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 32372 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 | 2025-10-06 |
Progress and new challenges in image-based profiling
2025-Aug-07, ArXiv
PMID:40799808
|
综述 | 回顾基于图像的细胞表型分析的计算方法发展历程，总结当前流程、局限性和未来发展方向 | 深度学习彻底重塑了基于图像的细胞表型分析，改进了特征提取、可扩展性和多模态数据整合能力 | 该领域仍面临需要创新解决方案的重大挑战 | 为研究人员提供在这一快速发展的领域中导航进展和新挑战的路线图 | 基于图像的细胞表型分析技术 | 计算机视觉 | NA | 显微镜成像技术 | 深度学习 | 显微镜图像数据 | NA | NA | NA | NA | NA |
| 2182 | 2025-10-06 |
On the Utility of Virtual Staining for Downstream Applications as it relates to Task Network Capacity
2025-Aug-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.04.668552
PMID:40799532
|
研究论文 | 系统研究虚拟染色技术对下游临床应用效用的影响，重点关注任务网络容量的作用 | 首次系统研究虚拟染色对下游任务性能的影响，并揭示任务网络容量在此过程中的关键作用 | 仅使用生物数据集进行实证评估，未涵盖所有可能的临床场景 | 评估虚拟染色技术在促进临床相关下游任务（如分割或分类）中的实际效用 | 生物医学图像数据 | 数字病理 | NA | 深度学习图像到图像转换 | 深度学习网络 | 无标记图像、虚拟染色图像、真实荧光图像 | NA | NA | 图像到图像转换网络 | 分割性能、分类性能 | NA |
| 2183 | 2025-10-06 |
Enhancing deep neural networks through complex-valued representations and Kuramoto synchronization dynamics
2025-Aug-04, ArXiv
PMID:40799806
|
研究论文 | 本研究通过结合复数值表示和Kuramoto同步动力学来增强深度神经网络在视觉分类任务中的多目标编码能力 | 首次将神经科学中的同步机制与复数值表示相结合，利用Kuramoto动力学促进相位对齐，改善深度学习模型中的目标绑定问题 | NA | 研究基于同步的机制是否能增强人工模型在视觉分类中的目标编码能力 | 多目标图像，包括重叠手写数字、噪声输入和分布外变换 | 计算机视觉 | NA | NA | 前馈神经网络,循环神经网络 | 图像 | NA | NA | NA | NA | NA |
| 2184 | 2025-10-06 |
Evaluating the Performance and Potential Bias of Predictive Models for Detection of Transthyretin Cardiac Amyloidosis
2025-Aug, JACC. Advances
DOI:10.1016/j.jacadv.2025.101901
PMID:40616933
|
研究论文 | 本研究比较了四种检测转甲状腺素蛋白心脏淀粉样变性（ATTR-CM）的算法性能并评估模型偏倚风险 | 首次直接比较了基于索赔数据的随机森林模型、回归评分和两种深度学习超声模型在ATTR-CM检测中的性能，并系统评估了种族偏倚风险 | 研究队列中79.2%为白人患者，种族分布不均衡可能影响模型泛化能力评估 | 比较不同算法在心力衰竭人群中检测ATTR-CM的性能并评估模型偏倚风险 | 转甲状腺素蛋白心脏淀粉样变性（ATTR-CM）患者和年龄性别匹配的心力衰竭对照患者 | 医疗人工智能 | 心脏淀粉样变性 | 深度学习，随机森林，逻辑回归 | 随机森林，深度学习模型 | 超声心动图数据，医疗索赔数据 | 176例确诊ATTR-CM患者和3,192例心力衰竭对照患者 | NA | EchoNet-LVH, EchoGo Amyloidosis | AUC, DeLong检验, 公平性指标 | NA |
| 2185 | 2025-10-06 |
Fully Automated Diagnosis of Acute Myocardial Infarction Using Electrocardiograms and Multimodal Deep Learning
2025-Aug, JACC. Advances
DOI:10.1016/j.jacadv.2025.102011
PMID:40675022
|
研究论文 | 开发并验证了一种使用心电图数据和临床信息的多模态深度学习模型，用于急性心肌梗死的自动诊断 | 结合心电图特征、人口统计学和症状信息，采用残差卷积神经网络实现急性心肌梗死的全自动诊断 | 需要随机试验来验证模型与急诊医生的性能比较，仅基于瑞典两个中心的数据 | 开发用于急性心肌梗死检测的深度学习模型 | 因胸痛或呼吸困难接受院前或院内心电图检查的患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | CNN | 心电图信号, 人口统计学数据, 症状信息 | 104,507名个体（208,366份心电图） | NA | 残差卷积神经网络 | AUROC, 敏感性, 特异性 | NA |
| 2186 | 2025-10-06 |
Artificial Intelligence Empowers Novice Users to Acquire Diagnostic-Quality Echocardiography
2025-Aug, JACC. Advances
DOI:10.1016/j.jacadv.2025.102005
PMID:40700992
|
研究论文 | 本研究评估了基于人工智能的软件能否帮助无经验的护士获取诊断质量的心脏超声图像 | 首次证明AI系统能够使无超声经验的新手在短期培训后获取诊断质量的心脏超声图像 | 研究仅在美国和法国的两个医疗中心进行，样本量相对有限 | 评估AI引导下新手获取心脏超声图像的质量是否不劣于专家 | 240名成年患者（平均年龄62.6岁，48.8%为女性） | 医学影像分析 | 心血管疾病 | 心脏超声检查 | 深度学习 | 超声图像 | 240名患者 | NA | NA | 图像质量评估、参数相关性分析 | NA |
| 2187 | 2025-10-06 |
Artificial intelligence and computational methods in human metabolism research: A comprehensive survey
2025-Aug, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101437
PMID:40933239
|
综述 | 本文全面调查了人工智能和计算方法在人类代谢研究中的应用 | 强调机器学习和深度学习技术在分子水平代谢预测及基因组尺度代谢模型整合中的创新应用 | 面临数据异质性和模型可解释性等挑战 | 为药物发现和开发研究人员提供有价值的见解和参考，推动精准医学发展 | 人类内源性和外源性物质代谢 | 机器学习 | NA | NA | 机器学习,深度学习 | 组学数据 | NA | NA | NA | NA | NA |
| 2188 | 2025-10-06 |
Detecting Oral Cancer Using Tabular Deep Learning
2025-Aug, IEEE International Conference on Omni-layer Intelligent Systems : COINS. IEEE International Conference on Omni-layer Intelligent Systems
DOI:10.1109/coins65080.2025.11125786
PMID:40933553
|
研究论文 | 本研究开发基于表格数据的深度学习方法来检测口腔癌，区分癌性病变与癌前病变 | 首次将深度学习网络应用于口腔癌相关的表格医疗数据，而现有方法主要分析图像数据 | 研究基于1791名患者的子集数据，样本规模有限 | 可靠预测需要活检的候选病变，实现口腔癌早期检测 | 口腔癌患者和癌前病变患者 | 机器学习 | 口腔癌 | 深度学习，传统算法 | 表格深度学习模型 | 表格数据 | 1791名患者 | NA | NA | Youden指数，AUC | NA |
| 2189 | 2025-10-06 |
Characterizing the ADPKD-IFT140 Phenotypic Signature With Deep Learning and Advanced Imaging Biomarkers
2025-Aug, Kidney international reports
IF:5.7Q1
DOI:10.1016/j.ekir.2025.04.062
PMID:40814641
|
研究论文 | 本研究使用深度学习和先进成像生物标志物表征ADPKD-IFT140的表型特征 | 首次系统描述ADPKD-IFT140的临床表型和影像特征，并开发了基于深度学习的鉴别模型 | 回顾性研究设计，样本量相对有限 | 表征ADPKD-IFT140的临床表现、进展和独特的影像表型 | 携带IFT140、非截短PKD1或PKD2致病变异的ADPKD患者 | 数字病理 | 常染色体显性多囊肾病 | 医学影像分析 | 深度学习 | 医学影像 | 开发队列81例，内部验证队列569例，外部验证队列36例 | NA | NA | AUC, 特异性, 敏感性 | NA |
| 2190 | 2025-10-06 |
Navigating real-world challenges: A case study on federated learning in computational pathology
2025-Aug, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100464
PMID:40822323
|
研究论文 | 本研究通过真实世界案例探讨了联邦学习在计算病理学中应用时面临的实际挑战 | 首次在真实临床环境中透明分享联邦学习在计算病理学应用中的实际挑战，而非仅关注模拟环境中的性能提升 | 研究仅涉及三个客户端和四个国家的机构网络，样本规模有限 | 评估联邦学习在真实世界计算病理学应用中的实际可行性和挑战 | 转移性黑色素瘤的数字免疫分型 | 计算病理学 | 黑色素瘤 | 联邦学习 | 深度学习模型 | 病理图像数据 | 三个客户端机构，四个国家网络 | NVIDIA FLARE | NA | NA | Amazon Web Services基础设施，NVIDIA FLARE框架 |
| 2191 | 2025-10-06 |
Generating 2.5D pathology for enhanced viewing and AI diagnosis
2025-Aug, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100463
PMID:40822324
|
研究论文 | 提出一种生成2.5D病理切片的新框架，用于增强病理学家观察和AI诊断 | 开发了形态保持的对齐框架构建2.5D活检核心，并首次将视频Transformer模型应用于病理图像分析 | 仅在前列腺癌、乳腺癌和肾活检中验证，未涵盖所有病理类型 | 解决传统病理分析中三维组织结构评估困难的问题 | 前列腺活检、乳腺活检和肾活检样本 | 数字病理 | 前列腺癌,乳腺癌,肾病 | 组织切片序列提取和共对齐技术 | Transformer | 病理图像序列 | 前列腺活检10,210例，乳腺活检156例，肾活检1,869例 | NA | 视频Transformer | 癌症分级准确性 | NA |
| 2192 | 2025-10-06 |
Preparing Generation Z of Health Professions for Artificial Intelligence Revolution Through Hacking Education: An Interventional Study
2025-Aug, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.71169
PMID:40831685
|
研究论文 | 本研究评估了基于黑客教育理念的AI课程对Z世代医学生人工智能能力的培养效果 | 首次将黑客教育理念应用于医学生AI培训，采用翻转课堂结合小组讨论、实践社区、同伴教学和游戏化的创新教学模式 | 单组前后测试设计，缺乏对照组，样本量有限（81名学生） | 评估基于黑客教育的创新课程对Z世代医学生人工智能能力的培养效果 | 81名健康专业学生（Z世代） | 医学教育 | NA | 黑客教育，翻转课堂，游戏化教学 | NA | 问卷调查数据 | 81名健康专业学生 | NA | NA | 统计显著性（p值） | NA |
| 2193 | 2025-10-06 |
The Motion Picture: Leveraging Movement to Enhance AI Object Detection in Ecology
2025-Aug, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.71996
PMID:40837535
|
研究论文 | 本研究探索利用运动信息提升生态学中AI目标检测性能的方法 | 首次系统比较四种运动信息利用方法在多个生态数据集上的表现，为生态学家提供实用指导 | 运动信息利用对标注充分的研究（>400个标注/类）提升有限，跟踪方法表现不佳 | 通过利用运动信息提高生态图像中目标检测的准确性和效率 | 生态图像中的隐晦物种和稀有物种 | 计算机视觉 | NA | 帧差分、背景减除、光流、多目标跟踪 | 目标检测算法 | 图像、视频 | 超过35,000张标注图像，来自陆地、海洋和淡水栖息地 | NA | NA | 预测准确性 | NA |
| 2194 | 2025-10-06 |
LocPro: A deep learning-based prediction of protein subcellular localization for promoting multi-directional pharmaceutical research
2025-Aug, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101255
PMID:40837854
|
研究论文 | 提出了一种名为LocPro的深度学习框架，用于预测蛋白质亚细胞定位以促进多方向药物研究 | 结合预训练大语言模型ESM2和专业工具PROFEAT的蛋白质表征，采用混合神经网络架构，开发多标签多粒度预测框架 | NA | 开发蛋白质亚细胞定位预测工具以促进药物研发 | 蛋白质序列及其亚细胞定位 | 生物信息学 | NA | 蛋白质序列分析 | CNN, BiLSTM, FC | 蛋白质序列数据 | NA | NA | 混合神经网络架构（CNN+BiLSTM+全连接层） | NA | NA |
| 2195 | 2025-09-15 |
Deep learning unlocks global prediction of earthquake-triggered landslides
2025-Aug, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf282
PMID:40842863
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2196 | 2025-10-06 |
An automated ATAC-seq method reveals sequence determinants of transcription factor dose response in the open chromatin
2025-Jul-27, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.24.666684
PMID:40777328
|
研究论文 | 开发自动化ATAC-seq平台RoboATAC，系统研究转录因子剂量对染色质可及性的定量影响 | 首次建立可扩展的自动化ATAC-seq平台，系统分析22种转录因子的剂量梯度对染色质可及性的定量影响，发现DNA序列可单独预测剂量敏感性 | 研究仅基于HEK293T细胞系，未在其他细胞类型中验证 | 揭示转录因子剂量与染色质可及性之间的定量关系 | 22种转录因子在HEK293T细胞中的梯度过表达效应 | 基因组学 | NA | ATAC-seq, 深度学习 | 深度学习模型 | 基因组可及性数据, 基因表达数据 | 246个HEK293T细胞样本 | NA | NA | NA | NA |
| 2197 | 2025-10-06 |
CellFuse Enables Multi-modal Integration of Single-cell and Spatial Proteomics data
2025-Jul-26, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.23.665976
PMID:40777394
|
研究论文 | 提出CellFuse深度学习框架，用于整合单细胞和空间蛋白质组学数据 | 首个专门为特征重叠有限场景设计的模态无关整合框架，采用监督对比学习方法 | NA | 开发能够整合多模态单细胞和空间蛋白质组学数据的计算方法 | 健康PBMCs、骨髓、CAR-T治疗淋巴瘤、健康与肿瘤组织 | 机器学习 | 淋巴瘤 | 单细胞蛋白质组学、空间蛋白质组学 | 深度学习 | 蛋白质组学数据 | 多个数据集 | NA | 监督对比学习 | 整合质量、运行时间效率、准确率 | NA |
| 2198 | 2025-10-06 |
Deep-learning triage of 3D pathology datasets for comprehensive and efficient pathologist assessments
2025-Jul-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.20.665804
PMID:40777412
|
研究论文 | 开发了一种深度学习框架CARP3D，用于从3D病理数据集中筛选高风险2D切面，以提高病理学家评估效率 | 提出首个利用相邻深度层面上下文信息为3D病理数据集中所有2D层面分配风险评分的深度学习分诊框架 | 仅在前列腺癌和巴雷特食管两个用例中验证，尚未在其他疾病类型中测试 | 开发能够高效筛选3D病理数据集的AI工具，优化病理学家工作流程 | 前列腺癌活检组织和巴雷特食管内镜活检组织 | 数字病理 | 前列腺癌, 巴雷特食管 | 开放式顶置光片显微镜(OTLS) | 深度学习 | 3D病理图像 | NA | NA | CARP3D | 风险分层准确性, 疾病检测率 | NA |
| 2199 | 2025-10-06 |
Cascaded Multimodal Deep Learning in the Differential Diagnosis, Progression Prediction, and Staging of Alzheimer's and Frontotemporal Dementia
2025-Jul-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.09.23.24314186
PMID:40778154
|
研究论文 | 开发了一种级联多模态深度学习系统TelDem，用于阿尔茨海默病和额颞叶痴呆的鉴别诊断、疾病分期和进展预测 | 提出级联多模态混合变换器(CMT)和跨模态融合规范(CMFN)，能够整合分析大规模异质数据集，增强模型可解释性 | 未提及具体的外部验证结果和临床部署可行性 | 通过深度学习技术改善痴呆症的诊断、分期和预后预测 | 7,159名患者，包括健康个体、阿尔茨海默病患者和三种额颞叶变性亚型患者 | 医学人工智能 | 神经退行性疾病 | 多模态数据整合分析 | Transformer | 多模态临床数据 | 7,159名患者 | NA | Cascaded Multi-Modal Mixing Transformer (CMT) | 诊断准确性、预后准确性 | NA |
| 2200 | 2025-10-06 |
Combining Real and Synthetic Data to Overcome Limited Training Datasets in Multimodal Learning
2025-Jul-17, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.07.16.25331662
PMID:40791679
|
研究论文 | 提出一种结合真实和合成数据的多模态学习策略，用于皮肤病变图像分类 | 利用大型语言模型从图像元数据合成文本描述，并与原始图像配对创建多模态表示 | 依赖于图像元数据质量，合成文本可能与真实临床描述存在差异 | 解决多模态生物医学数据中配对样本不足的问题 | 皮肤病变图像和对应的文本描述 | 多模态学习 | 皮肤病变 | 多模态深度学习 | 多模态神经网络 | 图像, 文本 | 九个内部和外部数据源 | NA | 多模态编码架构 | 分类性能 | NA |