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 1753 篇文献，本页显示第 1221 - 1240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1221 | 2025-11-16 |
Single-fibril Förster resonance energy transfer imaging and deep learning reveal concentration dependence of amyloid β 42 aggregation pathways
2025-Nov, PNAS nexus
IF:2.2Q1
DOI:10.1093/pnasnexus/pgaf342
PMID:41229410
|
研究论文 | 通过单纤维FRET成像和深度学习技术研究Aβ42淀粉样蛋白纤维形成的浓度依赖性异质聚集途径 | 首次结合单纤维FRET实时成像和深度学习技术揭示Aβ42在不同浓度下形成不同结构纤维的异质聚集机制 | 仅研究了2μM和4μM两个浓度点，未覆盖更广泛的浓度范围 | 阐明淀粉样蛋白纤维形成的异质性和浓度依赖性聚集机制 | 淀粉样β42蛋白单体及其形成的纤维结构 | 生物物理学 | 阿尔茨海默病 | FRET成像,荧光寿命成像,深度学习 | 深度学习模型 | 荧光图像,FRET效率数据,荧光寿命数据 | 不同浓度(2μM和4μM)的Aβ42蛋白样品 | NA | NA | NA | NA |
| 1222 | 2025-11-16 |
Mesoscale mineral clusters in osteonal bone follow the twisted plywood structure of collagen
2025-Nov, Acta biomaterialia
IF:9.4Q1
DOI:10.1016/j.actbio.2025.10.003
PMID:41046939
|
研究论文 | 通过FIB-SEM纳米断层扫描技术揭示骨组织中矿物簇与胶原纤维的空間排列关系 | 首次发现中尺度矿物簇遵循胶原纤维的扭曲胶合板结构排列，并揭示先前被认为是孔隙的结构实为胶原纤维 | 受限于3D纳米尺度成像技术挑战和图像处理工具不足 | 研究骨组织中介观尺度矿物簇与纳米尺度特征的空间组织关系 | 矿化骨组织中的矿物簇和胶原纤维 | 生物医学成像 | NA | FIB-SEM纳米断层扫描 | 深度学习分割 | 3D图像数据 | NA | NA | NA | NA | NA |
| 1223 | 2025-11-16 |
A comprehensive review of computational methods for predicting DNA N4-methylcytosine sites
2025-Nov, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2025.148221
PMID:41075902
|
综述 | 系统回顾用于预测DNA N4-甲基胞嘧啶位点的计算方法 | 首次对过去五年机器学习和深度学习预测4mC位点的方法进行系统性总结与比较 | NA | 促进更准确和稳健的4mC甲基化预测框架开发 | DNA N4-甲基胞嘧啶位点 | 机器学习 | NA | DNA甲基化分析 | 机器学习,深度学习 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 1224 | 2025-11-16 |
Evaluation of Raw Cell-Free DNA Sequences for Gastric Cancer Detection
2025-Nov, JCO precision oncology
IF:5.3Q1
DOI:10.1200/PO-25-00204
PMID:41237359
|
研究论文 | 开发基于循环游离DNA测序和深度学习模型的非侵入性胃癌检测工具 | 使用原始cfDNA序列直接训练深度学习模型，采用改进的结构化状态空间模型Mamba进行胃癌检测 | 需要在前瞻性研究中进一步验证和优化，在不同人群中的临床效用尚需确认 | 开发非侵入性、经济有效的早期胃癌检测方法 | 胃癌患者和非胃癌参与者（包括健康捐赠者及其他癌症患者） | 数字病理 | 胃癌 | 低覆盖度全基因组测序 | 深度学习 | DNA序列数据 | 832名参与者（404名胃癌患者，428名非胃癌参与者） | NA | Mamba（基于结构化状态空间模型S4的改进模型） | AUROC, 准确率, 灵敏度, 特异性 | NA |
| 1225 | 2025-11-16 |
Artificial intelligence in presymptomatic neurological diseases: Bridging normal variation and prodromal signatures
2025-Nov, Revue neurologique
IF:2.8Q2
DOI:10.1016/j.neurol.2025.07.011
PMID:41238324
|
综述 | 探讨人工智能在神经系统疾病前驱期检测中的应用，包括已知前驱模式识别和未知异常发现 | 提出伪健康双胞胎概念，通过生成模型创建个性化健康基线以改进异常检测 | 依赖高质量多模态数据，模型泛化能力仍需验证 | 开发早期神经系统疾病检测的人工智能方法 | 前驱期神经系统疾病患者及健康人群 | 机器学习 | 神经系统疾病 | EEG、认知评分、结构成像、传感器数据 | 树基算法、CNN、Transformer、GAN、VAE | 结构化数据、图像、信号、文本、传感器数据 | 基于UK Biobank、EDS-AP-HP等大规模健康数据库 | NA | 卷积神经网络、Transformer、生成对抗网络、变分自编码器 | NA | NA |
| 1226 | 2025-11-16 |
Automatic dual-modality breast tumor segmentation in PET/CT images using CT-guided transformer
2025-Nov, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70136
PMID:41239548
|
研究论文 | 提出一种基于CT引导Transformer的深度学习算法，用于PET/CT图像中乳腺肿瘤的自动分割 | 开发了CT引导Transformer模块，利用CT图像多尺度特征为PET特征生成注意力图，并采用基于相似度的对比学习从双模态中提取有效共识信息 | NA | 开发结合功能与结构信息的深度学习算法，提升乳腺肿瘤分割的准确性和效率 | 乳腺肿瘤 | 计算机视觉 | 乳腺癌 | PET/CT成像 | Transformer | 医学图像（PET/CT） | 收集的临床乳腺数据集和公共QIN-Breast基准数据集 | NA | CT-Guided Transformer | Jaccard系数, Dice分数, 精确度, 敏感度, Hausdorff距离 | NA |
| 1227 | 2025-11-15 |
Deep Learning Radiomics Model Based on Ultrasound Images Predicts Myometrial Infiltration of Endometrial Cancer
2025-Nov-14, Journal of clinical ultrasound : JCU
IF:1.2Q3
DOI:10.1002/jcu.70134
PMID:41235803
|
研究论文 | 开发并验证基于超声图像的深度学习放射组学模型，用于无创预测子宫内膜癌肌层浸润情况 | 结合深度学习特征和放射组学特征构建DLR模型，在预测子宫内膜癌肌层浸润方面优于单一模型和高级超声医师诊断 | 回顾性研究设计，样本量相对有限（390例患者） | 开发无创预测子宫内膜癌肌层浸润的深度学习放射组学模型 | 子宫内膜癌患者 | 医学影像分析 | 子宫内膜癌 | 超声成像 | 深度学习, 放射组学 | 超声图像 | 390例子宫内膜癌患者（310例来自中心1，80例来自中心2） | NA | NA | AUC, 校准曲线, 决策曲线分析 | NA |
| 1228 | 2025-11-15 |
A CT-based 2.5D deep learning model for preoperative T-staging in gastric cancer: a retrospective multicenter study
2025-Nov-14, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05286-z
PMID:41236584
|
研究论文 | 开发并验证基于CT的2.5D多角度深度学习模型用于胃癌术前T分期 | 提出2.5D多角度深度学习模型，整合三个视角（横断面、矢状面、冠状面）和三个角度（0°、+45°、-45°）的CT图像 | 回顾性研究，样本量相对有限（共433例患者） | 胃癌术前T分期和生存预后预测 | 胃癌患者 | 医学影像分析 | 胃癌 | CT影像分析 | 深度学习 | CT图像 | 433例胃癌患者（训练集346例，内部验证集87例，外部测试集41例） | NA | 2.5D多角度深度学习模型 | AUC, 准确率, 敏感度, 特异度, F1分数 | NA |
| 1229 | 2025-11-15 |
Foundation models for EEG decoding: current progress and prospective research
2025-Nov-13, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ae17e9
PMID:41145005
|
综述 | 系统回顾脑电图基础模型的当前进展，分析其在下游任务、数据集、模型架构和预训练技术等方面的表现 | 首次对脑电图基础模型进行全面综述，提出统一范式以克服传统监督学习的任务特定性和数据集依赖性限制 | 在复杂场景如运动想象解码中的性能仍然有限，模型泛化能力有待进一步提升 | 探索脑电图基础模型的发展趋势并为未来研究提供建议 | 脑电图基础模型及相关解码任务 | 机器学习 | 神经系统疾病 | 脑电图信号处理 | Transformer | 脑电图信号 | 最多14,987名受试者，总时长27,062小时 | NA | 基于Transformer的高效架构 | NA | NA |
| 1230 | 2025-11-15 |
GATPDD: an Enhanced Deep Learning Framework for Predicting Drug-Parasitic Disease Associations
2025-Nov-13, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3631560
PMID:41231695
|
研究论文 | 提出一种增强的深度学习框架GATPDD，用于改进药物-寄生虫病关联预测 | 整合增强的深度图信息最大化、多头图注意力网络和邻域交互注意力机制，在有限基准数据集场景下优化特征学习和嵌入聚合 | 生物医学数据稀缺限制了模型训练 | 提高药物-寄生虫病关联预测的准确性和鲁棒性 | 药物与寄生虫病之间的关联关系 | 机器学习 | 寄生虫病 | 深度学习 | 图神经网络 | 图数据 | NA | NA | 多头图注意力网络,深度图信息最大化 | 准确性,鲁棒性 | NA |
| 1231 | 2025-11-15 |
Ensembling Vision Transformers and ResNet-50 for Interpretable Lung Cancer Diagnosis with Feature Fusion and XAI Techniques
2025-Nov-13, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01738-6
PMID:41233642
|
研究论文 | 提出一种结合Vision Transformer和ResNet-50的混合集成架构，通过特征融合和可解释AI技术实现肺癌病理图像分类 | 首次将ResNet-50的层次特征提取能力与Vision Transformer的全局上下文理解相结合，并采用多学科XAI策略提供关键可解释性 | NA | 开发准确、透明且临床可行的肺癌诊断系统 | 肺癌病理图像 | 计算机视觉 | 肺癌 | 深度学习 | CNN, Transformer | 图像 | NA | NA | ResNet-50, Vision Transformer | 准确率 | NA |
| 1232 | 2025-11-15 |
Incorporating targeted protein structure in deep learning methods for molecule generation in computational drug design
2025-Nov-12, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc05748e
PMID:41164301
|
综述 | 本文综述了基于结构的药物发现中整合蛋白质结构信息的深度学习方法 | 系统总结了从早期基于形状的方法到最新共折叠模型的发展历程，探讨了如何利用结构信息设计具有增强结合潜力的分子 | NA | 为基于结构的药物发现领域提供深度学习方法的应用见解和未来发展方向建议 | 蛋白质结构信息和药物分子 | 计算药物设计 | NA | 深度学习 | NA | 蛋白质结构数据，分子结构数据 | NA | NA | 共折叠模型 | NA | NA |
| 1233 | 2025-11-15 |
A Spatio-Temporal Dataset for Satellite-Based Landslide Detection
2025-Nov-11, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-06167-2
PMID:41219240
|
研究论文 | 本文介绍了Sen12Landslides数据集，这是一个用于卫星滑坡检测的大规模多模态时空数据集 | 提出了首个包含多时相卫星影像和精确事件时间戳的大规模滑坡检测数据集，支持时空动态分析 | 数据集覆盖区域有限，可能无法完全代表全球所有滑坡类型和地形条件 | 开发用于卫星滑坡检测和时空异常监测的深度学习数据集和方法 | 滑坡现象及其时空变化特征 | 计算机视觉,地球观测 | NA | 卫星遥感, Sentinel-1 SAR, Sentinel-2光学影像, Copernicus DEM | U-ConvLSTM, 3D-UNet, U-TAE | 卫星图像,数字高程模型 | 75,000个滑坡标注，来自全球15个地区，超过12,000个图像块 | NA | U-ConvLSTM, 3D-UNet, U-TAE | F1分数 | NA |
| 1234 | 2025-11-15 |
Tracking temporal progression of benign bone tumors through X-ray based detection and segmentation
2025-Nov-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-23053-4
PMID:41219269
|
研究论文 | 提出一种基于深度学习的框架FusionX-BBTNet，用于从X射线图像中自动检测、分割和分析良性骨肿瘤的时间序列变化 | 结合YOLO目标检测与U-Net分割，引入小波增强数据集提升轮廓精度，开发OCR模块提取比例尺实现毫米级测量，通过质心对齐实现时间序列可视化 | 研究仅基于466张X射线图像验证，在放射学专业知识有限的环境中的实际应用效果需进一步验证 | 开发自动化系统用于良性骨肿瘤的时间序列检测、分割和定量分析 | 良性骨肿瘤的X射线图像 | 计算机视觉 | 骨肿瘤 | X射线成像 | CNN | 图像 | 466张专家标注的X射线图像 | NA | YOLO, U-Net | 平均IoU, 边界F1分数 | NA |
| 1235 | 2025-11-15 |
An explainable deep learning framework for trustworthy arrhythmia detection from ECG signals
2025-Nov-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-22986-0
PMID:41219304
|
研究论文 | 提出一种可解释的深度学习框架用于心电信号的可靠心律失常检测 | 集成CNN和DNN的先进深度学习架构，结合多策略数据平衡技术和可解释人工智能方法，提供模型决策过程的透明洞察 | 未明确提及具体局限性 | 开发准确可靠的心律失常检测方法 | 心电信号 | 机器学习 | 心血管疾病 | ECG信号分析 | CNN, DNN | 信号数据 | 使用MITDB、PTBDB和NSTDB基准数据集 | NA | CNN, Dense Neural Network | 准确率 | NA |
| 1236 | 2025-11-15 |
A multi-factor data mining and transformer-based predictive modeling approach for career success using educational and behavioral traits
2025-Nov-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-23078-9
PMID:41219306
|
研究论文 | 本研究提出基于Transformer的多因素数据挖掘方法，通过教育背景和行为特征预测职业成功满意度 | 首次将BERT模型应用于职业满意度预测，通过多层Transformer块整合嵌入层和前馈网络捕捉教育行为特征的复杂非线性关系 | 仅使用单一数据集进行验证，未在不同群体或文化背景下测试模型泛化能力 | 开发准确预测职业满意度的数据挖掘模型，提升学生就业机会和职业满意度 | 学生的学业成绩和行为特征数据 | 自然语言处理, 机器学习 | NA | 数据挖掘 | BERT, SVM, 逻辑回归, 随机森林, GRU | 教育行为数据 | NA | NA | Transformer, BERT, 门控循环单元 | 分类准确率 | NA |
| 1237 | 2025-11-15 |
A lightweight deep evidence fusion framework for smart home appliance detection and classification via internet of things devices
2025-Nov-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99957-y
PMID:41219347
|
研究论文 | 提出一种轻量级深度证据融合框架，用于通过物联网设备检测和分类智能家电 | 结合线性缩放归一化、改进蛇优化算法、门控循环单元与多头注意力混合分类器以及改进麻雀搜索优化算法，实现高效的智能家电识别 | NA | 建立稳健的智能家电检测与分类框架 | 智能家居电器 | 物联网 | NA | 深度学习 | GRU, 注意力机制 | 物联网传感器数据 | NA | NA | GRU-MHA混合框架 | 准确率 | NA |
| 1238 | 2025-11-15 |
Analysis of the EMHD nanofluid flow for geothermal pipelines using physics-driven deep learning
2025-Nov-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-23315-1
PMID:41219355
|
研究论文 | 采用物理驱动的深度学习方法分析地热管道中电磁流体动力学纳米流体的流动特性 | 提出了一种新颖的无监督深度神经网络方法，用于预测地热管道应用中电磁流体动力学混合纳米流体的温度和速度行为 | NA | 优化地热管道系统中的热力学系统，提高能量守恒和传热效率 | 地热管道中的电磁流体动力学混合纳米流体流动 | 机器学习 | NA | 无监督深度神经网络 | DNN | 物理方程数据 | NA | NA | 深度神经网络 | 准确度 | NA |
| 1239 | 2025-11-15 |
Deep learning and multi-objective optimization for real-time occupancy-based energy control in smart buildings
2025-Nov-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-23134-4
PMID:41219414
|
研究论文 | 提出一种结合深度学习和多目标优化的实时占用型能源控制框架，用于智能建筑的能源管理 | 首次将深度前馈神经网络与多目标粒子群优化结合，实现基于室内环境参数的实时占用预测和能源控制 | NA | 通过预测房间占用情况优化智能建筑的能源效率和室内舒适度 | 智能建筑中的房间占用模式和能源消耗 | 机器学习 | NA | 深度学习，多目标优化 | DNN | 室内环境传感器数据（CO浓度、光照、湿度、温度） | NA | NA | 深度前馈神经网络 | 准确率，优化效率 | NA |
| 1240 | 2025-11-13 |
Physics-informed sinogram completion for metal artifact reduction in non-contrast brain CT images with neurovascular coils: comparison with traditional and deep learning-based methods
2025-Nov-11, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01972-y
PMID:41219711
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |