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 1094 篇文献，本页显示第 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2025-11-03 |
De Novo Design of High-Performance Sec-type Signal Peptide via a Hybrid Deep Learning Architecture
2025-Oct-27, JACS Au
IF:8.5Q1
DOI:10.1021/jacsau.5c00757
PMID:41169554
|
研究论文 | 开发了一种结合规则域组装和Transformer深度生成模型的混合深度学习架构SPgo，用于从头设计高性能Sec型信号肽 | 首次将规则域组装与Transformer深度生成模型相结合，通过BERT-LSTM管道探索疏水核心区的广阔序列空间，突破了传统方法的限制 | NA | 开发计算框架优化信号肽设计，提高蛋白质分泌效率 | Sec型信号肽序列 | 机器学习 | NA | 深度生成模型 | Transformer, BERT, LSTM | 蛋白质序列数据 | 多种蛋白质靶标（荧光蛋白、工业酶、生物活性肽） | NA | Transformer, BERT-LSTM混合架构 | 蛋白质产量（mg/L） | NA |
| 462 | 2025-11-03 |
A deep learning pipeline for accurate and automated restoration, segmentation, and quantification of dendritic spines
2025-Oct-20, Cell reports methods
IF:4.3Q2
DOI:10.1016/j.crmeth.2025.101179
PMID:40972567
|
研究论文 | 开发了一个名为RESPAN的深度学习流程，用于自动化修复、分割和量化树突棘 | 集成最先进的深度学习技术，通过内容感知修复增强信号、对比度和各向同性分辨率，提供用户友好的开源界面 | NA | 开发准确且自动化的树突棘修复、分割和量化方法 | 树突棘、树突分支和神经元胞体 | 数字病理学 | 神经科学疾病 | 快速体积成像、双光子显微镜 | 深度学习 | 图像 | 多种样本类型，包括信号有限的挑战性数据集 | NA | NA | 准确性、可重复性 | NA |
| 463 | 2025-11-03 |
A Study on the Performance Comparison of Brain MRI Image-Based Abnormality Classification Models
2025-Oct-16, Life (Basel, Switzerland)
DOI:10.3390/life15101614
PMID:41157286
|
研究论文 | 本研究比较了基于脑部MRI图像的异常分类模型性能，重点评估了深度学习与传统机器学习方法的差异 | 在合成数据集上系统比较了自定义CNN、ResNet-50迁移学习与传统机器学习方法在脑MRI异常分类中的表现 | 结果基于合成数据集，需要进一步用真实临床MRI数据验证才能确定临床适用性 | 开发并比较脑部MRI图像的异常分类模型性能 | 脑部MRI图像（正常与异常） | 计算机视觉 | 脑部疾病 | MRI成像 | CNN, ResNet-50, SVM, 随机森林 | 图像 | 合成数据集10,000张图像（5,000正常+5,000异常），参考数据集253张真实患者MRI图像（98正常+155异常） | NA | ResNet-50, 自定义CNN | 准确率, F1分数 | NA |
| 464 | 2025-11-03 |
Deep Learning Models for Automatic Classification of Anatomic Location in Abdominopelvic Digital Subtraction Angiography
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01351-z
PMID:39789320
|
研究论文 | 本研究开发深度学习模型用于自动分类腹盆腔数字减影血管造影中的解剖位置 | 提出使用模式模型和多示例学习模型处理DSA序列中的信息稀疏性问题，并自动识别关键图像 | 数据来自单一医疗中心，样本量相对有限 | 评估深度学习算法在DSA序列中自动识别解剖位置的性能 | 腹主动脉、腹腔动脉、肠系膜上动脉、肠系膜下动脉和双侧髂外动脉的DSA图像 | 计算机视觉 | 心血管疾病 | 数字减影血管造影 | 深度学习 | 医学图像序列 | 来自205名患者和276个手术的819个血管造影序列 | NA | 模式模型, 多示例学习模型 | 多类分类准确率, McNemar检验 | NA |
| 465 | 2025-09-12 |
Multi-region ultrasound-based deep learning for post-neoadjuvant therapy axillary decision support in breast cancer
2025-Oct, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2025.105916
PMID:40929754
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 466 | 2025-11-03 |
MMSE-Based Dementia Prediction: Deep vs. Traditional Models
2025-Oct-01, Life (Basel, Switzerland)
DOI:10.3390/life15101544
PMID:41157217
|
研究论文 | 本研究开发了基于MMSE数据的深度学习痴呆预测模型，并与传统机器学习模型进行性能比较 | 首次将项目级MMSE特征与可解释AI（SHAP分析）结合，实现高预测准确性和临床可解释性 | 使用单一临床中心数据且样本量较小，可能限制模型的泛化能力 | 开发准确的早期痴呆预测模型并比较深度学习方法与传统方法的性能 | 164名参与者，分为认知正常组、轻度认知障碍组和痴呆组 | 机器学习 | 老年疾病 | MMSE认知功能评估 | 全连接神经网络, Random Forest, SVM | 临床评估数据 | 164名参与者 | NA | 全连接神经网络 | 准确率, F1分数, 混淆矩阵, ROC曲线 | NA |
| 467 | 2025-11-03 |
Simulating a Specialist's Treatment Experience for Hypertension Using Deep Neural Networks
2025-Oct, Journal of clinical hypertension (Greenwich, Conn.)
DOI:10.1111/jch.70173
PMID:41163326
|
研究论文 | 开发并验证了一种能够模拟高血压专家处方模式并预测生理反应的双模块深度神经网络 | 提出双模块DNN架构，同时预测最佳药物处方和次日生理指标，采用多目标方法捕捉药物选择与生理结果的关系 | 基于单中心数据集，未来需要多中心合作和更大数据集验证临床决策支持的可行性 | 开发能够模拟高血压专家治疗决策的深度学习模型 | 高血压患者的药物治疗和生理反应 | 机器学习 | 心血管疾病 | 临床试验数据分析 | DNN | 结构化临床数据 | NA | NA | 双模块深度神经网络 | 平均绝对误差,误差方差,平均相对误差 | NA |
| 468 | 2025-11-03 |
Leveraging artificial intelligence for risk stratification of inherited cardiomyopathies in under-resourced settings
2025-Oct, Heart rhythm O2
IF:2.5Q2
DOI:10.1016/j.hroo.2025.07.020
PMID:41169969
|
综述 | 评估人工智能在资源匮乏地区遗传性心肌病风险分层中的应用潜力 | 首次将多种AI技术整合到统一框架中，针对资源匮乏地区的遗传性心肌病风险预测提出系统性解决方案 | 主要基于文献综述，缺乏实际临床验证数据 | 探索AI技术在改善资源匮乏地区遗传性心肌病风险分层和个性化护理中的作用 | 遗传性心肌病患者，特别是资源匮乏地区的年轻人群 | 自然语言处理, 机器学习 | 心血管疾病 | 机器学习, 深度学习, 自然语言处理 | NA | 电生理数据, 影像数据, 临床数据 | NA | NA | NA | NA | NA |
| 469 | 2025-11-02 |
A review of the application of deep learning in thyroid nodule imaging: from model architectures to training methods and core image analysis tasks
2025-Oct-31, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae1505
PMID:41115427
|
综述 | 系统回顾深度学习在甲状腺结节影像分析中的应用，涵盖模型架构、训练方法和核心任务 | 从模型架构、训练方法和核心任务三个维度系统总结深度学习在甲状腺结节影像分析中的最新进展 | NA | 为未来相关研究提供有价值的参考见解和改进方向 | 甲状腺结节医学影像 | 计算机视觉 | 甲状腺结节 | 医学影像分析 | CNN, RNN, GAN, Transformer, 混合模型 | 医学影像 | NA | NA | NA | NA | NA |
| 470 | 2025-11-02 |
An explainable modified convolutional mixer neural network-based deep learning framework for accurate brain tumor detection and classification
2025-Oct-31, Neurological research
IF:1.7Q4
DOI:10.1080/01616412.2025.2574357
PMID:41170771
|
研究论文 | 提出一种可解释的改进卷积混合神经网络框架，用于精确检测和分类脑肿瘤 | 结合ConvMixer+块去除冗余特征、CANet融合多尺度特征、EANet精炼空间特征，并使用Grad-CAM增强模型可解释性 | 仅使用公开数据集，未在临床环境中进行验证 | 开发计算效率高且可解释的脑肿瘤检测分类方法 | 脑部MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, ANN | 图像 | 10,087张MRI图像（来自两个公开数据集） | NA | EM-ConvMixer+Net, ConvMixer+, CANet, EANet, M-ANN | 准确率, F1分数 | NA |
| 471 | 2025-11-02 |
Advancing osteoporosis opportunistic screening: multicenter validation of a deep learning algorithm using abdominal CT scans
2025-Oct-31, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05213-2
PMID:41171405
|
研究论文 | 开发并验证一种基于腹部CT扫描的深度学习算法用于骨质疏松症机会性筛查 | 利用常规腹部CT扫描进行骨质疏松症筛查，实现多中心验证的深度学习算法 | 回顾性研究设计，样本量相对有限 | 开发并验证从腹部CT扫描中筛查骨质疏松症的算法 | 腰椎椎体 | 计算机视觉 | 骨质疏松症 | CT扫描，DEXA扫描 | 深度学习 | 医学影像 | 504名参与者（中位年龄66岁，388名女性） | NA | 2D UNet, ResNet34 | AUC, 敏感性, 特异性, Pearson相关系数, Brier分数 | NA |
| 472 | 2025-11-02 |
Artificial intelligence-based segmentation of small renal masses: a multi-center, multi-scanner, multi-sequence study
2025-Oct-31, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05259-2
PMID:41171407
|
研究论文 | 开发基于人工智能的小肾脏肿瘤自动分割方法，使用多中心、多扫描仪、多序列MRI数据 | 首次在多中心、多扫描仪、多序列MRI数据上开发小肾脏肿瘤自动分割方法，并验证其在非通用电气扫描仪上的泛化能力 | 研究为回顾性设计，需要进一步前瞻性验证 | 开发小肾脏肿瘤的自动分割方法以提高诊断效率 | 988例经病理证实的小肾脏肿瘤患者的MRI图像 | 医学影像分析 | 肾脏肿瘤 | MRI多序列成像 | 深度学习分割网络 | 医学影像 | 988例患者（训练集733例，测试集180例，泛化集75例） | NA | NA | 检测率，Dice相似系数 | NA |
| 473 | 2025-11-02 |
TC-KANRecon: High-Quality and Accelerated MRI Reconstruction via Adaptive KAN Mechanisms and Intelligent Feature Scaling
2025-Oct-31, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3626343
PMID:41171650
|
研究论文 | 提出一种名为TC-KANRecon的创新条件引导扩散模型，用于加速MRI重建过程同时保持重建质量 | 结合Multi-Free U-KAN模块和动态裁剪策略，通过多头注意力机制和标量调制因子增强模型在复杂噪声环境中的鲁棒性和结构保持能力 | NA | 通过深度学习方法加速MRI重建过程同时保持重建质量 | MRI图像重建 | 医学影像处理 | NA | MRI | 条件引导扩散模型 | MRI图像，k空间数据 | NA | NA | TC-KANRecon, MF-UKAN | 定性评估，定量评估 | NA |
| 474 | 2025-11-02 |
HieRMVir: Interpretable Viral Classification via Hierarchical Deep Learning
2025-Oct-31, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3627468
PMID:41171653
|
研究论文 | 提出一种基于分层深度学习的可解释病毒分类框架HieRMVir | 整合随机森林特征加权与互信息引导的注意力正则化，考虑生物分类学层次结构 | 未明确说明对未知病毒或高度变异病毒的识别能力 | 开发可解释且准确的病毒基因组序列分类方法 | 病毒基因组序列 | 机器学习 | 病毒性疾病 | 基因组测序 | 深度学习 | 基因组序列数据 | 超过100万个基因组序列 | NA | 分层深度学习框架 | 准确率, 分层性能指标 | NA |
| 475 | 2025-11-02 |
Hybrid deep learning model for spinal tumor diagnosis on MRI scans
2025-Oct-31, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.1177/09287329251385793
PMID:41172043
|
研究论文 | 提出一种结合MRI图像和患者年龄数据的混合深度学习模型，用于脊柱肿瘤的诊断和分类 | 融合Inception V3和Vision Transformer的混合模型，结合患者年龄信息，使用自注意力融合机制提升诊断准确性 | NA | 提高脊柱肿瘤诊断准确率，区分良性和恶性肿瘤 | 脊柱肿瘤患者的MRI扫描图像和年龄数据 | 计算机视觉 | 脊柱肿瘤 | MRI扫描 | 混合深度学习模型 | 图像, 临床数据 | NA | NA | Inception V3, Vision Transformer | 准确率, 敏感性, 特异性 | NA |
| 476 | 2025-11-02 |
Ensemble learning of attention-based BiLSTM networks for ADHD detection from EEG signals code
2025-Oct-31, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2576625
PMID:41173469
|
研究论文 | 提出一种基于注意力机制的双向LSTM集成学习方法，用于从脑电图信号中检测注意力缺陷多动障碍 | 使用并行注意力机制的双向LSTM集成学习模型，结合频谱图、分形维度和递归图等多种特征提取方法 | NA | 开发客观准确的ADHD自动检测方法 | 脑电图信号 | 机器学习 | 注意力缺陷多动障碍 | 脑电图 | BiLSTM, 集成学习 | 脑电图信号 | 两个数据集 | NA | PABiLSTM, ResNet-50 | 准确率 | NA |
| 477 | 2025-11-02 |
Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection
2025-Oct-31, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12069-z
PMID:41174040
|
研究论文 | 本研究开发了一种基于深度学习的T1和T2心脏MRI图像分割方法，用于自动化疾病检测 | 首次将深度学习应用于心脏T1/T2图谱分割，并探索了多种强度统计特征在疾病检测中的效用 | 样本量相对较小（144名受试者），需要更大规模的外部验证 | 评估深度学习在心脏MRI分割中的准确性，并探索多特征机器学习在疾病检测中的优势 | 心脏T1和T2图谱的左心室血池和心肌组织 | 医学影像分析 | 心血管疾病 | 心脏MRI，T1/T2 mapping | 深度学习，机器学习 | 医学影像 | 144名受试者（平均年龄42.2±16.1岁，76名男性），分为训练集100例、验证集15例和测试集29例 | NA | NA | Dice相似系数，平均绝对百分比误差，F1分数，精确率，召回率，AUC | NA |
| 478 | 2025-11-02 |
Antimicrobial peptides for anticancer and antiviral therapy: last promising update
2025-Oct-29, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-03855-8
PMID:41160325
|
综述 | 本文综述了抗菌肽在抗癌和抗病毒治疗中的最新研究进展，重点探讨了人工智能和微生物代谢物在克服抗菌肽临床应用限制方面的作用 | 从现代视角系统分析人工智能和微生物代谢物在解决抗菌肽毒性、稳定性和合成成本等限制因素中的应用 | NA | 探讨抗菌肽作为抗癌和抗病毒治疗替代方案的潜力及其面临的挑战 | 抗菌肽及其在抗癌和抗病毒治疗中的应用 | 自然语言处理 | 癌症，病毒感染 | 深度学习 | NA | 文本数据 | NA | NA | NA | NA | NA |
| 479 | 2025-11-02 |
DeepB3Pred: blood-brain barrier peptide predictor using stacked BiGRU model with novel features
2025-Oct-29, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-025-02419-0
PMID:41162940
|
研究论文 | 开发了一种基于深度学习的血脑屏障穿透肽预测工具DeepB3Pred | 提出三种新型特征（PseRECM、GSFE和CTD）并采用堆叠双向门控循环单元模型 | 数据偏斜问题需要通过随机欠采样技术处理 | 准确预测血脑屏障穿透肽和非穿透肽 | 血脑屏障穿透肽序列 | 生物信息学 | 神经系统疾病 | 序列特征工程 | BiGRU, Deep Forest, CatBoost, SVM | 肽序列数据 | NA | NA | 堆叠双向门控循环单元 | 准确率, MCC, AUC | NA |
| 480 | 2025-10-31 |
Deep learning for automated mandibular canal segmentation in CBCT scans
2025-Oct-29, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-07098-5
PMID:41162933
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |