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 23714 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2025-04-27 |
High-throughput optimized prime editing mediated endogenous protein tagging for pooled imaging of protein localization
2024-Sep-17, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.16.613361
PMID:39345511
|
研究论文 | 开发了一种基于prime editing的高通量内源蛋白标记方法，用于大规模测量蛋白质亚细胞定位 | 首次将prime editing与光学读出和测序技术结合，实现了蛋白质组组织的大规模并行分析 | 仅测试了60种蛋白质，覆盖范围有限 | 开发一种可扩展的蛋白质亚细胞定位测量技术 | 60种具有不同定位模式的内源蛋白质 | 数字病理学 | NA | prime editing, 高通量测序, 深度学习图像分析 | 深度学习 | 图像, 测序数据 | 17,280个pegRNAs设计的文库，覆盖60种蛋白质 |
| 222 | 2025-04-27 |
Precision in Prevention and Health Surveillance: How Artificial Intelligence May Improve the Time of Identification of Health Concerns through Social Media Content Analysis
2024-Aug, Yearbook of medical informatics
DOI:10.1055/s-0044-1800736
PMID:40199301
|
research paper | 探讨人工智能通过社交媒体内容分析如何提升预防和健康监测的精准性 | 利用AI技术（如机器学习和自然语言处理）分析社交媒体数据，实时监测公共健康趋势，提供早期健康危机预警 | 涉及伦理和隐私问题，需要强大的数据匿名化和透明数据处理实践 | 提升预防和健康监测的精准性，实现更主动有效的健康干预 | 社交媒体上的健康相关内容 | natural language processing | NA | machine learning, natural language processing (NLP), deep learning, transformer-based topic modelling, federated learning | NA | text | 89 articles reviewed, 10 articles selected |
| 223 | 2025-04-27 |
Year 2023 in Biomedical Natural Language Processing: a Tribute to Large Language Models and Generative AI
2024-Aug, Yearbook of medical informatics
DOI:10.1055/s-0044-1800751
PMID:40199311
|
综述 | 本文回顾了2023年生物医学自然语言处理领域的科学出版物，重点介绍了大型语言模型和生成式AI的应用 | 分析了2023年NLP领域的最新趋势，包括数据增强、领域特定模型适应和模型蒸馏等解决方案 | 仅基于两个文献数据库（Medline和ACL选集）的数据，可能未涵盖所有相关研究 | 总结2023年生物医学自然语言处理领域的研究进展和趋势 | 2023年发表的2,148篇生物医学NLP相关论文 | 自然语言处理 | COVID-19, 癌症, 精神健康 | 大型语言模型（如ChatGPT）, 深度学习 | 大型语言模型 | 社交媒体内容, 电子健康记录 | 2,148篇论文 |
| 224 | 2025-04-27 |
Fully Automated OCT-based Tissue Screening System
2024-May-15, ArXiv
PMID:38800655
|
research paper | 介绍了一种基于光学相干断层扫描（OCT）的全自动组织筛查系统，用于体外组织培养的高通量筛选应用 | 系统配备了定制设计的电动平台和组织检测能力，结合基于Transformer的深度学习分割算法，实现了自动化、连续成像和高效读取 | 目前仅在小鼠视网膜变性模型的视网膜外植体培养中进行了验证，尚未在其他组织或模型中测试 | 开发一种高效、可靠的全自动组织筛查系统，以推动药物发现及相关研究领域的发展 | 小鼠视网膜变性模型的视网膜外植体培养 | digital pathology | retinal degeneration | optical coherence tomography (OCT) | Transformer-based deep learning segmentation algorithms | image | 小鼠视网膜外植体培养样本（具体数量未提及） |
| 225 | 2025-04-27 |
A Multicenter Evaluation of the Impact of Therapies on Deep Learning-based Electrocardiographic Hypertrophic Cardiomyopathy Markers
2024-Mar-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.01.15.24301011
PMID:38293023
|
研究论文 | 评估手术或经皮室间隔减容术（SRT）和口服药物mavacamten对肥厚型心肌病（HCM）患者AI-ECG评分的影响 | 首次利用AI-ECG模型评估不同治疗方法对HCM患者心电图标记物的影响，为HCM治疗监测提供新方法 | 样本量相对有限，且仅在三家医疗中心进行 | 评估SRT和mavacamten治疗对HCM患者的生物学反应 | 接受SRT或mavacamten治疗的HCM患者 | 数字病理学 | 心血管疾病 | AI-ECG | 深度学习模型 | 心电图图像 | SRT组：YNHHS 70例，CCF 100例，AHS 145例；mavacamten组：YNHHS 36例 |
| 226 | 2025-04-27 |
EvoAI enables extreme compression and reconstruction of the protein sequence space
2024-Feb-23, Research square
DOI:10.21203/rs.3.rs-3930833/v1
PMID:38464127
|
研究论文 | 本文介绍了一种名为EvoAI的混合实验计算方法，用于极端压缩和重建蛋白质序列空间 | 提出了EvoScan方法全面分割和扫描高适应性序列空间以获取关键锚点，并结合深度学习和大型语言模型准确重建序列空间 | 方法仅适用于能够与转录输出耦合的生物分子功能 | 探索蛋白质序列与功能之间的关系，实现高效压缩序列空间并预测新型高适应性序列 | 蛋白质序列空间 | 机器学习 | NA | 深度学习和大型语言模型 | NA | 蛋白质序列数据 | 82个锚点 |
| 227 | 2025-04-27 |
From the diagnosis of infectious keratitis to discriminating fungal subtypes; a deep learning-based study
2023-12-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-49635-8
PMID:38097753
|
research paper | 本研究利用深度学习技术从传染性角膜炎的诊断到真菌亚型的区分 | 提出三个深度学习模型，分别用于诊断传染性角膜炎、区分细菌性和真菌性角膜炎，以及鉴别真菌亚型（丝状真菌与酵母菌） | 模型在真菌亚型鉴别上的准确率相对较低（77.5%） | 提高传染性角膜炎的早期诊断和分类准确性 | 传染性角膜炎患者 | digital pathology | infectious keratitis | deep learning | CNN | image | 977名患者的9329张裂隙灯照片 |
| 228 | 2024-11-19 |
Retraction: A comprehensive review of deep learning-based single image super-resolution
2022, PeerJ. Computer science
DOI:10.7717/peerj-cs.621/retraction
PMID:39554485
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 229 | 2025-04-27 |
Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modelling
2021-Aug, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-021-00357-4
PMID:40271424
|
研究论文 | 本文提出了一种结合深度学习与药代动力学/药效动力学（PK/PD）的新型神经-PK/PD框架，用于预测患者对治疗的反应时间过程 | 将药理学关键原理与神经常微分方程结合，直接从纵向患者数据中学习控制微分方程，实现了对未测试给药方案的患者反应模拟 | 需要大量患者数据进行训练，且模型性能依赖于数据质量 | 开发自动化预测患者反应时间过程的方法，减少对人工建模经验的依赖 | 患者对治疗的反应时间过程 | 机器学习 | NA | 神经常微分方程 | 神经-PK/PD模型 | 纵向患者数据 | 超过600名患者的临床数据集 |
| 230 | 2025-04-27 |
A comprehensive review of deep learning-based single image super-resolution
2021, PeerJ. Computer science
DOI:10.7717/peerj-cs.621
PMID:34322592
|
综述 | 本文全面回顾了基于深度学习的单图像超分辨率技术的最新进展 | 提供了深度学习视角下的单图像超分辨率技术详细综述，并介绍了初始的经典方法 | 未涉及具体实验验证，仅为基础理论和方法回顾 | 总结和分类图像超分辨率技术，并探讨未来研究方向和开放性问题 | 图像超分辨率技术及其应用 | 计算机视觉 | NA | 深度学习 | EDSR, CinCGAN, MSRN, Meta-RDN, RBPN, SAN, SRFBN, WRAN | 图像 | NA |
| 231 | 2025-04-26 |
Machine learning explainability for survival outcome in head and neck squamous cell carcinoma
2025-Jul, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105873
PMID:40121767
|
研究论文 | 本研究结合临床病理参数、治疗相关因素和社会人口学因素，构建机器学习模型预测头颈部鳞状细胞癌患者的总体生存率，并探讨这些输入参数的互补预后潜力 | 使用TabNet和XGBoost等先进算法预测生存率，并利用LIME和SHAP技术提供模型解释性 | 需要多机构数据集验证模型，并在临床试验中测试以确保临床安全性 | 构建预测头颈部鳞状细胞癌患者总体生存率的机器学习模型，并评估输入参数的预后潜力 | 头颈部鳞状细胞癌患者 | 机器学习 | 头颈部鳞状细胞癌 | TabNet, XGBoost, LIME, SHAP | TabNet, XGBoost, 投票集成 | 临床数据 | 419名来自瑞典三家大学医院的患者 |
| 232 | 2025-04-26 |
Deep learning-assisted cellular imaging for evaluating acrylamide toxicity through phenotypic changes
2025-Jun, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association
IF:3.9Q1
DOI:10.1016/j.fct.2025.115401
PMID:40118138
|
研究论文 | 本研究开发了一种结合深度学习模型（U-Net和ResNet34）与细胞荧光成像的新方法，用于评估丙烯酰胺（AA）毒性引起的细胞表型变化 | 通过深度学习模型（U-Net和ResNet34）结合细胞荧光成像，实现了对丙烯酰胺毒性的高通量、准确评估，并建立了细胞表型与毒性之间的直接联系 | 未提及样本量的具体信息，且验证准确率为80%，仍有提升空间 | 评估丙烯酰胺（AA）毒性及其对细胞表型的影响 | 丙烯酰胺（AA）暴露下的细胞 | 数字病理学 | NA | 细胞荧光成像 | U-Net和ResNet34 | 图像 | NA |
| 233 | 2025-04-26 |
Future prospects of deep learning in esophageal cancer diagnosis and clinical decision support (Review)
2025-Jun, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15039
PMID:40271007
|
review | 本文综述了深度学习在食管癌诊断和临床决策支持中的应用前景 | 深度学习在提高早期食管癌病变检测、区分良恶性病变以及辅助癌症分期和预后方面显示出巨大潜力 | 面临图像质量差异、数据标注不足和泛化能力有限等挑战 | 探讨深度学习在食管癌诊断和临床决策支持中的应用 | 食管癌（EC）及其癌前病变（如Barrett食管） | digital pathology | esophageal cancer | endoscopic examination, pathological analysis, computed tomography | deep learning (DL) | medical images | NA |
| 234 | 2025-04-26 |
A comprehensive Malabar Spinach dataset for diseases classification
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111532
PMID:40275977
|
研究论文 | 本研究致力于开发针对马拉巴尔菠菜病害的机器视觉算法，以提高病害检测的准确性 | 开发了专门针对马拉巴尔菠菜病害的机器视觉算法，并构建了一个包含健康和患病植株图像的全面数据集 | 研究仅限于马拉巴尔菠菜的特定病害，可能不适用于其他作物 | 提高马拉巴尔菠菜病害的检测准确性，以支持精准农业和有效的作物管理 | 马拉巴尔菠菜的病害检测 | 计算机视觉 | 植物病害 | 机器视觉 | ResNet50 | 图像 | 包含健康和患病马拉巴尔菠菜植株图像的全面数据集 |
| 235 | 2025-04-26 |
Development of an artificial intelligence-generated, explainable treatment recommendation system for urothelial carcinoma and renal cell carcinoma to support multidisciplinary cancer conferences
2025-May-02, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2025.115367
PMID:40107091
|
研究论文 | 开发了一种基于人工智能的可解释治疗推荐系统，用于支持多学科癌症会议中尿路上皮癌和肾细胞癌的治疗决策 | 首次展示了AI生成的可解释治疗推荐，并在尿路上皮癌和肾细胞癌中表现出色，为临床肿瘤学中的多学科癌症会议提供了高质量、基于证据的治疗支持工具 | 需要前瞻性验证结果 | 开发一种AI系统，为尿路上皮癌和肾细胞癌生成额外的治疗推荐，以支持多学科癌症会议中的决策 | 尿路上皮癌和肾细胞癌患者 | 数字病理 | 尿路上皮癌, 肾细胞癌 | 机器学习（CatBoost, XGBoost, Random Forest）和深度学习（TabPFN, TabNet, SoftOrdering CNN, FCN） | 多种模型包括CatBoost, XGBoost, Random Forest, TabPFN, TabNet, SoftOrdering CNN, FCN | 临床数据 | 1617例尿路上皮癌和880例肾细胞癌的多学科癌症会议推荐 |
| 236 | 2024-08-07 |
Enhancing multimodal deep learning for improved precision and efficiency in medical diagnostics
2025-May, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20166
PMID:38808949
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 237 | 2024-09-23 |
Response to 'Enhancing multimodal deep learning for improved precision and efficiency in medical diagnostics'
2025-May, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20347
PMID:39305063
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 238 | 2025-04-26 |
Deep learning radiomic nomogram outperforms the clinical model in distinguishing intracranial solitary fibrous tumors from angiomatous meningiomas and can predict patient prognosis
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11082-y
PMID:39412667
|
研究论文 | 本文提出了一种基于MRI的深度学习放射组学列线图（DLRN），用于区分颅内孤立性纤维瘤（ISFTs）和血管瘤性脑膜瘤（AMs），并预测ISFT患者的总生存期（OS） | DLRN在区分ISFTs和AMs方面优于临床模型（CM），并能预测ISFT患者的OS | 研究样本主要来自两家医院，可能存在一定的选择偏差 | 评估基于MRI的DLRN在区分ISFTs和AMs及预测ISFT患者OS中的价值 | 颅内孤立性纤维瘤（ISFTs）和血管瘤性脑膜瘤（AMs）患者 | 数字病理学 | 脑肿瘤 | MRI | 深度学习放射组学列线图（DLRN） | 医学影像 | 1090名患者（主要队列）和131名患者（外部验证队列） |
| 239 | 2025-04-26 |
Significance of Image Reconstruction Parameters for Future Lung Cancer Risk Prediction Using Low-Dose Chest Computed Tomography and the Open-Access Sybil Algorithm
2025-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001131
PMID:39437009
|
研究论文 | 本研究探讨了图像重建参数和CT扫描仪制造商对Sybil算法在低剂量胸部CT扫描中预测肺癌风险性能的影响 | 首次系统评估了不同图像重建参数和CT扫描仪制造商对Sybil算法性能的影响，并发现结合有利的重建参数可以显著提高2-4年预测能力 | 研究仅基于美国国家肺癌筛查试验的参与者数据，可能无法推广到其他人群 | 评估Sybil算法在不同图像重建参数和CT扫描仪条件下的性能稳定性 | 低剂量胸部CT扫描图像 | 数字病理学 | 肺癌 | 低剂量CT扫描 | 深度学习算法(Sybil) | 医学影像 | 1049对标准与骨重建滤波器图像，1961对标准与肺重建滤波器图像，1288对2mm与5mm轴向切片厚度图像 |
| 240 | 2025-04-26 |
Unbiased and reproducible liver MRI-PDFF estimation using a scan protocol-informed deep learning method
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11164-x
PMID:39500799
|
research paper | 该研究提出了一种基于深度学习的VET-Net方法，用于从化学位移编码MR图像中精确且稳健地估计质子密度脂肪分数（PDFF） | VET-Net通过整合回波时间（TEs）作为辅助输入，能够在任何TE设置下计算PDFF，提高了方法的适应性和精确性 | 研究仅使用了单中心肝脏CSE-MRI数据集，可能限制了结果的广泛适用性 | 开发一种精确且对不同MR扫描仪和采集回波时间（TEs）稳健的PDFF估计方法 | 肝脏CSE-MR图像和脂肪-水幻影数据集 | 医学影像分析 | 肝脂肪变性 | 化学位移编码MR成像（CSE-MRI） | 深度学习（DL） | 图像 | 188名受试者的4146个轴向切片，以及一个开源的多中心多厂商脂肪-水幻影数据集 |