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 36491 篇文献，本页显示第 4821 - 4840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4821 | 2025-11-02 |
Computation of simple invariant solutions in fluid turbulence with the aid of deep learning
2025, Nonlinear dynamics
IF:5.2Q1
DOI:10.1007/s11071-025-11773-1
PMID:41163817
|
综述 | 探讨深度学习技术在流体湍流中计算简单不变解的应用进展 | 将深度学习中的自编码器和梯度优化技术首次系统应用于湍流动力学系统的不变解计算 | 目前仅在二维湍流中验证，高雷诺数应用前景仍需评估 | 加速湍流动力学系统中简单不变解的发现和收敛 | 流体湍流中的简单不变解（平衡态、周期轨道） | 机器学习 | NA | 深度学习 | 自编码器 | 流体动力学数据 | NA | NA | 自编码器 | 解的数量比较，收敛效率 | NA |
| 4822 | 2025-11-02 |
Development and Validation of Deep Learning Model for Predicting Long-Term Prognosis in Patients with Symptomatic Intracranial Arterial Stenosis
2025, International journal of general medicine
IF:2.1Q2
DOI:10.2147/IJGM.S538889
PMID:41164008
|
研究论文 | 开发并验证用于预测症状性颅内动脉狭窄患者长期预后的深度学习模型 | 首次将深度学习模型应用于症状性ICAS患者的长期预后预测，与传统逻辑回归模型相比表现出显著优越性能 | 回顾性研究设计，样本量相对有限（266例患者），需外部验证确认泛化能力 | 预测症状性颅内动脉狭窄患者的疾病进展风险 | 266例症状性颅内动脉狭窄患者 | 机器学习 | 脑血管疾病 | NA | 深度学习, 逻辑回归 | 临床数据 | 266例症状性ICAS患者（训练集70%，验证集30%） | NA | NA | 准确率, 敏感度, 特异度, 精确率, F1分数, AUC | NA |
| 4823 | 2025-11-02 |
A systematic review of deep learning-based segmentation techniques for brain tumor detection (2013-2023)
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251380645
PMID:41164152
|
系统综述 | 对2013-2023年间基于深度学习的脑肿瘤图像分割技术进行系统性回顾和文献计量分析 | 首次对脑肿瘤图像分割领域进行系统性文献计量分析，识别关键研究趋势和利益相关者 | 仅涵盖2013-2023年期间文献，可能遗漏最新研究进展 | 调查脑肿瘤检测中基于深度学习的图像分割技术的研究格局和发展趋势 | 931篇经过PRISMA筛选的学术文献 | 计算机视觉 | 脑肿瘤 | 文献计量分析，PRISMA指南 | 深度学习 | 文献数据 | 931篇文档 | VOSviewer, R Studio | NA | NA | NA |
| 4824 | 2025-11-02 |
Advances in artificial intelligence applications for the management of chronic obstructive pulmonary disease
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1685254
PMID:41164160
|
综述 | 本文综述人工智能在慢性阻塞性肺疾病全病程管理中的技术应用与临床价值 | 建立了融合生物信息学与多组学分析的智能管理框架，提供覆盖疾病全过程的个体化解决方案 | 未提及具体数据验证结果和临床实施障碍 | 探讨AI在COPD诊疗防控中的临床应用前景与发展方向 | 慢性阻塞性肺疾病患者 | 机器学习 | 慢性阻塞性肺疾病 | 多模态数据, 放射组学, 多组学分析 | 机器学习, 深度学习 | 多模态数据 | NA | NA | NA | NA | NA |
| 4825 | 2025-11-02 |
A hybrid framework for enhanced segmentation and classification of colorectal cancer histopathology
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1647074
PMID:41164179
|
研究论文 | 提出一种结合Swin Transformer、EfficientNet和ResUNet-A的混合深度学习系统，用于结直肠癌组织病理学的增强分割和分类 | 整合自注意力机制、复合缩放和残差学习，结合多种先进架构的优势，在特征提取、全局上下文建模和空间分类方面实现创新 | 未提及外部验证集的表现，可能缺乏对不同数据集的泛化能力评估 | 开发自动化结直肠癌组织病理学分析系统，提高诊断准确性和效率 | 结直肠癌组织病理学图像，包括锯齿状腺瘤、息肉、腺癌、高级别和低级别上皮内瘤变及正常组织 | 数字病理学 | 结直肠癌 | 组织病理学染色 | 深度学习 | 组织病理学图像 | 未明确说明具体样本数量 | 未明确说明 | Swin Transformer,EfficientNet,ResUNet-A | 准确率,精确率,召回率,F1分数 | NA |
| 4826 | 2025-11-02 |
Detection of antimicrobial peptides from fecal samples of FMT donors using deep learning
2025, Frontiers in veterinary science
IF:2.6Q1
DOI:10.3389/fvets.2025.1689589
PMID:41164228
|
研究论文 | 本研究结合宏基因组学和深度学习从粪便微生物移植供体样本中挖掘抗菌肽 | 首次将深度学习与宏基因组学相结合从人类粪便微生物组中挖掘功能性抗菌肽 | 仅从120个供体样本中挖掘，样本规模相对有限 | 从粪便微生物移植供体中发现具有抗菌活性的新型抗菌肽 | 粪便微生物移植供体的粪便样本 | 机器学习 | 细菌感染相关疾病 | 宏基因组学, 宏蛋白质组学, 分子对接, 分子动力学模拟 | 深度学习 | 宏基因组序列数据 | 120个粪便微生物移植供体样本 | NA | NA | NA | NA |
| 4827 | 2025-11-02 |
YOLOv8-Seg: a deep learning approach for accurate classification of osteoporotic vertebral fractures
2025, Frontiers in radiology
DOI:10.3389/fradi.2025.1651798
PMID:41164317
|
研究论文 | 本研究开发了一种基于YOLOv8-Seg深度学习模型的自动化方法，用于从CT图像中准确分类骨质疏松性椎体骨折 | 首次将YOLOv8-Seg模型应用于骨质疏松性椎体骨折的自动分类，实现了对压碎型、前楔形和双凹型骨折的高精度识别 | 测试集样本量较小（仅30张图像），需要更大规模的外部验证 | 开发自动化工具辅助骨质疏松性椎体骨折的早期精确诊断 | 骨质疏松性椎体骨折患者的CT图像 | 计算机视觉 | 骨质疏松性椎体骨折 | CT成像 | YOLOv8-Seg | 医学图像 | 673张CT图像（643张训练验证，30张测试） | NA | YOLOv8-Seg | mAP50-95 | NA |
| 4828 | 2025-11-02 |
Quantitative analysis of gait and balance using deep learning on monocular videos and the timed up and go test in idiopathic normal-pressure hydrocephalus
2025, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2025.1644543
PMID:41164460
|
研究论文 | 本研究验证了基于单目视频和深度学习算法的视觉步态分析系统在特发性正常压力脑积水患者中的步态参数评估能力 | 首次将基于单目视频的视觉步态分析系统与定时起立行走测试相结合，用于预测特发性正常压力脑积水患者的跌倒风险 | 样本量相对较小（59名患者），仅使用单中心数据 | 研究视觉步态分析系统测量的步态参数与定时起立行走测试评分的关系，并开发预测跌倒风险的机器学习模型 | 特发性正常压力脑积水患者 | 计算机视觉 | 神经退行性疾病 | 基于视频的步态分析 | 深度学习 | 视频 | 59名患者 | NA | NA | AUC | NA |
| 4829 | 2025-11-02 |
Explainable AI-enabled hybrid deep learning architecture for breast cancer detection
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1658741
PMID:41112281
|
研究论文 | 提出一种结合可解释人工智能的混合深度学习架构用于乳腺癌检测 | 集成三种不同预训练CNN架构的混合深度学习框架，并引入XAI组件增强模型可解释性 | NA | 开发可靠且可解释的乳腺癌诊断系统 | 乳腺癌超声图像 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN | 医学图像 | NA | NA | DENSENET121,Xception,VGG16 | 准确率 | NA |
| 4830 | 2025-11-02 |
Diagnostic accuracy of a deep learning model for pterygium detection in Barcelos, Brazilian Amazon
2025, Arquivos brasileiros de oftalmologia
IF:1.1Q3
DOI:10.5935/0004-2749.2025-0053
PMID:41172514
|
研究论文 | 评估基于MobileNet-V2的深度学习模型在巴西亚马逊地区使用智能手机拍摄的前段照片中检测翼状胬肉的诊断准确性 | 在偏远亚马逊地区使用智能手机采集图像并结合深度学习模型进行翼状胬肉检测的首个试点研究 | 样本量较小（76只眼睛），仅为初步研究结果 | 开发适用于偏远地区的翼状胬肉自动检测工具 | 巴西巴塞卢斯地区的38名参与者（76只眼睛） | 计算机视觉 | 眼科疾病 | 智能手机前段摄影 | CNN | 图像 | 76只眼睛 | NA | MobileNet-V2 | 灵敏度, 特异度, 准确度, 阳性预测值, 阴性预测值, AUC | NA |
| 4831 | 2025-11-01 |
In Silico Peptide Design: Methods, Resources, and Role of AI
2025-Dec, Journal of peptide science : an official publication of the European Peptide Society
IF:1.8Q3
DOI:10.1002/psc.70063
PMID:41168660
|
综述 | 本文全面概述了肽设计的计算方法，包括AI技术在加速新型肽发现中的应用 | 重点关注机器学习、深度学习和生成式AI模型在肽设计中的变革性影响 | 存在数据不一致性、模型可解释性不足以及需要改进力场等关键挑战 | 为肽研究中的计算设计提供路线图 | 肽及其在生物系统、治疗剂、生物材料和药物递送中的应用 | 计算生物学 | NA | 结构基设计、分子动力学模拟、配体基方法 | 机器学习, 深度学习, 生成式AI | 化学空间数据, 肽序列数据 | 数千种肽的虚拟筛选 | NA | NA | NA | NA |
| 4832 | 2025-11-01 |
MicroRNA bioinformatics in precision oncology: an integrated pipeline from NGS to AI-based target discovery
2025-Oct-31, Journal of applied genetics
IF:2.0Q3
DOI:10.1007/s13353-025-01024-9
PMID:41168533
|
综述 | 本文提出了一种整合生物信息学、机器学习和大型语言模型的miRNA分析流程，用于精准肿瘤学中的生物标志物发现 | 将碎片化的miRNA分析方法整合为统一的计算流程，并引入生成模型和大型语言模型来增强生物标志物发现的假设生成和可重复性 | 作为综述文章，未提供原始实验验证，主要基于现有文献和工具的分析与整合 | 加速基于miRNA的精准癌症研究发展，为早期检测、预后和治疗选择提供转化应用 | microRNAs（miRNAs）作为癌症生物标志物 | 生物信息学 | 癌症 | NGS（下一代测序），多组学整合 | SVM, CNN, RNN, 生成模型, LLM | 测序数据，多组学数据 | NA | NA | NA | NA | NA |
| 4833 | 2025-11-01 |
High-throughput evaluation of in vitro CRISPR activities enables optimized large-scale multiplex enrichment of rare variants
2025-Oct-30, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-025-01535-0
PMID:41168295
|
研究论文 | 开发了两种高通量体外评估CRISPR活性的方法及深度学习模型，用于优化大规模多重富集稀有变异 | 首次开发了直接测量Cas9切割效率的高通量体外方法Cut-seq1/2，并基于此构建了能识别优化单导RNA的深度学习模型DeepCut | 体外切割效率与细胞内插入缺失频率相关性较低 | 优化CRISPR核酸酶活性评估并开发稀有变异检测方法 | Cas9切割效率、单导RNA-靶标对、稀有变异 | 机器学习 | NA | CRISPR, 深度测序 | 深度学习 | 基因组序列数据 | 数万至数十万向导RNA-靶标对 | NA | NA | 切割效率, 相关性分析 | NA |
| 4834 | 2025-11-01 |
Malignant pleural mesothelioma classification and survival prediction with CT imaging using ResNet
2025-Oct-30, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12094-y
PMID:41168494
|
研究论文 | 本研究使用ResNet-3D-18模型通过CT影像区分恶性胸膜间皮瘤和转移性胸膜疾病，并预测患者总生存期 | 首次将深度学习模型同时应用于恶性胸膜间皮瘤的分类诊断和生存预测，证明形态学特征包含预后信息 | 回顾性研究设计，样本量相对有限（共385例），需要外部验证 | 实现恶性胸膜间皮瘤与转移性胸膜疾病的准确区分及生存期预测 | 恶性胸膜间皮瘤患者和转移性胸膜疾病患者 | 计算机视觉 | 肺癌 | CT成像 | CNN | 医学影像 | 385例患者（85例恶性胸膜间皮瘤，290例转移性胸膜疾病） | PyTorch | ResNet-3D-18 | AUC, 准确率, 敏感度, 特异度, 阳性预测值, 阴性预测值 | NA |
| 4835 | 2025-11-01 |
Intelligent Diagnosis of Follicular Carcinoma Thyroid Cancer with a Novel Deep Learning Model
2025-Oct-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01723-z
PMID:41168629
|
研究论文 | 开发一种新型可解释深度学习模型用于术前区分甲状腺滤泡癌和滤泡腺瘤 | 首次提出端到端图卷积网络，显式利用肿瘤边界这一关键诊断特征，并采用最大码率减少损失优化特征判别能力 | 样本量相对有限，仅包含577名患者 | 开发可靠的AI辅助甲状腺癌诊断方法 | 甲状腺滤泡癌(FTC)和滤泡腺瘤(FTA)患者 | 计算机视觉 | 甲状腺癌 | 超声成像 | 图卷积网络 | 超声图像 | 577名患者(435名女性，142名男性)，共4358张甲状腺超声图像 | NA | 图卷积网络 | 准确率,AUC | NA |
| 4836 | 2025-11-01 |
Endoscopic Ultrasound of Pancreatic Tumors: A Dataset with Benchmarks for Convolutional Neural Network Classifiers
2025-Oct-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01729-7
PMID:41168630
|
研究论文 | 本文介绍了一个用于胰腺肿瘤分类的新型内镜超声数据集，并提供了基于卷积神经网络的基准测试结果 | 提出了首个专门用于胰腺肿瘤分析的内镜超声数据集，包含7825张图像和对应的分割掩码，并提供了分类、分割和可解释性AI的基准结果 | 分类模型性能与可解释性之间存在差距，软DICE评分较低（8.69%-40.81%） | 推进胰腺癌计算机辅助诊断研究，提供标准数据集和基准测试 | 606名患者的7825张内镜超声图像，包含肿瘤（175次检查）和无肿瘤（431次检查）两类 | 数字病理 | 胰腺癌 | 内镜超声 | CNN | 图像 | 606名患者的7825张内镜超声图像 | NA | EfficientNetV2, U-Net | 准确率, AUC, Dice系数, 软Dice评分 | NA |
| 4837 | 2025-11-01 |
ProtoMM: Interpretable Prototype-Based Multimodal Model for Brain Cancer Survival Prediction
2025-Oct-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01713-1
PMID:41168627
|
研究论文 | 提出一种基于原型的可解释多模态模型ProtoMM，用于脑癌生存预测 | 采用自解释原型和透明推理过程，通过多模态融合增强模态间交互，提供可靠病例解释 | NA | 开发可解释的多模态深度学习模型用于医疗数据分析 | 脑癌患者生存预测 | 医学影像分析 | 脑癌 | 多模态融合 | 原型网络 | 多模态医疗数据 | NA | NA | ProtoMM | C-Index | NA |
| 4838 | 2025-11-01 |
Deep Learning-based Model for Breast Implant Classification in Ultrasonography: A Multi-Institutional Model Development and Validation Study
2025-Oct-30, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf220
PMID:41168671
|
研究论文 | 开发基于深度学习的超声图像乳房假体分类模型并进行多机构验证 | 首次利用深度学习模型对超声图像中的乳房假体进行自动分类，并采用Grad-CAM增强模型可解释性 | 研究中存在一定局限性 | 开发可靠的乳房假体识别方法以解决患者假体信息缺失问题 | 乳房假体 | 计算机视觉 | 乳房假体相关 | 超声成像 | 深度学习 | 图像 | 来自2580名患者的4136个乳房假体的28712个超声PNG文件 | NA | NA | 平衡准确度 | NA |
| 4839 | 2025-11-01 |
Automated Scan Region Classification and Patient-specific Dose Modeling for Enhanced Dose Management in Computed Tomography
2025-Oct-30, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001247
PMID:41169122
|
研究论文 | 开发并评估一种AI辅助框架，用于自动CT扫描区域分类和患者特异性剂量评估 | 提出从基于人群的固定阈值转向动态患者特异性评估的新范式，显著减少非必要警报 | 回顾性研究，仅分析2955个CT照射事件 | 改进计算机断层扫描中的剂量管理，减少警报疲劳 | CT扫描数据和患者解剖特征 | 医学影像分析 | NA | 计算机断层扫描(CT) | 深度学习, 随机森林, 线性回归 | CT影像 | 2955个CT照射事件 | NA | NA | F1分数, 相关系数(r) | NA |
| 4840 | 2025-11-01 |
Retinal proteomics in neurodegeneration: Insights into ocular and brain disorders
2025-Oct-30, Neural regeneration research
IF:5.9Q1
DOI:10.4103/NRR.NRR-D-25-00291
PMID:41169217
|
综述 | 本文总结了视网膜蛋白质组学在神经退行性疾病和眼部疾病研究中的最新进展 | 整合人工智能驱动的计算流程和GPU加速的深度学习架构，显著提高了视网膜蛋白质组学的精确度和效率 | NA | 探索视网膜蛋白质组在神经退行性疾病和眼部疾病中的生物标志物和治疗靶点 | 视网膜蛋白质组 | 生物信息学 | 神经退行性疾病,眼部疾病 | 质谱蛋白质组学,多组学分析 | 深度学习 | 蛋白质组数据 | NA | NA | NA | 疾病特异性,敏感性 | GPU加速 |