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 5021 - 5040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5021 | 2025-10-06 |
Integrating deep learning and clinical characteristics for early prediction of endometrial cancer using multimodal ultrasound imaging: a multicenter study
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1600242
PMID:40697376
|
研究论文 | 本研究开发了一种结合多模态超声成像和临床特征的深度学习模型，用于子宫内膜癌的早期预测 | 首次将多模态超声图像（二维和彩色多普勒）与临床风险因素通过深度学习进行整合，构建子宫内膜癌早期诊断模型 | 回顾性研究设计，样本量相对有限，需要更大规模的前瞻性多中心试验验证 | 提高子宫内膜癌的早期诊断准确性 | 611名患者（132例子宫内膜癌，479例非子宫内膜癌） | 医学影像分析 | 子宫内膜癌 | 多模态超声成像 | 深度学习模型 | 超声图像 | 1,443张多模态超声图像（来自611名患者） | NA | NA | AUC | NA |
| 5022 | 2025-10-06 |
FGA-Corn: an integrated system for precision pesticide application in center leaf areas using deep learning vision
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1571228
PMID:40697871
|
研究论文 | 开发了一种基于深度学习视觉的玉米中心叶片区域精准农药喷洒集成系统 | 提出FGA-Corn集成系统，包含FCRF机械结构、ASDS决策算法和GMA-YOLOv8检测算法，在YOLOv8n基础上引入GHG2S骨干网络和混合局部通道注意力机制 | NA | 解决传统农药喷洒浪费和环境污染问题，实现精准农业施药 | 玉米作物的中心叶片区域 | 计算机视觉 | NA | 深度学习视觉 | CNN | 图像 | D1和D2两个数据集 | YOLOv8 | YOLOv8n, GHG2S, GhostConv, SimAM, Mixed Local Channel Attention | mAP@0.5, 检测准确率, 农药输送率, 输送精度, 模型大小, 计算复杂度 | NA |
| 5023 | 2025-10-06 |
Development and validation of a deep learning-based pathomics signature for prognosis and chemotherapy benefits in colorectal cancer: a retrospective multicenter cohort study
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1602909
PMID:40698083
|
研究论文 | 开发并验证基于深度学习的病理组学特征用于结直肠癌预后预测和化疗获益评估 | 首次从H&E染色全切片图像中开发可解释的多示例学习模型构建病理组学特征，结合SHAP和Grad-CAM提升模型可解释性 | 回顾性研究设计，需要前瞻性研究进一步验证 | 提高结直肠癌预后预测准确性并指导辅助化疗决策 | 结直肠癌患者 | 数字病理 | 结直肠癌 | 全切片图像分析，转录组测序 | 多示例学习 | 病理图像，转录组数据 | 883张切片来自两个独立队列 | 深度学习框架 | 多示例学习模型 | 净重分类指数，综合判别指数 | NA |
| 5024 | 2025-10-06 |
Dynamic Multi-Image Weighting for Automated Detection and Diagnosis of Abnormal Urinary Tract on Voiding Cystourethrography with a Deep Learning System: A Retrospective, Large-Scale, Multicenter Study
2025, Research (Washington, D.C.)
DOI:10.34133/research.0771
PMID:40698328
|
研究论文 | 开发用于排尿性膀胱尿道造影的深度学习诊断系统，通过动态多图像加权实现尿路异常的自动检测与诊断 | 提出新型架构实现单张VCUG图像的膀胱、尿道和输尿管自动分割与诊断，并动态评估每张图像的相对重要性 | 回顾性研究，数据来源于15家中国医院，可能存在选择偏倚 | 开发自动诊断尿路异常的深度学习系统并评估其临床辅助价值 | 排尿性膀胱尿道造影图像中的膀胱、尿道和输尿管 | 计算机视觉 | 泌尿系统疾病 | VCUG成像技术 | 深度学习 | 医学图像 | 1,660名患者的7,899张VCUG图像 | NA | NA | AUC, 诊断一致性 | NA |
| 5025 | 2025-10-06 |
Deep learning for pediatric chest x-ray diagnosis: Repurposing a commercial tool developed for adults
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0328295
PMID:40705715
|
研究论文 | 本研究评估了将成人胸部X光AI诊断工具(Lunit INSIGHT CXR)重新应用于儿科患者的诊断性能 | 首次系统评估商用成人AI工具在儿科胸部X光诊断中的适应性和性能表现 | 研究样本仅包含2-14岁儿童，未涵盖婴幼儿群体；使用单中心数据 | 验证成人AI诊断工具在儿科胸部X光中的适用性 | 958例2-14岁儿童的连续正面胸部X光片 | 医学影像分析 | 儿科胸部疾病 | 胸部X光摄影 | 深度学习 | 医学影像 | 958例儿童胸部X光片，其中200例(20.9%)存在相关病理发现 | NA | Lunit INSIGHT CXR | AUC, 敏感性, 特异性 | 商用AI工具 |
| 5026 | 2025-10-06 |
Multi-modal deep learning for intelligent landscape design generation: A novel CBS3-LandGen model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0328138
PMID:40705822
|
研究论文 | 提出了一种基于多模态深度学习的智能景观设计生成模型CBS3-LandGen | 首次将ConvNeXt、BART和StyleGAN3集成到多模态架构中，实现图像与文本数据的协同生成优化 | 未明确说明模型在复杂地形和特殊设计需求下的适应性 | 开发智能景观设计生成方法以提高设计效率和精准度 | 景观设计方案的自动生成 | 计算机视觉 | NA | 多模态深度学习 | CNN,Transformer,GAN | 图像,文本 | DeepGlobe和COCO数据集 | PyTorch | ConvNeXt,BART,StyleGAN3 | FID,IS | NA |
| 5027 | 2025-10-06 |
FedGAN: Federated diabetic retinopathy image generation
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0326579
PMID:40705831
|
研究论文 | 提出FedGAN联邦学习框架，用于生成糖尿病视网膜病变的合成医学图像 | 将生成对抗网络与跨机构联邦学习相结合，在保护隐私的前提下生成高质量合成医学图像 | NA | 解决医学AI中数据稀缺和隐私保护的挑战，实现机构间的安全协作 | 糖尿病视网膜病变图像 | 计算机视觉 | 糖尿病视网膜病变 | GAN | GAN | 医学图像 | NA | NA | DCGAN | 真实感评分 | NA |
| 5028 | 2025-10-06 |
Correction: Deep learning-based text generation for plant phenotyping and precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1648292
PMID:40708587
|
correction | 对一篇关于基于深度学习的植物表型和精准农业文本生成文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5029 | 2025-10-06 |
Ultrasound radiomics models improve preoperative diagnosis and reduce unnecessary biopsies in indeterminate thyroid nodules
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1615304
PMID:40708722
|
研究论文 | 开发超声影像组学模型用于术前诊断不确定甲状腺结节并减少不必要活检 | 首次针对病理结果确认的不确定甲状腺结节开发超声影像组学模型，并显著减少不必要活检 | 回顾性研究，样本量有限（197个结节） | 提高不确定甲状腺结节的诊断准确性并减少不必要手术 | 不确定甲状腺结节 | 医学影像分析 | 甲状腺结节 | 超声影像 | 影像组学模型 | 超声图像 | 197个不确定甲状腺结节（训练集136个，验证集61个） | Pyradiomics, 3-Dimensional Slicer | Radunion模型, Radsize模型 | 灵敏度, 特异度, 阳性预测值, 阴性预测值, 准确率, ROC分析 | NA |
| 5030 | 2025-10-06 |
Neural signals, machine learning, and the future of inner speech recognition
2025, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2025.1637174
PMID:40708808
|
综述 | 本文综述机器学习在内隐语音识别领域的应用、挑战与未来发展 | 将现有内隐语音识别方法纳入结构化数学框架进行整合，提出认知模型并开展机器学习方法的对比分析 | 当前技术存在神经信号采集质量不足等局限 | 探索机器学习在内隐语音识别中的应用与改进方法 | 内隐语音相关的神经信号 | 机器学习 | NA | 神经信号采集与预处理 | SVM,随机森林,CNN | 神经信号 | NA | NA | 卷积神经网络 | NA | NA |
| 5031 | 2025-10-06 |
ABCFold: easier running and comparison of AlphaFold 3, Boltz-1, and Chai-1
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf153
PMID:40708869
|
研究论文 | 开发了ABCFold工具，简化AlphaFold 3、Boltz-1和Chai-1的使用与结果比较 | 提供标准化输入流程，支持多种结构预测工具的并行运行和结果统一展示 | 未明确说明对特定类型目标的预测性能差异 | 简化深度学习蛋白质结构预测工具的使用流程 | 蛋白质及其复合物的原子结构预测 | 计算生物学 | NA | 深度学习结构预测 | AlphaFold 3, Boltz-1, Chai-1 | 蛋白质序列，多序列比对(MSA) | NA | Python, JavaScript | NA | 立体冲突分析 | NA |
| 5032 | 2025-10-06 |
Hybrid representation learning for human m6A modifications with chromosome-level generalizability
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf170
PMID:40708868
|
研究论文 | 提出两种混合深度学习模型用于预测人类m6A修饰位点，并评估其在染色体水平的泛化能力 | 整合局部序列特征和上下文嵌入的混合深度学习模型，首次在染色体水平验证模型泛化能力 | 深度全局表示在染色体独立设置中可能过拟合 | 开发具有染色体水平泛化能力的m6A修饰位点预测模型 | 人类m6A修饰位点 | 生物信息学 | NA | 深度学习 | CNN, 混合深度学习模型 | 基因组序列数据 | NA | NA | Hybrid Model, Hybrid Deep Model | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 5033 | 2025-10-06 |
Deep learning-assisted diagnosis of liver tumors using non-contrast magnetic resonance imaging: a multicenter study
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1582322
PMID:40708941
|
研究论文 | 开发并验证基于非对比MRI的深度学习模型用于肝脏肿瘤分类 | 首次使用非对比MRI开发深度学习模型进行肝脏病变分类，避免了对比剂使用 | 研究仅基于三个医疗中心的数据，需要更多外部验证 | 开发用于非对比MRI肝脏肿瘤分类的深度学习模型 | 肝脏肿瘤患者 | 医学影像分析 | 肝脏肿瘤 | 磁共振成像 | CNN | 医学影像 | 1959名患者的50418张增强MRI图像 | NA | Inception-ResNet V2 | AUC, 敏感性, 特异性 | NA |
| 5034 | 2025-10-06 |
Integrating multimodal cancer data using deep latent variable path modelling
2025, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-025-01052-4
PMID:40709098
|
研究论文 | 提出了一种名为深度潜变量路径建模的新方法，用于整合多模态癌症数据 | 将深度学习的表征能力与路径建模识别复杂系统中相互作用元素关系的能力相结合 | NA | 整合多模态癌症数据以全面理解疾病病理学 | 乳腺癌数据、单细胞数据、CRISPR-Cas9筛选数据和空间转录组数据 | 机器学习 | 乳腺癌 | 单核苷酸变异分析、甲基化分析、microRNA测序、RNA测序、组织学分析、CRISPR-Cas9筛选、空间转录组学 | 深度学习潜变量模型 | 基因组数据、表观遗传数据、转录组数据、组织学图像数据、单细胞数据、空间转录组数据 | NA | NA | 深度潜变量路径模型 | 数据类型间关联映射性能 | NA |
| 5035 | 2025-10-06 |
Bullying and cyberbullying. A high risk, in boys and girls, of superficial learning, poor planning and academic procrastination
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1567523
PMID:40709227
|
研究论文 | 分析霸凌和网络霸凌与学习方式、规划决策及学业拖延之间的关联 | 首次系统揭示霸凌行为对关键学习变量的影响，超越已知的身心社会情感层面 | 样本仅来自西班牙学龄儿童，结果可能受文化背景限制 | 探究霸凌与网络霸凌对学习策略和学业行为的影响 | 1263名10-16岁西班牙学龄儿童（51.39%为女孩） | 教育心理学 | NA | ANCOVA，二元逻辑回归 | NA | 问卷调查数据 | 1263名学龄儿童 | NA | NA | 风险比率，百分比差异 | NA |
| 5036 | 2025-10-06 |
Time is encoded by methylation changes at clustered CpG sites
2024-Dec-05, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.03.626674
PMID:39677642
|
研究论文 | 通过超深度测序和深度学习分析揭示DNA甲基化在成簇CpG位点的变化如何编码时间信息 | 发现年龄依赖性DNA甲基化变化呈区域性发生在多个相邻CpG位点，并首次使用单分子模式进行年龄预测 | 研究主要基于血液样本，其他组织类型的适用性需要进一步验证 | 探索DNA甲基化变化作为时间测量机制的生物学原理 | 健康个体的血液样本 | 机器学习 | NA | 超深度测序，单分子DNA甲基化分析 | 深度学习 | DNA甲基化测序数据 | 300多份血液样本，包含10年纵向样本 | NA | NA | 中位误差 | NA |
| 5037 | 2025-10-06 |
Subject-level spinal osteoporotic fracture prediction combining deep learning vertebral outputs and limited demographic data
2024-Sep-10, Archives of osteoporosis
IF:3.1Q1
DOI:10.1007/s11657-024-01433-z
PMID:39256211
|
研究论文 | 本研究结合深度学习椎体骨折评分和有限人口统计数据开发了受试者级别的脊柱骨质疏松性骨折预测模型 | 将深度学习椎体骨折评分与基本人口统计协变量相结合进行受试者级别骨折预测 | 仅使用有限的人口统计数据 | 开发自动化椎体骨折筛查方法以改善预后 | 脊柱骨质疏松性骨折患者 | 计算机视觉 | 骨质疏松症 | 放射影像分析 | CNN, GAM | X光图像 | 大型X光片数据集 | NA | 卷积神经网络 | AUC-ROC | NA |
| 5038 | 2025-10-06 |
Leveraging camera traps and artificial intelligence to explore thermoregulation behaviour
2024-09, The Journal of animal ecology
IF:3.5Q1
DOI:10.1111/1365-2656.14139
PMID:39039745
|
研究论文 | 开发深度学习框架自动检测和分类蜥蜴行为性体温调节 | 首次结合相机陷阱和人工智能技术自动化监测动物行为性体温调节 | 研究仅针对单一物种（粗尾岩鬣蜥）且在半自然条件下进行 | 开发自动化工具监测动物行为性体温调节以应对气候变化 | 粗尾岩鬣蜥（Laudakia vulgaris） | 计算机视觉 | NA | 相机陷阱图像采集 | 目标检测模型,图像分类模型 | 图像 | NA | NA | NA | 准确率 | NA |
| 5039 | 2025-10-06 |
SCorP: Statistics-Informed Dense Correspondence Prediction Directly from Unsegmented Medical Images
2024-Jul, Medical Image Understanding and Analysis. Medical Image Understanding and Analysis (Conference)
DOI:10.1007/978-3-031-66955-2_10
PMID:39444584
|
研究论文 | 提出SCorP框架，直接从非分割医学图像预测基于表面的对应关系，无需传统形状建模流程 | 通过无监督方式直接从表面网格学习形状先验，消除对优化形状模型监督训练的依赖，突破传统线性假设限制 | 仅在LGE MRI左心房数据集和Abdomen CT-1K肝脏数据集上验证，未在其他解剖结构或模态上测试 | 开发直接从非分割医学图像预测密集对应关系的统计形状建模方法 | 左心房和肝脏的解剖结构 | 医学图像分析 | 心血管疾病, 肝脏疾病 | 统计形状建模, 深度学习 | 教师-学生网络 | 医学图像(LGE MRI, CT) | LGE MRI左心房数据集和Abdomen CT-1K肝脏数据集 | NA | NA | 准确性, 鲁棒性 | NA |
| 5040 | 2025-10-06 |
Artificial intelligence to analyze magnetic resonance imaging in rheumatology
2024-05, Joint bone spine
IF:3.8Q1
DOI:10.1016/j.jbspin.2023.105651
PMID:37797827
|
综述 | 探讨人工智能在风湿病学磁共振成像分析中的应用现状与前景 | 系统评估AI在风湿病MRI分析中实现或超越专家水平的表现潜力 | 未提及具体技术局限，但指出临床实施存在挑战 | 改善风湿性疾病的诊断和管理 | 风湿性疾病患者的磁共振影像 | 医学影像分析 | 风湿性疾病 | 磁共振成像 | 机器学习,深度学习 | 医学影像 | NA | NA | NA | 灵敏度,特异性,准确度 | NA |