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 1936 篇文献，本页显示第 1801 - 1820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1801 | 2025-10-05 |
Deep Learning-Based Point Cloud Compression: An In-Depth Survey and Benchmark
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3594355
PMID:40742848
|
综述 | 本文系统综述了基于深度学习的点云压缩方法，包括数据集介绍、算法演进、基准测试分析和未来趋势展望 | 首次对深度学习点云压缩领域进行全面系统综述，并进行了广泛的基准测试比较分析 | 作为综述性文章，主要依赖现有文献分析，缺乏原创性算法提出 | 总结深度学习点云压缩的研究进展并指明未来研究方向 | 点云压缩算法、数据集和国际标准 | 计算机视觉 | NA | 深度学习 | NA | 点云数据 | 多个点云数据集 | NA | NA | 基准测试比较 | NA |
| 1802 | 2025-10-05 |
SEMI-CAVA: A Causal Variational Approach to Semi-Supervised Learning
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3594360
PMID:40742852
|
研究论文 | 提出一种结合因果推理和变分推断的半监督学习方法SEMI-CAVA | 将Mixup策略解释为随机干预并引入一致性损失以促进潜在表示的一致性，为学习到的潜在表示与真实因果因子对齐提供理论保证 | NA | 开发用于半监督学习的因果生成模型 | 医学数据集和标准基准数据集(CIFAR10, CIFAR100, SVHN) | 机器学习 | NA | 变分推断 | 生成模型 | 多模态医学数据，图像数据 | NA | NA | NA | NA | NA |
| 1803 | 2025-10-05 |
VLPose: Bridging the Domain Gap in Pose Estimation With Language-Vision Tuning
2025-Nov, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3594097
PMID:40788797
|
研究论文 | 提出了一种名为VLPose的新框架，通过语言-视觉调优来解决姿态估计中的领域差距问题 | 利用语言模型的潜力增强传统姿态估计模型的适应性，通过语言和视觉的协同作用扩展姿态估计模型的泛化能力和鲁棒性 | NA | 通过高效的调优策略弥合自然场景和人工场景之间的领域差距 | 人体姿态估计 | 计算机视觉 | NA | 语言-视觉调优 | NA | 图像 | HumanArt和MSCOCO数据集 | NA | VLPose | 准确率提升百分比 | NA |
| 1804 | 2025-10-05 |
Current Research and Development in the Field of Magnetic Resonance Contrast Media
2025-Nov-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001206
PMID:40622723
|
综述 | 本文讨论磁共振造影剂领域的新一代钆基造影剂、安全性研究、技术改进和新型造影剂开发 | 重点介绍新一代高弛豫率钆基造影剂gadopiclenol和gadoquatrane可能取代现有标准，重新研究锰基化合物，并探讨人工智能在磁共振造影剂领域的应用潜力 | 锰基化合物的临床影响尚不明确，人工智能技术的应用仍处于早期阶段 | 综述磁共振造影剂领域的最新研究进展和发展趋势 | 钆基造影剂、锰基化合物、磁共振成像技术 | 医学影像 | NA | 磁共振成像、人工智能、深度学习 | 深度学习 | 医学影像数据 | NA | NA | NA | NA | NA |
| 1805 | 2025-10-05 |
Progress of MRI-based radiomics and deep learning for predicting the prognosis of locally advanced rectal cancer (Review)
2025-Nov, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15282
PMID:41040910
|
综述 | 回顾基于MRI的影像组学和深度学习在预测局部晚期直肠癌患者预后方面的最新进展 | 系统总结了多参数影像组学模型、Delta影像组学和深度学习模型在预测局部晚期直肠癌预后方面的性能提升 | NA | 改善局部晚期直肠癌患者的长期生存结果 | 接受新辅助放化疗的局部晚期直肠癌患者 | 数字病理 | 直肠癌 | MRI影像组学, 深度学习 | 深度学习模型 | MRI图像 | NA | NA | NA | AUC, C-index | NA |
| 1806 | 2025-10-05 |
An overview of the current situation and future development direction of grain detection: taking computer vision combined with deep learning
2025-Nov, Journal of food science and technology
DOI:10.1007/s13197-025-06428-3
PMID:41041505
|
综述 | 本文综述了计算机视觉与深度学习在粮食检测领域的应用现状及未来发展方向 | 系统梳理了计算机视觉与深度学习在粮食质量检测中的结合应用，并探讨了未来发展趋势 | NA | 探讨计算机视觉与深度学习技术在粮食质量检测领域的应用现状和发展方向 | 粮食质量检测技术 | 计算机视觉 | NA | 计算机视觉，深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 1807 | 2025-10-05 |
Applications of artificial intelligence and nanotechnology in vaccine development
2025-Nov-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.126096
PMID:40886810
|
综述 | 探讨人工智能和纳米技术在疫苗开发中的协同应用及其对传统疫苗研发局限性的突破 | 提出人工智能与纳米技术协同整合的创新范式，通过AI算法优化抗原设计结合纳米载体精准递送，实现个性化免疫策略开发 | 未提及具体临床转化挑战和规模化生产成本控制等实践性限制 | 推动疫苗研发技术革新以应对新发传染病和复杂疾病挑战 | 疫苗设计、递送系统和免疫优化策略 | 机器学习 | 传染病 | 基因组学、蛋白质组学、免疫组学数据分析 | 机器学习,深度学习 | 基因组数据,蛋白质组数据,免疫学数据 | NA | NA | NA | NA | NA |
| 1808 | 2025-10-05 |
Label-free classification of nanoscale drug delivery systems using hyperspectral imaging and convolutional neural networks
2025-Nov-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.126065
PMID:40885220
|
研究论文 | 本研究开发了一种结合高光谱成像和深度学习技术的无标记纳米药物递送系统分类方法 | 首次将3D卷积神经网络与高光谱成像结合用于无标记脂质体分类，并采用SMOTE技术解决药物数据集中的类别不平衡问题 | 研究中未明确说明样本量的具体数值，且方法在更广泛的纳米颗粒类型上的适用性有待验证 | 开发无标记、非侵入性的纳米药物递送系统表征方法 | 治疗性脂质体（对照组和阿霉素负载脂质体） | 计算机视觉 | NA | 高光谱成像，暗场成像 | 3D CNN | 高光谱图像 | NA | NA | 3D CNN | 准确率，F1分数，Cohen's Kappa | NA |
| 1809 | 2025-10-05 |
Harnessing artificial intelligence to advance insights in systemic sclerosis skin and lung disease
2025-Nov-01, Current opinion in rheumatology
IF:5.2Q1
DOI:10.1097/BOR.0000000000001114
PMID:40767529
|
综述 | 本文综述了截至2024年人工智能在系统性硬化症皮肤和肺部疾病研究中的应用进展 | 系统总结了人工智能在系统性硬化症研究中从预测建模到患者分型的多种创新应用 | 基于相对较小的患者队列进行研究，且为综述性文章而非原始研究 | 推进系统性硬化症皮肤和肺部疾病的研究 | 系统性硬化症患者 | 医学人工智能 | 系统性硬化症 | 数字图像分析，深度学习 | 监督机器学习，无监督机器学习 | 医学影像，临床数据，皮肤活检 | 相对较小的SSc队列 | NA | NA | NA | NA |
| 1810 | 2025-10-05 |
Does Sequence Clustering Confound AlphaFold2?
2025-Nov-01, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169376
PMID:40780395
|
评论 | 本文回应了多篇论文对AF-Cluster方法的误解和错误结论，并进一步分析证实了局部进化耦合在AlphaFold2多构象预测中的重要作用 | 通过进一步分析证实局部进化耦合在AF-Cluster预测中的关键作用，反驳了相关文献中的错误主张 | NA | 澄清AlphaFold2多构象采样方法中的误解，解释深度学习模型预测结果的原理 | 蛋白质多构象状态预测方法 | 结构生物学 | NA | 深度学习 | AlphaFold2 | 蛋白质序列 | NA | NA | AlphaFold2 | NA | NA |
| 1811 | 2025-10-05 |
FoldExplorer: Fast and Accurate Protein Structure Search with Sequence-Enhanced Graph Embedding
2025-Nov-01, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169412
PMID:40889693
|
研究论文 | 提出一种名为FoldExplorer的新型深度学习方法，用于快速准确的蛋白质结构搜索 | 结合图注意力神经网络和蛋白质语言模型，联合编码结构和序列信息，生成专门用于蛋白质结构搜索的嵌入表示 | NA | 开发高效的蛋白质结构搜索方法以应对蛋白质结构数据库的指数级扩张 | 蛋白质结构 | 生物信息学 | NA | 图注意力神经网络，蛋白质语言模型 | 图神经网络 | 蛋白质结构数据，序列数据 | NA | NA | 图注意力神经网络 | 几何相似性搜索精度，分类准确率 | NA |
| 1812 | 2025-10-05 |
Comparative Study of a Variant Neural Relational Inference Deep Learning Model and Dynamical Network Analysis for p53-DNA Allosteric Interactions
2025-Nov-01, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169374
PMID:40769488
|
研究论文 | 本研究比较了改进的神经关系推理深度学习模型与动态网络分析在p53-DNA变构相互作用中的表现 | 通过集成Transformer的多头自注意力模块改进神经关系推理模型，首次系统比较深度学习与动态网络分析在蛋白质变构研究中的差异 | 研究主要针对p53-DNA系统，未验证在其他蛋白质体系中的普适性 | 比较不同计算方法在蛋白质变构相互作用研究中的性能差异 | p53蛋白与DNA的变构相互作用，包括野生型和突变型p53 | 机器学习 | NA | 动态网络分析，深度学习 | 神经关系推理(NRI)，Transformer | 蛋白质结构数据，分子动力学数据 | 野生型和突变型p53-DNA复合物 | NA | 改进的神经关系推理模型，多头自注意力机制 | 准确性，全面性 | NA |
| 1813 | 2025-10-05 |
Transforming sleep medicine: the evolving role of artificial intelligence
2025-Nov-01, Current opinion in pulmonary medicine
IF:2.8Q2
DOI:10.1097/MCP.0000000000001210
PMID:40855966
|
综述 | 探讨人工智能在睡眠医学中不断发展的角色及其对临床实践的影响 | 系统阐述AI技术在睡眠医学领域的应用演进，包括诊断优化和个性化治疗的新范式 | 存在患者隐私保护、算法偏见和数据透明度等伦理挑战，尚未完全解决临床应用障碍 | 阐明AI在睡眠医学中的发展现状，为临床医生提供应用指导 | 睡眠障碍患者（如阻塞性睡眠呼吸暂停、失眠、发作性睡病）及相关医疗数据 | 医疗人工智能 | 睡眠障碍 | 多导睡眠监测、消费级睡眠设备数据采集 | 机器学习,深度学习 | 生理信号数据,医疗设备数据 | NA | NA | NA | NA | NA |
| 1814 | 2025-10-05 |
Segmenting Whole-Body MRI and CT for Multiorgan Anatomic Structure Delineation
2025-Nov, Radiology. Artificial intelligence
DOI:10.1148/ryai.240777
PMID:40767616
|
研究论文 | 开发并验证MRSegmentator深度学习模型，用于MRI和CT扫描的多器官分割 | 提出跨模态深度学习模型，能够同时处理MRI和CT数据，实现40个解剖结构的自动分割 | 较小结构的分割性能相对较低，如门静脉或脾静脉(0.64-0.78)、肾上腺(0.56-0.69) | 开发用于全身MRI和CT多器官解剖结构分割的深度学习模型 | 人体多器官解剖结构，包括肺、心脏、肝脏、肾脏等40个结构 | 计算机视觉 | NA | 深度学习，跨模态迁移学习 | 深度学习模型 | MRI图像，CT图像 | 训练数据：1200个UK Biobank Dixon MRI序列(50名参与者)，221个内部腹部MRI序列(177名患者)，1228个TotalSegmentator CT数据集扫描；测试数据：900个NAKO MRI序列(50名参与者)，60个Multi-Modality Abdominal Multi-Organ Segmentation Challenge 2022数据集MRI序列，29个TotalSegmentator MRI序列 | NA | MRSegmentator | Dice相似系数(DSC) | NA |
| 1815 | 2025-10-05 |
Mino-Bimaadiziwin and the Pursuit of Harmony
2025-Nov, Personality and social psychology review : an official journal of the Society for Personality and Social Psychology, Inc
IF:7.7Q1
DOI:10.1177/10888683251345043
PMID:41017246
|
研究论文 | 本文介绍北美原住民安尼什纳比格人的幸福观Mino-Bimaadiziwin及其七大祖训美德体系 | 首次将北美原住民的幸福观引入心理学研究，提出以和谐为核心的非西方幸福理论框架 | 研究范围限于特定原住民群体，未与其他文化体系进行系统比较 | 探索非西方文化背景下的幸福理论，丰富心理学对幸福的理解 | 安尼什纳比格原住民文化中的幸福概念Mino-Bimaadiziwin及七大祖训美德 | 心理学 | NA | 故事工作法 | NA | 文化文本 | NA | NA | NA | NA | NA |
| 1816 | 2025-10-05 |
Hybrid deep learning framework for environmental microplastic classification: Integrating CNN-based spectral feature extraction and transformer models
2025-Nov-01, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.126989
PMID:40816460
|
研究论文 | 提出一种结合CNN和Transformer的混合深度学习框架，用于环境微塑料的FTIR光谱分类 | 首次将CNN的局部光谱特征提取能力与Transformer的全局依赖建模能力相结合，形成互补优势的混合架构 | 未提及模型在极端环境条件下的表现验证 | 开发高精度的环境微塑料分类方法 | 来自土壤、空气、沉积物和水体基质的环境微塑料 | 机器学习 | NA | 傅里叶变换红外光谱(FTIR) | CNN, Transformer | 光谱数据 | 包含17种聚合物类型的光谱数据集 | NA | CNN-Transformer混合架构 | 准确率 | NA |
| 1817 | 2025-10-05 |
Surveillance of urban river environment by quantifying distributions of water quality parameters using hyperspectral remote sensing-based ripple propagation graph network
2025-Nov-01, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.126875
PMID:40846259
|
研究论文 | 提出混合反馈涟漪网络（HF-RN）从无人机高光谱数据中反演水质参数浓度 | 集成深度学习、空间分布模式分析和概率统计分析，通过涟漪传播图网络增强采样区与未采样区的空间关联性 | 未明确说明模型对特定水质条件或地理环境的泛化能力 | 开发高效的城市河流水质监测方法 | 城市河流水质参数（总磷、总氮、化学需氧量、生化需氧量、叶绿素a、总悬浮固体） | 环境遥感 | NA | 高光谱遥感 | 图神经网络 | 高光谱图像 | 实际监测数据集（未明确具体样本数量） | 深度学习框架 | 混合反馈涟漪网络（HF-RN） | 平均绝对百分比误差（MAPE） | NA |
| 1818 | 2025-10-05 |
Interpreting spatiotemporal dynamics of Ulva prolifera blooms in the southern yellow sea using an attention-enhanced transformer framework
2025-Nov-01, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.126999
PMID:40846261
|
研究论文 | 本研究开发了一种基于注意力增强Transformer的深度学习框架，用于解释和预测黄海南部浒苔暴发的时空动态 | 首次将多头自注意力机制的Transformer框架应用于浒苔暴发预测，能够动态捕捉空间依赖性并识别最优环境因子组合 | 研究区域仅限于黄海南部，模型在其他海域的适用性需要进一步验证 | 理解和预测浒苔暴发的复杂时空动态，为针对性防控提供科学依据 | 黄海南部的浒苔暴发现象 | 机器学习 | NA | 深度学习，时空数据分析 | Transformer | 海洋环境数据 | NA | NA | Transformer with multi-head self-attention | MAE, MSE, R | NA |
| 1819 | 2025-10-05 |
Legacy and emerging per- and poly-fluorinated substances (PFASs) as potential pathogenic drivers of diabetes mellitus: Challenges and perspectives
2025-Nov-01, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.127033
PMID:40865758
|
综述 | 本文综述了全氟和多氟烷基物质（PFASs）作为糖尿病潜在致病驱动因素的研究现状与展望 | 系统总结了PFASs在不同生命阶段对糖尿病的影响机制，并提出了结合图神经网络、人工智能和多组学数据融合等前沿技术的未来研究方向 | PFASs的具体致病机制尚未完全阐明，现有研究忽视了影响因素、复合暴露相互作用以及致病机制的复杂性 | 探讨PFASs暴露与糖尿病之间的关联机制及未来研究方向 | 全氟和多氟烷基物质（PFASs）与糖尿病发病机制的关系 | 环境健康与疾病机制 | 糖尿病 | 高通量筛选、多组学数据整合、器官芯片、干细胞衍生模型 | 图神经网络、深度学习、机器学习、非线性混合模型 | 多组学数据、体外实验数据、体内实验数据 | NA | NA | NA | NA | NA |
| 1820 | 2025-10-05 |
Development of a multi-feature predictive model for risk stratification in stage IB-IIA non-small cell lung cancer: a multicenter analysis
2025-Nov, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112379
PMID:40902436
|
研究论文 | 开发了一种整合临床病理数据与CT影像的多特征预测模型，用于IB-IIA期非小细胞肺癌的风险分层 | 首次将临床病理特征、放射组学特征和深度学习特征整合到单一预测模型中，并采用SHAP方法进行模型可解释性分析 | 回顾性研究设计，样本量相对有限，需要进一步前瞻性验证 | 开发IB-IIA期非小细胞肺癌的预后预测模型，实现风险分层 | IB-IIA期非小细胞肺癌患者 | 数字病理 | 肺癌 | CT成像，放射组学分析 | CNN，逻辑回归 | 医学影像（CT），临床数据 | 训练集370例，内部验证120例，外部验证70例 | PyTorch/TensorFlow（基于ResNet架构推断） | ResNet50 | AUC，C-index，风险比（HR） | NA |