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 1941 篇文献，本页显示第 1101 - 1120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1101 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110185
PMID:41433769
|
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，通过整合合成PET扫描来改善在真实世界数据约束下的淀粉样蛋白负荷预测 | 提出了一种掩码多模态多任务深度学习框架，结合合成PET扫描生成，并利用掩码嵌入注意力机制显式处理缺失输入，以在常规临床数据不完整的情况下预测淀粉样蛋白负荷 | 研究队列主要来自ADNI项目，未来需要在更大、更多样化的队列中进行测试，并评估其对AD管理的真实世界影响 | 改善阿尔茨海默病淀粉样蛋白负荷的预测，以降低对昂贵PET扫描的依赖，并处理临床实践中常见的缺失数据问题 | 来自ADNI-2和ADNI-3项目的968名参与者的2,043个纵向观察数据 | 数字病理学 | 阿尔茨海默病 | T1加权、T2*加权、FLAIR MRI，AV45-PET，CSF生物标志物检测 | 潜在扩散模型，深度学习网络 | 图像，临床数据 | 968名参与者（491名男性，477名女性，平均年龄72岁）的2,043个纵向观察 | 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 |
| 1102 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109938
PMID:41433796
|
研究论文 | 本研究开发了一种可解释的皮层图卷积网络，用于从T1 MRI中提取皮层萎缩模式，以识别阿尔茨海默病高风险个体 | 提出了一种新颖的可解释皮层图卷积网络，能够捕捉皮层表面细微且异质的神经退行性变模式，这是传统深度学习方法难以原生处理的 | 模型需要在独立数据集（如NACC/ADRC）上进行验证以评估其泛化能力，且可解释性技术（如Grad-CAM和积分梯度）的应用有待进一步深入 | 开发一种基于图卷积网络的早期阿尔茨海默病风险预测模型 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的受试者，包括认知正常者、稳定型轻度认知障碍者、进展型轻度认知障碍者和阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | T1 MRI, FreeSurfer处理 | 图卷积网络 | 图像（T1 MRI） | 1645名受试者（902名男性，743名女性），包括523名稳定认知正常者、339名稳定阿尔茨海默病患者和783名轻度认知障碍者 | NA | 皮层图卷积网络 | 平衡准确度 | NA |
| 1103 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110184
PMID:41433804
|
研究论文 | 本研究通过微调预训练的脑龄预测模型，利用3D脑部MRI数据预测阿尔茨海默病评估量表（ADAS13）分数 | 提出了一种基于预训练脑龄预测模型的微调方法，用于预测临床评估分数，相比传统方法在数据有限的情况下实现了更好的泛化性能 | 研究主要基于ADNI数据集，可能在其他人群或数据集中泛化能力有限；仅使用50%可用数据进行训练，虽然展示了数据效率，但可能未充分利用全部数据 | 开发阿尔茨海默病的诊断和预后工具，通过预测临床评估分数来测量疾病严重程度 | 阿尔茨海默病患者及风险个体的脑部MRI数据 | 医学影像分析 | 阿尔茨海默病 | 3D脑部MRI成像 | 深度学习模型 | 3D医学影像 | 11,041个MRI扫描（来自ADNI数据集），分为训练集5,536个、验证集2,815个、测试集2,690个 | NA | 集成模型（n=5） | 平均绝对误差（MAE）, R²分数, 相关系数（r） | NA |
| 1104 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109828
PMID:41433893
|
研究论文 | 本研究利用先进的成像技术和自动处理流程，识别额颞叶痴呆亚型的敏感生物标志物，并优化临床试验设计 | 整合体积和扩散MRI指标，结合深度学习分割技术，实现精确的早期变化检测，降低临床试验样本量需求 | 研究样本量有限，且仅基于单一数据集（FTLDNI），可能影响结果的普适性 | 识别额颞叶痴呆亚型的敏感生物标志物，优化临床试验设计 | 额颞叶痴呆患者（包括行为变异型、语义变异型和非流利变异型）及健康对照 | 数字病理学 | 额颞叶痴呆 | MRI，扩散MRI，深度学习分割 | 深度学习 | MRI图像 | 238名参与者（52名行为变异型FTD，32名非流利变异型PPA，35名语义变异型PPA，117名健康对照） | NA | NA | NA | NA |
| 1105 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108718
PMID:41434014
|
研究论文 | 本文提出了一种可解释的深度学习框架，用于联合表征局部和全局的大脑衰老模式，并直接解释潜在的脑形态变化 | 开发了一种可解释的深度学习框架，通过联合学习体素级脑变化和全脑衰老模式，直接解释衰老相关的形态变化，克服了现有方法缺乏机制理解和低分辨率可视化的问题 | 方法仅在认知未受损个体上训练以学习典型衰老轨迹，可能未涵盖所有衰老变异性；依赖于特定预处理和数据集（ADNI） | 表征典型大脑衰老轨迹，检测加速或弹性衰老模式，并提高对衰老预测过程的可解释性 | 大脑衰老模式，特别是与阿尔茨海默病相关的异常衰老 | 机器学习 | 阿尔茨海默病 | 深度学习，微分同胚配准方法 | 深度学习框架 | MRI扫描图像 | 10,579次扫描来自2,366名受试者（来自纵向ADNI数据集） | NA | NA | 年龄差异预测准确性，衰老模式空间分布 | NA |
| 1106 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108731
PMID:41434039
|
研究论文 | 本研究旨在通过使用加速预处理和仅依赖标准T1加权图像，提高先前提出的阿尔茨海默病萎缩亚型与分期模型的可及性 | 改进了萎缩亚型与分期模型，使其适用于标准T1加权图像和加速预处理，提高了在现实世界临床环境中的可及性 | 亚型和分期分配仅基于横断面数据，尽管纵向MRI扫描显示了亚型分类的稳定性 | 提高阿尔茨海默病萎缩亚型与分期模型的可及性，使其适用于标准MRI场强和加速预处理 | 阿尔茨海默病患者及风险个体的T1加权MRI扫描数据 | 数字病理学 | 阿尔茨海默病 | T1加权MRI扫描 | 深度学习算法 | 图像 | DELCODE队列813人，ADNI队列2117人，A4/LEARN队列1241人，总计4171名参与者 | FastSurfer, SuStaIn | FastSurfer, SuStaIn | 亚型和分期分类的一致性，模型在不同数据集和MRI场强下的泛化能力 | NA |
| 1107 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109817
PMID:41434097
|
研究论文 | 本研究使用深度学习从低分辨率（3T）MRI图像合成高分辨率（7T）T1加权MRI图像，以改善阿尔茨海默病相关结构的成像质量 | 首次利用深度学习从3T MRI图像合成7T分辨率图像，并比较了U-Net和U-Net-GAN模型的性能，在图像质量和分割任务上显示出优势 | 分类任务性能一般（准确率约60%），且模型泛化性和临床实用性仍需进一步改进 | 提高阿尔茨海默病相关脑结构的成像分辨率，以改善图像质量和分割精度 | 阿尔茨海默病患者及临床未受损个体的MRI图像 | 数字病理学 | 阿尔茨海默病 | MRI成像 | CNN, GAN | 图像 | 178名参与者（134名临床未受损，48名受损）的配对7T和3T T1加权MRI图像 | NA | U-Net, U-Net-GAN, V-Net, WATNet | 图像质量指标，主观质量评估，分割相似度，分类准确率 | NA |
| 1108 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108740
PMID:41434125
|
研究论文 | 本研究使用皮质网络模型模拟SST中间神经元退化，探讨其在阿尔茨海默病认知衰退中的关键作用 | 首次结合深度学习模型与神经科学数据，揭示SST中间神经元通过调控反馈信号在认知功能中的关键作用 | 模型基于简化假设，未完全模拟人脑复杂性；仅使用MNIST任务评估认知表现 | 探究SST中间神经元在阿尔茨海默病认知衰退中的机制 | 皮质网络模型中的SST样抑制连接与锥体样兴奋连接 | 计算神经科学 | 阿尔茨海默病 | 单核RNA测序 | 深度学习模型 | 模拟数据，RNA测序数据 | NA | NA | BurstCCN | 测试准确率 | NA |
| 1109 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109729
PMID:41434145
|
研究论文 | 本文介绍了一个名为purple-mri的新型软件包，用于对死后MRI进行组织分割、解剖分区和空间标准化，并提供了一个框架在共同坐标系中连接形态测量学和组织病理学 | 开发了一个结合深度学习和经典技术的联合体素与表面分析流程，用于死后大脑半球的精确分区，并实现了死后与生前MRI之间的可变形图像配准 | 研究样本量相对较小（N=49匹配案例，N=75完整队列），且部分分析未包含对应的生前MRI扫描 | 开发一个用于死后MRI图像分析的软件包，以研究阿尔茨海默病及相关痴呆症（ADRD）中大脑结构与病理变化之间的关联 | 死后大脑半球MRI图像，以及对应的生前MRI图像和组织病理学数据 | 数字病理学 | 阿尔茨海默病 | MRI（7T和3T）、组织病理学检查 | 深度学习 | 图像 | 49个匹配的死后与生前MRI样本，外加26个仅死后MRI样本，总计75个死后MRI样本 | NA | NA | NA | NA |
| 1110 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109968
PMID:41434389
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于从高度不平衡的数据集中自动分割腔隙（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，用于处理高度不平衡的数据集，并实现腔隙的实例级检测 | 研究仅基于单一医疗中心的427个MRI图像，缺乏多中心外部验证，且模型对少量腔隙（1-2个）的检测灵敏度有限（58.1%） | 开发一个深度学习模型，用于自动分割MRI图像中的腔隙，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个T2-FLAIR MRI图像，包含腔隙阳性患者和阴性患者 | 医学影像分析 | 阿尔茨海默病 | T2-FLAIR MRI成像 | 深度学习 | MRI图像 | 427个T2-FLAIR MRI图像（来自Asan Medical Center），测试集包括55名阳性患者（共166个腔隙）和31名阴性患者 | NA | Attention U-Net | 替代自由响应接收器操作特性（AFROC）分析、曲线下面积（AUC）、灵敏度、置信区间 | NA |
| 1111 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110222
PMID:41434400
|
研究论文 | 本文提出了一种名为'purple-mri'的完整半球离体到原位/活体分割与配准流程，用于处理多分辨率、跨模态的阿尔茨海默病相关MRI数据 | 结合深度学习分割架构与经典基于表面的建模技术，开发了两阶段跨模态微分同胚图像配准方法，以解决离体与原位MRI之间的配准挑战 | 厚度测量因组织损伤/缺失区域的缺乏分割而存在噪声，导致整体相关性略有下降 | 开发一种能够准确分割高分辨率离体MRI并实现多模态死后MRI一对一对应的流程，以加强形态计量学与组织病理学检查之间的关联研究 | 21个对照样本的离体与原位MRI数据 | 数字病理学 | 阿尔茨海默病 | MRI成像 | 深度学习 | 图像 | 21个对照样本（年龄57-88岁；女性9例/男性12例） | FreeSurfer | NA | Spearman相关系数 | NA |
| 1112 | 2025-12-26 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_097917
PMID:41434440
|
研究论文 | 本研究利用深度学习分析单细胞RNA-seq数据，探索阿尔茨海默病多样临床表型的细胞和分子机制 | 首次在人群水平上应用深度学习分析大规模单核RNA-seq数据，识别表型关联细胞，并开发个性化单细胞功能基因组学方法，包括基因调控QTLs分析 | 研究主要基于前额叶皮层数据，可能未完全反映其他脑区变化；样本虽大但仍可能存在人群偏倚 | 揭示阿尔茨海默病多样临床表型的细胞和分子基础 | 1,494个个体大脑前额叶皮层的单核RNA-seq数据 | 生物信息学 | 阿尔茨海默病 | 单核RNA-seq | 深度学习 | 基因表达数据 | 超过600万个细胞核，来自1,494个个体大脑 | NA | NA | 表型分类改进 | NA |
| 1113 | 2025-12-26 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_099459
PMID:41435353
|
研究论文 | 本研究开发了一种基于Transformer架构的深度学习模型，仅使用全基因组测序数据来预测阿尔茨海默病痴呆 | 提出了一种结合窗口注意力、注释增强和图卷积网络的多步骤深度学习模型，用于从WGS数据中整合局部和远距离关系以改进AD预测 | 模型预测准确率仍有提升空间（AUC=0.68），且仅分析了染色体19上APOE基因周围的特定基因组区域 | 开发深度学习模型以早期预测阿尔茨海默病痴呆 | 阿尔茨海默病患者和认知正常个体的全基因组测序数据 | 机器学习 | 阿尔茨海默病 | 全基因组测序 | Transformer, GCN | 基因组序列数据 | 1050个样本（443名认知正常，607名AD痴呆） | NA | Transformer, GCN | AUC | NA |
| 1114 | 2025-12-25 |
Deep Learning Exploration Expands the Natural Diversity of Metallothioneins in the Archaea Domain
2025-Dec-24, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.5c05880
PMID:41370558
|
研究论文 | 本研究利用深度学习探索并扩展了古菌域中金属硫蛋白的自然多样性 | 首次全面识别古菌金属硫蛋白，揭示其进化谱系和结构多样性，并通过AlphaFold3建模和功能实验验证其金属抗性 | 研究仅基于406个基因组，可能未覆盖所有古菌多样性；功能实验仅测试了少数金属硫蛋白 | 探索古菌域中金属硫蛋白的多样性、进化、结构和功能 | 古菌基因组中的金属硫蛋白 | 机器学习 | NA | 基因组分析、AlphaFold3建模、功能实验 | 深度学习 | 基因组序列、蛋白质结构 | 从406个古菌基因组中识别出180个金属硫蛋白 | AlphaFold3 | AlphaFold3 | NA | NA |
| 1115 | 2025-12-25 |
Multi-DNBiTM: preterm labor prediction from electrohysterography signals using multi-head attention-enabled deep learning framework
2025-Dec-24, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2602829
PMID:41439533
|
研究论文 | 本文提出了一种基于多注意力头的分布式神经网络与双向长短期记忆结合的框架（multi-DNBiTM），用于从子宫电信号中预测早产，以提高预测准确性 | 引入了多注意力头机制和根均能量熵深度特征（RMEn2D），以增强对子宫电信号中细微变化的捕捉和表示能力 | 未明确提及模型在外部数据集上的泛化能力或计算资源需求的具体限制 | 通过深度学习框架提高早产预测的准确性和敏感性 | 子宫电信号数据 | 机器学习 | 产科疾病 | 子宫电信号分析 | LSTM, 注意力机制 | 信号数据 | NA | NA | 双向长短期记忆网络, 多注意力头机制 | 准确率, 敏感性, 特异性 | NA |
| 1116 | 2025-12-25 |
TFS-FENet: A time-frequency spatial deep learning framework for EEG-based ADHD subtype classification
2025-Dec-24, Applied neuropsychology. Child
DOI:10.1080/21622965.2025.2606108
PMID:41442154
|
研究论文 | 本文提出了一种名为TFS-FENet的深度学习框架，用于基于EEG的ADHD亚型分类，通过整合CNN和注意力机制来建模EEG的时-频-空三维特征 | 首次同时捕获EEG的联合三维时-频和空间特征，而现有方法多专注于二维特征建模 | NA | 开发一个客观的基于EEG的ADHD诊断辅助工具，以弥补临床诊断主要依赖行为表现和缺乏生物标记物的不足 | 注意力缺陷多动障碍（ADHD）患者，具体包括ADHD-注意缺陷型、ADHD-混合型以及典型发育儿童 | 机器学习 | 注意力缺陷多动障碍 | 脑电图（EEG） | CNN | 脑电图信号 | NA | NA | TFS-FENet | 准确率 | NA |
| 1117 | 2025-12-25 |
Colorimetric Sensors for Halal Food Authentication: Detecting Non-Halal Meat and Alcohol
2025-Dec-23, Critical reviews in analytical chemistry
IF:4.2Q1
DOI:10.1080/10408347.2025.2603480
PMID:41436850
|
研究论文 | 本文综述了比色传感器在清真食品认证中的应用，特别是用于检测非清真肉类和酒精 | 介绍了结合抗体或DNA格式、纸基设备、智能手机集成以及AI驱动的平台，实现快速、低成本、现场检测的创新方法 | 存在选择性、可重复性和数据标准化方面的挑战 | 开发用于清真食品认证的快速、低成本、现场检测技术 | 非清真肉类掺杂物（如猪源性成分）和乙醇 | NA | NA | 比色传感器、PCR、HPLC、GC‑MS | 深度学习 | 颜色模式 | NA | NA | NA | 检测限（ppb-ppm范围）、检测时间（小于一小时） | NA |
| 1118 | 2025-12-25 |
Deep Learning Improves the MAGGIC Risk Score in Predicting Contrast-Induced Nephropathy in ST Elevation Myocardial Infraction Patients
2025-Dec-23, Angiology
IF:2.6Q2
DOI:10.1177/00033197251399866
PMID:41437710
|
研究论文 | 本研究探讨了结合MAGGIC风险评分与深度学习模型（包括KAN、多层感知机、TabNet和TabTransformer）来预测ST段抬高型心肌梗死患者对比剂肾病的发生，显著提升了预测性能 | 首次将MAGGIC风险评分与深度学习模型（特别是Kolmogorov-Arnold Networks）结合用于预测对比剂肾病，并开发了基于网络的临床决策辅助工具 | 研究为回顾性设计，样本量有限（1403例），可能存在选择偏倚，且模型在外部验证中的泛化能力未评估 | 提高ST段抬高型心肌梗死患者对比剂肾病的早期预测准确性，以改善临床结局和降低死亡率 | 接受直接经皮冠状动脉介入治疗的ST段抬高型心肌梗死患者 | 机器学习 | 心血管疾病 | NA | 深度学习, 机器学习 | 临床参数 | 1403例ST段抬高型心肌梗死患者 | NA | 多层感知机, TabNet, TabTransformer, Kolmogorov-Arnold Networks (KAN), 逻辑回归 | AUC | NA |
| 1119 | 2025-12-25 |
Ratio Quantification of Geranium and Rose Essential Oil Mixtures via Deep Learning Analysis of Complex Raman Spectra
2025-Dec-17, ACS measurement science au
IF:4.6Q1
DOI:10.1021/acsmeasuresciau.5c00088
PMID:41425308
|
研究论文 | 本研究开发了一种基于深度学习的通道注意力残差特征提取网络（CARFENet），用于通过拉曼光谱分析天竺葵和玫瑰精油混合物的比例定量 | 提出了CARFENet模型，该模型采用光谱捕获和光谱分离模块，能够将混合精油光谱解构为其纯组分，实现了对混合拉曼光谱中纯精油成分的有效定量分析 | 研究仅针对天竺葵和玫瑰精油两种特定精油混合物，未验证模型在其他精油种类或更复杂混合物中的泛化能力 | 开发一种基于深度学习的方法，用于精油混合物的比例定量和质量控制，以应对精油掺假问题 | 天竺葵精油、玫瑰精油及其混合物 | 机器学习 | NA | 拉曼光谱 | CNN, 通道注意力残差特征提取网络 | 光谱数据 | 2700个拉曼光谱（包括900个玫瑰精油、900个天竺葵精油和900个混合物） | NA | CARFENet | 相似性指数 | NA |
| 1120 | 2025-12-25 |
Supervised versus unsupervised GAN for pseudo-CT synthesis in brain MR-guided radiotherapy
2025-Dec, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01606-1
PMID:40694229
|
研究论文 | 本研究比较了监督式（Pix2Pix）与无监督式（CycleGAN）深度学习模型在从T1和T2加权MR序列生成伪CT图像方面的性能 | 首次系统比较监督式Pix2Pix与无监督式CycleGAN在脑部MR引导放疗中伪CT合成的效果，并进行了剂量学评估验证临床可行性 | 研究仅基于3270个配对图像，未涉及更大规模或多中心数据验证；未探讨其他先进生成模型如扩散模型的表现 | 评估不同深度学习模型在MR-to-CT图像合成中的性能，为MR-only放疗计划提供技术支持 | 脑肿瘤患者的T1和T2加权MRI图像及对应CT图像 | 医学影像分析 | 脑肿瘤 | MRI, CT | GAN | 图像 | 3270个配对的T1和T2加权MRI与CT图像 | TensorFlow, PyTorch | Pix2Pix, CycleGAN | SSIM, PSNR, MAE | NA |