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 2151 篇文献，本页显示第 741 - 760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 741 | 2025-12-26 |
A Comparison of Two Deep Learning Approaches to Distinguish Functional Dissociative from Epileptic Seizures Using Event Videos
2025-Dec-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.18.25342568
PMID:41445663
|
研究论文 | 本研究比较了两种深度学习模型（姿态估计和3D CNN）在仅使用视频数据区分功能性分离性发作与癫痫性发作方面的性能 | 首次开发了不依赖视频脑电图或神经科医生人工审阅的机器学习工具，通过视频数据自动区分功能性分离性发作与癫痫性发作 | 研究为回顾性设计，样本量较小（仅10名患者），未来需要更大规模的研究验证 | 开发机器学习工具以区分功能性分离性发作与癫痫性发作，减少对视频脑电图和神经科医生人工审阅的依赖 | 功能性分离性发作和癫痫性发作患者的视频数据 | 计算机视觉 | 癫痫 | 视频分析 | CNN | 视频 | 10名患者的106个事件视频（61个癫痫性发作，45个功能性分离性发作） | NA | 3D CNN | AUROC, AUPRC, 敏感性, 精确度, 准确度 | NA |
| 742 | 2025-12-26 |
From Classical Machine Learning to Emerging Foundation Models: Review on Multimodal Data Integration for Cancer Research
2025-Dec-18, ArXiv
PMID:41445817
|
综述 | 本文全面回顾了从传统机器学习到新兴基础模型的多模态数据整合策略，以推进肿瘤学中数据驱动发现的计算方法 | 首次系统性地梳理了肿瘤学中从传统机器学习到先进基础模型用于多模态数据整合的转变，并将这些发展定位为癌症研究中大规模AI模型时代的基础 | NA | 回顾多模态数据整合策略，以协助推进肿瘤学中数据驱动发现的计算方法 | 多模态数据（基因组学、蛋白质组学、影像学、临床因素） | 机器学习 | 癌症 | NA | 基础模型, 深度学习模型 | 多模态数据（基因组、蛋白质组、影像、临床） | NA | NA | NA | NA | NA |
| 743 | 2025-12-26 |
Artificial Intelligence for Microbiology and Microbiome Research
2025-Dec-18, ArXiv
PMID:41445807
|
综述 | 本文综述了人工智能在微生物学和微生物组研究中的应用，涵盖技术进展和生物学见解 | 提供了针对微生物学和微生物组研究的AI驱动方法的全面概述，强调技术进展与生物学见解的结合 | NA | 概述人工智能在微生物学和微生物组研究中的应用，以增强对微生物生命及其对地球和健康影响的理解 | 微生物学和微生物组研究 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 744 | 2025-12-26 |
Automated lung sound detection via Bi-GRU-modified SqueezeNet architecture with new stock well feature set
2025-Dec-17, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究提出了一种名为BGRMSNet的新型深度学习模型，用于自动检测和分类肺音，以辅助诊断多种呼吸系统疾病 | 提出了一种结合双向门控循环单元和改良SqueezeNet的混合架构，并引入了基于阈值的维纳滤波预处理技术和改进的Stockwell变换等新特征集 | 未明确说明模型在临床实际环境中的泛化能力测试，以及与其他最先进深度学习模型的全面比较 | 开发一个自动化的肺音检测与分类系统，以辅助呼吸系统疾病的诊断 | 肺音信号 | 机器学习 | 呼吸系统疾病（包括哮喘、支气管扩张、细支气管炎、COPD、上下呼吸道感染等） | 信号处理技术（包括改进的Stockwell变换、短时傅里叶变换等） | Bi-GRU, CNN | 音频信号 | NA | NA | Bidirectional-Gated Recurrent Unit-Modified SqueezeNet, 改良SqueezeNet | 准确率, 特异性, 阴性预测值 | NA |
| 745 | 2025-12-26 |
AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
2025-Dec-16, ArXiv
PMID:41445815
|
研究论文 | 提出一种名为AnySleep的通道无关深度学习系统，用于在多中心队列中进行高分辨率睡眠分期 | 开发了首个能够使用任意EEG或EOG数据、在可调时间分辨率下进行睡眠分期的深度学习模型，并在跨21个数据集的超过19,000条夜间记录上验证了其鲁棒性 | 未明确说明模型在极少数特殊电极配置或罕见睡眠障碍中的表现 | 解决多中心睡眠研究中由于电极数量、导联方式和受试者特征差异导致的标准化难题，并探索更短时间尺度上的新型生物标志物 | 多中心收集的睡眠多导图（PSG）记录，包括EEG和EOG数据 | 数字病理学 | 老年疾病 | 多导睡眠图（PSG） | 深度神经网络 | 时间序列信号（EEG/EOG） | 超过19,000条夜间记录，来自21个数据集，总计近200,000小时的EEG和EOG数据 | 未明确说明 | 未明确说明 | 未明确说明具体指标，但提及达到最先进性能并在30秒时段上超越或持平现有基线 | 未明确说明 |
| 746 | 2025-12-26 |
Scaling deep learning for material imaging with a pseudo 3D model for domain transfer
2025-Dec-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-66449-6
PMID:41387957
|
研究论文 | 提出了一种名为P3T-Net的伪三维域迁移网络，用于将多样化的3D图像统一到同一域，以提高深度学习模型在材料成像中的泛化能力 | 引入伪三维域迁移网络P3T-Net，能够将不同成像条件下的3D图像迁移到统一域，从而允许重用已训练模型处理新图像，并显著降低跨域迁移的计算成本 | 未明确提及模型在极端成像条件下的表现或对特定材料类型的适用性限制 | 减少3D X射线成像中因成像条件变化导致的图像不一致性，实现单一深度学习模型处理多数据集 | 地质岩石、氢燃料电池、锂离子电池等材料的3D X射线图像 | 计算机视觉 | NA | 3D X射线成像 | 深度学习网络 | 3D图像 | 涉及多种材料（地质岩石、氢燃料电池、锂离子电池）的图像，具体样本数量未明确 | NA | P3T-Net | NA | 单GPU（支持万亿体素规模的3D迁移） |
| 747 | 2025-12-26 |
Allosteric prediction via convolutional neural networks and protein structural and dynamical features
2025-Dec-11, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2025.12.011
PMID:41383018
|
研究论文 | 本研究提出了一种基于卷积神经网络和蛋白质结构及动力学特征来预测蛋白质变构功能状态的机器学习方法 | 首次将原子接触图等结构特征与线性化互信息等动力学特征结合，利用预训练的GoogLeNet和ResNet18卷积神经网络模型，对KRas蛋白的活性状态进行高精度分类 | 研究仅针对KRas蛋白模型系统进行验证，未在其他蛋白质上广泛测试，且依赖于可用的X射线晶体结构数据 | 预测蛋白质的变构功能状态，以支持功能注释和药物开发 | 小G蛋白KRas，作为癌症相关且结构研究充分的模型系统 | 机器学习 | 癌症 | X射线晶体学 | CNN | 图像 | NA | NA | GoogLeNet, ResNet18 | 准确率 | NA |
| 748 | 2025-12-09 |
Artificial intelligence based quantification of T lymphocyte infiltrate predicts prognosis in high grade breast cancer using deep learning and statistical validation
2025-Dec-07, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-04185-5
PMID:41353687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 749 | 2025-12-26 |
Deploying TinyML for energy-efficient object detection and communication in low-power edge AI systems
2025-Dec-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-27818-9
PMID:41350337
|
研究论文 | 本文提出了一种针对低功耗边缘AI系统的实时物体检测系统，通过模型压缩技术和双模通信协议优化能量效率和可扩展性 | 将MobileNetV2轻量化神经网络与8位后训练量化结合，在资源受限的微控制器上实现存储减少3倍，同时集成双模TCP/UDP通信以平衡可靠性与低延迟 | 研究基于Visual Wake Words数据集，可能未涵盖更复杂的物体检测场景；系统在极端资源约束下的性能边界尚未充分探索 | 开发适用于低功耗边缘AI系统的能量高效物体检测与通信解决方案 | 资源受限的微控制器单元（MCUs）及边缘AI应用场景 | 计算机视觉 | NA | 模型量化 | CNN | 图像 | 使用Visual Wake Words数据集（具体样本数未明确） | TensorFlow Lite Micro（推断），未明确训练框架 | MobileNetV2 | 准确率，延迟（每帧3.47-14.98毫秒），能量消耗（每次推断10.6-22.1焦耳），存储占用（286-536 KB） | 低功耗微控制器平台（1 MB闪存/256 KB SRAM），集成摄像头和Wi-Fi模块 |
| 750 | 2025-12-26 |
Photon-Counting Detector CT of the Brain Reduces Variability of Hounsfield Units and Has a Mean Offset Compared with Energy-Integrating Detector CT
2025-Dec-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8910
PMID:40592542
|
研究论文 | 本研究比较了光子计数探测器CT与能量积分探测器CT在脑部成像中的亨氏单位变异性、图像噪声及对比度 | 首次使用基于深度学习的自动化脑部分割技术，系统比较新型光子计数探测器CT与传统能量积分探测器CT在脑组织衰减测量中的性能差异 | 研究为回顾性设计，未包含脑部病理患者，且未探讨窗口预设调整的临床影响 | 评估光子计数探测器CT技术在脑部CT成像中对组织衰减测量的精确性和图像质量的改进 | 无脑部病理患者的脑部CT图像 | 医学影像分析 | NA | CT成像，光子计数探测器技术，能量积分探测器技术 | 深度学习 | 医学图像（CT扫描） | 总计509名患者（329名EID-CT，180名PCD-CT），年龄匹配子集包含314名患者 | NA | NA | 亨氏单位，灰白质比率，对比噪声比 | NA |
| 751 | 2025-12-26 |
Artificial Intelligence-Driven Detection of Large Vessel Occlusions on NCCT: A Multi-Institutional Study
2025-Dec-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8923
PMID:41067911
|
研究论文 | 本研究评估了一种名为“Triage Stroke”的深度学习算法在非增强CT上检测前循环大血管闭塞的性能 | 首次在多机构研究中评估了AI软件在NCCT上检测LVO的性能，并与放射科医师进行了前瞻性比较，同时探索了结合NIHSS评分对模型性能的优化 | 研究仅针对前循环LVO，样本量相对有限（612例），且仅在美国的3个卒中中心进行 | 评估深度学习算法在非增强CT上识别急性缺血性卒中患者前循环大血管闭塞的预测能力 | 疑似急性缺血性卒中的患者 | 数字病理学 | 心血管疾病 | 非增强CT，CTA | 深度学习算法 | 医学影像 | 612名来自3个美国综合性卒中中心的疑似急性缺血性卒中患者 | NA | Triage Stroke (Brainomix 360) | 灵敏度, 特异度, 阳性预测值, 阴性预测值, AUC | NA |
| 752 | 2025-12-26 |
Connectome of a human foveal retina
2025-Dec-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.05.647403
PMID:40799563
|
研究论文 | 本文利用基于深度学习的分割方法，分析了人类中央凹视网膜的细胞和突触连接，构建了完整的连接组，揭示了人类视觉系统的独特特征 | 首次通过深度学习分割技术获取人类中央凹视网膜的完整连接组，发现了非人类灵长类中不存在的突触通路，可能参与人类色觉，并提出了基于电突触的生物物理模型 | 研究仅基于一个人类中央凹视网膜样本，可能无法完全代表个体差异或更广泛的视网膜区域 | 构建人类中央凹视网膜的连接组，以理解其细胞类型、突触通路和视觉信息处理机制 | 人类中央凹视网膜的细胞、突触连接和视觉通路 | 数字病理学 | NA | 基于深度学习的分割技术 | 深度学习模型 | 图像数据（视网膜细胞和突触的显微图像） | 一个人类中央凹视网膜样本 | NA | NA | NA | NA |
| 753 | 2025-12-26 |
Deep Learning Detection of Retinitis Pigmentosa Inheritance Forms through Synthetic Data Expansion of a Rare Disease Dataset
2025-Dec-02, Research square
DOI:10.21203/rs.3.rs-8002154/v1
PMID:41377980
|
研究论文 | 本研究提出了一种基于Vision Transformer的深度学习模型，通过合成数据扩展策略，利用彩色眼底摄影自动区分视网膜色素变性的常染色体和X连锁遗传模式 | 首次将Vision Transformer模型应用于视网膜色素变性遗传模式的自动分类，并引入基于变分自编码器的创新数据扩展策略以解决罕见疾病数据稀缺问题 | 研究聚焦于视网膜色素变性，可能无法直接推广到其他遗传性视网膜疾病；数据量虽经扩展但仍相对有限 | 开发一种基于深度学习的方法，用于自动推断遗传性视网膜疾病的遗传模式，以辅助诊断和遗传咨询 | 视网膜色素变性患者的彩色眼底图像 | 计算机视觉 | 视网膜色素变性 | 彩色眼底摄影 | Vision Transformer | 图像 | NA | NA | Vision Transformer | AUC | NA |
| 754 | 2024-08-07 |
Deep learning-assisted approaches in screening of marine natural products for acetylcholinesterase inhibition activity
2025-Dec, Natural product research
IF:1.9Q3
DOI:10.1080/14786419.2024.2383992
PMID:39075812
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 755 | 2025-11-14 |
Response to correspondence on 'Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings'
2025-Dec, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2025.105881
PMID:41223632
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 756 | 2025-12-26 |
Diagnostic Accuracy of Artificial Intelligence Models for Predicting Postoperative Complications Following Free Flap Reconstruction: A Systematic Review and Meta-Analysis
2025-Dec, Microsurgery
IF:1.5Q3
DOI:10.1002/micr.70143
PMID:41231400
|
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人工智能模型在预测游离皮瓣重建术后并发症方面的诊断准确性 | 首次对AI模型在皮瓣术后并发症预测中的诊断性能进行系统评估，并比较了不同输入模态在模型训练中的效果 | 纳入研究数量有限（12项），且存在异质性，可能影响结果的普适性 | 系统评估人工智能模型在预测皮瓣手术后并发症的诊断性能 | 接受游离皮瓣重建手术的患者 | 机器学习 | 术后并发症 | NA | 深度学习模型 | 照片数据等多种输入模态 | 18,520名患者，32,148个输入数据点 | NA | NA | 敏感性, 特异性, 似然比, SROC曲线下面积 | NA |
| 757 | 2025-12-26 |
Noninvasive Coronary Artery Disease Detection Using Retinal Images: A Multimodal Study
2025-Dec, JACC. Advances
DOI:10.1016/j.jacadv.2025.102341
PMID:41265390
|
研究论文 | 本研究开发了一种基于深度学习的多模态框架，利用视网膜图像和临床指标进行冠状动脉疾病的无创检测 | 首次提出结合视网膜图像与临床指标的多模态深度学习框架用于CAD检测，并引入了跨模态注意力机制进行信息融合 | 研究为横断面设计，样本量相对有限（383例），且仅来自4家医院，需要更大规模的前瞻性研究验证 | 开发一种安全、无创的冠状动脉疾病检测方法 | 接受冠状动脉造影的患者 | 计算机视觉, 数字病理学 | 心血管疾病 | 视网膜成像 | CNN, 多层感知机, 注意力机制 | 图像, 临床指标 | 383名来自4家医院的患者（2022年11月至2024年9月） | NA | 卷积网络, 医学大语言模型, 多层感知机, 跨模态注意力机制 | AUC, 灵敏度, 特异性, 准确率 | NA |
| 758 | 2025-12-26 |
Enhanced Diagnosis of Lung and Colon Cancer Severity Through Deep Feature Analysis Using DenseNet201 and SVM With Histopathological Images: A Super-Resolution Approach
2025-Dec, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70439
PMID:41432706
|
研究论文 | 本研究提出了一种结合超分辨率卷积神经网络（FSRCNN）和基于DenseNet201的支持向量机（SVM）模型的新方法，用于提高肺癌和结肠癌组织病理学图像的诊断准确性 | 创新点在于采用FSRCNN进行图像增强以提升分辨率，并结合DenseNet201提取的深度特征与SVM进行分类，实现了对肺癌和结肠癌严重程度的高精度诊断 | 局限性在于仅使用了LC25000数据集，未来需要更广泛和多样化的数据集进行验证，并考虑整合遗传数据和电子健康记录等补充诊断技术 | 研究目标是开发一种基于深度学习的诊断方法，以提高肺癌和结肠癌检测的准确性 | 研究对象是肺癌和结肠癌的组织病理学图像 | 数字病理学 | 肺癌, 结肠癌 | 组织病理学成像, 超分辨率技术 | CNN, SVM | 图像 | 25000张组织病理学图像 | NA | DenseNet201, FSRCNN | 准确率, 精确率, 灵敏度, F1分数, 特异性 | NA |
| 759 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110306
PMID:41433463
|
研究论文 | 本研究通过纵向分析老年驾驶者的自然驾驶行为，探讨了白质高信号对复杂认知表现的影响 | 首次将白质高信号的区域特异性分布与自然驾驶行为中的复杂认知功能变化联系起来，并使用深度学习算法精确量化白质高信号体积和分布 | 样本量相对较小（212名认知完好的老年人），且研究仅限于特定队列（DRIVES项目），可能限制了结果的普适性 | 探究白质高信号如何影响老年人的真实世界认知功能，特别是驾驶行为 | 认知完好的老年人（年龄≥65岁，临床痴呆评分为0） | 数字病理学 | 阿尔茨海默病 | 3T MRI脑部扫描，深度学习算法 | 深度学习算法 | 图像（MRI扫描），驾驶行为数据（来自车载数据记录器） | 212名认知完好的老年人，共74,275周的驾驶数据 | NA | NA | FDR校正的p值 | NA |
| 760 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110308
PMID:41433484
|
研究论文 | 本研究利用结构脑MRI神经影像估计大脑年龄，并探讨白质高信号与大脑年龄、脑萎缩及加速脑老化之间的关系 | 结合深度学习自动分割白质高信号与基于回归的3D全卷积网络计算大脑年龄，在多站点健康人群中系统分析了WMH与大脑老化指标的相关性 | 样本主要来自健康参与者，缺乏临床患者队列；使用1.5T MR机器可能限制图像分辨率；未调整时序年龄以避免共线性可能影响模型 | 探究白质高信号与大脑年龄、脑体积变化及加速脑老化之间的关联 | 1,164名健康参与者（平均年龄55.17岁，52%女性，48%男性，39%非白人） | 数字病理学 | 阿尔茨海默病 | 结构脑MRI，FLAIR成像，T1加权MRI | CNN，全卷积网络 | 图像 | 1,164名健康参与者（训练数据来自120个个体和5,500名健康个体） | TensorFlow，PyTorch | 2D卷积神经网络，3D Simple Fully Convolutional Network | 部分相关系数，p值，回归t值 | NA |