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 5441 - 5460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5441 | 2025-10-06 |
Using Artificial Intelligence for Rheumatic Heart Disease Detection by Echocardiography: Focus on Mitral Regurgitation
2024-Jan-16, Journal of the American Heart Association
IF:5.0Q1
DOI:10.1161/JAHA.123.031257
PMID:38226515
|
研究论文 | 本研究开发了一种基于人工智能的自动化方法，通过超声心动图检测儿童风湿性心脏病，特别关注二尖瓣反流分析 | 首次将卷积神经网络与注意力机制相结合，用于超声心动图中二尖瓣反流射流分析和风湿性心脏病检测 | 研究样本量有限（511例），需要更多数据验证模型性能 | 开发自动化人工智能系统用于儿童风湿性心脏病的早期筛查 | 儿童超声心动图，特别关注二尖瓣区域 | 计算机视觉 | 风湿性心脏病 | 超声心动图 | CNN, 深度学习 | 图像 | 511例儿童超声心动图（229例正常，282例风湿性心脏病） | NA | 带有注意力机制的深度学习模型 | 准确率,Dice系数,ROC曲线下面积,精确率,召回率,F1分数 | NA |
| 5442 | 2025-10-06 |
Alzheimer's Disease Prediction Using Fly-Optimized Densely Connected Convolution Neural Networks Based on MRI Images
2024, The journal of prevention of Alzheimer's disease..
DOI:10.14283/jpad.2024.66
PMID:39044523
|
研究论文 | 提出一种基于果蝇算法优化的密集连接卷积神经网络，用于从MRI图像中预测阿尔茨海默病 | 结合果蝇优化算法与密集连接卷积神经网络，采用自适应直方图处理和加权中值滤波进行图像预处理，通过相关信息理论提取纹理和统计特征 | 仅使用Kaggle数据集进行验证，未提及在其他数据集上的泛化能力 | 开发自动化的阿尔茨海默病检测方法，提高早期诊断准确率 | 阿尔茨海默病影响的脑部区域 | 计算机视觉 | 阿尔茨海默病 | MRI成像 | CNN | 图像 | NA | NA | 密集连接卷积神经网络 | 敏感度, 特异度, 准确率, 错误率, F-measure | NA |
| 5443 | 2025-10-06 |
ADVANCING THE UNDERSTANDING OF CLINICAL SEPSIS USING GENE EXPRESSION-DRIVEN MACHINE LEARNING TO IMPROVE PATIENT OUTCOMES
2024-01-01, Shock (Augusta, Ga.)
DOI:10.1097/SHK.0000000000002227
PMID:37752080
|
研究论文 | 本研究探索利用基因表达数据驱动的机器学习技术来改善脓毒症患者的临床预后 | 整合临床数据与基因表达信息，应用神经网络、深度学习和集成方法等机器学习技术来预测和理解脓毒症 | 模型可解释性存在挑战，可能存在数据偏差 | 通过机器学习技术改善脓毒症患者预后，推进精准医疗方法 | 脓毒症患者及其基因表达数据 | 机器学习 | 脓毒症 | 基因表达分析 | 神经网络,深度学习,集成方法 | 基因表达数据,临床数据 | NA | NA | NA | 预测准确性 | NA |
| 5444 | 2025-10-06 |
Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study
2024-01, The Lancet. Digital health
DOI:10.1016/S2589-7500(23)00220-0
PMID:38065778
|
研究论文 | 开发并验证一种基于心电图深度学习的模型，用于预测患者术后死亡率 | 首次利用深度学习分析心电图波形信号来预测术后死亡率，相比传统Revised Cardiac Risk Index评分系统具有显著更好的预测性能 | 研究数据来源于特定医疗中心，需要在更广泛人群中进一步验证 | 开发能够准确预测接受医疗程序患者术后死亡率的预后模型 | 接受术前心电图检查的患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | 深度学习算法 | 心电图波形图像 | 45,969名患者，包含59,975次住院程序和112,794份心电图 | NA | NA | AUC, 95%置信区间, 未调整优势比 | NA |
| 5445 | 2025-10-06 |
An interpretable deep learning framework identifies proteomic drivers of Alzheimer's disease
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1379984
PMID:39355118
|
研究论文 | 开发了一种可解释的深度学习框架EnsembleOmicsAE，用于识别阿尔茨海默病的蛋白质组学驱动因素 | 使用集成自编码器将蛋白质组数据降维为少量潜在特征，并开发了基于迭代扰动的特征重要性评分算法，识别出线性方法遗漏的AD分子驱动因素 | 研究基于三个队列的559名个体，样本量相对有限，且主要关注蛋白质组层面 | 识别阿尔茨海默病的蛋白质组学驱动因素并建立可解释的深度学习框架 | 559名健康或阿尔茨海默病诊断个体的脑蛋白质组数据 | 机器学习 | 阿尔茨海默病 | 蛋白质组学 | 自编码器 | 蛋白质组数据 | 来自三个AD队列的559名个体 | NA | 集成自编码器 | 特征稳定性，蛋白质-蛋白质相互作用富集分析 | NA |
| 5446 | 2025-10-06 |
Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods
2024-Jan, BJR open
DOI:10.1093/bjro/tzae039
PMID:39583148
|
综述 | 本文为临床医生提供放射肿瘤学中人工智能研究与开发的实用指南 | 从临床医生视角系统阐述AI在放射肿瘤学中的应用流程与评估方法 | 主要面向临床医生视角，未涉及具体技术细节和算法实现 | 提升临床医生对AI在放射肿瘤学中开发与应用的理解 | 放射肿瘤学临床医生和AI研究人员 | 医疗人工智能 | 肿瘤疾病 | 深度学习 | NA | 医学影像, 临床数据 | NA | NA | NA | NA | NA |
| 5447 | 2025-10-06 |
Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida
2024, Genetics in medicine open
DOI:10.1016/j.gimo.2024.101894
PMID:39669613
|
研究论文 | 通过整合计算方法识别导致脊柱裂的调控基因组元件 | 采用无偏倚的全基因组方法结合深度学习优先排序框架，首次系统鉴定脊柱裂相关的罕见调控变异及其靶基因 | 研究主要依赖计算预测，需要后续实验验证调控变异的生物学功能 | 阐明脊柱裂病理生理学的全基因组调控特征 | 脊柱裂患者与健康对照的基因组调控区域 | 计算生物学 | 脊柱裂 | 全基因组测序，深度学习优先排序 | 深度学习 | 基因组序列数据，调控元件数据 | 脊柱裂患者与健康对照组（具体样本数量未明确说明） | 深度学习优先排序框架 | NA | NA | NA |
| 5448 | 2025-07-22 |
Radiologic imaging biomarkers in triple-negative breast cancer: a literature review about the role of artificial intelligence and the way forward
2024-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubae016
PMID:40201726
|
review | 本文综述了人工智能在放射影像学中作为三阴性乳腺癌（TNBC）成像生物标志物的应用现状与未来发展 | 整合了过去十年（2013-2024）基于放射组学和深度学习的AI技术在TNBC诊疗中的最新进展，并探讨了未来发展方向 | 作为综述文章，未涉及原始数据或实验验证 | 开发更有效和个性化的TNBC影像生物标志物，推进TNBC的诊断、治疗和预后评估 | 三阴性乳腺癌（TNBC）的放射影像数据 | digital pathology | breast cancer | radiomics, deep learning | deep learning-based models | radiologic breast images | NA | NA | NA | NA | NA |
| 5449 | 2025-10-06 |
Computational staining of CD3/CD20 positive lymphocytes in human tissues with experimental confirmation in a genetically engineered mouse model
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1451261
PMID:39530103
|
研究论文 | 提出一种知识引导的深度学习框架，用于在人类H&E组织上测量淋巴细胞空间结构，并通过基因工程小鼠模型进行实验验证 | 通过单细胞分辨率图像配准实现H&E到IHC的像素级完美标注，并整合计算科学与基础科学进行实验验证 | 模型在外部测试数据集上的AUC为0.71，性能有待进一步提升 | 量化淋巴细胞空间炎症结构，促进空间系统生物学研究 | 人类H&E组织样本和基因工程Rag2小鼠模型 | 数字病理学 | 癌症 | H&E染色，IHC染色，单细胞分辨率图像配准 | 深度学习 | 组织图像 | 超过111,000个人类细胞核（45,611个CD3/CD20阳性淋巴细胞） | NA | NA | AUC, 结构相似性 | NA |
| 5450 | 2025-10-06 |
A simulative deep learning model of SNP interactions on chromosome 19 for predicting Alzheimer's disease risk and rates of disease progression
2023-12, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.13319
PMID:37409680
|
研究论文 | 开发了一种模拟深度学习模型，通过分析19号染色体上的SNP相互作用来预测阿尔茨海默病风险和疾病进展速度 | 使用新颖的模拟深度学习模型量化每个SNP及其上位效应对AD风险的贡献，并识别出影响AD进展的关键SNP | 研究仅限于19号染色体上的SNP，未涵盖全基因组分析 | 识别影响阿尔茨海默病风险的遗传模式，用于风险预测和个性化治疗策略 | 阿尔茨海默病患者和对照个体的遗传数据 | 机器学习 | 阿尔茨海默病 | 基因分型，深度学习分析 | 深度学习 | 基因数据 | 来自ADNI和IGAP数据集的样本 | NA | 模拟深度学习模型 | 风险预测准确性，疾病进展预测能力 | NA |
| 5451 | 2025-10-06 |
Flow-field inference from neural data using deep recurrent networks
2023-Nov-16, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.14.567136
PMID:38014290
|
研究论文 | 提出一种名为FINDR的无监督深度学习方法，用于从神经群体活动中推断低维非线性随机动力学 | 开发了能够解耦任务相关和无关神经活动成分的深度循环网络方法，首次实现了流场和吸引子结构的显式可视化 | 方法性能主要在大鼠前脑区听觉决策任务数据上验证，在其他脑区和行为任务中的适用性需要进一步测试 | 推断神经群体活动背后的低维非线性随机动力学 | 大鼠前脑区在执行听觉决策任务时的群体脉冲序列数据 | 计算神经科学 | NA | 神经信号记录 | 循环神经网络 | 神经脉冲序列数据 | NA | NA | 深度循环网络 | 神经元响应捕捉能力 | NA |
| 5452 | 2025-10-06 |
Predicting multiple sclerosis severity with multimodal deep neural networks
2023-11-09, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-023-02354-6
PMID:37946182
|
研究论文 | 本文提出了一种利用多模态深度神经网络预测多发性硬化症疾病严重程度的方法 | 首次整合结构化电子健康记录数据、神经影像数据和临床笔记构建多模态深度学习框架，相比单模态模型AUROC提升高达19% | 未明确说明样本规模和数据收集的具体限制 | 预测多发性硬化症疾病严重程度，为早期治疗干预提供支持 | 多发性硬化症患者 | 医疗人工智能 | 多发性硬化症 | 多模态深度学习，电子健康记录分析，神经影像分析 | 深度神经网络 | 结构化电子健康记录，神经影像，临床文本笔记 | NA | NA | 多模态深度神经网络 | AUROC | NA |
| 5453 | 2025-10-06 |
Spatially aware deep learning reveals tumor heterogeneity patterns that encode distinct kidney cancer states
2023-09-19, Cell reports. Medicine
DOI:10.1016/j.xcrm.2023.101189
PMID:37729872
|
研究论文 | 开发空间感知深度学习模型分析肾透明细胞癌的肿瘤异质性模式及其与免疫治疗反应的关系 | 首次通过空间感知深度学习识别出传统病理分析无法发现的肿瘤微异质性模式，并揭示其与PBRM1功能缺失和免疫检查点抑制剂反应的相关性 | 研究样本量有限（1,102例患者），且主要针对肾透明细胞癌，结果在其他癌症类型中的普适性有待验证 | 探索肾透明细胞癌中肿瘤-免疫联合状态与免疫检查点抑制剂治疗反应的关系 | 肾透明细胞癌患者（n=1,102）的全切片图像和多重免疫荧光图像 | 数字病理学 | 肾癌 | 全切片图像分析，多重免疫荧光 | 深度学习 | 病理图像 | 1,102例患者 | NA | 图神经网络 | NA | NA |
| 5454 | 2025-10-06 |
Automated Identification of Heart Failure with Reduced Ejection Fraction using Deep Learning-based Natural Language Processing
2023-Sep-11, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.09.10.23295315
PMID:37745445
|
研究论文 | 开发了一种基于深度学习的自然语言处理模型，用于从出院摘要中自动识别射血分数降低的心力衰竭患者 | 首次采用半监督学习框架开发深度学习语言模型，用于自动识别HFrEF患者，并在多个外部数据集上验证了模型性能 | 研究主要依赖于单一医疗系统的数据，虽然进行了外部验证，但模型在其他医疗环境中的泛化能力仍需进一步验证 | 开发自动化工具来评估和改进射血分数降低的心力衰竭患者的护理质量 | 心力衰竭患者的出院摘要和临床记录 | 自然语言处理 | 心血管疾病 | 深度学习，自然语言处理 | 深度学习语言模型 | 文本（出院摘要和临床记录） | 13,251份记录来自5,392名独特个体（平均年龄73±14岁，48%女性），其中2,487名HFrEF患者（46.1%） | NA | 深度学习语言模型 | AUROC, AUPRC, NRI | NA |
| 5455 | 2025-10-06 |
T1dCteGui: A User-Friendly Clinical Trial Enrichment Tool to Optimize T1D Prevention Studies by Leveraging AI/ML Based Synthetic Patient Population
2023-09, Clinical pharmacology and therapeutics
DOI:10.1002/cpt.2976
PMID:37326252
|
研究论文 | 开发了一个用户友好的临床试验富集工具，利用基于AI/ML的合成患者群体优化1型糖尿病预防研究 | 首次开发了结合加速失效时间模型和深度学习生成模型的临床试验富集图形用户界面工具 | 工具基于合成患者数据，可能与真实患者数据存在差异 | 优化1型糖尿病预防临床试验的受试者富集策略 | 1型糖尿病高风险人群 | 数字病理 | 1型糖尿病 | 深度学习生成模型 | 生成模型 | 临床数据 | 来自多个观察性研究的患者水平数据 | NA | 加速失效时间模型 | NA | NA |
| 5456 | 2025-10-06 |
Confidence-based laboratory test reduction recommendation algorithm
2023-05-10, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-023-02187-3
PMID:37165369
|
研究论文 | 提出一种基于置信度的深度学习模型，用于识别住院患者不必要的血红蛋白检测 | 采用'选择与预测'设计理念，通过预测置信度评估结果可靠性，并选择性考虑高置信度样本进行推荐 | 未提及模型在更广泛医疗场景中的适用性验证 | 减少不必要的实验室检测，降低医疗风险和医疗成本 | 住院患者的血红蛋白检测数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 实验室检测数据 | 来自休斯顿教学医院的内部患者数据和MIMIC III数据库的外部患者数据 | NA | NA | AUC | NA |
| 5457 | 2025-10-06 |
Deep learning-based polygenic risk analysis for Alzheimer's disease prediction
2023-Apr-06, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-023-00269-x
PMID:37024668
|
研究论文 | 开发基于深度学习的多基因风险模型用于阿尔茨海默病预测 | 首次将深度学习方法应用于阿尔茨海默病多基因风险建模，能够捕捉基因组数据中的非线性关系 | 未明确说明样本规模和数据来源的具体限制 | 提高阿尔茨海默病的遗传风险预测准确性并探索疾病机制 | 阿尔茨海默病相关的基因组数据和患者个体 | 机器学习 | 阿尔茨海默病 | 基因组测序 | 神经网络 | 基因组数据 | NA | NA | 神经网络 | NA | NA |
| 5458 | 2025-10-06 |
The expert's knowledge combined with AI outperforms AI alone in seizure onset zone localization using resting state fMRI
2023, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2023.1324461
PMID:38274868
|
研究论文 | 本研究评估了专家知识与深度学习结合在利用静息态功能磁共振成像定位难治性癫痫患者发作起始区的效果 | 首次将癫痫专家对功能连接组学的先验知识与深度学习模型相结合，显著提升了发作起始区的定位性能 | 样本量相对有限（52名儿童患者），且研究仅针对难治性癫痫患者 | 提高难治性癫痫患者发作起始区的定位准确性 | 52名难治性癫痫儿童患者，其中25名接受了手术治疗 | 医学影像分析 | 癫痫 | 静息态功能磁共振成像，颅内脑电图 | 深度学习 | 功能连接组学数据 | 52名儿童癫痫患者 | NA | 专家知识集成深度网络 | 准确率，F1分数 | NA |
| 5459 | 2025-10-06 |
Using deep learning for the automated identification of cone and rod photoreceptors from adaptive optics imaging of the human retina
2022-Oct-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.470071
PMID:36425636
|
研究论文 | 提出一种名为RC-UPerNet的新型深度学习算法，用于从人类视网膜自适应光学成像中自动识别视锥和视杆细胞 | 开发了能够同时识别两种光感受器（视锥和视杆细胞）的新型深度学习算法RC-UPerNet，在中心和外周视网膜区域均表现出色 | NA | 开发自动化算法以识别视网膜中的光感受器细胞 | 人类视网膜中的视锥和视杆细胞 | 计算机视觉 | 眼科疾病 | 自适应光学成像 | 深度学习 | 图像 | 来自中央和外周视网膜（延伸至距中央凹30°的鼻侧和颞侧方向）的图像 | NA | RC-UPerNet | 精确率, 召回率, Dice系数 | NA |
| 5460 | 2025-10-06 |
Assessment of right ventricular size and function from cardiovascular magnetic resonance images using artificial intelligence
2022-04-11, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1186/s12968-022-00861-5
PMID:35410226
|
研究论文 | 本研究开发了一种改进的深度学习算法，用于从心血管磁共振图像自动测量右心室射血分数 | 使用包含更广泛右心室病理学数据的数据集，并在交叉验证阶段采用领域特异性定量性能评估指标 | 研究仅针对100名手动与自动测量差异最大的患者，样本量相对有限 | 提高从心血管磁共振图像自动量化右心室功能的准确性 | 右心室尺寸和功能 | 医学影像分析 | 心血管疾病 | 心血管磁共振成像 | 深度学习 | 医学图像 | 100名患者 | NA | NA | 线性回归分析，Bland-Altman分析，分类准确率 | NA |