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 42805 篇文献，本页显示第 5881 - 5900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5881 | 2026-01-24 |
Deep Learning Enhances Weightbearing CT Detection of Lisfranc Instability: A FIXUS-AI Ankle Insight 3D Algorithm
2025-Dec, Cureus
DOI:10.7759/cureus.99658
PMID:41561244
|
研究论文 | 本研究开发了一种基于深度学习的3D负重CT（WBCT）算法，用于检测Lisfranc不稳定性，并评估了三种深度学习模型的性能 | 首次将深度学习算法应用于3D负重CT图像，以检测孤立的Lisfranc不稳定性，并比较了三种不同深度学习模型的性能 | 研究样本量有限（280例），缺乏外部验证，未来需要更大数据集和外部验证来进一步确认模型的泛化能力 | 研究深度学习算法在负重CT图像上对孤立Lisfranc不稳定性的诊断影响 | 280例患者的负重CT扫描图像，包括140例孤立Lisfranc不稳定性病例和140例无足部损伤的对照组 | 计算机视觉 | 足部损伤 | 负重CT（WBCT）成像 | CNN, LSTM | 3D图像 | 280例患者（140例病例，140例对照） | NA | 3D卷积神经网络（3D-CNN），CNN结合长短期记忆（LSTM），差分CNN-LSTM | 灵敏度，特异性，准确率，F1分数，ROC曲线下面积（AUC） | NA |
| 5882 | 2026-01-24 |
Advancements in Cancer Survival Prediction: A Systematic Review of Classical and Modern Approaches
2025-Dec, Indian journal of community medicine : official publication of Indian Association of Preventive & Social Medicine
IF:0.9Q4
DOI:10.4103/ijcm.ijcm_626_24
PMID:41561693
|
综述 | 本文系统回顾了癌症生存预测中传统统计方法与现代机器学习及深度学习模型的应用、进展及未来研究方向 | 通过系统综述方法，梳理了过去15年间癌症生存预测模型从传统方法向混合及深度学习模型的演进趋势，并强调了在有限数据集下利用临床数据的增长趋势 | 综述基于特定数据库（ScienceDirect、IEEE Xplore、PubMed）的文献，可能未涵盖所有相关研究，且纳入标准可能引入选择偏倚 | 识别癌症预测中应用的生存分析模型，突出近期进展，并为未来研究提出方向 | 癌症患者的生存预测 | 机器学习 | 癌症 | NA | 机器学习, 深度学习 | 临床数据 | 基于51篇文献的综述，未指定具体样本量 | NA | NA | NA | NA |
| 5883 | 2026-01-24 |
Automatic multi-IMU-based deep learning evaluation of intensity during static standing balance training exercises
2025-Nov-27, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-025-01760-3
PMID:41310727
|
研究论文 | 本研究通过全身可穿戴传感器和卷积神经网络模型，自动评估静态站立平衡训练中的运动强度，以支持家庭康复训练 | 首次结合多IMU传感器和CNN模型，实现物理治疗师感知的平衡运动强度自动评估，为家庭康复提供量化监控手段 | 研究仅基于单日训练数据，样本量有限，且未考虑动态平衡训练或长期康复效果 | 开发基于可穿戴传感器和机器学习的平衡运动强度评估系统，以支持家庭康复训练的剂量监控 | 平衡训练参与者（n=47）和物理治疗师参与者（n=42） | 机器学习 | 老年疾病 | 可穿戴惯性测量单元（IMU） | CNN | 运动学数据 | 47名平衡训练参与者和42名物理治疗师 | NA | 卷积神经网络 | 均方根误差（RMSE） | NA |
| 5884 | 2026-01-24 |
Dynamic AI-assisted ipsilateral tissue matching for digital breast tomosynthesis
2025-Nov, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112356
PMID:40925265
|
研究论文 | 本研究评估了AI辅助的乳腺数字断层合成同侧组织匹配技术对减少定位误差的效果，特别是对非专家放射科医生 | 引入了动态AI辅助的同侧组织匹配技术，并集成了ViewFinder警告系统以识别高不确定性病例，显著提升了非专家放射科医生在复杂病例中的定位准确性 | 研究样本量相对较小（30个病例，94个参考标注），且仅针对乳腺数字断层合成技术，未涉及其他影像模态 | 评估AI辅助技术是否能减少乳腺数字断层合成中的定位误差，特别是在典型肿瘤边界之外 | 乳腺数字断层合成图像中的病变区域 | 数字病理学 | 乳腺癌 | 乳腺数字断层合成 | 深度学习 | 医学影像 | 30个病例，包含94个共识参考标注 | NA | NA | 均方根误差, 最大距离误差 | NA |
| 5885 | 2026-01-24 |
From Big to Small: Emerging Methods for Enhancing Precision Psychiatry Through Transfer Learning
2025-Oct-30, Biological psychiatry
IF:9.6Q1
DOI:10.1016/j.biopsych.2025.10.022
PMID:41173199
|
综述 | 本文综述了迁移学习在脑-行为预测建模中的应用，特别是在精准精神病学中预测临床结果方面的潜力 | 通过迁移学习利用大规模神经影像数据集来提升小规模临床数据集的预测准确性，增强模型的泛化性和可解释性 | NA | 探讨迁移学习在精准精神病学中用于脑-行为预测建模的方法与效用 | 神经影像数据与临床特征之间的关联 | 机器学习 | 精神疾病 | 神经影像学 | NA | 神经影像数据 | NA | NA | NA | NA | NA |
| 5886 | 2026-01-24 |
Pan-cancer single-cell and spatial transcriptomics implicate cancer-associated fibroblasts in neutrophil immunosuppressive phenotypic transitions and immunotherapy resistance
2025-Oct-10, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01706-x
PMID:41068349
|
研究论文 | 本研究通过泛癌单细胞和空间转录组学分析，揭示了癌症相关成纤维细胞在促进中性粒细胞免疫抑制表型转变和免疫治疗抵抗中的作用 | 构建了涵盖21种癌症类型、462名患者的中性粒细胞单细胞图谱，识别出主要免疫抑制亚群CXCR2+VNN2+Neu，并通过空间转录组学首次系统揭示了成纤维细胞活性驱动其表型转变的机制 | 研究主要基于转录组数据，功能验证和机制细节仍需进一步实验探索 | 探究中性粒细胞在肿瘤微环境中的异质性、调控机制及其对免疫治疗响应的影响 | 462名泛癌患者的中性粒细胞及肿瘤微环境成分 | 生物信息学 | 泛癌 | 单细胞RNA测序, 空间转录组学 | 深度学习模型 | 单细胞转录组数据, 空间转录组数据 | 462名患者, 涵盖21种癌症类型 | NA | Deepsurv | NA | NA |
| 5887 | 2026-01-24 |
Advanced Embryo Ploidy Classification Using Vision Transformers: Integration of Sequential Time-Lapse Imaging and Undersampling Techniques: A Retrospective Study
2025 Oct-Dec, Journal of human reproductive sciences
DOI:10.4103/jhrs.jhrs_111_25
PMID:41560882
|
研究论文 | 本研究通过整合Vision Transformers与连续延时成像技术，并应用随机欠采样方法，旨在提高胚胎倍性分类的准确性，特别是在处理类别不平衡问题时 | 首次将Vision Transformers应用于胚胎倍性分类，结合连续延时成像和随机欠采样技术，有效提升了镶嵌体胚胎等少数类别的预测性能 | 研究为回顾性设计，样本量相对有限，且模型在不平衡数据集上的性能下降明显 | 提高辅助生殖技术中胚胎倍性分类的可靠性，优化胚胎选择过程 | 来自生育诊所的囊胚期延时成像视频，包含遗传学确认的倍性状态 | 计算机视觉 | NA | 延时成像 | Vision Transformer | 视频序列帧 | 1020个囊胚视频，生成99,324个序列帧，平衡后每类17,000张图像 | NA | ViT-B/16, ViT-B/32 | 准确率, 精确率, 召回率, F1分数 | NA |
| 5888 | 2026-01-24 |
Deep Learning Unveils Health Predictions From EEG and MRI Data
2025 Sep-Oct, IEEE pulse
IF:0.3Q4
DOI:10.1109/MPULS.2025.3618430
PMID:41564094
|
综述 | 本文综述了人工智能（尤其是深度学习）在利用fMRI和EEG数据进行大脑活动检测和神经系统疾病诊断中的应用 | 系统性地概述了AI在神经影像学中的多种应用，并讨论了其在认知神经科学和医学影像中的关键作用以及未来挑战 | 作为综述文章，未提出新的具体模型或实验，主要基于现有研究进行总结 | 探讨AI驱动技术在利用fMRI和EEG检测和探索人类大脑活动中的应用 | 功能磁共振成像（fMRI）和脑电图（EEG）数据 | 机器学习 | 神经系统疾病 | fMRI, EEG | 深度学习模型, 机器学习技术 | 神经影像数据（fMRI和EEG） | NA | NA | NA | NA | NA |
| 5889 | 2026-01-24 |
A deep learning method for predicting interactions for intrinsically disordered regions of proteins
2025-Aug-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.19.629373
PMID:39763873
|
研究论文 | 本文开发了一种名为Disobind的深度学习方法，用于预测蛋白质内在无序区域（IDRs）与结合伙伴之间的相互作用位点 | Disobind方法结合了ProtT5蛋白质语言模型的序列嵌入，能够考虑结合伙伴的上下文信息，且不依赖于结构或多序列比对，在预测IDR界面方面优于现有方法 | 未在摘要中明确说明 | 开发一种深度学习方法以准确预测蛋白质内在无序区域（IDRs）与结合伙伴之间的相互作用 | 蛋白质内在无序区域（IDRs）及其结合伙伴 | 机器学习 | NA | 深度学习 | 基于ProtT5的模型 | 蛋白质序列 | NA | NA | ProtT5 | NA | NA |
| 5890 | 2026-01-24 |
Spatio-temporal learning from molecular dynamics simulations for protein-ligand binding affinity prediction
2025-Aug-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf429
PMID:40828893
|
研究论文 | 本文开发了MDbind数据集和新型神经网络，利用分子动力学模拟增强蛋白质-配体结合亲和力预测 | 通过分子动力学模拟作为数据增强，结合时空学习神经网络，提升了模型在偏置测试集上的泛化能力 | 训练数据有限，模型对蛋白质-配体相互作用的有效学习仍面临挑战 | 预测蛋白质-配体结合亲和力，解决现有深度学习模型泛化能力不足的问题 | 蛋白质-配体复合物 | 机器学习 | NA | 分子动力学模拟 | 神经网络 | 分子动力学模拟轨迹 | 63000个蛋白质-配体相互作用的模拟 | NA | NA | NA | NA |
| 5891 | 2026-01-24 |
Whole tissue imaging of cellular boundaries at sub-micron resolutions for deep learning cell segmentation: Applications in the analysis of epithelial bending of ectoderm
2025-Jul-26, Developmental dynamics : an official publication of the American Association of Anatomists
IF:2.0Q3
DOI:10.1002/dvdy.70061
PMID:40716088
|
研究论文 | 本文介绍了一种名为MORPHOVIEW的成像与分割方法，用于在亚微米分辨率下保留细胞边界标记并实现三维组织细胞分割，应用于分析上皮弯曲的发育过程 | 开发了一种保留细胞边界标记并与水折射率匹配的成像技术，结合神经网络分割模型，实现了高分辨率三维细胞形态的量化分析 | 未明确说明方法在更广泛组织类型或模型中的适用性限制 | 研究细胞形态在器官形态发生过程中的变化，特别是上皮弯曲的发育事件 | 转基因小鼠下颌骨细胞膜表达荧光蛋白的组织，以及猫鲨的牙板和真皮小齿等非模型动物外胚层结构 | 数字病理学 | NA | 组织透明化协议，高倍长工作距离水浸物镜成像，荧光蛋白标记 | 神经网络 | 三维荧光图像 | 转基因小鼠下颌骨和猫鲨牙板与真皮小齿组织样本 | NA | NA | NA | NA |
| 5892 | 2026-01-24 |
Enhancing breast cancer classification using a deep sparse wavelet autoencoder approach
2025-Jul-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-11816-y
PMID:40681757
|
研究论文 | 本文提出了一种结合深度学习、稀疏编码和小波网络的深度稀疏小波自编码器（DSWAE）新架构，用于增强2D乳腺癌图像的分类性能 | 提出了一种创新的深度稀疏小波自编码器（DSWAE）架构，通过堆叠小波自编码器构建了一个专门用于2D乳腺癌图像分类的鲁棒模型，该模型在提高分类精度的同时，通过使用参数最少的深度网络优化了计算效率 | NA | 提高2D乳腺癌图像的分类准确性，以支持早期检测和分期 | 2D乳腺癌图像数据集 | 计算机视觉 | 乳腺癌 | 数字成像技术 | 自编码器 | 图像 | NA | NA | 深度稀疏小波自编码器（DSWAE） | 精确率, 召回率 | NA |
| 5893 | 2026-01-24 |
iACP-DPNet: a dual-pooling causal dilated convolutional network for interpretable anticancer peptide identification
2025-Jul-04, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01641-x
PMID:40613943
|
研究论文 | 本研究提出了一种名为iACP-DPNet的新型深度学习模型，用于识别抗癌肽，该模型结合了蛋白质语言模型、特征选择和因果扩张卷积网络，并引入了双池化机制以提高特征提取能力和模型可解释性 | 构建了更大更多样化的数据集；提出了结合因果扩张卷积网络和双池化机制（全局平均池化和注意力池化）的新型模型架构；通过t-SNE、ISM和SHAP分析增强了模型的可解释性 | 未明确提及 | 开发一种高性能、可解释且泛化能力强的计算模型，用于抗癌肽的识别 | 抗癌肽 | 自然语言处理, 机器学习 | 癌症 | 蛋白质语言模型, 特征选择 | CNN, 深度学习 | 蛋白质序列 | 通过整合现有文献和数据库数据构建的更大更多样化的数据集（具体数量未明确给出） | NA | 因果扩张卷积网络, ProtBert | 特异性, 灵敏度, 准确率, 马修斯相关系数 | NA |
| 5894 | 2026-01-24 |
Genome-resolved metagenomics from short-read sequencing data in the era of artificial intelligence
2025-Jun-10, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01625-x
PMID:40493087
|
综述 | 本文综述了人工智能在短读长测序数据基因组解析宏基因组学中的应用工具及其模型 | 系统回顾了专门为短读长宏基因组数据开发的最新AI工具及其底层模型，并讨论了其性能与可用性 | NA | 探讨人工智能在基因组解析宏基因组学数据分析各阶段的应用与影响 | 短读长测序数据及相关的AI工具 | 机器学习 | NA | 短读长测序 | 机器学习,深度学习 | 宏基因组测序数据 | NA | NA | NA | 准确性,可扩展性,效率 | NA |
| 5895 | 2026-01-24 |
scPrediXcan integrates advances in deep learning and single-cell data into a powerful cell-type-specific transcriptome-wide association study framework
2025-Mar-04, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.11.623049
PMID:39605417
|
研究论文 | 本文提出了一种名为scPrediXcan的新型细胞类型特异性转录组范围关联研究框架，该框架整合了深度学习方法和单细胞数据，以更精确地识别疾病相关基因 | 将先进的深度学习模型（ctPred）与经典TWAS框架结合，能够高精度预测细胞类型特异性表达，并捕捉线性模型忽略的复杂基因调控规律 | 未在摘要中明确提及具体限制，但可能涉及数据稀疏性和样本量问题 | 开发一个强大的细胞类型特异性转录组范围关联研究框架，以更深入地理解复杂疾病的细胞机制 | 2型糖尿病和系统性红斑狼疮 | 机器学习 | 2型糖尿病, 系统性红斑狼疮 | 单细胞数据, 表观遗传特征预测 | 深度学习模型 | DNA序列数据, 单细胞表达数据 | NA | NA | ctPred | 准确性, 基因识别数量, 基因座解释能力 | NA |
| 5896 | 2026-01-24 |
AggNet: Advancing protein aggregation analysis through deep learning and protein language model
2025-Feb, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70031
PMID:39840791
|
研究论文 | 本研究提出了一种名为AggNet的新型深度学习框架，用于预测蛋白质聚集，结合蛋白质语言模型ESM2和AlphaFold2，以区分淀粉样和非淀粉样肽并识别聚集倾向区域 | AggNet结合了蛋白质语言模型ESM2和AlphaFold2，利用物理化学、进化和结构信息，在蛋白质聚集预测上实现了最先进的性能，并增强了模型的可解释性 | NA | 开发一种高效的计算工具来预测蛋白质聚集，以替代成本高昂且劳动密集的实验方法 | 蛋白质聚集，特别是淀粉样和非淀粉样肽以及聚集倾向区域 | 机器学习 | NA | 深度学习，蛋白质语言模型 | 深度学习框架 | 蛋白质序列和结构数据 | NA | NA | ESM2, AlphaFold2 | NA | NA |
| 5897 | 2026-01-24 |
Corrigendum: Addressing grading bias in rock climbing: machine and deep learning approaches
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1570591
PMID:40051920
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5898 | 2026-01-24 |
A lightweight co-optimization model for field sunflower disease identification
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1728123
PMID:41560911
|
研究论文 | 本文提出了一种轻量化的YOLO-CGA模型，用于田间向日葵病害识别，并在Raspberry Pi上部署以实现现场应用 | 基于YOLOv8n-cls，设计了CBAM_ADown模块以增强特征提取和噪声抑制，采用C3Ghost模块减少参数量，并构建AFC_SPPF模块进行多尺度病害特征融合，从而在保持高精度的同时实现模型轻量化 | 模型在复杂田间环境中的泛化能力可能仍需进一步验证，且仅针对向日葵等特定作物病害进行测试 | 开发一种轻量化且鲁棒的作物病害识别模型，以解决现有深度学习模型在复杂田间环境中缺乏鲁棒性、参数量大、难以在资源受限设备上部署的问题 | 向日葵病害图像 | 计算机视觉 | 向日葵病害 | 深度学习 | YOLO | 图像 | 三个主要数据集：BARI-Sunflower数据集、Cotton Disease数据集、FGVC8数据集 | PyTorch | YOLOv8n-cls, CBAM_ADown, C3Ghost, AFC_SPPF | 准确率 | Raspberry Pi |
| 5899 | 2026-01-24 |
MTMEGPS: An R package for multi-trait and multi-environment genomic and phenomic selection using deep learning
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1674985
PMID:41560909
|
研究论文 | 本文介绍了一个名为MTMEGPS的R包，用于通过深度学习进行多性状和多环境的基因组与表型组选择 | 开发了一个集成的R包，简化了深度学习在育种中的应用流程，支持多性状和多环境预测，并提供了端到端的工作流 | 深度学习计算需求高，且预测误差在某些场景下仍处于中等水平 | 提升基因组和表型组选择的预测能力，通过深度学习捕获非线性模式 | 玉米基因组数据、桉树近红外光谱数据以及公开的多环境验证数据集 | 机器学习 | NA | 深度学习，近红外光谱 | 深度学习模型 | 基因组数据，光谱数据 | NA | R | NA | 均方误差 | NA |
| 5900 | 2026-01-24 |
Artificial intelligence prediction of nonenhancing brain tumor malignancy based on in vivo confocal laser endomicroscopic imaging
2025, Frontiers in surgery
IF:1.6Q2
DOI:10.3389/fsurg.2025.1655374
PMID:41560935
|
研究论文 | 本文开发了一种基于序列的深度学习模型，利用共聚焦激光内镜成像序列对非增强脑肿瘤进行分级预测 | 提出了一种新颖的序列深度学习模型，结合视觉和时间信息，模拟神经病理学家的视觉推理过程，优于传统的基于单帧的分类方法 | 样本量较小（仅16名患者），模型在更大数据集上的泛化能力有待验证 | 开发人工智能模型以准确预测非增强脑肿瘤的恶性程度，辅助术中决策 | 非增强脑肿瘤患者的共聚焦激光内镜成像序列 | 数字病理学 | 脑肿瘤 | 共聚焦激光内镜成像 | 深度学习 | 图像序列 | 16名患者，105个序列，3,173张图像，40个感兴趣区域 | NA | Vision Transformer, VGG16, ResNet50, Inception-ResNet-V2, Transformer编码器, 时间卷积 | top-1分类准确率 | NA |