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 32373 篇文献，本页显示第 4841 - 4860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4841 | 2025-10-06 |
Dual branch neural network with dynamic learning mechanism for P300-based brain-computer interfaces
2025-Jul-13, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107876
PMID:40712216
|
研究论文 | 提出一种双分支神经网络与动态学习机制，用于解决P300脑机接口中的类别不平衡问题 | 首次在P300脑机接口中引入双分支学习机制，同时考虑特征表示和类别不平衡，并采用动态学习机制逐步强化少数类样本的学习 | 仅在受试者依赖方案中进行验证，未涉及跨受试者泛化性能的评估 | 解决P300脑机接口系统中因类别不平衡导致的过拟合问题，提升分类性能 | P300脑电信号 | 脑机接口 | 残疾相关疾病 | 脑电信号采集 | 深度学习神经网络 | 脑电信号数据 | 公开数据集和自采集数据集 | NA | 双分支神经网络 | 准确率 | NA |
| 4842 | 2025-10-06 |
Analysis of the carotenoid cycle during microbial growth by combining fluorescence imaging and deep learning
2025-Jul-10, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126641
PMID:40712219
|
研究论文 | 结合荧光成像和深度学习分析微生物生长过程中的类胡萝卜素循环 | 首次检测两种海洋芽孢杆菌菌株生长过程中相对类胡萝卜素含量的动态实时变化 | 仅研究两种海洋芽孢杆菌菌株，样本范围有限 | 分析微生物生长过程中类胡萝卜素循环的动态变化 | 两种海洋芽孢杆菌孢子（编号#2430和#2966） | 计算机视觉 | NA | 拉曼光镊，活细胞动态成像，荧光显微镜 | 深度学习 | 图像 | 两种海洋芽孢杆菌菌株 | NA | UNet,VGG16 | 分析精度 | NA |
| 4843 | 2025-10-06 |
Monochromatic LeafAdaptNet (MLAN): an adaptive approach to spinach leaf disease detection using monochromatic imaging
2025-Jul-08, World journal of microbiology & biotechnology
IF:4.0Q2
DOI:10.1007/s11274-025-04442-3
PMID:40627236
|
研究论文 | 提出一种基于单色成像的自适应深度学习方法用于菠菜叶部病害检测 | 开发了基于DenseNet-121-DO的自定义单色叶片自适应网络(MLAN)，专门针对菠菜叶部病害检测进行优化 | NA | 通过深度学习目标检测技术改进菠菜叶部细菌和真菌病害的识别与分类 | 菠菜叶片（包括半菠菜、咖喱叶、辣木叶和生菜） | 计算机视觉 | 植物病害 | 单色成像 | CNN | 图像 | NA | Google Colaboratory | DenseNet-121-DO, Custom Monochromatic LeafAdaptNet (MLAN) | 准确率, 平均精度均值(mAP) | Google Colaboratory云平台 |
| 4844 | 2025-10-06 |
Deep Learning Based Models for CRISPR/Cas Off-Target Prediction
2025-Jul, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202500122
PMID:40468633
|
综述 | 本文综述了基于深度学习的CRISPR/Cas脱靶效应预测工具，并评估了六种深度学习模型的性能 | 首次系统评估六种深度学习模型在CRISPR/Cas脱靶预测中的表现，并验证整合高质量验证数据对模型性能的提升 | 没有模型在所有场景下都表现最优，模型性能受数据集特性影响 | 改进CRISPR/Cas基因组编辑技术的脱靶效应预测 | CRISPR/Cas脱靶位点(OTS) | 机器学习 | NA | CRISPR/Cas基因组编辑技术 | 深度学习 | 基因组序列数据 | 六个公共数据集和CRISPRoffT数据库的验证数据 | NA | CRISPR-Net, CRISPR-IP, R-CRISPR, CRISPR-M, CrisprDNT, Crispr-SGRU | Precision, Recall, F1 score, MCC, AUROC, PRAUC | NA |
| 4845 | 2025-10-06 |
Memory kernel minimization-based neural networks for discovering slow collective variables of biomolecular dynamics
2025-Jul, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00815-8
PMID:40495006
|
研究论文 | 提出一种基于记忆核最小化的深度学习框架MEMnets，用于发现生物分子动力学中的慢集体变量 | 基于积分广义主方程理论构建，通过并行编码器网络最小化时间积分记忆核的上界来识别最优集体变量，能够处理非马尔可夫动力学 | 在大型生物分子动态系统中有限采样条件下的应用仍需验证 | 准确识别生物分子构象变化中最慢时间尺度的集体变量 | 蛋白质构象变化，包括FIP35 WW结构域的折叠和细菌RNA聚合酶的钳口 opening | 机器学习 | NA | 深度学习 | 神经网络 | 生物分子动态数据 | NA | NA | 并行编码器网络 | 数值稳定性 | NA |
| 4846 | 2025-10-06 |
A deep learning phenome wide association study of the electrocardiogram
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf047
PMID:40703109
|
研究论文 | 本研究使用深度学习模型从心电图波形中检测1243种不同疾病表型，并探索心电图特征对疾病分类的贡献 | 首次通过深度学习表型全关联研究系统评估心电图可检测的疾病范围，发现多种新的可检测非心脏疾病 | 研究基于两家医疗中心的数据，可能存在选择偏倚；部分疾病检测机制仍需进一步解释 | 确定心电图可检测的心脏和非心脏疾病全谱系，并理解支持疾病分类的心电图特征 | 心电图波形和连接的电子健康记录数据 | 机器学习 | 心血管疾病 | 心电图分析 | 多任务深度学习模型 | 心电图波形数据 | 来自两家医疗中心的大规模数据集 | NA | PheWASNet | AUC | NA |
| 4847 | 2025-10-06 |
Novel artificial intelligence model using electrocardiogram for detecting acute myocardial infarction needing revascularization
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf049
PMID:40703113
|
研究论文 | 开发基于心电图的人工智能模型用于检测需要血运重建的急性心肌梗死 | 采用基于Transformer的深度学习模型，通过自监督学习在约一百万未标记心电图上进行预训练，显著提升急性心肌梗死检测性能 | 研究数据来自单中心推导队列和独立中心外部验证，可能存在选择偏倚 | 开发人工智能模型用于及时诊断需要血运重建的急性心肌梗死 | 急性心肌梗死患者的心电图数据 | 机器学习 | 心血管疾病 | 心电图 | Transformer | 心电图信号 | 推导队列：300,627名患者的723,389份心电图（含5,872例AMI）；外部验证：259,454名患者的261,429份心电图（含1,095例AMI） | NA | Transformer | AUROC | NA |
| 4848 | 2025-10-06 |
Development and multinational validation of an ensemble deep learning algorithm for detecting and predicting structural heart disease using noisy single-lead electrocardiograms
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf034
PMID:40703117
|
研究论文 | 开发并验证了一种基于单导联心电图的集成深度学习算法，用于检测和预测结构性心脏病 | 首次开发了能够适应噪声的单导联AI-ECG算法，可在便携/可穿戴设备上使用 | 研究主要基于医院数据，社区筛查应用仍需进一步验证 | 开发适用于社区筛查的结构性心脏病检测和预测算法 | 来自多个医疗机构的患者心电图和超声心动图数据 | 机器学习 | 心血管疾病 | 心电图 | 深度学习 | 心电图信号 | 266,740份心电图，来自99,205名患者 | NA | 集成深度学习 | AUROC, 校准曲线 | NA |
| 4849 | 2025-10-06 |
Detection of subclinical atherosclerosis by image-based deep learning on chest X-ray
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf033
PMID:40703133
|
研究论文 | 开发基于胸部X光片的深度学习系统用于检测亚临床动脉粥样硬化 | 首次利用常规胸部X光片通过深度学习预测冠状动脉钙化评分，为无创检测亚临床动脉粥样硬化提供新方法 | 需要在前瞻性研究中进一步验证，样本量相对有限（540例） | 开发基于深度学习的冠状动脉钙化评分预测系统 | 一级预防患者群体 | 计算机视觉 | 心血管疾病 | 胸部X光摄影，胸部计算机断层扫描 | 深度学习 | 医学影像 | 460例训练和内部验证，90例外部验证，总计540例 | NA | AI-CAC模型 | AUC, 敏感性, 阴性预测值 | NA |
| 4850 | 2025-10-06 |
Explainable AI for Cotton Leaf Disease Classification: A Metaheuristic-Optimized Deep Learning Approach
2025-Jul, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.70658
PMID:40703612
|
研究论文 | 提出一种结合元启发式优化的可解释深度学习框架用于棉花叶部病害分类 | 结合EfficientNetB3和InceptionResNetV2的混合架构，并集成LIME和SHAP等可解释AI技术增强模型透明度 | NA | 开发可靠、可解释且适用于田间应用的棉花叶部病害诊断工具 | 棉花叶部病害图像 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | NA | NA | EfficientNetB3,InceptionResNetV2 | 准确率,精确率,召回率,F1分数,AUC-ROC | NA |
| 4851 | 2025-10-06 |
Multistage attention-based extraction and fusion of protein sequence and structural features for protein function prediction
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf374
PMID:40569190
|
研究论文 | 提出一种基于多阶段注意力机制的蛋白质功能预测框架MAEF-GO，通过融合蛋白质序列和结构特征提升预测性能 | 创新性地整合图卷积网络和图注意力网络提取结构特征，引入频域注意力机制捕获长程依赖，并采用交叉注意力模块实现多模态交互融合 | 未明确说明模型在特定蛋白质家族或功能类别上的泛化能力限制 | 开发能够更全面描述蛋白质功能的深度学习预测模型 | 蛋白质功能预测 | 生物信息学 | NA | 蛋白质序列分析，结构特征提取 | 图卷积网络(GCN)，图注意力网络(GAT)，注意力机制 | 蛋白质序列数据，结构数据 | NA | PyTorch | 多阶段注意力机制，交叉注意力模块 | 准确性，精确度，召回率，F1分数，AUC | NA |
| 4852 | 2025-10-06 |
DeepFace: A High-Precision and Scalable Deep Learning Pipeline for Predicting Large-Scale Brain Activity from Facial Dynamics in Mice
2025-Jun-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.10.658952
PMID:40661434
|
研究论文 | 介绍DeepFace这一新一代面部分析流程，用于提升小鼠面部动态追踪和皮层活动预测能力 | 在DeepLabCut和Facemap基础上构建，解决可扩展性瓶颈并改进行为量化，提供高精度、关键点定制化以及跨多种GCaMP系列的稳健性能 | NA | 开发高精度可扩展的深度学习流程，从小鼠面部动态预测大规模脑活动 | 小鼠 | 计算机视觉 | NA | 深度学习，面部动态分析 | 深度学习模型 | 面部动态视频数据 | 大规模小鼠样本 | NA | NA | 精度，稳健性 | 高性能计算兼容，可扩展批处理 |
| 4853 | 2025-10-06 |
Spatial multi-omics and deep learning reveal fingerprints of immunotherapy response and resistance in hepatocellular carcinoma
2025-Jun-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.11.656869
PMID:40661489
|
研究论文 | 本研究通过空间多组学技术和深度学习揭示肝细胞癌免疫治疗应答与耐药的特征图谱 | 开发了可解释的多模态深度学习框架，结合空间转录组和蛋白质组数据识别免疫治疗应答的关键特征，并发现非应答者中限制性细胞外基质因子形成的界面生态位 | 研究样本量有限，需要在更大队列中验证发现的特征 | 探索肝细胞癌免疫治疗应答和耐药的分子机制 | 人类肝细胞癌组织样本（免疫治疗前后采集） | 数字病理学 | 肝细胞癌 | 空间转录组学, 空间蛋白质组学 | 图神经网络 | 空间多组学数据 | NA | NA | 图神经网络 | ROC-AUC | NA |
| 4854 | 2025-10-06 |
Upper Airway Volume Predicts Brain Structure and Cognition in Adolescents
2025-Jun-03, American journal of respiratory and critical care medicine
IF:19.3Q1
DOI:10.1164/rccm.202409-1748OC
PMID:40460372
|
研究论文 | 本研究通过深度学习分析MRI图像，发现上呼吸道体积可预测青少年大脑结构和认知能力 | 首次在大型儿科队列中应用深度学习进行上呼吸道分割，并建立上呼吸道体积与认知功能及脑结构的关联 | 观察性研究设计无法确定因果关系，结果主要基于相关性分析 | 评估MRI衍生的上呼吸道体积与儿童认知功能和区域皮质灰质体积的关系 | 11,875名9-10岁青少年 | 数字病理 | 睡眠呼吸障碍 | 磁共振成像 | 深度学习 | MRI图像 | 11,875名儿童，5,552,640个脑部MRI切片 | NA | NA | 均值差异, 95%置信区间, P值 | NA |
| 4855 | 2025-10-06 |
Genome structure mapping with high-resolution 3D genomics and deep learning
2025-May-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.06.650874
PMID:40654659
|
研究论文 | 本文介绍了一种结合高分辨率3D基因组学和深度学习的方法，用于预测细胞类型特异性的3D基因组结构 | 开发了基于注意力机制的深度学习模型Cleopatra，通过预训练和微调策略实现亚千碱基级别的3D基因组图谱预测 | 方法依赖于特定类型的表观基因组数据，可能无法完全覆盖所有细胞类型的复杂性 | 建立超高分辨率3D基因组图谱预测框架，研究细胞类型特异性基因调控机制 | 四种人类细胞类型的3D基因组结构 | 机器学习 | NA | 区域捕获微C技术(RCMC), 微C技术(Micro-C), 表观基因组分析 | 深度学习, 注意力机制 | 表观基因组数据, 3D基因组接触图谱 | 四种人类细胞类型 | NA | 基于注意力的深度学习架构 | 预测准确性, 分辨率 | NA |
| 4856 | 2025-10-06 |
High-Performance Method and Architecture for Attention Computation in DNN Inference
2025-04, IEEE transactions on biomedical circuits and systems
IF:3.8Q2
DOI:10.1109/TBCAS.2024.3436837
PMID:39088504
|
研究论文 | 提出一种基于存内计算的在线可编程注意力硬件架构，用于深度神经网络推理中的注意力计算 | 将注意力计算分解为级联组合矩阵运算降低硬件复杂度，设计在线可编程CIM架构通过动态调整权重提高计算精度 | 基于100nm CMOS工艺验证，尚未在实际医疗影像应用中测试 | 解决注意力机制在硬件部署中的高资源消耗和低精度问题 | 深度神经网络中的注意力计算硬件架构 | 机器学习 | NA | 存内计算(CIM) | DNN | NA | NA | NA | Attention | 集成密度, 能效, 延迟, 计算效率 | 100nm CMOS工艺, Spice仿真 |
| 4857 | 2025-10-06 |
Comparative evaluation of deep learning architectures, including UNet, TransUNet, and MIST, for left atrium segmentation in cardiac computed tomography of congenital heart diseases
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00087
PMID:40703371
|
研究论文 | 比较UNet、TransUNet和MIST三种深度学习架构在先天性心脏病心脏CT图像左心房分割中的性能 | 首次系统比较三种深度学习架构在先天性心脏病左心房分割中的表现，并深入分析MIST模型中空间注意力机制的有效性 | MIST模型计算开销较大，临床实际部署存在困难 | 评估不同深度学习模型在心脏CT图像左心房分割中的性能差异 | 先天性心脏病患者的左心房 | 计算机视觉 | 心血管疾病 | 心脏计算机断层扫描 | 深度学习 | 医学图像 | 108个公开可用的CT体积数据，其中97例用于训练验证，11例用于测试 | NA | UNet, TransUNet, MIST | Dice分数, HD95 | NA |
| 4858 | 2025-10-06 |
Development of automatic organ segmentation based on positron-emission tomography analysis system using Swin UNETR in breast cancer patients in Korea
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00094
PMID:40703367
|
研究论文 | 开发基于Swin UNETR的PET自动器官分割系统，用于韩国乳腺癌患者的标准化SUV评估 | 首次将Swin UNETR模型应用于乳腺癌患者PET影像的自动器官分割，实现全器官SUV分析的标准化 | 样本量有限（总样本60例），仅针对韩国人群进行研究 | 通过深度学习标准化核医学影像中的SUV评估，提高乳腺癌诊断和预后准确性 | 乳腺癌患者的关键器官（乳腺、肝脏、脾脏和骨髓） | 数字病理 | 乳腺癌 | PET（正电子发射断层扫描） | Swin UNETR | 医学影像 | 60例患者（训练集40例，验证集10例，独立测试集10例） | PyTorch | Swin UNETR | 分割准确度 | NA |
| 4859 | 2025-10-06 |
Cyclic dual latent discovery for improved blood glucose prediction through patient-provider interaction modeling: a prediction study
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00332
PMID:40703385
|
研究论文 | 提出一种循环双潜在发现(CDLD)深度学习框架，通过建模患者-医护人员交互来改进血糖水平预测 | 首次将患者-医护人员交互建模引入血糖预测框架，采用循环训练机制交替更新患者和医护人员的潜在表示 | 仅使用ICU患者数据，可能限制模型在普通糖尿病患者的泛化能力 | 提高血糖变异性预测准确性以改善糖尿病管理 | ICU患者及其与医护人员的交互记录 | 机器学习 | 糖尿病 | 深度学习 | 深度学习框架 | 电子健康记录，患者-医护人员交互数据 | 来自MIMIC-IV v3.0数据库的约5,014个患者-医护人员交互实例 | NA | 循环双潜在发现(CDLD) | 均方根误差(RMSE) | NA |
| 4860 | 2025-10-06 |
Physics-Informed Autoencoder for Prostate Tissue Microstructure Profiling with Hybrid Multidimensional MRI
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240167
PMID:39907585
|
研究论文 | 本研究评估了物理信息自编码器在利用混合多维MRI测量前列腺癌组织生物标志物方面的性能 | 将三室扩散弛豫模型与混合多维MRI整合到自监督深度学习模型中，无需大量训练数据即可预测组织特异性生物标志物 | 回顾性研究设计，样本量相对较小（21名患者） | 开发准确、非侵入性且可解释的人工智能方法用于前列腺癌检测 | 前列腺癌患者和前列腺组织 | 数字病理 | 前列腺癌 | 混合多维MRI, MR扩散加权成像 | 自编码器, 深度学习 | MRI图像 | 21名前列腺癌患者（平均年龄60岁±6.6，全部男性），71个感兴趣区域 | NA | 堆叠自编码器 | 组内相关系数, Pearson相关系数 | NA |