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 36434 篇文献，本页显示第 2181 - 2200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2181 | 2025-11-30 |
Mapping EEG Metrics to Human Affective and Cognitive Models: An Interdisciplinary Scoping Review from a Cognitive Neuroscience Perspective
2025-Nov-01, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10110730
PMID:41294401
|
综述 | 从认知神经科学视角系统梳理脑电图指标与人类情感认知模型映射关系的跨学科范围综述 | 整合传统频谱分析与深度学习等多种EEG方法，系统揭示情感认知过程的频率特异性神经振荡模式及其交叉频率耦合机制 | 空间分辨率有限（2-3厘米）、个体间变异性大（α峰值频率7-14Hz范围）、神经精神疾病诊断特异性受重叠特征影响 | 建立EEG指标与心理构念映射的系统框架，推动脑状态评估在临床诊断和脑机接口中的应用 | 人类情感状态（效价与唤醒度）和认知过程（工作记忆、注意力、认知负荷）的神经振荡机制 | 认知神经科学 | 神经精神疾病 | 脑电图（EEG）、频谱分析、深度学习 | 深度学习模型 | 脑电信号 | NA | NA | NA | 分类准确率（情感效价75-85%、状态分类70-95%、被试识别85-98%） | NA |
| 2182 | 2025-11-30 |
Water Body Identification from Satellite Images Using a Hybrid Evolutionary Algorithm-Optimized U-Net Framework
2025-Nov-01, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10110732
PMID:41294405
|
研究论文 | 提出一种结合混合进化算法优化U-Net框架的卫星图像水体自动识别方法 | 将增强型U-Net模型与新型混合进化优化策略协同集成，实现全自动超参数调优 | 未提及模型在极端天气条件或特殊地理环境下的泛化能力 | 开发全自动卫星图像水体识别框架以提升环境监测和灾害响应能力 | 卫星图像中的水体区域 | 计算机视觉 | NA | 卫星遥感成像 | U-Net | 卫星图像 | Kaggle和Sentinel-2公共数据集 | NA | U-Net | Pixel Accuracy, F1-Score | NA |
| 2183 | 2025-11-30 |
OCTA-ReVA+ AV: an open-source toolbox for retinal artery-vein segmentation and analysis in OCT angiography
2025-Nov-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.575416
PMID:41306988
|
研究论文 | 开发了一个开源工具箱OCTA-ReVA，用于视网膜OCTA图像的动静脉分割和定量分析 | 首个集成深度学习动静脉分割和血管特异性定量分析的开源OCTA工具箱 | 未提及具体性能验证数据和研究局限性 | 解决当前临床OCTA系统无法分别分割和量化动静脉血管特征的问题 | 视网膜OCTA图像 | 数字病理学 | 视网膜血管疾病 | 光学相干断层扫描血管成像(OCTA) | 深度学习 | 医学图像 | NA | NA | NA | 重复性,分割一致性 | NA |
| 2184 | 2025-11-30 |
DE-YOLOv13-S: Research on a Biomimetic Vision-Based Model for Yield Detection of Yunnan Large-Leaf Tea Trees
2025-Oct-30, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10110724
PMID:41294396
|
研究论文 | 提出一种融合灵长类视觉机制的深度学习网络DE-YOLOv13-S，用于云南大叶茶树的产量检测 | 首次将灵长类视觉机制融入YOLO框架，通过DynamicConv优化感受野动态调整，引入高效混合池化通道注意力模拟全局增益控制策略，使用基于尺度的动态损失模拟中央凹机制 | NA | 解决云南大叶茶树产量检测中目标尺度多变、背景复杂、图像模糊和严重遮挡的挑战 | 云南大叶茶树 | 计算机视觉 | NA | 深度学习 | YOLO, CNN | 图像 | NA | NA | DE-YOLOv13-S, YOLOv13 | Box Loss, Cls Loss, DFL Loss, 精确度, 召回率, mAP | NA |
| 2185 | 2025-11-30 |
Visible-Light Hyperspectral Reconstruction and PCA-Based Feature Extraction for Malignant Pleural Effusion Cytology
2025-Oct-28, Biosensors
DOI:10.3390/bios15110714
PMID:41294726
|
研究论文 | 提出一种基于可见光高光谱重建和PCA特征提取的恶性胸腔积液细胞学分析方法 | 整合高光谱成像技术和计算机辅助诊断系统用于胸腔积液细胞分类，结合Giemsa染色和PCA分析实现光谱变异分类 | 尚未实现基于深度学习的自动细胞分类系统，数据维度仍需优化 | 开发先进的胸腔积液细胞学图像分析模型以加速肺癌诊断 | 恶性胸腔积液细胞样本 | 计算机视觉 | 肺癌 | 高光谱成像, Giemsa染色, 主成分分析 | NA | 高光谱图像 | NA | NA | NA | NA | 显微镜搭载的敏感CCD |
| 2186 | 2025-11-30 |
Multi-institutional validation of AI models for classifying urothelial neoplasms in digital pathology
2025-Oct-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21096-1
PMID:41136495
|
研究论文 | 本研究提出了一种基于深度学习的数字病理图像分类方法，用于区分正常、非浸润性和浸润性尿路上皮肿瘤 | 首次在多机构数据集上验证AI模型对膀胱尿路上皮肿瘤的细分类，重点关注膀胱病变并区分关键病理类别 | NA | 开发并验证用于膀胱癌病理图像分类的人工智能模型 | 尿路上皮肿瘤的数字化病理切片图像 | 数字病理 | 膀胱癌 | 数字化病理成像 | CNN, Transformer | 图像 | 来自5个机构的12,500张全切片图像 | NA | EfficientNet-B6, Transformer | 准确率, 灵敏度, 特异性, F1分数, AUC | NA |
| 2187 | 2025-11-30 |
Kideraspa: designing variants of staphylococcal protein a based on a diffusion model with kidera factors
2025-Oct-24, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00696-z
PMID:41136793
|
研究论文 | 提出一种基于扩散模型和Kidera因子的蛋白质设计方法，用于生成葡萄球菌蛋白A的功能性变体 | 首次将扩散生成模型与Kidera因子表示相结合用于蛋白质从头设计，直接针对特定结合功能进行优化 | 方法依赖于选定的突变位点，实验验证规模可能有限 | 开发高效的数据驱动蛋白质设计方法以克服传统方法的局限性 | 葡萄球菌蛋白A变体及其与人免疫球蛋白G的相互作用 | 计算生物学 | 癌症,炎症,感染,自身免疫疾病 | 深度学习,扩散模型,蛋白质结构预测 | 扩散模型 | 蛋白质序列,结构数据 | NA | NA | 扩散模型 | 成功率,结合亲和力 | AlphaFold3 |
| 2188 | 2025-11-30 |
Multi-omics integration and batch correction using a modality-agnostic deep learning framework
2025-Oct-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.21.683449
PMID:41279228
|
研究论文 | 提出了一种名为MIMA的无监督深度学习框架，用于多组学数据整合和批次效应校正 | 开发了模块化、模态无关的AI框架，能够同时处理多组学数据整合和批次效应校正，支持跨模态转换并发现手动注释未捕获的分子模式 | NA | 开发多模态数据整合和批次效应校正的AI框架，促进数字病理学发展 | 空间和单细胞多组学数据集 | 机器学习 | 癌症 | 多组学技术 | 深度学习 | 多模态分子数据和病理图像 | NA | NA | NA | 与专家病理学家注释的预测性能比较 | NA |
| 2189 | 2025-11-30 |
Quantifying the impact of genetic mutations on enhancer dynamics
2025-Oct-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.21.683558
PMID:41279603
|
研究论文 | 本研究开发了UDI-UMI-STARR-seq技术结合RNA-seq，系统量化遗传突变对增强子活性和基因表达的影响 | 整合双索引和唯一分子标识符的新型增强子分析技术，结合深度学习模型解析增强子语法规则 | 仅针对6个转录因子进行CRISPR/Cas9敲除研究，样本规模有限 | 量化遗传突变对增强子动力学的影响 | 46,142个细胞类型特异性候选增强子对应的253,632个片段 | 计算生物学 | 神经发育障碍 | UDI-UMI-STARR-seq, RNA-seq, CRISPR/Cas9 | 深度学习模型 | 基因组序列数据，基因表达数据 | 253,632个增强子片段，6个转录因子敲除系 | NA | NA | NA | NA |
| 2190 | 2025-11-30 |
StoPred: Accurate Stoichiometry Prediction for Protein Complexes Using Protein Language Models and Graph Attention
2025-Oct-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.20.683515
PMID:41279950
|
研究论文 | 提出一种结合蛋白质语言模型和图注意力网络预测蛋白质复合物化学计量比的新方法 | 首个能够准确预测异源寡聚复合物化学计量比的深度学习方法，无需模板组装或预定义组成 | 未提及具体的数据集规模限制或计算资源需求 | 开发准确预测蛋白质复合物化学计量比的计算方法 | 蛋白质复合物的化学计量比预测 | 计算生物学 | NA | 蛋白质语言模型，图注意力网络 | 图注意力网络 | 蛋白质序列，结构特征 | NA | NA | 图注意力网络 | top-1准确率 | NA |
| 2191 | 2025-11-30 |
Deep learning the dynamic regulatory sequence code of cardiac organoid differentiation
2025-Oct-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.15.680997
PMID:41279701
|
研究论文 | 结合人类iPSC来源心脏类器官的单细胞多组学图谱与深度学习模型，揭示早期心脏发育的调控序列规则 | 首次将时间分辨单细胞多组学数据与深度学习预测染色质可及性相结合，系统解析心脏发育的调控语法 | 研究主要聚焦早期心脏发育阶段，对后期成熟过程的调控机制覆盖有限 | 解析人类心脏器官发生过程中的时序基因调控程序 | 人类iPSC来源的心脏类器官 | 计算生物学 | 先天性心脏病 | 单细胞多组学测序，染色质可及性分析 | 深度学习 | 基因组序列，单细胞多组学数据 | 时间序列心脏类器官样本 | NA | NA | 预测准确性 | NA |
| 2192 | 2025-11-30 |
A Review on Deep Learning Methods for Glioma Segmentation, Limitations, and Future Perspectives
2025-Aug-11, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11080269
PMID:40863479
|
综述 | 本文对胶质瘤分割的深度学习方法进行了全面分析，重点关注研究性能与临床实际应用之间的差距 | 首次将80多种最先进模型按CNN、纯Transformer和混合架构分类，并引入基于鲁棒性、效率和肿瘤区域完整性的适用性分析 | 主要基于BraTS数据集进行评估，可能无法完全代表真实临床环境的多样性 | 评估胶质瘤分割深度学习模型的性能、计算效率及临床适用性 | 胶质瘤磁共振成像(MRI)数据 | 数字病理 | 胶质瘤 | 磁共振成像(MRI) | CNN, Transformer | 医学影像 | 基于BraTS数据集的80多个模型评估 | NA | CNN-based, Pure Transformer, Hybrid CNN-Transformer | 分割准确性, 计算效率, 鲁棒性, 肿瘤区域完整性 | NA |
| 2193 | 2025-11-30 |
A combinatorial mutational map of active non-native protein kinases by deep learning guided sequence design
2025-Aug-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.03.668353
PMID:40766444
|
研究论文 | 通过深度学习指导的序列设计构建活性非天然蛋白激酶的组合突变图谱 | 突破传统方法限制，通过深度学习指导重新设计天然蛋白酪氨酸激酶，生成具有高度组合突变的新型功能序列 | NA | 探索高度组合和稀疏的序列-功能景观在突变尺度上的功能探索 | 蛋白酪氨酸激酶及其重新设计的序列变体 | 机器学习 | NA | 深度学习指导的序列设计，无细胞检测 | 深度学习，回归模型 | 蛋白质序列数据，功能活性数据 | 537个重新设计的序列变体，覆盖76个不同位置的436个独特突变 | NA | NA | 活性保留率（85%变体保持活性），功能预测准确率 | NA |
| 2194 | 2025-11-30 |
Domain-Randomized Deep Learning for Neuroimage Analysis: Selecting Training Strategies, Navigating Challenges, and Maximizing Benefits
2025-Jul, IEEE signal processing magazine
IF:9.4Q1
DOI:10.1109/MSP.2025.3590806
PMID:41306561
|
教程论文 | 本教程论文综述了基于合成图像的领域随机化深度学习方法在神经影像分析中的原理、实现和潜力 | 通过使用随机化强度和解剖内容的合成图像训练深度神经网络，解决了模型泛化问题，使模型能够准确处理训练期间未见过的图像类型 | 计算需求增加，需要权衡计算成本与性能提升 | 加速开发可泛化的深度学习工具，使领域专家无需大量计算资源或机器学习知识即可使用 | 神经影像分析，包括MRI、CT、PET、OCT等多种成像模态 | 医学影像分析 | 神经系统疾病 | 领域随机化，合成图像生成 | 深度神经网络 | 医学影像数据 | NA | NA | NA | 泛化性能，过拟合抵抗能力 | NA |
| 2195 | 2025-11-30 |
Sidechain conditioning and modeling for full-atom protein sequence design with FAMPNN
2025-Jul, Proceedings of machine learning research
PMID:41307002
|
研究论文 | 提出FAMPNN方法，在蛋白质序列设计中同时建模序列身份和侧链构象 | 首次在固定骨架蛋白质序列设计中显式建模侧链构象，通过联合分类交叉熵和扩散损失目标学习氨基酸身份和侧链构象的分布 | NA | 开发能够同时优化蛋白质序列和侧链构象的深度学习方法 | 蛋白质序列和三维结构 | 计算生物学 | NA | 深度学习 | 图神经网络 | 蛋白质结构数据 | NA | NA | MPNN（消息传递神经网络） | 序列恢复率，侧链包装精度，结合和稳定性预测 | NA |
| 2196 | 2025-11-30 |
Deep learning-based reconstruction improves image quality in low-dose head CT angiography
2025-Jun, Malawi medical journal : the journal of Medical Association of Malawi
IF:1.2Q4
DOI:10.4314/mmj.v37i2.8
PMID:41306806
|
研究论文 | 比较深度学习重建算法与传统算法在低剂量头颈部CT血管成像中的图像质量 | 首次在低剂量头颈部CTA中系统比较深度学习重建算法与传统迭代重建算法的图像质量 | 样本量较小（25例患者），仅使用单一CT扫描设备 | 评估不同图像重建算法在低剂量头颈部CTA中的图像质量表现 | 头颈部CT血管成像图像 | 医学影像处理 | 脑血管疾病 | CT血管成像 | 深度学习重建算法 | 医学影像 | 25例患者 | NA | NA | 信噪比, 对比噪声比, 边缘上升斜率, 图像噪声评分, 血管边缘定义评分, 整体质量评分, 锐利度评分, 清晰度评分 | 256层CT扫描仪 |
| 2197 | 2025-11-30 |
Rosette Trajectory MRI Reconstruction with Vision Transformers
2025-Apr-01, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11040041
PMID:40278708
|
研究论文 | 提出一种结合逆傅里叶变换和视觉Transformer的玫瑰轨迹磁共振成像重建方法 | 首次将视觉Transformer网络与卷积层结合用于非笛卡尔数据重建，无需大量预处理即可处理复杂空间依赖关系 | NA | 开发高效的玫瑰轨迹磁共振成像重建流程 | 玫瑰轨迹磁共振成像数据 | 计算机视觉 | NA | 磁共振成像 | ViT, CNN | 医学图像 | NA | NA | Vision Transformer | 归一化均方根误差, 峰值信噪比, 基于熵的图像质量评分 | NA |
| 2198 | 2025-11-30 |
Predicting Inhibition of CDK2 with SAnDReS: The Application of Machine Learning to Navigate the Scoring Function Space
2025, Current medicinal chemistry
IF:3.5Q2
|
综述 | 本文综述了应用机器学习模型和SAnDReS程序预测CDK2抑制的研究进展 | 开发了基于SAnDReS的机器学习模型，在预测CDK2抑制方面优于传统和深度学习评分函数，并引入创新的DOME分析方法 | NA | 评估计算模型在预测CDK2抑制方面的应用 | CDK2蛋白及其抑制剂 | 机器学习 | 癌症 | 机器学习建模 | 机器学习模型,深度学习 | 结构数据,结合亲和力数据 | 基于BindingDB数据库的CDK2相关数据 | SAnDReS | NA | 预测性能,pKi预测精度 | NA |
| 2199 | 2025-11-30 |
1DCNN-BiLSTM-transformer hypertension risk prediction model based on APW
2025, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2025.1714654
PMID:41306277
|
研究论文 | 提出一种基于动脉压力波形的1DCNN-BiLSTM-Transformer混合架构用于高血压风险预测 | 首次将1D-CNN、双向LSTM和Transformer结合用于APW数据分析，同时捕捉局部波形特征、长程时间依赖性和跨压力段的非线性交互 | 未明确说明样本量规模，且仅基于单一数据库进行验证 | 开发基于动脉压力波形的高血压风险预测模型 | 高血压患者与非高血压患者的动脉压力波形数据 | 机器学习 | 心血管疾病 | 动脉压力波形分析 | 1D-CNN, BiLSTM, Transformer | 动脉压力波形信号 | NA | NA | 1D-CNN-BiLSTM-Transformer混合架构 | 准确率, 精确率, 召回率, F1分数 | NA |
| 2200 | 2025-11-30 |
Retrospective Development of an AI Model Combining Ultrasound and Clinical Data for Pediatric Appendicitis Differentiation
2025, Emergency medicine international
IF:1.2Q3
DOI:10.1155/emmi/8879232
PMID:41306444
|
研究论文 | 开发并验证了一种结合超声图像和临床数据的人工智能模型，用于儿童复杂性阑尾炎与非复杂性阑尾炎的鉴别诊断 | 首次采用多模态方法整合超声图像的深度学习特征、影像组学特征和临床实验室指标，构建综合诊断模型 | 回顾性研究设计，样本量相对有限（372例），仅来自三个医疗中心 | 开发能够准确鉴别儿童复杂性阑尾炎与非复杂性阑尾炎的AI辅助诊断工具 | 372例经病理证实的儿童阑尾炎患者（230例男性，142例女性） | 数字病理 | 阑尾炎 | 超声成像，深度学习迁移学习，影像组学分析 | 机器学习分类模型 | 超声图像，临床实验室数据 | 372例儿科阑尾炎病例，来自三个医疗中心 | NA | 构建了四种模型：Rad模型（仅影像组学特征）、DL模型（仅深度学习特征）、DTL模型（结合影像组学和深度学习特征）、Combine模型（整合所有三类特征） | AUC，准确率，阳性预测值，ROC曲线，决策曲线分析，DeLong检验 | NA |