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 36487 篇文献，本页显示第 2941 - 2960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2941 | 2025-11-24 |
BridgeNet: a high-efficiency framework integrating sequence and structure for protein and enzyme function prediction
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf607
PMID:41259416
|
研究论文 | 提出BridgeNet框架，通过整合蛋白质序列和结构信息进行蛋白质和酶功能预测 | 通过新型潜在环境矩阵实现序列和结构信息的无缝对齐，在推理时无需显式结构输入 | NA | 开发高效整合序列和结构信息的蛋白质表示学习框架 | 蛋白质和酶的功能特性 | 计算生物学, 结构生物信息学 | NA | 深度学习 | 预训练深度学习框架 | 蛋白质序列数据, 结构数据 | NA | NA | BridgeNet（包含序列编码、结构编码和桥接模块的模块化架构） | NA | NA |
| 2942 | 2025-11-24 |
PCBert-Kla: an efficient prediction method for lysine lactylation sites based on ProtBert and fusion of physicochemical features
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf615
PMID:41259418
|
研究论文 | 提出基于ProtBert和理化特征融合的深度学习方法PCBert-Kla，用于预测蛋白质赖氨酸乳酸化位点 | 结合ProtBert提取蛋白质序列深度特征与多种理化性质融合，并引入注意力机制自动选择特征 | NA | 开发高效准确的赖氨酸乳酸化位点预测方法 | 蛋白质赖氨酸乳酸化位点 | 生物信息学 | 多种疾病 | 蛋白质序列分析 | 深度学习, 注意力机制 | 蛋白质序列数据 | NA | NA | ProtBert, 全连接网络 | 准确率, 可靠性, 泛化能力 | NA |
| 2943 | 2025-11-24 |
An Integrated Clinical-Radiomics-Deep Learning Model Based on 18F-FDG PET/CT for Predicting EGFR Mutation Status in Lung Adenocarcinoma
2025-Nov, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.71370
PMID:41263395
|
研究论文 | 基于18F-FDG PET/CT开发整合临床、影像组学和深度学习的模型预测肺腺癌EGFR突变状态 | 首次将临床特征、影像组学特征和深度学习特征整合到单一模型中预测EGFR突变状态 | 回顾性研究设计，样本量相对有限（218例患者） | 预测肺腺癌患者的EGFR突变状态 | 218例肺腺癌患者 | 数字病理 | 肺癌 | 18F-FDG PET/CT成像 | 深度学习, 机器学习 | 医学影像（PET/CT图像）, 临床数据 | 218例肺腺癌患者 | NA | ConvNext | AUC, 校准曲线, 决策曲线分析 | NA |
| 2944 | 2025-11-24 |
SciSt: single-cell reference-informed spatial gene expression prediction from pathological images
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf613
PMID:41263940
|
研究论文 | 开发了从病理图像预测空间基因表达的深度学习框架SciSt | 通过整合病理特征与生物学信息化的初始基因表达，结合细胞分割和单细胞参考数据的加权策略 | 未明确说明模型在更广泛疾病类型上的适用性 | 从病理图像预测空间基因表达，实现形态学与基因表达的跨模态转换 | 临床H&E染色图像和空间转录组数据 | 数字病理学 | 乳腺癌,肝癌 | 空间转录组学,单细胞测序 | 深度学习 | 图像,基因表达数据 | 三个基准数据集和TCGA-BRCA、TCGA-LIHC队列 | NA | NA | NA | NA |
| 2945 | 2025-11-24 |
AI-ECG-derived biological age as a predictor of mortality in cardiovascular and acute care patients
2025-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf109
PMID:41267837
|
研究论文 | 本研究开发了一种基于AI的心电图生物年龄预测模型，用于评估心血管疾病和急症患者的长期死亡风险 | 首次在高风险心血管疾病和急症患者群体中验证AI-ECG生物年龄的预后价值，并发现P波是模型最敏感的特征区域 | 研究基于单中心数据，患者合并多种疾病时AI-ECG年龄与实足年龄相关性减弱 | 评估AI-ECG生物年龄在预测高风险患者长期死亡率方面的临床效用 | 48,950名心血管疾病或急性疾病患者 | 数字病理 | 心血管疾病 | 心电图 | 深度学习 | 心电图信号 | 48,950名患者 | NA | NA | 风险比, 相关性系数 | NA |
| 2946 | 2025-11-24 |
Deep learning-based quantification of epicardial adipose tissue volume from non-contrast computed tomography images: a multi-centre study
2025-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf116
PMID:41267847
|
研究论文 | 开发并验证基于深度学习的自动心外膜脂肪组织体积量化系统，使用非对比计算机断层扫描图像 | 首个基于3D UNet++架构的心包膜分割深度学习模型，用于多中心泛亚洲人群的EAT体积自动量化 | 样本量相对有限，外部验证集仅包含160例患者 | 开发自动化心外膜脂肪组织体积量化系统，用于冠状动脉疾病风险评估 | 来自三个中心的1243例NCCT患者扫描，包括亚洲和非亚洲人群 | 医学影像分析 | 心血管疾病 | 非对比计算机断层扫描 | 深度学习 | 3D医学影像 | 1243例训练和内部验证，160例外部队列测试 | NA | 3D UNet++ | 相关系数, Bland-Altman分析, 优势比, 卡方统计量 | NA |
| 2947 | 2025-11-24 |
A deep learning-based pipeline for large-scale echocardiography data curation and measurements
2025-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf108
PMID:41267841
|
研究论文 | 开发基于深度学习的自动化流程用于大规模超声心动图数据整理和测量 | 首次提出结合数据整理和自动化测量的完整深度学习流程，能够处理大规模真实世界超声心动图数据 | 验证样本量相对有限，仅针对LVEF和LAVI两个测量指标进行了验证 | 开发自动化超声心动图数据分析流程，提高大规模数据利用效率 | 14,326例超声心动图检查（来自9,678名患者） | 医学影像分析 | 心血管疾病 | 超声心动图 | 深度学习 | 医学图像 | 14,326例检查（9,678名患者），验证子样本3,251名受试者 | NA | NA | Bland-Altman分析，偏差，标准差 | NA |
| 2948 | 2025-11-24 |
Short-term atrial fibrillation onset prediction using machine learning
2025-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf104
PMID:41267849
|
研究论文 | 本研究利用机器学习方法分析24小时动态心电图数据，实现房颤发作的短期预测 | 建立了包含95,871份手动分析心电图记录的新数据库，并首次将HRV参数与深度学习模型在房颤短期预测中进行系统比较 | 需要前瞻性研究进一步验证结果，样本年龄分布存在分层限制 | 开发能够预测窦性心律患者在随后几小时内发生房颤发作的机器学习模型 | 872名阵发性房颤患者和347名无心律异常患者的动态心电图记录 | 机器学习 | 心血管疾病 | 动态心电图监测 | 随机森林, XGBoost, 深度学习 | 心电图信号 | 95,871份Holter心电图记录，包含872名房颤患者的1,319次发作事件 | NA | NA | AUC, 准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, F1分数 | NA |
| 2949 | 2025-11-24 |
Real-world application of deep learning for ECG-based prediction of coronary artery disease and revascularization needs
2025-Nov, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf096
PMID:41267851
|
研究论文 | 本研究开发了一种基于心电图和XGBoost的深度学习模型，用于预测普通人群的冠状动脉血运重建风险 | 首次将深度学习模型与XGBoost结合，利用常规心电图数据预测冠状动脉血运重建需求，实现了无创筛查工具的突破 | 排除了肌钙蛋白I水平升高的患者和缺乏随访记录的患者，可能影响模型的泛化能力 | 开发基于心电图的深度学习模型，早期预测冠状动脉血运重建需求 | 普通人群中的心电图检查患者 | 医疗人工智能 | 冠状动脉疾病 | 心电图分析 | 深度学习模型,XGBoost | 心电图信号,人口统计学数据 | 开发集113,451名患者，内部验证集66,680名患者，另包含社区医院的外部验证数据 | XGBoost | 深度学习模型（具体架构未明确说明） | C-index | NA |
| 2950 | 2025-11-24 |
Quantitative metrics of CT images may magnify the potential of radiation dose reduction
2025-Oct-31, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000045575
PMID:41261574
|
研究论文 | 本研究通过体模实验评估CT图像定量指标与低对比度小病灶检测性能的关系 | 首次系统比较不同重建算法和矩阵尺寸对探测指数(d')的影响，并揭示定量指标可能高估辐射剂量降低潜力 | 研究基于体模实验，未涉及真实患者数据；仅评估低对比度病灶检测性能 | 探索CT图像定量指标与病灶检测性能的关系，评估不同重建算法对辐射剂量降低潜力的影响 | CT扫描体模 | 医学影像分析 | NA | CT扫描，图像重建算法 | 深度学习算法 | CT图像 | 9种辐射暴露水平的体模扫描数据 | NA | NA | 探测指数(d')，受试者工作特征曲线下面积，Spearman秩和相关系数 | 160层CT扫描仪，ImQuest软件 |
| 2951 | 2025-11-24 |
Revealing emotional responses to urban environmental elements through street view data and deep learning
2025-Jun-05, Environment and planning. B, urban analytics and city science
DOI:10.1177/23998083251348280
PMID:41268364
|
研究论文 | 通过街景数据和深度学习技术探索城市环境特征对人类情绪的影响 | 首次结合地理空间技术和深度学习分析城市环境元素与情绪反应的关系 | 研究仅限台北市50个采样区域，样本代表性可能有限 | 探索城市环境特征对人类情绪的影响机制 | 城市环境元素和人类情绪反应 | 计算机视觉 | NA | Google街景图像分析 | CNN | 图像,视频 | 50个采样区域，超过200,000张街景图像，2090名参与者 | NA | DeepLab V3 | NA | NA |
| 2952 | 2025-11-24 |
Predictive modeling for metastasis in oncology: current methods and future directions
2025-Jun, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003279
PMID:40486555
|
综述 | 本文综述了肿瘤学中转移预测模型的当前方法、挑战与未来发展方向 | 整合基因组学、液体活检和影像组学等多模态数据，探索人工智能与精准医学结合实现个性化转移预测的新途径 | 存在数据异质性、模型可解释性不足以及需要更大规模高质量数据集进行验证等挑战 | 改进肿瘤转移预测以改善预后、指导治疗策略和提升患者结局 | 肿瘤转移预测模型及相关临床、病理和分子数据 | 机器学习 | 肿瘤学 | 基因组分析、液体活检、影像组学 | 逻辑回归,决策树,支持向量机,神经网络 | 临床数据,病理数据,分子数据,影像数据 | NA | NA | NA | NA | NA |
| 2953 | 2025-11-24 |
Bridging surgical oncology and personalized medicine: the role of artificial intelligence and machine learning in thoracic surgery
2025-Jun, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003302
PMID:40486596
|
综述 | 探讨人工智能和机器学习在胸外科肿瘤学中优化早期检测、提升手术精度和实现个性化护理的作用 | 系统整合AI/ML技术在胸外科肿瘤学的多维度应用，包括早期肺癌检测、免疫治疗反应预测和手术决策支持 | 面临数据标准化不足、伦理问题和缺乏稳健验证等临床推广挑战 | 研究AI/ML如何通过提升早期检测能力、手术精度和个性化护理来优化胸外科肿瘤治疗 | 肺癌患者及胸外科手术相关临床数据 | 数字病理,机器学习 | 肺癌 | 基因组分析,低剂量CT扫描,深度学习 | 深度学习算法,预测模型 | 医学影像,基因组数据,临床数据 | NA | NA | NA | NA | NA |
| 2954 | 2025-11-24 |
A Pseudo-Value Approach to Causal Deep Learning of Semi-Competing Risks
2025-Mar-03, Arabian journal of mathematics
IF:0.9Q2
DOI:10.1007/s40065-025-00501-7
PMID:41268055
|
研究论文 | 提出一种基于伪值的因果深度学习方法，用于处理半竞争风险下治疗对非致命结局的因果效应估计 | 结合阿基米德联结函数表示和刀切法伪值方法，开发不依赖比例风险假设的因果估计器 | 方法依赖于阿基米德联结函数的正确设定，且需要足够大的样本量来保证伪值估计的稳定性 | 估计治疗对疾病复发等非致命结局的因果效应，解决半竞争风险下的因果推断问题 | 早期非小细胞肺癌患者 | 机器学习 | 肺癌 | 生存分析，因果推断 | 深度神经网络 | 临床生存数据 | 波士顿肺癌研究数据集 | NA | 深度神经网络 | 数值研究评估 | NA |
| 2955 | 2025-11-24 |
The information bottleneck as a principle underlying multi-area cortical representations during decision-making
2025-Feb-15, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.12.548742
PMID:37502862
|
研究论文 | 本研究通过记录猴子大脑神经元活动和训练多区域循环神经网络，揭示了决策过程中大脑形成最小充分表征的机制 | 发现大脑不同区域在决策任务中形成分层表征，并通过多区域循环神经网络重现了这种表征形成过程 | 研究仅关注DLPFC和PMd两个脑区，可能未完全涵盖决策涉及的所有脑区 | 探索大脑在决策过程中如何通过多区域计算形成最优表征 | 猴子的背外侧前额叶皮层和背侧前运动皮层神经元 | 计算神经科学 | NA | 单神经元记录、多单元记录 | RNN | 神经电生理数据 | 猴子大脑DLPFC和PMd区域的神经元记录 | NA | 多区域循环神经网络 | NA | NA |
| 2956 | 2025-11-24 |
Masked image modeling in medical hyperspectral imaging: reconstruction evaluation and downstream tasks
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3048802
PMID:41267884
|
研究论文 | 本研究开发了一种基于掩码图像建模的自监督预训练框架，用于医学高光谱成像中的组织分类任务 | 将先进的掩码图像建模预训练架构应用于医学高光谱成像，采用序列光谱和空间注意力机制，并强调预训练评估对下游任务性能提升的重要性 | 研究主要基于内部数据集，缺乏外部验证，且预训练评估方法仍有改进空间 | 开发有效的自监督预训练方法以提升医学高光谱成像在下游任务中的性能 | 各种腹部组织的高光谱图像 | 计算机视觉 | NA | 高光谱成像 | 自编码器 | 高光谱图像 | 内部数据集（具体数量未提供） | NA | 掩码自编码器 | 平均绝对误差, 准确率 | NA |
| 2957 | 2025-11-24 |
A deep learning software tool for automated sleep staging in rats via single channel EEG
2025, NPP - digital psychiatry and neuroscience
DOI:10.1038/s44277-025-00035-y
PMID:40656054
|
研究论文 | 开发基于深度学习的自动化软件工具，用于通过单通道脑电图对大鼠睡眠阶段进行分类 | 首个基于单通道脑电图数据使用深度神经网络自动分类大鼠睡眠阶段的软件工具，提供超过700小时的专家标注睡眠数据 | 仅使用单通道脑电图数据，样本量相对较小（16只大鼠），需要进一步验证在更广泛条件下的性能 | 开发自动化睡眠阶段分类方法，加速临床前睡眠研究 | 大鼠睡眠阶段（快速眼动睡眠、非快速眼动睡眠和清醒状态） | 数字病理 | 老年疾病 | 脑电图记录 | DNN | 脑电图时序数据 | 16只大鼠，每只进行两次24小时记录会话 | NA | 深度神经网络 | F1分数 | NA |
| 2958 | 2025-11-24 |
Deep learning-based forest fire detection using an improved SSD algorithm with CBAM
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0333574
PMID:41252362
|
研究论文 | 提出一种基于改进SSD算法和CBAM模块的深度学习森林火灾检测模型CBAM-SSD | 将CBAM模块集成到SSD主干网络中，通过通道和空间维度自适应加权火焰颜色和烟雾纹理特征，显著提升关键火灾特征的感知能力 | NA | 解决森林火灾检测中火焰烟雾尺度多变、特征复杂以及环境干扰导致的误检漏检问题 | 森林火灾中的火焰和烟雾 | 计算机视觉 | NA | 深度学习 | SSD, CBAM-SSD | 图像 | NA | NA | SSD, CBAM | mAP@0.5, AP50, 召回率 | NA |
| 2959 | 2025-11-24 |
Research on partial discharge signal recognition and classification of power transformer based on acoustic-VMD and CNN-LSTM
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0335447
PMID:41264639
|
研究论文 | 提出基于声学-VMD和CNN-LSTM的混合模型用于电力变压器局部放电信号的识别与分类 | 提出样本熵优化的变分模态分解方法自动确定模态数和惩罚因子，结合并行一维CNN和双向LSTM分支，并采用分层注意力机制进行动态特征融合 | NA | 提高电力变压器局部放电检测在强电磁干扰和变负载条件下的分类准确性 | 电力变压器局部放电信号 | 信号处理 | NA | 声学检测、变分模态分解 | CNN,LSTM | 声学信号 | NA | NA | 1D-CNN,双向LSTM | 分类准确率,平均绝对定位误差,角度精度,处理时间 | NA |
| 2960 | 2025-11-24 |
Explainable AI for forensic speech authentication within cognitive and computational neuroscience
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1692122
PMID:41267744
|
研究论文 | 提出结合CNN和LSTM的深度学习框架，用于检测伪造语音，并通过可解释AI技术增强模型透明度 | 首次将CNN的频谱特征提取与LSTM的时间建模能力相结合用于语音取证，并应用Grad-CAM和SHAP等XAI技术揭示模型决策依据 | 仅使用ASVspoof2019 LA和WaveFake两个数据集进行验证，缺乏更广泛数据集的测试 | 开发可解释的深度学习方法来应对深度伪造技术对语音取证带来的挑战 | 伪造语音和真实语音 | 计算神经科学, 语音处理 | NA | 线性频率倒谱系数(LFCC), 梅尔频率倒谱系数(MFCC), Gammatone频率倒谱系数(GFCC) | CNN, LSTM | 音频 | ASVspoof2019 LA和WaveFake数据集 | NA | CNN-LSTM混合架构 | 准确率, 泛化能力 | NA |