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 42905 篇文献，本页显示第 2621 - 2640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2621 | 2026-03-06 |
Identifying kinematic biomarkers of the dystrophic phenotype in a zebrafish model of Duchenne muscular dystrophy
2025-Jun-20, Skeletal muscle
IF:5.3Q2
DOI:10.1186/s13395-025-00382-6
PMID:40542412
|
研究论文 | 本研究利用高速摄像和基于深度学习的无标记运动捕捉技术，量化杜氏肌营养不良症斑马鱼模型的逃避反应游泳运动学，识别出区分突变体与野生型幼虫的关键生物标志物 | 首次将无标记运动捕捉与机器学习预测模型结合，用于斑马鱼杜氏肌营养不良模型的运动学分析，提供了高精度、可重复的游泳运动学评估方法 | 研究仅针对两种斑马鱼突变体（sapje和sapje-like），未涵盖其他杜氏肌营养不良模型或更广泛的运动障碍疾病 | 识别杜氏肌营养不良表型的运动学生物标志物，并探究其潜在机制 | 杜氏肌营养不良症斑马鱼模型（sapje和sapje-like突变体）的幼虫 | 计算机视觉 | 杜氏肌营养不良症 | 高速摄像，无标记运动捕捉 | 随机森林，支持向量机 | 视频 | 两种斑马鱼突变体（sapje和sapje-like）的幼虫，具体数量未在摘要中明确 | NA | NA | 效应大小（标准偏差） | NA |
| 2622 | 2026-03-06 |
Combining Ultrasound Imaging and Molecular Testing in a Multimodal Deep Learning Model for Risk Stratification of Indeterminate Thyroid Nodules
2025-May, Thyroid : official journal of the American Thyroid Association
IF:5.8Q1
DOI:10.1089/thy.2024.0584
PMID:40256961
|
研究论文 | 本研究提出了一种融合超声成像与分子检测的多模态深度学习模型，用于改善不确定甲状腺结节的恶性风险分层 | 首次将超声成像与分子检测数据结合，构建多模态深度学习模型，以互补信息提升诊断性能，特别是阳性预测值和特异性 | 研究基于单中心数据集，缺乏外部验证，且使用了二值化的分子检测输出而非细粒度的恶性风险概率 | 改善不确定甲状腺结节的恶性风险分层，减少不必要的良性结节切除手术 | 不确定细胞学分类（Bethesda III和IV级）的甲状腺结节 | 数字病理 | 甲状腺癌 | 下一代测序，超声成像 | 深度学习 | 图像，分子检测数据 | 333名患者（259个良性结节，74个恶性结节） | 未明确提及 | 集成模型（融合了全帧图像、256×256图像块、128×128图像块三种配置） | AUROC，灵敏度，特异性，阳性预测值 | 未明确提及 |
| 2623 | 2026-03-06 |
Deep learning segmentation of periarterial and perivenous capillary-free zones in optical coherence tomography angiography
2025-05, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.5.056005
PMID:40342523
|
研究论文 | 本研究开发并评估了深度学习模型，用于自动化分割光学相干断层扫描血管成像中的动脉周围和静脉周围毛细血管无灌注区，以辅助糖尿病视网膜病变的早期检测 | 首次将深度学习模型（包括CNN和ViT）应用于自动化分割动脉周围和静脉周围毛细血管无灌注区，并引入定量特征作为糖尿病视网膜病变的潜在生物标志物 | 研究仅涉及健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者，未包括中重度病例，且样本量有限 | 开发并评估深度学习模型，用于精确分割光学相干断层扫描血管成像中的毛细血管无灌注区，并探索其作为糖尿病视网膜病变生物标志物的潜力 | 光学相干断层扫描血管成像图像，来自健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者 | 计算机视觉 | 糖尿病视网膜病变 | 光学相干断层扫描血管成像 | CNN, ViT | 图像 | 涉及健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者的多组OCTA图像 | NA | UNet, UNet++, TransUNet, Segformer, EfficientNet-b7 | 平均交并比, Dice系数 | NA |
| 2624 | 2026-03-06 |
SORBET: Automated cell-neighborhood analysis of spatial transcriptomics or proteomics for interpretable sample classification via GNN
2025-Apr-21, bioRxiv : the preprint server for biology
DOI:10.1101/2023.12.30.573739
PMID:38260586
|
研究论文 | 本文提出了一种名为SORBET的几何深度学习框架，用于分析空间转录组学或蛋白质组学数据，通过图神经网络实现可解释的样本分类 | SORBET是首个在空间转录组学数据上进行表型预测的方法，利用图卷积网络直接建模相邻细胞图，无需将完整细胞谱压缩为有限注释（如细胞类型），并采用新颖的数据增强技术和可解释性分析 | NA | 开发一个自动化细胞邻域分析框架，以整合空间信息与多重分子数据，准确预测临床表型，如免疫治疗反应 | 转移性黑色素瘤、非小细胞肺癌和结直肠癌样本 | 数字病理学 | 黑色素瘤, 非小细胞肺癌, 结直肠癌 | 空间转录组学（CosMx）, 空间蛋白质组学（IMC, CODEX） | 图卷积网络（GNN） | 空间转录组学数据, 空间蛋白质组学数据 | NA | PyTorch | 图卷积网络 | 准确性 | NA |
| 2625 | 2026-03-06 |
AutoRADP: An Interpretable Deep Learning Framework to Predict Rapid Progression for Alzheimer's Disease and Related Dementias Using Electronic Health Records
2025-Apr-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.06.25325337
PMID:40297450
|
研究论文 | 提出了一种基于可解释深度学习的框架AutoRADP，用于利用电子健康记录预测阿尔茨海默病及相关痴呆症的快速进展 | 结合基于规则的自然语言处理从临床笔记中提取关键认知评估，采用混合采样策略处理数据不平衡，并利用SHAP值提供可解释的预测 | 仅使用了UFHealth的单中心数据，未明确提及外部验证 | 开发一个准确且可解释的模型来预测阿尔茨海默病及相关痴呆症的快速进展 | 阿尔茨海默病及相关痴呆症患者 | 自然语言处理, 机器学习 | 阿尔茨海默病, 痴呆症 | 基于规则的自然语言处理, 特征选择, 混合采样 | 自编码器 | 结构化电子健康记录数据, 非结构化临床笔记 | NA | NA | 自编码器 | NA | NA |
| 2626 | 2026-03-06 |
Foundation model of neural activity predicts response to new stimulus types
2025-Apr, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-08829-y
PMID:40205215
|
研究论文 | 本研究通过收集大量小鼠视觉皮层的神经活动数据，训练了一个基础模型，用于预测神经元对任意自然视频刺激的响应，并展示了其在跨小鼠、跨刺激域以及预测神经元解剖学特征方面的泛化能力 | 首次将人工智能领域的基础模型范式应用于神经科学，训练了一个能够准确预测神经元响应并泛化到新小鼠和新刺激类型（如相干运动和噪声模式）的模型，且该模型还能预测解剖细胞类型、树突特征和神经元连接性 | 模型目前主要应用于小鼠视觉皮层，其泛化到其他脑区或更复杂认知任务的能力尚未验证；训练数据虽大但仍局限于特定实验条件和物种 | 构建大脑的基础模型，以理解神经计算目标、神经编码，并利用其强大的泛化能力加速神经科学研究 | 小鼠视觉皮层的神经活动 | 机器学习 | NA | 神经活动记录（视觉刺激响应） | 基础模型 | 神经活动数据（时间序列）、自然视频刺激 | 来自多只小鼠的大量神经活动数据 | NA | NA | 预测准确性（文中提及“accurately predict”） | NA |
| 2627 | 2026-03-06 |
Differential artery-vein analysis in OCTA for predicting the anti-VEGF treatment outcome of diabetic macular edema
2025-Apr-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.557748
PMID:40322014
|
研究论文 | 本研究评估了光学相干断层扫描血管成像（OCTA）中动静脉差异分析在预测糖尿病黄斑水肿（DME）抗VEGF治疗效果中的作用 | 利用深度学习进行OCTA动静脉分割，提取定量动静脉特征，并通过支持向量机预测治疗结果，显著提升了预测性能 | NA | 预测糖尿病黄斑水肿抗VEGF治疗的治疗结果 | 糖尿病黄斑水肿患者 | 数字病理学 | 糖尿病黄斑水肿 | 光学相干断层扫描血管成像（OCTA） | 深度学习, SVM | 图像 | NA | NA | NA | 准确率 | NA |
| 2628 | 2026-03-06 |
A Deep Learning Model for Three-Dimensional Determination of Whole Thoracic Vertebral Bone Mineral Density from Noncontrast Chest CT: The Multi-Ethnic Study of Atherosclerosis
2025-Mar, Radiology
IF:12.1Q1
DOI:10.1148/radiol.242133
PMID:40067103
|
研究论文 | 本研究开发了一种基于深度学习的三维模型，用于从常规非对比胸部CT中测量全胸椎骨密度，并评估其在预测椎体骨折中的价值 | 首次利用TotalSegmentator（nnU-net算法）在常规非对比胸部CT上实现T1-T10胸椎的三维骨密度测量，并与二维方法比较，结合FRAXnb工具提升了椎体骨折的预测性能 | 研究为多中心前瞻性队列的二次分析，样本主要来自MESA研究，可能限制泛化性；手动分割仅在一部分参与者中进行验证 | 开发并验证一种深度学习模型，用于从常规胸部CT中三维测量胸椎骨密度，以改善骨质疏松相关结局的预测 | 多民族动脉粥样硬化研究（MESA）的参与者，接受非对比胸部CT扫描 | 数字病理学 | 骨质疏松症 | 非对比胸部CT扫描 | 深度学习 | 三维医学图像 | 2956名参与者（其中1546名女性，平均年龄69岁±9），其中1304名有纵向随访数据 | nnU-net | TotalSegmentator（基于nnU-net） | Dice分数，交集并集比，受试者工作特征曲线下面积 | 未在摘要中明确说明 |
| 2629 | 2026-03-06 |
Addressing myocardial infarction in South-Asian populations: risk factors and machine learning approaches
2025-Feb-03, NPJ cardiovascular health
DOI:10.1038/s44325-024-00040-8
PMID:41776250
|
综述 | 本文探讨了南亚人群心肌梗死的风险因素，并强调了机器学习和深度学习在提升诊断与预测准确性方面的潜在作用 | 结合南亚人群特有的心血管风险因素，利用机器学习和深度学习模型（如CNN和Transformer）分析临床特征、心电图和心脏生物标志物等多模态数据，以改进传统风险评估工具 | 缺乏高质量数据集，且临床应用面临挑战 | 提升南亚人群心肌梗死的风险预测、诊断和管理水平 | 南亚人群的心肌梗死风险因素 | 机器学习 | 心血管疾病 | NA | CNN, Transformer | 临床特征、心电图、心脏生物标志物等多模态数据 | NA | NA | 卷积神经网络, Transformer | NA | NA |
| 2630 | 2026-03-06 |
From video to vital signs: a new method for contactless multichannel seismocardiography
2025-Jan-10, NPJ cardiovascular health
DOI:10.1038/s44325-024-00034-6
PMID:41775984
|
研究论文 | 本研究提出了一种利用智能手机视频进行非接触式多通道心震图测量的创新方法 | 首次利用标准智能手机视频从多个胸部位置捕获心震图信号，结合计算机视觉和深度学习技术提升信号分辨率 | 研究仅在14名健康参与者中进行测试，样本量较小，且未在患者群体中验证 | 开发一种成本效益高、易于普及的心脏监测工具 | 健康参与者的胸部振动信号 | 计算机视觉 | 心血管疾病 | 心震图 | 深度学习 | 视频 | 14名健康参与者的28个胸部视频 | NA | NA | 均方误差, 心率估计偏差, 相关系数 | NA |
| 2631 | 2026-03-06 |
Dual-hybrid intrusion detection system to detect False Data Injection in smart grids
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316536
PMID:39869576
|
研究论文 | 本文提出了一种用于智能电网中检测虚假数据注入攻击的新型双混合入侵检测系统 | 提出了一种结合粒子群优化和灰狼优化进行混合特征选择，并集成CNN和LSTM网络的混合深度学习分类器的新型入侵检测系统框架 | 研究基于模拟数据集，未来需集成真实世界智能电网数据进行验证，并需解决大规模部署中的实时处理和可扩展性挑战 | 增强智能电网中入侵检测系统检测虚假数据注入攻击的准确性和鲁棒性 | 智能电网中的虚假数据注入攻击 | 机器学习 | NA | NA | CNN, LSTM | 工业控制系统网络攻击数据集（电力系统数据集） | NA | NA | CNN, LSTM | 准确率, 召回率, 精确率, F值 | NA |
| 2632 | 2026-03-06 |
A deep learning aided bone marrow segmentation of quantitative fat MRI for myelofibrosis patients
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1498832
PMID:40485725
|
研究论文 | 本研究利用深度学习U-Net模型自动化骨髓纤维化患者骨盆定量脂肪MRI中的骨髓分割 | 首次在骨髓纤维化患者的骨盆定量脂肪MRI中应用并比较了四种U-Net模型（包括2D和3D注意力U-Net）进行骨髓自动化分割 | 研究仅基于58名患者的数据集，样本量相对较小；且仅评估了U-Net系列模型，未与其他先进分割架构对比 | 自动化骨髓纤维化患者骨盆定量脂肪MRI中的骨髓分割 | 骨髓纤维化患者的骨盆MRI图像，重点关注股骨近端和髂后骨的骨髓区域 | 数字病理学 | 骨髓纤维化 | 定量脂肪MRI | CNN | 图像 | 58名骨髓纤维化患者的容积图像 | NA | U-Net, 2D U-Net, 2D attention U-Net, 3D U-Net, 3D attention U-Net | 平均Jaccard指数, 平均体积误差, 平均Hausdorff距离, 平均体积交集比 | NA |
| 2633 | 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 |
| 2634 | 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 |
| 2635 | 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 |
| 2636 | 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 |
| 2637 | 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 |
| 2638 | 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 |
| 2639 | 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 |
| 2640 | 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 |