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 561 - 580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 561 | 2025-10-30 |
S2S: A deep learning method for the radiological diagnosis of fine-grained diseases spanning screening to subtyping
2025-Oct-10, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101294
PMID:41142912
|
研究论文 | 提出一种用于细粒度疾病放射学诊断的筛查到分型AI范式，覆盖从初筛到最终分型的完整诊断流程 | 首次提出专门针对细粒度疾病的多阶段放射学诊断AI范式，整合多诊断阶段、多放射学视角、多病灶维度和多成像模态信息 | NA | 开发能够准确诊断细粒度疾病的放射学AI系统 | 细粒度胸部癌症亚型的放射影像 | 计算机视觉 | 胸部癌症 | 放射影像分析 | 深度学习 | 放射影像 | 大规模多中心放射影像数据集 | NA | NA | NA | NA |
| 562 | 2025-10-30 |
DeepProtein: deep learning library and benchmark for protein sequence learning
2025-Oct-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf165
PMID:40388205
|
研究论文 | 本文介绍了专为蛋白质相关任务设计的深度学习库DeepProtein及其基准测试 | 开发了专门针对蛋白质序列学习的综合深度学习库，并建立了多任务基准评估体系，同时提出了基于Prot-T5微调的DeepProt-T5模型系列 | NA | 为蛋白质科学研究提供易用的深度学习工具和性能基准 | 蛋白质序列数据 | 机器学习 | NA | 深度学习 | 基于Prot-T5的微调模型 | 蛋白质序列数据 | NA | 基于DeepPurpose构建 | Prot-T5, DeepProt-T5 | 在蛋白质功能预测、亚细胞定位预测、蛋白质-蛋白质相互作用预测和蛋白质结构预测等任务上的性能评估 | NA |
| 563 | 2025-10-30 |
G4STAB: a multi-input deep learning model to predict G-quadruplex thermodynamic stability based on sequence and salt concentration
2025-Oct-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf545
PMID:41014017
|
研究论文 | 开发了一个多输入深度学习模型G4STAB，用于基于序列特征和盐浓度预测G-四链体热力学稳定性 | 首个不依赖预定结构特征，能够同时考虑序列特征、盐浓度和pH值来预测G-四链体熔解温度的多输入深度学习模型 | 模型训练数据量相对有限（2382个DNA G4序列），可能无法覆盖所有可能的G4拓扑结构 | 开发准确预测G-四链体热力学稳定性的计算模型 | DNA G-四链体序列及其热力学稳定性 | 机器学习 | NA | 深度学习 | 多输入深度神经网络 | 序列数据, 化学浓度数据 | 2382个DNA G-四链体序列用于训练，391502个实验验证的G4用于分析 | NA | 多输入深度神经网络 | R² | NA |
| 564 | 2025-10-30 |
Multimodal deep learning with hyperspectral imaging for accurate origin classification of wolfberries
2025-Oct, Food chemistry: X
DOI:10.1016/j.fochx.2025.103166
PMID:41140601
|
研究论文 | 提出一种融合高光谱成像的多模态深度学习模型，用于枸杞地理产地的精确分类 | 采用交叉注意力机制有效融合光谱和图像特征，通过简化注意力机制降低计算复杂度并提升模型可解释性 | NA | 实现枸杞地理产地的精确分类，以评估其营养和药用特性 | 枸杞 | 计算机视觉 | NA | 高光谱成像 | CNN | 图像, 光谱数据 | NA | NA | 多模态卷积神经网络(MTCNN) | 准确率 | NA |
| 565 | 2025-10-30 |
HER2-IHC-40x: A high-resolution histopathology dataset for HER2 IHC scoring in breast cancer
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111922
PMID:41143256
|
研究论文 | 本文介绍了一个用于乳腺癌HER2免疫组织化学评分的高分辨率数字病理学数据集 | 提供了首个专门针对HER2 IHC评分的高分辨率全切片图像和提取区域集合数据集，包含两种数据划分策略和颜色直方图过滤方法 | 数据集仅包含107张全切片图像，样本规模相对有限 | 为计算病理学分析提供结构化的高质量数据资源 | 乳腺癌组织切片中的HER2免疫组织化学染色区域 | 数字病理学 | 乳腺癌 | 免疫组织化学染色，全切片图像扫描 | 深度学习模型 | 图像 | 107张全切片图像，从中提取的1024×1024像素图像块 | NA | NA | NA | NA |
| 566 | 2025-10-30 |
MeatScan: An image dataset for machine learning-based classification of fresh and spoiled cow meat
2025-Oct, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.112045
PMID:41143259
|
研究论文 | 本文介绍了MeatScan数据集，用于支持基于深度学习的鲜肉与变质牛肉二元分类 | 提供了首个在加纳真实环境中采集的牛肉新鲜度分类图像数据集，填补了计算机视觉与食品安全检测在资源匮乏环境中的应用空白 | 数据集仅包含加纳地区的样本，可能限制了在其他地理区域的泛化能力 | 开发用于食品安全监测的机器学习分类方法 | 新鲜与变质的牛肉样本 | 计算机视觉 | NA | 图像采集 | CNN | 图像 | 11,000张高分辨率RGB图像（5,627张新鲜，5,373张变质） | NA | NA | NA | NA |
| 567 | 2025-10-29 |
TDMAR-Net: a frequency-aware tri-domain diffusion network for CT metal artifact reduction
2025-Oct-28, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae0efc
PMID:41038229
|
研究论文 | 提出一种基于扩散模型的三域神经网络TDMAR-Net，用于减少CT金属伪影并提升图像质量 | 首次将扩散模型应用于三域（投影域、图像域、傅里叶域）金属伪影消除，采用两阶段训练策略结合大规模预训练和掩码数据微调 | 未明确说明模型在极端金属植入物情况下的性能表现 | 开发有效的CT金属伪影消除方法以改善临床诊断 | CT图像中的金属伪影 | 计算机视觉 | NA | CT成像 | 扩散模型 | CT图像 | 合成数据集和临床数据集 | NA | TDMAR-Net | NA | NA |
| 568 | 2025-10-29 |
The Evolving Quest for Chemical Understanding in the Quantum Age
2025-Oct-28, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01299
PMID:41065510
|
观点文章 | 探讨量子时代化学理解的发展演变，提出从传统计算方法向机器学习和量子计算新范式的转变 | 提出层次建模作为超越多尺度建模约束的新平台，强调化学概念作为连接理论与理解的支架作用 | NA | 研究化学理解在量子时代的发展路径和方法论转变 | 化学概念（芳香性、电负性、反应性、立体选择性）和分子系统 | 计算化学 | NA | 量子计算，机器学习 | 深度学习 | NA | NA | NA | NA | NA | 量子计算机 |
| 569 | 2025-10-29 |
Deep Learning-Enabled Unbiased Precision Toxicity Assessment of Zebrafish Organ Development
2025-Oct-28, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c10763
PMID:41090693
|
研究论文 | 开发基于U-Net的深度学习模型，用于斑马鱼器官发育的精准毒性评估 | 首次实现无偏见的像素级分割和形态量化，能够检测传统方法无法发现的大小依赖性和器官特异性毒性差异 | 方法尚未在其他材料污染物上进行广泛验证 | 建立客观毒理学分析的通用框架，提高毒性评估的准确性、效率和可重复性 | 斑马鱼器官发育，包括光感受器细胞层、内网状层、骨骼肌和脊髓 | 计算机视觉 | NA | 深度学习图像分析 | CNN | 生物图像 | 数千张生物图像 | NA | U-Net | NA | NA |
| 570 | 2025-10-29 |
Robust Identification of Gas Mixtures from FTIR Spectra using Attention Mechanism to Mitigate Instrument Line Shape Variations
2025-Oct-28, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03975
PMID:41103041
|
研究论文 | 提出基于注意力机制的深度学习框架，用于从FTIR光谱中稳健识别气体混合物成分 | 首次将注意力机制应用于解决FTIR光谱中仪器线形变化问题，显著提升跨设备识别性能 | 仅针对8种气体成分和10种仪器线形进行验证，未涵盖更广泛的气体种类和仪器类型 | 解决FTIR光谱分析中仪器线形变化对气体混合物识别的影响 | 气体混合物及其FTIR光谱数据 | 光谱分析 | NA | 傅里叶变换红外光谱(FTIR) | 深度学习,注意力机制 | 光谱数据 | 包含10种不同仪器线形和8种气体成分的自建数据集 | NA | 基于注意力机制的深度学习框架 | 精确匹配率 | NA |
| 571 | 2025-10-29 |
High-Performance Triboelectric Nanogenerator Based on PVDF/Cellulose Filter Paper Composites for Internet of Things-Assisted Wireless Sensing and Energy Harvesting
2025-Oct-28, Langmuir : the ACS journal of surfaces and colloids
IF:3.7Q2
DOI:10.1021/acs.langmuir.5c04209
PMID:41105935
|
研究论文 | 本研究开发了一种基于PVDF/纤维素滤纸复合膜的高性能摩擦纳米发电机，用于物联网辅助的无线传感和能量收集 | 采用PVDF/纤维素滤纸复合膜作为增强正摩擦层，实现了高达230V的开路电压和优异的操作稳定性，并集成了深度学习辅助信号处理框架 | 未明确说明设备长期使用的耐久性测试结果和规模化生产的可行性 | 提升摩擦纳米发电机的输出性能和设备可持续性，拓展其在可穿戴设备和健康监测领域的应用 | 基于PVDF/纤维素滤纸复合膜的摩擦纳米发电机 | 物联网 | NA | 摩擦纳米发电技术 | 深度学习 | 传感器信号数据 | NA | NA | NA | 开路电压, 动作识别准确率 | NA |
| 572 | 2025-10-29 |
MODAPro: Explainable Heterogeneous Networks with Variational Graph Autoencoder for Mining Disease-Specific Functional Molecules and Pathways from Omics Data
2025-Oct-28, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03611
PMID:41110139
|
研究论文 | 提出MODAPro深度学习框架，通过变分图自编码器和图卷积网络整合多组学数据，挖掘疾病特异性功能分子和通路 | 结合变分图自编码器与图卷积网络的新型架构，能够以前所未有的分辨率捕获和解释跨组学层的复杂非线性分子关系 | NA | 解决多组学数据整合中的异质性、稀疏性和可解释性差距问题，挖掘疾病相关生物标志物和功能模块 | 多组学数据中的分子关系和疾病相关生物标志物 | 机器学习 | 多种疾病 | 多组学数据整合分析 | VAE,GCN | 多组学数据 | NA | PyTorch,TensorFlow | 变分图自编码器,图卷积网络 | NA | NA |
| 573 | 2025-10-29 |
A Deep Learning-Based Framework for Valence Bond Structure Selection and Weight Prediction
2025-Oct-28, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01220
PMID:41111284
|
研究论文 | 提出了一种基于深度学习的价键结构选择与权重预测框架DLVB | 首次将价键理论与图变换器通过化学意义表示相结合，无需计算即可准确预测价键结构权重 | 未明确说明模型在更大分子系统上的泛化能力 | 扩展价键理论在更大活性空间和更高分子复杂度体系中的应用 | 价键结构和分子体系 | 机器学习 | NA | 深度学习，选择构型相互作用(SCI) | 图变换器 | 化学结构表示 | NA | NA | 图变换器 | 准确性，可扩展性 | NA |
| 574 | 2025-10-29 |
Artificial Intelligence in HPLC Method Development: A Critical Review of Technological Integration, Limitations, and Future Directions
2025-Oct-28, Critical reviews in analytical chemistry
IF:4.2Q1
DOI:10.1080/10408347.2025.2575352
PMID:41146636
|
综述 | 本文批判性评述了人工智能在高效液相色谱方法开发中的技术整合、局限性与未来发展方向 | 系统剖析了从传统实验设计到AI驱动平台的范式转变，首次明确区分了确定性模拟器与真正AI工具的认知边界 | AI模型可解释性不足、监管验证困难、数据标准化缺失、训练数据集多样性不足、黑箱模型在GxP监管环境中接受度有限 | 分析AI在HPLC方法开发中的技术整合现状与未来发展方向 | 高效液相色谱方法开发过程 | 机器学习 | NA | 高效液相色谱 | 机器学习, 深度学习, 强化学习 | 色谱数据 | NA | NA | NA | NA | NA |
| 575 | 2025-10-29 |
From Sequence to Response: AI-Guided Prediction of Nucleic Acid Nanoparticles Immune Recognitions
2025-Oct-28, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202509459
PMID:41147065
|
研究论文 | 开发基于深度学习的框架，仅通过核酸纳米颗粒序列预测其诱导的细胞因子反应 | 利用基于Transformer的架构通过系统链置换增强，无需手动特征工程即可实现序列到免疫反应的预测 | 模型训练仅基于176个核酸纳米颗粒样本，样本规模相对有限 | 建立核酸纳米颗粒序列与免疫反应之间的定量构效关系模型 | 核酸纳米颗粒在人类小胶质细胞中诱导的干扰素-β和白介素-6细胞因子反应 | 机器学习 | NA | 核酸纳米颗粒技术 | Transformer | 序列数据 | 176个结构多样、单独组装且实验表征的核酸纳米颗粒 | NA | Transformer | 相关系数R, 均方根误差RMSE | NA |
| 576 | 2025-10-29 |
Lipid MRI in Plant Science: Principles and Potential Areas of Application
2025-Oct-28, Journal of experimental botany
IF:5.6Q1
DOI:10.1093/jxb/eraf479
PMID:41147200
|
综述 | 本文综述了磁共振成像技术在植物科学中脂质分析的应用原理、最新进展与未来前景 | 整合深度学习与多模态方法的MRI技术为种子生物学和油料作物表型分析带来变革 | NA | 探讨MRI技术在植物脂质分析中的应用潜力与发展方向 | 植物种子及脂质代谢过程 | 植物科学 | NA | 磁共振成像 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 577 | 2025-10-29 |
Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images
2025-Oct-28, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70088
PMID:41147717
|
研究论文 | 开发Xception卷积深度Maxout网络用于增强乳腺癌组织病理学图像分类 | 结合深度Maxout网络、分数阶微积分和Xception卷积神经网络，提出Xcov-DMN新架构 | 未提及外部验证数据集和临床部署可行性 | 提高乳腺癌组织病理学图像分类的准确性和特征提取能力 | 乳腺癌组织病理学图像 | 计算机视觉 | 乳腺癌 | 组织病理学成像 | CNN | 图像 | NA | NA | Xception, Deep Maxout Network | 准确率, 真阴性率, 真阳性率 | NA |
| 578 | 2025-10-29 |
Deep learning enhanced MRI radiomics in predicting pathologic response of head and neck squamous carcinoma to neoadjuvant chemoimmunotherapy: a retrospective analysis
2025-Oct-28, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003710
PMID:41147765
|
研究论文 | 本研究利用深度学习增强的MRI影像组学预测头颈部鳞状细胞癌对新辅助化疗免疫治疗的病理反应 | 将深度学习特征与传统影像组学特征和临床病理特征相结合，显著提高了预测性能 | 回顾性研究设计，样本量相对有限，需要前瞻性验证 | 预测头颈部鳞状细胞癌患者对新辅助化疗免疫治疗的病理完全反应 | 经组织学确认的头颈部鳞状细胞癌患者 | 医学影像分析 | 头颈部鳞状细胞癌 | 磁共振成像 | 深度学习，逻辑回归 | 医学影像，临床病理数据 | 训练、测试和外部验证队列（具体数量未明确说明） | NA | NA | AUC（曲线下面积） | NA |
| 579 | 2025-10-29 |
Copolymer Sequence Regulation Enabled by Reactivity Ratio Fingerprints via Machine Learning
2025-Oct-28, Angewandte Chemie (International ed. in English)
DOI:10.1002/anie.202513086
PMID:41147785
|
研究论文 | 开发基于机器学习的新型反应性比指纹平台，用于高效测定二元和三元共聚反应中的反应性比 | 提出创新的反应性比指纹设计，实现从稀疏实验数据中毫秒级测定反应性比，并扩展至三元共聚体系 | NA | 通过机器学习方法改进共聚物序列调控技术，实现按需序列定制 | 二元和三元共聚反应体系 | 机器学习 | NA | 反应性比指纹，动力学研究，玻璃化转变表征 | 深度学习 | 反应性比指纹数据，实验数据 | 数百万个反应性比指纹 | NA | NA | 测定效率（毫秒级） | NA |
| 580 | 2025-10-29 |
Detection of kochia [Bassia scoparia (L.) A.J. Scott] and waterhemp [Amaranthus tuberculatus (Moq.) J.D. Sauer] in sugarbeet field using hyperspectral imaging and deep learning technologies
2025-Oct-28, Pest management science
IF:3.8Q1
DOI:10.1002/ps.70319
PMID:41147806
|
研究论文 | 本研究开发了一种基于高光谱成像和深度学习的技术，用于在甜菜田中准确区分杂草科氏地肤和水麻 | 首次将注意力增强卷积神经网络（AE-CNN）结合光谱和空间特征应用于田间杂草识别，实现了99.99%的分类准确率 | 研究仅针对两种特定杂草物种，未验证模型对其他杂草种类的泛化能力 | 开发能够区分甜菜田中科氏地肤和水麻杂草的自动识别系统 | 甜菜作物及其两种竞争性杂草（科氏地肤和水麻） | 计算机视觉 | NA | 高光谱成像 | CNN, SVM | 高光谱图像 | NA | NA | AE-CNN（注意力增强卷积神经网络） | 准确率, 精确率, 召回率, F1分数 | NA |