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 1941 篇文献，本页显示第 281 - 300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 281 | 2025-12-05 |
Deep learning-based prediction of cold surge frequency over South Korea
2025-Dec-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28608-z
PMID:41339672
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 282 | 2026-04-27 |
From Sequence to Response: AI-Guided Prediction of Nucleic Acid Nanoparticles Immune Recognitions
2025-Dec, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202509459
PMID:41147065
|
研究论文 | 提出基于深度学习的框架，根据核酸纳米颗粒的序列预测免疫反应（IFN-β和IL-6） | 首次利用基于注意力的Transformer架构，通过系统性的链置换训练，实现无需手动特征工程的序列-免疫反应定量结构-活性关系建模，并保持生物学可解释性 | 仅基于176个结构多样的NANPs进行训练和验证，样本量有限，可能影响模型对更广泛序列空间的泛化能力 | 建立从核酸纳米颗粒序列到免疫反应预测的快速计算方法，以指导NANPs的理性设计和优化 | 核酸纳米颗粒（NANPs）诱导的细胞因子反应，具体为干扰素-β和白细胞介素-6 | 机器学习， 数字病理学 | NA | 序列分析， 深度学习 | Transformer | 序列数据 | 176个结构多样、单独组装且经实验表征的NANPs | PyTorch | Transformer | 皮尔逊相关系数R， 均方根误差RMSE | NA |
| 283 | 2026-04-25 |
Colorectal disease diagnosis with deep triple-stream fusion and attention refinement
2025-Dec, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出一种名为TripleFusionNet的深度学习框架，融合多流架构与注意力机制，用于结直肠疾病分类 | 提出TripleFusionNet三重流架构，结合EfficientNetB3、ResNet50和DenseNet121的多级特征提取，并集成多尺度注意力模块和挤压激励精化块以增强特征判别力，同时采用渐进门控融合机制动态加权融合特征 | 在CRCCD_V1数据集上，基于嵌入的分类器性能略优于端到端模型，表明端到端学习仍有提升空间 | 开发一种鲁棒的早期诊断方法，用于从组织病理和内镜图像中分类结直肠疾病 | 结直肠癌症的组织病理和内镜图像 | 计算机视觉, 数字病理学 | 结直肠癌 | NA | CNN | 图像 | CRCCD_V1数据集包含14个类别，LC25000数据集为二分类 | PyTorch | EfficientNetB3, ResNet50, DenseNet121, 多尺度注意力模块, 挤压激励精化块, 渐进门控融合 | 准确率, 宏F1分数, 精确率, 召回率, ROC-AUC | NA |
| 284 | 2026-04-25 |
Automatic detection of arterial input function for brain DCE-MRI in multi-site cohorts
2025-Dec, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70020
PMID:40808286
|
研究论文 | 提出一种鲁棒深度学习模型，用于从多中心DCE-MRI脑部影像中自动提取动脉输入函数 | 采用3D UNet模型结合额外卷积核和修正Huber损失函数，在多样多中心队列中实现动脉输入函数自动提取 | 非所有参与者数据均用于血脑屏障通透性测量，可能影响模型泛化性 | 开发并验证一种高精度动脉输入函数自动提取方法，用于脑部DCE-MRI定量药代动力学建模 | 人类脑部DCE-MRI影像及动脉输入函数区域 | 计算机视觉 | 脑血管疾病 | DCE-MRI成像 | 3D UNet | 医学图像 | 训练集：289名参与者共384次扫描；独立验证集：326名参与者共421次扫描 | NA | 3D UNet | AIFitness评分、Ktrans值、组内相关系数 | NA |
| 285 | 2026-04-12 |
MLSPred-bench: Transforming electroencephalography (EEG) datasets into machine learning-ready epileptic seizure prediction benchmarks
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103574
PMID:40949826
|
研究论文 | 本文介绍了一种将用于癫痫检测的脑电图数据集转换为适合癫痫发作预测的机器学习就绪基准的方法 | 开发了一种新方法，能将标注为检测用途的脑电图大数据转换为适用于预测任务的机器学习就绪数据，并生成了12个基准数据集 | NA | 为癫痫发作预测模型开发提供标准化的机器学习就绪基准数据 | 脑电图数据集 | 机器学习 | 癫痫 | 脑电图 | 机器学习模型,深度学习模型 | 脑电图信号 | NA | NA | NA | 验证准确率 | NA |
| 286 | 2026-04-12 |
Optimising personalised antibiotic treatment for methicillin-resistant Staphylococcus aureus bloodstream infections in ICU patients using a deep learning-based causal inference approach
2025-12, Journal of global antimicrobial resistance
IF:3.7Q2
DOI:10.1016/j.jgar.2025.08.012
PMID:40882869
|
研究论文 | 本研究利用基于深度学习的因果推断模型，评估了万古霉素、达托霉素和利奈唑胺对ICU患者MRSA血流感染住院死亡率的降低效果，并识别了与各抗生素疗效相关的患者特征 | 首次将基于深度学习的因果推断模型应用于ICU患者MRSA血流感染的抗生素个性化治疗评估，能够量化不同抗生素的死亡率降低效果并识别特定患者亚群的疗效差异 | 研究样本量相对较小（仅270名患者），且数据来源于回顾性数据库，可能存在选择偏倚和未测量的混杂因素 | 评估万古霉素、达托霉素和利奈唑胺对ICU患者MRSA血流感染住院死亡率的治疗效果，并为个性化抗生素治疗提供依据 | 重症监护室（ICU）中患有耐甲氧西林金黄色葡萄球菌（MRSA）血流感染的患者 | 机器学习 | 血流感染 | 基于深度学习的因果推断 | 深度学习模型 | 临床数据 | 270名ICU患者 | NA | NA | 平均处理效应（ATE）、P值 | NA |
| 287 | 2026-04-12 |
The future of immunotherapy: Can artificial intelligence predict the survival of lung cancer patients? A systematic review and meta-analysis
2025-12, Respiratory medicine
IF:3.5Q2
DOI:10.1016/j.rmed.2025.108492
PMID:41241154
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了基于AI模型（利用影像组学、基因组学和蛋白质组学数据）预测非小细胞肺癌患者免疫治疗后总生存期和无进展生存期的预后准确性 | 首次通过荟萃分析综合评估了AI模型在预测NSCLC免疫治疗生存结局中的表现，并比较了不同数据模态（如蛋白质组学）和AI方法（如深度学习）的预测准确性 | 纳入研究存在异质性（I²较高），且缺乏前瞻性验证和多中心临床试验数据，AI方法尚未标准化 | 评估AI模型在预测非小细胞肺癌患者免疫治疗生存结局中的预后准确性 | 接受免疫治疗的非小细胞肺癌患者 | 机器学习 | 肺癌 | 影像组学、基因组学、蛋白质组学 | 机器学习、深度学习 | 影像数据、基因组数据、蛋白质组数据 | 23项研究，共19,189名患者 | NA | NA | 风险比、95%置信区间、I²统计量 | NA |
| 288 | 2026-04-12 |
Automated artificial intelligence detection of early or under-diagnosed interstitial lung disease by computed tomography in the COPDGene trial
2025-12, Respiratory medicine
IF:3.5Q2
DOI:10.1016/j.rmed.2025.108545
PMID:41314436
|
研究论文 | 本研究评估了人工智能工具ScreenDx在COPDGene试验中自动检测早期或未诊断的间质性肺疾病（ILD）的能力 | 开发并验证了一个深度学习模型ScreenDx，用于在CT扫描中自动检测ILD特征，特别是在最初未诊断的病例中，展示了高敏感性和特异性 | 研究基于COPDGene数据集，ILD患病率目标设定为约1-2%，可能限制了结果的泛化性；且ILD病例最初是意外纳入的，可能存在选择偏倚 | 评估人工智能工具在CT扫描中检测早期或未诊断的间质性肺疾病的性能 | COPDGene试验中的患者，包括意外纳入的ILD患者（阳性）以及随机选择的COPD和对照患者（阴性） | 数字病理学 | 间质性肺疾病 | 计算机断层扫描（CT） | 深度学习模型 | 图像 | COPDGene数据集中的患者，目标ILD患病率为约1-2% | NA | ScreenDx | 敏感性, 特异性 | NA |
| 289 | 2026-04-11 |
Quantitative CT Imaging in Progressive Pulmonary Fibrosis: Clinical Usefulness and Meaningful Threshold Definition
2025-Dec-06, Chest
IF:9.5Q1
DOI:10.1016/j.chest.2025.11.031
PMID:41360185
|
研究论文 | 本研究通过深度学习定量CT成像，确定了非特发性肺纤维化纤维化间质性肺疾病中定义进行性肺纤维化的最小临床重要差异阈值，并验证了其预后价值 | 首次使用深度学习定量CT成像算法，定义了1年和6个月纤维化评分变化的最小临床重要差异阈值，并证明其能增强风险分层能力 | 研究为回顾性设计，可能受到选择偏倚的影响，且仅针对非特发性肺纤维化患者 | 确定定量CT成像在定义进行性肺纤维化中的临床有意义阈值，并评估其预后预测能力 | 非特发性肺纤维化纤维化间质性肺疾病患者 | 数字病理学 | 肺纤维化 | 定量CT成像 | 深度学习 | CT图像 | 476名患者 | NA | NA | 风险比, 置信区间 | NA |
| 290 | 2026-04-11 |
Classification of neurological and mental health disorders based on multimodal approaches: A comprehensive review
2025-Dec, Neuroscience and biobehavioral reviews
IF:7.5Q1
DOI:10.1016/j.neubiorev.2025.106399
PMID:41052735
|
综述 | 本文对基于深度学习的多模态方法在神经系统和心理健康障碍分类中的应用进行了全面回顾 | 填补了针对神经系统和心理健康障碍的深度学习多模态分类方法进行全面综述的空白，并分析了十种主要障碍（五种神经系统，五种心理健康相关） | NA | 指导未来研究，并促进开发更准确、可靠、可访问的神经系统和心理健康障碍诊断工具 | 十种主要的神经系统和心理健康障碍 | 机器学习 | 神经系统疾病，心理健康障碍 | NA | 深度学习 | 神经影像，生物信号，临床评估 | NA | NA | NA | NA | NA |
| 291 | 2026-04-06 |
A Hybrid GARCH-BiLSTM-KAN Model for Crude Oil Price Forecasting: Capturing Volatility, Temporal Dependencies, and Nonlinear Dynamics
2025-12-05, Journal of visualized experiments : JoVE
DOI:10.3791/69355
PMID:41428661
|
研究论文 | 本研究提出了一种混合GARCH-BiLSTM-KAN模型，用于原油价格预测，旨在捕捉波动性、时间依赖性和非线性动态 | 创新性地结合了GARCH模型、双向LSTM网络和Kolmogorov-Arnold网络，以协同方式量化时变波动性、建模双向时间关系并精炼非线性模式，超越了传统模型的局限 | 未明确提及具体限制，但可能包括模型复杂度高、计算资源需求大或对特定市场条件的泛化能力未知 | 开发一个稳健的预测工具，以准确预测原油价格，支持能源政策制定、风险对冲和金融衍生品定价 | 西德克萨斯中质原油的每日价格数据 | 机器学习 | NA | NA | GARCH, BiLSTM, KAN | 时间序列数据 | 39年的每日价格数据（1986-2025年） | NA | GARCH, Bidirectional LSTM, Kolmogorov-Arnold Network | 均方根误差, 平均绝对误差, 决定系数 | NA |
| 292 | 2026-04-05 |
Multimodal Motion Capture Toolbox for Enhanced Analysis of Intersegmental Coordination in Children with Cerebral Palsy and Typically Developing
2025-12-16, Journal of visualized experiments : JoVE
DOI:10.3791/69604
PMID:41490048
|
研究论文 | 本研究开发了一个多模态运动捕捉工具箱，用于增强脑瘫儿童和正常发育儿童节段间协调性的分析 | 结合了多种运动捕捉技术（包括研究级运动学设备、惯性测量单元、3D无标记系统和基于MediaPipe的2D无标记系统），并采用开源方法解决感觉处理问题患者群体的挑战 | 样本量较小（仅包括两名脑瘫儿童和两名正常发育儿童），可能限制结果的普遍性 | 评估和比较3D标记与2D无标记运动捕捉系统在分析儿童运动协调模式中的可行性和效果 | 脑瘫儿童和正常发育儿童 | 计算机视觉 | 脑瘫 | 运动捕捉技术、深度学习人体姿态估计 | NA | 视频、运动学数据 | 4名儿童（2名脑瘫儿童，2名正常发育儿童） | MediaPipe | NA | NA | NA |
| 293 | 2026-04-05 |
Case-Based Reasoning with Deep Learning for a Hybrid Approach to Legal Text Summarization
2025-12-12, Journal of visualized experiments : JoVE
DOI:10.3791/69287
PMID:41460740
|
研究论文 | 本文提出了一种结合案例推理与深度学习的混合方法，用于法律文本摘要生成 | 将案例推理与多阶段Transformer架构相结合，用于法律文本摘要，在事实准确性、推理保真度和法律实体保留方面表现优异 | 未明确说明模型的计算复杂度或处理超长法律文档的具体限制 | 开发一种能够准确高效生成法律文本摘要的混合方法 | 法律案例文本 | 自然语言处理 | NA | 深度学习，案例推理 | Transformer | 文本 | 4,968个法律案例 | 未明确说明 | 多阶段Transformer架构 | 准确率，ROUGE分数，连贯性 | NA |
| 294 | 2026-03-28 |
Transformer and graph variational autoencoder to identify microenvironments: A deep learning protocol for spatial transcriptomics
2025-Dec-19, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2025.104206
PMID:41313684
|
研究论文 | 本文提出了一个结合Transformer和图变分自编码器的计算框架TG-ME，用于通过空间转录组学和形态学图像解析空间微环境 | 创新性地整合了Transformer和图变分自编码器，以深度学习方式识别健康、肿瘤和感染组织中的空间微环境 | NA | 开发一个深度学习协议，用于识别和分析空间转录组学数据中的微环境 | 空间转录组学和形态学图像数据 | 数字病理学 | 肿瘤 | 空间转录组学 | Transformer, 图变分自编码器 | 空间转录组数据, 形态学图像 | NA | NA | Transformer, 图变分自编码器 | NA | NA |
| 295 | 2026-03-28 |
Protocol to annotate and automate single-cell instance segmentation on stimulated Raman histology using deep learning
2025-Dec-19, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2025.104221
PMID:41317327
|
研究论文 | 本文提出了一种基于深度学习的协议，用于在刺激拉曼组织学图像上实现单细胞实例分割的标注和自动化 | 开发了ELUCIDATE网络标注工具和DetectSRH Python库，结合深度学习实现无标记SRH图像的单细胞空间分析 | NA | 实现神经外科术中获取的SRH图像的自动化细胞分割 | 刺激拉曼组织学图像中的细胞 | 数字病理学 | NA | 刺激拉曼组织学 | 深度学习模型 | 图像 | NA | Python | NA | NA | NA |
| 296 | 2026-03-28 |
A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway
2025-12-18, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121751
PMID:41463404
|
研究论文 | 本研究利用深度学习模型预测并验证了一种蝎子肽Lpep3对白血病细胞的选择性抗白血病作用，通过破坏细胞膜并触发Bax/Bcl-2相关凋亡通路 | 结合AI计算模型快速筛选活性肽，并首次揭示Lpep3通过破坏细胞膜和诱导凋亡通路发挥选择性抗白血病效应 | 研究主要基于体外和动物模型，尚未进行人体临床试验，且具体作用机制细节需进一步探索 | 开发天然抗肿瘤药物，特别是针对白血病的治疗 | 白血病细胞（如MV-4-11）和小鼠模型 | 机器学习 | 白血病 | 深度学习模型预测，电子显微镜观察，台盼蓝染色，Calcein-AM/PI双染色，LDH和ATP释放检测，Western blotting，RT-qPCR | 深度学习模型 | 肽序列数据，细胞实验数据 | 七种肽的预测验证，涉及白血病细胞系和小鼠模型 | NA | NA | NA | NA |
| 297 | 2026-03-28 |
E2-regulated transcriptome complexity revealed by long-read direct RNA sequencing: from isoform discovery to truncated proteins
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2563860
PMID:40965441
|
研究论文 | 本研究利用纳米孔长读长直接RNA测序技术，揭示了雌激素调控的转录组复杂性，并发现了一种产生截短蛋白的TLE1内含子多聚腺苷酸化亚型及其在乳腺癌中的临床意义 | 首次结合纳米孔长读长直接RNA测序、3'端测序和深度学习蛋白建模，系统揭示了雌激素响应转录组的复杂性，并发现了一种具有功能的新型内含子多聚腺苷酸化mRNA亚型及其产生的截短蛋白 | 未明确说明样本的具体数量或实验重复次数，且功能验证主要基于体外实验 | 探索雌激素受体α阳性乳腺癌中雌激素调控的转录组复杂性和蛋白质水平影响 | 雌激素受体α阳性乳腺癌细胞及相关的转录组和蛋白质 | 生物信息学，计算生物学 | 乳腺癌 | 纳米孔长读长直接RNA测序，3'端测序，深度学习蛋白建模 | 深度学习模型 | RNA测序数据，蛋白质结构数据 | NA | NA | NA | NA | NA |
| 298 | 2026-03-28 |
Serum-MiR-CanPred: deep learning framework for pan-cancer classification and miRNA-targeted drug discovery
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2577433
PMID:41168129
|
研究论文 | 本研究开发了一个名为Serum-MiR-CanPred的深度学习框架，用于基于血清miRNA表达数据的泛癌分类和miRNA靶向药物发现 | 首次整合可解释AI与分子建模，利用88个miRNA共识集实现高精度泛癌分类，并识别出hsa-miR-5100作为关键生物标志物，进而通过分子对接发现潜在治疗配体 | 研究依赖于GEO数据库的现有数据，外部验证数据集可能有限，且分子对接结果需进一步实验验证 | 开发非侵入性癌症早期诊断工具并探索miRNA靶向药物发现 | 12种癌症类型及健康对照的血清miRNA表达数据 | 机器学习 | 泛癌 | 血清miRNA表达分析 | MLP | miRNA表达数据 | 20,271个样本 | NA | 多层感知机 | AUC, 准确率 | NA |
| 299 | 2026-03-28 |
G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data
2025-12-01, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121673
PMID:41463329
|
研究论文 | 本文介绍了G2PDeep-v2，一个基于深度学习的网络平台，用于多组学数据的表型预测和生物标志物发现 | 开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析 | 未在摘要中明确说明具体限制 | 为研究人员提供一个易于使用的工具，以整合和分析多组学数据，实现表型预测和生物标志物发现 | 跨多种生物（包括人类和植物）的多组学数据 | 机器学习 | NA | 多组学数据整合分析 | 深度学习模型 | 多组学数据 | NA | NA | NA | NA | 高性能计算资源 |
| 300 | 2026-03-28 |
DeepRNA-Reg: a deep-learning based approach for comparative analysis of CLIP experiments
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2564941
PMID:41055236
|
研究论文 | 本文提出了一种基于深度学习的DeepRNA-Reg方法，用于对配对的高通量测序RNA交联免疫沉淀实验数据进行高保真比较分析 | DeepRNA-Reg利用深度学习技术，在Ago2靶向被选择性扰动的实验范式中，提供了优于现有最佳差异HITS-CLIP分析方法的预测结果，并更好地符合RNA一级和二级结构基序的真实情况 | NA | 开发一种深度学习方法来改进配对HITS-CLIP实验数据的比较分析 | 高通量测序RNA交联免疫沉淀实验数据，特别是涉及Ago2靶向和microRNA簇基因敲除的实验 | 自然语言处理 | NA | HITS-CLIP | 深度学习 | RNA测序数据 | NA | NA | NA | NA | NA |