深度学习在生物医药领域中的应用
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，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10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 26983 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2025-06-24 |
READRetro web: A user-friendly platform for predicting plant natural product biosynthesis
2025-Jun-02, Molecules and cells
IF:3.7Q2
DOI:10.1016/j.mocell.2025.100235
PMID:40466944
|
research paper | 介绍了一个用户友好的网络平台READRetro web，用于预测植物天然产物的生物合成 | 开发了一个基于现代网络技术的用户友好平台，使不具备深厚计算背景的研究人员也能轻松使用先进的机器学习驱动的逆合成预测工具 | 未明确提及平台在处理复杂天然产物时的性能限制或对不同类型天然产物的适用性 | 促进植物天然产物的大规模生产，加速药物发现研究 | 植物天然产物及其生物合成途径 | machine learning | NA | retrosynthesis prediction | READRetro ML model | chemical structure data | NA |
| 262 | 2025-06-24 |
Artificial Intelligence-Assisted Detection of Breast Cancer Lymph Node Metastases in the Post-Neoadjuvant Treatment Setting
2025-Jun, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2025.104121
PMID:40020876
|
研究论文 | 本研究开发了一种可解释的深度学习流程，用于在乳腺癌新辅助治疗后检测淋巴结转移 | 首次评估了深度学习算法在乳腺癌新辅助治疗后淋巴结转移检测中的泛化能力，并研究了治疗后效应训练数据对算法性能的影响 | 研究仅针对乳腺癌患者，未评估其他癌症类型的适用性 | 开发并评估一种AI辅助的乳腺癌淋巴结转移检测方法 | 乳腺癌新辅助治疗后的淋巴结组织 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 病理切片图像 | 1027张病理切片 |
| 263 | 2025-06-24 |
Explainable Deep Multilevel Attention Learning for Predicting Protein Carbonylation Sites
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202500581
PMID:40145846
|
研究论文 | 本文介绍了一种名为SCANS的新型深度学习框架，用于预测蛋白质羰基化位点，该框架采用多级注意力策略和定制损失函数以提高预测性能 | SCANS框架创新性地结合了多级注意力策略、定制损失函数和迁移学习，有效减少了配体相互作用位点的交叉预测，提高了预测特异性 | NA | 准确预测蛋白质羰基化位点，以深入理解蛋白质羰基化的机制及其相关疾病的发病机理 | 蛋白质羰基化位点 | 生物信息学 | NA | 深度学习 | 多级注意力网络 | 蛋白质序列数据 | 基准测试数据集 |
| 264 | 2025-06-24 |
Integrative deep learning and radiomics analysis for ovarian tumor classification and diagnosis: a multicenter large-sample comparative study
2025-Jun, La Radiologia medica
DOI:10.1007/s11547-025-02006-x
PMID:40167932
|
研究论文 | 本研究评估了结合经阴道超声（US）的放射组学和深度学习模型在大规模研究中准确区分良性和恶性卵巢肿瘤的有效性 | 结合CNN和放射组学模型，提供更准确可靠的卵巢肿瘤诊断方法，优于单独模型和专家评估 | 回顾性研究设计可能影响结果的普遍性 | 评估结合放射组学和深度学习模型在卵巢肿瘤诊断中的有效性 | 良性和恶性卵巢肿瘤 | 数字病理学 | 卵巢癌 | 经阴道超声（US） | CNN | 图像 | 2078名患者的3193张图像 |
| 265 | 2025-06-24 |
FedOpenHAR: Federated Multitask Transfer Learning for Sensor-Based Human Activity Recognition
2025-Jun, Journal of computational biology : a journal of computational molecular cell biology
IF:1.4Q2
DOI:10.1089/cmb.2024.0631
PMID:40267073
|
研究论文 | 介绍FedOpenHAR框架，探索在传感器基础的人类活动识别和设备位置识别任务中的联邦迁移学习 | 提出FedOpenHAR框架，结合联邦学习和迁移学习，支持多任务处理，并在新客户端加入时能利用已有共同层进行训练 | 需要处理不同数据集中可能只包含部分标签类型的问题 | 开发适用于传感器基础的人类活动识别和设备位置识别的联邦学习框架 | 传感器数据 | 机器学习 | NA | 联邦学习，迁移学习 | DeepConvLSTM | 传感器数据 | OpenHAR框架中的十个较小数据集 |
| 266 | 2025-06-24 |
Unveiling Multi-Scale Architectural Features in Single-Cell Hi-C Data Using scCAFE
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202416432
PMID:40270467
|
研究论文 | 介绍了一种名为scCAFE的深度学习模型，用于在单细胞水平上检测多尺度的染色质结构特征 | scCAFE提供了一个统一的框架，用于注释单个细胞中的染色质环、TAD样结构域（TLDs）和区室，优于以往的scHi-C环检测方法，并能准确预测TLDs和区室 | NA | 分析单细胞基因组结构，并探索仅基于3D基因组特征进行精确细胞类型注释的可能性 | 单细胞Hi-C数据 | 基因组学 | NA | scHi-C | 深度学习模型 | 基因组数据 | NA |
| 267 | 2025-06-24 |
QRS-centric beat-wise atrial fibrillation detection in ECG signals using deep neural networks
2025-Jun, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110282
PMID:40378565
|
research paper | 提出了一种基于深度学习的逐搏心房颤动（AF）检测方法，通过QRS波群中心的自适应分割提高检测精度 | 采用QRS波群中心的自适应分割方法，结合CNN和双向LSTM网络，实现了逐搏级别的高精度AF检测 | 未提及模型在噪声环境下的鲁棒性测试 | 开发高精度的逐搏级别心房颤动自动检测方法 | 心电图信号中的心房颤动 | digital pathology | cardiovascular disease | ECG信号分析 | CNN + bidirectional LSTM | ECG信号 | MIT-BIH心律失常数据库、MIT-BIH心房颤动数据库、MIMIC-III和Simband数据集 |
| 268 | 2025-06-24 |
Disturbance-Aware On-Chip Training with Mitigation Schemes for Massively Parallel Computing in Analog Deep Learning Accelerator
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202417635
PMID:40390534
|
研究论文 | 本文研究了模拟内存计算（AIMC）中的片上训练，特别是在6T1C突触器件中量化并缓解了并行权重更新时的干扰效应 | 首次基于氧化物半导体和电容器精确识别并量化了6T1C突触器件的干扰效应，并提出了三种简单的操作方案来缓解这些效应 | 干扰效应在器件缩放时会加剧，且大规模阵列中的学习可行性仍需进一步验证 | 减少数据延迟并实现用户特定学习，同时解决模拟突触器件在并行权重更新时的干扰问题 | 6T1C突触器件及其在模拟内存计算中的应用 | 机器学习 | NA | 模拟内存计算（AIMC） | CNN | 图像 | CIFAR-10数据集 |
| 269 | 2025-06-24 |
DeepCCDS: Interpretable Deep Learning Framework for Predicting Cancer Cell Drug Sensitivity through Characterizing Cancer Driver Signals
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202416958
PMID:40397390
|
研究论文 | 提出了一种名为DeepCCDS的深度学习框架，用于通过表征癌症驱动信号来预测癌细胞药物敏感性 | DeepCCDS整合了先验知识网络来表征癌症驱动信号，提升了模型的预测性能和可解释性 | 当前深度学习方法仅依赖孤立的遗传标记，忽视了药物反应背后的复杂调控网络和细胞机制 | 提高癌细胞药物敏感性预测的准确性，以实现精准肿瘤学 | 癌细胞系和实体瘤样本 | 数字病理学 | 癌症 | 深度学习 | 自监督神经网络 | 遗传标记和癌症驱动信号 | 多个数据集和来自The Cancer Genome Atlas的实体瘤样本 |
| 270 | 2025-06-24 |
Integrating Alternative Fragmentation Techniques into Standard LC-MS Workflows Using a Single Deep Learning Model Enhances Proteome Coverage
2025-Jun-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.28.656555
PMID:40501536
|
研究论文 | 本文介绍了一种能够自动执行多种碎片化技术的质谱仪，并开发了一个统一的深度学习模型来预测碎片离子强度，从而提高了蛋白质组覆盖范围 | 开发了一个能够覆盖多种碎片化技术的单一Prosit深度学习模型，并公开了该模型 | NA | 提高蛋白质组学实验中蛋白质的识别效率 | 质谱仪和碎片化技术 | 质谱分析 | NA | CID, UVPD, EID, ECD, LC-MS | Prosit深度学习模型 | 质谱数据 | NA |
| 271 | 2025-06-24 |
Neural Spectral Prediction for Structure Elucidation with Tandem Mass Spectrometry
2025-Jun-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.28.656653
PMID:40501725
|
研究论文 | 本文提出了一种名为ICEBERG的几何深度学习模型，用于模拟质谱中的碰撞诱导解离，以生成化学上合理的碎片及其相对强度，从而促进分子结构的解析 | ICEBERG模型能够模拟碰撞诱导解离，生成化学上合理的碎片及其相对强度，并考虑碰撞能量和极性，显著提高了化合物注释的准确性 | 未明确提及具体限制，但可能涉及模型在更复杂或未知结构上的泛化能力 | 开发一种深度学习模型，用于快速准确地解析未知分子结构 | 分子结构的解析，特别是代谢组学、药物发现和反应筛选中的同量异位结构 | 机器学习和质谱分析 | 抑郁症和结核性脑膜炎 | 串联质谱(MS/MS)和深度学习 | 几何深度学习模型(ICEBERG) | 质谱数据 | NIST'20 [M+H]加合物子集 |
| 272 | 2025-06-24 |
In Toto Adipocytes Analysis Using Hydrophilic Tissue Clearing, Light Sheet Microscopy, and Deep Learning-Based Image Processing
2025-Jun, Biology of the cell
IF:2.4Q4
DOI:10.1111/boc.70013
PMID:40544484
|
research paper | 本研究开发了一种创新的3D成像方法，结合组织透明化、光片显微镜和深度学习技术，用于评估脂肪细胞体积 | 首次结合无脱脂步骤的组织透明化、光片显微镜和深度学习技术，实现脂肪组织的3D成像和自动分析 | 目前仅在肥胖和健康大鼠的肠系膜脂肪组织中进行验证，尚未在其他组织或疾病模型中应用 | 开发一种创新的3D成像方法来准确评估脂肪细胞体积，克服传统技术的局限性 | 肥胖和健康大鼠的肠系膜脂肪组织中的脂肪细胞 | digital pathology | obesity | hydrophilic tissue clearing, light sheet microscopy, deep learning | deep learning | 3D image | 肥胖和健康大鼠的肠系膜脂肪组织样本 |
| 273 | 2025-06-24 |
Evaporative cooling signals for wound healing in plants
2025-May-28, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.23.655667
PMID:40502075
|
研究论文 | 本文研究了植物叶片受伤后局部冷却现象及其与伤口愈合的关系，并提出了一种利用计算机视觉和深度学习监测伤口愈合动态的方法 | 发现伤口诱导的局部冷却现象作为伤口愈合的定量标记，并开发了基于计算机视觉和深度学习的伤口愈合监测工作流程 | 研究仅限于拟南芥叶片，未验证其他植物或组织类型的适用性 | 探索植物伤口愈合的后期机制并开发定量监测工具 | 拟南芥叶片 | 计算机视觉 | NA | 计算机视觉、深度学习 | 深度学习 | 图像 | NA |
| 274 | 2025-06-24 |
Cellular and subcellular specialization enables biology-constrained deep learning
2025-May-27, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.22.655599
PMID:40501912
|
research paper | 该研究探讨了生物约束深度学习如何通过细胞和亚细胞特化实现，以模拟大脑中的学习和记忆机制 | 提出了一种完全符合生物学约束的深度学习算法，模拟了神经元细胞类型和树突区室化信号的特化 | 模型的生物学约束可能限制了其在更广泛的人工智能应用中的适用性 | 探索大脑如何通过神经元细胞类型和树突区室化信号协调多层神经回路中的学习 | 人工神经网络（ANNs）和神经元细胞类型 | machine learning | NA | 深度学习算法 | ANN | image | NA |
| 275 | 2025-06-24 |
A pediatric ECG database with disease diagnosis covering 11643 children
2025-May-26, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05225-z
PMID:40419508
|
research paper | 该研究提出了一个包含11643名0-14岁儿童的心电图数据库，用于心血管疾病的智能诊断 | 该数据库专注于儿童心血管疾病诊断，填补了现有ECG数据集主要关注成人且缺乏疾病诊断信息的空白 | 数据仅来自郑州大学第一附属医院的住院儿童，可能无法完全代表所有儿童群体 | 为儿童心血管疾病的智能诊断提供充足的数据支持 | 0-14岁儿童的心电图数据 | digital pathology | cardiovascular disease | ECG | NA | ECG记录 | 11643名住院儿童，包含14190份儿科ECG记录 |
| 276 | 2025-06-24 |
Artificial Intelligence Applied to Ultrasound Diagnosis of Pelvic Gynecological Tumors: A Systematic Review and Meta-Analysis
2025-May-08, Gynecologic and obstetric investigation
IF:2.0Q2
DOI:10.1159/000545850
PMID:40340944
|
meta-analysis | 本文通过系统综述和荟萃分析评估了人工智能在超声诊断盆腔妇科肿瘤中的应用效果 | 首次对AI在妇科盆腔肿瘤超声诊断中的研究进行系统性评估，并与现有ADNEX模型进行性能比较 | 95%的研究存在高偏倚风险，主要源于不恰当的研究纳入标准、缺乏患者级别的训练测试集划分以及未进行校准评估 | 评估AI模型在超声诊断妇科盆腔肿瘤中的鉴别性能 | 妇科盆腔肿瘤（卵巢、子宫内膜和子宫肌层病变） | 数字病理 | 妇科肿瘤 | 超声成像 | 深度学习模型与基于放射组学的机器学习方法 | 超声图像 | 44项研究（40项卵巢病理、3项子宫内膜病理和1项子宫肌层病理研究） |
| 277 | 2025-06-24 |
U-Net-Based Prediction of Cerebrospinal Fluid Distribution and Ventricular Reflux Grading
2025-May, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.70029
PMID:40229147
|
研究论文 | 本研究探讨了深度学习在预测人类脑部脑脊液分布中的应用，使用了基于U-Net的监督学习模型 | 利用深度学习预测脑脊液分布，仅需注射后2小时的成像数据即可达到与使用更多后期扫描数据相当的预测效果 | 研究依赖于特定对比剂（钆基）的MRI扫描，可能不适用于其他类型的脑脊液标记物 | 预测脑脊液在人类脑部的分布及其与中枢神经系统疾病的关联 | 人类脑部脑脊液分布及心室反流分级 | 数字病理学 | 中枢神经系统疾病 | T1加权磁共振成像（MRI） | U-Net | 图像 | NA |
| 278 | 2025-06-24 |
Longitudinal Risk Prediction for Pediatric Glioma with Temporal Deep Learning
2025-May, NEJM AI
DOI:10.1056/aioa2400703
PMID:40535328
|
研究论文 | 本研究开发了一种自监督的时序深度学习模型，用于分析儿童胶质瘤患者的连续MRI扫描，以提高个体化复发预测的准确性 | 提出了一种针对纵向医学影像分析的自监督时序深度学习方法，通过训练模型正确分类扫描的时间顺序作为前置任务，进而微调以预测复发风险 | 研究受限于数据可用性和当前机器学习方法的局限性 | 提高儿童胶质瘤个体化复发预测的准确性 | 儿童低级别和高级别胶质瘤患者 | 数字病理学 | 胶质瘤 | MRI | 自监督时序深度学习模型 | 影像 | 715名患者的3994次扫描 |
| 279 | 2025-06-24 |
Trade-offs between machine learning and deep learning for mental illness detection on social media
2025-Apr-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99167-6
PMID:40281061
|
研究论文 | 本研究比较了机器学习和深度学习模型在社交媒体上心理健康状况分类中的性能和适用性 | 系统评估了多种ML和DL模型在心理健康分类中的性能差异，并提供了基于数据集大小、可解释性需求和计算限制的模型选择建议 | 研究仅基于中等规模数据集，未探讨极大数据集或小数据集下的表现差异 | 比较不同建模方法在心理健康状况分类中的性能差异 | 社交媒体上关于抑郁、焦虑和自杀意念的用户生成文本 | 自然语言处理 | 精神疾病 | 文本分类 | logistic regression, random forest, LightGBM, ALBERT, GRU | 文本 | 中等规模数据集（具体数量未提及） |
| 280 | 2025-06-24 |
Towards a unified framework for single-cell -omics-based disease prediction through AI
2025-Apr, Clinical and translational medicine
IF:7.9Q1
DOI:10.1002/ctm2.70290
PMID:40170267
|
研究论文 | 提出一个基于AI的统一框架scDisPreAI，用于整合单细胞组学数据以实现疾病和疾病阶段的预测及生物标志物发现 | 结合单细胞组学数据和AI技术，开发了一个多任务预测框架，能够同时分类疾病身份和疾病阶段，并通过可解释性技术识别关键生物标志物 | 需要进一步整合多组学数据、标准化协议和前瞻性临床验证以充分发挥其在精准医学中的潜力 | 开发一个基于AI的统一框架，用于疾病预测和生物标志物发现 | 单细胞组学数据和疾病预测 | 机器学习 | 多种疾病 | 单细胞组学 | 深度学习架构或机器学习流程 | 单细胞组学数据 | NA |