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 36836 篇文献，本页显示第 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2025-12-17 |
Smartphone-based biosensing: a review of optical imaging, microfluidic integration, and AI-enhanced analysis
2025-Nov-03, Mikrochimica acta
DOI:10.1007/s00604-025-07523-0
PMID:41184410
|
综述 | 本文综述了基于智能手机的生物传感技术，重点关注光学成像、微流控集成和AI增强分析的最新进展 | 整合了人工智能和深度学习技术，通过图像增强、模态转换和自动化量化提升诊断准确性，并探讨了开源硬件和云连接分析在去中心化医疗中的应用前景 | 存在硬件可变性、标准化不足和临床验证缺乏等挑战 | 总结和评估智能手机集成生物传感技术，以推动便携式、低成本诊断平台的发展 | 生物和化学目标，包括核酸、蛋白质、细胞和病原体 | 生物医学传感 | 眼部疾病、代谢疾病、泌尿系统疾病、癌症、传染病 | 光学成像（明场、荧光、暗场）、电化学传感、微流控芯片 | 深度学习 | 图像 | NA | NA | NA | 诊断准确性 | 智能手机平台、云连接分析 |
| 542 | 2025-12-17 |
Integrating AI with Biosensors and Voltammetry for Neurotransmitter Detection and Quantification: A Systematic Review
2025-Nov-02, Biosensors
DOI:10.3390/bios15110729
PMID:41294740
|
系统综述 | 本文系统综述了人工智能与生物传感器和伏安法结合用于复杂生物流体中神经递质检测和定量的研究 | 整合人工智能方法（如机器学习和深度学习）以克服传统生物传感器在神经递质信号解卷积和实时监测中的局限性 | 传感器稳定性不足和神经递质间相互作用复杂性等挑战仍然存在 | 评估和综合人工智能在改进神经递质自动检测和定量方面的应用研究 | 复杂生物流体（如脑脊液）中的神经递质 | 机器学习 | 神经退行性疾病 | 伏安法 | 机器学习, 模式识别, 深度学习 | 信号数据 | NA | NA | NA | NA | NA |
| 543 | 2025-12-17 |
Deep learning radiomics model based on contrast-enhanced MRI for distinguishing between tuberculous spondylitis and pyogenic spondylitis
2025-Sep, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-025-08696-1
PMID:39920318
|
研究论文 | 本研究旨在开发和验证一种基于对比增强MRI的深度学习放射组学列线图，用于区分结核性脊柱炎和化脓性脊柱炎 | 首次将深度学习特征与放射组学特征融合，构建了深度学习放射组学列线图模型，并在多中心数据中验证了其区分结核性与化脓性脊柱炎的诊断性能 | 研究为回顾性设计，样本量相对较小（共147例患者），且外部验证队列仅来自一个中心 | 开发并验证一种基于对比增强MRI的深度学习放射组学模型，以区分结核性脊柱炎和化脓性脊柱炎 | 经病理检查确诊的结核性脊柱炎和化脓性脊柱炎患者 | 数字病理学 | 脊柱炎 | 对比增强MRI | 深度学习模型 | MRI图像 | 147例患者（训练队列102例，外部测试队列45例） | NA | NA | AUC, 校准曲线, 决策曲线分析 | NA |
| 544 | 2025-12-17 |
Integrating explainable deep learning with multi-omics for screening progressive diagnostic biomarkers of hepatocellular carcinoma covering the "inflammation-cancer" transformation
2025-Sep, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101253
PMID:40919103
|
研究论文 | 本文通过整合可解释深度学习与多组学数据，筛选肝细胞癌进展性诊断生物标志物，覆盖“炎症-癌症”转化过程 | 结合可解释深度学习与多组学分析，系统性识别肝细胞癌从炎症到癌症转化过程中的诊断生物标志物 | NA | 筛选肝细胞癌的进展性诊断生物标志物，以覆盖“炎症-癌症”转化过程 | 肝细胞癌及其相关的炎症-癌症转化过程 | 机器学习 | 肝细胞癌 | 多组学 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 545 | 2025-12-17 |
RCAN-DDI: Relation-aware cross adversarial network for drug-drug interaction prediction
2025-Sep, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2024.101159
PMID:41079788
|
研究论文 | 提出了一种名为RCAN-DDI的关系感知交叉对抗网络，用于预测药物-药物相互作用 | 结合关系感知结构特征学习模块和基于DDI网络的拓扑特征学习模块，并引入交叉对抗网络以充分整合多模态特征，探索不同信息源之间的相关性和互补性 | 未明确提及具体局限性 | 准确预测药物-药物相互作用，确保患者用药安全 | 药物 | 机器学习 | NA | 深度学习 | 对抗网络 | 药物结构信息和拓扑网络数据 | NA | NA | RCAN-DDI | NA | NA |
| 546 | 2025-12-17 |
Estimating ascending aortic diameter from the electrocardiogram
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.19.25333786
PMID:40894145
|
研究论文 | 本研究开发了一种基于一维卷积神经网络的深度学习模型（ECGAI-TAA），能够从12导联心电图信号中估计升主动脉直径 | 首次将12导联心电图信号与MRI测量的升主动脉直径直接关联，并利用深度学习模型实现了从心电图信号中估计主动脉直径 | 研究结果属于生理学观察，尚未经过外部验证的风险评分验证 | 探索从心电图信号中估计升主动脉直径的可能性 | 英国生物银行（UK Biobank）的参与者 | 数字病理学 | 心血管疾病 | MRI测量，心电图信号分析 | CNN，变分自编码器 | 心电图信号，医学影像数据 | 69,173名参与者（训练集），5,191名参与者（内部测试集） | NA | 一维卷积神经网络，变分自编码器 | 方差解释率（31%），比值比（16倍） | NA |
| 547 | 2025-12-17 |
A Review on Deep Learning Methods for Glioma Segmentation, Limitations, and Future Perspectives
2025-08-11, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11080269
PMID:40863479
|
综述 | 本文全面综述了用于胶质瘤分割的深度学习方法，分析了其局限性并展望了未来研究方向 | 首次系统性地将80多种先进模型分为CNN、纯Transformer和混合架构三类进行评估，并特别关注模型在临床实际部署中的适用性，引入了基于鲁棒性、效率和肿瘤区域分割完整性的适用性分析 | 作为综述文章，主要基于已有文献进行分析，未提出新的分割模型或算法 | 评估深度学习模型在胶质瘤MRI图像分割中的性能，并分析其在临床环境中的适用性 | 胶质瘤的MRI图像 | 数字病理学 | 胶质瘤 | 磁共振成像 | CNN, Transformer | 图像 | 基于BraTS数据集的基准测试 | NA | CNN-based, Pure Transformer, Hybrid CNN-Transformer | 分割准确性, 计算效率 | NA |
| 548 | 2025-12-17 |
Enhancing Pandemic Prediction: A Deep Learning Approach Using Transformer Neural Networks and Multi-Source Data Fusion for Infectious Disease Forecasting
2025-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.06.24.25330211
PMID:40666360
|
研究论文 | 本研究提出了一种基于Transformer神经网络和多源数据融合的深度学习模型，用于预测县级层面的Covid-19病例和死亡数 | 结合了多源数据（历史病例、死亡数据、社交媒体情感分析）并开发了多层级、多尺度的注意力机制进行自适应时频分析，以捕捉时间序列数据中的时空动态 | 未明确提及模型在其他传染病或不同地理区域的泛化能力测试，以及社交媒体数据质量对预测结果的具体影响分析 | 提高传染病大流行的预测准确性，以增强公共卫生准备和应对策略 | Covid-19大流行期间的县级病例和死亡数据 | 自然语言处理, 机器学习 | 传染病 | 社交媒体情感分析, 多源数据融合 | Transformer | 时间序列数据, 文本数据 | 三个Omicron变异波期间（2021年12月至2023年2月）的县级数据 | NA | Transformer | 中位数县级一致性准确率 | NA |
| 549 | 2025-12-17 |
Challenges in AI-driven Biomedical Multimodal Data Fusion and Analysis
2025-05-10, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf011
PMID:40036568
|
综述 | 本文综述了人工智能在生物医学多模态数据融合与分析中的应用、挑战及未来方向 | 全面概述了生物医学多模态表示学习方法，并提出了通过模型预训练和知识整合来适应深度学习方法的未来方向 | NA | 探讨人工智能在生物医学数据整合分析中的应用及挑战 | 分子、细胞、图像和电子健康记录等多模态生物医学数据集 | 机器学习 | NA | NA | 深度学习模型 | 多模态数据（包括分子、细胞、图像和电子健康记录） | NA | NA | NA | NA | NA |
| 550 | 2025-12-17 |
SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses
2025-Apr-29, ArXiv
PMID:40395941
|
研究论文 | 本研究介绍了首个公开的专家标注肩部病理数据集ScopeMRI，并开发了一个深度学习框架，用于在标准MRI和MRA上检测Bankart病变 | 首次公开了专家标注的肩部病理数据集ScopeMRI，并针对临床诊断挑战性的Bankart病变，开发了结合CNN和Transformer的深度学习模型，在标准MRI上达到了与放射科医生解读MRA相当或更优的性能 | 外部验证仅展示了初步的泛化能力，需要更多独立医院数据进一步验证模型在不同成像协议下的鲁棒性 | 开发深度学习模型以在标准MRI上检测Bankart病变，减少对侵入性MRA的依赖 | 肩部MRI图像，包括标准MRI和MRI关节造影（MRA） | 医学影像分析 | 肩部损伤（Bankart病变） | MRI成像 | CNN, Transformer | 3D医学影像（MRI） | 586个肩部MRI（335个标准MRI，251个MRA），来自558名患者 | NA | CNN, Transformer | AUC, 灵敏度, 特异性 | NA |
| 551 | 2025-12-17 |
Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging
2025-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.12.09.24318661
PMID:39711698
|
研究论文 | 本研究利用深度学习分割技术，分析纵向血管壁成像数据，评估了斑块内出血对颈动脉斑块负荷长期进展的影响 | 首次采用深度学习分割管道在长期纵向血管壁成像数据中，量化斑块内出血体积并分析其与斑块负荷进展的长期关联 | 样本量较小（28名无症状受试者），且为观察性研究，无法确定因果关系 | 评估斑块内出血对颈动脉斑块负荷长期进展的影响 | 无症状颈动脉粥样硬化患者的颈动脉斑块 | 数字病理学 | 心血管疾病 | 多对比磁共振血管壁成像 | 深度学习 | 磁共振图像 | 28名无症状受试者，共50条动脉，平均每名受试者接受4.7次扫描，随访时间平均5.8年 | NA | NA | NA | NA |
| 552 | 2025-12-17 |
CellSAM: A Foundation Model for Cell Segmentation
2025-Feb-16, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.17.567630
PMID:38045277
|
研究论文 | 本文提出了一种名为CellSAM的通用细胞分割基础模型，该模型通过结合目标检测器和提示工程方法，能够在多种细胞成像数据上实现跨域泛化 | 基于Segment Anything Model (SAM)开发了一种提示工程方法，并结合自动细胞检测器CellFinder，构建了一个能够跨多种成像模态和细胞类型进行零样本和少样本学习的通用细胞分割模型 | 未明确提及模型在极端成像条件或高度异质性细胞样本上的性能限制 | 开发一个能够泛化到不同细胞成像数据的通用细胞分割模型 | 哺乳动物细胞、酵母和细菌的成像数据 | 数字病理学 | NA | 细胞成像 | 基础模型 | 图像 | NA | NA | Segment Anything Model (SAM), CellFinder | 人类水平性能 | NA |
| 553 | 2025-12-17 |
Challenges and Opportunities in the Clinical Translation of High-Resolution Spatial Transcriptomics
2025-01, Annual review of pathology
|
综述 | 本文综述了高分辨率空间转录组学技术在临床转化中的挑战与机遇，重点讨论了其工作原理、在疾病机制识别和个性化治疗指导方面的潜力，以及临床研究设计的指导 | 强调了空间转录组学技术如何以亚细胞分辨率数字化基因表达，并结合多模态读数和深度学习方法来全面理解组织生物学和病理学 | 讨论了高分辨率空间转录组学技术快速转化中仍存在的挑战 | 探讨空间转录组学技术在临床病理学中的转化应用，以推动个性化医疗 | 常规收集和存档的临床样本（如组织切片） | 数字病理学 | NA | 空间转录组学技术, 下一代测序 | 深度学习 | 基因表达数据, 组织图像 | NA | NA | NA | NA | NA |
| 554 | 2025-12-17 |
The Role of Artificial Intelligence in Cardiovascular Disease Risk Prediction: An Updated Review on Current Understanding and Future Research
2025, Current cardiology reviews
IF:2.4Q2
|
综述 | 本文回顾了人工智能在心血管疾病风险预测中的最新进展、当前理解及未来研究方向 | 系统性地总结了AI在心血管风险预测中的变革性作用，包括提升准确性、效率和可及性，并探讨了其在改善死亡率、生活质量和降低医疗成本方面的潜力 | 人工智能在心血管风险评估中的广泛应用仍面临挑战，主要障碍是医疗专业人员缺乏相关教育和接受度 | 探讨人工智能在心血管疾病风险预测中的作用，以改善患者预后并减轻全球疾病负担 | 心血管疾病风险预测模型及人工智能技术在该领域的应用 | 机器学习 | 心血管疾病 | NA | 机器学习算法, 深度学习 | 电子健康记录, 心电图数据 | NA | NA | NA | 准确率 | NA |
| 555 | 2025-12-17 |
Relationship between Artificial Intelligence-Based Cell Detection and Cytomorphological Variations Induced by Cell Processing Solutions: Usefulness of Data Augmentation in Artificial Intelligence Cytology
2025, Acta cytologica
IF:1.6Q3
DOI:10.1159/000547485
PMID:40690907
|
研究论文 | 本研究探讨了细胞处理溶液引起的细胞形态学变化与基于AI的细胞检测准确性之间的关系，并展示了数据增强在AI细胞学中的有效性 | 首次系统分析了细胞处理溶液诱导的细胞形态学变化对AI细胞检测的影响，并验证了数据增强技术在此背景下的改进效果 | 研究仅使用MKN45人胃癌细胞系，未涵盖其他细胞类型或临床样本，可能限制结果的普适性 | 评估细胞处理溶液引起的细胞形态学变化如何影响AI细胞检测准确性，并探索数据增强技术的应用价值 | MKN45人胃癌细胞，包括未处理细胞及四种不同细胞处理溶液处理的细胞 | 数字病理学 | 胃癌 | Papanicolaou染色，HSB（色调、饱和度、亮度）值分析 | 深度学习模型 | 图像 | MKN45细胞样本，包括未处理组和四种处理组 | NA | NA | 细胞检测率 | NA |
| 556 | 2025-12-17 |
A graph neural network-based approach for predicting SARS-CoV-2-human protein interactions from multiview data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0332794
PMID:40997149
|
研究论文 | 本文提出了一种基于多视图图神经网络的深度学习方法，用于预测SARS-CoV-2与人类蛋白质之间的相互作用 | 采用多视图图神经网络结合最优传输集成方法，扩展了实验验证的病毒-宿主相互作用数据，提高了预测准确性 | 初始实验数据集仅包含有限数量的高置信度相互作用，可能影响模型训练 | 开发准确的药物重定位模型，预测SARS-CoV-2与人类蛋白质的相互作用 | SARS-CoV-2病毒蛋白质与人类宿主蛋白质 | 机器学习 | COVID-19 | 深度学习方法，多视图图神经网络，最优传输集成 | 图神经网络 | 蛋白质序列数据、基因本体术语、物理相互作用信息 | 472个高置信度预测相互作用，涉及280个宿主蛋白质和27个SARS-CoV-2蛋白质 | NA | 图神经网络 | ROC-AUC, 平均精度 | NA |
| 557 | 2025-12-17 |
Better Image Filter for Pansharpening
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3637675
PMID:41343325
|
研究论文 | 本文提出了一种基于深度学习的对称框架，用于寻找比传统调制传递函数定制图像滤波器更优的图像滤波器，以提升全色锐化性能 | 提出一对基于深度学习的对称框架，嵌入可学习的各向异性高斯图像滤波器和任意图像滤波器，以模拟最优图像滤波器，同时捕获图像间的细微偏移并保持全局变形场的平滑性 | 未明确提及具体的数据集规模限制或计算资源需求，可能依赖于特定卫星数据的可用性 | 改进全色锐化方法中的图像滤波器，以提升传统和深度学习方法的性能与泛化能力 | 多光谱图像和全色图像的全色锐化处理 | 计算机视觉 | NA | 深度学习 | 深度学习框架 | 图像 | 多种卫星数据集上的广泛实验，但未指定具体样本数量 | 深度学习框架（未指定具体名称如TensorFlow或PyTorch） | 对称框架（未指定具体架构如CNN或Transformer） | 全色锐化性能、泛化能力（未指定具体指标如准确率或AUC） | NA |
| 558 | 2025-12-17 |
MMETHANE: interpretable AI for predicting host status from microbial composition and metabolomics data
2024-Dec-14, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.13.628441
PMID:39713330
|
研究论文 | 本文介绍了一种名为MMETHANE的开源软件包，用于从微生物组成和代谢组学数据预测宿主状态 | MMETHANE结合了先验生物学知识（如系统发育和化学关系），并具有内在可解释性，能输出解释其决策的英文规则集 | NA | 开发一种计算工具，将微生物组组成和代谢物数据与宿主状态联系起来 | 宿主状态预测，涉及微生物组成和代谢组学数据 | 机器学习 | 炎症性肠病 | 微生物测序，代谢组学测量 | 深度学习模型 | 微生物组成数据，代谢组学数据 | 六个数据集，包含配对的微生物组成和代谢组学测量 | NA | NA | NA | NA |
| 559 | 2025-12-17 |
Automatic detection and classification of beluga whale calls in the St. Lawrence estuary
2024-12-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0030472
PMID:39636175
|
研究论文 | 本文介绍了一种自动分析被动声学数据的流程，用于检测和分类圣劳伦斯河口濒危白鲸的叫声 | 开发了一个结合对象检测和深度学习分类器的自动管道，用于连续分析白鲸声学活动，提供标准且准确的声学存在和发声活动估计 | 研究聚焦于高居住区Baie Sainte-Marguerite，可能不适用于其他区域；未详细讨论算法在更广泛环境中的泛化能力 | 通过被动声学监测为白鲸的监测和保护提供实时时空栖息地使用信息 | 圣劳伦斯河口的濒危白鲸（Delphinapterus leucas） | 机器学习 | NA | 被动声学监测 | 深度学习分类器 | 声学数据 | NA | NA | NA | NA | NA |
| 560 | 2025-12-17 |
Comparing neural networks against click train detectors to reveal temporal trends in passive acoustic sperm whale detections
2024-12-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0034602
PMID:39692862
|
研究论文 | 本研究比较了人类分析师注释、多假设跟踪点击序列分类器和基于深度学习的声学分类器，用于分类抹香鲸点击序列的存在与否，并研究了地中海抹香鲸亚群在巴利阿里群岛周围的时空分布 | 通过比较人类专家、传统多假设跟踪分类器和深度学习分类器在被动声学监测数据中的表现，揭示了自动分类器在提取生物信息方面的优势和局限性，特别是在处理新站点数据时的性能下降问题 | 两种自动分类器在部署到新站点时性能均有所下降，且深度学习模型的“黑箱”特性使其潜在偏差难以量化 | 比较不同分类方法在被动声学监测中检测抹香鲸点击序列的效果，并分析抹香鲸的时空分布模式 | 抹香鲸（Physeter macrocephalus）的点击序列声学信号 | 自然语言处理 | NA | 被动声学监测（PAM） | 深度学习分类器 | 声学录音 | NA | NA | NA | 与人类标签的一致性百分比 | NA |