NA | NA |
| 1051 | 2025-09-12 |
Enhancing Protein Structure Learning using a Size-Guided Conditional Mixture-of-Experts
2025-Sep-10, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3607904
PMID:40928909
|
研究论文 | 提出一种基于蛋白质大小引导的条件混合专家模型，用于提升蛋白质结构深度学习性能 | 首次将蛋白质大小作为先验知识引入深度学习框架，通过条件混合专家模型自适应激活子网络 | NA | 改进蛋白质结构深度学习方法，提升蛋白质性质预测精度 | 蛋白质结构与性质 | 机器学习 | NA | 深度学习 | 条件混合专家模型(Conditional Mixture-of-Experts) | 蛋白质结构表示 | 在8个任务、2种蛋白质表示形式、3种数据集划分共48种测试设置上进行验证 | NA | NA | NA | NA |
| 1052 | 2025-09-12 |
MultiFusion2HPO: A Multimodal Deep Learning Approach for Enhancing Human Protein-Phenotype Association Prediction
2025-Sep-10, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3608274
PMID:40928915
|
研究论文 | 提出一种多模态深度学习模型MultiFusion2HPO，用于提升人类蛋白质与表型关联预测的准确性 | 整合五种关键模态数据（文本、序列、PPI网络、GO注释和基因表达）并采用先进深度学习表示方法 | NA | 提升人类蛋白质-表型关联预测的准确性以促进药物开发和精准医疗 | 人类基因（蛋白质）与临床表型（HPO标准化表型） | 自然语言处理 | NA | TFIDF-D2V, BioLinkBERT, InterPro, ESM2 | 多模态深度学习模型 | 文本、序列、网络、注释数据、基因表达数据 | 基准数据集（具体数量未说明） | NA | NA | NA | NA |
| 1053 | 2025-09-12 |
Enhancing Automated Seizure Detection via Self-Calibrating Spatial-Temporal EEG Features with SC-LSTM
2025-Sep-10, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3607766
PMID:40928912
|
研究论文 | 提出一种新型混合深度学习架构SC-LSTM，通过自适应时空特征提取增强癫痫发作自动检测 | 整合自校准空间特征重建模块(SCConvNet)和双向LSTM网络，实现并行时空特征提取，显著提升对患者特异性EEG变异的捕捉能力 | 仅在新生儿EEG数据集上验证，未明确说明模型在其他年龄组或癫痫类型的泛化能力 | 开发高精度、稳定的自动化癫痫发作检测方法以支持个体化诊断 | 新生儿癫痫患者的脑电图(EEG)信号 | 机器学习 | 癫痫 | 脑电图(EEG)分析，K折交叉验证 | SC-LSTM（自校准卷积网络与双向LSTM的混合架构） | 多通道时间序列EEG信号 | 两个真实世界新生儿EEG数据集（具体样本量未明确说明） | NA | NA | NA | NA |
| 1054 | 2025-09-12 |
Deep learning methods and applications in single-cell multimodal data integration
2025-Sep-10, Molecular omics
IF:3.0Q3
DOI:10.1039/d5mo00062a
PMID:40929038
|
综述 | 本文回顾了深度学习在单细胞多模态数据整合中的方法与应用 | 探讨了基于VAE和GNN等神经网络框架解决数据批次效应、稀疏性和模态对齐等计算挑战的前沿方法 | 模型可解释性、可扩展性及跨数据集泛化能力仍存在挑战 | 整合多模态单细胞组学数据以解析细胞异质性和基因调控机制 | 单细胞多模态数据 | 机器学习 | NA | 单细胞多组学技术 | VAE, GNN, transformer | 单细胞多模态组学数据 | NA | NA | NA | NA | NA |
| 1055 | 2025-09-12 |
InterVelo: A Mutually Enhancing Model for Estimating Pseudotime and RNA Velocity in Multi-Omic Single-Cell Data
2025-Sep-10, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf500
PMID:40929041
|
研究论文 | 提出InterVelo深度学习框架，用于在多组学单细胞数据中同时估计伪时间和RNA速率 | 通过无监督细胞时间引导RNA速率估计，同时利用RNA速率优化伪时间方向，实现双向增强学习 | NA | 改进单细胞数据中转录动态的推断精度 | 多组学单细胞数据 | 计算生物学 | NA | 单细胞多组学测序 | 深度学习框架 | 单细胞多组学数据 | 模拟和真实数据集（未指定具体样本数量） | NA | NA | NA | NA |
| 1056 | 2025-09-12 |
Attention Gated-VGG with deep learning-based features for Alzheimer's disease classification
2025-Sep-10, Neurodegenerative disease management
IF:2.3Q3
DOI:10.1080/17582024.2025.2554495
PMID:40929122
|
研究论文 | 提出基于注意力门控VGG和深度学习的特征提取方法用于阿尔茨海默病分类 | 结合WOA-based ResNet特征提取和注意力门控VGG模型，在AD分类中实现高精度 | NA | 早期检测和分类阿尔茨海默病 | 阿尔茨海默病患者影像数据 | 计算机视觉 | 阿尔茨海默病 | 深度学习，图像预处理，数据增强 | Attention Gated-VGG, CNN, ResNet | 图像 | NA | NA | NA | NA | NA |
| 1057 | 2025-09-12 |
Explainable Deep Learning Framework for Classifying Mandibular Fractures on Panoramic Radiographs
2025-Sep-10, The Journal of craniofacial surgery
IF:1.0Q3
DOI:10.1097/SCS.0000000000011892
PMID:40929658
|
研究论文 | 开发基于全景X光片的可解释深度学习框架，用于自动分类下颌骨骨折 | 结合新颖的临床相关分类系统和可解释AI技术（Grad-CAM和LIME）提升模型决策透明度 | 需要更大规模、多机构数据集进一步验证泛化能力 | 实现下颌骨骨折的自动分类以辅助颌面创伤诊疗 | 下颌骨骨折患者 | 计算机视觉 | 颌面创伤 | 全景X光成像 | CNN | 图像 | 800张来自面部创伤患者的全景X光片 | NA | NA | NA | NA |
| 1058 | 2025-09-12 |
Evaluation of deep learning-based segmentation models for carotid artery calcification detection in panoramic radiographs
2025-Sep-10, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00858-7
PMID:40931257
|
研究论文 | 本研究评估了基于YOLO的深度学习分割模型在全景X光片中检测颈动脉钙化的效果 | 比较了三种YOLO分割模型（YOLOv5x-seg、YOLOv8x-seg、YOLOv11x-seg）在颈动脉钙化检测中的性能，并探讨了性别与钙化存在的关联 | 需要更大规模和更多样化的数据集来验证模型的泛化能力和有效性 | 评估人工智能辅助分割方法在全景X光片中检测颈动脉钙化的有效性 | 全景X光片中的颈动脉钙化区域 | 计算机视觉 | 心血管疾病 | 深度学习分割 | YOLOv5x-seg, YOLOv8x-seg, YOLOv11x-seg | 医学影像 | 30,883张全景X光片扫描，其中652张包含1,086个钙化标注 | NA | NA | NA | NA |
| 1059 | 2025-09-12 |
Automatic infant 2D pose estimation from videos: Comparing seven deep neural network methods
2025-Sep-10, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-025-02816-x
PMID:40931295
|
研究论文 | 比较七种深度神经网络方法在婴儿视频中自动进行2D姿态估计的性能 | 首次系统评估主流姿态估计方法在婴儿视频上的表现，并引入基于躯干长度的误差指标及检测可靠性分析 | 方法主要在成人数据上训练，未针对婴儿进行专门微调（除DeepLabCut和MediaPipe外） | 评估和比较深度学习模型在婴儿姿态估计任务中的性能 | 婴儿视频数据（包含仰卧位和复杂场景） | 计算机视觉 | NA | 深度学习，机器学习 | AlphaPose, DeepLabCut/DeeperCut, Detectron2, HRNet, MediaPipe/BlazePose, OpenPose, ViTPose | 视频 | NA | NA | NA | NA | NA |
| 1060 | 2025-09-12 |
Few-shot learning for highly accelerated 3D time-of-flight MRA reconstruction
2025-Sep-10, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70072
PMID:40931540
|
研究论文 | 提出一种基于少样本学习的深度学习重建方法，用于高度加速的3D飞行时间磁共振血管成像重建 | 采用少样本学习框架，仅需两个实验采集数据集进行微调，实现了八倍加速下的高质量重建 | 仅在健康志愿者中进行验证，未涉及病理状态下的性能评估 | 开发能够大幅减少采集时间的高质量3D TOF-MRA重建方法 | 健康志愿者的头部血管成像数据 | 医学影像分析 | 脑血管疾病 | 深度学习，少样本学习，3D变分网络 | 3D variational network | 3D k-space数据，磁共振成像数据 | 5名健康志愿者（回顾性数据）+2名受试者（前瞻性数据） | NA | NA | NA | NA |