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 42799 篇文献，本页显示第 561 - 580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 561 | 2026-03-29 |
Enhancing Fluorescence Lifetime Imaging With Differential Transformer
2026-Feb, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70231
PMID:41622407
|
研究论文 | 本文提出了一种名为MFliNet的深度学习框架，用于增强荧光寿命成像，通过结合物理模型和差分Transformer架构，准确估计多指数衰减参数并校正光子到达分布中的地形畸变 | 引入MFliNet框架，首次将差分Transformer编码器-解码器架构应用于荧光寿命成像，能够联合处理时间荧光衰减和仪器响应函数输入，以校正宏观尺度下的地形畸变 | 未明确提及在更广泛或更复杂的体内成像场景中的泛化能力测试，以及计算资源需求的具体细节 | 开发一种深度学习框架，以准确估计荧光寿命成像中的多指数衰减参数，并校正由样本尺寸和表面地形引起的像素级空间变化和时间偏移 | 组织模拟体模和临床前肿瘤模型 | 计算机视觉 | 肿瘤 | 荧光寿命成像 | Transformer | 时间序列数据 | NA | NA | 差分Transformer编码器-解码器 | NA | NA |
| 562 | 2026-03-29 |
Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs
2026-Jan-12, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05371-3
PMID:41524987
|
研究论文 | 本研究通过多中心评估，利用放射组学和深度学习技术对IPMNs的恶性风险进行分层 | 首次将放射组学与深度学习融合模型应用于IPMN囊肿级别的恶性风险分层，并在多中心队列中验证其可行性 | 模型性能仍需提升以满足独立临床应用需求，且仅基于T2W和T1W序列 | 开发AI模型以区分IPMNs的高危与低危病变，减少不必要的医疗程序 | IPMN（导管内乳头状黏液性肿瘤）患者 | 医学影像分析 | 胰腺癌 | MRI成像 | 深度学习模型, 放射组学模型 | MRI图像 | 359例T2加权MRI图像，来自七个中心 | NA | NA | AUC, 准确率, 加权Cohen's kappa系数 | NA |
| 563 | 2026-03-29 |
RNFL Thickness in a Population-Based Cohort: The Canadian Longitudinal Study on Aging M2M (Machine-to-Machine) Study
2026-Jan, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.09.051
PMID:41052566
|
研究论文 | 本研究利用基于深度学习的M2M模型从眼底照片中估计视网膜神经纤维层厚度，并在加拿大老龄化纵向研究的大规模队列中评估了其与年龄、性别、种族及自我报告青光眼等因素的关联 | 首次在基于人群的大型队列研究中应用M2M深度学习模型从眼底照片估计RNFL厚度，验证了该模型在流行病学研究中进行可扩展结构评估的实用性 | 研究为横断面设计，无法确定因果关系；RNFL厚度基于模型预测而非直接OCT测量；依赖自我报告的青光眼诊断可能存在误报 | 评估加拿大老龄化纵向研究队列中与视网膜神经纤维层厚度相关的因素 | 加拿大老龄化纵向研究基线综合队列的参与者，年龄45-85岁 | 数字病理学 | 青光眼 | 眼底摄影，光学相干断层扫描 | 深度学习 | 图像 | 28,114名参与者 | NA | M2M | Pearson相关系数，回归系数 | NA |
| 564 | 2026-03-29 |
AutoGlom: software tool for segmentation and analysis of magnetic resonance images of the kidney
2026-Jan-01, American journal of physiology. Renal physiology
DOI:10.1152/ajprenal.00325.2025
PMID:41264403
|
研究论文 | 本文介绍了一款名为AutoGlom的开源软件工具，该工具集成了人工智能技术，用于肾脏三维磁共振图像的自动分割、分析和可视化 | 开发了首个开源、模块化、可扩展的肾脏MRI分析软件，集成了深度学习分割算法，并引入了新的图像质量指标（肾小球对比度）以提高可靠性，同时设计了3D打印支架实现多肾脏高通量成像 | 当前版本主要专注于形态学分割和量化，尚未扩展到体内研究或其他成像模态 | 开发标准化、可重复的肾脏磁共振图像分析工具，以加速肾脏成像生物标志物的发现 | 小鼠肾脏（离体） | 数字病理学 | 肾脏疾病 | 阳离子铁蛋白增强磁共振成像（CFE-MRI） | 深度学习 | 三维磁共振图像 | 最多可同时成像16个小鼠肾脏 | NA | NA | 肾小球对比度 | NA |
| 565 | 2026-03-29 |
Comparative Analysis of AI-based Quantification vs. Visual Rating of Enlarged Perivascular Spaces in the MESA Cohort
2025-Dec-15, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9129
PMID:41397892
|
研究论文 | 本研究比较了AI量化与视觉评分在评估扩大的血管周围空间（PVS）与血管风险因素及认知表现关联方面的效果 | 首次在MESA队列中系统比较AI自动量化与专家视觉评分在PVS研究中的敏感性，发现AI方法能检测到更多与血管风险因素和认知表现的关联 | 横断面研究设计无法确定因果关系，样本量相对有限（235名参与者），且仅基于单一队列 | 比较AI量化与视觉评分在识别PVS与血管风险因素及认知表现关联方面的差异 | 235名来自多民族动脉粥样硬化研究（MESA）的参与者，均接受脑部MRI检查 | 数字病理学 | 心血管疾病 | 脑部MRI（包括FLAIR序列） | 深度学习算法 | 医学影像（MRI图像） | 235名参与者（男性95人，女性140人；126人自报为黑人） | NA | NA | 回归系数（β），95%置信区间（CI） | NA |
| 566 | 2026-03-29 |
Consensus Molecular Subtypes (CMS) Classification: a progress towards Subtype-Driven treatments in colorectal cancer
2025-Nov-24, World journal of surgical oncology
IF:2.5Q1
DOI:10.1186/s12957-025-04117-1
PMID:41276825
|
综述 | 本文综述了结直肠癌的共识分子亚型（CMS）分类，包括其预后预测价值、识别方法、与免疫治疗等个性化治疗的关联，以及临床应用中面临的挑战 | 系统总结了基于基因表达谱、免疫组化和深度学习图像模型的CMS分类方法，并探讨了单细胞测序等新兴技术如何解决肿瘤内异质性等临床采纳障碍 | 肿瘤内异质性和技术标准化不足阻碍了CMS分类的广泛临床应用 | 回顾CMS分类在结直肠癌预后预测和个性化治疗指导方面的进展与挑战 | 结直肠癌及其共识分子亚型（CMS1-4） | 数字病理学 | 结直肠癌 | 基因表达谱分析, 免疫组化（IHC）, 单细胞RNA测序, 深度学习 | 深度学习模型 | 基因表达数据, 病理图像 | NA | NA | NA | NA | NA |
| 567 | 2026-03-29 |
Comparing innovative artificial intelligence algorithms to assess echocardiographic videos for clinical modeling
2025-11, The Journal of thoracic and cardiovascular surgery
IF:4.9Q1
DOI:10.1016/j.jtcvs.2025.01.008
PMID:39842544
|
研究论文 | 本研究比较了多种动态深度学习算法，利用超声心动图视频开发预测模型，并评估样本量对性能指标的影响 | 在监督学习和半监督学习框架下，比较了3D CNN、视频视觉Transformer及混合CNN-LSTM模型在不同样本量下的性能，发现半监督学习模型使用未标记数据可达到与仅使用标记数据模型相当的性能 | 研究仅基于特定样本量（200、400、800视频数据集）进行评估，未涵盖更广泛或更小的样本规模，且模型性能可能受数据质量和标注一致性影响 | 开发并比较基于超声心动图视频的预测模型，优化样本量使用以提高性能 | 超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 超声心动图成像 | 3D CNN, 视频视觉Transformer, CNN-LSTM混合模型 | 视频 | 200、400、800视频数据集 | NA | ResNet3D, ResNet+LSTM | 平均绝对误差, 均方根误差 | NA |
| 568 | 2026-03-29 |
Leveraging learned representations and multitask learning for lysine methylation site discovery
2025-Sep-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.27.672583
PMID:40950037
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型MethylSight 2.0，用于预测赖氨酸甲基化位点，并通过质谱实验验证了其有效性 | 利用深度学习最新进展，首次将Transformer架构应用于赖氨酸甲基化位点预测，并结合多任务学习整合其他赖氨酸翻译后修饰信息，实现了最先进的预测精度 | 模型主要针对赖氨酸甲基化位点，对于非组蛋白底物的甲基化机制理解仍有限，且实验验证的样本规模相对较小 | 提高赖氨酸甲基化位点的预测准确性，以促进赖氨酸甲基组图谱的绘制和癌症药物靶点的识别 | 蛋白质中的赖氨酸甲基化位点，特别是非组蛋白底物 | 自然语言处理 | 癌症 | 质谱实验 | Transformer | 序列数据 | NA | NA | Transformer | 准确性 | NA |
| 569 | 2026-03-29 |
Deep learning approach for automated hMPV classification
2025-Aug-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14467-1
PMID:40781468
|
研究论文 | 本文提出了一种名为hMPV-Net的深度学习框架，利用卷积神经网络（CNN）实现人偏肺病毒（hMPV）感染的精确检测与分类 | 开发了hMPV-Net这一新型深度学习框架，通过结合数据增强、加权损失函数和dropout正则化等技术，有效解决了数据集不平衡问题，并在计算效率上显著优于ResNet-50和VGG-16等先进模型 | 研究使用了模拟图像数据集而非真实患者数据，这可能会影响模型在真实临床场景中的泛化能力 | 开发一个自动化、高效且准确的深度学习系统，用于hMPV感染的诊断与分类 | 人偏肺病毒（hMPV）感染的检测与分类 | 计算机视觉 | 呼吸道疾病 | 深度学习，图像分类 | CNN | 图像 | 10000个样本（hMPV阳性和阴性病例各占一半） | NA | hMPV-Net | 准确率, 精确率, 召回率, F1分数 | NA |
| 570 | 2026-03-29 |
Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs
2025-May-30, Research square
DOI:10.21203/rs.3.rs-6622868/v1
PMID:40502758
|
研究论文 | 本研究通过多中心评估，利用放射组学和深度学习技术对IPMNs的恶性风险进行分层 | 首次在IPMN的囊肿级别恶性风险分层中探索并融合了放射组学和深度学习特征，并在多中心队列中验证了其可行性 | 模型性能仍需提升才能独立应用于临床，且样本量相对有限 | 评估AI在预测IPMN异型增生等级方面的可行性，以改善诊断准确性并减少不必要的手术干预 | IPMNs（胰腺导管内乳头状黏液性肿瘤）的囊肿 | 计算机视觉 | 胰腺癌 | T2W MRI成像 | 深度学习模型 | 图像 | 359个T2W MRI图像，来自七个中心 | NA | 2D和3D放射组学模型、深度学习模型、放射组学-深度学习融合模型 | AUC | NA |
| 571 | 2026-03-29 |
Characterizing multivariate regional hubs for schizophrenia classification, sex differences, and brain age estimation using explainable AI
2025-Mar-04, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.02.28.25323105
PMID:40093221
|
研究论文 | 本研究利用结构MRI、人口统计学数据和可解释人工智能，探索精神分裂症分类、性别差异及大脑年龄的多变量区域模式 | 整合深度学习模型与SHAP可解释性方法，识别与精神分裂症、性别差异及大脑年龄相关的个性化多变量脑区模式 | 未明确说明样本的具体来源、数据预处理细节或模型泛化能力的验证 | 通过可解释AI方法，研究精神分裂症分类、性别差异及大脑年龄预测中的多变量脑区模式 | 精神分裂症患者及健康对照者的结构MRI数据和人口统计学信息 | 机器学习 | 精神分裂症 | 结构MRI | 深度学习神经网络, 支持向量机, K近邻, Lasso回归, 岭回归, 支持向量回归 | 图像, 人口统计学数据 | NA | NA | NA | NA | NA |
| 572 | 2026-03-29 |
ChromaFold predicts the 3D contact map from single-cell chromatin accessibility
2024-11-01, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-53628-0
PMID:39487131
|
研究论文 | 本文介绍了ChromaFold，一种深度学习模型，能够仅从单细胞ATAC测序数据预测3D接触图谱和调控相互作用 | ChromaFold是首个仅使用单细胞ATAC测序数据预测3D接触图谱的模型，无需Hi-C或ChIP-seq数据，实现了在有限细胞数下的高分辨率预测 | 模型训练依赖于配对的scATAC-seq和Hi-C数据，可能受限于数据可用性和质量 | 预测细胞类型特异性的3D染色质相互作用，以解析基因调控和解释疾病相关的非编码变异 | 人类和小鼠样本中的单细胞染色质可及性数据 | 计算生物学 | NA | 单细胞ATAC测序（scATAC-seq），Hi-C | 深度学习模型 | 染色质可及性数据，CTCF基序轨迹 | 人类和小鼠的多种测试细胞类型 | NA | 轻量级架构 | 准确性 | 标准GPU |
| 573 | 2026-03-29 |
AmyloidPETNet: Classification of Amyloid Positivity in Brain PET Imaging Using End-to-End Deep Learning
2024-06, Radiology
IF:12.1Q1
DOI:10.1148/radiol.231442
PMID:38860897
|
研究论文 | 本研究开发了一个名为AmyloidPETNet的端到端深度学习模型，用于对最小化处理的脑部PET扫描进行淀粉样蛋白阳性或阴性的自动分类 | 该模型无需依赖经验丰富的放射科医生或结构MRI，可直接对最小化处理的PET扫描进行端到端分类，并在不同示踪剂和独立数据集上表现出良好的泛化能力 | 本研究为回顾性研究，模型性能在主要为模棱两可的病例样本上与医生的一致性仅为一般水平 | 开发一个深度学习模型，用于自动、准确地分类脑部PET扫描的淀粉样蛋白状态，并评估其在不同数据集和示踪剂上的性能 | 脑部PET扫描图像 | 数字病理学 | 阿尔茨海默病 | PET成像 | 深度学习模型 | 图像 | 8476次PET扫描（6722名患者），训练集1538次扫描（766名患者），验证集205次扫描（95名患者），内部测试集184次扫描（95名患者） | NA | AmyloidPETNet | AUC, 其他性能指标, Cohen κ | NA |
| 574 | 2026-03-29 |
Graph Structured Neural Networks for Perturbation Biology
2024-Feb-29, bioRxiv : the preprint server for biology
DOI:10.1101/2024.02.28.582164
PMID:38464019
|
研究论文 | 本文提出了一种称为图结构化神经网络（GSNN）的新方法，用于扰动生物学中的计算建模，以更准确地预测分子相互作用和细胞反应 | 提出了一种替代传统图神经网络（GNN）的GSNN方法，通过将细胞信号知识编码为图数据结构，为深度学习添加归纳偏置，从而鼓励更具机制性的预测逻辑 | 方法需要进一步精炼才能产生适用于临床决策辅助的可信药物反应模型 | 开发能够更准确捕获分子相互作用序列并支持精准医学实现的扰动生物学计算模型 | 分子元素与细胞反应之间的关系，特别是药物扰动下的基因表达、细胞活力和疾病特异性药物优先排序 | 机器学习 | NA | NA | GSNN | 图数据 | 使用LINCS L1000数据集和文献整理的分子相互作用数据 | NA | 图结构化神经网络 | NA | NA |
| 575 | 2026-03-29 |
Direct Observation and Automated Measurement of Stomatal Responses to Pseudomonas syringae pv. tomato DC3000 in Arabidopsis thaliana
2024-02-09, Journal of visualized experiments : JoVE
DOI:10.3791/66112
PMID:38407316
|
研究论文 | 本文介绍了一种评估拟南芥气孔对细菌入侵反应的新方法，包括喷雾接种、便携式成像设备直接观察和基于深度学习的图像分析管道自动测量气孔孔径 | 结合便携式成像设备和深度学习图像分析管道，实现了在植物不离体条件下直接观察和自动测量气孔对细菌入侵的动态响应，更贴近自然感染过程 | 方法目前仅应用于拟南芥，可能不适用于其他植物物种；便携式设备的分辨率和适用性可能有限 | 开发一种更简便、更贴近自然条件的方法来评估植物气孔对病原细菌入侵的响应 | 拟南芥（Arabidopsis thaliana）的气孔及其对Pseudomonas syringae pv. tomato DC3000（Pto）入侵的反应 | 植物病理学与计算机视觉交叉 | 植物细菌性病害 | 喷雾接种、便携式成像设备观察、深度学习图像分析 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 576 | 2026-03-29 |
MKMR: a multi-kernel machine regression model to predict health outcomes using human microbiome data
2023-05-19, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad158
PMID:37099694
|
研究论文 | 本文提出了一种多核机器回归模型，用于利用人类微生物组数据预测健康结果 | 首次开发了能够同时利用多种微生物组信号形式（如丰度、存在/缺失、系统发育关系）的预测模型 | 未明确说明模型在更广泛数据集或不同疾病类型中的泛化能力 | 开发一个预测模型，以利用人类微生物组数据预测健康结果 | 人类微生物组数据，包括喉咙和肠道微生物组 | 机器学习 | NA | 微生物组测序 | 多核机器回归 | 微生物组丰度数据、存在/缺失数据 | NA | NA | 多核机器回归 | 预测性能 | NA |
| 577 | 2026-03-29 |
Prediction of postoperative infection in elderly using deep learning-based analysis: an observational cohort study
2023-Mar, Aging clinical and experimental research
IF:3.4Q2
DOI:10.1007/s40520-022-02325-3
PMID:36598653
|
研究论文 | 本研究旨在开发和验证基于深度学习的模型，用于预测老年患者术后感染风险 | 首次在老年患者中应用深度学习模型整合围手术期风险因素进行术后感染预测 | 研究为观察性队列设计，样本量有限（2014例），且未在外部验证集中测试模型泛化能力 | 开发并验证深度学习模型以预测老年患者术后感染 | 2014年4月至6月期间中国28家医院接受择期手术的2014名老年患者 | 机器学习 | 老年疾病 | NA | 深度学习模型 | 临床特征数据 | 2014名老年患者（训练集1510例，验证集504例） | NA | NA | AUC, 敏感性, 特异性 | NA |
| 578 | 2026-03-29 |
Socioeconomic disparity in the association between fine particulate matter exposure and papillary thyroid cancer
2023-02-23, Environmental health : a global access science source
IF:5.3Q1
DOI:10.1186/s12940-023-00972-1
PMID:36823621
|
研究论文 | 本研究评估了细颗粒物（PM2.5）累积暴露与乳头状甲状腺癌（PTC）的关联，并发现这种关联在社会经济群体中存在差异 | 首次使用深度学习神经网络模型结合气象和卫星数据计算PM2.5累积暴露，并揭示了PM2.5暴露与PTC诊断之间的关联在不同家庭收入群体中的差异 | 研究为回顾性病例对照设计，可能存在选择偏倚和未测量的混杂因素，且PM2.5暴露评估基于居住地邮政编码，未考虑个体移动性 | 评估PM2.5暴露与乳头状甲状腺癌（PTC）的关联，并确定高风险患者亚组 | 成年患者（年龄≥18岁），包括2013年1月至2016年12月期间新诊断为PTC的患者以及无甲状腺疾病的对照组患者 | 环境流行病学 | 甲状腺癌 | 深度学习神经网络模型，结合气象和卫星测量数据 | 深度学习神经网络 | 电子病历数据、气象数据、卫星数据 | 1990名PTC患者和6919名无甲状腺疾病的对照组患者 | NA | NA | 调整后比值比（aOR）、95%置信区间（95%CI）、交互作用p值 | NA |
| 579 | 2026-03-29 |
EPViz: A flexible and lightweight visualizer to facilitate predictive modeling for multi-channel EEG
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0282268
PMID:36848345
|
研究论文 | 介绍了一种名为EPViz的新型开源可视化工具，用于辅助多通道脑电图（EEG）的预测建模开发、验证和结果报告 | 开发了一个轻量级、独立的软件包，能够加载PyTorch深度学习模型，将输出预测叠加在原始EEG时间序列上，并支持高分辨率图像保存，填补了EEG可视化领域的空白 | NA | 促进计算神经科学中时空预测分析的发展，并推动工程师与临床医生之间的合作 | 多通道头皮脑电图（EEG）数据 | 机器学习 | NA | 脑电图（EEG） | 深度学习模型 | 时间序列数据 | NA | PyTorch | NA | NA | NA |
| 580 | 2026-03-29 |
A novel deep learning method for predictive modeling of microbiome data
2021-05-20, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaa073
PMID:32406914
|
研究论文 | 本文提出了一种名为MDeep的新型深度学习方法，用于基于微生物组数据进行预测建模 | 开发了首个能高效且严谨地整合系统发育树结构的深度学习方法，通过设计卷积层模拟分类学层级，在局部感受野中捕捉微生物物种间的系统发育相关性 | 未明确说明方法在超大规模数据集或实时预测场景下的计算效率限制 | 构建基于微生物组数据的临床结果预测模型，用于药物反应预测和疾病诊断等应用 | 人类微生物组数据（包含物种丰度和系统发育树） | 机器学习 | NA | 下一代测序技术 | CNN | 微生物组数据（物种丰度与系统发育树） | NA | NA | 自定义卷积神经网络架构 | 回归和二元分类评估指标（具体指标未明确说明） | NA |