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 32372 篇文献，本页显示第 481 - 500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 481 | 2025-10-05 |
Understanding Cancer Survivorship Care Needs Using Amazon Reviews: Content Analysis, Algorithm Development, and Validation Study
2025-Sep-23, JMIR cancer
IF:3.3Q2
DOI:10.2196/71102
PMID:40986859
|
研究论文 | 通过分析亚马逊消费者评论来识别癌症幸存者护理需求，并开发自然语言处理模型 | 首次使用亚马逊消费者评论作为识别癌症幸存者护理需求的新数据源，并构建了公开可用的标注语料库 | 样本量相对有限（仅159条评论被标注），模型性能仍有提升空间 | 利用电商平台评论数据识别癌症幸存者的症状自我管理需求 | 亚马逊健康相关产品的消费者评论 | 自然语言处理 | 癌症 | 内容分析、情感分析、主题建模、命名实体识别、文本分类 | 深度学习、大语言模型(LLM) | 文本 | 4703个包含癌症提及的句子，来自3349条评论和2589个不同产品 | NA | Bert-base-cased, gpt4-1106-preview-chat | F1-score | NA |
| 482 | 2025-10-05 |
Mapping the Evolution of Artificial Intelligence in Medical Materials
2025-Sep-23, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c06324
PMID:41018643
|
研究论文 | 通过文献计量分析评估人工智能在医用材料领域的研究现状和发展趋势 | 首次对人工智能在医用材料领域的整体研究格局进行系统性文献计量分析 | 仅基于Web of Science核心合集的108篇文献，样本量有限 | 分析人工智能在医用材料领域的研究演进和发展趋势 | 医用材料领域的人工智能研究文献 | 机器学习 | NA | 文献计量分析 | NA | 文献数据 | 108篇出版物 | NA | NA | NA | NA |
| 483 | 2025-10-05 |
Exploring pocket-aware inhibitors of BTK kinase by generative deep learning, molecular docking, and molecular dynamics simulations
2025-Sep-22, RSC advances
IF:3.9Q2
DOI:10.1039/d5ra04840k
PMID:41019811
|
研究论文 | 通过生成式深度学习、分子对接和分子动力学模拟探索BTK激酶口袋感知抑制剂 | 提出整合生成式深度学习、分子对接和分子动力学模拟的计算框架，用于探索BTK激酶J口袋的抑制剂 | 研究仅通过计算模拟验证，缺乏实验验证 | 开发高选择性、高亲和力、低毒性的BTK激酶抑制剂 | BTK激酶及其抑制剂 | 计算生物学 | NA | 生成式深度学习,分子对接,分子动力学模拟 | 生成式深度学习模型 | 分子结构数据 | 从10,000个生成分子中筛选出5个候选分子 | NA | NA | 结合自由能,构象动力学稳定性,抑制活性 | NA |
| 484 | 2025-10-05 |
A Preliminary Study on Deep Learning-Based Plan Quality Prediction in Gamma Knife Radiosurgery for Brain Metastases
2025-Sep-18, Cancers
IF:4.5Q1
DOI:10.3390/cancers17183056
PMID:41008897
|
研究论文 | 本研究提出基于深度学习的伽玛刀放射外科治疗脑转移瘤计划质量预测方法 | 采用分层密集连接U-Net架构，并结合Dice相似系数损失函数提升计划质量指标预测精度 | 研究为初步研究，样本量相对有限（463个脑转移灶），需要进一步验证 | 开发能够从患者特定几何特征预测可实现的临床可接受计划质量的深度学习方法 | 脑转移瘤患者的伽玛刀治疗计划 | 医学影像分析 | 脑转移瘤 | 深度学习 | CNN | 医学影像 | 175名患者的463个脑转移灶 | NA | 分层密集连接U-Net | 平均绝对误差, Dice相似系数, Wilcoxon符号秩检验p值 | NA |
| 485 | 2025-10-05 |
Metaproteomics Beyond Databases: Addressing the Challenges and Potentials of De Novo Sequencing
2025-Sep, Proteomics
IF:3.4Q2
DOI:10.1002/pmic.202400321
PMID:39888246
|
观点文章 | 探讨宏蛋白质组学中从头测序技术的演变、优势、局限性和未来机遇 | 系统分析从头测序技术在宏蛋白质组学中的发展历程，特别关注基于图论、标签和深度学习的最新方法进展 | 依赖于现有数据库的局限性，对复杂和特征不明确的微生物组分析存在挑战 | 研究宏蛋白质组学中从头测序技术的应用潜力和发展方向 | 微生物群落蛋白质和肽段序列 | 生物信息学 | NA | 质谱分析, 从头测序 | 深度学习 | 质谱数据 | NA | NA | NA | 肽段识别准确率 | NA |
| 486 | 2025-10-05 |
Artificial Intelligence and Network Medicine: Path to Precision Medicine
2025-Sep, NEJM AI
DOI:10.1056/aira2401229
PMID:40918693
|
综述 | 本文综述了人工智能与网络医学结合在精准医学领域的应用与挑战 | 将网络医学与人工智能（特别是深度学习）技术相结合，用于分析大型多组学数据集 | 面临生物医学复杂性的持续挑战 | 通过AI与网络医学结合推进精准医学发展 | 分子相互作用网络和多组学数据集 | 机器学习 | NA | 多组学数据分析 | 深度学习 | 分子相互作用网络数据 | NA | NA | NA | 预测精度 | NA |
| 487 | 2025-10-05 |
Multicenter Validation of Automated Segmentation and Composition Analysis of Lumbar Paraspinal Muscles Using Multisequence MRI
2025-Sep, Radiology. Artificial intelligence
DOI:10.1148/ryai.240833
PMID:40833261
|
研究论文 | 开发并验证基于深度学习的自动化腰椎旁肌分割及成分分析方法 | 首次在多中心、多序列MRI数据上实现腰椎旁肌的自动分割和脂肪浸润评估 | 回顾性研究设计，样本来源有限 | 开发自动化腰椎旁肌分析工具以辅助慢性腰痛研究 | 腰椎旁肌 | 计算机视觉 | 慢性腰痛 | 多序列MRI | CNN | 医学影像 | 641名参与者的1302张MRI图像，来自五个中心 | NA | NA | Dice相似系数, 组内相关系数, 双侧等效检验 | NA |
| 488 | 2025-10-05 |
Interpretable Disorder Signatures: Probing Neural Latent Spaces for Schizophrenia, Alzheimer's, and Autism Stratification
2025-Sep-01, Brain sciences
IF:2.7Q3
DOI:10.3390/brainsci15090954
PMID:41008314
|
研究论文 | 开发并验证了一种基于时间反转自监督预训练的可解释深度学习框架，用于识别多种神经精神疾病的生物标志物 | 首次将时间反转自监督预训练应用于fMRI分类，通过潜在空间分析揭示疾病特异性的功能网络生物标志物 | 仅在五个临床数据集上验证，样本量有限，需要更大规模的研究验证普适性 | 开发可解释的深度学习框架，识别神经精神疾病的一致功能网络生物标志物 | 精神分裂症、阿尔茨海默病和自闭症谱系障碍患者 | 神经影像分析 | 精神分裂症,阿尔茨海默病,自闭症谱系障碍 | fMRI, 自监督学习 | LSTM | 功能磁共振成像数据 | Human Connectome Project数据集及五个临床数据集(FBIRN, BSNIP, ADNI, OASIS, ABIDE) | NA | 分层LSTM | AUC, Pearson相关系数, 统计显著性检验 | NA |
| 489 | 2025-10-05 |
Identifying survival subtypes with autoencoder using multiple types of high-dimensional genomic data from studies of glioblastoma multiforme
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf499
PMID:41016009
|
研究论文 | 本研究通过自编码器整合多组学数据识别胶质母细胞瘤患者的生存亚型 | 首次将自编码器深度学习方法应用于整合RNA-seq、甲基化和DNA拷贝数变异数据来识别胶质母细胞瘤生存亚型 | 研究仅基于TCGA公共数据库数据，需要外部验证 | 识别胶质母细胞瘤患者的生存亚型并理解其分子特征 | 胶质母细胞瘤患者的多组学数据 | 机器学习 | 胶质母细胞瘤 | RNA-seq, 甲基化测序, DNA拷贝数变异分析 | 自编码器, Cox-PH模型 | 基因组数据 | TCGA数据库中的胶质母细胞瘤患者样本 | NA | 自编码器 | 交叉验证 | NA |
| 490 | 2025-10-05 |
The Path Towards Effective Long-Lasting Tissue-Targeted Prime/Pull/Keep Herpes Simplex Therapeutic Vaccines
2025-Aug-27, Vaccines
IF:5.2Q1
DOI:10.3390/vaccines13090908
PMID:41012114
|
综述 | 本文探讨了针对单纯疱疹病毒的有效长效组织靶向Prime/Pull/Keep治疗性疫苗的开发路径 | 提出结合组学、人工智能和深度学习的理性疫苗设计方法，开发能同时在感觉神经节和皮肤黏膜组织诱导持久T细胞免疫的PPK疫苗策略 | 目前PPK疫苗仅在临床前动物模型中显示成功，尚未进入临床应用阶段 | 开发针对HSV-1和HSV-2的有效长效治疗性疫苗 | 单纯疱疹病毒1型和2型(HSV-1和HSV-2) | 医学免疫学 | 疱疹病毒感染 | 组学技术,人工智能,深度学习 | NA | NA | 临床前动物模型 | NA | NA | NA | NA |
| 491 | 2025-10-05 |
Revolution or routine? Comparing AI and traditional imaging in thoracic surgery outcomes: a systematic review
2025-Aug, Journal of medicine and life
DOI:10.25122/jml-2025-0120
PMID:41020084
|
系统综述 | 比较人工智能与传统影像方法在胸外科术后成像中的应用及效果 | 系统比较AI/ML与传统影像方法在胸外科的应用，探讨深度学习等新兴技术的未来发展潜力 | NA | 评估AI和机器学习在胸外科术后影像中的当前应用和未来发展方向 | 胸外科术后患者的影像数据 | 医学影像分析 | 胸外科疾病 | 医学影像分析 | 深度学习,神经网络 | 医学影像 | NA | NA | NA | NA | NA |
| 492 | 2025-10-05 |
Fluctuation structure predicts genome-wide perturbation outcomes
2025-Jul-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.27.661814
PMID:40631127
|
研究论文 | 提出基于基因共波动预测全基因组扰动结果的CIPHER框架 | 利用统计物理学的线性响应理论，通过未扰动细胞的基因共波动预测转录组范围扰动结果 | NA | 开发能解释全基因组扰动结果的理论模型 | 单细胞扰动筛选数据 | 机器学习 | NA | 单细胞扰动筛选 | 贝叶斯推断 | 基因表达数据 | 11个大规模单细胞扰动数据集，涵盖4,234个扰动和超过136万细胞 | NA | 线性响应理论框架 | 模型性能比较 | NA |
| 493 | 2025-10-05 |
Deep learning inference of cell type-specific gene expression from breast tumor histopathology
2025-May-09, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.04.652089
PMID:41030996
|
研究论文 | 开发了一种从乳腺癌组织病理学全切片图像直接预测细胞类型特异性基因表达的深度学习工具 | 首次实现直接从常规组织病理学图像推断细胞类型特异性基因表达，无需进行昂贵的单细胞或批量RNA测序 | 在9种细胞类型中仅对癌症相关成纤维细胞、癌细胞和髓系细胞的预测效果最佳 | 开发低成本、快速的细胞类型特异性基因表达推断方法 | 乳腺癌组织样本 | 数字病理学 | 乳腺癌 | 单细胞RNA测序, 批量RNA测序, 组织病理学成像 | 深度学习 | 全切片图像, 基因表达数据 | TCGA乳腺癌队列和160例独立队列 | NA | NA | 化疗反应预测准确性 | NA |
| 494 | 2025-10-05 |
Assessing Quantitative Performance and Expert Review of Multiple Deep Learning-Based Frameworks for Computed Tomography-based Abdominal Organ Auto-Segmentation
2025-Apr, Intelligent oncology
DOI:10.1016/j.intonc.2025.03.003
PMID:41020282
|
研究论文 | 本研究对多种基于深度学习的框架在CT图像腹部器官自动分割中的性能进行了全面评估 | 首次对AutoML框架（Auto3DSeg、nnU-Net）与最先进的非AutoML框架（SwinUNETR）在腹部器官分割任务中进行了系统比较 | 仅使用122张训练图像和72张验证图像，样本量相对有限 | 评估不同深度学习框架在CT图像腹部器官自动分割中的性能表现 | 腹部器官CT图像分割 | 计算机视觉 | 肿瘤疾病 | 计算机断层扫描（CT） | 深度学习 | 医学图像 | 122张训练图像和72张验证图像，来自AMOS挑战赛数据集 | Auto3DSeg, nnU-Net, SwinUNETR | U-Net, Transformer | Dice相似系数, 表面DSC, 95百分位Hausdorff距离, Likert量表评分 | NA |
| 495 | 2025-10-05 |
Swin transformers are robust to distribution and concept drift in endoscopy-based longitudinal rectal cancer assessment
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3046794
PMID:41018523
|
研究论文 | 本研究评估Swin Transformer在内镜图像纵向直肠癌评估中对分布偏移和概念漂移的鲁棒性 | 首次系统比较Swin Transformer与传统卷积网络在直肠癌内镜图像分析中对分布偏移的鲁棒性，并采用最优传输方法模拟颜色偏移 | 研究主要基于私有数据集和公共结肠镜数据集，需要更多外部验证 | 开发对分布偏移具有鲁棒性的直肠癌内镜图像自动评估方法 | 直肠癌患者的内镜图像 | 计算机视觉 | 直肠癌 | 内镜成像 | Transformer, CNN | 图像 | 私有数据集和公共结肠镜数据集 | NA | Swin Transformer, ResNet-50, WideResNet-50, Vision Transformer | 准确率 | NA |
| 496 | 2025-10-05 |
Design of a Low-Complexity Deep Learning Model for Diagnosis of Type 2 Diabetes
2025, Current diabetes reviews
IF:2.4Q3
|
研究论文 | 设计了一种用于2型糖尿病诊断的低复杂度深度学习模型 | 提出了一种结合CNN和MLP的混合模型，在保持高精度的同时降低了模型复杂度 | 仅使用PIMA印度糖尿病数据集进行验证，未在其他数据集上测试 | 开发适用于资源受限设备的糖尿病诊断模型 | 2型糖尿病患者 | 机器学习 | 糖尿病 | 深度学习 | CNN, MLP | 临床数据 | PIMA印度糖尿病数据集 | NA | CNN+MLP混合架构 | 准确率 | 适用于可穿戴设备和物联网健康监测应用的低复杂度设计 |
| 497 | 2025-10-05 |
Revolutionizing electrocardiography: the role of artificial intelligence in modern cardiac diagnostics
2025-Jan, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000002778
PMID:40109609
|
综述 | 探讨人工智能在心电图分析中的革命性应用及其对现代心脏诊断的影响 | 系统阐述深度学习模型（特别是CNN）在心电图分析中实现自动化高精度诊断的突破性进展 | 模型可解释性不足、数据隐私问题以及训练数据集多样性缺乏 | 提升心电图分析的准确性和效率，推动心脏诊断的自动化和个性化发展 | 心电图数据及其在心律失常检测、异常搏动分类和结构性心脏病预测中的应用 | 自然语言处理 | 心血管疾病 | NA | CNN | 心电图信号 | NA | NA | 卷积神经网络 | 准确率 | NA |
| 498 | 2025-10-05 |
The Current Research Landscape on the Machine Learning Application in Autism Spectrum Disorder: A Bibliometric Analysis From 1999 to 2023
2025, Current neuropharmacology
IF:4.8Q1
|
文献计量分析 | 通过文献计量分析方法研究1999-2023年间机器学习在自闭症谱系障碍领域的研究现状和热点主题 | 首次系统分析机器学习在自闭症谱系障碍领域的研究趋势、热点演变和未来发展方向 | 仅基于Web of Science数据库，可能未涵盖所有相关文献 | 探索机器学习在自闭症谱系障碍研究中的应用趋势和热点主题 | 1999-2023年间发表的1357篇相关学术论文 | 机器学习 | 自闭症谱系障碍 | 文献计量分析，神经影像技术，脑电图 | NA | 文献数据，神经影像数据，脑电图数据 | 1357篇论文 | Microsoft Excel, VOSviewer, CiteSpace | NA | NA | NA |
| 499 | 2025-10-05 |
AI Applications in Transfusion Medicine: Opportunities, Challenges, and Future Directions
2025, Acta haematologica
IF:1.7Q3
DOI:10.1159/000546303
PMID:40349705
|
综述 | 本文探讨人工智能在输血医学领域的应用机遇、挑战与未来发展方向 | 系统梳理AI技术在输血医学多领域的整合应用，包括机器学习、深度学习、自然语言处理和预测分析等工具 | 当前研究多处于探索阶段，存在临床工作流程差异、算法透明度、公平访问及数据隐私伦理等问题 | 分析AI在输血医学中的应用潜力与实施挑战 | 输血医学领域的AI驱动工具与应用场景 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理, 预测分析 | NA | NA | NA | NA | NA | NA | NA |
| 500 | 2025-10-05 |
Deep Learning Applications in Lymphoma Imaging
2025, Acta haematologica
IF:1.7Q3
DOI:10.1159/000547427
PMID:40659002
|
综述 | 本文综述了深度学习在淋巴瘤影像学中的应用现状、挑战与发展前景 | 系统总结了深度学习在PET/CT、CT和MRI等多种淋巴瘤影像模态中的自动化检测、分割和分类应用 | 存在影像协议差异性影响模型泛化性、依赖小型回顾性数据集、模型可解释性不足以及临床工作流整合困难等挑战 | 探讨深度学习技术在淋巴瘤影像诊断和管理中的应用价值与实施挑战 | 淋巴瘤患者的PET/CT、CT和MRI影像数据 | 医学影像分析 | 淋巴瘤 | PET/CT、CT、MRI | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |