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 1042 篇文献，本页显示第 521 - 540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 521 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Oct-29, JAMA
DOI:10.1001/jama.2025.16625
PMID:41160021
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 522 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning-Reply
2025-Oct-29, JAMA
DOI:10.1001/jama.2025.16627
PMID:41160035
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 523 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Oct-29, JAMA
DOI:10.1001/jama.2025.16623
PMID:41160046
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 524 | 2025-10-30 |
Artificial Intelligence in Critical Care Nephrology: Current Applications, Emerging Techniques, and Challenges to Clinical Integration
2025-Oct-28, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000001037
PMID:41148218
|
综述 | 本文综述人工智能在重症监护肾病学中的当前应用、新兴技术及临床整合挑战 | 系统阐述AI技术在重症肾病领域的前沿应用，包括符合预测、因果推断和强化学习等新兴方法，并提出四大发展重点 | 对患者中心结局（如死亡率、透析依赖性）的影响仍不明确，存在数据异质性、外部验证不足等推广障碍 | 推动人工智能技术在重症监护肾病学领域的临床应用与发展 | 重症肾病患者及相关临床诊疗流程 | 医疗人工智能 | 急性肾损伤 | 机器学习、深度学习、强化学习、生成式AI | NA | 临床数据 | NA | NA | NA | 预测准确性、诊断能力 | NA |
| 525 | 2025-10-30 |
Deep learning model integrating contrast-enhanced ultrasound spatiotemporal imaging with clinical data for the differential diagnosis between hepatocellular carcinoma and intrahepatic cholangiocarcinoma
2025-Oct-28, La Radiologia medica
DOI:10.1007/s11547-025-02132-6
PMID:41148561
|
研究论文 | 开发了一种融合超声造影时空成像特征与临床数据的深度学习模型，用于肝细胞癌和肝内胆管癌的鉴别诊断 | 首次将动态CEUS的时空特征与患者临床参数相结合构建深度学习模型CEUS-CD-Net | 回顾性研究，样本量相对有限（305例患者） | 提高肝细胞癌和肝内胆管癌的鉴别诊断准确性 | 165例ICC患者和140例HCC患者的CEUS数据和临床参数 | 医学影像分析 | 肝癌 | 超声造影（CEUS），使用SonoVue®-六氟化硫微泡造影剂 | 深度学习模型 | 动态超声造影图像序列和临床数据 | 305例患者（165例ICC，140例HCC） | NA | CEUS-CD-Net | AUC | NA |
| 526 | 2025-10-30 |
Identification of Pandemic Risk for Avian Influenza Virus with Graph Cross Attention Networks
2025-Oct-28, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3625980
PMID:41150231
|
研究论文 | 提出基于图交叉注意力网络的禽流感病毒大流行风险识别方法GCAN-Flu | 首次将病毒基因流信息与基因组序列结合，通过图交叉注意力层实现多模态表征学习 | 未明确说明模型在其他病毒类型上的泛化能力 | 准确预测流感病毒的大流行风险 | 甲型流感病毒 | 机器学习 | 流感 | 基因组测序 | 图神经网络 | 基因组序列数据 | NA | PyTorch, DGL | Graph Cross Attention Networks | 准确率 | NA |
| 527 | 2025-10-30 |
A Hierarchical Multimodal Framework for Sedation Monitoring in ICU Patients
2025-Oct-28, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3626584
PMID:41150235
|
研究论文 | 提出一种用于ICU患者镇静监测的分层多模态深度学习框架HMDC | 首次将EEG与外周生理信号通过动态校正模块进行智能融合，采用置信度加权机制优化多模态表征 | 研究样本量有限（105名患者），未提及外部验证结果 | 开发连续、客观的ICU患者镇静水平监测方法 | ICU患者（105名）的镇静状态评估 | 医疗人工智能 | 危重症监护 | 脑电图（EEG）、生理信号监测 | 深度学习 | 时间序列信号（EEG、血压、心率、血氧饱和度）、频谱图 | 105名ICU患者的2,880次RASS评估 | NA | 双流路径网络、动态校正模块 | 分类准确率 | NA |
| 528 | 2025-10-30 |
BPFNN: Bayesian Probabilistic Fuzzy Neural Networks for Uncertainty-Aware Clustering and Probabilistic Fuzzy Reasoning
2025-Oct-28, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3617987
PMID:41150242
|
研究论文 | 提出一种贝叶斯概率模糊神经网络(BPFNN)，用于不确定性感知聚类和概率模糊推理 | 将贝叶斯概率模糊C均值(BPFCM)算法与神经网络结合，通过非高斯建模和MCMC后验推理改进传统模糊聚类 | 隐藏层激活仅表示输入与聚类中心的相似度值，原始输入特征未直接保留 | 解决传统模糊聚类和神经网络在不确定性、噪声和可解释性方面的挑战 | 基准数据集和高维激光诱导击穿光谱(LIBS)光谱数据 | 机器学习 | NA | 激光诱导击穿光谱(LIBS) | 贝叶斯概率模糊神经网络(BPFNN) | 光谱数据 | NA | NA | BPFNN | 准确率, 鲁棒性, 可解释性 | NA |
| 529 | 2025-10-30 |
A Gravity-informed Spatiotemporal Transformer for Human Activity Intensity Prediction
2025-Oct-28, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3625859
PMID:41150240
|
研究论文 | 提出一种融合物理定律的深度学习框架Gravityformer，用于人类活动强度预测 | 将万有引力定律融入Transformer注意力机制，通过自适应重力模型学习空间交互的物理约束 | 未明确说明模型在极端场景或小样本情况下的性能表现 | 解决人类活动强度预测中空间交互物理约束缺失和过平滑现象 | 人类活动强度数据 | 机器学习 | NA | 深度学习 | Transformer, 图卷积网络 | 时空活动数据 | 六个大规模真实世界活动数据集 | NA | Gravityformer, 时空图卷积Transformer | 定量评估指标（未具体说明） | NA |
| 530 | 2025-10-30 |
Generative Fuzzy System for Sequence-to-Sequence Learning via Rule-Based Inference
2025-Oct-28, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3615650
PMID:41150248
|
研究论文 | 提出一种结合模糊系统与深度学习的新型生成式框架GenFS，用于序列到序列学习任务 | 首次将模糊系统的可解释性与生成模型的深度学习能力相结合，实现数据驱动与知识驱动的双驱动机制 | 未明确说明模型复杂度与计算效率的具体表现 | 提升生成模型的鲁棒性和泛化能力，增强模型可解释性 | 序列生成任务，包括机器翻译、代码生成和摘要生成 | 自然语言处理 | NA | 模糊系统，深度学习 | FuzzyS2S | 文本序列 | 12个数据集 | NA | 基于GenFS的序列到序列架构 | 准确率，流畅度 | NA |
| 531 | 2025-10-30 |
Artificial Intelligence and Multi-modality Data Integration Deciphers Tertiary Lymphoid Structure Maturity in Gastric Cancer
2025-Oct-28, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-1793
PMID:41150905
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型，用于从胃癌全切片图像中定量表征三级淋巴结构成熟度，并揭示了成熟TLS中的关键免疫回路 | 首次将基于Transformer的深度学习模型应用于TLS成熟度定量分析，并通过多组学数据整合揭示了CD8⁺组织驻留记忆T细胞与B细胞通过CXCL13-CXCR5轴形成的免疫回路机制 | 样本量相对有限（253例GC患者），单细胞RNA测序仅来自17例患者 | 开发自动化TLS成熟度评估工具并解析胃癌中TLS成熟的免疫调控机制 | 胃癌患者组织样本和免疫细胞 | 数字病理学 | 胃癌 | 单细胞RNA测序,多重免疫组织化学,流式细胞术,功能共培养实验 | Transformer | 全切片图像,单细胞RNA测序数据,免疫组化数据,流式细胞数据 | 253例胃癌患者（全切片图像），17例胃癌患者（单细胞RNA测序） | NA | Transformer | NA | NA |
| 532 | 2025-10-30 |
Dose Stratification-Based Convolutional Neural Networks for Dose Distribution Prediction in Radiotherapy
2025-Oct-28, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae183f
PMID:41151107
|
研究论文 | 提出基于剂量分层的卷积神经网络方法，用于提高放疗中剂量分布预测的准确性 | 采用剂量分层策略，将剂量分布分解为四个子组件分别预测，并设计基于均匀性指数的损失函数 | 仅在头颈癌病例上进行验证，未涉及其他癌症类型 | 提高放疗计划中剂量分布预测的准确性，减少对健康组织的意外照射 | 头颈癌患者的放疗剂量分布 | 医学影像分析 | 头颈癌 | 深度学习 | CNN | 医学影像数据 | OpenKBP数据集中的头颈癌病例 | NA | 卷积神经网络 | 剂量分布预测准确性，均匀性指数 | NA |
| 533 | 2025-10-30 |
Integrating multi-polygenic scores for enhanced prediction of antidepressant treatment outcomes in an East Asian population
2025-Oct-28, Neuropsychopharmacology : official publication of the American College of Neuropsychopharmacology
IF:6.6Q1
DOI:10.1038/s41386-025-02269-y
PMID:41152404
|
研究论文 | 本研究通过整合多基因评分来预测东亚人群抗抑郁药物治疗效果 | 首次在东亚人群中系统评估多基因评分对SSRI治疗效果的预测价值，并采用多祖先群体数据 | 样本量相对有限，仅包含台湾两个队列，需要更大规模多样化队列验证 | 提高抗抑郁药物治疗效果的预测准确性 | 接受SSRI治疗的台湾抑郁症患者队列 | 机器学习 | 抑郁症 | 全基因组关联分析，多基因评分 | 广义线性混合模型，机器学习算法，深度学习算法 | 基因组数据，临床数据，人口统计学数据 | 两个台湾队列共422名患者（VGHTP队列177人，NHRI队列245人） | PRS-CS, PRS-CSx, glmmLasso | 集成模型 | AUC | NA |
| 534 | 2025-10-30 |
Differential effects of vesicular urokinase receptor uPAR on vascular cell migration and proliferation
2025-Oct-28, Molecular and cellular biochemistry
IF:3.5Q3
DOI:10.1007/s11010-025-05420-x
PMID:41152550
|
研究论文 | 本研究探索了间充质干细胞来源的细胞外囊泡中uPAR通过差异调控血管细胞迁移和增殖参与血管生成的新机制 | 首次发现uPAR缺失会改变MSC来源囊泡对血管细胞的选择性调控作用，并揭示uPA/uPAR系统在囊泡介导的血管生成中具有细胞类型特异性功能 | 研究主要基于小鼠模型和体外实验，尚未在人体组织或体内环境中验证 | 探究细胞外囊泡中uPAR在血管生成过程中的调控机制 | 间充质干细胞来源的细胞外囊泡、内皮细胞、平滑肌细胞 | 细胞生物学 | 血管生成相关疾病 | 超速离心、流式细胞术、蛋白质印迹、纳米颗粒追踪分析、免疫荧光染色、共聚焦显微镜、ELISA | 深度学习目标检测模型 | 显微镜图像 | 小鼠脂肪组织来源的MSCs | NA | NA | 细胞计数 | NA |
| 535 | 2025-10-30 |
Impact of Super-Resolution Deep Learning Reconstruction on Low-Dose CT in Patients with Central Venous Catheter or Central Venous Port
2025-Oct-28, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01726-w
PMID:41152657
|
研究论文 | 评估超分辨率深度学习重建在中心静脉导管患者低剂量CT成像质量中的影响 | 首次将超分辨率深度学习重建技术应用于中心静脉导管患者的低剂量CT成像，并与混合迭代重建进行对比 | 回顾性研究设计，样本量未明确说明，仅由三位阅读者进行评估 | 评估SR-DLR对低剂量CT图像质量的改善效果 | 携带中心静脉导管或中心静脉端口的患者 | 医学影像分析 | 血管通路相关并发症 | 低剂量CT扫描，三维定位扫描 | 深度学习重建 | 胸部CT图像 | NA | NA | 超分辨率深度学习重建 | 图像噪声标准差，定性评估（噪声、伪影、血管显示、血肿和导管位置评估便利性） | NA |
| 536 | 2025-10-30 |
Comparison of machine learning methods versus traditional Cox regression for survival prediction in cancer using real-world data: a systematic literature review and meta-analysis
2025-Oct-28, BMC medical research methodology
IF:3.9Q1
DOI:10.1186/s12874-025-02694-z
PMID:41152747
|
系统综述与荟萃分析 | 系统比较机器学习模型与传统Cox回归在癌症生存预测中的性能差异 | 首次通过系统综述和荟萃分析方法全面评估多种机器学习模型在真实世界癌症数据中的生存预测性能 | 纳入研究数量有限（21篇系统综述，7篇荟萃分析），缺乏针对特定癌症类型或特定机器学习模型的深入比较 | 比较机器学习模型与传统Cox回归模型在癌症生存预测中的性能差异 | 观察性研究中癌症患者的生存数据 | 机器学习 | 癌症 | 生存分析 | 随机生存森林,梯度提升,深度学习,Cox回归 | 真实世界临床数据 | 21项研究的汇总数据 | NA | 随机生存森林,梯度提升机,深度学习网络 | AUC,C-index | R语言 |
| 537 | 2025-10-30 |
Interpretable machine learning model for cardiovascular disease risk prediction: a feature decomposition-based study
2025-Oct-28, BMC public health
IF:3.5Q1
DOI:10.1186/s12889-025-24921-4
PMID:41152787
|
研究论文 | 本研究开发了一种基于特征分解的深度学习模型用于心血管疾病风险预测 | 提出基于特征分解的深度学习模型(FDDL)，并采用SHAP方法进行模型解释 | 仅使用单一Kaggle数据集，未进行外部验证 | 构建和验证心血管疾病预测模型 | 心血管疾病风险预测 | 机器学习 | 心血管疾病 | 机器学习 | 深度学习 | 结构化医疗数据 | 68,205名心血管疾病受访者 | NA | 特征分解深度学习模型(FDDL) | 准确率,精确率,召回率,F1分数,AUC-ROC | NA |
| 538 | 2025-10-30 |
Recent advances in plant disease detection: challenges and opportunities
2025-Oct-28, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01450-0
PMID:41152989
|
系统综述 | 本文系统分析深度学习在植物病害检测中的应用进展，重点关注RGB和高光谱成像技术 | 首次系统评估11个基准数据集上的性能差距，揭示实验室与田间部署的显著差异，并建立基于证据的部署指南 | 主要基于已发表研究，缺乏对未公开商业系统的全面评估 | 推动植物病害检测从研究原型向实用农业工具发展 | 植物病害检测系统 | 计算机视觉 | 植物病害 | RGB成像, 高光谱成像 | CNN, Transformer | 图像 | 11个基准数据集 | NA | SWIN, 传统CNN | 准确率 | NA |
| 539 | 2025-10-30 |
Quantitative Analysis of Distinct Colon Crypt Branching Modes Using Interpretable Machine Learning
2025-Oct-28, Inflammatory bowel diseases
IF:4.5Q1
DOI:10.1093/ibd/izaf230
PMID:41157897
|
研究论文 | 本研究使用可解释机器学习方法对结肠隐窝分支模式进行定量分析 | 开发了能够区分对称和非对称隐窝分支模式的机器学习模型，并通过手工特征实现算法分类标准的直接解释 | 模型性能仍有提升空间，经典集成模型平衡准确率为0.80，深度学习模型为0.79 | 改进炎症性肠病亚型的定量描述和组织学特征表征 | 结肠隐窝分支模式 | 数字病理学 | 炎症性肠病 | 形态学特征分析 | 集成模型,深度学习模型 | 分割掩码,形态学特征 | 专家标注的数据集 | NA | NA | 平衡准确率 | NA |
| 540 | 2025-10-30 |
Deep Learning Strategies for Predicting Amputation Free Survival in Patients with Peripheral Artery Disease
2025-Oct-26, European journal of vascular and endovascular surgery : the official journal of the European Society for Vascular Surgery
IF:5.7Q1
DOI:10.1016/j.ejvs.2025.10.043
PMID:41151636
|
研究论文 | 本研究通过比较多种机器学习模型与传统Cox比例风险模型，预测外周动脉疾病患者的无截肢生存期 | 首次系统性地将多种生存机器学习模型应用于外周动脉疾病患者的无截肢生存期预测，并开发了患者特异性风险分层工具 | 需要外部验证才能应用于临床实践 | 改进外周动脉疾病患者无截肢生存期的预测准确性 | 2366名接受血运重建术的症状性外周动脉疾病患者 | 机器学习 | 外周动脉疾病 | 生存分析 | 条件生存森林, 随机生存森林, DeepHit, Cox比例风险模型, Fine and Gray模型 | 临床数据 | 2366名患者 | NA | 非线性Cox比例风险模型, 条件生存森林, 随机生存森林, DeepHit | 一致性指数, 综合Brier评分 | NA |