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 2541 - 2560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2541 | 2026-03-05 |
Integrating Imaging-Derived Clinical Endotypes with Plasma Proteomics and External Polygenic Risk Scores Enhances Coronary Microvascular Disease Risk Prediction
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.18.25333844
PMID:40894134
|
研究论文 | 本研究通过整合影像学衍生的临床内型、血浆蛋白质组学和外源多基因风险评分，开发了冠状动脉微血管疾病的风险预测模型 | 首次应用影像学内型分型，并结合遗传和蛋白质组学数据进行CMVD风险预测，提出了一种用于复杂疾病的多模态建模框架 | CMVD的大规模全基因组关联研究缺乏，限制了多基因风险评分模型的开发 | 增强冠状动脉微血管疾病的风险预测能力 | 冠状动脉微血管疾病患者 | 机器学习 | 心血管疾病 | 全基因组关联研究，血浆蛋白质组学，灌注PET成像 | 机器学习，深度学习 | 影像数据，蛋白质组学数据，遗传数据 | NA | NA | NA | AUROC | NA |
| 2542 | 2026-03-05 |
Genomic Characterization of Lung Cancer in Never-Smokers Using Deep Learning
2025-Aug-20, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.14.670178
PMID:40894597
|
研究论文 | 本文提出了一种基于ResNet50架构的定制化深度卷积神经网络，用于从未吸烟者肺腺癌的H&E染色全切片图像中同时预测16种分子改变 | 首次将深度学习模型专门应用于从未吸烟者的肺腺癌，这是一种分子和组织学上独特的肺癌亚型，并针对该亚型优化了网络架构，实现了从单张WSI同时预测多种分子特征 | 模型对肿瘤突变负荷、APOBEC突变特征及某些KRAS热点突变的预测性能较低至中等 | 开发一种深度学习模型，用于从未吸烟者肺腺癌的组织学图像中推断分子特征，以支持分子检测的分流和精准治疗策略 | 从未吸烟者的肺腺癌患者的H&E染色全切片图像 | 数字病理学 | 肺癌 | H&E染色 | CNN | 图像 | 495张全切片图像 | NA | ResNet50 | AUROC | NA |
| 2543 | 2026-03-05 |
Using deep learning to predict postoperative pain in reverse shoulder arthroplasty patients
2025-May, JSES international
DOI:10.1016/j.jseint.2024.11.020
PMID:40486767
|
研究论文 | 本研究开发了一个深度学习算法，用于预测反向全肩关节置换术后的疼痛情况 | 首次应用人工神经网络预测反向全肩关节置换术后疼痛，并利用SHAP分析识别关键预测因素 | 模型准确率仅为63%，需要进一步优化，如纳入更多预测参数和尝试其他机器学习算法 | 开发预测反向全肩关节置换术后疼痛的深度学习模型，以优化手术指征和患者期望管理 | 反向全肩关节置换术患者 | 机器学习 | 骨科疾病 | 人工神经网络 | 人工神经网络 | 临床数据 | 1707名患者（疼痛组705人，无疼痛组1002人） | NA | 人工神经网络 | 准确率, 精确率, 召回率, F1分数 | NA |
| 2544 | 2026-03-05 |
Role of artificial intelligence in magnetic resonance imaging-based detection of temporomandibular joint disorder: a systematic review
2025-04, The British journal of oral & maxillofacial surgery
DOI:10.1016/j.bjoms.2024.12.004
PMID:40087072
|
系统综述 | 本系统综述评估了人工智能在利用磁共振成像识别颞下颌关节盘位置中的应用 | 首次系统性地总结了AI在颞下颌关节紊乱症MRI检测中的应用，并比较了不同深度学习与机器学习算法的性能 | 纳入研究数量有限（7项），存在设计标准化不足和报告不一致的问题，其中一项研究存在高偏倚风险 | 评估人工智能在基于磁共振成像的颞下颌关节盘位置检测中的有效性和应用 | 正常个体或颞下颌关节紊乱症患者的颞下颌关节磁共振成像数据 | 医学影像分析 | 颞下颌关节紊乱症 | 磁共振成像 | 深度学习, 机器学习 | 图像 | NA | NA | MobileNetV2, ResNet | 灵敏度, 特异性, 准确率 | NA |
| 2545 | 2025-02-19 |
Deep learning: Cracking the metabolic code
2025-Mar-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001220
PMID:39960202
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2546 | 2026-03-05 |
Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_17
PMID:40337098
|
研究论文 | 本研究提出了一种基于nnUNetv2框架并融合自编码器架构的新型深度学习模型，用于头颈癌MRI引导放疗图像中的肿瘤体积自动分割 | 在nnUNetv2框架中引入自编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提升分割精度 | 研究仅基于头颈癌患者的特定数据集（150例训练，50例测试），模型在其他癌症类型或影像模态上的泛化能力未经验证 | 提升头颈癌MRI引导放疗图像中肿瘤体积自动分割的精度 | 头颈癌患者的MRI引导放疗图像 | 数字病理 | 头颈癌 | MRI引导放疗 | CNN | 图像 | 150例头颈癌患者用于训练，50例用于测试 | nnUNetv2 | nnUNet, 自编码器 | Dice相似系数 | NA |
| 2547 | 2026-03-05 |
Assessing Self-supervised xLSTM-UNet Architectures for Head and Neck Tumor Segmentation in MR-Guided Applications
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_12
PMID:40400661
|
研究论文 | 本文提出了一种用于头颈部肿瘤分割的新型两阶段模型，结合自监督学习和xLSTM-UNet架构，以提升MRI引导自适应放疗中的分割精度 | 提出了一种创新的两阶段模型，第一阶段采用基于DINOv2架构的自监督3D师生学习框架从未标记数据中学习有效表示，第二阶段设计了一种结合xLSTM的UNet模型，能够同时捕获肿瘤进展的空间特征和时序依赖关系 | 未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算资源需求和处理时间 | 优化头颈部癌症的MRI引导自适应放疗，通过自动肿瘤分割提升治疗精度 | 头颈部肿瘤的MRI影像 | 数字病理学 | 头颈部癌症 | MRI影像分析 | 自监督学习, 师生学习, xLSTM-UNet | 3D MRI影像 | 未明确说明具体样本数量，仅提及在多样化的头颈部癌症病例上进行评估 | PyTorch（基于DINOv2架构推断） | DINOv2, xLSTM-UNet | Dice系数 | NA |
| 2548 | 2026-03-05 |
Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_20
PMID:40417457
|
研究论文 | 本文探讨了使用3D nnU-Net模型在MRI数据上自动分割头颈部原发肿瘤和转移淋巴结的潜力 | 在3D nnU-Net模型中引入残差编码器，并针对高背景比例数据进行了专门的再训练优化 | 模型在高背景比例数据上表现不佳，GTVp分割效果弱于GTVn，仍需进一步优化 | 提高头颈部肿瘤放疗计划中肿瘤自动分割的准确性和可靠性 | 头颈部原发肿瘤体积（GTVp）和转移淋巴结（GTVn） | 医学图像分割 | 头颈部肿瘤 | MRI成像 | 深度学习 | 3D MRI图像 | 2024 MICCAI头颈部肿瘤分割挑战赛提供的高质量数据集 | PyTorch | 3D nnU-Net with Residual Encoder | DSCagg | NA |
| 2549 | 2026-03-05 |
PPB-Affinity: Protein-Protein Binding Affinity dataset for AI-based protein drug discovery
2024-12-03, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03997-4
PMID:39627219
|
研究论文 | 本文介绍了一个名为PPB-Affinity的大型蛋白质-蛋白质结合亲和力数据集，并开发了基于深度学习的基准模型来预测亲和力 | 创建了目前最大的公开可用的蛋白质-蛋白质结合亲和力数据集，填补了该领域开源数据稀缺的空白 | 未明确提及数据集的潜在偏差或模型预测的局限性 | 促进基于AI的大分子药物发现，特别是蛋白质-蛋白质结合亲和力的预测 | 蛋白质-蛋白质复合物及其结合亲和力数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质晶体结构数据、结合亲和力数据 | 未明确指定具体样本数量，但描述为大型数据集 | 未明确指定 | 未明确指定具体架构 | 未明确指定 | 未明确指定 |
| 2550 | 2026-03-05 |
Seizure Sources Can Be Imaged from Scalp EEG by Means of Biophysically Constrained Deep Neural Networks
2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202405246
PMID:39473085
|
研究论文 | 本文研究了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的头皮脑电图中成像癫痫发作活动 | 采用具有生物物理约束的深度神经网络，并利用神经质量模型生成与发作动态时空谱特征相似的合成训练数据 | 研究仅针对33名耐药性局灶性癫痫患者，样本量相对有限 | 研究DeepSIF框架在从头皮脑电图成像癫痫发作活动源方面的能力，以辅助难治性癫痫的管理 | 耐药性局灶性癫痫患者的高密度（76通道）脑电图癫痫发作记录 | 机器学习 | 癫痫 | 脑电图 | 深度神经网络 | 脑电图信号 | 33名耐药性局灶性癫痫患者 | NA | DeepSIF | 空间特异性, 空间离散度, 平均距离 | NA |
| 2551 | 2026-03-05 |
Wise Roles and Future Visionary Endeavors of Current Emperor: Advancing Dynamic Methods for Longitudinal Microbiome Meta-Omics Data in Personalized and Precision Medicine
2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202400458
PMID:39535493
|
综述 | 本文探讨了动态方法在整合纵向微生物组多组学数据于个性化与精准医学中的当前角色与未来愿景 | 提出统一分析框架和深度学习工具等先进动态方法，并强调其在微生物组研究中的创新应用 | 缺乏验证分析协议和数据资源的金标准，工作流程步骤的相互依赖性影响整体结果 | 探索动态方法在个性化与精准医学中整合纵向微生物组多组学数据的最佳实践与未来方向 | 微生物、代谢物、基因等实体及其与宿主生理和外部刺激的相互作用 | 机器学习 | NA | 高级测序工具，多组学数据整合 | 深度学习 | 纵向微生物组多组学数据 | NA | NA | NA | NA | NA |
| 2552 | 2026-03-05 |
A continuous pursuit dataset for online deep learning-based EEG brain-computer interface
2024-11-20, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-04090-6
PMID:39567538
|
研究论文 | 本文介绍了一个用于在线连续追踪脑机接口研究的EEG数据集，该数据集基于深度学习解码器，旨在促进复杂连续对象控制范式的新解码算法开发 | 提供了首个针对复杂连续追踪任务的在线深度学习脑机接口数据集，采用随机移动目标而非传统静态目标，包含多会话的大规模受试者特定数据 | 数据集主要针对特定连续追踪范式，可能不直接适用于其他传统脑机接口任务；在线解码器的性能可能受实时计算约束影响 | 开发适用于连续对象控制的脑机接口解码算法，推动脑电脑机接口走向实际应用 | 28名人类受试者在多会话中采集的脑电信号 | 脑机接口 | NA | 脑电图 | 深度学习 | 脑电信号 | 28名受试者，总计约168小时脑电记录 | NA | NA | NA | NA |
| 2553 | 2026-03-05 |
Explainable AI for computational pathology identifies model limitations and tissue biomarkers
2024-Nov-18, ArXiv
PMID:39279830
|
研究论文 | 本文介绍了一种名为HIPPO的可解释AI框架，用于计算病理学，通过生成图像反事实来识别模型局限性和组织生物标志物 | 开发了HIPPO框架，系统修改全切片图像中的组织区域以生成图像反事实，支持定量假设测试、偏差检测和超越传统性能指标的模型评估 | 未在摘要中明确说明 | 增强深度学习模型在数字病理学中的透明度和可靠性，促进临床采用 | 乳腺癌转移检测、乳腺癌和黑色素瘤的预后预测、胶质瘤IDH突变分类 | 计算病理学 | 乳腺癌, 黑色素瘤, 胶质瘤 | NA | 深度学习模型 | 全切片图像 | NA | NA | NA | 传统性能指标, 注意力方法 | NA |
| 2554 | 2026-03-05 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Sep-12, ArXiv
PMID:39314513
|
研究论文 | 本研究开发了一个基于多任务学习的统一计算框架，用于胎儿脑部扩散磁共振成像的精确组织分割、白质束分割和脑区划分 | 首次提出一个统一的多任务深度学习框架，能够同时完成胎儿脑部组织分割、白质束分割和脑区划分三项关键任务 | 研究仅基于97个胎儿脑部样本，样本量相对有限，且数据质量受胎儿运动等因素影响 | 开发自动化计算方法以解决胎儿脑部扩散磁共振成像数据分析的可靠性和可重复性问题 | 胎儿脑部扩散磁共振成像数据 | 医学影像分析 | 胎儿神经发育 | 扩散加权磁共振成像 | 深度学习 | 医学影像 | 97个胎儿脑部样本 | NA | 多任务深度学习模型 | Dice相似系数 | NA |
| 2555 | 2026-03-05 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Aug-30, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.29.609697
PMID:39257731
|
研究论文 | 本文开发并验证了一个统一的计算框架，用于胎儿脑部扩散磁共振成像数据的多任务分析，包括组织分割、白质束分割和脑区划分 | 提出了一种多任务深度学习方法来同时执行胎儿脑部扩散磁共振成像数据的组织分割、白质束分割和脑区划分，解决了现有自动化方法缺失的问题 | 未明确提及，但可能包括数据质量低、脑部发育快速带来的挑战，以及标注数据的有限性 | 开发可靠的计算方法来分析胎儿脑部扩散磁共振成像数据，以促进胎儿神经影像学领域的发展 | 胎儿脑部扩散磁共振成像数据 | 医学影像分析 | NA | 扩散磁共振成像 | 深度学习 | 磁共振图像 | 97个胎儿脑部 | NA | NA | Dice相似系数 | NA |
| 2556 | 2026-03-05 |
Genetic and Clinical Correlates of AI-Based Brain Aging Patterns in Cognitively Unimpaired Individuals
2024-May-01, JAMA psychiatry
IF:22.5Q1
DOI:10.1001/jamapsychiatry.2023.5599
PMID:38353984
|
研究论文 | 本研究利用深度学习半监督聚类方法，在无认知障碍个体中识别出三种基于AI的脑老化模式亚组，并探讨其与遗传、生物医学指标及认知下降轨迹的关联 | 首次在无认知障碍人群中，通过生成对抗网络驱动的数据驱动方法，识别出跨年龄一致的脑老化亚组，并系统关联了遗传、心血管风险因素、淀粉样蛋白及未来认知下降 | 研究基于观察性数据，无法确定因果关系；样本虽大但可能受选择偏差影响；脑成像指标可能受扫描协议差异影响 | 理解无认知障碍个体中脑结构变化的异质性，以揭示神经退行性疾病临床前阶段的特征 | 45至85岁无诊断认知障碍的个体 | 数字病理学 | 阿尔茨海默病 | 脑成像 | GAN | 图像 | 27,402名个体，超过50,000个数据时间点 | NA | 生成对抗网络 | NA | NA |
| 2557 | 2026-03-05 |
Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial
2024-Mar-19, ArXiv
PMID:38562444
|
研究论文 | 本研究提出了一种基于深度学习的PCCT图像重建方法，旨在在减半剂量和加倍速度下进行临床诊断 | 提出了一种基于块的体积细化网络以缓解GPU内存限制，使用合成数据训练网络，并采用基于模型的迭代细化来弥合合成数据与真实数据之间的差距 | GPU内存限制、训练数据稀缺以及领域差距问题 | 改进PCCT的辐射剂量和成像速度，以用于对比增强和其他研究 | 新西兰临床试验中的8名患者 | 计算机视觉 | NA | X射线光子计数计算机断层扫描 | 深度学习 | 图像 | 8名患者 | NA | 基于块的体积细化网络 | 诊断图像质量评分 | GPU内存限制 |
| 2558 | 2026-03-05 |
Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks
2023-Dec-01, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.11.30.23299218
PMID:38076950
|
研究论文 | 本文提出了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的高密度脑电图记录中成像发作活动 | 采用神经质量模型生成具有时空频谱特征的合成训练数据，并开发了DeepSIF框架，在空间特异性和分散度方面优于传统方法 | 研究仅限于耐药性局灶性癫痫患者，样本量为33人，可能需进一步验证于更广泛人群 | 研究非侵入性动态脑成像技术，以改善癫痫发作活动的源定位 | 耐药性局灶性癫痫患者的高密度脑电图记录 | 机器学习 | 癫痫 | 高密度脑电图记录 | 深度学习神经网络 | 脑电图信号 | 33名耐药性局灶性癫痫患者 | NA | DeepSIF | 空间特异性, 空间分散度, 平均距离 | NA |
| 2559 | 2026-03-05 |
Bipartite invariance in mouse primary visual cortex
2023-Mar-16, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.15.532836
PMID:36993218
|
研究论文 | 本研究通过扩展“inception loops”范式，系统性地表征了小鼠初级视觉皮层中单个神经元的双部分不变性，揭示了其在纹理定义物体边界检测中的作用 | 发现了一种新型的双部分不变性，其中感受野的一部分编码相位不变的纹理样模式，另一部分编码固定的空间模式，并与自然图像中的空间频率差异定义的物体边界对齐 | 研究主要基于小鼠初级视觉皮层，可能未完全覆盖其他视觉层次、细胞类型或感觉模态，且实验时间有限可能影响系统性表征 | 理解大脑如何从高维感官输入中泛化并推断行为相关的潜在原因，通过表征神经元的选择性和不变性特征 | 小鼠初级视觉皮层中的单个神经元 | 神经科学 | NA | 大规模记录、神经预测模型、实验验证 | 深度学习模型 | 视觉输入、自然刺激图像 | NA | NA | NA | NA | NA |
| 2560 | 2026-03-05 |
Time series forecasting of COVID-19 transmission in Asia Pacific countries using deep neural networks
2023, Personal and ubiquitous computing
DOI:10.1007/s00779-020-01494-0
PMID:33456433
|
研究论文 | 本研究利用深度学习模型预测亚太国家COVID-19的传播趋势 | 首次在亚太国家（特别是巴基斯坦、阿富汗、印度和孟加拉国）应用LSTM、RNN和GRU等深度学习模型进行COVID-19时间序列预测，并考虑了时间变量和数据非线性 | 仅预测未来10天的情况，且数据截止到2020年7月1日，可能无法反映疫情长期动态 | 预测COVID-19在亚太国家的传播趋势，为政府决策提供参考 | 亚太国家（巴基斯坦、阿富汗、印度、孟加拉国）的COVID-19病例数据 | 自然语言处理 | COVID-19 | 时间序列分析 | LSTM, RNN, GRU | 时间序列数据 | 四个国家的COVID-19病例数据（具体数量未明确） | NA | LSTM, RNN, GRU | 准确率 | NA |