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 1702 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2026-05-23 |
Multidirectional interstitial flow promotes microvascular network formation: insights from a square chip-based platform
2025-11-01, Angiogenesis
IF:9.2Q1
DOI:10.1007/s10456-025-10010-y
PMID:41176522
|
研究论文 | 基于方形芯片平台探究多方向间质流对微血管网络形成的促进作用 | 首次证明多方向间质流促进微血管网络形成，并开发了方形芯片和深度学习分析工具VoCAT | 未明确说明局限性 | 研究多方向间质流对微血管网络形成的影响及其在肿瘤微环境建模中的应用 | 微血管网络和肿瘤细胞迁移 | 机器学习 | NA | 方形芯片平台、深度学习 | 深度学习模型 | 图像 | NA | NA | VoCAT | NA | NA |
| 202 | 2026-05-20 |
Deep Learning for Automated Measures of SUV and Molecular Tumor Volume in [68Ga]PSMA-11 or [18F]DCFPyL, [18F]FDG, and [177Lu]Lu-PSMA-617 Imaging with Global Threshold Regional Consensus Network
2025-11-03, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.125.270077
PMID:40967759
|
研究论文 | 提出全球阈值区域共识网络，用于自动化测量[68Ga]PSMA-11或[18F]DCFPyL、[18F]FDG和[177Lu]Lu-PSMA-617成像中的SUV和分子肿瘤体积 | 开发了基于阈值后处理的深度学习框架，显著提升PET和SPECT图像分割的边界定义和标签准确性，Dice准确度比nnU-Net提高3%-5% | 未提及 | 提高自动化测量PET成像中疾病体积和示踪剂亲和性的准确度，改善LuPSMA治疗的患者选择和预后评估 | 转移性去势抵抗性前列腺癌患者的[68Ga]PSMA-11或[18F]DCFPyL PET、[18F]FDG PET和[177Lu]Lu-PSMA-617 SPECT图像 | 数字病理学，计算机视觉 | 前列腺癌 | PET/CT, SPECT/CT | 卷积神经网络 | 图像 | 676张PSMA PET/390张FDG PET/477张LuPSMA SPECT图像用于训练，56例外部测试 | PyTorch | nnU-Net | Dice相似系数，Pearson系数 | NA |
| 203 | 2025-07-10 |
Corrigendum to 'CT-Based Deep Learning Predicts Prognosis in Esophageal Squamous Cell Cancer Patients Receiving Immunotherapy Combined with Chemotherapy' [Acad Radiol 32/6 (2025) 3397-3409]
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.06.036
PMID:40628644
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 204 | 2026-05-16 |
Prediction model based on contrast-enhanced computed tomography images and clinical indicators for the prognosis of pancreatic necrosis in acute pancreatitis
2025-Nov-21, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000045909
PMID:41305799
|
研究论文 | 基于增强CT图像和临床指标建立预测急性胰腺炎胰腺坏死预后的模型 | 首次将深度学习分割的胰腺CT图像与临床指标结合，构建融合模型预测急性坏死性胰腺炎的三种临床结局（坏死组织吸收、持续包裹性坏死和感染性胰腺坏死），并比较了手动与自动分割图像对预测性能的影响 | 未提及局限性 | 提高急性坏死性胰腺炎预后预测的准确性 | 急性坏死性胰腺炎患者的胰腺增强CT图像和临床指标 | 计算机视觉, 数字病理学 | 胰腺炎 | 对比增强CT | Attention U-Net, 3D ResNet, 逻辑回归 | 图像, 表格数据 | 133名急性坏死性胰腺炎患者 | NA | Attention U-Net, 3D ResNet | 准确率 | NA |
| 205 | 2026-05-16 |
Breast tumor diagnosis via multimodal deep learning using ultrasound B-mode and Nakagami images
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S2.S22009
PMID:40375887
|
研究论文 | 提出并评估结合超声B模式和Nakagami参数图像的多模态深度学习框架，用于乳腺肿瘤分类 | 首次将B模式图像的组织亮度信息与Nakagami图像的散射特性在多模态深度学习框架中融合，显著提升诊断性能 | NA | 评估多模态深度学习结合B模式和Nakagami图像对乳腺肿瘤分类的诊断性能提升效果 | 乳腺肿瘤的超声B模式图像和Nakagami参数图像 | 计算机视觉, 机器学习 | 乳腺癌 | 超声成像, Nakagami参数成像 | 卷积神经网络(CNN) | 图像 | 来自264名患者的831次超声采集 | NA | EfficientNetV2B0 | AUC（曲线下面积） | NA |
| 206 | 2026-05-16 |
The promise of artificial intelligence and machine learning for migraine treatment outcome prediction: A narrative review
2025-11, Cephalalgia : an international journal of headache
IF:5.0Q1
DOI:10.1177/03331024251395541
PMID:41269887
|
综述 | 本文综述了人工智能与机器学习在预测偏头痛治疗结局中的应用，涵盖模型、技术及未来方向 | 总结当前AI模型预测偏头痛急性和预防治疗效果的研究，并提出融合多模态数据、数字孪生、对话式AI等创新技术的未来方向 | 研究尚处于早期阶段，模型优化、验证及实际临床部署的效用评估仍需进一步探索 | 综述AI/机器学习在偏头痛治疗结局预测中的潜力与方法，推动个性化治疗策略 | 偏头痛患者及其治疗结局预测模型 | 机器学习 | 偏头痛 | NA | 机器学习、深度学习 | 临床特征、影像数据 | NA | NA | NA | NA | NA |
| 207 | 2026-05-08 |
A Practical Guide to Transition State Analysis in Biomolecular Simulations with TS-DAR
2025-11-27, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.5c06097
PMID:41252524
|
研究论文 | 本文提供了使用TS-DAR框架识别生物分子模拟中过渡态的实用指南 | 利用深度学习模型将蛋白质构象映射到超球面潜在空间，通过分布外检测自动识别过渡态，结合VAMP-2和分散损失函数区分亚稳态与过渡态 | NA | 指导研究人员实施和应用TS-DAR框架识别过渡态，辅助研究药物结合、酶活性和突变效应 | 蛋白质构象变化及其在高能态下的过渡态 | 机器学习 | NA | 分子动力学模拟 | 深度学习模型 | 构象数据 | NA | NA | TS-DAR | NA | NA |
| 208 | 2026-05-06 |
Modeling protein-small molecule conformational ensembles with PLACER
2025-Nov-11, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2427161122
PMID:41187076
|
研究论文 | 提出名为PLACER的图神经网络，用于建模蛋白质与小分子相互作用的构象集合 | 采用全原子级描述而非残基级描述，利用图神经网络从部分损坏的输入结构恢复正确原子位置，实现快速随机生成构象集合，显著提升酶设计成功率与活性 | 依赖剑桥结构数据库与蛋白质数据银行训练数据，可能对全新或罕见分子系统泛化能力有限；未明确讨论计算资源需求 | 建模蛋白质与小分子相互作用的构象异质性，以理解自然系统并评估设计系统，尤其提升酶设计成功率 | 蛋白质-小分子相互作用系统的原子级构象集合 | 机器学习 | NA | 图神经网络 | 图神经网络 | 原子级结构数据 | 训练数据来自剑桥结构数据库与蛋白质数据银行 | NA | PLACER，自定义图神经网络 | 酶活性（kcat/Km）、设计成功率 | NA |
| 209 | 2026-05-04 |
Prenatal diagnosis of cerebellar hypoplasia in fetal ultrasound using deep learning under the constraint of the anatomical structures of the cerebellum and cistern
2025-11, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06376-2
PMID:40911057
|
研究论文 | 开发并验证一种受大脑解剖结构约束的深度学习模型，利用超声图像提高胎儿小脑发育不全的产前诊断准确性 | 提出双分支深度学习分类网络ASC-Net，将超声图像和脑部解剖结构掩膜作为独立输入，通过解剖结构约束提升诊断性能 | 研究为回顾性设计，样本来源单一，超声图像选择依赖医生经验，且小脑发育不全病例数有限（302例）可能影响模型泛化性 | 开发一个受胎儿小脑和后颅窝池解剖结构约束的人工智能模型，以改善超声成像中小脑发育不全的产前诊断准确性 | 胎儿小脑发育不全 | 计算机视觉 | 胎儿中枢神经系统发育异常 | 超声成像 | 深度学习分类网络 | 图像 | 302例小脑发育不全和549例正常妊娠病例 | NA | ASC-Net (双分支网络) | 准确率, AUC | NA |
| 210 | 2026-05-03 |
Artificial intelligence in the operating room: A systematic review of AI models for surgical phase, instruments and anatomical structure identification
2025-11, Acta obstetricia et gynecologica Scandinavica
IF:3.5Q1
DOI:10.1111/aogs.70045
PMID:40862620
|
综述 | 系统回顾了多种深度学习算法在术中视频分析中的应用，用于手术阶段、解剖结构和手术器械的特征提取与模式识别 | 对AI模型在手术室中同时实现手术阶段识别、解剖结构识别和手术器械识别进行了系统性综合评估 | 数据集限制、标注协议标准化不足以及偏差问题需要进一步研究 | 评估人工智能模型在手术室中用于手术阶段、器械和解剖结构识别的应用效果 | 手术视频中的手术阶段、解剖结构和手术器械 | 机器学习 | NA | NA | 深度学习 | 视频 | 21项研究 | NA | 多层互连神经网络 | 准确率, 精确率, 召回率, F1分数 | NA |
| 211 | 2025-05-24 |
Corrigendum to "Ultrasound-Based Deep Learning Radiomics Nomogram for Tumor and Axillary Lymph Node Status Prediction After Neoadjuvant Chemotherapy" [Academic Radiology 32 (2025) 12-23]
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.05.010
PMID:40404505
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 212 | 2026-05-01 |
Artificial intelligence in airway management: A systematic review and meta-analysis
2025-11, Anaesthesia, critical care & pain medicine
DOI:10.1016/j.accpm.2025.101589
PMID:40645499
|
系统综述与元分析 | 总结人工智能在气道管理中的预测困难气道能力 | 首次通过元分析综合评估多种AI模型在困难气道预测中的判别能力 | 纳入研究数量有限，部分模型（如SVM和NB）的异质性高（I²>99%） | 评估AI模型在困难气道预测中的表现 | 13项研究，涉及ED患者和全身麻醉手术患者 | 机器学习 | 困难气道 | NA | 深度学习模型（VGG）、传统机器学习模型（SVM、NB） | NA | 13项研究（未具体说明样本数量） | NA | VGG、支持向量机（SVM）、朴素贝叶斯（NB） | AUROC | NA |
| 213 | 2026-04-29 |
Deep learning model for automated detection of Helicobacter pylori and intestinal metaplasia on gastric biopsy digital whole slide images
2025-11-19, American journal of clinical pathology
IF:2.3Q2
DOI:10.1093/ajcp/aqaf110
PMID:40996022
|
研究论文 | 开发一种深度学习模型，用于自动检测胃活检数字全切片图像中的幽门螺杆菌和肠上皮化生 | 采用两阶段模型，结合Vision Transformer进行伪影过滤和Graph Attention Network进行特征聚合，考虑背景组织病理学特征 | 模型检测精度和F1分数在某些指标上（如HPOrg分类精度0.604）较低，可能影响临床应用的可靠性 | 开发自动检测工具以辅助胃活检标本中幽门螺杆菌微生物和肠上皮化生的识别 | 胃活检数字全切片图像中的幽门螺杆菌微生物和肠上皮化生 | 数字病理学 | 幽门螺杆菌感染、肠上皮化生 | H&E染色 | Vision Transformer, Graph Attention Network | 图像 | 180张H&E胃活检WSIs（80张非HP炎症，100张标注HP相关性胃炎、HPOrg和IM） | NA | Vision Transformer, Graph Attention Network | 精确度, F1分数, 微观F1分数, 宏观平均F1分数, 切片级精确度 | NA |
| 214 | 2026-04-29 |
Deep Learning-based Opportunistic CT Osteoporosis Screening and the Establishment of Normative Values
2025-11, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250917
PMID:41217284
|
研究论文 | 开发基于深度学习的卷积神经网络自动识别椎体松质骨三维感兴趣区,建立不同CT协议和扫描仪的校正方法,并在大规模人群中建立骨质疏松诊断阈值 | 首次在大规模多中心数据上利用深度学习自动量化椎体松质骨衰减值,并建立跨CT协议和扫描仪型号的校正方法,从而建立骨质疏松诊断阈值 | 未在摘要中明确提及,但可能受限于回顾性研究设计、缺乏外部验证或扫描参数差异的完全控制 | 建立基于CT机会性筛查的骨质疏松自动诊断方法,并推导正常参考值和诊断阈值 | 接受不同CT协议和扫描仪扫描的患者的椎体松质骨 | 计算机视觉, 数字病理学 | 骨质疏松 | CT扫描 | 卷积神经网络 (CNN) | 图像 | 283,499名患者的538,946次CT检查,涵盖43种扫描仪型号和6种管电压 | NA | 3D卷积神经网络 | 与人工放射科医师评估的一致性（>99%） | NA |
| 215 | 2026-04-27 |
Predicting drug solubility in binary solvent mixtures using graph convolutional networks: a comprehensive deep learning approach
2025-Nov-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28272-3
PMID:41318549
|
研究论文 | 本研究提出基于图卷积网络（GCN）的综合深度学习框架，用于预测药物在二元溶剂混合物中的溶解度 | 首次系统评估GCN结合多头注意力机制和多层级分子表征学习在药物溶解度预测中的效能，通过消融研究和注意力可视化揭示结构-溶解度关系，将实验工作量减少60-80% | 对于结构显著异于训练数据的化合物预测误差可能超过MAE<0.5 logS单位，模型泛化性需进一步验证 | 开发高效的药物溶解度预测方法以加速制剂开发，降低传统实验的时间和资源消耗 | 123种小分子溶质在44种溶剂和110种二元溶剂组合中的溶解度数据 | 机器学习 | NA | NA | 图卷积网络 | 分子结构数据、溶解度实验值 | 27,000个溶解度测量值，涵盖273-373 K温度范围 | PyTorch | 多头注意力GCN，层级池化 | 平均绝对误差（MAE） | NA |
| 216 | 2026-04-27 |
Optimized YOLOv8s framework with deformable convolution for underwater object detection
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28989-1
PMID:41309854
|
研究论文 | 提出一种优化YOLOv8s框架（O-YOLOv8s-DC），融合可变形卷积与多尺度注意力机制，用于水下目标检测 | 创新集成可变形卷积特征模块（C2f_DC）、深度加权双向特征金字塔（DeepBiFPN）、内容感知特征重组（CARAFE）和高效多尺度注意力（EMA），有效提升小目标与遮挡目标检测性能 | 未提及在极端浑浊水质或极高密度目标场景下的性能表现，且仅使用两个数据集进行验证 | 解决水下目标检测中小目标、遮挡目标、形态多变及低图像质量等关键挑战 | 水下环境中的目标物体 | 计算机视觉 | NA | 可变形卷积、深度学习 | YOLOv8s（优化框架） | 图像 | 两个数据集：LFIW和OI数据集 | PyTorch | YOLOv8s, C2f_DC, DeepBiFPN, CARAFE, EMA | AP@[0.50:0.05:0.95], AP@0.75, 消融实验指标 | 未提及具体计算资源，但可推断需GPU支持训练 |
| 217 | 2026-04-27 |
A smart assistive system for visually challenged people through efficient object detection using deep learning with tunicate swarm algorithm
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29947-7
PMID:41309919
|
research paper | 提出了一种基于深度学习和海鞘群算法的智能辅助系统，用于视觉障碍人群的物体检测 | 结合YOLOV8、CapsNet、深度信念网络和海鞘群算法，通过参数优化提升物体检测精度 | 仅在室内物体检测数据集上验证，未测试室外场景和实时性能 | 开发一种自动物体检测系统，辅助视觉障碍者完成日常任务 | 视觉障碍者 | computer vision | NA | median filtering, object detection, deep learning | YOLOV8, CapsNet, DBN, TSA | image | 使用Indoor Object Detection数据集，具体数量未提及 | NA | YOLOV8, CapsNet, Deep Belief Network | accuracy | NA |
| 218 | 2026-04-27 |
Modifier guided resilient CNN inference enables fault-tolerant edge collaboration for IoT
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28454-z
PMID:41310049
|
研究论文 | 提出一种无需云端参与的边缘分布式CNN架构，通过轻量级修饰模块实现容错推理，适用于资源受限的物联网场景 | 设计轻量级修饰模块，利用故障模拟训练机制实时生成失效设备的预测结果，避免模型复制或云端回退，实现完全边缘侧容错 | 仅在MNIST和CIFAR-10数据集上验证，未在更复杂的真实物联网数据上测试；对超过五个设备同时故障的场景未充分评估 | 实现资源受限物联网场景下鲁棒且准确的分布式深度学习推理，消除对云端的依赖 | 物联网环境中的边缘设备及其分布式CNN推理过程 | 机器学习 | NA | NA | CNN | 图像 | MNIST和CIFAR-10数据集，实验中最多模拟五个设备同时故障 | NA | CNN | 准确率、错误率 | NA |
| 219 | 2026-04-27 |
EnCTN: an enhanced AI-enabled deep learning framework for security enhancement in blockchain transactions
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29160-6
PMID:41310051
|
研究论文 | 提出一种增强型卷积时间网络，用于提升基于AI的区块链交易安全 | 将区块链与深度学习结合，通过增强型卷积时间网络和自动编码器技术实现交易分析中的异常检测，同时采用扩张卷积捕获长期依赖关系 | 文中未明确说明局限性 | 提升区块链交易的安全性和异常检测能力，解决数据机密性和匿名性问题 | 区块链网络中的交易数据 | 机器学习 | NA | NA | 增强型卷积时间网络 | 时间序列数据 | 使用NSL-KDD数据集进行评估 | Python | 增强型卷积时间网络, 自动编码器 | 异常分类准确率 | NA |
| 220 | 2026-04-27 |
Deep learning-based AI model for predicting academic success and engagement among physical higher education students
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29000-7
PMID:41310101
|
研究论文 | 提出基于深度学习的HybridStackNet堆叠集成模型，用于预测体育高等教育学生的学业成功与参与度 | 构建结合随机森林和支持向量机作为基学习器、逻辑回归作为元学习器的堆叠集成模型，并引入偏依赖图和LIME实现可解释性分析 | 基于500条公开数据集进行训练，样本规模有限可能影响泛化能力；未提及跨机构或纵向数据的验证 | 开发可解释的机器学习模型以早期识别体育教育学生的学业风险 | 体育高等教育学生的学业表现与参与行为 | 机器学习 | 不适用 | SMOTE过采样、随机森林特征选择 | 堆叠集成模型（HybridStackNet） | 结构化表格数据 | 500个实例，包含学业、行为和身体属性 | Scikit-learn | 随机森林、支持向量机、逻辑回归 | 准确率、精确率、召回率、F1分数、AUC、Jaccard系数、Kappa系数、Hamming损失 | 未提及 |