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 2073 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2026-01-06 |
Learning Patient Similarity from Genomics for Precision Oncology
2025-Dec-18, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.17.25342480
PMID:41445600
|
研究论文 | 本文开发了一个基于深度学习的患者相似性建模框架，利用真实世界的临床基因组数据，通过嵌入肿瘤基因组图谱来测量患者相似性，并评估患者亚组与共享治疗结果之间的关联 | 该框架能够从复杂的分子和临床数据中提取简洁、上下文特定的见解，支持无可用生物标志物或未知原发癌症患者的决策，并在持续学习场景中随时间动态更新 | 未明确提及具体局限性，可能包括数据来源的单一性、模型泛化能力或临床验证的不足 | 开发一个基于患者相似性的决策支持模型，以促进精准肿瘤学的更广泛实现 | 乳腺癌患者和泛癌种患者，包括无可用基因组生物标志物或未知原发癌症的患者 | 机器学习 | 癌症 | 肿瘤基因组分析 | 深度学习 | 基因组数据和临床数据 | NA | NA | NA | NA | NA |
| 62 | 2026-01-06 |
A deep learning framework for comprehensive segmentation of deep grey nuclei
2025-Dec-18, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.16.25342423
PMID:41445621
|
研究论文 | 本文介绍了一个名为THOMASINA的深度学习框架，用于从标准T1加权和WMn MRI中全面分割深部灰质核团 | 结合合成WMn对比度与先进的深度学习分割模型，提供快速、可重复且可扩展的解决方案，解决了传统多图谱分割方法的预处理时间长和工具分散问题 | 未明确说明数据集的详细样本特征或潜在偏差，且合成WMn对比度的有效性可能依赖于特定成像条件 | 开发一个深度学习框架，以准确、高效地分割深部灰质核团，用于神经疾病研究和生物标志物发现 | 深部灰质结构，如丘脑和基底核，从标准T1加权和WMn MRI图像中 | 计算机视觉 | 神经疾病 | MRI成像，包括T1加权和WMn对比 | 深度学习模型 | 医学图像（MRI） | 未在摘要中明确指定具体样本数量 | 未指定具体框架，但可能基于PyTorch或TensorFlow等深度学习库 | SwinUNETR, DiNTS, SegResNet | Dice系数 | 未在摘要中明确指定 |
| 63 | 2026-01-06 |
Deciphering the biological underpinnings behind prognostic MRI-based imaging signatures in breast cancer: a systematic review
2025-Dec-17, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07341-1
PMID:41408570
|
综述 | 本文系统回顾了乳腺癌中基于MRI的预后影像特征（包括放射组学和深度学习特征）的生物学基础，并评估了现有研究的方法学质量 | 首次系统性地综述了乳腺癌预后影像特征的生物学关联，并整合了放射组学和深度学习方法，强调了从影像到多组学数据的生物学解释 | 纳入研究的方法学严谨性有限，整体偏倚风险较高，且样本量范围较大（61-2279例），可能影响结论的普适性 | 探索乳腺癌MRI预后影像特征的生物学基础，并评估相关研究的方法学质量 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | MRI, 基因组学, 转录组学, 多组学分析 | 监督机器学习, 无监督机器学习 | 影像数据, 基因组数据, 转录组数据, 多组学数据 | 16项研究，共涉及61至2279名乳腺癌患者 | NA | NA | NA | NA |
| 64 | 2026-01-06 |
Comprehensive perturbation of transcription factors in human cardiomyocytes reveals the regulatory architecture of congenital heart disease
2025-Dec-17, bioRxiv : the preprint server for biology
DOI:10.64898/2025.12.15.694070
PMID:41446109
|
研究论文 | 本研究通过系统扰动人类干细胞心肌细胞分化过程中的转录因子，揭示了先天性心脏病的调控架构 | 首次大规模扰动1983个转录因子，结合深度学习Transformer模型预测扰动转录因子，并构建了TF-基因调控网络以解析先天性心脏病的调控机制 | 研究基于体外干细胞分化模型，可能无法完全模拟体内心脏发育的复杂性；增强子扰动数量有限（981个），可能未覆盖所有调控元件 | 解析先天性心脏病（CHD）的基因调控架构，识别关键转录因子及其在心脏发育中的作用 | 人类干细胞分化的心肌细胞，以及先天性心脏病相关的转录因子和增强子 | 计算生物学 | 先天性心脏病 | 转录因子扰动实验，增强子扰动，RNA测序（RNA-seq） | Transformer | 基因表达数据（转录组） | 涉及1983个转录因子和981个增强子的扰动实验 | NA | Transformer | NA | NA |
| 65 | 2026-01-06 |
De novo design of protein competitors for small molecule immunosensing
2025-Dec-16, bioRxiv : the preprint server for biology
DOI:10.64898/2025.12.16.694474
PMID:41446193
|
研究论文 | 本文利用深度学习模型设计蛋白质竞争性结合剂，用于小分子免疫传感，实现了对地高辛的灵敏检测 | 采用BindCraft管道设计针对抗原结合位点的竞争性结合剂，并通过筛选选择与小分子分析物产生空间冲突的结合剂，避免了传统竞争性免疫分析中需要定制合成竞争分子的繁琐步骤 | 设计的结合剂结合亲和力从低到中等（42 nM - 1.1 μM），可能在某些高灵敏度应用中受限 | 开发一种基于深度学习设计蛋白质竞争性结合剂的方法，以简化小分子生物标志物的竞争性免疫分析 | 小分子生物标志物（如地高辛）的检测 | 机器学习 | NA | 竞争性免疫分析，生物发光测定 | 深度学习模型 | NA | 在细菌裂解液中直接筛选了10个结合剂，其中7个成功 | NA | BindCraft管道 | 结合亲和力（Kd），检测灵敏度（IC50） | NA |
| 66 | 2026-01-06 |
scCotag: Diagonal integration of single-cell multi-omics data via prior-informed co-optimal transport and regularized barycentric mapping
2025-Dec-15, bioRxiv : the preprint server for biology
DOI:10.64898/2025.12.11.693589
PMID:41446270
|
研究论文 | 本文提出了一种名为scCotag的深度学习框架，用于单细胞多组学数据的对角线整合，通过先验信息引导的共最优传输和正则化重心映射来提高细胞对齐和特征嵌入的准确性 | 该方法首次结合先验信息引导的共最优传输（COOT）与正则化重心映射，迭代推断细胞对齐和特征对应关系，解决了现有方法假设所有细胞可对齐且先验特征对应完全可靠的局限性 | 未明确说明计算资源需求或框架在超大规模数据集上的可扩展性限制 | 开发一种鲁棒的单细胞多组学数据对角线整合方法，以提升细胞对齐精度和生物调控机制的细粒度解析 | 单细胞RNA-seq和ATAC-seq数据，涉及人类大脑、骨髓和血液样本，以及阿尔茨海默病（AD）和非AD（NoAD）患者的死后脑组织数据 | 机器学习 | 阿尔茨海默病 | 单细胞RNA-seq, ATAC-seq | 深度学习框架 | 单细胞多组学数据 | 涉及人类大脑、骨髓和血液数据集，具体样本数量未明确说明 | 未明确指定（如TensorFlow, PyTorch等），但基于深度学习框架 | 基于共最优传输（COOT）和正则化重心映射的定制架构 | 细胞对齐精度, 嵌入精度 | NA |
| 67 | 2026-01-06 |
Multimodality Artificial Intelligence for Involved-Site Radiation Therapy: Clinical Target Volume Delineation in High-Risk Pediatric Hodgkin Lymphoma
2025-Dec-13, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.12.005
PMID:41391612
|
研究论文 | 本文开发了一种集成多模态成像的深度学习模型，用于自动化高风险儿童霍奇金淋巴瘤受累部位放疗的临床靶区勾画 | 首次将多时间点PET/CT图像与计划CT结合，利用SwinUNETR等深度学习架构实现临床靶区的自动分割，显著优于仅使用计划CT的模型 | 研究样本仅限于儿童高风险霍奇金淋巴瘤患者，模型在外部测试中的性能仍有提升空间，且临床评估样本量较小 | 开发自动化临床靶区分割算法，以促进受累部位放疗计划制定 | 288名儿童高风险霍奇金淋巴瘤患者的计划CT、基线PET/CT和中期PET/CT扫描 | 数字病理 | 霍奇金淋巴瘤 | PET/CT成像 | 深度学习 | 图像 | 288名患者，其中230例用于模型开发，58例用于外部测试 | NA | SegResNet, ResUNet, SwinUNETR | Dice相似系数, 95% Hausdorff距离 | NA |
| 68 | 2026-01-06 |
Lightweight deep learning models for EEG decoding: a review
2025-Dec-12, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ae2717
PMID:41330041
|
综述 | 本文系统回顾了用于脑电图信号分类的轻量级深度学习模型 | 将现有轻量级模型方法归纳为三大策略：基于多尺度特征融合的信息整合策略、隐藏层优化策略以及基于结构优化的混合改进策略，并综合了最新进展、识别新兴趋势并展望未来研究方向 | NA | 回顾轻量级深度学习模型在脑电图解码中的应用，旨在为设计高效、鲁棒的脑机接口分类架构提供参考 | 脑电图信号 | 机器学习 | NA | NA | 深度神经网络 | 脑电图信号 | NA | NA | NA | NA | NA |
| 69 | 2026-01-06 |
Evaluation of magnetic resonance imaging and deep learning-based synthetic computed tomography for calcified intradural tumors - importance of domain-specific training and validation of synthetic imaging methods for clinical application
2025-Dec-11, Acta neurochirurgica
IF:1.9Q2
DOI:10.1007/s00701-025-06731-0
PMID:41381905
|
研究论文 | 本研究评估了基于深度学习的合成CT在钙化性硬膜内肿瘤中的应用，强调了领域特异性训练和验证的重要性 | 首次针对钙化性硬膜内肿瘤评估了BoneMRI生成的合成CT图像的准确性，并揭示了该技术在特定病变中的局限性 | 样本量较小（仅5例患者），且合成CT未能可视化任何硬膜内肿瘤，表明技术适用范围有限 | 验证BoneMRI生成的合成CT图像在硬膜内肿瘤中的准确性，并评估其临床应用的可行性 | 硬膜内脊柱肿瘤患者 | 数字病理学 | 脊柱肿瘤 | MRI, CT, 深度学习 | 深度学习算法 | 医学图像（MRI和CT） | 5例硬膜内肿瘤患者 | NA | NA | 肿瘤可见性百分比, 肿瘤尺寸, Hounsfield单位, p值 | NA |
| 70 | 2026-01-06 |
[The orthodontic diagnosis]
2025-Dec-09, Nederlands tijdschrift voor tandheelkunde
DOI:10.5177/ntvt.2025.12.25003
PMID:41367283
|
综述 | 本文探讨了正畸诊断的基础、分类系统、技术发展（如人工智能）及其在临床实践中的应用与局限性 | 强调了人工智能和深度学习在提升正畸诊断测量与分类可靠性方面的作用，同时指出其在准确性和透明度方面的挑战 | 人工智能在准确性和透明度方面仍存在挑战，且无法替代临床评估，复杂病例仍需人工解释和跨学科合作 | 综述正畸诊断的方法、技术发展及其在临床决策中的应用 | 正畸诊断中的骨骼、牙齿和功能异常评估 | NA | NA | 人工智能，深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 71 | 2026-01-06 |
Landscape of 2D Deep Learning Segmentation Networks Applied to CT Scan from Lung Cancer Patients: A Systematic Review
2025-Dec, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01458-x
PMID:40038137
|
系统性综述 | 本文系统综述了应用于肺癌患者CT扫描的2D深度学习分割网络的现状与前景 | 系统性地总结了2020年至2024年间2D深度学习网络在肺癌CT分割中的应用，并识别了研究中的关键概念与主要差距 | 综述主要基于2020年至2024年的文献，可能未涵盖更早或最新的技术发展；且纳入的124项研究可能存在发表偏倚 | 评估2D深度学习网络在肺癌CT图像分割中的当前应用与未来潜力，以改善诊断、治疗和患者生存 | 肺癌患者的CT扫描图像 | 计算机视觉 | 肺癌 | CT扫描 | CNN | 图像 | 基于124项符合纳入标准的研究，具体样本量未在摘要中明确给出，但提及LIDC-LIDR数据集是最常用数据集 | NA | U-Net及其变体 | Dice相似系数 | NA |
| 72 | 2026-01-06 |
Deep Learning for the Diagnosis and Treatment of Thyroid Cancer: A Review
2025-Dec, Endocrine practice : official journal of the American College of Endocrinology and the American Association of Clinical Endocrinologists
IF:3.7Q2
DOI:10.1016/j.eprac.2025.07.020
PMID:40749944
|
综述 | 本文综述了深度学习在甲状腺癌诊断与治疗中的应用进展 | 系统总结了深度学习在甲状腺癌诊断、治疗及预后预测中的最新应用，并指出了技术、临床和伦理方面的挑战 | 深度学习在临床广泛采用仍面临显著的技术、临床和伦理障碍 | 为临床医生提供深度学习应用于甲状腺癌诊断与治疗的最新研究进展 | 甲状腺癌 | 数字病理学 | 甲状腺癌 | 深度学习 | CNN, LSTM, GAN | 超声图像, 病理图像 | NA | NA | 卷积神经网络, 长短期记忆网络, 生成对抗网络 | NA | NA |
| 73 | 2026-01-06 |
Segmentation of honeycomb cysts, traction bronchiectasis and emphysematous lung parenchyma using the deep learning method
2025-Dec, Tuberkuloz ve toraks
DOI:10.5578/tt.2025041118
PMID:41486792
|
研究论文 | 本研究利用深度学习技术，在HRCT图像上对蜂窝囊肿、牵拉性支气管扩张和肺气肿区域进行分割 | 首次将U-Net架构应用于MinIP图像，对间质性肺病分类的关键参数（蜂窝囊肿、牵拉性支气管扩张和肺气肿）进行自动分割 | 研究仅包含265例患者，样本量有限；未明确说明深度学习模型的具体训练细节和超参数设置 | 开发基于深度学习的医学图像分割方法，辅助间质性肺病的分类诊断 | 265例被诊断为寻常型间质性肺炎患者的HRCT图像 | 数字病理学 | 肺病 | 高分辨率计算机断层扫描 | 深度学习 | 医学图像 | 265例患者 | NA | U-Net | 灵敏度, 精确度, F1分数, AUC, 准确度 | NA |
| 74 | 2026-01-06 |
Unveiling optimal molecular features for hERG insights with automatic machine learning
2025-Dec, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101411
PMID:41487145
|
研究论文 | 本文介绍了一种名为MaxQsaring的新型通用框架，通过整合分子描述符、指纹和深度学习预训练表示来预测化合物性质，并以hERG阻断预测为例展示了其优越性能 | 开发了MaxQsaring框架，首次将分子描述符、指纹和深度学习预训练表示集成，实现自动最优特征组合，并在TDC基准测试中19/22任务排名第一 | 深度学习预训练表示对提升模型泛化能力，特别是对新骨架化合物的应用，影响相对有限 | 预测化合物性质，以促进早期药物发现的高成功率 | 化合物，特别是针对人类ether-à-go-go相关基因（hERG）阻断的预测 | 机器学习 | NA | 自动机器学习，分子描述符，指纹，深度学习预训练表示 | 决策树 | 分子数据 | NA | NA | NA | NA | NA |
| 75 | 2026-01-06 |
Artificial Intelligence in Medicine With Emphasis on Orthopedic Practice
2025-Dec, Cureus
DOI:10.7759/cureus.98306
PMID:41487832
|
综述 | 本文全面回顾了人工智能在医疗保健领域的影响，特别聚焦于其在骨科医学中的应用 | 强调了大型语言模型和机器学习算法在骨科诊断、影像分析及医学教育中的创新应用，并探讨了多模态模型整合生物医学数据的前景 | 实际应用受限于数据质量、系统集成、伦理问题以及临床推理能力的不足 | 评估人工智能在医疗保健，尤其是骨科实践中的应用潜力与挑战 | 人工智能技术（如大型语言模型、机器学习算法）及其在骨科诊断、影像、医学教育中的应用 | 机器学习 | 骨科疾病 | 深度学习 | 大型语言模型, 机器学习算法 | 影像数据, 文本数据 | NA | NA | NA | 诊断准确性 | NA |
| 76 | 2026-01-05 |
Deep learning regression model based on data pairing and pseudo-label fusion for NIR predictive modeling in food and pharmaceutical quality analysis
2025-Dec-29, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.127399
PMID:41483668
|
研究论文 | 本文提出了一种基于数据配对和伪标签融合的深度学习回归模型DeepSS，用于食品和药品质量分析中的近红外预测建模 | 提出DeepSS方法，采用金字塔编码器提取近红外光谱的低维潜在特征，并引入数据配对策略通过组合样本对的潜在特征并减去其标签来增强训练数据，测试时通过将测试样本与训练特征配对生成伪标签，结合决策策略进行最终预测 | NA | 解决食品和药品行业中因样本化学成分测量困难导致标记数据集小、近红外光谱分析可靠性受限的问题 | 片剂、苹果和西洋参数据集中的关键成分 | 机器学习 | NA | 近红外光谱 | 深度学习回归模型 | 光谱数据 | NA | NA | 金字塔编码器 | 预测误差 | NA |
| 77 | 2026-01-05 |
Performance of artificial intelligence in predicting hepatocellular carcinoma recurrence after thermal ablation: A systematic review
2025-Dec-27, World journal of hepatology
IF:2.5Q2
DOI:10.4254/wjh.v17.i12.111425
PMID:41479509
|
系统综述 | 本文通过系统综述评估了基于人工智能的影像组学模型在预测肝细胞癌热消融后复发方面的性能 | 整合多模态影像组学分析与临床数据，优化治疗选择，并展示影像模型在预测治疗结果方面优于单独临床参数的能力 | 仅纳入十项研究，样本量有限，且为系统综述，未进行原始数据分析 | 评估人工智能驱动的预测模型在预测肝细胞癌复发方面的有效性 | 接受热消融治疗的肝细胞癌患者 | 数字病理学 | 肝细胞癌 | 影像组学分析 | 深度学习, 机器学习 | 影像数据, 临床实验室变量 | NA | NA | NA | 曲线下面积, 一致性指数 | NA |
| 78 | 2026-01-05 |
Cardiovascular pulsing-based ultrasound strain imaging with deep learning using paired proximal and distal strain sequences for liver fibrosis detection: a feasibility study
2025-Dec-27, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2025.107936
PMID:41483589
|
研究论文 | 本研究提出了一种结合心血管搏动超声应变成像与深度学习的框架，用于检测左肝叶纤维化 | 利用心血管搏动超声应变成像结合深度学习，采用配对近端和远端应变序列策略，利用内在心脏运动进行左肝叶纤维化检测 | 样本量有限（104名患者），需要更大规模队列研究进行验证 | 评估心血管搏动超声应变成像结合深度学习在左肝叶纤维化检测中的可行性 | 肝纤维化患者 | 医学影像分析 | 肝纤维化 | 心血管搏动超声应变成像，声辐射力脉冲成像，FibroScan测量 | RNN, LSTM, GRU, Transformer, TCN | 超声图像，应变序列 | 104名患者 | NA | RNN, LSTM, GRU, Transformer, TCN | AUROC | NA |
| 79 | 2026-01-05 |
[Analysis of occupational stress risk factors and risk prediction research for female coal miners]
2025-Dec-20, Zhonghua lao dong wei sheng zhi ye bing za zhi = Zhonghua laodong weisheng zhiyebing zazhi = Chinese journal of industrial hygiene and occupational diseases
|
研究论文 | 本研究分析了女性煤矿工人的职业应激风险因素，并构建了风险预测模型 | 首次将XGBoost和LightGBM等深度学习模型应用于女性煤矿工人职业应激预测，并利用SHAP算法解释模型结果 | 研究样本仅来自甘肃省一家大型煤矿，可能存在地域局限性，且为横断面研究，无法确定因果关系 | 分析女性煤矿工人职业应激的风险因素并构建风险预测模型 | 甘肃省一家大型煤矿的在岗女性工人 | 机器学习 | NA | 问卷调查 | XGBoost, LightGBM | 问卷数据 | 1435名有效问卷参与者 | NA | XGBoost, LightGBM | 决定系数, 均方误差, 均方根误差 | NA |
| 80 | 2026-01-05 |
Artificial intelligence in hepatopathy diagnosis and treatment: Big data analytics, deep learning, and clinical prediction models
2025-Dec-14, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v31.i46.111176
PMID:41479639
|
综述 | 本文综述了人工智能在肝病诊断与治疗中的应用，涵盖大数据分析、深度学习图像分析、组织病理学解读、生物标志物发现及临床预测模型等领域 | 系统性地探讨了联邦学习在保护患者隐私的跨中心模型训练中的应用，以及可解释AI技术在提升临床医生信任度方面的作用，并展望了多组学、影像与临床数据融合的精准肝病诊疗前景 | 临床转化仍面临数据异质性、算法偏差、监管不确定性以及缺乏与电子健康记录实时整合等挑战 | 探讨人工智能技术在肝病学领域的应用，旨在实现自动化数据解读、早期疾病检测和个体化治疗策略 | 慢性肝病，包括非酒精性脂肪性肝病、肝硬化和肝细胞癌 | 数字病理学 | 肝病 | 大数据分析，深度学习图像分析，组织病理学解读，生物标志物发现，临床预测建模 | CNN | 图像，临床数据 | NA | NA | 卷积神经网络 | AUC | NA |