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 36836 篇文献，本页显示第 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2025-12-18 |
An enhanced dual inception-attention-BiGRU-attention model integrating wavelet transform for wearable sensor-based human activity recognition
2025-Dec-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32859-1
PMID:41402537
|
研究论文 | 本文提出了一种结合小波变换的增强型双Inception-Attention-BiGRU-Attention模型，用于基于可穿戴传感器的人类活动识别 | 提出了一种名为Dual-INABA的混合模型，集成了Inception、注意力机制和BiGRU，并通过小波变换进行信号去噪以提升分类性能 | 未明确说明模型的计算复杂度或在实际部署中的资源消耗 | 提高基于可穿戴传感器的人类活动识别系统的准确性和效率 | 人类活动识别 | 机器学习 | NA | 小波变换 | CNN, LSTM | 传感器信号 | 自收集的WSMC-HAR数据集以及PAMAP2、UCI-HAR、WISDM基准数据集 | NA | Inception, BiGRU | 分类准确率 | NA |
| 382 | 2025-12-18 |
Pixel Tampering: Does Face Redaction Harm Medical AI Performance?
2025-Dec-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01776-0
PMID:41402615
|
研究论文 | 本研究评估了面部脱敏工具对深度学习模型在医学影像中性能的影响，并通过Kaggle竞赛验证了其有效性 | 开发了一个开源的面部脱敏工具，旨在增强数据共享安全性同时保持深度学习性能，并通过大规模竞赛验证了其在年龄预测任务中的效果 | 研究仅基于头部CT影像和年龄预测任务，可能无法推广到其他医学影像类型或临床任务 | 评估面部脱敏处理是否会影响深度学习模型在医学影像分析中的性能 | 头部CT影像及其对应的年龄预测任务 | 医学影像分析 | NA | 深度学习 | 深度学习模型 | 医学影像（头部CT） | 训练集2377例，测试集148例，来自多个机构 | NA | NA | 平均绝对误差（MAE） | NA |
| 383 | 2025-12-18 |
Advanced Multi-architecture Deep Learning Framework for BIRADS-Based Mammographic Image Retrieval: Comprehensive Performance Analysis with Super-Ensemble Optimization
2025-Dec-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01770-6
PMID:41402617
|
研究论文 | 本文开发了一个用于基于内容的乳腺X线图像检索的综合评估框架，通过比较不同CNN架构在高级训练策略下的性能，旨在提升BIRADS分类的精确匹配能力 | 提出了一个系统性的评估框架，首次在BIRADS五分类检索任务中综合比较了多种CNN架构（DenseNet121、ResNet50、VGG16）在高级微调、度量学习和超级集成优化策略下的性能，并采用严格的病人分层划分和统计验证方法 | 研究样本量相对有限（1003名患者），且仅针对乳腺X线图像，未扩展到其他医学影像模态 | 提升基于内容的乳腺X线图像检索在BIRADS五分类任务中的准确性和临床实用性 | 乳腺X线图像及其对应的BIRADS分类 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | 1003名患者（每人两张图像），共602个测试查询 | 未明确指定，但可能涉及TensorFlow或PyTorch | DenseNet121, ResNet50, VGG16 | precision@10, 准确率, 统计显著性检验（t检验, Cohen's d） | 未明确指定，但提及了计算成本降低 |
| 384 | 2025-12-18 |
A Timeseries-based Multimodal Deep Learning Approach for Lung Nodule Growth Prediction
2025-Dec-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01788-w
PMID:41402619
|
研究论文 | 本研究提出了一种基于时间序列的多模态深度学习框架，用于预测肺结节的生长，通过整合CT图像序列、人口统计学和结节特异性特征来提高预测准确性 | 采用时间序列CT图像数据与多模态特征（人口统计学和结节特异性特征）相结合的多模态深度学习框架，显著提升了肺结节生长预测的准确性 | 数据来源于单一医疗机构（台湾远东纪念医院），可能限制了模型的泛化能力 | 开发一个多模态深度学习模型，以准确预测肺结节的生长，辅助临床决策 | 肺结节患者，包括其CT图像序列、人口统计学信息和结节特异性特征 | 计算机视觉 | 肺癌 | CT成像 | 深度学习模型 | 图像, 结构化数据 | 来自台湾远东纪念医院的数据集，具体样本数量未明确说明 | NA | 多模态深度学习框架 | 准确率, 精确率, 灵敏度, F1分数, AUC | NA |
| 385 | 2025-12-18 |
Editorial for "Deep Learning for Differentiating Benign From Malignant Bile Duct Dilation on MRCP: Development and Prospective Evaluation of an Xception-Logistic Regression Ensemble Model"
2025-Dec-16, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70208
PMID:41403056
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 386 | 2025-12-18 |
Explore antibody repertoire in the era of AI
2025-Dec-16, Acta biochimica et biophysica Sinica
IF:3.3Q1
DOI:10.3724/abbs.2025230
PMID:41403245
|
综述 | 本文综述了抗体库在人工智能时代的研究进展，重点介绍了抗体克隆型的定义、功能特征、进化以及深度学习在抗体结合预测、特异性抗体生成和免疫诊断中的应用 | 系统性地将深度学习等人工智能方法应用于高维抗体库数据的分析和理解，探讨了抗体库指导的疫苗接种新策略 | 文章指出目前对抗体库数据的理解仍处于早期阶段，深度学习模型的应用潜力虽大但实际转化仍需进一步探索 | 探讨人工智能（特别是深度学习）在理解和分析抗体库数据中的应用，以深化对抗体多样性和适应性免疫的认识 | 抗体库（抗体克隆型集合）、适应性免疫系统 | 自然语言处理, 机器学习 | NA | 高通量测序 | 深度学习模型 | 序列数据（抗体库测序数据） | NA | NA | NA | NA | NA |
| 387 | 2025-12-18 |
Letter to the editor--Deep learning-driven multi-hierarchical granularity integration for surgical scene understanding: experimental study
2025-Dec-16, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004506
PMID:41405271
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 388 | 2025-12-18 |
Revolutionizing thyroid nodule diagnosis in Hashimoto's thyroiditis: AI-driven radiomics and deep learning model
2025-Dec-16, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004546
PMID:41405348
|
研究论文 | 本研究旨在探索利用从桥本甲状腺炎患者甲状腺结节超声图像中提取的放射组学和深度学习特征构建的人工智能模型，以区分良恶性结节，并与细针穿刺细胞学结合基因突变检测进行比较 | 结合放射组学与深度学习特征构建DLR模型，并整合SHAP和Grad-CAM方法提供可视化解释，以提升桥本甲状腺炎背景下甲状腺结节的诊断性能 | 研究基于回顾性数据，且样本来自特定时间段和医院，可能存在选择偏倚；模型在外部测试队列中的性能略低于验证队列 | 提高桥本甲状腺炎背景下甲状腺结节良恶性鉴别的准确性 | 桥本甲状腺炎患者的甲状腺结节 | 计算机视觉 | 甲状腺疾病 | 超声成像 | CNN | 图像 | 1585名患者 | NA | ResNet152 | AUC, 准确率, 灵敏度, 特异性 | NA |
| 389 | 2025-12-18 |
Path2Omics Enhances Transcriptomic and Methylation Prediction Accuracy from Tumor Histopathology
2025-Dec-15, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-4350
PMID:41166699
|
研究论文 | 本研究开发了Path2Omics深度学习框架，用于从肿瘤组织病理学图像中预测基因表达和甲基化数据 | 提出了首个能够从组织病理学图像独立预测基因表达和甲基化的深度学习框架，并在30种癌症类型上验证了其有效性 | 未明确说明模型在特定癌症类型或数据质量较差情况下的性能限制 | 开发一种从常规组织病理学切片预测分子组学数据的方法，以降低精准肿瘤学的成本和耗时 | 30种癌症基因组图谱（TCGA）中的癌症类型，包括FFPE和新鲜冷冻组织切片 | 数字病理学 | 多种癌症 | 组织病理学成像，基因表达分析，甲基化分析 | 深度学习框架 | 组织病理学图像，基因表达数据，甲基化数据 | 30种TCGA癌症类型的数据集，以及7个外部验证数据集 | NA | NA | 预测准确性，患者生存预测匹配度，治疗反应预测匹配度 | NA |
| 390 | 2025-12-18 |
Systematic scRNA-seq screens profile neural organoid response to morphogens
2025-Dec-15, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02927-5
PMID:41398501
|
研究论文 | 本文通过系统性的单细胞RNA测序筛选，详细分析了人类神经类器官对形态发生素的响应，揭示了形态发生素在神经区域化中的作用机制 | 首次利用多路复用的单细胞转录组筛选技术，全面调查了人类神经类器官在不同形态发生素条件下的细胞类型和区域组成变化，并结合深度学习模型预测分化结果 | 研究主要基于体外类器官模型，可能无法完全模拟体内复杂的神经发育环境，且样本来源和诱导方法的差异可能影响结果的普适性 | 研究人类神经类器官在形态发生素作用下的神经谱系特化和区域化过程 | 人类神经类器官 | 单细胞转录组学 | NA | 单细胞RNA测序（scRNA-seq） | 深度学习模型 | 单细胞转录组数据 | NA | NA | NA | NA | NA |
| 391 | 2025-12-18 |
Deep learning-based postprocessing and model building for cryo-electron microscopy maps
2025-Dec-15, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.103196
PMID:41401630
|
综述 | 本文全面综述了基于深度学习的冷冻电镜图谱后处理和模型构建的最新进展 | 聚焦于深度学习在冷冻电镜图谱后处理和原子模型构建中的应用，系统总结了人工智能在该领域的最新方法 | 讨论了当前方法的局限性及未来研究面临的挑战，但未具体说明 | 综述冷冻电镜图谱后处理和原子模型构建中深度学习方法的进展 | 冷冻电镜图谱及生物大分子结构 | 计算机视觉 | NA | 冷冻电镜 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 392 | 2025-12-18 |
A review of deep learning techniques in Alzheimer's disease with emphasis on data tools and transfer learning
2025-Dec-14, Neuroscience
IF:2.9Q2
|
综述 | 本文综述了深度学习技术在阿尔茨海默病中的应用，重点关注数据工具和迁移学习方法 | 专注于迁移学习在阿尔茨海默病阶段分类中的应用，并全面回顾了数据预处理工具 | NA | 综述深度学习技术，特别是迁移学习，在阿尔茨海默病早期识别中的应用 | 阿尔茨海默病阶段分类 | 数字病理学 | 老年病 | NA | 深度学习 | MRI, PET | NA | NA | NA | NA | NA |
| 393 | 2025-12-18 |
Predicting skeletal age from HR-pQCT imaging
2025-Dec-13, Bone
IF:3.5Q2
DOI:10.1016/j.bone.2025.117761
PMID:41391644
|
研究论文 | 本研究开发了一种深度学习模型，利用HR-pQCT扫描预测骨骼年龄，以提供一种可解释的、相对于实际年龄的骨骼健康量化总结 | 首次提出基于HR-pQCT成像的深度学习框架来预测骨骼年龄，通过显著性图揭示了不同年龄阶段中皮质骨和小梁骨特征对预测的贡献差异，为骨骼健康提供了简洁且可解释的总结指标 | 研究样本主要来自规范队列，可能无法完全代表所有人群；模型性能虽好，但平均绝对误差仍约为5.3年，在临床应用中需考虑此误差范围 | 开发深度学习模型以从HR-pQCT扫描中估计骨骼年龄，提升HR-pQCT数据的可解释性和临床实用性 | 成年人的桡骨远端和胫骨HR-pQCT扫描图像 | 计算机视觉 | NA | HR-pQCT（高分辨率外周定量计算机断层扫描） | 深度学习模型 | 图像（2D切片和3D体积数据） | 训练集包括1236名成年人（62.1%为女性），独立测试集包括460名成年人（69.3%为女性） | NA | NA | 平均绝对误差（MAE）, R² | NA |
| 394 | 2025-12-18 |
Machine learning-guided optimization of iron-based catalysts toward minimal-resource and efficient peroxymonosulfate activation for hazardous organic pollutants degradation
2025-Dec-13, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.140818
PMID:41401528
|
研究论文 | 本研究提出了一种新颖的双任务人工智能框架（DualAI-MCD），结合机器学习和多目标优化，用于预测设计和机理指导的铁基催化剂优化，以高效激活过氧单硫酸盐降解有机污染物 | 开发了首个集成回归（预测降解率）和分类（识别活性氧物种路径）任务的双任务AI框架，并采用混合优化算法平衡降解率最大化与催化剂和PMS用量最小化的冲突目标 | 研究基于3720条实验记录的数据集，可能未涵盖所有催化剂类型或反应条件，且深度学习模型性能不及机器学习模型 | 优化铁基催化剂设计，以实现资源最小化和高效的过氧单硫酸盐激活，用于降解有害有机污染物 | 铁基氧化物催化剂及其在过氧单硫酸盐激活降解有机污染物（如头孢菌素）中的应用 | 机器学习 | NA | NA | LGBM, 机器学习模型, 深度学习模型 | 结构化实验数据 | 3720条实验记录 | NA | NA | 分类准确率, R² | NA |
| 395 | 2025-12-18 |
FRET-SAM: SAM_Med2D-based automatic FRET two-hybrid analysis
2025-Dec-13, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109208
PMID:41401595
|
研究论文 | 本研究开发了一种基于深度学习模型SAM_Med2D的自动化FRET双杂交图像分析方法FRET-SAM，用于自动提取荧光信号并分析蛋白质相互作用 | 首次将SAM_Med2D模型结构优化并应用于FRET双杂交图像的自动化ROI选择和荧光信号提取，显著提升了分析效率和准确性 | 研究仅使用了六种模型质粒和三种功能FRET对构建的数据集，模型在其他类型FRET图像上的泛化能力有待进一步验证 | 开发自动化FRET双杂交图像分析方法，以消除主观偏差并提高蛋白质相互作用分析的效率和准确性 | FRET双杂交图像中的蛋白质相互作用信号 | 计算机视觉 | 肺癌, 肝细胞癌 | 荧光共振能量转移（FRET）双杂交测定 | 深度学习分割模型 | 图像 | 包含六种模型质粒（C4Y, C10Y, C40Y, C80Y, C32V, CVC）和三种功能FRET对（Bcl-XL-CFP/Bak-YFP, EGFR-CFP/Grb2-YFP, RAF-CFP/RAS-YFP）的综合FRET图像数据集 | NA | 基于SAM_Med2D优化的FRET-SAM模型 | 平均像素精度（MPA）, 平均交并比（MIoU）, Dice系数, 相对误差 | NA |
| 396 | 2025-12-18 |
Predictive modeling of hospital emergency department demand using artificial intelligence: A systematic review
2025-Dec-13, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.106215
PMID:41401760
|
综述 | 本文系统回顾了使用人工智能（特别是机器学习和深度学习）预测医院急诊科需求的相关研究 | 系统性地回顾了疫情前后急诊科需求预测模型的发展，重点关注了算法、变量、验证策略和局限性，并强调了可解释性AI方法的应用不足 | 纳入的研究数量有限（11项），且大多数研究缺乏外部验证，模型的可解释性不足 | 系统回顾用于医院急诊科需求预测的预测模型文献 | 医院急诊科的患者到达量预测 | 机器学习 | NA | NA | ARIMA, SARIMA, XGBoost, Random Forest, LSTM, CNN | 时间序列数据 | NA | NA | NA | 平均绝对误差, 均方根误差, 平均绝对百分比误差 | NA |
| 397 | 2025-12-18 |
HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data
2025-Dec-11, ArXiv
PMID:41040798
|
研究论文 | 本文介绍了一种名为HEIST的层次图变换器基础模型，用于处理空间转录组学和蛋白质组学数据 | HEIST通过将组织建模为层次图，结合空间细胞图和基因共表达网络图，并执行层内和跨层消息传递，从而能够泛化到包括空间蛋白质组学在内的新型数据类型而无需重新训练 | NA | 开发一个能够利用空间信息和细胞内部复杂遗传及蛋白质组学程序的基础模型，以理解细胞内部调控如何适应微环境信号 | 空间转录组学和蛋白质组学数据 | 机器学习 | NA | 空间转录组学, 空间蛋白质组学 | Transformer | 空间坐标数据, 细胞内转录或蛋白质计数数据 | 来自15个器官的124个组织中的2230万个细胞 | NA | 层次图变换器 | 临床结果预测, 细胞类型注释, 基因插补 | NA |
| 398 | 2025-12-18 |
Stochastically evolving graphs via edit semigroups
2025-Dec-09, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2526595122
PMID:41296758
|
研究论文 | 本文通过半群谱理论研究宿主图中子图的随机演化过程，提出了一种基于编辑操作的随机游走模型 | 利用Tsetlin库和超平面排列的半群谱理论，为子图随机演化过程建立了特征值和特征向量的闭式解，并扩展至复合编辑操作 | NA | 构建一个通用的随机模型，用于从给定图中采样随机子图 | 宿主图中的子图演化过程 | 机器学习 | NA | NA | 随机游走模型 | 图数据 | NA | NA | NA | 收敛速率 | NA |
| 399 | 2025-12-18 |
Immunocto: A massive immune cell database auto-generated for histopathology
2025-Dec-07, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103905
PMID:41401636
|
研究论文 | 本文介绍了一种自动从H&E和多重免疫荧光双染色组织切片生成单细胞轮廓和标签的工作流程，并由此创建了一个大规模免疫细胞数据库Immunocto | 利用Segment Anything Model实现自动化单细胞标注，极大减少了人工干预，并创建了包含数百万个细胞的大规模、多亚型免疫细胞数据库 | NA | 为肿瘤免疫微环境研究创建大规模自动生成的免疫细胞数据库，以支持计算病理学应用 | 人类组织切片中的免疫细胞，包括CD4 T细胞、CD8 T细胞、CD20 B细胞和CD68/CD163巨噬细胞 | 数字病理学 | 癌症 | 苏木精-伊红染色，多重免疫荧光染色 | 深度学习模型 | 图像 | 6,848,454个细胞和对象，其中包含2,282,818个免疫细胞 | NA | Segment Anything Model | NA | NA |
| 400 | 2025-12-18 |
Can CTA-Based Machine Learning Identify Patients for Whom Successful Endovascular Stroke Therapy Is Insufficient?
2025-Dec-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8885
PMID:40533350
|
研究论文 | 本研究评估了基于CTA的机器学习模型在预测大血管闭塞急性缺血性卒中患者接受成功血管内治疗后功能结局不佳的能力 | 利用深度学习模型结合预处理CTA图像预测成功血管内治疗后功能结局不佳的患者，相比仅使用临床变量的模型具有显著更好的性能 | 样本量较小（仅48例患者用于微调和交叉验证），且为多中心前瞻性注册队列研究，可能存在选择偏倚 | 识别成功血管内治疗后功能结局不佳的患者，以便他们可能从额外干预中受益 | 大血管闭塞急性缺血性卒中患者 | 医学影像分析 | 急性缺血性卒中 | CTA成像 | 深度学习 | 医学影像 | 预训练1542例，微调和交叉验证48例 | NA | DeepsymNet-v3, DSN-CTA | AUROC | NA |