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 24644 篇文献，本页显示第 3401 - 3420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3401 | 2025-04-07 |
Opening the deep learning box
2025-Apr, Nature neuroscience
IF:21.2Q1
DOI:10.1038/s41593-025-01938-x
PMID:40186074
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3402 | 2025-04-25 |
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 | 本文通过训练一个基础模型来预测小鼠视觉皮层对任意自然视频的神经元反应，并展示了该模型在新刺激类型和小鼠中的泛化能力 | 利用基础模型处理大量神经活动数据，成功预测新刺激类型下的神经元反应，并扩展到预测解剖细胞类型、树突特征和神经元连接性 | 模型的应用范围可能受限于训练数据的多样性和规模，且目前仅在视觉皮层进行了验证 | 构建大脑的基础模型，以增强对大脑计算目标和神经编码的理解 | 小鼠视觉皮层的神经活动 | 神经科学 | NA | 深度学习 | 基础模型 | 神经活动数据 | 多只小鼠的大量神经活动数据 |
| 3403 | 2025-04-25 |
A deep learning model for clinical outcome prediction using longitudinal inpatient electronic health records
2025-Apr, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooaf026
PMID:40213364
|
研究论文 | 开发了一种基于Transformer的临床结果预测模型TECO，用于利用住院电子健康记录预测ICU死亡率 | 提出了一个基于Transformer的模型TECO，能够利用连续的电子健康记录数据预测ICU死亡率，并在多个疾病队列中验证了其性能 | 需要进一步的验证以确认模型的广泛适用性 | 开发一种深度学习模型，用于预测ICU患者的死亡率 | COVID-19患者、急性呼吸窘迫综合征患者和败血症患者 | 机器学习 | COVID-19、急性呼吸窘迫综合征、败血症 | 深度学习 | Transformer | 电子健康记录 | COVID-19患者2579人，急性呼吸窘迫综合征患者2799人，败血症患者6622人 |
| 3404 | 2025-04-25 |
Analyzing heterogeneity in Alzheimer disease using multimodal normative modeling on imaging-based ATN biomarkers
2025-Apr, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.70143
PMID:40235115
|
研究论文 | 本研究采用基于深度学习的多模态规范框架，分析阿尔茨海默病（AD）在ATN成像生物标志物上的个体水平变异 | 首次应用多模态规范模型分析AD在ATN生物标志物上的异质性，并开发了个体水平疾病严重程度指数（DSI） | 研究仅基于横断面数据，缺乏纵向验证 | 探究阿尔茨海默病在ATN生物标志物上的异质性表现 | 阿尔茨海默病患者（淀粉样蛋白阳性个体）与淀粉样蛋白阴性对照 | 数字病理学 | 老年病 | T1加权磁共振成像（MRI）、淀粉样蛋白和tau蛋白正电子发射断层扫描（PET） | 深度学习 | 医学影像 | 发现队列665人，复制队列430人 |
| 3405 | 2025-04-25 |
Mortality and Antibiotic Timing in Deep Learning-Derived Surviving Sepsis Campaign Risk Groups: A Multicenter Study
2025-Apr-01, Research square
DOI:10.21203/rs.3.rs-6123541/v1
PMID:40235491
|
研究论文 | 本研究利用深度学习模型对脓毒症患者进行风险分层，并探讨抗生素使用时机对不同风险组患者死亡率的影响 | 首次使用深度学习模型客观地对脓毒症患者进行风险分层，并基于分层结果评估抗生素使用时机对死亡率的影响 | 未评估因果关系，需要更多前瞻性研究验证结果 | 评估基于深度学习风险分层的脓毒症患者抗生素使用时机对死亡率的影响 | 脓毒症患者 | 数字病理学 | 脓毒症 | 深度学习 | DL | 临床数据 | 34,163名成年脓毒症患者 |
| 3406 | 2025-04-25 |
Pathomics Image Analysis of Tumor Infiltrating Lymphocytes (TILs) in Colon Cancer
2025-Apr-01, Research square
DOI:10.21203/rs.3.rs-6173056/v1
PMID:40235501
|
研究论文 | 开发了一种深度学习病理图像分析工作流，用于生成空间肿瘤-TIL图，以可视化和量化结肠癌中肿瘤浸润淋巴细胞（TILs）的丰度和空间分布 | 利用深度学习技术对H&E染色的全切片图像进行分析，生成肿瘤-TIL空间图，量化TILs在结肠癌微环境中的比例及其预后意义 | NA | 评估TILs%作为病理学生物标志物在结肠癌预后中的意义 | 结肠癌患者样本中的肿瘤浸润淋巴细胞（TILs） | 数字病理 | 结肠癌 | 深度学习，H&E染色 | 深度学习模型（未指定具体模型） | 图像（H&E染色的全切片图像） | NA |
| 3407 | 2025-04-25 |
A Computational Framework for Automated Puncture Trajectory Planning in Hemorrhagic Stroke Surgery
2025-Apr, Brain and behavior
IF:2.6Q3
DOI:10.1002/brb3.70480
PMID:40259699
|
研究论文 | 本研究提出了一种计算框架，用于自动化生成出血性中风手术中的穿刺轨迹 | 结合AI驱动的分割、主成分分析（PCA）和经验优化，创新性地实现了穿刺路径的自动化生成 | 仅使用了五个复杂临床案例进行验证，未来需要与机器人系统集成并通过临床试验进一步验证 | 提高出血性中风手术中穿刺轨迹规划的效率和安全性 | 出血性中风手术中的穿刺轨迹 | 数字病理 | 中风 | AI驱动的分割、PCA、Laplacian网格平滑 | ResNet-50 | 医学影像 | 五个复杂临床案例 |
| 3408 | 2025-04-25 |
Multisequence 3-T Image Synthesis from 64-mT Low-Field-Strength MRI Using Generative Adversarial Networks in Multiple Sclerosis
2025-Apr, Radiology
IF:12.1Q1
DOI:10.1148/radiol.233529
PMID:40261176
|
research paper | 该研究开发了一种名为LowGAN的生成对抗网络，用于从64-mT低场强MRI生成3-T高质量脑部图像，并在多发性硬化症患者中进行了评估 | 提出了一种新的生成对抗网络架构LowGAN，用于低场强到高场强MRI图像的转换，提高了图像质量和白质病变的分割准确性 | 研究样本量相对较小（主组50人，验证组13人），且仅针对多发性硬化症患者 | 开发并评估一种深度学习架构，以提高便携式低场强MRI扫描仪生成的图像质量 | 多发性硬化症患者的脑部MRI图像 | 医学影像处理 | 多发性硬化症 | 生成对抗网络（GAN） | LowGAN | MRI图像 | 主组50名参与者（中位年龄47岁，38名女性），验证组13名参与者（中位年龄41岁，11名女性） |
| 3409 | 2025-04-25 |
The application of artificial intelligence in upper gastrointestinal cancers
2025-Apr, Journal of the National Cancer Center
IF:7.6Q1
DOI:10.1016/j.jncc.2024.12.006
PMID:40265096
|
综述 | 本文综述了人工智能在上消化道癌症（主要包括食管癌和胃癌）筛查、诊断、治疗和预后方面的应用 | 总结了AI技术在上消化道癌症临床任务中的应用，并探讨了AI算法选择、早期筛查普及、AI临床应用及大型多模态模型等前沿问题 | 指出了当前上消化道癌症AI应用领域面临的局限性和挑战 | 探讨人工智能技术在上消化道癌症临床诊疗中的应用现状与前景 | 食管癌和胃癌 | 数字病理学 | 上消化道癌症（食管癌和胃癌） | 放射组学和深度学习 | 大型多模态模型 | 医学影像 | NA |
| 3410 | 2025-04-25 |
NLP-enriched social determinants of health improve prediction of suicide death among the Veterans
2025-Mar-31, Research square
DOI:10.21203/rs.3.rs-5067562/v1
PMID:40235516
|
研究论文 | 本研究探讨了通过自然语言处理（NLP）提取的社会和行为健康决定因素（SBDH）是否能改善退伍军人精神病出院后自杀死亡的预测 | 结合NLP提取的SBDH和ICD编码的SBDH，提升了两种先进模型（传统机器学习模型集成和基于Transformer的深度学习模型TransformEHR）在预测自杀死亡方面的性能、校准和公平性 | 研究仅限于美国退伍军人群体，可能无法推广到其他人群 | 提高精神病出院患者自杀死亡的预测准确性 | 197,581名美国退伍军人，共414,043次出院记录 | 自然语言处理 | 精神疾病 | NLP, ICD编码 | 集成机器学习模型, TransformEHR | 文本, 结构化医疗记录 | 197,581名退伍军人的414,043次出院记录 |
| 3411 | 2025-04-25 |
Opportunistic Screening for Pancreatic Cancer using Computed Tomography Imaging and Radiology Reports
2025-Mar-31, ArXiv
PMID:40236838
|
研究论文 | 本研究开发并评估了一种深度学习融合模型，整合放射学报告和CT影像以预测胰腺导管腺癌（PDAC）风险 | 提出了一种结合放射学报告和CT影像的深度学习融合模型，用于PDAC风险预测和生存分析 | 模型在内部和外部数据集上的C-index分别为0.6750和0.6435，显示仍有提升空间 | 通过早期检测和预后建模改善PDAC患者预后并指导早期干预策略 | 胰腺导管腺癌（PDAC）患者 | 数字病理学 | 胰腺癌 | CT成像 | 深度学习融合模型 | 影像和文本（放射学报告） | 未明确说明样本数量 |
| 3412 | 2025-04-25 |
A Unified Flexible Large Polysomnography Model for Sleep Staging and Mental Disorder Diagnosis
2025-Mar-28, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.12.11.24318815
PMID:39711704
|
研究论文 | 提出了一种统一且灵活的大型多导睡眠图模型LPSGM，用于提升跨中心泛化能力并支持疾病诊断的微调 | LPSGM整合了领域自适应学习，支持可变通道配置，并在跨中心泛化方面表现优异 | 未提及具体局限性 | 提升睡眠分期和多导睡眠图分析的自动化水平，并支持疾病诊断 | 多导睡眠图数据 | 数字病理学 | 睡眠障碍 | 多导睡眠图(PSG) | LPSGM | 多导睡眠图数据 | 220,500小时的PSG数据，来自16个公共数据集 |
| 3413 | 2025-04-25 |
A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis
2025-Mar-28, ArXiv
PMID:40196144
|
研究论文 | 开发了一种深度学习模型，用于预测膝关节骨关节炎患者在不同时间范围内需要进行全膝关节置换术（TKR）的风险 | 模型能够利用单次扫描进行TKR预测，并在有先前扫描时，通过渐进风险公式提升预测准确性 | NA | 提高膝关节骨关节炎患者全膝关节置换术（TKR）需求的预测准确性 | 膝关节骨关节炎患者 | 数字病理学 | 膝关节骨关节炎 | 深度学习 | 双模型风险约束架构 | X光片和MRI图像 | 来自OAI和MOST研究的膝关节X光片和MRI数据 |
| 3414 | 2025-04-25 |
Regulatory risk loci link disrupted androgen response to pathophysiology of Polycystic Ovary Syndrome
2025-Mar-27, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.26.25324630
PMID:40196246
|
研究论文 | 本研究通过整合分子和表观基因组注释，利用深度学习模型推断风险变异在特定细胞类型中的作用，揭示了多囊卵巢综合征（PCOS）的遗传机制 | 结合深度学习模型与表观基因组注释，识别疾病相关变异，探索风险位点的多效性影响，并揭示跨细胞类型调控相互作用的新见解 | 研究可能受限于样本大小和细胞类型的覆盖范围 | 解析多囊卵巢综合征（PCOS）的复杂遗传机制，特别是风险位点驱动的分子机制 | 多囊卵巢综合征（PCOS）的风险变异及其在特定细胞类型中的调控效应 | 机器学习 | 多囊卵巢综合征 | 深度学习（DL）、表观基因组注释 | DL | 分子和表观基因组数据 | NA |
| 3415 | 2025-04-25 |
ConfuseNN: Interpreting convolutional neural network inferences in population genomics with data shuffling
2025-Mar-27, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.24.644668
PMID:40196528
|
research paper | 介绍了一种名为ConfuseNN的方法，通过系统性地打乱输入的单倍型矩阵来评估特定群体遗传特征对卷积神经网络(CNN)性能的贡献 | 提出了ConfuseNN方法，通过打乱输入数据来评估不同群体遗传特征对CNN性能的影响，为解释CNN在群体遗传学中的行为提供了新框架 | 网络架构以及模拟训练和测试数据设计存在局限性 | 评估群体遗传特征对卷积神经网络性能的贡献 | 群体遗传学中的CNN模型 | population genomics | NA | data shuffling | CNN | haplotype matrices | NA |
| 3416 | 2025-04-25 |
Artificial Intelligence Prediction of Age from Echocardiography as a Marker for Cardiovascular Disease
2025-Mar-26, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.25.25324627
PMID:40196275
|
研究论文 | 本研究提出了一种基于深度学习的AI方法，通过超声心动图视频预测年龄，并利用训练模型识别加速和延迟衰老的特征 | 利用多视角超声心动图和深度学习模型预测年龄，并揭示与心血管疾病风险的关联 | 研究仅基于超声心动图数据，未考虑其他可能影响生物衰老的因素 | 通过AI预测年龄，增强心血管风险评估和对心脏生物衰老的理解 | 90,738名独特患者的166,508项研究中的2,610,266个超声心动图视频 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 视频 | 2,610,266个超声心动图视频来自90,738名患者 |
| 3417 | 2025-04-25 |
Generative frame interpolation enhances tracking of biological objects in time-lapse microscopy
2025-Mar-26, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.23.644838
PMID:40196554
|
research paper | 研究探讨了生成式视频帧插值技术在增强显微镜时间序列图像中生物对象追踪的应用 | 提出了一种新的范式，即通过增强图像时间序列数据集来适应追踪算法，而非调整算法以适应数据集 | 未提及具体的数据集规模或算法在极端情况下的表现 | 评估生成式视频帧插值技术是否能够增强显微镜时间序列图像的时序分辨率，从而促进生物对象追踪 | 荧光标记的细胞核、细菌、酵母、癌细胞和类器官 | computer vision | cancer | generative video frame interpolation | LDMVFI, RIFE, CDFI, FILM | image | 多种生物样本，具体数量未提及 |
| 3418 | 2025-04-25 |
Vision Transformer Autoencoders for Unsupervised Representation Learning: Capturing Local and Non-Local Features in Brain Imaging to Reveal Genetic Associations
2025-Mar-25, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.24.25324549
PMID:40196251
|
研究论文 | 本文提出了一种基于视觉变换器（ViT）自编码器的无监督表示学习方法，用于从脑成像数据中提取局部和非局部特征，以揭示遗传关联 | 利用ViT模型的成对注意力机制和位置嵌入，能够捕捉脑MRI数据中的非局部模式（如左右半球对称性），发现了10个之前基于CNN的UDIP模型未报告的遗传位点 | 未明确提及具体局限性 | 通过无监督表示学习从脑成像数据中发现与脑结构相关的遗传位点 | 脑MRI数据 | 计算机视觉 | NA | 视觉变换器（ViT）自编码器 | ViT | 图像 | UK Biobank（UKBB）数据集的128个内表型 |
| 3419 | 2025-04-25 |
OpenSpliceAI: An efficient, modular implementation of SpliceAI enabling easy retraining on non-human species
2025-Mar-23, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.20.644351
PMID:40166201
|
research paper | 介绍了一种高效、模块化的SpliceAI实现OpenSpliceAI，支持在非人类物种上轻松重新训练 | 实现了基于PyTorch的可训练、开源版本SpliceAI，支持从零开始训练和迁移学习，解决了原版依赖老旧软件框架和人类中心训练数据的问题 | 未提及具体性能上限或在不同物种上的泛化能力限制 | 开发一个更高效、灵活的SpliceAI实现，以支持跨物种的剪接信号识别研究 | DNA序列中的剪接信号 | machine learning | NA | deep learning | SpliceAI | DNA序列数据 | 未明确提及具体样本量，但支持大规模基因组区域分析 |
| 3420 | 2025-04-25 |
GaitDynamics: A Generative Foundation Model for Analyzing Human Walking and Running
2025-Mar-21, Research square
DOI:10.21203/rs.3.rs-6206222/v1
PMID:40166023
|
研究论文 | 开发了一个名为GaitDynamics的生成基础模型，用于分析人类步行和跑步的动力学 | GaitDynamics是一个在大规模多样化数据集上训练的生成模型，能够处理多种输入、输出和临床应用任务，具有高准确性和鲁棒性 | 虽然模型在多样化数据集上训练，但仍可能存在未覆盖的人群或特殊情况 | 通过低成本、高准确性的预测方法，促进人类健康和运动表现的研究 | 人类步行和跑步的动力学（运动和力量） | 机器学习 | NA | 深度学习 | 生成基础模型 | 运动学和动力学数据 | 大规模多样化参与者数据集 |