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 38849 篇文献，本页显示第 2441 - 2460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2441 | 2025-12-30 |
Deep Learning to Optimize Magnetic Resonance Imaging Prediction of Motor Outcomes After Hypoxic-Ischemic Encephalopathy
2023-12, Pediatric neurology
IF:3.2Q1
|
研究论文 | 本研究利用深度学习优化磁共振成像预测缺氧缺血性脑病后的运动结局 | 采用梯度提升深度学习模型，通过特征选择将预测模型从48个特征简化为仅3个关键特征，提高了预测准确性 | 样本量相对较小（117名婴儿），且研究仅针对足月或近足月婴儿，可能限制了结果的普适性 | 优化磁共振成像对缺氧缺血性脑病后运动不良结局的预测 | 孕周≥36周、接受治疗性低温治疗的中重度缺氧缺血性脑病婴儿 | 医学影像分析 | 缺氧缺血性脑病 | 磁共振成像（T1/T2/扩散加权成像） | 梯度提升深度学习 | 图像, 临床数据 | 117名婴儿 | NA | NA | 准确率, 受试者工作特征曲线下面积 | NA |
| 2442 | 2025-12-30 |
Attention-based deep clustering method for scRNA-seq cell type identification
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011641
PMID:37948464
|
研究论文 | 提出了一种名为AttentionAE-sc的新型单细胞RNA测序数据聚类方法，通过注意力机制融合两种不同的聚类策略，以解决数据稀疏性和高维度的挑战 | 首次结合了基于零膨胀负二项分布的方法和图自编码器方法，通过注意力机制迭代融合去噪和拓扑嵌入，自动学习聚类友好的细胞表示，无需指定聚类数量 | 未明确说明方法在超大规模数据集上的计算效率，也未讨论对特定生物背景或技术噪声的适应性 | 开发一种无监督的深度学习方法，用于单细胞RNA测序数据的细胞类型识别 | 单细胞RNA测序数据 | 机器学习 | 乳腺癌 | 单细胞RNA测序 | 自编码器, 图自编码器 | 基因表达数据 | 16个真实scRNA-seq数据集及一个乳腺癌单细胞图谱数据集 | NA | AttentionAE-sc（注意力融合自编码器） | 聚类性能, 稳定性, 鲁棒性 | NA |
| 2443 | 2025-12-30 |
A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011597
PMID:37956212
|
研究论文 | 本研究提出了一种通用的超图学习框架HGDrug，用于药物多任务预测，通过构建微到宏的药物中心异质网络并整合药物-子结构关系，在多个基准任务上实现了高精度和鲁棒性预测 | 引入药物-子结构关系到分子相互作用网络中，构建微到宏的药物中心异质网络，并开发多分支超图学习模型HGDrug，以处理化学结构和高阶关系，这在当前生物医学网络中尚未充分解决 | 未明确说明模型在处理更大规模网络或更复杂任务时的可扩展性，以及在实际药物发现应用中的验证程度 | 加速药物发现过程，通过结合大规模药物相关相互作用网络和深度学习技术 | 药物及其相互作用，包括药物-药物、药物-靶点、药物-疾病和药物-副作用交互 | 机器学习 | NA | 超图学习 | 超图学习模型 | 网络数据 | NA | NA | HGDrug | 准确性, 鲁棒性 | NA |
| 2444 | 2025-12-30 |
FUN-PROSE: A deep learning approach to predict condition-specific gene expression in fungi
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011563
PMID:37971967
|
研究论文 | 本文提出了一种名为FUN-PROSE的深度学习模型，用于预测真菌在不同环境条件下的基因表达差异 | 该模型首次结合启动子序列和所有转录因子的表达水平来预测条件特异性基因表达，而非仅基于启动子序列预测平均表达水平 | 模型仅在三种真菌物种上进行了训练和测试，可能无法泛化到其他物种或更广泛的条件 | 研究旨在通过深度学习预测真菌在特定环境条件下的基因表达，以支持代谢工程和工业规模化生产 | 三种真菌物种的基因表达数据，包括启动子序列和转录因子表达水平 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列数据（启动子序列）和表达数据（转录因子表达水平） | 三种真菌物种的数据集 | NA | FUN-PROSE | 相关性（高达0.85） | NA |
| 2445 | 2025-12-30 |
Neural network models for sequence-based TCR and HLA association prediction
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011664
PMID:37983288
|
研究论文 | 本文提出了一种基于神经网络的深度学习方法DePTH，用于预测T细胞受体（TCR）与人类白细胞抗原（HLA）之间的关联，基于它们的氨基酸序列 | DePTH方法能够预测训练数据集中未出现的TCR和HLA之间的关联，并能量化HLA等位基因之间的功能相似性，这与癌症患者免疫检查点阻断治疗的生存结果相关 | 未在摘要中明确提及 | 预测TCR与HLA之间的关联，以挖掘TCR数据中的有用信息或生物标志物，用于免疫相关疾病或状况 | T细胞受体（TCR）和人类白细胞抗原（HLA）的氨基酸序列 | 机器学习 | 癌症 | 氨基酸序列分析 | 神经网络 | 序列数据（氨基酸序列） | NA | NA | NA | NA | NA |
| 2446 | 2025-12-30 |
Natural variability in bee brain size and symmetry revealed by micro-CT imaging and deep learning
2023-10, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011529
PMID:37782674
|
研究论文 | 本研究利用显微CT成像和深度学习技术，对蜜蜂和大黄蜂的大脑进行自动化三维图像分析，揭示了脑部大小和对称性的自然变异 | 首次将显微CT成像与深度学习结合，实现蜜蜂大脑三维形态的自动化、高通量分析，克服了传统手动分析的限制 | 研究样本主要集中于蜜蜂和大黄蜂，尚未扩展到更广泛的动物范围 | 探究昆虫大脑形态的自然变异及其与行为、生态和进化的关系 | 蜜蜂和大黄蜂的大脑 | 计算机视觉 | NA | 显微CT成像 | 深度学习 | 三维图像 | 187个蜜蜂和大黄蜂大脑样本 | NA | NA | NA | NA |
| 2447 | 2025-12-30 |
Recognition and reconstruction of cell differentiation patterns with deep learning
2023-10, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011582
PMID:37889897
|
研究论文 | 本文结合深度学习与数学模型，识别并重建小鼠胚胎干细胞类器官中的细胞命运模式 | 将数学模型生成的合成数据与空间汇总统计及深度学习算法结合，用于细胞命运模式的识别与重建，并开发了图神经网络和多层感知器来预测细胞命运 | 未明确提及实验验证的局限性或模型在更广泛生物系统中的泛化能力 | 研究细胞命运模式与潜在机制之间的联系 | 小鼠胚胎干细胞类器官中的细胞分化模式 | 机器学习 | NA | 数学模型、空间汇总统计 | 图神经网络、多层感知器 | 合成数据、体外数据 | NA | NA | 图神经网络、多层感知器 | 准确率 | NA |
| 2448 | 2025-12-30 |
Neural Network Models for Sequence-Based TCR and HLA Association Prediction
2023-May-26, bioRxiv : the preprint server for biology
DOI:10.1101/2023.05.25.542327
PMID:37293077
|
研究论文 | 本文提出了一种名为DePTH的神经网络方法，用于基于氨基酸序列预测T细胞受体与人类白细胞抗原的关联 | 开发了首个基于深度学习的TCR-HLA关联预测模型，并利用该模型量化HLA等位基因的功能相似性，揭示了其与癌症患者免疫检查点阻断治疗生存结局的关联 | 未明确提及模型在独立验证集上的泛化能力或数据偏差问题 | 预测T细胞受体与人类白细胞抗原之间的关联，以深入理解免疫识别机制 | T细胞受体的氨基酸序列和人类白细胞抗原的氨基酸序列 | 机器学习 | 癌症 | NA | 神经网络 | 序列数据（氨基酸序列） | NA | NA | NA | NA | NA |
| 2449 | 2025-12-30 |
Growing ecosystem of deep learning methods for modeling protein-protein interactions
2023-01-21, Protein engineering, design & selection : PEDS
DOI:10.1093/protein/gzad023
PMID:38102755
|
综述 | 本文综述了用于蛋白质-蛋白质相互作用建模的深度学习方法的生态系统，讨论了其多样性、权衡、最新成功案例以及未来挑战 | 系统性地梳理了生物物理知识驱动的深度学习模型在蛋白质相互作用建模中的多样化应用，并比较了不同方法的权衡 | NA | 综述深度学习在蛋白质-蛋白质相互作用建模领域的方法、应用与挑战 | 蛋白质-蛋白质相互作用 | 计算生物学 | NA | 深度学习 | 表示学习, 几何深度学习, 生成模型 | 实验数据, 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 2450 | 2025-12-29 |
Effective transfer of tumor annotations from hematoxylin and eosin to fluorescence images of breast and lung tissues
2026-Jan, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.31.1.016501
PMID:41451238
|
研究论文 | 本文提出了一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到荧光图像中，以支持深度学习模型开发 | 开发了一种结合非刚性图像配准、轮廓提取与细化的半自动注释转移方法，用于从H&E到荧光图像的准确标注迁移 | 该方法不适用于术中实时使用，仅用于辅助创建标注数据集；样本量相对较小（35个组织样本） | 开发一种半自动方法，实现从H&E图像到荧光图像的肿瘤注释准确转移，以促进深度学习模型的训练数据生成 | 乳腺癌和肺癌组织样本的H&E图像与MUSE荧光图像对 | 数字病理学 | 乳腺癌,肺癌 | 显微镜紫外表面激发成像 | CNN | 图像 | 35个乳腺癌和肺癌组织样本 | NA | NA | Dice系数,基于CNN的特征相似度,归一化Hausdorff距离 | NA |
| 2451 | 2025-12-29 |
Global and local information-based prostate image registration of prostate-specific membrane antigen PET/CT and enhanced MRI
2026-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70232
PMID:41454834
|
研究论文 | 本研究提出了一种基于全局和局部信息的深度学习网络GLNet，用于融合PSMA PET/CT和增强MRI图像，以提高前列腺癌的诊断准确性 | 提出了GLNet网络，该网络结合了语义门控卷积模块和基于U形通道的卷积长短期记忆网络，以整合PSMA PET/CT的功能语义特征和MRI的高分辨率软组织细节，从而同时利用全局腺体信息和局部肿瘤区域信息进行图像配准 | 研究样本量相对较小（77例临床病例），且依赖于临床活检验证，可能限制了模型的泛化能力 | 提高前列腺癌病灶的诊断准确性，通过精确融合PSMA PET/CT和增强MRI这两种互补的影像数据 | 前列腺癌患者的PSMA PET/CT和对比增强MRI图像 | 数字病理 | 前列腺癌 | PSMA PET/CT，对比增强MRI | 深度学习网络 | 医学影像（PET/CT，MRI） | 77例临床病例（经两位经验丰富的医师通过临床活检验证），数据增强后用于训练和验证244例，测试64例 | NA | U-CLSTM，包含语义门控卷积模块 | Dice相似系数，HD95，平均对称表面距离，负雅可比比例，精确率，召回率，F1分数 | NA |
| 2452 | 2025-12-29 |
A survival prediction model for leptomeningeal metastasis patients with non-small cell lung cancer based on deep learning
2025-Dec-28, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-15503-z
PMID:41455921
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2453 | 2025-12-29 |
Application of Noise2Inverse and adaptation (Noise2Phase) to single-mask x-ray phase contrast micro-computed tomography
2025-Dec-27, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70056
PMID:41454755
|
研究论文 | 本文探讨了将深度学习去噪技术Noise2Inverse及其改进版本Noise2Phase应用于单掩模X射线相位对比显微CT中，以降低曝光时间需求 | 提出了Noise2Phase方法，该方法利用成像系统特性，无需按投影分割CT数据集，从而优化了去噪流程 | 未明确说明方法在极端噪声水平下的具体性能限制或适用范围 | 旨在通过集成深度学习去噪技术，减少单掩模边缘照明XPCI显微CT的曝光时间，提高成像效率 | 弱衰减材料样本的3D成像 | 计算机视觉 | NA | 单掩模边缘照明X射线相位对比成像，显微CT | 深度学习 | 图像 | NA | NA | Noise2Inverse, Noise2Phase | NA | NA |
| 2454 | 2025-12-29 |
Leveraging vision transformer for histological grade prediction in laryngeal and hypopharyngeal squamous cell carcinoma: a large-scale multicenter study
2025-Dec-27, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03876-8
PMID:41454919
|
研究论文 | 本研究开发了一种基于增强CT的Vision Transformer模型，用于无创评估喉及下咽鳞状细胞癌的组织学分级 | 首次将预训练的Vision Transformer模型应用于喉及下咽鳞状细胞癌的增强CT图像分析，以预测组织学分级，并通过大规模多中心数据验证了其性能 | 研究为回顾性设计，可能存在选择偏倚；外部验证队列样本量相对较小 | 开发非侵入性方法预测喉及下咽鳞状细胞癌的组织学分级，以辅助预后评估 | 喉及下咽鳞状细胞癌患者 | 计算机视觉 | 喉癌 | 对比增强CT扫描 | Vision Transformer, XGBoost | 医学图像 | 1648名患者（训练队列1239人，内部验证队列310人，外部验证队列99人） | NA | Vision Transformer | AUC, 决策曲线分析, 校准曲线 | NA |
| 2455 | 2025-12-29 |
Multimodal deep learning for cancer prognosis prediction with clinical information prompts integration
2025-Dec-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02257-y
PMID:41455823
|
研究论文 | 本文提出了一种名为SurvPGC的多模态深度学习模型，用于整合病理图像、基因组数据和临床记录以预测癌症预后 | 通过文本模板和基础模型将临床信息转化为高维向量，并利用交叉注意力模块实现多模态数据整合，有效捕捉模态特异性特征 | 未明确说明模型在外部验证或不同癌症类型中的泛化能力，且临床信息处理可能受限于数据稀疏性和离散性 | 提高癌症生存预测的准确性，以指导治疗和评估疗效 | 癌症患者的多模态数据，包括病理图像、基因组数据和临床记录 | 数字病理学 | 癌症 | 多模态深度学习 | 深度学习模型 | 图像, 基因组数据, 文本 | 三个癌症基因组图谱数据集，具体样本数量未明确 | NA | 交叉注意力模块 | 注意力可视化，具体评估指标未明确 | NA |
| 2456 | 2025-12-29 |
Deep Learning Radiomics Based on Preoperational Ultrasound Images for Predicting Ipsilateral Ischemic Stroke in Patients with Carotid Artery Stenting: A Multicenter Study
2025-Dec-26, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.006
PMID:41455622
|
研究论文 | 本研究开发并验证了一个结合临床、影像组学和深度学习特征的整合模型，用于预测颈动脉支架植入术后长期同侧缺血性卒中风险 | 首次将临床特征、影像组学特征和深度学习特征整合到一个模型中，用于预测颈动脉支架植入术后的长期卒中风险，并在多中心数据中进行了验证 | 研究为回顾性设计，可能存在选择偏倚；模型性能在外部验证集中有所下降，表明需要进一步优化和验证 | 预测颈动脉支架植入术后患者发生长期同侧缺血性卒中的风险 | 接受颈动脉支架植入术的患者 | 数字病理学 | 心血管疾病 | 超声成像 | 深度学习, 随机生存森林 | 图像 | 802名患者（来自三个中心，2018-2024年） | NA | NA | C-index, Kaplan-Meier分析 | NA |
| 2457 | 2025-12-29 |
Deep Learning-Based denoising improves myocardial late enhancement imaging with spectral photon-counting CT
2025-Dec-26, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.002
PMID:41455687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2458 | 2025-12-29 |
Development and validation of a deep learning model for severe mitral stenosis detection from chest X-rays
2025-Dec-25, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003519
PMID:41448847
|
研究论文 | 本研究开发并验证了一种基于深度学习的AI模型，用于从胸部X光片中检测严重二尖瓣狭窄 | 首次利用深度学习模型从胸部X光片中自动检测二尖瓣狭窄，并生成显著性图以可视化模型关注区域 | 研究为回顾性设计，样本量相对较小（515张图像），且仅使用后前位胸部X光片 | 开发一种基于深度学习的AI模型，用于从胸部X光片中检测二尖瓣狭窄，以提供便捷的筛查工具 | 二尖瓣狭窄患者（285例）和健康对照者（230例）的胸部X光图像 | 计算机视觉 | 心血管疾病 | 胸部X光成像 | 深度学习模型 | 图像 | 515张后前位胸部X光图像（285张来自二尖瓣狭窄患者，230张来自健康对照） | NA | NA | AUC, 精确率, 召回率, F1分数, 准确率 | NA |
| 2459 | 2025-12-29 |
Association of deep learning-derived epicardial fat volume with target organ damage in subjects with nonobstructive coronary artery disease
2025-Dec-25, Journal of cardiovascular imaging
DOI:10.1186/s44348-025-00062-5
PMID:41449432
|
研究论文 | 本研究探讨了基于CT的索引化心外膜脂肪体积与非阻塞性冠状动脉疾病患者靶器官损伤参数之间的关联 | 首次使用深度学习衍生的心外膜脂肪体积与左心室舒张功能等靶器官损伤参数进行关联分析，并确定了EFVi的阈值 | 样本量较小（仅75名患者），且为单中心前瞻性队列研究，可能限制了结果的普遍性 | 研究心外膜脂肪体积与靶器官损伤参数之间的关联，特别是左心室舒张功能 | 75名非阻塞性冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 心电图门控计算机断层扫描 | 深度学习 | CT图像 | 75名患者 | NA | NA | ROC曲线下面积, 敏感性, 特异性 | NA |
| 2460 | 2025-12-26 |
Translational deep learning models for risk stratification to predict prognosis and immunotherapy response in gastric cancer using digital pathology
2025-Dec-24, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07416-z
PMID:41444960
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |