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 1977 篇文献，本页显示第 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 2025-12-28 |
Geometry-based BERT: An experimentally validated deep learning model for molecular property prediction in drug discovery
2025-Dec, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101465
PMID:41446890
|
研究论文 | 本文提出了一种名为GEO-BERT的自监督表示学习框架，用于药物发现中的分子性质预测 | GEO-BERT通过整合三维分子构象的位置信息，并引入原子-原子、键-键和原子-键三种位置关系，增强了分子结构的表征能力 | NA | 开发用于药物发现中分子性质预测的深度学习模型 | 分子结构，特别是DYRK1A抑制剂 | 机器学习 | NA | 自监督表示学习 | Transformer | 分子结构数据（原子和化学键信息） | NA | NA | BERT | NA | NA |
| 862 | 2025-12-28 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_107083
PMID:41447114
|
研究论文 | 本文提出了一种名为NADCSM的可解释深度学习框架，用于阿尔茨海默病生存分析，旨在平衡预测性能与临床实用性 | 结合神经可加模型与深度聚类生存机，提供对脑区贡献的可解释性见解，同时保持竞争力的预测性能 | 模型仍基于特定数据集（ADNI AV45 PET），其泛化能力需进一步验证，且可解释性方法可能受限于特征选择 | 开发可解释的深度学习模型以识别影响阿尔茨海默病进展的关键脑区，促进生物标志物发现和靶向治疗开发 | 阿尔茨海默病及轻度认知障碍患者的基因型、人口统计学和影像数据 | 机器学习 | 阿尔茨海默病 | AV45 Florbetapir PET成像 | 神经可加模型, 深度聚类生存机 | 影像数据, 基因型数据, 人口统计学数据 | 来自ADNI数据库的AV45 Florbetapir PET影像数据，具体样本数量未明确说明 | 未明确说明，但提及使用多层感知机 | NADCSM（神经可加深度聚类生存机） | C指数, LogRank统计量 | NA |
| 863 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_102378
PMID:41447149
|
研究论文 | 本研究评估了大型语言模型在仅基于文本临床笔记预测痴呆症方面的有效性，并开发了一种分层注意力机制模型 | 提出了一种结合句子级和类别级注意力的分层注意力机制，用于从临床笔记中提取关键信息，并利用文本数据质量提升上下文信息提取 | 研究仅基于韩国数据集（n=1387），可能缺乏泛化性；且未详细探讨模型在不同医疗环境或语言中的表现 | 评估大型语言模型在仅基于文本临床笔记预测痴呆症方面的有效性，并开发一种改进的分类方法 | 临床笔记数据，来自韩国收集的阿尔茨海默病（AD）患者和正常对照（NC）个体 | 自然语言处理 | 痴呆症 | 深度学习，分层注意力机制 | Transformer-based model (DistilBERT), LLMs (ChatGPT, LLaMA, Claude) | 文本（临床笔记） | 1387个样本（AD=542，NC=845） | 未明确指定，但提及预训练DistilBERT模型 | DistilBERT, 分层注意力机制（句子级注意力和类别级注意力） | 准确率, F1分数 | NA |
| 864 | 2025-12-28 |
Dementia Care Research and Psychosocial Factors
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70858_100300
PMID:41447237
|
研究论文 | 本研究利用实时定位系统（RTLS）数据，通过机器学习模型检测痴呆患者的运动激越行为，并识别休息-活动节律的数字表型，以支持纵向行为健康监测 | 首次将RTLS数据与临床评估结合，开发基于机器学习的运动激越检测模型，并应用无监督深度学习识别痴呆患者的休息-活动数字表型，为行为症状提供客观量化指标 | 研究样本量较小（47名参与者），且需在长期护理环境中进一步验证模型的普适性和有效性 | 开发基于RTLS数据的临床标记物和表型，以监测痴呆患者的行为健康变化 | 痴呆患者，特别是住院护理单元中的个体 | 数字病理学 | 老年疾病 | 实时定位系统（RTLS）、机器学习、无监督深度学习 | 机器学习模型、深度学习 | 位置数据、临床评估数据 | 47名痴呆患者，平均每人7周的位置数据 | NA | NA | AUROC | NA |
| 865 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_100574
PMID:41447384
|
研究论文 | 本研究通过深度学习分割工具和亚型推断算法，在两个不同的痴呆队列中识别了影像学亚型，并探讨了淀粉样蛋白和自由水对血管病变的预测作用 | 使用新型深度学习分割工具segCSVD量化血管病变，并结合SuStaIn算法在低和高小血管疾病负担队列中识别影像学亚型，揭示了淀粉样蛋白和自由水在不同亚型中对白质高信号体积和增长的差异化预测作用 | 样本量相对有限（总计262人），且队列异质性可能影响结果的普适性，未明确说明计算资源细节 | 在阿尔茨海默病合并小血管疾病的痴呆患者中，定义影像学亚型并评估淀粉样蛋白和自由水对血管病变的预测能力 | 两个痴呆队列的个体，包括低小血管疾病负担队列（认知正常、轻度认知障碍、AD痴呆）和高小血管疾病负担队列（混合性痴呆患者） | 数字病理学 | 阿尔茨海默病 | FLAIR-MRI, T1w-MRI, DTI, 18F-AZD4694或18F-AV45淀粉样蛋白SUVR成像 | 深度学习 | MRI影像 | 总计262人（低SVD队列：基线202人，第2年100人，第3年70人；高SVD队列：60人） | NA | segCSVD（深度学习分割工具） | NA | NA |
| 866 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_103211
PMID:41447589
|
研究论文 | 本研究探讨了阿尔茨海默病和轻度认知障碍中语言障碍的神经基础，特别是在汉语人群中 | 首次在汉语人群中系统研究命名能力与大脑结构变化的关系，并发现右侧半球白质完整性的显著关联 | 研究为横断面设计，无法确定因果关系；样本仅来自台湾社区队列，可能限制泛化性 | 研究语言系统在衰老过程中的作用及其与痴呆的关系 | 604名台湾老年人，包括112名轻度认知障碍患者和482名认知正常者 | 神经科学 | 阿尔茨海默病 | 神经心理学测试、T1加权MRI、扩散张量成像、静息态功能MRI | NA | 神经影像数据、临床数据 | 604名老年人 | NA | NA | NA | NA |
| 867 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101234
PMID:41447651
|
研究论文 | 本研究利用深度学习模型AgeNet结合SHAP解释技术，基于MRI脑体积数据预测大脑年龄，并识别与阿尔茨海默病临床严重性相关的关键脑区 | 首次将深度学习模型AgeNet与SHAP解释技术结合，探索多变量脑区关联，并揭示疾病特异性与正常衰老的差异区域 | 研究样本量有限（实验数据n=668），且年龄范围（55.1-91.5岁）可能未涵盖全年龄段，未明确说明模型在其他数据集上的泛化能力 | 通过可解释AI方法预测大脑年龄并识别与轻度认知障碍和阿尔茨海默病相关的关键脑区，以促进疾病进展建模和个性化医疗 | 轻度认知障碍和阿尔茨海默病患者及正常对照的脑MRI数据 | 机器学习 | 阿尔茨海默病 | MRI脑体积测量 | 深度学习模型 | 图像 | 半模拟数据187例，实验数据668例（年龄55.1-91.5岁，46.1%女性） | 未明确说明 | AgeNet | 未明确说明 | NA |
| 868 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101814
PMID:41447735
|
研究论文 | 本研究通过指甲代谢组学分析，识别了阿尔茨海默病（AD）和轻度认知障碍（MCI）的潜在生物标志物，特别是十二烷酸，并利用深度学习模型验证其诊断价值 | 首次利用指甲代谢组学作为非侵入性平台，捕获长期生化波动，识别AD和MCI的可靠生物标志物，并发现十二烷酸与疾病严重程度独立相关 | 样本量相对较小（199名参与者），且研究主要基于观察性分析，需要进一步验证在更大队列和不同人群中的普适性 | 探索指甲代谢组学在识别AD和MCI生物标志物中的应用，以支持早期诊断和疾病监测 | 199名参与者，根据临床痴呆评分（CDR）分层，包括认知正常个体和不同严重程度的AD患者 | 代谢组学 | 阿尔茨海默病 | 气相色谱-质谱代谢组学分析 | 深度学习 | 代谢物数据 | 199名参与者 | NA | NA | 微AUC | NA |
| 869 | 2025-12-27 |
Intelligent deconvolution algorithm for mixed STR profiles based on locus association modeling
2025-Dec-26, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-025-03677-x
PMID:41449255
|
研究论文 | 提出一种基于深度学习的位点关联建模方法，用于改进混合STR谱图的反卷积分析 | 首次将深度学习用于捕获STR位点间的统计关联性，并将其与全连续模型结合以提升混合谱图解析精度 | 跨测序平台迁移时性能显著下降，需依赖多平台混合训练提升泛化能力 | 提升法医DNA混合样本中个体识别的准确性与可靠性 | 短串联重复序列（STR）混合谱图 | 机器学习 | NA | STR分型，DNA测序 | 深度学习模型 | STR谱图数据 | 基于PROVEDIt数据集进行实验验证 | NA | NA | 准确率 | NA |
| 870 | 2025-12-27 |
Accurate Lung Cancer Prediction From CT Scans Using Advanced Deep Learning Methods
2025-Dec-26, American journal of clinical oncology
DOI:10.1097/COC.0000000000001286
PMID:41449566
|
研究论文 | 本文提出了一种基于高级深度学习的多阶段框架，用于从CT扫描中准确预测肺癌 | 创新性地结合了混合图卷积网络、条件随机场、胶囊网络、孪生神经网络、混合深度自编码器以及混合CNN-Transformer模型与图神经网络，以提升图像分割和特征提取的精度 | 未明确提及研究的具体局限性，如数据集的多样性或模型泛化能力 | 通过高级深度学习技术提高肺癌的早期诊断准确性和治疗效果 | CT扫描中的肺部区域和恶性病变 | 计算机视觉 | 肺癌 | CT扫描 | GCN, CRF, CapsNet, Siamese Neural Network, Hybrid Deep Autoencoder, CNN, Transformer, GNN | 图像 | NA | Python | 混合CNN-Transformer模型, 图神经网络 | 准确率 | NA |
| 871 | 2025-12-27 |
Integrating Genomic Data and Imaging in Lung Cancer Prediction Using a Hybrid Deep Learning Approach
2025-Dec-26, American journal of clinical oncology
DOI:10.1097/COC.0000000000001288
PMID:41449569
|
研究论文 | 本研究开发了一种混合深度学习模型，通过整合基因组数据和影像数据来提高肺癌预测的准确性 | 提出了一种结合基因组数据和影像数据的混合深度学习模型，并采用Inception-ResNet-v2架构，以解决基因组数据高维复杂性和过拟合问题 | 未整合其他多模态数据源（如电子健康记录和生活方式因素），未来可进一步扩展 | 开发一种有效的肺癌预测方法，以提高诊断准确性和促进早期检测 | 肺癌患者 | 数字病理学 | 肺癌 | 基因组测序，CT成像，DCE成像 | CNN | 图像，基因组数据 | 使用LIDC-IDRI数据集，具体样本数量未明确说明 | Python | Inception-ResNet-v2 | 准确率 | NA |
| 872 | 2025-12-27 |
Recognizing uric acid type of urinary stones by deep learning
2025-Dec-26, Urolithiasis
IF:2.0Q2
DOI:10.1007/s00240-025-01922-x
PMID:41452376
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 873 | 2025-12-27 |
Beyond gas bubbles: AI analysis of the "bubble bed" microenvironment improves diagnosis of infected abdominal collections
2025-Dec-26, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05260-9
PMID:41452460
|
研究论文 | 本研究开发并验证了一种基于非增强CT的全自动AI模型（BUBBLE-AI），用于提高腹腔内液体聚集（IAFCs）感染的诊断准确性 | 提出了创新的“气泡床”概念，通过分析气体气泡周围的炎症微环境，结合深度学习和放射组学特征，显著提升了诊断性能 | 研究为回顾性设计，可能存在选择偏倚；外部测试集规模相对较小（n=80） | 开发并验证一种全自动AI模型，以改进腹腔内液体聚集（IAFCs）感染的诊断准确性 | 腹腔内液体聚集（IAFCs）患者 | 医学影像分析 | 腹腔感染 | 非增强计算机断层扫描（CT） | 深度学习模型 | CT图像 | 797名经培养确认的IAFCs患者（训练集637人，验证集80人，外部测试集80人） | NA | BUBBLE-AI（基于气泡床概念的自定义架构） | AUC（曲线下面积） | NA |
| 874 | 2025-12-27 |
Research progress of deep learning based on magnetic resonance imaging in meningioma
2025-Dec-26, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01307-6
PMID:41452563
|
综述 | 本文综述了基于磁共振成像（MRI）的深度学习在脑膜瘤中的研究进展，分析了其优势、局限性和临床转化中的关键问题 | 总结了深度学习在脑膜瘤影像分析中的突破性进展，通过客观定量分析方法克服了传统依赖主观视觉判断的诊断局限 | NA | 为相关医学研究者和临床医生提供技术参考，促进深度学习在临床诊疗中更快、更规范地应用，最终使患者受益 | 脑膜瘤 | 数字病理学 | 脑膜瘤 | 磁共振成像（MRI） | CNN, Transformer | 图像 | NA | NA | NA | NA | NA |
| 875 | 2025-12-27 |
A deep learning-based pachychoroid index based on choroidal image patterns of central serous chorioretinopathy using enhanced-depth-imaging optical coherence tomography
2025-Dec-26, Japanese journal of ophthalmology
IF:2.1Q2
DOI:10.1007/s10384-025-01312-1
PMID:41452567
|
研究论文 | 本研究开发并评估了一种基于深度学习的厚脉络膜指数（HUPI），用于从增强深度成像光学相干断层扫描（EDI-OCT）图像中量化厚脉络膜谱系疾病的特征 | 首次提出基于深度学习的厚脉络膜指数（HUPI），通过修改的LeNet模型从脉络膜图像模式中自动提取特征，作为厚脉络膜谱系疾病的代表性指标 | 单中心、回顾性、观察性研究，样本量相对较小（37只CSC眼和40只正常眼用于训练和验证），可能限制结果的泛化性 | 开发并评估一种基于深度学习的定量指标，用于区分厚脉络膜谱系疾病（如中心性浆液性脉络膜视网膜病变）与正常眼睛 | 中心性浆液性脉络膜视网膜病变（CSC）患者和正常对照者的眼睛 | 数字病理学 | 中心性浆液性脉络膜视网膜病变 | 增强深度成像光学相干断层扫描（EDI-OCT） | CNN | 图像 | 训练和验证使用37只CSC眼和40只正常眼；评估使用69只急性CSC眼、35只恢复期CSC眼、86只CSC对侧眼和100只正常眼 | NA | 修改的LeNet | AUC, 敏感性, 特异性 | NA |
| 876 | 2025-12-27 |
TTG-U-Net: An Interpretable and Efficient Framework for Multi-Modal Brain Tumor Segmentation Enabling Clinically-Aligned Decision Support
2025-Dec-25, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3648379
PMID:41447494
|
研究论文 | 本文提出了一种名为TTG-U-Net的新型、可解释且高效的多模态脑肿瘤分割框架，旨在弥合模型性能与临床可解释性及效率之间的差距 | 该框架通过三个协同组件提供集成解决方案：1) 显式建模模态间依赖关系的跨模态Transformer，生成可作为模型推理透明视觉审计轨迹的注意力图；2) 自适应正则化模型并减少计算占用的动态低秩张量分解；3) 学习透明信息路由策略的模态自适应门控机制，模仿既定的放射学原理 | NA | 解决医疗可解释人工智能（XAI）领域的关键空白，开发一种能够透明且高效融合多模态MRI异质信息的集成方法，以促进人工智能在临床工作流程中的整合 | 多模态MRI图像中的脑肿瘤 | 数字病理学 | 脑肿瘤 | 多模态MRI | 深度学习 | 图像 | NA | NA | TTG-U-Net, U-Net, Transformer | Dice系数 | NA |
| 877 | 2025-12-27 |
Computed Tomography-Pathology Deep Learning Model for the Precise Prediction of Recurrence in Pathological Stage IA Lung Adenocarcinoma
2025-Dec-25, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-025-18946-7
PMID:41449240
|
研究论文 | 本研究开发并验证了一种结合术前CT图像和病理分级的深度学习模型，用于精确预测病理IA期肺腺癌患者的术后复发风险 | 提出了新颖的ResNet 3D-Pathology Fusion模型，通过三维ResNet骨干网络与图像-病理融合模块的集成，实现了对传统TNM分期和IASLC分级的性能超越 | 研究为单中心回顾性分析，样本量相对有限，且模型性能需在外部多中心队列中进一步验证 | 开发精确的深度学习模型以改善病理IA期肺腺癌患者的术后复发预测和风险分层 | 病理IA期肺腺癌患者 | 数字病理 | 肺癌 | 深度学习，计算机断层扫描，病理分级 | CNN | 图像 | 551名患者（训练集368例，验证集183例） | NA | ResNet | AUC | NA |
| 878 | 2025-12-27 |
ALyzer3D.AI: a more generalizable deep learning predictor of light chain amyloidogenicity powered by structural and evolutionary Artificial Intelligence
2025-Dec-25, Amyloid : the international journal of experimental and clinical investigation : the official journal of the International Society of Amyloidosis
IF:5.2Q1
DOI:10.1080/13506129.2025.2605534
PMID:41449923
|
研究论文 | 开发了一个名为ALyzer3D.AI的多模态深度学习架构，用于预测免疫球蛋白轻链的淀粉样变性风险 | 整合了来自ESM-2蛋白质语言模型的进化特征、ColabFold的结构指标以及工程化的生物物理特征，提高了对新患者数据的泛化能力 | NA | 预测淀粉样轻链（AL）淀粉样变性中免疫球蛋白轻链的淀粉样变性风险 | 免疫球蛋白轻链序列 | 自然语言处理 | 淀粉样轻链（AL）淀粉样变性 | 蛋白质语言模型（ESM-2）、结构预测（ColabFold） | 深度学习 | 蛋白质序列 | 5261个序列 | NA | 多模态深度学习架构 | 准确率, AUC | NA |
| 879 | 2025-12-27 |
Preliminary Exploration of Discriminative Correlation Filter Network for Real-time Tracking of Inconspicuous Focal Liver Lesions on Conventional Ultrasound
2025-Dec-24, Ultrasound in medicine & biology
|
研究论文 | 本研究探索了基于判别相关滤波网络（DCFNet）的算法在常规超声中通过跟踪周围解剖标志来定位不明显局灶性肝病变的可行性 | 利用DCFNet框架同时跟踪多个周围解剖标志，实现实时超声下不明显局灶性肝病变的定位，并指导穿刺或消融 | 研究为初步探索，需要进一步大规模验证临床可行性 | 探索DCFNet算法在常规超声中实时跟踪不明显局灶性肝病变的可行性 | 超声可见和超声不可见的肝脏肿瘤模型，以及初步临床病例 | 计算机视觉 | 肝脏病变 | 超声成像 | DCFNet | 超声图像 | 20个超声可见模型、20个超声不可见模型及初步临床病例 | DCFNet | DCFNet | 匹配准确率、精度、位置误差、穿刺成功率、指导时间 | NA |
| 880 | 2025-12-27 |
PlantscRNAdb 4.0: Improved marker identification and annotation under a cell type uniformity for plants
2025-Dec-24, Molecular plant
IF:17.1Q1
DOI:10.1016/j.molp.2025.12.026
PMID:41449796
|
研究论文 | 介绍了植物单细胞RNA测序数据库PlantscRNAdb 4.0的更新，包括新的植物细胞类型本体、扩展的物种和数据集覆盖，以及用于标记基因识别和细胞类型注释的新计算工具 | 引入了新的植物细胞类型本体（POCT）和一种名为HCMarker的新型计算工具，该工具采用多指标评分系统，用于在多种植物细胞类型中稳健、准确地识别标记基因；还开发了基于深度学习的工具PCmaster_anno，以改进植物细胞类型的自动注释 | 未明确提及具体的研究局限性 | 构建和更新一个全面的植物单细胞RNA测序数据库，以标准化和精确地解释植物细胞类型及其标记基因 | 33种植物物种的107个scRNA-seq数据集 | 生物信息学 | NA | 单细胞RNA测序（scRNA-seq） | 深度学习 | 单细胞RNA测序数据 | 来自107个scRNA-seq数据集 | NA | NA | NA | NA |