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 32372 篇文献，本页显示第 2881 - 2900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2881 | 2025-10-06 |
ChemKANs for combustion chemistry modeling and acceleration
2025-Aug-20, Physical chemistry chemical physics : PCCP
IF:2.9Q1
DOI:10.1039/d5cp02009c
PMID:40747601
|
研究论文 | 提出一种名为ChemKANs的新型神经网络框架，用于燃烧化学的模型推断和模拟加速 | 将通用的Kolmogorov-Arnold网络常微分方程(KAN-ODEs)与燃烧化学的动力学和热力学定律信息流知识相结合 | NA | 解决燃烧化学中大型ODE系统和广泛分离时间尺度带来的模型推断和模拟加速挑战 | 燃烧化学动力学模型 | 机器学习 | NA | 神经网络 | KAN-ODE | 化学动力学数据 | NA | NA | ChemKANs | 准确性, 加速比 | NA |
| 2882 | 2025-10-06 |
A predicted structural interactome reveals binding interference from intrinsically disordered regions
2025-Aug-20, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.15.670535
PMID:40894573
|
研究论文 | 本研究利用AlphaFold2多聚体预测蛋白质-蛋白质相互作用，揭示了内在无序区域在相互作用中的重要性 | 首次系统性地将功能关联数据整合到蛋白质物理相互作用预测中，并发现内在无序区域在预测的高置信度相互作用中的关键作用 | 研究主要针对非哺乳动物物种，哺乳动物系统中的验证相对有限 | 预测和分析蛋白质-蛋白质相互作用网络，特别关注内在无序区域的作用 | 蛋白质相互作用网络和内在无序区域 | 生物信息学 | NA | AlphaFold2多聚体预测 | 深度学习 | 蛋白质序列和结构数据 | NA | AlphaFold2 | AlphaFold2多聚体架构 | 预测置信度 | NA |
| 2883 | 2025-10-06 |
AI-Enhanced SERS with Probe Combinations for Concurrent Identification and Quantification of Coexisting Metal Ions in Water
2025-Aug-19, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c07025
PMID:40764259
|
研究论文 | 提出一种结合AI增强表面增强拉曼光谱和探针组合的方法，用于同时检测水中共存金属离子 | 将光谱分析与定制探针组合相结合，利用自注意力深度学习架构解决光谱重叠和非线性响应问题 | 仅验证了四种金属离子的同时检测，未涉及更多种类离子的检测能力 | 开发高效同时检测共存金属离子的方法以保护水质和减轻生态风险 | 水中共存金属离子 | 光谱分析 | NA | 表面增强拉曼光谱(SERS) | 深度学习 | 光谱数据 | 84种不同浓度共存金属离子组合 | NA | 自注意力架构 | 预测误差 | NA |
| 2884 | 2025-10-06 |
Genetic and environmental factors affecting hair density in East Asian populations
2025-Aug-18, The British journal of dermatology
DOI:10.1093/bjd/ljaf149
PMID:40251992
|
研究论文 | 本研究通过深度学习分析东亚人群毛囊密度特征，识别影响头发密度的遗传和环境因素 | 首次在东亚人群中进行大规模毛囊密度定量评估，发现三个新的遗传位点与头发密度相关，并揭示基因型特异性对非那雄胺治疗反应的差异 | 研究样本仅限于东亚人群，可能不适用于其他种族群体 | 识别东亚人群头发密度的环境和遗传决定因素，探索与其他毛发特征和毛发疾病的共享遗传影响 | 5735名东亚个体 | 生物医学研究 | 毛发疾病 | 深度学习分析、全基因组关联研究(GWAS)、元分析、C-GWAS | 深度学习模型 | 皮肤镜图像、基因组数据、临床数据 | 5735名东亚个体，另使用英国生物银行纵向数据 | NA | NA | 统计显著性 | NA |
| 2885 | 2025-10-06 |
Modelling In vitro Mutagenicity Using Multi-Task Deep Learning and REACH Data
2025-Aug-18, Chemical research in toxicology
IF:3.7Q2
DOI:10.1021/acs.chemrestox.5c00152
PMID:40680271
|
研究论文 | 本研究利用多任务深度学习模型预测体外致突变性，整合REACH数据和公共数据库构建了包含12,000多种物质的基因毒性数据集 | 首次利用多任务深度学习探索不同致突变性检测方法间的内在关联，相比单任务模型性能提升最高达12% | 模型在外部验证集上需要至少200个阳性和200个阴性样本才能达到最佳性能 | 开发更准确的体外致突变性预测模型，减少动物实验需求 | 化学物质的基因毒性评估 | 机器学习 | NA | 基因突变测试、染色体畸变试验、微核试验 | 图神经网络,深度学习 | 化学结构数据,基因毒性测试结果 | 超过12,000种化学物质 | NA | 图神经网络 | 平衡准确度 | NA |
| 2886 | 2025-10-06 |
HIST-DIP: histogram thresholding and deep image priors assisted smartphone-based fluorescence microscopy imaging
2025-Aug-18, The Analyst
DOI:10.1039/d5an00487j
PMID:40717611
|
研究论文 | 提出一种结合直方图阈值化和深度图像先验的无监督框架HIST-DIP，用于提升智能手机荧光显微镜图像质量 | 无需外部训练数据，结合直方图阈值化与深度图像先验进行无监督图像恢复 | 未提及实时设备计算的优化方法 | 提升智能手机荧光显微镜图像质量 | 荧光显微镜图像 | 计算机视觉 | NA | 荧光显微镜成像 | 深度图像先验 | 图像 | NA | NA | 深度图像先验 | PSNR, SSIM, CNR, SDNR | NA |
| 2887 | 2025-10-06 |
Development and validation of a multimodal automatic interictal epileptiform discharge detection model: a prospective multi-center study
2025-Aug-15, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-025-04316-3
PMID:40817241
|
研究论文 | 开发并验证了一种多模态自动检测发作间期癫痫样放电的深度学习模型 | 提出了结合视频和脑电图特征的多模态IED检测模型，并开发了坏道去除和患者检测方法以提高多中心验证的鲁棒性 | 不同中心间存在振幅差异，错误的患者检测会对整体性能产生负面影响 | 开发自动IED检测模型以促进癫痫诊断 | 发作间期癫痫样放电(IED) | 医疗人工智能 | 癫痫 | 视频脑电图 | 深度学习 | 视频, EEG信号 | 训练集：530名患者的26,706个IED和194,797个非IED 4秒视频-EEG时段；测试集：149名患者的377小时视频-EEG数据和9,232个IED | NA | vEpiNetV2 | AUPRC, AUC, 假阳性率, 灵敏度 | NA |
| 2888 | 2025-10-06 |
Towards proactively improving sleep: machine learning and wearable device data forecast sleep efficiency 4-8 hours before sleep onset
2025-Aug-14, Sleep
IF:5.3Q1
DOI:10.1093/sleep/zsaf113
PMID:40293116
|
研究论文 | 本研究开发了机器学习模型，利用可穿戴设备数据在睡眠开始前4-8小时预测睡眠效率 | 首次在睡眠开始前4-8小时预测睡眠效率，并识别出睡前活动与睡眠效率的U型关系 | 仅使用英国生物银行数据，模型在其他人群中的泛化能力有待验证 | 开发能够提前预测睡眠效率的机器学习模型，为主动改善睡眠提供工具 | 80,811名英国生物银行参与者的加速度计数据 | 机器学习 | 睡眠障碍 | 加速度计数据采集 | CatBoost, CNN-LSTM | 时间序列传感器数据 | 80,811名成年人 | CatBoost, TensorFlow/PyTorch | CNN-LSTM | AUC, AUPRC | NA |
| 2889 | 2025-10-06 |
Explainable Machine Learning for ETR and Drug Chameleonicity
2025-Aug-14, Journal of medicinal chemistry
IF:6.8Q1
DOI:10.1021/acs.jmedchem.5c00536
PMID:40367343
|
研究论文 | 开发可解释的深度学习模型预测EPSA并定位影响药物变色龙特性的极性降低热点区域 | 首次在bRo5三维领域引入可解释深度学习模型，提出ETR作为高通量极性降低指标 | 传统计算方法依赖计算密集的3D物理建模或无法完全解释bRo5药物行为的经典描述符 | 指导bRo5类药物口服吸收的快速化学设计 | 大环化合物、PROTACs和其他bRo5类药物 | 机器学习 | NA | 分子动力学 | 深度学习 | 分子描述符数据 | 数千个大环化合物、PROTACs和其他bRo5类药物 | NA | NA | NA | NA |
| 2890 | 2025-10-06 |
MMPK: A Multimodal Deep Learning Framework to Predict Human Oral Pharmacokinetic Parameters
2025-Aug-14, Journal of medicinal chemistry
IF:6.8Q1
DOI:10.1021/acs.jmedchem.5c01522
PMID:40741939
|
研究论文 | 开发了一个名为MMPK的多模态深度学习框架，用于预测人类口服药代动力学参数 | 整合分子图、子结构图和SMILES序列来捕捉多尺度分子信息，采用多任务学习和数据插补提高数据效率和模型鲁棒性 | NA | 预测药代动力学参数以评估药物安全性和有效性，优化给药方案 | 人类口服药物化合物 | 机器学习 | NA | 深度学习 | 多模态深度学习 | 分子图、子结构图、SMILES序列 | 超过1,200种独特化合物和5,000多种化合物-剂量组合 | NA | MMPK | 几何平均折叠误差(GMFE), 均方根对数误差(RMSLE) | NA |
| 2891 | 2025-10-06 |
MyoPose: position-limb-robust neuromechanical features for enhanced hand gesture recognition in colocated sEMG-pFMG armbands
2025-Aug-14, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/adf888
PMID:40769169
|
研究论文 | 提出一种名为MyoPose的新型轻量级空间协同特征集，用于增强手部手势识别在肢体位置变化下的鲁棒性 | 提供有效的多模态驱动手势识别特征集，能够处理肢体位置变化并保持实时可行性，无需深度学习 | NA | 开发能够应对肢体位置变化的手势识别系统，提高人机接口的鲁棒性 | 手部手势识别 | 模式识别 | NA | 表面肌电图(sEMG)、压力式力肌电图(pFMG) | 线性判别分析 | 生物电信号、生物力学信号 | NA | NA | NA | 准确率(ACC) | 资源受限硬件 |
| 2892 | 2025-10-06 |
TEMSET-24K: Densely Annotated Dataset for Indexing Multipart Endoscopic Videos using Surgical Timeline Segmentation
2025-Aug-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05646-w
PMID:40813778
|
研究论文 | 提出了一个密集标注的内窥镜手术视频数据集TEMSET-24K，用于手术时间线分割和视频索引 | 首次提供了公开可用的密集标注内窥镜手术数据集，采用新颖的层次化标注分类法（阶段、任务、动作三元组） | 仅针对经肛门内窥镜显微手术(TEMS)这一特定手术类型 | 开发自动化内窥镜手术视频索引系统，支持系统回顾性分析和临床性能评估 | 内窥镜手术视频片段 | 计算机视觉 | NA | 内窥镜显微手术 | Transformer, CNN | 视频 | 24,306个经肛门内窥镜显微手术视频微片段 | NA | ConvNeXt, ViT, SWIN V2, STALNet | 准确率, F1分数 | NA |
| 2893 | 2025-10-06 |
Automated violence monitoring system for real-time fistfight detection using deep learning-based temporal action localization
2025-Aug-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-12531-4
PMID:40796923
|
研究论文 | 提出一种基于深度学习的多模态时空斗殴检测模型，用于视频监控系统中的实时暴力行为识别 | 融合RGB图像和人体骨骼数据，结合上下文感知编码变换器和时空图卷积网络，同时捕捉人际互动和人体内部动态 | 仅在两个公开数据集上进行评估，未提及在更复杂场景或不同光照条件下的性能表现 | 开发实时斗殴检测系统以提升公共空间安全 | 监控视频中的暴力行为（斗殴） | 计算机视觉 | NA | 视频分析，人体姿态估计 | Transformer, ST-GCN | 视频，RGB图像，人体骨骼数据 | 两个公开数据集：SCFD和RWF-2000，包含复杂真实场景 | NA | Context-Aware Encoded Transformer, Spatial-Temporal Graph Convolutional Networks | 多类分类准确率 | NA |
| 2894 | 2025-10-06 |
Artificial Intelligence Applications in Image-Based Diagnosis of Early Esophageal and Gastric Neoplasms
2025-Aug, Gastroenterology
IF:25.7Q1
DOI:10.1053/j.gastro.2025.01.253
PMID:40043857
|
综述 | 探讨人工智能在早期食管和胃肿瘤图像诊断中的应用潜力与挑战 | 系统阐述深度学习在早期消化道肿瘤诊断中的创新应用，包括实时内镜引导和个性化风险评估 | 训练数据多样性不足、模型可解释性差以及临床泛化能力受限 | 评估人工智能在早期上消化道肿瘤诊断中的应用价值与发展前景 | 巴雷特食管、食管鳞状细胞癌和早期胃癌等上消化道疾病 | 计算机视觉 | 消化道肿瘤 | 内镜成像、组织病理学成像 | CNN, 深度学习 | 医学图像 | NA | NA | NA | 诊断准确率 | NA |
| 2895 | 2025-10-06 |
Intelligent Diagnosis of Pancreatic Biopsy From Endoscopic Ultrasound-Guided Fine-Needle Aspiration Via Stimulated Raman Histopathology
2025-Aug, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2025.104182
PMID:40288652
|
研究论文 | 开发基于深度学习刺激拉曼散射显微镜的快速无标记方法，用于胰腺EUS-FNA标本的术中组织学诊断 | 首次将深度学习与刺激拉曼散射显微镜结合应用于胰腺EUS-FNA标本的术中诊断，替代传统快速现场评估 | 样本量有限（76例训练集，33例测试集），需要进一步临床验证 | 开发更高效客观的胰腺活检术中诊断方法 | 胰腺EUS-FNA新鲜组织标本 | 数字病理 | 胰腺肿瘤 | 刺激拉曼散射显微镜，苏木精-伊红染色 | CNN | 图像 | 76例患者训练集，33例外部测试集 | NA | 卷积神经网络 | 准确率 | NA |
| 2896 | 2025-10-06 |
Deep Learning Methodology for Quantification of Normal Pancreas Structures
2025-Aug, Toxicologic pathology
IF:1.4Q4
DOI:10.1177/01926233251341824
PMID:40522090
|
研究论文 | 开发了一种基于深度学习的胰腺组织结构量化方法，用于疾病模型和毒理学研究 | 首次将正常胰腺亚结构整合到深度学习算法中，并包含异常胰腺区域，实现连续定量分析 | 未明确说明样本规模和技术验证的详细范围 | 开发自动化定量分析器官亚结构的深度学习方法 | 胰腺组织亚结构 | 数字病理学 | 胰腺疾病 | 数字病理学 | 深度学习 | 组织病理图像 | NA | NA | NA | 定量测量 | NA |
| 2897 | 2025-10-06 |
Recurrent multi-view 6DoF pose estimation for marker-less surgical tool tracking
2025-Aug, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03436-8
PMID:40528143
|
研究论文 | 提出一种结合多视角和循环神经网络的新型深度学习架构，用于无标记手术器械6DoF姿态估计 | 首次将多视角姿态估计与循环神经网络结合，利用时空特征提取器整合整个帧序列的特征 | 仅在合成数据集和有限真实数据集上进行验证，需要更多临床数据验证 | 开发无标记手术器械跟踪方法以替代基于标记的跟踪系统 | 手术器械的6自由度姿态估计 | 计算机视觉 | NA | 深度学习 | 循环神经网络 | RGB视频 | 合成数据集和四摄像头真实数据集 | NA | 循环神经网络,时空特征提取器 | 尖端误差,角度误差 | NA |
| 2898 | 2025-10-06 |
NeuroLens: organ localization using natural language commands for anatomical recognition in surgical training
2025-Aug, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03463-5
PMID:40555837
|
研究论文 | 介绍NeuroLens多模态系统，通过整合视频与文本语音输入增强手术训练中的解剖结构识别能力 | 开发了首个结合视频、文本和语音命令的多模态深度学习定位系统，用于手术训练中的解剖识别 | 样本量较小，仅包含5名参与者，限制了结果的普适性 | 为外科培训学员提供交互式解剖学习平台，增强解剖结构识别能力 | 神经内镜手术中的解剖结构 | 计算机视觉 | 神经系统疾病 | 神经内镜检查 | 深度学习定位模型 | 视频, 文本, 语音 | 5名参与者（外科学生和执业外科医生） | NA | NA | 准确率, 平均交并比(mIoU), 系统可用性量表(SUS) | NA |
| 2899 | 2025-10-06 |
BronchoGAN: anatomically consistent and domain-agnostic image-to-image translation for video bronchoscopy
2025-Aug, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03450-w
PMID:40560442
|
研究论文 | 提出了一种结合解剖学约束的图像到图像翻译方法BronchoGAN，用于视频支气管镜图像生成 | 将支气管孔解剖约束和基础模型生成的深度图像作为中间表示集成到条件GAN中，实现跨域鲁棒图像翻译 | NA | 解决支气管镜图像稀缺问题，实现跨域图像翻译以生成逼真支气管镜图像 | 支气管镜图像，包括虚拟支气管镜、体模以及体内外图像数据 | 计算机视觉 | 肺部疾病 | 图像到图像翻译，深度图像生成 | GAN,条件GAN | 图像 | NA | NA | 条件GAN | FID, SSIM, Dice系数 | NA |
| 2900 | 2025-10-06 |
Predicting Retinal Nerve Fiber Layer Thickness From Ocular Hypertension Treatment Study Optic Disc Photographs
2025-Aug-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.1740
PMID:40569586
|
研究论文 | 本研究利用深度学习从眼高压治疗研究的视盘照片预测视网膜神经纤维层厚度，并评估其作为原发性开角型青光眼风险因素的价值 | 首次使用OCT训练的深度学习模型从视盘照片预测RNFL厚度，并验证其作为青光眼发展风险因素的预测能力 | 研究仅针对眼高压患者群体，结果可能不适用于其他人群 | 预测RNFL厚度并评估其作为POAG风险因素的效用 | 1636名眼高压患者的3272只眼睛 | 医学影像分析 | 青光眼 | 深度学习，光学相干断层扫描 | 深度学习模型 | 视盘照片图像 | 66,714张视盘照片，来自3272只眼睛（1636名参与者） | NA | M2M模型 | 风险比，置信区间，P值 | NA |