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 2152 篇文献，本页显示第 421 - 440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 421 | 2026-01-02 |
Towards a cardiovascular magnetic resonance foundation model for multi-task cardiac image analysis
2025 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2025.101967
PMID:41046013
|
研究论文 | 本研究开发了一个心血管磁共振专用的视觉基础模型，并通过监督微调用于九种不同的CMR图像分析任务 | 首次为心血管磁共振开发了专用的视觉基础模型，并通过自监督预训练在大量CMR图像上学习通用表征，证明了其在多任务分析中的优越性 | 在疾病检测任务上性能提升有限，且未进行任务特定的方法学优化 | 开发一个统一的心血管磁共振图像分析基础模型，以提升多任务分析的准确性和鲁棒性 | 心血管磁共振图像 | 计算机视觉 | 心血管疾病 | 心血管磁共振成像 | Vision Transformer | 图像 | 来自27,524名受试者的3600万张CMR图像 | PyTorch | ViT-S/8 | 准确率, Dice系数, 标准偏差 | NA |
| 422 | 2026-01-02 |
AI-assisted sentinel lymph node examination and metastatic detection in breast cancer: the potential of ChatGPT for digital pathology research
2025-Dec, Pathologica
IF:4.4Q1
DOI:10.32074/1591-951X-N1068
PMID:41454765
|
研究论文 | 本研究评估了ChatGPT-4在乳腺癌前哨淋巴结冰冻切片中检测转移的潜力 | 首次将ChatGPT-4应用于乳腺癌前哨淋巴结冰冻切片的转移检测，探索其在数字病理研究中的实际应用 | 样本量较小（仅90个前哨淋巴结），且为回顾性研究，可能影响结果的普遍性 | 评估AI模型在乳腺癌前哨淋巴结转移检测中的诊断性能，以提升病理工作流程的准确性和效率 | 乳腺癌患者的前哨淋巴结冰冻切片 | 数字病理 | 乳腺癌 | 冰冻切片，数字病理 | 深度学习模型 | 图像 | 90个前哨淋巴结 | NA | ChatGPT-4 | 准确率，灵敏度，特异性 | NA |
| 423 | 2026-01-02 |
Accurate Generation of Conformational Ensembles for Intrinsically Disordered Proteins with IDPFold
2025-Dec, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202511636
PMID:41082321
|
研究论文 | 本文介绍了一种名为IDPFold的新方法，该方法利用微调的扩散模型直接从序列生成内在无序蛋白的构象集合 | IDPFold消除了对多序列比对或实验数据的依赖，能够更详细地表征IDP集合的结构特征 | NA | 研究内在无序蛋白的构象特性 | 内在无序蛋白 | 机器学习 | 癌症, 糖尿病, 阿尔茨海默病 | 扩散模型 | 扩散模型 | 蛋白质序列 | 27个IDP系统 | NA | IDPFold | 回转半径误差, Cα二级化学位移的均方根偏差 | NA |
| 424 | 2026-01-02 |
RiboMicrobe: An Integrated Translatome Atlas for Microorganism
2025-Dec, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202509877
PMID:41082396
|
研究论文 | 本文介绍了RiboMicrobe，一个专为原核微生物Ribo-seq数据设计的综合数据库，并集成了基于Transformer的深度学习模型用于sORF预测 | 开发了首个专门针对原核微生物翻译组的综合数据库，并引入了两种基于Transformer架构的新型sORF预测模型 | 数据库目前仅涵盖36种原核生物和2种病毒，数据覆盖范围有限 | 构建一个集成数据库和工具平台，以支持微生物翻译组学研究和sORF注释 | 原核微生物和病毒的翻译组数据 | 生物信息学 | NA | Ribo-seq, RNA-seq, 蛋白质组学 | Transformer | 测序数据 | 891个Ribo-seq数据集、369个匹配的RNA-seq数据集和62个蛋白质组数据集 | NA | Transformer | NA | NA |
| 425 | 2026-01-02 |
Cytological Classification Diagnosis for Thyroid Nodules via Multimodal Model Deep Learning
2025-Dec, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202511369
PMID:41098080
|
研究论文 | 本文开发了AI-TFNA平台，通过多模态深度学习模型提高甲状腺结节细胞学分类诊断的准确性和临床效率 | 提出了结合BRAF突变数据和图像外观迁移（IAM）技术的多模态模型，显著提升了模型在不同机构间的泛化能力 | 研究主要基于中国七个医疗中心的数据，可能在其他地区或人群中的适用性有待进一步验证 | 开发一个稳健的人工智能平台，以提高甲状腺结节诊断的准确性和临床效率 | 甲状腺结节样本，特别是甲状腺细针穿刺（TFNA）样本 | 数字病理学 | 甲状腺结节 | 甲状腺细针穿刺（TFNA）、BRAF突变检测 | 深度学习模型 | 图像、突变数据 | 总样本20,803个，其中4,421个TFNA样本用于训练，2,153个样本用于外部验证 | NA | 多模态模型 | 准确率、灵敏度、特异性 | NA |
| 426 | 2026-01-01 |
A novel deep learning approach for intrusion detection in maritime radar networks
2025-Dec-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34353-0
PMID:41469470
|
研究论文 | 本文提出了一种名为MARINERNet的深度学习入侵检测系统，专门用于海上雷达网络 | 引入了一种结合1D卷积层、挤压-激励模块和残差连接的新型架构，能够自动从原始雷达网络数据中提取特征，无需人工干预 | 未在摘要中明确提及 | 解决海上雷达网络中的网络安全问题，提高入侵检测的准确性和实时性 | 海上雷达网络 | 机器学习 | NA | 深度学习 | CNN | 雷达网络数据 | 未在摘要中明确提及 | 未在摘要中明确提及 | 结合1D卷积层、挤压-激励模块和残差连接的自定义架构 | 准确率 | 未在摘要中明确提及 |
| 427 | 2026-01-01 |
A deep learning based automated maxillary sinus segmentation and bone grafts analysis in CBCT images
2025-Dec-31, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02275-w
PMID:41469515
|
研究论文 | 本研究开发并验证了一种名为SA-ai的深度学习系统，用于自动分割上颌窦并分析CBCT图像中的骨移植体积 | 提出了一种结合2D U-Net和3D V-Net的全自动深度学习系统，用于量化上颌窦骨增量，实现了超过20倍的工作流效率提升 | 研究仅基于85名患者的配对CBCT数据集，样本量相对有限，且未明确提及外部验证 | 优化种植体治疗，通过自动化系统精确评估上颌窦骨增量后的骨获得情况 | 上颌窦骨增量患者的CBCT图像 | 数字病理学 | NA | CBCT成像 | CNN | 图像 | 85名患者的配对CBCT数据集 | NA | 2D U-Net, 3D V-Net | Dice系数, 配准RMSE, ICC | NA |
| 428 | 2026-01-01 |
Editorial for "Deep Learning-Based Brainstem Segmentation and Multi-Class Classification for Parkinsonian Syndrome"
2025-Dec-31, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70210
PMID:41473963
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 429 | 2026-01-01 |
IFNg_DeepKG: A Novel Model for Identifying Interferon-Gamma-Inducing Epitopes Using Knowledge Graph RAG in Biomedical Applications
2025-Dec-31, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02248
PMID:41474270
|
研究论文 | 提出了一种名为IFNg_DeepKG的新模型，用于识别干扰素-γ诱导表位，通过结合知识图谱检索增强生成和深度学习技术提升预测性能 | 首次将预训练蛋白质语言模型、自定义知识图谱（采用检索增强生成方法）和多尺度卷积神经网络协同集成，利用RAG-KG为序列嵌入丰富外部生物上下文信息 | 未明确说明模型在更广泛物种或复杂疾病表位上的泛化能力限制，以及计算资源需求的具体分析 | 准确高效地计算识别干扰素-γ诱导表位，以支持下一代疫苗和免疫疗法的设计 | 干扰素-γ诱导表位，包括与COVID-19和阿尔茨海默病相关的临床相关表位 | 计算免疫学 | COVID-19, 阿尔茨海默病 | 蛋白质语言模型, 知识图谱, 检索增强生成 | 多尺度卷积神经网络 | 序列数据 | 人类H_IFNgInd1和H_IFNgInd2数据集、小鼠M_IFNgInd1和M_IFNgInd2数据集 | NA | ESM2, MSCNN | AUC | NA |
| 430 | 2026-01-01 |
Development and validation of a deep learning-based model for predicting prostate cancer in patients with gray-zone PSA levels: a comparative study with clinician observations
2025-Dec-31, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-06174-3
PMID:41474500
|
研究论文 | 本研究开发并验证了一种基于深度学习的模型，用于利用多参数磁共振成像（mp-MRI）检测灰区PSA水平患者的前列腺癌，并与放射科医生的诊断性能进行了比较 | 开发了一种整合ADC和T2WI数据的多模态卷积神经网络模型，在灰区PSA水平患者的前列腺癌检测中表现出高准确性，性能与资深放射科医生相当，并优于经验较少的医生和基于Transformer的模型 | 研究为回顾性多中心设计，可能存在选择偏倚；最终队列样本量相对较小（274例患者），且仅使用了T2WI和ADC两种MRI序列 | 开发并验证一个深度学习模型，以辅助灰区PSA水平患者的前列腺癌检测 | 疑似前列腺病变的患者，特别是PSA水平处于灰区的患者 | 数字病理学 | 前列腺癌 | 多参数磁共振成像（mp-MRI），包括T2加权成像（T2WI）和表观扩散系数（ADC） | CNN, Transformer | 医学影像（MRI图像） | 最终队列包括274名患者（90例前列腺癌，184例非癌），分为训练集162例、验证集56例和测试集56例 | NA | 多属性卷积神经网络（CNNs），具体架构未明确说明；Transformer模型 | AUC（曲线下面积） | NA |
| 431 | 2026-01-01 |
Test-Time Adaptation for Detecting Image Inpainting Forgeries
2025-Dec-30, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3647640
PMID:41468337
|
研究论文 | 提出一种用于检测图像修复伪造的测试时自适应检测框架 | 提出基于图像梯度的模型不确定性度量指标来协调整个自适应过程，并引入跨注意力模块作为侧调模块，使模型能在不改变主干网络的情况下动态适应可靠的测试样本 | NA | 解决图像修复伪造检测模型在测试样本与训练数据存在差异时性能显著下降的问题 | 深度学习生成的图像修复伪造图像 | 计算机视觉 | NA | NA | CNN | 图像 | 包含多种修复方法生成的合成图像数据集 | PyTorch | ResNet | 准确率 | NA |
| 432 | 2026-01-01 |
Basic Process Equation for Analytical Chemistry - An Inclusive and Conciliatory Approach
2025-Dec-30, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c05444
PMID:41468535
|
研究论文 | 本文提出了一种基于信息流的基本过程方程，用于统一分析化学中的传统方法与现代多元数据分析方法 | 首次引入'分析算子'概念，将分析化学范式从测量转向信息，并提供了一个包容性框架以协调传统单变量方法与基于化学计量学、机器学习等的多元数据方法 | NA | 建立分析化学的统一理论框架，以信息流为核心基准 | 分析化学过程，特别是从分析信号中提取化学信息的信息转换 | NA | NA | 化学计量学，数据挖掘，机器学习，深度学习，人工智能 | NA | 单变量数据，多元数据 | NA | NA | NA | NA | NA |
| 433 | 2026-01-01 |
Improvements to Casanovo, a Deep Learning De Novo Peptide Sequencer
2025-Dec-30, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.5c00706
PMID:41468557
|
研究论文 | 本文介绍了对Casanovo这一深度学习从头肽段测序器的系列改进，旨在提升其评分可解释性、通用性、运行效率及用户体验 | 通过增强评分可解释性、扩展软件至数据库搜索应用、加速训练与预测过程，并引入工作流和可视化工具，提升了Casanovo的实用性和易用性 | 未明确提及具体性能提升的量化数据或与其他工具的对比分析 | 改进Casanovo深度学习模型，使其在蛋白质组学应用中更准确、易用 | 质谱和蛋白质组学数据中的肽段序列 | 机器学习 | NA | 质谱分析 | 深度学习模型 | 质谱数据 | NA | NA | Casanovo | NA | NA |
| 434 | 2026-01-01 |
Development and Validation of a Multimodal Deep Learning Model for Early Esophageal Squamous Neoplasia Detection and Invasion Depth Prediction
2025-Dec-30, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2780-0974
PMID:41468904
|
研究论文 | 开发并验证了一种基于多模态深度学习的模型MUMA-EDx，用于早期食管鳞状细胞癌的检测和浸润深度预测 | 首次将放大内镜和超声内镜成像通过深度学习进行特征级融合，显著提升了早期食管鳞癌的识别和浸润深度评估性能 | 模型在外部验证队列中对于多类浸润深度分类的AUC有所下降，表明可能存在泛化性限制 | 提高早期食管鳞状细胞癌的诊断准确性和浸润深度预测能力 | 食管鳞状细胞癌患者的内镜图像数据 | 数字病理学 | 食管癌 | 放大内镜，超声内镜 | 深度学习 | 图像 | 回顾性数据集460名患者（20,889张图像），前瞻性队列131名患者（9,124张图像） | NA | TResNet_m | AUC-ROC，准确率，灵敏度，特异性，阳性预测值，阴性预测值 | NA |
| 435 | 2026-01-01 |
A PIKAN-based model for the prediction of the temperature fields of castings
2025-Dec-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32973-0
PMID:41469430
|
研究论文 | 本研究提出了一种基于PIKAN的深度学习模型，用于预测铸造过程中二维温度场的演化 | 提出了一种结合物理损失与数据损失的损失函数，并通过贝叶斯优化确定最优权重参数，同时采用多铸造几何形状进行预训练以提高预测效率 | NA | 优化铸造工艺，通过深度学习预测铸造凝固过程中的温度场 | 铸造过程中的温度场 | 机器学习 | NA | 深度学习 | MLP | 时空参数数据 | NA | NA | PIKAN | 绝对误差, 平均温度误差, 平均准确率 | NA |
| 436 | 2026-01-01 |
DCPR: a deep learning framework for circadian phase reconstruction
2025-Dec-30, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06363-2
PMID:41469552
|
研究论文 | 本文开发了一种名为DCPR的无监督深度学习框架，用于从非定时转录组数据中准确重建昼夜节律相位 | 提出了一种新的无监督深度学习框架DCPR，在昼夜节律相位估计方面优于现有方法，并通过模拟数据、真实数据、知识库挖掘和离体实验数据进行了全面验证 | 未明确提及具体局限性 | 开发一个深度学习框架，用于从非定时转录组数据中重建昼夜节律相位，以促进昼夜节律相关疾病治疗方法的发现 | 昼夜节律系统及其基因表达振荡模式 | 机器学习 | 昼夜节律相关行为与病理障碍 | 转录组学 | 深度学习 | 转录组数据 | NA | NA | NA | NA | NA |
| 437 | 2026-01-01 |
Prioritizing missense mutations via a deep learning phosphorylation prediction model
2025-Dec-30, Human genomics
IF:3.8Q2
DOI:10.1186/s40246-025-00898-4
PMID:41469746
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 438 | 2026-01-01 |
GLANCE: continuous global-local exchange with consensus fusion for robust nodule segmentation
2025-Dec-30, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02251-4
PMID:41469800
|
研究论文 | 本文提出了一种名为GLANCE的新型双流架构，用于从CT扫描中准确分割和检测肺结节，以克服现有深度学习模型的局限性 | GLANCE通过跨尺度共识融合机制，持续整合全局上下文变换器和多感受野分组空洞混合器的互补特征流，防止表示冲突并促进协同学习 | NA | 提高肺结节的准确分割和检测，以支持早期肺癌诊断 | 肺结节 | 计算机视觉 | 肺癌 | CT扫描 | Transformer, CNN | 图像 | 四个公共基准数据集（LIDC-IDRI, LNDb, LUNA16, Tianchi） | NA | GLANCE, 全局上下文变换器, 多感受野分组空洞混合器, 双头金字塔细化解码器 | NA | NA |
| 439 | 2026-01-01 |
Artificial intelligence technology for the ethical issues research from a Marxist perspective under deep learning
2025-Dec-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34208-8
PMID:41469803
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 440 | 2026-01-01 |
Enhancing crayfish sex identification with Kolmogorov-Arnold networks and stacked autoencoders
2025-Dec-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34095-z
PMID:41469793
|
研究论文 | 本研究利用Kolmogorov-Arnold网络和堆叠自编码器，结合传统机器学习和深度学习模型，对小龙虾的性别进行二元分类，旨在提升分类性能 | 提出了一种基于堆叠自编码器的新型架构，并首次将Kolmogorov-Arnold网络应用于小龙虾性别分类任务，展示了混合人工智能模型的有效性 | 数据集中存在类别不平衡问题，且部分模型在性能提升方面表现不一致 | 提升小龙虾性别分类的准确性和效率，以支持淡水生态系统的人口结构分析 | 小龙虾的性别分类 | 机器学习 | NA | NA | Kolmogorov-Arnold网络, 自编码器, 支持向量机, 多层感知器, 朴素贝叶斯 | 表格数据, 图像数据 | NA | NA | 堆叠自编码器 | 准确率 | NA |