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 921 - 940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 921 | 2025-12-27 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_104990
PMID:41439656
|
研究论文 | 本研究评估了APOE基因型对海马体体积与记忆表现关联的调节作用，并考虑了性别、种族和临床诊断的影响 | 首次在多队列大样本中系统评估APOE基因型（包括ε2和ε4等位基因）与海马体体积对记忆表现的交互作用，并纳入性别、种族和临床诊断的三维交互分析 | 研究样本以非西班牙裔白人为主（81%），可能限制结果对其他种族群体的普适性；采用横断面设计，因果推断能力有限 | 探究APOE基因型如何调节海马体体积与记忆表现的关联，并分析性别、种族和临床诊断的修饰效应 | 6,895名老年人（平均年龄75.2岁），包括阿尔茨海默病患者、轻度认知障碍者和认知正常者 | 神经科学 | 阿尔茨海默病 | MRI脑成像、深度学习海马分割、潜在变量建模 | 线性回归模型、混合效应回归模型 | 神经影像数据（海马体积）、认知评估数据（记忆综合分数）、遗传数据（APOE基因型）、人口学数据 | 6,895名参与者，来自ADNI、NACC、ROS/MAP/MARS、WRAP四个老龄化与AD研究队列 | 深度学习MUSE（用于MRI处理） | NA | p值、R²（解释方差）、R²c（条件R²）、R²m（边际R²） | NA |
| 922 | 2025-12-27 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_096538
PMID:41440370
|
研究论文 | 本研究提出了一种基于自然语言处理技术的序列框架，利用结构磁共振成像数据对轻度认知障碍转化者与非转化者进行分类 | 提出了一种受自然语言处理启发的序列框架，采用基于层自适应正弦激活函数的双向循环神经网络，以捕获MRI切片间的时空关系，解决了传统2D和3D CNN在空间相关性检测和计算效率上的不足 | 研究样本量相对较小（187名受试者），且仅基于ADNI数据库，可能限制模型的泛化能力 | 早期诊断轻度认知障碍，以延缓痴呆症进展 | 轻度认知障碍转化者与非转化者 | 数字病理学 | 老年疾病 | 结构磁共振成像 | BiRNN | 图像 | 187名受试者（75名MCI转化者，112名MCI非转化者） | NA | 基于层自适应正弦激活函数的双向循环神经网络 | 准确率 | NA |
| 923 | 2025-12-27 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_096669
PMID:41440996
|
研究论文 | 本研究开发了一种基于YOLOv8架构的自动化内侧颞叶萎缩分级工具，用于阿尔茨海默病的早期诊断和疾病进展评估 | 结合EfficientViT骨干网络和自定义自适应滑动损失函数，提升了内侧颞叶萎缩分级的准确性和泛化能力 | 研究主要基于ADNI数据库和本地记忆诊所数据，可能未涵盖所有临床场景或人群多样性 | 通过人工智能算法消除内侧颞叶萎缩分级中的评估者间变异性，实现自动化分级 | 阿尔茨海默病患者的内侧颞叶结构 | 计算机视觉 | 阿尔茨海默病 | MRI成像 | CNN | 图像 | 1524例（来自ADNI数据库和本地记忆诊所） | PyTorch | YOLOv8, EfficientViT, Faster R-CNN, Mask R-CNN, U-Net | 组内相关系数, 准确率 | NA |
| 924 | 2025-12-27 |
AgentMol: Multi-Model AI System for Automatic Drug-Target Identification and Molecule Development
2025-Dec-01, Methods and protocols
IF:2.3Q3
DOI:10.3390/mps8060143
PMID:41441186
|
研究论文 | 介绍了一个名为AgentMol的多模型AI系统，用于自动识别药物靶点并开发分子 | 整合了大型语言模型、化学语言建模和基于深度学习的亲和力预测，实现了从疾病查询到候选药物生成与评估的端到端自动化流程 | 未明确提及系统在真实世界药物发现中的验证或临床前测试结果 | 加速早期药物发现中的靶点识别和化合物开发过程 | 药物靶点（蛋白质）和小分子候选药物 | 机器学习 | NA | NA | 大型语言模型, GPT-2, 卷积神经网络 | 文本（疾病查询、蛋白质序列）, 化学结构（SMILES格式） | 470,560个配体-蛋白质对（来自BindingDB数据库） | LangGraph | GPT-2, RCNN（回归卷积神经网络） | 有效性, 独特性, 多样性, R值, 皮尔逊相关系数 | NA |
| 925 | 2025-12-27 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_099645
PMID:41442165
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于在数据不平衡的情况下自动分割脑腔隙（推测为血管源性），并有效区分其与类似腔隙的特征 | 采用基于监督对比学习的预训练编码器的Attention U-Net架构，处理高度不平衡的数据集 | 研究仅使用单一中心的427例T2-FLAIR MRI图像，缺乏多中心外部验证 | 开发自动分割脑腔隙的深度学习模型，以评估其与认知衰退和淀粉样蛋白相关成像异常（ARIA）风险的关系 | 来自Asan Medical Center的427例T2-FLAIR MRI图像中的脑腔隙 | 数字病理学 | 脑血管疾病 | T2-FLAIR MRI | 深度学习 | 图像 | 427例T2-FLAIR MRI图像（训练、验证、测试集按3:1:1划分） | NA | Attention U-Net | AFROC分析，FOM，AUC，敏感性 | NA |
| 926 | 2025-12-27 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_097891
PMID:41442195
|
研究论文 | 本文开发了一种基于深度学习的扫描仪不变性脑年龄模型，用于衰老和痴呆研究，通过结合直方图匹配和扫描仪类型作为输入，减少扫描仪差异对脑年龄预测的影响 | 创新点包括将直方图匹配和扫描仪类型作为DenseNet模型的输入，以降低扫描仪间的预测差异，实现扫描仪不变的纵向脑年龄估计 | 研究样本主要来自单一机构（梅奥诊所），且测试集限于MCI参与者，可能限制模型的泛化能力 | 开发深度学习为基础的扫描仪不变性脑年龄模型，以支持衰老和痴呆研究中的纵向跟踪，克服扫描仪变化带来的障碍 | 研究对象包括认知未受损参与者、轻度认知障碍参与者和痴呆参与者，使用T1扫描图像进行脑年龄预测 | 数字病理学 | 老年疾病 | T1扫描，PiB-PET | 深度学习 | 图像 | 3374名认知未受损参与者，其中863名为CU-noVAβ子集，453名MCI参与者作为测试集，113名参与者用于跨厂商测试 | NA | DenseNet | 平均绝对误差，脑年龄差距 | NA |
| 927 | 2025-12-27 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_099932
PMID:41442228
|
研究论文 | 本研究通过计算机视觉和基于图的深度学习架构分析多模态神经影像数据，结合非线性广义加性模型，探索全球不同人群的加速脑老化及其与社会经济和环境因素的关联 | 首次结合DenseNet分类器、基于图的深度学习架构及非线性广义加性模型，在全球范围内分析脑老化差异，并揭示社会经济不平等、污染和健康差异对脑老化的显著影响 | 研究依赖于现有神经影像数据，可能未完全覆盖所有全球区域或人口亚群，且模型性能在不同数据质量下可能存在差异 | 探索地理、社会经济和人口因素如何影响全球人群的加速脑老化，特别是在服务不足地区 | 行为变异型额颞叶痴呆、阿尔茨海默病患者及健康对照者 | 计算机视觉, 深度学习 | 阿尔茨海默病, 额颞叶痴呆 | 结构MRI, fMRI, EEG | CNN, 图神经网络 | 图像, 时间序列 | DenseNet分类器涉及3,000名参与者；基于图的深度学习涉及5,306名参与者，覆盖15个国家 | NA | DenseNet, 图神经网络 | 统计显著性(p值) | NA |
| 928 | 2025-12-27 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_097276
PMID:41442546
|
研究论文 | 本文提出了一种掩码多模态多任务深度学习框架，通过合成PET扫描来改进阿尔茨海默病淀粉样蛋白负荷的预测 | 提出了一种结合潜在扩散模型生成合成PET图像和掩码嵌入注意力机制处理缺失数据的深度学习框架，以降低对昂贵PET扫描的依赖 | 研究基于特定队列（ADNI-2和ADNI-3），未来需要在更大、更多样化的队列中测试，并评估其在实际临床管理中的影响 | 改进阿尔茨海默病淀粉样蛋白负荷的预测，以促进早期筛查在临床环境中的更广泛应用 | 阿尔茨海默病神经影像学倡议（ADNI-2和ADNI-3）的参与者 | 数字病理学 | 阿尔茨海默病 | PET成像, MRI | 深度学习, 潜在扩散模型 | 图像, 临床数据 | 968名参与者的2,043次纵向观察 | NA | 潜在扩散模型, 掩码嵌入注意力机制 | 平均绝对误差, 曲线下面积 | NA |
| 929 | 2025-12-26 |
Deep Learning-aided 1H-MR Spectroscopy for Differentiating between Patients with and without Hepatocellular Carcinoma
2025-Dec-25, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2025-0064
PMID:40790529
|
研究论文 | 本研究探索了结合深度学习的1H-MR光谱技术在区分乙型肝炎病毒相关肝硬化患者是否伴有肝细胞癌方面的潜力 | 首次将深度学习与1H-MR光谱结合，通过光谱模拟进行数据增强，用于肝细胞癌的鉴别诊断 | 样本量较小（共37例患者），且研究基于模拟数据集，需要进一步临床验证 | 开发一种基于深度学习的1H-MR光谱方法，以区分乙型肝炎病毒相关肝硬化患者是否伴有肝细胞癌 | 乙型肝炎病毒相关肝硬化患者，包括无肝细胞癌组（20例）和伴有肝细胞癌组（17例） | 医学影像分析 | 肝细胞癌 | 质子MR光谱（1H-MRS） | CNN | 光谱数据 | 37例患者（20例无HCC，17例有HCC），其中17例用于测试 | NA | 卷积神经网络（包括定量CNN和分类CNN） | 灵敏度, 特异性, 准确率 | NA |
| 930 | 2025-12-26 |
Deep Learning Model for Classification of Premature Ventricular Contractions - Could Artificial Intelligence Models Become the New Criteria?
2025-Dec-24, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-25-1002
PMID:41443894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 931 | 2025-12-26 |
U-Net-based deep learning architecture for automated CBCT segmentation of the mandibular canal in dental implant treatment planning: A systematic review and meta-analysis
2025-Dec-23, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2025.12.003
PMID:41444033
|
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U-Net的深度学习架构在CBCT影像中自动分割下颌管用于牙科种植治疗规划的准确性和临床相关性 | 首次对基于U-Net的深度学习模型在CBCT下颌管自动分割中的应用进行系统综述和定量荟萃分析，综合评估其分割精度和临床潜力 | 纳入研究数量有限（8项），存在高度异质性，且外部验证和模型可解释性分析报告不足，可能影响结果的普遍适用性 | 评估深度学习（主要是U-Net架构）在CBCT影像中自动分割下颌管用于牙科种植规划的准确性和临床价值 | 锥形束计算机断层扫描（CBCT）影像中的下颌管结构 | 数字病理 | NA | 锥形束计算机断层扫描（CBCT） | 深度学习 | 医学影像（CBCT扫描） | NA | NA | U-Net, 注意力机制U-Net, 残差U-Net | Dice相似系数（DSC）, 95%豪斯多夫距离（HD）, 交并比（IoU） | NA |
| 932 | 2025-12-26 |
MRI-based habitat radiomics and deep learning for predicting vessels encapsulating tumor clusters and survival in hepatocellular carcinoma
2025-Dec-22, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-025-02167-3
PMID:41428280
|
研究论文 | 本研究开发并验证了一种基于MRI的深度学习放射组学列线图模型，用于术前预测肝细胞癌中的血管包绕肿瘤簇和无复发生存期 | 首次结合栖息地放射组学和深度学习特征构建了多模态预测模型，并利用SHAP方法增强了模型的可解释性 | 回顾性研究设计可能存在选择偏倚，且外部验证集规模相对有限 | 开发术前预测肝细胞癌血管包绕肿瘤簇状态和无复发生存期的预测模型 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | Gd-EOB-DTPA增强MRI | 深度学习,机器学习分类器 | MRI图像 | 625例肝细胞癌患者（训练集296例，内部测试集126例，外部测试集203例） | NA | NA | AUC,F1-score,C-index | NA |
| 933 | 2025-12-26 |
Deep Learning Approaches for Classifying Children With and Without Autism Spectrum Disorder Using Inertial Measurement Unit Hand Tracking Data: Comparative Study
2025-Dec-22, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/73440
PMID:41428363
|
研究论文 | 本研究评估了多种深度学习模型，利用惯性测量单元手部追踪数据对自闭症谱系障碍儿童进行分类 | 结合卷积自编码器和长短期记忆层处理IMU手部追踪数据，在自闭症分类任务中实现了高准确率和F1分数，并验证了小规模模型在医疗数据分类中的有效性和泛化能力 | 样本量相对较小（41名学龄儿童），且仅基于单一任务（伸手清理任务）的IMU数据，可能限制了模型的广泛适用性 | 评估深度学习模型在利用惯性测量单元手部追踪数据对自闭症谱系障碍儿童进行分类中的效果 | 自闭症谱系障碍儿童和正常发育儿童的惯性测量单元手部追踪数据 | 机器学习 | 自闭症谱系障碍 | 惯性测量单元手部追踪 | 卷积自编码器, 长短期记忆 | 时间序列数据 | 41名学龄儿童（包括自闭症谱系障碍儿童和正常发育儿童） | NA | 卷积自编码器+长短期记忆 | 准确率, F1分数 | NA |
| 934 | 2025-12-26 |
Quantitative multi-metabolite imaging of Parkinson's disease using AI boosted molecular MRI
2025-Dec-22, Npj imaging
DOI:10.1038/s44303-025-00130-x
PMID:41429895
|
研究论文 | 本研究结合快速分子MRI采集与深度学习重建，对急性MPTP小鼠模型中的多种代谢物进行定量成像，以探索帕金森病的生物标志物 | 首次将快速分子MRI采集范式与深度学习重建相结合，实现多代谢物（谷氨酸、可移动蛋白质、半固体及可移动大分子）的定量成像，并识别出半固体磁化转移、酰胺及脂肪族接力核奥弗豪斯效应质子体积分数作为潜在的帕金森病生物标志物 | 研究基于急性MPTP小鼠模型，结果可能无法完全反映人类帕金森病的异质性或早期阶段特征 | 开发一种基于人工智能增强的分子MRI技术，用于帕金森病的定量多代谢物成像，以改善诊断和生物标志物发现 | 急性MPTP诱导的帕金森病小鼠模型 | 数字病理学 | 帕金森病 | 分子MRI, 磁共振波谱 | 深度学习 | MRI图像 | NA | NA | NA | NA | NA |
| 935 | 2025-12-24 |
Author Correction: Multimodal deep learning model for prognostic prediction in cervical cancer receiving definitive radiotherapy: a multi-center study
2025-Dec-22, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02204-x
PMID:41429919
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 936 | 2025-12-26 |
A fault classification scheme based on protective agents for microgrid with parameters impact analysis
2025-Dec-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28178-0
PMID:41430064
|
研究论文 | 本文提出了一种基于保护代理的微电网故障分类方法，结合智能电子设备和混合深度神经网络，并分析了多种参数对方案性能的影响 | 创新点在于结合保护代理和混合深度神经网络进行故障分类，并全面分析微电网参数对深度学习故障检测与定位方案的影响 | 未明确说明方法在更复杂或大规模微电网系统中的适用性，且参数分析可能受限于模拟环境 | 提高微电网故障分类的准确性，并评估不同参数对基于深度学习的故障检测与定位方案的影响 | 微电网的故障检测、类型识别、相位检测和定位 | 机器学习 | NA | 深度学习故障检测与定位 | DNN | 模拟数据 | NA | TensorFlow, Keras | 混合深度神经网络（包含单层和混合层类型） | 准确率, 故障定位误差 | 使用DIgSILENT Power Factory、MATLAB和Python软件进行模拟 |
| 937 | 2025-12-26 |
Deep learning-based MRI model for predicting P53-mutated hepatocellular carcinoma
2025-Dec-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02045-w
PMID:41430161
|
研究论文 | 本研究开发了一种基于MRI的深度学习模型，用于预测P53突变的肝细胞癌 | 首次利用EfficientNetV2架构，结合多序列MRI图像（动脉期、门静脉期、T2加权成像、肝胆期）构建深度学习模型来预测P53突变状态，并发现多序列组合模型显著优于单序列模型 | 研究为回顾性设计，样本量相对有限（312例），且未进一步验证模型在其他独立队列或前瞻性研究中的表现 | 开发一个基于MRI的深度学习模型，以无创方式预测肝细胞癌中的P53突变状态 | 312例经病理证实的肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 钆增强MRI | CNN | 图像 | 312例患者（训练集249例，测试集63例） | NA | EfficientNetV2 | AUC, 准确率, 灵敏度, 特异性, 精确率, F1分数 | NA |
| 938 | 2025-12-26 |
From monochromatic waves to realistic tides: deep learning for short-term forecasting of coastal ocean
2025-Dec-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31670-2
PMID:41423688
|
研究论文 | 本研究提出了一种结合卷积神经网络和长短期记忆网络的混合架构，用于预测德国湾的海平面变化 | 开发了结合CNN空间重建与LSTM时间预测的混合深度学习框架，能够从有限数量的沿海观测站重建整个海域的海平面，并通过模拟数据同化显著提升预测精度 | 模型性能受空间信号复杂度和梯度陡度等因素影响，研究主要关注数据丰富区域的应用潜力 | 开发深度学习模型以补充传统数值模型，实现海岸海洋的短期预报 | 德国湾的海平面变化数据 | 机器学习 | NA | 深度学习 | CNN, LSTM | 海平面数据 | 从学术数据到实际数据的海平面数据序列 | NA | 卷积神经网络, 长短期记忆网络 | 预测误差 | NA |
| 939 | 2025-12-26 |
Decoding aroma perception of grilled lamb skewers: an EEG-MambaFusionNet framework integrating TDS and GC-IMS
2025-Dec-21, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.147676
PMID:41443075
|
研究论文 | 本研究通过整合感官、化学和神经数据，开发了一个深度学习框架来解码烤羊肉串从生到熟过程中香气感知的动态演变及其神经特征 | 首次将时间优势感官法、气相色谱-离子迁移谱和脑电图数据融合，并开发了EEG-MambaFusionNet深度学习框架来量化香气感知的动态过程 | 未在摘要中明确说明 | 研究烤羊肉串从生到熟过程中香气感知的动态演变及其对应的神经特征 | 烤羊肉串的香气感知过程 | 机器学习 | NA | 时间优势感官法，气相色谱-离子迁移谱，脑电图 | 深度学习框架 | 感官数据，化学数据，神经数据 | 未在摘要中明确说明 | NA | EEG-MambaFusionNet | 预测准确率 | 未在摘要中明确说明 |
| 940 | 2025-12-26 |
Asymmetric Cross-Reactivity of Nuclear Receptors Reveals an Evolutionary Buffer Between Estrogen and Androgen Signaling
2025-Dec-21, bioRxiv : the preprint server for biology
DOI:10.64898/2025.12.18.695200
PMID:41446225
|
研究论文 | 本研究通过深度学习框架预测蛋白质-配体相互作用，揭示了雌激素与雄激素信号之间不对称的交叉反应性及其进化缓冲机制 | 首次通过全对全受体配体亲和力筛选揭示类固醇激素受体结合的不对称性，提出雌二醇作为早期类固醇配体的进化模型 | 研究主要基于计算预测和结构建模，需要进一步的实验验证来确认预测的亲和力差异和生理功能 | 探究类固醇激素受体之间的交叉反应性及其进化意义 | 核受体（特别是类固醇激素受体）及其配体（如雌二醇、睾酮） | 计算生物学 | 前列腺癌 | 深度学习蛋白质-配体相互作用预测、系统计算机亲和力预测、结构建模、祖先序列重建 | 深度学习框架 | 蛋白质序列与结构数据、配体化学数据 | NA | Boltz-2 | NA | NA | NA |