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 42795 篇文献，本页显示第 2421 - 2440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2421 | 2026-03-06 |
Deep learning in obsessive-compulsive disorder: a narrative review
2025, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2025.1581297
PMID:40585546
|
综述 | 本文是一篇关于深度学习在强迫症研究中应用的叙述性综述，总结了10项相关研究的主要发现 | 系统性地综述了深度学习在强迫症诊断、症状分类和治疗反应预测中的应用潜力，并指出了利用被动收集数据（如可穿戴设备）进行早期检测和持续症状追踪的新兴机遇 | 当前模型受限于小样本量、缺乏治疗预测的比较研究，以及对早期反应检测或可扩展监测解决方案的关注不足 | 评估深度学习在解决强迫症诊断和治疗挑战方面的应用现状与前景 | 强迫症患者 | 机器学习 | 强迫症 | NA | 深度学习 | 神经影像数据, EEG数据, 临床数据 | NA | NA | NA | 准确率 | NA |
| 2422 | 2026-03-06 |
EPISeg: Automated segmentation of the spinal cord on echo planar images using open-access multi-center data
2025, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/IMAG.a.98
PMID:40937159
|
研究论文 | 本文开发了一种名为EPISeg的深度学习模型，用于自动分割脊髓梯度回波平面成像数据，并公开了一个多中心数据集 | 提出首个针对梯度回波平面成像数据的自动脊髓分割深度学习模型，并公开了多中心标注数据集 | 未明确说明模型在极端运动伪影或严重信号丢失情况下的性能限制 | 开发自动化工具以改进脊髓功能磁共振成像数据的预处理流程 | 脊髓梯度回波平面成像数据 | 数字病理学 | NA | 功能磁共振成像，梯度回波平面成像 | 深度学习模型 | 医学影像 | 多中心数据集（具体数量未明确） | NA | EPISeg | 分割质量 | NA |
| 2423 | 2026-03-06 |
Tokenization and deep learning architectures in genomics: A comprehensive review
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.07.038
PMID:40821715
|
综述 | 本文全面回顾了基因组学中标记化技术和深度学习架构的应用与挑战 | 系统梳理了基因组学中标记化技术与深度学习架构的现状，并指出当前标记化方法在捕捉DNA序列基序方面的不足，强调未来模型需整合更具生物学相关性的标记化技术 | 未提出新的具体模型或技术，主要基于现有文献进行总结，缺乏实证研究验证 | 综述基因组学领域深度学习架构与标记化技术的研究进展，探讨其应用与改进方向 | 基因组学中的DNA序列数据及相关计算任务（如抗菌素耐药性预测、基因注释） | 自然语言处理, 机器学习 | NA | DNA测序技术 | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 2424 | 2026-03-06 |
Bridging the clinical gap: Confidence informed IDH prediction in brain gliomas using MRI and deep learning
2025 Jan-Dec, Neuro-oncology advances
IF:3.7Q2
DOI:10.1093/noajnl/vdaf142
PMID:40842645
|
研究论文 | 本文提出了一种结合体素分割网络与贝叶斯逻辑回归的深度学习框架，用于基于MRI图像无创预测脑胶质瘤的IDH突变状态并提供置信度评分 | 首次将体素级分割网络(MC-net)与贝叶斯逻辑回归(BLR)相结合，为IDH状态预测提供置信度评分，解决了深度学习模型临床转化中的可靠性评估难题 | 研究依赖于多中心数据但未提及外部验证集的独立性能，模型在罕见亚型或非典型病例中的表现尚未验证 | 开发一种能够提供预测置信度的非侵入性方法，用于脑胶质瘤IDH突变状态的准确预测，以辅助临床决策 | 脑胶质瘤患者 | 数字病理学 | 脑胶质瘤 | MRI成像 | 深度学习, 贝叶斯模型 | 医学影像(MRI) | 来自8个机构的2,481例胶质瘤病例 | 未明确说明 | MC-net, 贝叶斯逻辑回归(BLR) | 分类准确率, AUC, Brier分数 | NA |
| 2425 | 2026-03-06 |
Voiceprints of cognitive impairment: analyzing digital voice for early detection of Alzheimer's and related dementias
2025, NPJ dementia
DOI:10.1038/s44400-025-00040-0
PMID:41195302
|
研究论文 | 本研究利用人工智能分析数字语音录音，以早期检测阿尔茨海默病及相关痴呆症 | 结合特征工程机器学习和端到端深度学习（包含大型语言模型）进行语音分析，用于认知障碍检测和亚型区分 | 样本量相对较小（188名参与者），且研究聚焦于早期发病群体，可能限制泛化性 | 通过语音分析实现认知障碍的早期检测，并区分早发性阿尔茨海默病与非阿尔茨海默病认知障碍 | 早发性阿尔茨海默病患者、早发性非阿尔茨海默病认知障碍患者及认知未受损对照者 | 自然语言处理 | 阿尔茨海默病 | 数字语音录音分析 | 机器学习, 深度学习 | 语音 | 188名参与者（120名患者，68名对照） | NA | 大型语言模型 | AUC | NA |
| 2426 | 2026-03-06 |
Analysis of genetic polymorphisms in sudden sensorineural hearing loss and artificial intelligence-supported individualized precision therapy
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1643435
PMID:41783579
|
研究论文 | 本研究通过分析突发性感官神经性听力损失患者的遗传多态性，并构建人工智能模型，探索了个体化精准治疗策略 | 结合遗传多态性分析与深度学习CNN模型，为SSNHL提供个体化治疗预测，并比较了不同治疗方法的疗效 | 样本量相对有限（总样本300例），且仅基于特定遗传位点进行分析，可能未涵盖所有影响因素 | 识别影响SSNHL治疗效果的关键因素，并开发个体化精准治疗预测模型 | 200例SSNHL患者（内部数据集）和100例独立外部验证病例 | 机器学习 | 突发性感官神经性听力损失 | 血液检测遗传多态性分析 | CNN, 随机森林, 支持向量机, 多因素逻辑回归 | 临床数据、遗传数据 | 300例（200例内部数据集 + 100例外部验证集） | NA | 卷积神经网络 | 敏感性, 特异性, 准确率 | NA |
| 2427 | 2024-12-20 |
Author Correction: Fast inter-frame motion correction in contrast-free ultrasound quantitative microvasculature imaging using deep learning
2024-Dec-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82620-3
PMID:39695241
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2428 | 2026-03-06 |
Reconstructing Molecular Networks by Causal Diffusion Do-Calculus Analysis with Deep Learning
2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202409170
PMID:39440482
|
研究论文 | 本文提出了一种结合干预操作和扩散模型的深度学习新方法CDD，用于从观测数据中推断分子间的因果网络 | 将干预操作和扩散模型整合到do-calculus框架中，通过深度学习实现因果网络推断，显著提升了准确性和泛化能力 | NA | 从观测数据中量化基因/分子间的因果调控关系，以阐明生物过程的分子机制 | 基因调控网络、生物网络、疾病表型相关分子 | 机器学习 | 复杂疾病 | omics数据 | 深度学习 | 模拟数据、omics数据 | NA | NA | 扩散模型 | 准确性、泛化能力 | NA |
| 2429 | 2026-03-06 |
Volumetric imaging and computation to explore contractile function in zebrafish hearts
2024-Nov-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.14.623621
PMID:39605398
|
研究论文 | 本研究开发了一种结合光场检测和细胞追踪的框架，用于实时捕获斑马鱼心脏的容积数据，以探索收缩功能 | 开发了一种实时容积成像框架，结合光场检测和深度学习细胞追踪，在细胞分辨率下实现整个心室收缩动力学的评估 | NA | 探索心脏收缩功能的细胞机制，以促进心血管疾病的筛查和治疗 | 斑马鱼心脏 | 计算机视觉 | 心血管疾病 | 光场检测，容积成像 | 深度学习 | 容积图像 | NA | NA | NA | NA | NA |
| 2430 | 2026-03-06 |
Deep learning of structural MRI predicts fluid, crystallized, and general intelligence
2024-11-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-78157-0
PMID:39537706
|
研究论文 | 本研究探讨了利用T1加权结构磁共振成像（sMRI）通过深度学习模型预测个体流体智力、晶体智力及一般智力的可能性 | 首次全面应用深度学习模型预测包括晶体智力在内的多种智力类型，并验证了模型解释与顶额整合理论（P-FIT）的一致性 | 样本量相对有限（850名受试者），且模型复杂度增加并未显著提升预测精度，表明可能存在数据或方法限制 | 探究脑结构MRI是否能够预测个体的智力水平，特别是流体智力、晶体智力及一般智力 | 850名6至64岁的健康及自闭症谱系障碍受试者 | 医学影像分析 | 自闭症谱系障碍 | T1加权结构磁共振成像（sMRI） | CNN | 图像 | 850名受试者（包括健康个体和自闭症谱系障碍患者） | NA | 2D CNN, 3D CNN | Pearson相关系数 | NA |
| 2431 | 2026-03-06 |
Deep learning to predict cardiovascular mortality from aortic disease in heavy smokers
2024-Nov-06, NPJ cardiovascular health
DOI:10.1038/s44325-024-00029-3
PMID:41775893
|
研究论文 | 本研究开发了一个深度学习框架，用于自动量化胸部主动脉疾病特征，并评估其在预测重度吸烟者心血管疾病死亡率中的预后价值 | 利用深度学习自动量化主动脉特征（如最大直径、体积和钙化负担），并首次在大型队列中证明这些特征与心血管疾病死亡率独立相关，超越了传统风险因素和冠状动脉钙化的预测能力 | 研究基于非对比胸部CT数据，可能无法全面评估所有主动脉病变；结果主要适用于重度吸烟人群，泛化性需进一步验证 | 开发深度学习框架以自动量化主动脉疾病特征，并评估其对心血管疾病死亡率的预测价值 | 来自国家肺癌筛查试验（NLST）的重度吸烟者参与者 | 数字病理学 | 心血管疾病 | 非对比胸部CT成像 | 深度学习 | 医学影像（CT图像） | 24,770名参与者 | NA | NA | NA | NA |
| 2432 | 2026-03-06 |
Space-Confined Amplification for In Situ Imaging of Single Nucleic Acid and Single Pathogen on Biological Samples
2024-11, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202407055
PMID:39373849
|
研究论文 | 本研究开发了一种基于水凝胶的原位空间限制界面扩增技术，用于在生物样品上直接成像单个核酸和单个病原体 | 提出了无需甲醛固定的水凝胶原位空间限制扩增技术，可在20分钟内实现大规模表面的单核酸/单病原体成像，检测限低至1拷贝/10 cm | 未明确说明技术对复杂临床样本的适用性及长期稳定性验证 | 开发无需DNA提取的快速原位成像技术，用于病原体检测和生物样品分析 | 植物叶片和食品表面的病原体 | 生物传感与成像 | 植物病害与食源性疾病 | 水凝胶空间限制扩增技术 | 深度学习模型 | 显微图像 | 未明确说明具体样本数量 | NA | NA | 检测限（1拷贝/10 cm），成像时间（20分钟） | NA |
| 2433 | 2026-03-06 |
Exploring Protein Conformational Changes Using a Large-Scale Biophysical Sampling Augmented Deep Learning Strategy
2024-11, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202400884
PMID:39387316
|
研究论文 | 本文提出了一种结合大规模生物物理采样与深度学习的策略，用于探索蛋白质构象变化 | 通过结合分子动力学模拟与增强采样方法，构建了大规模蛋白质构象变化数据库，并开发了能预测蛋白质过渡路径的通用深度学习模型 | 未明确提及模型在更复杂或多状态构象变化中的泛化能力，或对计算资源的具体需求 | 开发能预测蛋白质构象变化的深度学习模型，以揭示蛋白质动态行为的本质 | 2635个具有两个已知稳定状态的蛋白质 | 机器学习 | NA | 分子动力学模拟，增强采样方法 | 深度学习模型 | 结构信息（蛋白质构象数据） | 2635个蛋白质 | NA | NA | 与实验数据的一致性 | NA |
| 2434 | 2026-03-06 |
External Validation of a Digital Pathology-based Multimodal Artificial Intelligence Architecture in the NRG/RTOG 9902 Phase 3 Trial
2024-Oct, European urology oncology
IF:8.3Q1
DOI:10.1016/j.euo.2024.01.004
PMID:38302323
|
研究论文 | 本研究在NRG/RTOG 9902三期试验中，对基于数字病理学的多模态人工智能模型进行了外部验证，以评估其在局部高危前列腺癌患者中的预后能力 | 首次在随机对照试验队列中外部验证了结合数字组织病理学和临床特征的多模态人工智能模型，用于预测高危前列腺癌的远处转移和癌症特异性死亡率 | 样本量相对有限（318例），且部分患者因图像质量差被排除（5.6%），可能影响模型的泛化性 | 验证多模态人工智能模型在局部高危或局部晚期前列腺癌患者中的预后预测能力 | 局部高危前列腺癌患者 | 数字病理学 | 前列腺癌 | 数字组织病理学 | 多模态人工智能模型 | 图像, 临床数据 | 318例局部高危前列腺癌患者（来自NRG/RTOG 9902试验，原始397例中有337例有可用切片，其中19例因图像质量差被排除） | NA | NA | 亚分布风险比, 置信区间, p值, 5年和10年远处转移率 | NA |
| 2435 | 2026-03-06 |
Automated magnetic resonance imaging-based grading of the lumbar intervertebral disc and facet joints
2024-Sep, JOR spine
IF:3.4Q1
DOI:10.1002/jsp2.1353
PMID:39011368
|
研究论文 | 本研究开发了一种基于卷积神经网络的自动化技术，用于对腰椎间盘和关节突关节进行磁共振成像分级，旨在提高Pfirrmann和Fujiwara分级系统的可靠性 | 首次利用公开可用的腰椎MRI数据集，训练CNN模型自动执行Pfirrmann（椎间盘退变）和Fujiwara（关节突关节退变）分级，以增强评分者间的一致性 | CNN在Fujiwara分级中表现出较大的误差，反映了该评分系统的高变异性，需要改进成像和评分技术 | 开发自动化技术以客观、可靠地对腰椎间盘和关节突关节的健康状况进行MRI分级 | 腰椎间盘和关节突关节 | 数字病理学 | 退行性脊柱疾病 | 磁共振成像 | CNN | 图像 | 来自公开访问的Lumbar Spine MRI数据集的临床MRI图像 | NA | NA | 一致性百分比, Pearson相关系数, Fleiss kappa值 | NA |
| 2436 | 2026-03-06 |
Structure-based prediction of protein-nucleic acid binding using graph neural networks
2024-Jun, Biophysical reviews
IF:4.9Q1
DOI:10.1007/s12551-024-01201-w
PMID:39345796
|
研究论文 | 本文开发了一种名为PNAbind的深度学习方法，利用图神经网络预测蛋白质与核酸的结合，基于未结合蛋白质结构预测整体结合功能及单个结合残基位置 | 首次使用图神经网络编码蛋白质结构的物理化学和几何特性空间分布，以预测蛋白质-核酸结合，并能区分DNA或RNA结合特异性 | 方法依赖于未结合蛋白质结构模型，且结构模型相对于未结合蛋白质模型较为稀缺，可能影响预测的普遍适用性 | 预测蛋白质-核酸结合，以理解基因组转录、翻译、调控和三维组织中的关键作用 | 蛋白质结构与核酸（DNA/RNA）的结合 | 机器学习 | NA | 图神经网络，深度学习 | 图神经网络 | 蛋白质结构数据 | NA | NA | 图神经网络 | AUROC | NA |
| 2437 | 2026-03-06 |
Learning peptide properties with positive examples only
2024-May-15, Digital discovery
IF:6.2Q1
DOI:10.1039/d3dd00218g
PMID:38756224
|
研究论文 | 本文提出了一种仅使用阳性样本的深度学习方法来预测肽的性质 | 采用阳性-未标记学习策略，仅利用有限的已知阳性样本，克服了传统监督学习需要正负样本的局限 | 未明确说明模型在更广泛肽序列或性质上的泛化能力，且依赖已知阳性样本的质量和数量 | 开发仅需阳性样本的肽性质预测模型，解决负样本数据稀缺问题 | 肽序列及其性质（溶解度、溶血性、SHP-2结合能力、非污损活性） | 机器学习 | NA | 阳性-未标记学习 | 深度学习模型 | 序列数据 | NA | NA | NA | NA | NA |
| 2438 | 2026-03-06 |
Overcoming Limitations to Deep Learning in Domesticated Animals with TrioTrain
2024-Apr-20, bioRxiv : the preprint server for biology
DOI:10.1101/2024.04.15.589602
PMID:38659907
|
研究论文 | 本研究提出了一种名为TrioTrain的新方法，用于扩展DeepVariant模型，以克服深度学习在驯养动物基因组变异检测中的局限性 | 首次开发了多物种DeepVariant模型，通过TrioTrain方法自动化扩展模型至缺乏GIAB资源的物种，并利用区域重排技术优化SLURM集群计算 | 受限于动物基因组的不完美真实标签 | 评估人类基因组训练的模型在其他物种中的局限性，并开发适用于多物种的稳健变异检测模型 | 牛、牦牛和野牛的基因组数据 | 生物信息学 | NA | 基因组测序，变异检测 | 深度学习模型 | 基因组序列数据 | 牛、牦牛和野牛的三联体数据，共进行了30个模型迭代 | DeepVariant | DeepVariant | 孟德尔遗传错误率，SNP F1分数 | 基于SLURM的集群 |
| 2439 | 2026-03-06 |
Prediction of multiclass surgical outcomes in glaucoma using multimodal deep learning based on free-text operative notes and structured EHR data
2024-01-18, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocad213
PMID:37964658
|
研究论文 | 本研究开发了一种基于多模态深度学习的模型，用于预测青光眼手术的多类别结果，结合了自由文本手术记录和结构化电子健康记录数据 | 首次将术中信息（自由文本手术记录）纳入多模态深度学习模型，用于青光眼手术的多类别结果预测，而非传统的二元分类 | 未明确提及模型在外部验证或不同医疗机构的泛化能力，可能受限于数据质量和样本多样性 | 预测青光眼手术的多类别结果，以改善术后管理和临床决策 | 青光眼患者的手术数据，包括结构化电子健康记录和自由文本手术记录 | 自然语言处理, 机器学习 | 青光眼 | 深度学习, 多模态学习 | 神经网络 | 文本, 结构化数据 | NA | NA | NA | 宏平均AUROC, F1分数, 召回率, 精确率 | NA |
| 2440 | 2026-03-06 |
Automated intracranial vessel segmentation of 4D flow MRI data in patients with atherosclerotic stenosis using a convolutional neural network
2024, Frontiers in radiology
DOI:10.3389/fradi.2024.1385424
PMID:38895589
|
研究论文 | 本研究开发了一种基于3D U-Net卷积神经网络的自动化颅内血管分割方法，用于处理颅内动脉粥样硬化狭窄患者的4D血流MRI数据 | 首次将深度学习应用于颅内狭窄血管的自动化分割，提高了分割的可重复性和鲁棒性，并显著加速了数据分析过程 | 未来需要纳入更多颅内动脉粥样硬化疾病（ICAD）的分割数据以及其他颅内血管病理学数据，以进一步提升模型的性能和泛化能力 | 开发一种准确、全自动的分割方法，用于颅内狭窄血管的4D血流MRI数据分析，以提高定量评估的效率和一致性 | 颅内动脉粥样硬化狭窄患者（68例）和健康对照者（86例）的4D血流MRI扫描数据 | 数字病理学 | 心血管疾病 | 4D血流MRI, 双速度编码（dual-VENC） | CNN | 图像 | 154例4D血流MRI扫描（68例患者，86例健康对照） | NA | 3D U-Net | Dice分数, Hausdorff距离, 平均对称表面距离, Bland-Altman分析, 组内相关系数 | NA |