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 3921 - 3940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3921 | 2025-11-14 |
AI-based prediction of drug-gene interactions modulating tight junction integrity: A deep learning framework highlighting multiple therapeutic targets
2025 Nov-Dec, Journal of oral biology and craniofacial research
DOI:10.1016/j.jobcr.2025.10.014
PMID:41210522
|
研究论文 | 提出基于深度学习的神经网络框架，利用多组学数据预测药物对紧密连接完整性的调控作用 | 首次将深度学习应用于药物-基因相互作用对紧密连接完整性的预测，相比传统方法具有更优越的预测能力 | NA | 开发AI方法预测调控紧密连接完整性的药物-基因相互作用，为药物发现提供新策略 | 药物-基因相互作用及其对紧密连接完整性的调控效应 | 机器学习 | 炎症性肠病,哮喘,癌症 | 转录组学分析,多组学数据整合 | 前馈神经网络 | 转录组数据 | NA | NA | 前馈神经网络 | AUC,准确率,F1分数,精确率,召回率,特异性 | NA |
| 3922 | 2025-11-14 |
Interpretable convolutional neural network for autism diagnosis support in children using structural magnetic resonance imaging datasets
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.6.064501
PMID:41210923
|
研究论文 | 本研究开发了一种可解释的卷积神经网络模型，利用儿童结构磁共振成像数据支持自闭症诊断 | 首次在儿童自闭症诊断中结合深度学习和可解释性方法，通过显著性图识别与自闭症相关的关键脑区生物标志物 | 研究样本仅限于9-11岁儿童，样本量相对有限，且仅使用单一数据库的数据 | 评估基于sMRI的可解释深度学习模型在儿童自闭症诊断中的可行性 | 452名9-11岁儿童的结构磁共振成像数据，包括自闭症患者和正常发育儿童 | 医学影像分析 | 自闭症 | 结构磁共振成像 | CNN | 医学影像 | 452例T1加权sMRI扫描 | NA | 卷积神经网络 | AUC | NA |
| 3923 | 2025-11-14 |
Deep learning for digital pathology: A critical overview of methodological framework
2025-Nov, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100514
PMID:41211482
|
综述 | 本文对数字病理学中的深度学习框架进行了批判性概述，重点介绍了计算方法的最新进展 | 对数字病理学深度学习框架的数学创新进行批判性审视，并提供多种模型的比较分析 | NA | 概述数字病理学中深度学习框架的方法论进展 | 数字病理学中的深度学习方法和模型 | 数字病理学 | NA | NA | NA | 全切片图像 | NA | NA | NA | 精度 | NA |
| 3924 | 2025-11-14 |
BBATProt: a framework predicting biological function with enhanced feature extraction via interpretable deep learning
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf593
PMID:41212592
|
研究论文 | 提出一种基于可解释深度学习的蛋白质功能预测框架BBATProt，通过增强特征提取提高预测性能 | 结合BERT预训练模型、双向LSTM、时序卷积网络和注意力机制，实现局部和全局特征提取，提供可解释性可视化 | NA | 从氨基酸序列准确预测蛋白质和肽的生物功能 | 蛋白质和肽的氨基酸序列 | 生物信息学 | NA | 深度学习 | BERT, BiLSTM, TCN, Attention | 蛋白质序列数据 | NA | NA | BERT-BiLSTM-Attention-TCN | 准确率, AUC | NA |
| 3925 | 2025-11-14 |
ImmFinder: A Multiomics-Based Neural Network Approach for Predicting the Immune Genes in Livestock
2025-Nov, Omics : a journal of integrative biology
IF:2.2Q3
DOI:10.1177/15578100251389910
PMID:41115712
|
研究论文 | 提出一种基于多组学数据的全连接神经网络方法ImmFinder，用于预测牲畜免疫基因分类 | 首次将多模态深度学习应用于牲畜免疫基因分类，整合基因组学和转录组学数据 | 依赖现有牛基因组和转录组数据集训练，可能限制对其他品种或物种的泛化能力，需要额外实验验证 | 开发准确高效的免疫基因分类方法以理解免疫机制与疾病抗性关联 | 牛免疫基因与非免疫基因 | 生物信息学 | NA | 基因组学, 转录组学 | FCNN | 基因组数据, 转录组数据 | NA | Python | 全连接神经网络 | 准确率, F1分数, 精确率, 召回率, AUC-ROC | NA |
| 3926 | 2025-11-14 |
Deep Learning-based Opportunistic CT Osteoporosis Screening and the Establishment of Normative Values
2025-Nov, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250917
PMID:41217284
|
研究论文 | 开发基于深度学习的自动化CT骨质疏松机会性筛查方法，建立不同CT协议和扫描仪模型的标准化校正方法 | 首次开发可重复的3D卷积神经网络自动识别骨小梁感兴趣区域，建立跨CT协议和扫描仪模型的标准化校正方法 | 回顾性研究设计，未包含所有CT扫描仪型号 | 开发自动化骨质疏松机会性筛查方法并建立诊断阈值 | 283,499名患者的538,946次CT检查 | 数字病理 | 骨质疏松 | CT成像 | CNN | 3D医学图像 | 283,499名患者，538,946次CT检查，涵盖43种扫描仪型号和6种管电压 | NA | 3D卷积神经网络 | 医师手动验证一致性(>99%) | NA |
| 3927 | 2025-11-14 |
Artificial Intelligence-Enhanced Electrocardiography for Complete Heart Block Risk Stratification
2025-Nov-01, JAMA cardiology
IF:14.8Q1
DOI:10.1001/jamacardio.2025.2522
PMID:40833775
|
研究论文 | 开发人工智能增强心电图模型用于预测完全性心脏传导阻滞风险 | 首次开发深度学习模型预测完全性心脏传导阻滞风险，使用残差卷积神经网络架构和离散时间生存损失函数 | 研究基于回顾性队列数据，需要前瞻性验证 | 开发AI-ECG风险估计器预测完全性心脏传导阻滞发生风险 | 心电图数据和患者队列 | 医疗人工智能 | 心血管疾病 | 心电图分析 | CNN | 心电图信号 | Beth Israel Deaconess医学中心1,163,401份心电图来自189,539名患者；UK Biobank队列50,641份心电图来自189,539名患者 | NA | 残差卷积神经网络 | C指数, AUROC, 调整后风险比 | NA |
| 3928 | 2025-11-13 |
Deep learning model to identify and validate hypotension endotypes in surgical and critically ill patients. Response to Br J Anaesth 2025; 135: 249-50
2025-Nov, British journal of anaesthesia
IF:9.1Q1
DOI:10.1016/j.bja.2025.07.066
PMID:40885701
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3929 | 2025-11-14 |
Hybrid AI Model With CNNs and Vision Transformers for Precision Pest Classification in Crops
2025-Nov, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.71174
PMID:41221087
|
研究论文 | 提出了一种融合CNN和视觉Transformer的混合深度学习模型HyPest-Net，用于农作物害虫的精确分类 | 集成CNN局部特征提取、通道与空间注意力机制以及视觉Transformer模块，解决视觉相似物种、背景干扰和光照变化等挑战 | NA | 开发有效的害虫管理技术，实现害虫的及时准确识别 | 农作物害虫 | 计算机视觉 | NA | 深度学习 | CNN, Vision Transformer | 图像 | 两个基准数据集：水稻害虫数据集（5类）和危险农场昆虫数据集（15类） | NA | HyPest-Net（集成CNN、注意力机制、ViT-B/16） | 准确率, 精确率, 敏感度, 特异性, F1分数 | NA |
| 3930 | 2025-11-14 |
Dual-modal ultrasound-based deep learning radiomics for differentiation of benign and malignant breast lesions
2025-Oct-31, Gland surgery
IF:1.5Q3
DOI:10.21037/gs-2025-295
PMID:41215860
|
研究论文 | 开发基于B型超声和对比增强超声的双模态深度学习放射组学模型，用于区分乳腺良恶性病变 | 首次将B型超声和对比增强超声特征通过早期特征融合构建集成模型，并利用SHAP和Grad-CAM进行模型可解释性分析 | 回顾性多中心研究，样本量相对有限（427例患者） | 开发准确无创的乳腺病变诊断方法以减少不必要活检和手术 | 427例女性乳腺病变患者 | 数字病理 | 乳腺癌 | 超声成像（B型超声和对比增强超声） | 深度学习 | 医学图像 | 427例患者来自四家医院 | 未明确说明 | VGG-16 | AUC, 决策曲线分析 | NA |
| 3931 | 2025-11-14 |
Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring
2025-Oct-24, Journal of visualized experiments : JoVE
DOI:10.3791/68745
PMID:41212771
|
研究论文 | 提出一套基于无人机遥感数据和深度学习模型的森林恢复监测方法 | 开发了专有的深度学习模型，能够跨不同传感器、研究地点和数据分辨率有效检测和分割树木边界 | NA | 监测复垦油气井场的森林恢复情况 | 森林生态系统中的树木 | 计算机视觉 | NA | 激光雷达, 多光谱成像, 无人机遥感 | 深度学习 | 3D点云数据, 多光谱图像 | NA | NA | 专有深度学习模型 | NA | NA |
| 3932 | 2025-11-14 |
Transfer Learning and UNet Segmentation for Paddy Leaf Disease Classification as a Solution with a User-Friendly Interface for Non-Technical Users
2025-Oct-24, Journal of visualized experiments : JoVE
DOI:10.3791/68861
PMID:41212843
|
研究论文 | 本研究提出基于迁移学习和UNet分割的定制化深度学习方案，用于水稻叶片病害分类，并开发了用户友好界面 | 结合迁移学习和UNet图像分割提升分类性能，为无技术背景用户开发直观图形界面 | NA | 开发可靠且可扩展的水稻叶片病害分类解决方案 | 水稻叶片病害图像 | 计算机视觉 | 植物病害 | 深度学习，图像分割 | CNN | 图像 | 来自水稻叶片病害检测数据集的两个数据集（分割图像和非分割图像） | NA | DenseNet-121, UNet | 准确率, 精确率, 召回率 | NA |
| 3933 | 2025-11-14 |
3D Neighbor2Neighbor-based unsupervised deep learning for noise reduction in OCT imaging: insights from multiple clinical datasets
2025-Oct-20, Optics express
IF:3.2Q2
DOI:10.1364/OE.564313
PMID:41215161
|
研究论文 | 提出基于3D Neighbor2Neighbor的无监督深度学习策略用于OCT成像中的噪声降低 | 将Neighbor2Neighbor方法扩展到三维空间，并优化ResNet网络以适应OCT三维体积数据特性 | NA | 降低OCT成像中的散斑和电噪声干扰 | OCT三维体积数据 | 计算机视觉 | 眼科疾病,皮肤科疾病 | 光学相干断层扫描 | 无监督深度学习 | 三维医学图像 | NA | NA | ResNet | NA | NA |
| 3934 | 2025-11-14 |
Phase unwrapping based on transformer-enhanced residual network for Doppler OCT flow measurement
2025-Oct-20, Optics express
IF:3.2Q2
DOI:10.1364/OE.573074
PMID:41215207
|
研究论文 | 提出一种基于Transformer增强残差网络的相位解包裹方法，用于多普勒OCT血流测量 | 将相位解包裹作为回归任务，首次将Transformer与残差网络结合，通过自注意力机制实现局部特征提取与全局上下文感知的协同 | 未明确说明模型在极端噪声条件下的性能边界和计算效率 | 解决多普勒OCT中相位包裹问题，提高血流速度测量精度 | 大鼠大脑中动脉多普勒图像和血流速度数据 | 计算机视觉 | 心血管疾病 | 多普勒光学相干断层扫描 | CNN, Transformer | 相位图像 | 大鼠大脑中动脉多普勒图像数据集 | NA | TRNet, 残差网络, Transformer | 信噪比, 视觉检查, 定量评估, 相关性分析 | NA |
| 3935 | 2025-11-14 |
From Single-Cancer to Pan-Cancer Prognosis: A Multimodal Deep Learning Framework for Survival Analysis with Robust Generalization Capability
2025-Oct, The American journal of pathology
DOI:10.1016/j.ajpath.2025.06.006
PMID:40651540
|
研究论文 | 提出统一多模态泛癌生存网络UMPSNet，通过整合组织病理学图像、基因组表达谱和元数据实现跨癌症类型的生存预后预测 | 首次提出基于最优传输注意力机制的多模态特征对齐方法和引导专家混合机制，解决癌症类型分布偏移问题，实现零样本迁移能力 | 模型在零样本迁移评估中仅验证了胰腺腺癌一种癌症类型，需要更多外部验证 | 开发具有强大泛化能力的多模态深度学习框架，实现从单癌症到泛癌的生存分析 | 癌症患者的多模态医疗数据，包括组织病理学图像、基因组表达谱和临床元数据 | 数字病理学 | 泛癌 | 全切片图像分析，基因组表达谱分析 | 深度学习 | 图像，基因组数据，文本元数据 | 3523张全切片图像（2831例患者），外加392张胰腺腺癌图像（66例患者）用于验证 | NA | UMPSNet | 一致性指数 | NA |
| 3936 | 2025-11-14 |
How Can Clinicians Leverage Vibe Coding for Machine Learning and Deep Learning Research?
2025-Oct, Endocrinology and metabolism (Seoul, Korea)
DOI:10.3803/EnM.2025.2675
PMID:41208262
|
综述 | 介绍vibe coding如何帮助临床医生进行机器学习和深度学习研究 | 提出vibe coding作为临床医生进行机器学习研究的新方法，通过自然语言指令降低编程门槛 | 未提供具体性能对比数据，主要依赖概念性介绍和案例展示 | 探讨临床医生如何利用vibe coding技术开展机器学习和深度学习研究 | 临床医生、住院医师和医学生 | 机器学习 | NA | 生成式人工智能 | NA | 公开可用数据集 | NA | NA | NA | NA | NA |
| 3937 | 2025-11-14 |
The Use of Artificial Intelligence in ECG Interpretation in the Outpatient Setting: A Scoping Review
2025-Oct, Cureus
DOI:10.7759/cureus.94113
PMID:41209885
|
综述 | 本文通过范围综述总结了深度学习算法在门诊心电图解读中的应用现状与临床价值 | 首次系统评估AI在门诊场景下心电图解读的有效性，重点关注非医院环境下的应用潜力 | 样本量小且同质性强，部分算法存在过度诊断倾向，训练数据缺乏多样性，外部验证不足 | 评估人工智能在门诊心电图解读中的诊断准确性和临床效用 | 门诊心电图数据及基于AI的心电图解读研究 | 医疗人工智能 | 心血管疾病 | 深度学习，心电图分析 | CNN | 心电图信号数据 | NA | NA | 卷积神经网络 | 诊断准确率 | NA |
| 3938 | 2025-11-14 |
Comparison of deep learning-based segmentation and registration using pre-treatment contours for online rectal delineation in magnetic resonance-guided radiotherapy
2025-Oct, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100854
PMID:41210596
|
研究论文 | 比较基于深度学习的分割和配准方法在磁共振引导放疗中直肠轮廓在线勾画的效果 | 首次系统比较基于U-Net的分割和配准模型在整合计划轮廓进行在线直肠勾画中的性能差异 | 样本量相对有限（104例患者），仅针对直肠癌单一病种进行研究 | 评估深度学习模型整合计划轮廓进行在线直肠轮廓勾画的最佳方法 | 104例直肠癌患者的磁共振影像数据 | 医学影像分析 | 直肠癌 | 磁共振成像（MRI） | CNN | 医学影像 | 104例直肠癌患者（训练68例，验证14例，测试22例） | NA | U-Net | 豪斯多夫距离（HD）, Dice系数, 定性评分 | NA |
| 3939 | 2025-11-14 |
Modeling protein-small molecule conformational ensembles with PLACER
2025-Sep-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.25.614868
PMID:39386615
|
研究论文 | 开发了一种名为PLACER的图神经网络，用于建模蛋白质-小分子相互作用的构象集合 | 提出首个基于原子级图神经网络的构象集合解析方法，相比传统残基级描述在速度和通用性方面具有优势 | 方法依赖于剑桥结构数据库和蛋白质数据库的训练数据，可能受限于现有数据的覆盖范围 | 解决蛋白质-小分子相互作用构象异质性的建模挑战 | 蛋白质-小分子复合物系统 | 计算生物学 | NA | 图神经网络 | GNN | 三维分子结构数据 | 来自剑桥结构数据库和蛋白质数据库的结构数据 | NA | PLACER | 结构生成准确性、酶设计成功率、催化活性 | NA |
| 3940 | 2025-11-14 |
Foundation models in ophthalmology: a preliminary study on AI-assisted diagnosis of myopic maculopathy and posterior staphyloma using ultra-widefield fundus images
2025-Aug-28, BMJ open ophthalmology
IF:2.0Q2
DOI:10.1136/bmjophth-2024-002073
PMID:40876931
|
研究论文 | 本研究使用基于眼科基础模型的深度学习方法，通过超广角眼底图像辅助诊断病理性近视的黄斑病变和后巩膜葡萄肿 | 首次将眼科基础模型RETFound应用于超广角眼底图像分析，在病理性近视特征检测中表现出优越性能 | 回顾性研究设计，样本量相对有限（1105张训练图像），仅在中国两家医院收集数据 | 开发基于人工智能的病理性近视眼底病变辅助诊断系统 | 高度近视患者的超广角眼底图像 | 计算机视觉 | 眼科疾病 | 超广角眼底成像 | 深度学习 | 图像 | 训练集：1105张图像来自543名患者；外部测试集：293张图像来自150名患者 | NA | RETFound | 准确率, F1分数, AUROC | NA |