深度学习在生物医药领域中的应用
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，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10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 23913 篇文献，本页显示第 2101 - 2120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2101 | 2025-04-13 |
Transformers in RNA structure prediction: A review
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.03.021
PMID:40213272
|
综述 | 本文全面回顾了基于Transformer的RNA结构预测模型 | 深入分析了Transformer架构的创新如何提升RNA结构预测性能及其现有不足 | 未具体说明Transformer模型在RNA结构预测中的具体局限性 | 探讨Transformer在RNA结构预测领域的应用与发展 | RNA的二级和三级结构 | 自然语言处理 | NA | Transformer模型 | Transformer | 序列数据 | NA |
| 2102 | 2025-04-13 |
Deep learning-based prediction of chemical accumulation in a pathogenic mycobacterium
2024-Dec-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.15.628588
PMID:39764009
|
研究论文 | 该研究利用深度学习模型预测病原性分枝杆菌中化学物质的积累情况，以提高抗生素设计的成功率 | 首次使用深度学习模型预测药物在分枝杆菌中的积累，突破了传统化学性质预测方法的局限 | 研究仅针对一种特定的病原性分枝杆菌（M. abscessus），结果可能不适用于其他细菌 | 提高抗生素候选药物的设计成功率，解决细菌药物积累不足的问题 | 1528种已批准药物在M. abscessus中的积累情况 | 机器学习 | 分枝杆菌感染 | 液相色谱-质谱联用技术（LC-MS） | 深度学习模型 | 化学物质积累数据 | 1528种已批准药物 |
| 2103 | 2025-04-13 |
Deep Learning-Based Classification of Histone-DNA Interactions Using Drying Droplet Patterns
2024-Nov, Small science
IF:11.1Q1
DOI:10.1002/smsc.202400252
PMID:40213456
|
研究论文 | 本研究利用深度学习神经网络对源自不同组蛋白-DNA混合物的干燥液滴沉积物的偏振光显微镜图像进行分类，以预测组蛋白-DNA结合亲和力 | 首次发现组蛋白-DNA相互作用可以通过染色模式进行分层，并应用深度学习实现高准确度的DNA分类和结合亲和力预测 | 对于训练集未包含的物种样本，预测准确度有所下降 | 开发可扩展且准确的蛋白质-DNA结合分类预测分析方法 | 组蛋白-DNA相互作用 | 数字病理学 | NA | 偏振光显微镜 | CNN | 图像 | 多种物种的DNA样本（具体数量未明确说明） |
| 2104 | 2025-04-13 |
Knot data analysis using multiscale Gauss link integral
2024-Oct-15, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2408431121
PMID:39392667
|
research paper | 提出了一种结合曲线分割和多尺度分析的高斯链环积分方法，用于数据科学中的拓扑数据分析 | 引入了knot data analysis (KDA)范式，通过多尺度高斯链环积分(mGLI)捕捉数据的局部结构和连通性，显著优于现有方法 | 未提及具体局限性 | 开发一种新的拓扑数据分析方法，以解决传统方法在定位和量化方面的不足 | 13种复杂的生物数据集，包括蛋白质灵活性分析、蛋白质-配体相互作用等 | machine learning | NA | multiscale Gauss link integral (mGLI) | NA | biological datasets | 13种生物数据集 |
| 2105 | 2025-04-13 |
Active Label Refinement for Robust Training of Imbalanced Medical Image Classification Tasks in the Presence of High Label Noise
2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-72120-5_4
PMID:40207034
|
research paper | 提出一种结合噪声标签学习（LNL）和主动学习的两阶段方法，以提高医学图像分类在标签噪声下的鲁棒性，并通过有限标注预算迭代提升数据集质量 | 引入梯度方差方法在LNL阶段补充基于损失的样本选择，同时采样代表性不足的样本，避免将少数类别的干净样本误判为噪声样本 | 方法仅在两种不平衡噪声医学分类数据集上验证，需进一步测试更广泛场景 | 提升医学图像分类在标签噪声和不平衡数据集下的鲁棒性 | 医学图像分类任务 | digital pathology | NA | Learning with Noisy Labels (LNL), active learning | deep learning | image | 两种不平衡噪声医学分类数据集（未明确样本数量） |
| 2106 | 2025-04-13 |
qlty: handling large tensors in scientific imaging deep-learning workflows
2024-Sep, Software impacts
IF:1.3Q3
DOI:10.1016/j.simpa.2024.100696
PMID:40206204
|
research paper | 介绍了一个名为qlty的工具包，用于处理科学成像中深度学习工作流程中的大型张量数据 | 提出了一个专门用于处理超出标准GPU内存容量的大型体积数据集的工具包qlty，通过张量管理技术实现有效训练和推理 | 未提及具体的性能对比实验或与其他工具的比较 | 解决科学成像中深度学习工作流程中大型张量数据处理的问题 | 大型体积数据集 | computer vision | NA | NA | NA | image | NA |
| 2107 | 2025-04-13 |
Multiscale Computational and Artificial Intelligence Models of Linear and Nonlinear Composites: A Review
2024-May, Small science
IF:11.1Q1
DOI:10.1002/smsc.202300185
PMID:40213577
|
综述 | 本文综述了多尺度建模方法在硬质和软质复合材料中的应用，包括分子动力学模拟、有限元分析和机器学习/深度学习替代模型 | 综述了最新的多尺度建模方法，包括无网格方法、混合机器学习和有限元模型，以及非线性本构材料模型 | 计算资源可用性、模型保真度和可重复性方面的限制 | 为读者提供复合材料多尺度建模研究和开发的未来趋势的清晰展望 | 硬质（聚合物、金属、纱线、纤维、纤维增强聚合物和聚合物基复合材料）和软质（如脑白质[BWM]等生物组织）复合材料 | 机器学习 | NA | 分子动力学模拟、有限元分析、机器学习/深度学习 | 分子动力学、有限元、机器学习/深度学习替代模型 | 数值模拟和大量实验结果 | NA |
| 2108 | 2025-04-13 |
Development and Validation of a Deep Learning Algorithm to Differentiate Colon Carcinoma From Acute Diverticulitis in Computed Tomography Images
2023-01-03, JAMA network open
IF:10.5Q1
|
研究论文 | 开发并验证了一种深度学习算法，用于在CT图像中区分结肠癌和急性憩室炎 | 提出了一种3D卷积神经网络(CNN)模型，能够显著提高放射科医生在区分结肠癌和急性憩室炎方面的诊断准确性 | 研究样本仅包括2005年至2020年间接受手术的患者，可能无法代表所有病例 | 开发并评估能够区分结肠癌和急性憩室炎的AI支持系统 | 结肠癌和急性憩室炎患者 | 数字病理学 | 结肠癌/急性憩室炎 | 3D卷积神经网络 | 3D CNN | CT图像 | 585名患者(267例AD，318例CC) |
| 2109 | 2025-04-12 |
Tracking protein kinase targeting advances: integrating QSAR into machine learning for kinase-targeted drug discovery
2025-Dec, Future science OA
IF:2.4Q3
DOI:10.1080/20565623.2025.2483631
PMID:40181786
|
综述 | 本文探讨了定量构效关系（QSAR）模型在激酶药物发现中的应用，重点介绍了将传统QSAR与机器学习（ML）和结构数据相结合的进展 | 深度学习增强的QSAR在自动特征提取和捕捉复杂关系方面具有创新性，超越了传统QSAR方法 | 强调了可解释性和实验验证对于临床转化的重要性 | 提高激酶靶向药物设计的效率和准确性 | 蛋白激酶及其选择性抑制剂 | 机器学习 | NA | 定量构效关系（QSAR）、机器学习（ML）、深度学习 | CNN、RNN | 结构数据、实验数据 | NA |
| 2110 | 2025-04-12 |
Leveraging multi-modal feature learning for predictions of antibody viscosity
2025-Dec, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2490788
PMID:40214197
|
研究论文 | 本文报告了一种多模态特征学习工作流程在预测治疗性抗体粘度中的应用 | 整合了多种数据源，包括序列、结构、物理化学性质以及语言模型的嵌入，使模型能够从分子模拟的物理化学规则和大型预训练深度学习模型捕获的蛋白质进化模式中学习 | 未提及具体样本量或实验验证的局限性 | 预测治疗性抗体的粘度，以解决皮下给药制剂的高粘度问题 | 治疗性抗体 | 机器学习 | NA | 多模态特征学习 | 深度学习模型 | 序列、结构、物理化学性质数据 | NA |
| 2111 | 2025-04-12 |
Simulation of a Free Boundary Cell Migration Model through Physics Informed Neural Networks
2025-Jul, Journal of the mechanical behavior of biomedical materials
IF:3.3Q3
DOI:10.1016/j.jmbbm.2025.106961
PMID:40058062
|
研究论文 | 本研究通过物理信息神经网络模拟了具有移动边界的迁移细胞中的一维肌动球蛋白流动 | 使用物理信息神经网络解决具有移动边界的复杂生物物理问题，无需合成数据进行训练 | 模型仅针对一维情况，未扩展到更高维度 | 理解单细胞迁移的复杂机制 | 迁移细胞中的肌动球蛋白流动 | 计算生物学 | NA | 物理信息神经网络 | PINN(物理信息神经网络) | 数值模拟数据 | NA |
| 2112 | 2025-03-04 |
Corrigendum to "A case for the use of deep learning algorithms for individual and population level assessments of mental health disorders: Predicting depression among China's elderly" [J. Affect. Disord. Volume 369, 15 January 2025, Pages 329-337]
2025-Jun-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.02.070
PMID:40024843
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2113 | 2025-04-12 |
Predicting postoperative prognosis in clear cell renal cell carcinoma using a multiphase CT-based deep learning model
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04593-1
PMID:39311948
|
研究论文 | 评估基于CT图像的深度学习模型在预测透明细胞肾细胞癌患者术后预后中的价值 | 提出了一种基于三期CT图像的深度学习模型，并与Leibovich评分结合，显著提高了预测性能 | 研究为回顾性设计，样本量相对较小，且未进行外部验证 | 预测透明细胞肾细胞癌患者的术后预后 | 382名透明细胞肾细胞癌患者 | 数字病理学 | 肾细胞癌 | CT成像 | ResNet50, ELM | 图像 | 382名患者（训练集229名，测试集153名） |
| 2114 | 2025-04-12 |
Improving Accuracy and Reproducibility of Cartilage T2 Mapping in the OAI Dataset Through Extended Phase Graph Modeling
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29646
PMID:39467097
|
研究论文 | 本研究通过扩展相位图（EPG）建模提高了骨关节炎倡议（OAI）数据集中软骨T2映射的准确性和可重复性 | 首次将EPG建模应用于OAI数据集，解决了传统单指数模型忽略刺激回波和B1不均匀性的问题 | 研究样本量相对较小（100名受试者），且为回顾性研究 | 评估不同拟合方法（包括基于EPG和基于指数的方法）对OAI数据集中软骨T2准确性和可重复性的影响 | OAI数据集中的受试者膝关节软骨 | 医学影像分析 | 骨关节炎 | Multi-Echo Spin-Echo (MESE)序列，扩展相位图（EPG）建模 | 非线性最小二乘法、字典匹配、深度学习 | 医学影像数据 | 100名受试者（50名骨关节炎患者和50名健康对照） |
| 2115 | 2024-11-07 |
Editorial for "Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy"
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29637
PMID:39501638
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2116 | 2025-04-12 |
Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29639
PMID:39501646
|
研究论文 | 开发一种基于双平面MRI的深度学习模型，用于评估腰椎间盘突出症患者接受管状显微椎间盘切除术后的1年预后效果 | 首次将术前双平面MRI的深度学习特征与临床特征相结合，用于评估管状显微椎间盘切除术的1年预后效果 | 研究为回顾性设计，可能存在选择偏倚；外部验证集的样本量相对较小 | 评估深度学习模型在预测腰椎间盘突出症手术预后中的应用价值 | 接受管状显微椎间盘切除术的腰椎间盘突出症患者 | 数字病理学 | 腰椎间盘突出症 | MRI (T2加权序列) | ResNet50, ResNet101, ResNet152 | 图像 | 548名患者（训练集305名，内部验证集131名，外部验证集112名） |
| 2117 | 2025-04-12 |
Evaluation of SR-DLR in low-dose abdominal CT: superior image quality and noise reduction
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04686-x
PMID:39560744
|
research paper | 评估超分辨率深度学习重建（SR-DLR）在低剂量腹部CT成像中的效果，与混合迭代重建（HIR）和传统深度学习重建（cDLR）算法进行比较 | SR-DLR在噪声纹理和分辨率方面优于cDLR，提供了更优的图像质量和噪声降低 | 研究样本量较小（35名患者），且为回顾性分析 | 评估不同图像重建算法在低剂量腹部CT成像中的效果 | 低剂量腹部CT扫描图像 | 数字病理 | NA | 超分辨率深度学习重建（SR-DLR），混合迭代重建（HIR），传统深度学习重建（cDLR） | 深度学习 | CT图像 | 35名患者的腹部CT扫描数据 |
| 2118 | 2025-04-12 |
Development and Validation of a Deep Learning System to Differentiate HER2-Zero, HER2-Low, and HER2-Positive Breast Cancer Based on Dynamic Contrast-Enhanced MRI
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29670
PMID:39643475
|
研究论文 | 开发并验证了一种基于动态对比增强MRI（DCE-MRI）的深度学习系统，用于自动分割肿瘤并分类HER2-zero、HER2-low和HER2-positive状态的乳腺癌 | 首次使用深度学习系统（ResNetGN）基于DCE-MRI数据自动分割肿瘤并分类HER2状态，填补了此前研究在深度学习应用上的不确定性 | 研究为回顾性设计，可能存在选择偏差，且样本仅来自三个中心，可能影响模型的泛化能力 | 开发一种自动化工具，通过DCE-MRI数据在术前区分乳腺癌的HER2表达状态，以指导治疗决策 | 1294名乳腺癌患者（训练集811例，内部测试集204例，外部测试集279例）的DCE-MRI数据 | 数字病理学 | 乳腺癌 | 动态对比增强MRI（DCE-MRI） | ResNetGN | MRI图像 | 1294例乳腺癌患者（训练集811例，内部测试集204例，外部测试集279例） |
| 2119 | 2025-04-12 |
Deep learning algorithm classification of tympanostomy tube images from a heterogenous pediatric population
2025-May, International journal of pediatric otorhinolaryngology
IF:1.2Q3
DOI:10.1016/j.ijporl.2025.112311
PMID:40096786
|
研究论文 | 本研究评估了一种基于深度学习算法的AI技术，用于通过家用数字耳镜图像分类儿童鼓膜置管状态 | 首次在异质性儿科人群中验证了基于消费级数字耳镜图像的深度学习算法对鼓膜置管状态的分类能力 | 排除了有鼓膜成形术或胆脂瘤病史的患者，样本量相对较小(69名儿童) | 评估AI算法通过数字耳镜图像准确判断鼓膜置管状态(在位通畅/脱出/缺失)的能力 | 10个月至10岁有鼓膜置管史的儿科患者 | 数字病理 | 儿科耳科疾病 | 深度学习 | 深度学习算法(未指定具体架构) | 图像 | 69名儿童产生的296张耳镜图像 |
| 2120 | 2025-03-23 |
Correction to: Application of deep learning models for accurate classification of fluid collections in acute necrotizing pancreatitis on computed tomography: a multicenter study
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04836-9
PMID:40116891
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |