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 36487 篇文献，本页显示第 2021 - 2040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2021 | 2025-12-02 |
Deep learning reveals how cells pull, buckle, and navigate fibrous environments
2025-Nov-25, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2424047122
PMID:41269797
|
研究论文 | 本研究通过结合相位显微镜和深度学习技术，开发了DLFM方法，实时映射细胞在纤维环境中的力学力，揭示了细胞在纤维基质中迁移时机械力方向性如何超越ECM刚度作为收缩性的主要调节因子 | 首次将深度学习与细胞力学结合，实时可视化细胞在纤维环境中的力分布，发现张力各向异性是细胞行为的主调节因子，挑战了传统基于平坦基质的刚度驱动模型 | 研究主要基于体外纤维环境模拟，可能未完全复制体内复杂组织条件；DLFM技术的实时映射精度可能受纤维网络动态变化影响 | 探究细胞在生理纤维环境中如何建立和调节力学力，以解释细胞在可变形纤维环境中的迁移、分裂和分化行为 | 迁移细胞、干细胞在纤维细胞外基质中的力学行为 | 数字病理学 | 癌症 | 相位显微镜，深度学习，实时力映射 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 2022 | 2025-12-02 |
Towards the theory for mitigating gradient issues and dead neurons in deep learning through a modified Gaussian activation function
2025-Nov-24, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108353
PMID:41319404
|
研究论文 | 本文提出了一种改进的高斯激活函数R-Gaussian，用于缓解深度学习中的梯度问题和神经元死亡现象 | 提出了一种动态适应预激活值的R-Gaussian激活函数，其调制参数C直接从输入分布推导，无需额外计算开销，在特定C值范围内能实现梯度稳定性和学习效率的最佳平衡 | 在Dry Bean数据集上的性能未优于Sigmoid函数 | 缓解深度学习中的梯度消失、梯度爆炸和神经元死亡问题 | 深度学习模型的激活函数 | 机器学习 | NA | NA | 深度神经网络,循环神经网络 | 图像数据,传感器数据 | CIFAR数据集,Dry Bean数据集,UCI HAR数据集 | NA | Vanilla RNN | 准确率,梯度范数,收敛时间 | NA |
| 2023 | 2025-12-02 |
Multi-view subspace tensorization with attentive clustering embedding
2025-Nov-22, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108344
PMID:41319403
|
研究论文 | 本文提出了一种名为STANCE的新型深度多视图聚类框架，该框架通过张量建模和注意力机制有效捕获多视图数据中的高阶相关性和一致性信息 | 首次将张量建模整合到深度学习范式中用于多视图聚类，通过构建三阶张量并施加低秩约束来显式捕获视图间的高阶依赖关系，并引入基于注意力的自适应融合模块动态分配样本级权重 | 未明确说明模型的计算复杂度及对大规模数据集的扩展性，也未讨论对视图数量变化的鲁棒性 | 解决现有深度多视图聚类方法在建模视图间高阶相关性方面的不足，提升多视图数据聚类的性能 | 多视图数据 | 机器学习 | NA | NA | 自编码器, 注意力机制 | 多视图数据 | 多个基准数据集（具体数量未说明） | NA | STANCE（包含视图特定自编码器、张量低秩约束模块、注意力融合模块） | NA | NA |
| 2024 | 2025-12-02 |
PL-Seg: Partially labeled abdominal organ segmentation via classwise orthogonal contrastive learning and progressive self-distillation
2025-Nov-21, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103885
PMID:41319623
|
研究论文 | 提出了一种名为PL-Seg的新框架，用于在腹部CT扫描中利用部分标注数据进行多器官分割 | 引入了三种创新方法：基于历史分割难度动态调整权重的硬度感知解耦前景损失、用于减少类间模糊性的类间正交对比损失，以及从深层高分辨率层向浅层低分辨率层蒸馏知识的渐进自蒸馏策略 | NA | 开发一种能够在部分标注数据（即每个体积中仅标注部分目标器官类别）下实现准确腹部多器官分割的方法 | 腹部CT扫描中的器官 | 数字病理 | NA | 计算机断层扫描 | 深度学习 | 医学图像 | NA | NA | NA | NA | NA |
| 2025 | 2025-12-02 |
Ultraviolet-induced fluorescence mapping of facial porphyrin and sebum using deep-learning segmentation
2025-Nov-20, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2025.105294
PMID:41274329
|
研究论文 | 本研究评估并比较了两种深度学习方法（UNet和pix2pix）在面部紫外线诱导荧光图像中自动分割卟啉和皮脂的应用 | 首次在面部卟啉和皮脂的紫外线荧光分割任务中，系统比较了传统分割网络（UNet）与生成对抗网络（pix2pix）两种深度学习方法 | 数据集多样性有限（仅49名受试者），且未在临床级成像系统上进行验证 | 评估和比较深度学习方法在面部紫外线诱导荧光图像中自动分割卟啉和皮脂的性能 | 面部紫外线诱导荧光图像中的卟啉和皮脂区域 | 计算机视觉 | 痤疮 | 紫外线诱导荧光成像 | CNN, GAN | 图像 | 49名受试者的294张面部荧光图像 | NA | UNet, pix2pix | 交并比, Dice系数 | NA |
| 2026 | 2025-12-02 |
Clinical-Grade Interpretable Artificial Intelligence Tool for Automated Detection of Lymph Node Metastasis in Prostate Cancer
2025-Nov-10, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2025.100934
PMID:41223994
|
研究论文 | 本研究开发了一种临床级可解释人工智能工具，用于自动检测前列腺癌淋巴结转移 | 提出了一种利用有限标注数据集的新型AI模型，通过从无标签数据中识别并纳入最具信息量的实例进行迭代误差校正来优化学习轨迹 | 模型性能依赖于数据质量，且验证数据主要来自学术医疗中心，可能需在更广泛临床环境中进一步验证 | 开发一种准确、高效且可解释的AI工具，用于自动检测前列腺癌淋巴结转移，以辅助病理诊断 | 前列腺癌患者的淋巴结组织 | 数字病理学 | 前列腺癌 | 深度学习 | 深度学习模型 | 全切片图像 | 787张全切片图像和超过2000个淋巴结组织 | NA | NA | AUC, 敏感性, 特异性 | NA |
| 2027 | 2025-12-02 |
Application of Deep Learning for Advanced Detection and Quantification of Drusen in Nonexudative AMD From Retinal Multispectral Imaging
2025-Nov-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.11.35
PMID:41268988
|
研究论文 | 提出了一种基于深度学习的新方法，利用视网膜多光谱图像进行早期年龄相关性黄斑变性中玻璃膜疣的检测和量化 | 首次将深度学习模型应用于视网膜多光谱图像，利用多个非重叠光谱波段特征进行玻璃膜疣的自动检测和量化 | 样本量较小（170张玻璃膜疣和150张非玻璃膜疣视网膜图像），且仅针对单眼图像进行分析 | 开发一种自动检测和量化早期年龄相关性黄斑变性中玻璃膜疣的方法 | 早期非渗出性年龄相关性黄斑变性患者的视网膜多光谱图像 | 计算机视觉 | 年龄相关性黄斑变性 | 视网膜多光谱成像 | CNN | 图像 | 170张玻璃膜疣和150张非玻璃膜疣视网膜图像（单眼） | NA | UNet++, EfficientNetV2 | Dice系数, 召回率, 精确率, 像素级分割准确率 | NA |
| 2028 | 2025-12-02 |
Generative Artificial Intelligence for Retinal Image Translation to Improve Glaucoma Screening With Deep Learning
2025-Nov-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.11.36
PMID:41268987
|
研究论文 | 本研究利用生成对抗网络将扫描激光检眼镜图像转换为合成彩色眼底照片，以提升深度学习模型在青光眼筛查中的检测性能 | 首次应用CycleGAN将SLO眼底图像转换为合成CF照片，以解决数据域偏移问题并扩大训练数据集，从而优化青光眼自动检测 | 研究仅使用单一类型的SLO图像进行转换，未探索其他成像模态；合成图像的质量对模型性能的影响需进一步验证 | 通过图像转换技术改善青光眼的自动化筛查准确率 | 扫描激光检眼镜（SLO）图像和彩色眼底（CF）照片 | 计算机视觉 | 青光眼 | 扫描激光检眼镜成像 | GAN | 图像 | 16,936张SLO眼底照片 | NA | CycleGAN | AUC, 灵敏度 | NA |
| 2029 | 2025-12-02 |
DLMUSE: Robust Brain Segmentation in Seconds Using Deep Learning
2025-Nov, Radiology. Artificial intelligence
DOI:10.1148/ryai.240299
PMID:40960397
|
研究论文 | 介绍一种开源深度学习脑部分割模型DLMUSE，用于全自动脑部MRI分割，实现快速分割并促进大规模神经影像研究 | 开发了一个开源深度学习模型，分割速度比参考方法快10,000倍以上，性能与最先进方法相当，并提供了用户友好的Web界面 | 研究为回顾性，训练数据主要基于多图谱分割方法生成，可能存在标签偏差 | 实现快速、准确的脑部MRI全自动分割，以支持大规模神经影像研究 | 脑部MRI扫描图像 | 医学影像分析 | 阿尔茨海默病 | MRI | CNN | 图像 | 训练集1900个MRI扫描，验证集71,391个扫描来自14项研究 | NA | NA | Dice相似系数, Pearson相关系数, 平均绝对误差, 准确率, F1分数 | NA |
| 2030 | 2025-10-31 |
Correspondence on 'Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings'
2025-Nov, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2025.105880
PMID:41161129
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2031 | 2025-12-02 |
A comprehensive benchmarking of the AlphaFold3 for predicting biomacromolecules and their interactions
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf616
PMID:41313605
|
研究论文 | 本文对AlphaFold3在预测生物大分子及其相互作用方面的性能进行了全面的基准测试 | 首次对AlphaFold3进行了全面的第三方基准测试，涵盖了九种不同的生物分子数据集，并与多种现有方法进行了系统比较 | 研究仅基于现有数据集进行基准测试，未涉及AlphaFold3在真实世界应用中的泛化能力和计算效率 | 评估AlphaFold3在预测生物大分子结构及其相互作用方面的性能 | 蛋白质单体、孤儿蛋白、替代构象、蛋白质多聚体、肽-蛋白质复合物、抗原-抗体复合物、RNA、RNA多聚体、蛋白质-核酸复合物 | 计算生物学 | NA | 深度学习 | AlphaFold3, AlphaFold2, AlphaFold-Multimer, RoseTTAFoldNA, RhoFold+, NuFold, trRosettaRNA | 生物分子结构数据 | 九个不同的数据集 | NA | AlphaFold系列架构 | TM-score, 局部距离差异测试分数, 相互作用网络保真度分数 | NA |
| 2032 | 2025-12-02 |
Progression and prospects of machine learning techniques in nanotoxicology: riding the AI-driven wave
2025-Nov, Toxicology mechanisms and methods
IF:2.8Q2
DOI:10.1080/15376516.2025.2536659
PMID:40717503
|
综述 | 本文系统总结了机器学习在纳米毒理学中的应用、挑战及未来前景 | 探讨了机器学习，特别是深度学习网络，在预测纳米颗粒毒性方面的潜力，并提出了整合其他计算方法以改进毒性评估的可能性 | 机器学习面临训练数据有限、模型可解释性问题以及纳米材料-生物相互作用复杂性等挑战 | 评估机器学习技术在纳米毒理学领域的应用，以改进纳米颗粒毒性评估方法 | 纳米颗粒及其在生态环境中的分布与毒性 | 机器学习 | NA | 机器学习，深度学习 | 深度学习网络 | 数据集 | NA | NA | NA | NA | NA |
| 2033 | 2025-12-02 |
Advanced deep learning for automatic classification of fired bullets from standard-issue firearms
2025-Nov, Science & justice : journal of the Forensic Science Society
IF:1.9Q3
DOI:10.1016/j.scijus.2025.101335
PMID:41320451
|
研究论文 | 本研究探索深度学习用于自动分类标准制式枪支发射的子弹标记，以提高法医枪支检验的准确性和减少主观性 | 采用三种不同的图像预处理策略（全景成像、LEA分割和线条分割）并结合预训练的ResNet50网络，实现了对高度相似子弹膛线标记的高精度分类，其中LEA分割策略表现最佳 | 研究仅基于中国执法机构常用的六种标准制式枪支的6000枚子弹数据集，可能未涵盖所有枪支类型或变异情况 | 通过AI驱动的解决方案提高法医枪支检验的效率和准确性，减少主观判断不一致的问题 | 从六种标准制式枪支发射的6000枚子弹 | 计算机视觉 | NA | BalScan系统全景成像 | CNN | 图像 | 6000枚子弹 | TensorFlow, PyTorch, Keras | ResNet50 | 分类准确率 | NA |
| 2034 | 2025-12-02 |
Ark+: Supervised training a single high-performance AI foundation model from many differently labeled datasets-no label consolidation required
2025-Oct-29, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103828
PMID:41319624
|
研究论文 | 本文提出了一种名为Ark的监督学习框架，能够在不进行标签统一的情况下，利用多个异构标注的公开数据集训练单一高性能AI基础模型 | 提出Ark框架，首次实现了无需人工标签统一即可聚合多个异构标注数据集进行监督训练，突破了跨数据集标签异质性的长期障碍 | NA | 开发一种能够利用多个公开异构标注数据集训练单一高性能AI基础模型的方法 | 胸部X光片（CXRs）和眼底摄影图像 | 医学影像分析 | 肺部疾病（包括肺炎等） | 深度学习 | 基础模型 | 图像 | Ark5使用335,484张CXRs，Ark6使用704,363张CXRs | PyTorch | 多种架构（具体未指定） | 分类、分割、定位任务的性能评估，性别偏差分析 | NA |
| 2035 | 2025-12-02 |
Hippocampal grey matter changes across scales in Alzheimer's Disease
2025-Oct-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.15.682705
PMID:41280080
|
研究论文 | 本研究利用ADNI数据集，通过深度学习模型分析阿尔茨海默病和轻度认知障碍患者海马体的宏观结构（如厚度和脑回）与微观结构变化 | 采用迭代训练范式调整现有深度学习模型，以捕捉老年及海马退化个体的海马拓扑结构，并首次结合宏观与微观结构变化，揭示AD和MCI中扩散方向与平均扩散系数的空间非重叠性 | 研究依赖于ADNI数据集，样本可能具有选择性偏差；未探讨其他神经退行性疾病的影响；深度学习模型的泛化能力需进一步验证 | 探究阿尔茨海默病和轻度认知障碍中海马体宏观与微观结构的变化特征 | 阿尔茨海默病患者、轻度认知障碍患者及健康老年对照个体 | 数字病理学 | 阿尔茨海默病 | 扩散MRI，深度学习 | 深度学习模型 | MRI图像，扩散张量数据 | ADNI数据集中的AD、MCI患者及健康对照个体 | NA | NA | NA | NA |
| 2036 | 2025-12-02 |
GhostFold: Accurate protein structure prediction using structure-constrained synthetic coevolutionary signals
2025-Oct-14, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.13.682177
PMID:41279404
|
研究论文 | 提出一种名为GhostFold的方法，可从单一氨基酸序列生成结构约束的合成多序列比对，用于高精度蛋白质结构预测 | 无需传统同源搜索，利用蛋白质语言模型和结构字母表生成具有折叠一致性的合成序列，解决了同源序列稀少蛋白质的结构预测难题 | 未明确说明方法对特定结构类型（如膜蛋白）的适用性，且合成序列的进化合理性有待进一步验证 | 开发不依赖深度多序列比对的蛋白质结构预测方法 | 孤儿蛋白质、高变抗体环等难以通过传统方法预测结构的蛋白质 | 计算结构生物学 | NA | 蛋白质语言模型（ProstT5）、3Di结构字母表 | 深度学习模型 | 氨基酸序列、结构表示 | NA | NA | AlphaFold2 | pLDDT | 计算轻量级（具体资源未说明） |
| 2037 | 2025-12-02 |
High-Risk Carotid Lesion Segmentation: Advancing Stroke Risk Detection With Deep Learning
2025-Oct-14, Journal of endovascular therapy : an official journal of the International Society of Endovascular Specialists
IF:1.7Q2
DOI:10.1177/15266028251381672
PMID:41321026
|
研究论文 | 本研究探讨了使用人工智能软件PRAEVAorta2在CT血管造影上自动分割颈动脉斑块的可行性，并比较了有症状与无症状患者斑块成分的差异 | 引入了AI工具PRAEVAorta2来自动分割和量化颈动脉斑块成分，超越传统狭窄分级，提供更细致的斑块易损性评估 | 血栓分割的Dice相似系数较低（0.33），表明该成分的自动分割性能有待提升 | 评估AI在颈动脉病变分割中的可行性，并比较有症状与无症状患者斑块成分的差异 | 颈动脉斑块 | 数字病理 | 心血管疾病 | CT血管造影 | 深度学习 | 图像 | 156名患者（81个有症状病变，75个无症状病变） | NA | NA | 敏感性, 特异性, Dice相似系数, 体积相似性 | NA |
| 2038 | 2025-12-02 |
Uncovering the Mechanistic Landscape of Regulatory DNA with Deep Learning
2025-Oct-08, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.07.681052
PMID:41278958
|
研究论文 | 本文提出了一种结合深度学习和可解释AI的计算框架SEAM，用于解析调控DNA的机制景观并评估基因突变的功能影响 | 开发了SEAM框架，首次系统性地将深度学习和可解释AI结合，能够识别功能结合位点、区分突变对结合位点的不同影响（保留/破坏/创建），并发现调控信号存在突变稳健型和易重编程型两种类型 | 未明确说明模型在哪些具体调控位点类型上的泛化能力，也未提供大规模验证数据 | 解析调控DNA的机制逻辑，评估非编码区基因突变的功能影响，并指导合成序列设计 | 人类和其他物种的调控基因座（regulatory loci） | 机器学习 | NA | 深度学习，可解释AI | 深度学习模型 | DNA序列数据 | NA | NA | NA | NA | NA |
| 2039 | 2025-12-02 |
Glomerular Segmentation, Classification, and Pathomic Feature-based Prediction of Clinical Outcomes in Minimal Change Disease and Focal Segmental Glomerulosclerosis
2025-Oct-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.01.25336172
PMID:41282794
|
研究论文 | 本研究应用计算图像分析自动化分割和分类肾小球，并提取非硬化肾小球的亚视觉病理特征以评估其临床相关性 | 利用深度学习模型自动化分割和分类肾小球，并从非硬化肾小球中提取亚视觉病理特征用于预测临床结局，揭示了传统评估中未被充分认识的预后信息 | 研究仅基于特定染色（PAS）的WSI图像，且模型在%SS的评估上一致性仅为中等（ICC=0.592），非硬化肾小球病理特征的预测性能相对有限（iAUCs约0.66-0.68） | 自动化评估肾小球硬化并探索非硬化肾小球的病理特征与临床结局（疾病进展和蛋白尿缓解）的关联 | 局灶节段性肾小球硬化症和微小病变病的肾小球 | 数字病理学 | 肾脏疾病 | PAS染色全切片图像分析 | 深度学习模型 | 图像 | 基于NEPTUNE/CureGN队列的PAS染色WSI图像，具体样本数量未在摘要中明确 | NA | NA | ICC, iAUC | NA |
| 2040 | 2025-12-02 |
Physics-Informed Machine Learning in Biomedical Science and Engineering
2025-Oct-06, ArXiv
PMID:41281212
|
综述 | 本文综述了物理信息机器学习在生物医学科学与工程中的应用，重点介绍了PINNs、NODEs和神经算子三类框架 | 系统性地将参数化物理定律与数据驱动方法相结合，为复杂生物医学系统建模提供了可解释且高效的范式 | 存在不确定性量化、泛化能力以及与大型语言模型整合等开放挑战 | 探讨物理信息机器学习在生物医学领域的应用潜力与发展方向 | 生物固体与流体力学、力学生物学、医学成像、生理系统、药代动力学、细胞信号传导等多尺度生物医学系统 | 机器学习 | NA | NA | 物理信息神经网络, 神经常微分方程, 神经算子 | NA | NA | NA | PINNs, NODEs, NOs | NA | NA |