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 2641 - 2660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2641 | 2026-03-03 |
Deep Learning-based Brain Age Prediction Using MRI to Identify Fetuses with Cerebral Ventriculomegaly
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240115
PMID:39969279
|
研究论文 | 本研究利用基于深度学习的胎儿大脑年龄预测模型，通过MRI识别患有脑室扩大及相关中枢神经系统异常的胎儿 | 首次将二维单通道卷积神经网络应用于胎儿MRI的脑年龄预测，以辅助识别脑室扩大及其严重程度和相关中枢神经系统异常 | 研究样本量有限（VM组317例，典型发育组183例），且仅使用单一模态（MRI）和单一模型架构 | 评估深度学习胎儿脑年龄预测模型在区分脑室扩大胎儿、判断严重程度及检测相关中枢神经系统异常方面的诊断性能 | 胎儿（包括脑室扩大胎儿和典型发育胎儿） | 医学影像分析 | 胎儿脑室扩大及相关中枢神经系统异常 | MRI | CNN | 图像 | 脑室扩大胎儿317例，典型发育胎儿183例 | NA | 二维单通道卷积神经网络 | 预测年龄差异，绝对预测年龄差异 | NA |
| 2642 | 2026-03-03 |
Self-Supervised Learning for Feature Extraction from Glomerular Images and Disease Classification with Minimal Annotations
2025-03-01, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.0000000514
PMID:40029749
|
研究论文 | 本研究应用自监督学习方法DINO，从无标签的肾小球图像中提取特征，并用于疾病分类，以减少对大量标注数据的依赖 | 首次将自监督学习（DINO）应用于肾小球图像，在标注数据有限的情况下，实现了优于ImageNet预训练模型的疾病分类性能 | 研究仅使用了PAS染色的肾小球图像，未涵盖其他染色方法或更广泛的肾脏病理图像 | 探索自监督学习在数字肾脏病理学中的应用，以解决标注数据稀缺问题，提升疾病分类的准确性和鲁棒性 | 肾小球图像，具体来自384张PAS染色的肾脏活检切片 | 数字病理学 | 肾脏疾病 | 自监督学习（DINO），主成分分析（PCA） | 自监督学习模型 | 图像 | 10,423张肾小球图像，来自384张PAS染色的肾脏活检切片 | PyTorch | DINO | ROC-AUC | NA |
| 2643 | 2025-03-05 |
Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules
2025-Mar, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250387
PMID:40035670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2644 | 2026-03-03 |
An explainable deep learning framework for biosensing data interpretation in biomedical engineering and real-time health diagnostics
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1688586
PMID:41767247
|
研究论文 | 提出一个可解释的深度学习框架，用于将复杂的生物信号动态转化为可解释的健康评估 | 结合了时间图推理与概率建模的PhysioGraph Inference Network (PGIN)，以及基于不确定性和信号熵自适应调整诊断粒度的Adaptive Health State Inference Mechanism (AHSIM) | NA | 开发一个可解释的深度学习框架，用于生物医学工程和实时健康诊断中的生物传感数据解释 | 生物传感数据 | 生物医学工程 | NA | NA | 深度学习 | 生物信号 | 四个生物传感数据集 | NA | PhysioGraph Inference Network (PGIN), Adaptive Health State Inference Mechanism (AHSIM) | 诊断准确率, AUC | NA |
| 2645 | 2026-03-03 |
Lightweight deep learning for tomato disease detection: trends, challenges, and edge AI perspectives
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1737208
PMID:41768481
|
综述 | 本文综述了轻量级深度学习模型和边缘AI在番茄病害检测中的最新进展，并提出了一个结合AI诊断与微生物生物防治建议的独特框架 | 提出了一个结合AI驱动的诊断与微生物生物防治建议的独特框架，为以生态友好和区域特定方式管理病害提供解决方案 | NA | 评估轻量级深度学习模型和边缘AI在番茄病害检测中的应用潜力，以促进精准农业的实践部署 | 番茄作物及其叶面和虫媒病害 | 计算机视觉 | 番茄病害 | 深度学习 | CNN, Transformer | 图像 | NA | NA | MobileNetV2, EfficientNetB0 | 准确率, 宏F1分数 | NA |
| 2646 | 2026-03-03 |
Deep learning-based methods for phenotypic trait extraction in rice panicles
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1730366
PMID:41768482
|
研究论文 | 本研究开发了一种基于深度学习的自动化流水线，用于从水稻穗图像中提取关键表型性状，如穗长、粒数和粒尺寸 | 提出了一种集成了目标检测、分割和计数任务的深度学习流水线，专门针对水稻穗的遮挡挑战，并将先进模型与育种应用相结合 | NA | 开发高精度、高通量的自动化工具，以支持水稻育种中的表型性状测量 | 水稻穗 | 计算机视觉 | NA | 深度学习 | YOLOv8 | 图像 | 5300张水稻穗图像（3290张训练，940张验证，470张测试） | NA | OPG-YOLOv8 | R², RMSE, MAPE | NA |
| 2647 | 2026-03-03 |
LungHist700: A dataset of histological images for deep learning in pulmonary pathology
2024-10-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03944-3
PMID:39368979
|
研究论文 | 本文介绍了一个名为LungHist700的高分辨率肺部组织学图像数据集，用于支持深度学习在肺病理学中的应用 | 提出了一个包含691张高分辨率肺部组织学图像的数据集，覆盖腺癌、鳞状细胞癌和正常组织，并细分为三个分化等级，为深度学习模型提供了丰富的分类任务 | 数据集仅包含45名患者的图像，样本规模相对较小，可能限制了模型的泛化能力 | 旨在通过提供高质量数据集，促进深度学习在肺部恶性肿瘤检测和分类中的应用 | 肺部组织学图像，包括腺癌、鳞状细胞癌和正常组织 | 数字病理学 | 肺癌 | 组织病理学成像 | 深度神经网络, 多实例学习 | 图像 | 691张高分辨率图像，来自45名患者 | NA | NA | 准确率 | NA |
| 2648 | 2026-03-03 |
A multicenter dataset for lymph node clinical target volume delineation of nasopharyngeal carcinoma
2024-10-04, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03890-0
PMID:39366975
|
研究论文 | 本研究构建了一个用于鼻咽癌淋巴结临床靶区勾画的多中心数据集，以支持深度学习模型的开发与评估 | 创建了首个用于自动淋巴结临床靶区勾画开发与评估的多中心数据集，整合了来自四个中心的262名患者数据，并基于专家共识提供了手动勾画的真实标签 | 数据集规模相对有限（262名患者），且依赖于专家手动勾画，可能存在主观差异 | 开发深度学习模型以准确预测鼻咽癌放疗中的淋巴结临床靶区 | 鼻咽癌患者的淋巴结临床靶区 | 数字病理学 | 鼻咽癌 | 计算机断层扫描 | 深度学习分割模型 | 医学图像 | 262名患者，包含440张计算机断层扫描图像 | NA | NA | NA | NA |
| 2649 | 2026-03-03 |
High-resolution AI image dataset for diagnosing oral submucous fibrosis and squamous cell carcinoma
2024-09-27, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03836-6
PMID:39333529
|
研究论文 | 本文介绍了ORCHID数据库，一个用于口腔癌和癌前病变AI分析的高分辨率图像数据集 | 创建了一个专门针对口腔黏膜下纤维化和鳞状细胞癌的多中心高分辨率图像数据库，并包含分级亚类 | NA | 推动基于AI的口腔癌组织学图像分析研究，开发快速诊断工具 | 口腔癌和癌前病变的组织学图像，特别是口腔黏膜下纤维化（OSMF）和口腔鳞状细胞癌（OSCC） | 数字病理学 | 口腔癌 | 组织病理学成像 | 深度学习算法 | 图像 | NA | NA | NA | NA | NA |
| 2650 | 2026-03-03 |
Deepdive: Leveraging Pre-trained Deep Learning for Deep-Sea ROV Biota Identification in the Great Barrier Reef
2024-09-03, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03766-3
PMID:39227607
|
研究论文 | 本文通过构建一个包含3994张图像、33个类别的深海生物数据集，并利用预训练的深度学习模型进行图像分类，以支持大堡礁深海生态系统的自动生物识别 | 贡献了一个新的深海ROV图像分类数据集，并首次在该数据集上应用了Inception-ResNet等深度学习模型进行基准测试，展示了模型在类别不平衡情况下的性能 | 数据集存在类别不平衡问题，且模型的平均分类准确率仅为65%，可能受限于样本数量和类别多样性 | 开发自动化的深海生物分类方法，以支持海洋生态系统保护和生物多样性评估 | 深海生物（通过ROV采集的图像数据） | 计算机视觉 | NA | 远程操作车辆（ROV）成像 | CNN | 图像 | 3994张图像，涵盖33个类别 | NA | ResNet, DenseNet, Inception, Inception-ResNet | 准确率, AUC | NA |
| 2651 | 2026-03-03 |
Potential rapid intraoperative cancer diagnosis using dynamic full-field optical coherence tomography and deep learning: A prospective cohort study in breast cancer patients
2024-06-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.061
PMID:38702279
|
研究论文 | 本研究提出了一种结合动态全场光学相干断层扫描和深度学习的快速术中癌症诊断工作流程，用于乳腺癌患者的实时肿瘤诊断 | 首次将动态全场光学相干断层扫描与深度学习结合，实现无需组织准备或染色的非破坏性、近实时术中癌症诊断 | 研究样本量相对较小，且仅针对乳腺癌，未涵盖所有癌症类型 | 开发一种快速、自动化的术中癌症诊断方法，以替代传统耗时、资源密集的病理学评估 | 乳腺癌患者的良性及恶性乳腺组织 | 数字病理学 | 乳腺癌 | 动态全场光学相干断层扫描 | 深度学习模型 | 图像 | 建模组182例（48良性，114浸润性导管癌，10浸润性小叶癌，4导管原位癌，6罕见肿瘤），独立测试组42例（10良性，29浸润性导管癌，1导管原位癌，2罕见肿瘤） | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 2652 | 2024-08-07 |
Deep learning-powered enzyme efficiency boosting with evolutionary information
2024-05-30, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.034
PMID:38531716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2653 | 2026-03-03 |
Deep learning-assisted intelligent wearable precise cardiovascular monitoring system
2024-05-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.035
PMID:38538462
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2654 | 2026-03-03 |
DeepWMH: A deep learning tool for accurate white matter hyperintensity segmentation without requiring manual annotations for training
2024-04-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.01.034
PMID:38320896
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2655 | 2026-03-03 |
Biometric contrastive learning for data-efficient deep learning from electrocardiographic images
2024-04-03, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocae002
PMID:38269618
|
研究论文 | 本文提出了一种名为生物特征对比学习（BCL）的自监督预训练方法，用于从心电图（ECG）图像中高效学习，以检测心房颤动、性别和左心室射血分数降低等疾病 | 开发了一种利用同一患者不同时间点、不同布局的ECG图像对进行自监督预训练的新方法，该方法在标签数据有限的情况下显著优于传统的ImageNet初始化和通用的图像对比学习方法 | 研究主要基于特定队列（耶鲁大学2000-2015年数据），外部验证队列有限；未详细探讨方法对其他类型心脏疾病的泛化能力 | 开发一种数据高效的深度学习模型，用于从心电图图像中检测心脏疾病 | 心电图（ECG）图像 | 计算机视觉 | 心血管疾病 | 心电图成像 | CNN | 图像 | 78,288名个体的心电图图像对（来自耶鲁大学2000-2015年数据），以及2015-2021年的心电图用于微调 | NA | NA | AUROC | NA |
| 2656 | 2026-03-03 |
Artificial Intelligence: Fundamentals and Breakthrough Applications in Epilepsy
2024-Mar-31, Epilepsy currents
IF:5.8Q1
DOI:10.1177/15357597241238526
PMID:39554271
|
综述 | 本文综述了人工智能在癫痫研究和临床护理中的基础原理与突破性应用 | 系统整合了人工智能在癫痫领域的多个前沿应用方向，包括药物筛选、临床治疗预测和脑电信号分析 | NA | 传播人工智能在癫痫学中的知识、应用方法、优势及潜在限制 | 癫痫研究、临床护理及相关技术应用 | 机器学习 | 癫痫 | NA | NA | NA | NA | NA | NA | NA | NA |
| 2657 | 2026-03-03 |
scMeFormer: a transformer-based deep learning model for imputing DNA methylation states in single cells enhances the detection of epigenetic alterations in schizophrenia
2024-Jan-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.25.577200
PMID:38328094
|
研究论文 | 本研究提出了一种基于Transformer的深度学习模型scMeFormer，用于在单细胞水平上推算DNA甲基化状态，以增强对精神分裂症中表观遗传改变的检测 | 开发了首个基于Transformer的深度学习模型scMeFormer，用于单细胞DNA甲基化状态的推算，即使在CpG位点覆盖率低至10%的情况下也能实现高保真推算 | 未明确提及模型在更广泛疾病或技术平台上的泛化能力，以及计算资源需求的具体细节 | 通过深度学习模型推算单细胞DNA甲基化状态，以提升对表观遗传改变（特别是精神分裂症相关改变）的检测能力 | 单细胞DNA甲基化数据，包括来自精神分裂症患者和神经典型对照的前额叶皮层样本 | 机器学习 | 精神分裂症 | 单细胞DNA甲基化测序 | Transformer | DNA甲基化状态数据 | 四个单核DNA甲基化数据集，包括来自4名精神分裂症患者和4名神经典型对照的前额叶皮层样本 | 未明确提及 | Transformer | 未明确提及具体指标，但强调了高保真推算和检测能力的提升 | 未明确提及 |
| 2658 | 2026-03-03 |
MECE: a method for enhancing the catalytic efficiency of glycoside hydrolase based on deep neural networks and molecular evolution
2023-11-30, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2023.09.039
PMID:37867059
|
研究论文 | 本研究提出了一种结合深度神经网络与分子进化的MECE平台，用于预测并提升糖苷水解酶的催化效率 | 开发了DeepGH深度学习模型用于识别糖苷水解酶家族及功能残基，并构建了整合Grad-CAM可解释性技术的MECE智能设计平台 | 模型训练仅基于CAZy数据库的119个GH家族蛋白序列，未明确说明对其他酶类的泛化能力 | 提升糖苷水解酶的催化效率以满足工业应用需求 | 糖苷水解酶（GHs）家族蛋白 | 机器学习 | NA | 深度神经网络，分子进化，梯度加权类激活映射（Grad-CAM） | 深度学习模型 | 蛋白质序列 | 来自CAZy数据库的119个GH家族蛋白序列 | NA | DeepGH | 预测准确率 | NA |
| 2659 | 2026-03-03 |
Deep neural networks with knockoff features identify nonlinear causal relations and estimate effect sizes in complex biological systems
2022-12-28, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giad044
PMID:37395630
|
研究论文 | 本文开发了一种名为DAG-deepVASE的计算方法，结合深度神经网络和敲除框架，用于识别非线性因果关系并估计效应大小 | 首次开发了能够明确学习非线性因果关系并估计效应大小的计算方法，克服了现有生物信息学方法在复杂生物系统中的局限性 | NA | 学习因果结构以识别复杂疾病的风险因素、疾病机制和候选治疗方法 | 复杂生物系统中的分子和临床数据 | 机器学习 | 复杂疾病 | NA | 深度神经网络 | 模拟数据、分子数据、临床数据 | NA | NA | NA | NA | NA |
| 2660 | 2026-03-03 |
NuCLS: A scalable crowdsourcing approach and dataset for nucleus classification and segmentation in breast cancer
2022-05-17, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giac037
PMID:35579553
|
研究论文 | 本文介绍了一种可扩展的众包方法及数据集NuCLS，用于乳腺癌中的细胞核分类与分割 | 提出了一种新颖的协作框架，利用算法建议收集准确的细胞核分割数据，无需繁琐的手动追踪，并展示了非专家也能为视觉上可区分的类别生成准确标注 | 未明确提及具体的数据标注偏差或模型泛化能力的局限性 | 开发一个可扩展的众包方法，以生成用于计算病理学应用的高质量细胞核标注数据 | 乳腺癌组织中的细胞核 | 计算病理学 | 乳腺癌 | 深度学习 | NA | 图像 | 超过220,000个细胞核标注 | NA | NA | 准确性 | NA |