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 44210 篇文献，本页显示第 621 - 640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 621 | 2026-05-12 |
Spike Rate Inference from Mouse Spinal Cord Calcium Imaging Data
2025-Apr-30, The Journal of neuroscience : the official journal of the Society for Neuroscience
DOI:10.1523/JNEUROSCI.1187-24.2025
PMID:40127941
|
研究论文 | 利用监督学习和无监督算法从小鼠脊髓钙成像数据中推断神经元放电率 | 首次在脊髓神经元上测试了基于深度学习的CASCADE算法和非负解卷积OASIS算法，并公开提供了针对脊髓数据重新训练的模型 | 未明确说明，但可能包括算法仅基于特定细胞类型（谷氨酸能和GABA能神经元）的验证，以及缺乏对更广泛脊髓区域的泛化评估 | 评估从脊髓钙成像数据中推断神经元放电率的算法性能，并探索不同脑区之间的泛化能力 | 小鼠脊髓背角浅层的谷氨酸能和GABA能体感神经元 | 机器学习 | NA | 钙成像 | 深度学习（CASCADE）和非负解卷积（OASIS） | 钙成像信号 | 来自小鼠（两性）脊髓背角浅层的谷氨酸能和GABA能神经元数据 | PyTorch | CASCADE, OASIS | 准确率 | NA |
| 622 | 2026-05-12 |
Deep learning-based free-water correction for single-shell diffusion MRI
2025-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110326
PMID:39827997
|
研究论文 | 提出一种基于深度学习的自由水校正方法，用于单壳层扩散MRI数据，以消除自由水引起的部分容积效应 | 首次将深度学习框架应用于单壳层扩散MRI的自由水校正，通过数据驱动方法推断自由水体素，并实现模型微调和b值重映射以适应新数据 | NA | 开发一种通用且准确的单壳层扩散MRI自由水校正方法，提高扩散特性估计的一致性和神经通路识别的准确性 | 人脑连接组项目年轻成人数据集、人脑连接组项目老化数据集以及脑肿瘤连接组数据 | 数字病理学 | NA | 扩散磁共振成像，单壳层采集 | 深度学习模型 | 图像（扩散加权图像） | 使用HCP-ya、HCP-a和BTC数据集，具体样本量未明确说明 | NA | NA | 一致性和准确性，具体指标未明确说明 | NA |
| 623 | 2026-05-12 |
The information bottleneck as a principle underlying multi-area cortical representations during decision-making
2025-Feb-15, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.12.548742
PMID:37502862
|
研究论文 | 本研究探讨了多脑区皮层表征在决策过程中遵循信息瓶颈原则的机制 | 首次通过多脑区循环神经网络模型揭示了大脑如何通过信息瓶颈原理形成最优表征，并发现前额叶皮层与运动前区背侧区域之间的信息优先传播机制 | NA | 阐明决策过程中多脑区皮层表征如何遵循信息瓶颈原则进行分布式计算 | 恒河猴的背外侧前额叶皮层和背侧运动前区皮层中的单个神经元与多单元活动 | 机器学习 | NA | 多脑区循环神经网络 | 循环神经网络 | 神经电生理数据 | 恒河猴实验中的神经元记录数据 | PyTorch | 多脑区循环神经网络 | NA | NA |
| 624 | 2026-05-12 |
Spike rate inference from mouse spinal cord calcium imaging data
2025-Jan-11, bioRxiv : the preprint server for biology
DOI:10.1101/2024.07.17.603957
PMID:39829770
|
研究论文 | 利用监督深度学习与非监督反卷积算法，从小鼠脊髓钙成像数据中推断神经元放电率，并通过真实数据验证和优化模型 | 首次评估现有尖峰推断算法在脊髓神经元上的适用性，并通过重新训练CASCADE模型显著提升性能，展示了算法在不同神经系统区域间的泛化能力 | 未提及算法在更广泛脑区或病理条件下的泛化性，且真实数据仅来自小鼠脊髓背角特定细胞类型 | 验证并优化从脊髓钙成像数据推断神经元放电率的算法，为其在脊髓研究中的可靠应用提供基础 | 小鼠脊髓背角浅层的谷氨酸能和GABA能体感神经元 | 机器学习 | NA | 钙成像 | CNN（CASCADE）和OASIS | 钙成像信号和电生理记录的真实数据 | 包含谷氨酸能和GABA能神经元的小鼠脊髓背角样本 | CASCADE（基于TensorFlow/PyTorch）和OASIS | CASCADE（深度学习模型）和OASIS（非负反卷积） | 准确性和泛化性能（具体指标未明确提及，但基于推断准确性评估） | NA |
| 625 | 2026-05-12 |
Artificial intelligence: the human response to approach the complexity of big data in biology
2025-01-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf057
PMID:40504538
|
综述 | 本文探讨人工智能如何应对生物学大数据复杂性，重点分析其在植物科学、动物科学和微生物学等生命科学领域的应用 | 系统梳理了高通量组学数据增长驱动AI分析需求的过程，特别强调组学预测分析在系统生物学中的角色及FAIR原则对组学数据的重要性 | 未提供具体实验验证或定量比较结果，仅进行文献综述性讨论 | 探索AI在生命科学中应用的发展现状、挑战与机遇 | 生命科学领域中的高通量组学数据（植物、动物、微生物学数据） | 机器学习 | NA | NA | NA | 组学数据 | NA | NA | NA | NA | NA |
| 626 | 2026-05-12 |
CellBinDB: a large-scale multimodal annotated dataset for cell segmentation with benchmarking of universal models
2025-01-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf069
PMID:40552981
|
research paper | 介绍CellBinDB，一个大规模多模态标注数据集，用于细胞分割并基准测试通用模型 | 构建了涵盖多种组织类型和染色方法的大规模多模态标注数据集，并系统评估了8种主流细胞分割技术的性能 | 复杂细胞形状会降低分割精度，数据集主要覆盖常规染色类型和常见组织，对罕见细胞类型的适应性未知 | 建立支持通用模型训练和多技术评估的细胞分割数据集，推动更通用分割技术的发展 | 细胞或细胞核边界 | digital pathology | NA | DAPI、ssDNA、H&E、多重免疫荧光染色 | 深度学习分割模型（具体未指定） | 图像 | 1000余张标注图像，覆盖30余种正常和疾病组织类型（人类和小鼠样本） | NA | NA | 分割精度、边界检测效果（具体指标如Dice系数等未明确） | NA |
| 627 | 2026-05-12 |
Prediction of Bone Mineral Density based on Computer Tomography Images Using Deep Learning Model
2025, Gerontology
IF:3.1Q3
DOI:10.1159/000542396
PMID:39527924
|
研究论文 | 基于深度学习模型利用计算机断层扫描图像预测骨密度 | 提出了一种多阶段深度学习模型，可自动测量椎体骨密度并提高骨质疏松诊断率 | 未明确说明 | 开发自动测量骨密度的深度学习模型，提高骨质疏松诊断率 | 801名受试者的2,080个椎体（T11-L4） | 计算机视觉 | 骨质疏松症 | QCT | CNN | 图像 | 801名受试者（410名男性和391名女性），共2,080个椎体 | NA | 多阶段深度学习模型 | 判定系数R², 准确率, 精确率, 召回率, F1分数 | NA |
| 628 | 2026-05-12 |
Dynamic Prediction of Cardiovascular Death among Old People with Mildly Reduced Kidney Function Using Deep Learning Models Based on a Prospective Cohort Study
2025, Gerontology
IF:3.1Q3
DOI:10.1159/000545679
PMID:40359927
|
研究论文 | 利用深度学习模型基于前瞻性队列研究动态预测肾功能轻度减退老年人的心血管死亡 | 首次使用动态深度学习算法（Dynamic DeepHit）对肾功能轻度减退老年人群进行心血管死亡动态预测，随随访次数增加预测性能提升 | 该研究未提及具体限制 | 识别肾功能轻度减退老年人群中与心血管死亡相关的目标特征并利用深度学习模型降低死亡风险 | 肾功能轻度减退的老年人（年龄≥60岁） | 机器学习 | 心血管疾病 | NA | 深度学习模型 | 临床纵向数据 | 12,650名老年人（年龄≥60岁） | NA | 动态深度生存模型 | 一致性指数、布里尔分数 | NA |
| 629 | 2026-05-12 |
An Updated Simplified Severity Scale for Age-Related Macular Degeneration Incorporating Reticular Pseudodrusen: Age-Related Eye Disease Study Report Number 42
2024-10, Ophthalmology
IF:13.1Q1
DOI:10.1016/j.ophtha.2024.04.011
PMID:38657840
|
研究论文 | 更新年龄相关性黄斑变性简化严重程度量表，纳入网状假性玻璃膜疣，并进行外部验证 | 首次将网状假性玻璃膜疣状态整合到简化严重程度量表中，并更新了晚期AMD的定义，将非中心性地理萎缩作为结局而非风险特征，提高了预后准确性 | 研究基于临床试验队列，可能不适用于更广泛的一般人群，且量表主要适用于风险分类的广泛层次 | 更新AREDS简化严重程度量表，以提高晚期AMD风险预测的准确性，并验证其泛化能力 | AREDS和AREDS2临床试验队列中无晚期AMD的参与者 | 机器学习 | 年龄相关性黄斑变性 | 深度学习分级（彩色眼底照片） | NA | 彩色眼底照片 | AREDS 2719例，AREDS2 1472例 | NA | NA | 5年进展率 | NA |
| 630 | 2026-05-12 |
Prediction of post-traumatic stress disorder in family members of ICU patients: a machine learning approach
2024-01, Intensive care medicine
IF:27.1Q1
DOI:10.1007/s00134-023-07288-1
PMID:38112774
|
研究论文 | 利用机器学习方法预测ICU患者家属的创伤后应激障碍 | 首次提出基于机器学习的方法在个体层面预测ICU患者家属的创伤后应激障碍，并应用多种可解释性方法分析变量贡献 | 模型中主要影响因素均为不可改变因素，缺乏对可干预因素的探索 | 开发易于获取的患者和家属信息为基础的风险分层工具，指导高风险家属接受适当管理 | ICU患者的家庭成员 | 机器学习 | 创伤后应激障碍 | NA | 随机森林、XGBoost、正则化线性模型、核模型、深度学习模型 | 结构化临床数据 | 2374名ICU患者家庭成员 | Scikit-learn, XGBoost | 随机森林、XGBoost | AUC | NA |
| 631 | 2026-05-12 |
Hierarchical Individual Naturalistic Functional Brain Networks with Group Consistency Uncovered by a Two-Stage NAS-Volumetric Sparse DBN Framework
2022 Sep-Oct, eNeuro
IF:2.7Q3
DOI:10.1523/ENEURO.0200-22.2022
PMID:35995557
|
研究论文 | 提出了一种两阶段神经架构搜索与体积稀疏深度信念网络模型，用于从自然范式功能磁共振成像数据中识别具有群体一致性和个体独特性的分层功能脑网络 | 首次将神经架构搜索与体积稀疏深度信念网络结合，自动优化网络架构以建模自然范式fMRI数据，同时兼顾群体一致性与个体变异性 | 未提及 | 从自然范式fMRI数据中自动识别具有群体一致性和个体独特性的分层时空脑功能特征 | 自然范式下的人脑功能网络及时间特征 | 机器学习 | NA | NfMRI | 深度信念网络 (DBN) | fMRI体积图像 | NA | NA | 两阶段神经架构搜索, 体积稀疏深度信念网络 | 群体一致性, 个体独特性 | NA |
| 632 | 2026-05-11 |
Comparing machine and deep learning-based algorithms for prediction of clinical improvement in psychosis with functional magnetic resonance imaging
2021-03, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.25286
PMID:33185307
|
研究论文 | 比较六种机器学习算法和深度学习在基于功能性磁共振成像预测精神病患者临床改善中的表现 | 首次在早期精神病患者中系统比较多种机器学习方法与深度学习在预测症状改善方面的性能，并采用可解释人工智能揭示关键特征左背外侧前额叶皮质激活 | 样本量较小（精神分裂症65例，I型双相障碍17例），且仅使用单一认知任务（AX持续表现任务）的前顶叶激活特征 | 评估机器学习和深度学习方法在预测精神病患者经协调专科护理1年后临床症状改善的能力 | 早期精神病患者（精神分裂症或I型双相障碍）及健康对照者 | 机器学习 | 精神病 | 功能性磁共振成像 | 朴素贝叶斯、支持向量机、K Star、AdaBoost、J48决策树、随机森林、深度学习 | 功能性磁共振成像数据 | 82名患者（65例精神分裂症，17例I型双相障碍）和138名健康对照者 | NA | NA | 准确率、均方根误差 | NA |
| 633 | 2026-05-11 |
Further evaluation and validation of the VETSCAN IMAGYST: in-clinic feline and canine fecal parasite detection system integrated with a deep learning algorithm
2021-Jan-29, Parasites & vectors
IF:3.0Q1
DOI:10.1186/s13071-021-04591-y
PMID:33514412
|
研究论文 | 评估VETSCAN IMAGYST系统结合深度学习算法在猫狗粪便寄生虫检测中的性能 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 634 | 2026-05-11 |
DeepTFactor: A deep learning-based tool for the prediction of transcription factors
2021-01-12, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2021171118
PMID:33372147
|
研究论文 | 开发了一个基于深度学习的工具DeepTFactor，用于预测转录因子 | 利用卷积神经网络自动提取蛋白质特征，无需依赖已知转录因子的序列同源性，可预测无同源性的新转录因子 | 未明确讨论模型在非典型或极端环境下的泛化能力，以及预测结果的生物学验证覆盖范围有限（仅验证三种候选转录因子） | 开发一种不依赖序列同源性的深度学习工具，准确预测真核和原核生物中的转录因子 | 转录因子（TFs）及蛋白质序列 | 机器学习 | NA | NA | 卷积神经网络（CNN） | 蛋白质序列 | 48346个基因组中的73073012个蛋白质序列；对K-12 MG1655菌株预测332个候选转录因子 | NA | 卷积神经网络（CNN） | F1分数 | NA |
| 635 | 2026-05-11 |
Big Data Approaches to Phenotyping Acute Ischemic Stroke Using Automated Lesion Segmentation of Multi-Center Magnetic Resonance Imaging Data
2019-07, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.119.025373
PMID:31177973
|
研究论文 | 评估深度学习算法在异质多中心临床弥散加权MRI数据集上的急性缺血性病变分割性能，并探索其用于急性缺血性卒中表型分析的潜力 | 结合多中心和单中心数据训练三维卷积神经网络集成模型，实现异质多中心临床MRI数据的自动化病灶分割，并利用大规模影像表型数据揭示卒中亚型与病灶体积及地形图的关系 | 未明确提及局限性，但需注意算法依赖高质量手动标注，且多中心数据异质性可能影响泛化性 | 探索自动化深度学习分割算法用于急性缺血性卒中表型分析（如病灶体积与地形图）的可行性 | 来自MRI-GENIE数据库的12个国际遗传研究中心的多中心急性缺血性卒中患者弥散加权MRI数据 | 计算机视觉 | 急性缺血性卒中 | 弥散加权磁共振成像 | 卷积神经网络（三维CNN集成模型） | 影像（MRI） | 训练集：267例单中心患者 + 267例MRI-GENIE患者；验证集：383例MRI-GENIE患者；全数据集：2770例MRI-GENIE患者 | NA（未明确说明，推测为PyTorch或TensorFlow） | 三维卷积神经网络（集成模型） | 斯皮尔曼相关系数（ρ=0.92），Logistic回归分析 | NA（未明确说明） |
| 636 | 2026-05-10 |
An efficient deep learning approach for automatic speech recognition using EEG signals
2026-May, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2456982
PMID:39957214
|
研究论文 | 提出一种结合Gannet优化算法和Elman循环神经网络的高效深度学习方法，用于基于EEG信号的自动语音识别 | 首次将Gannet优化算法与Elman循环神经网络结合用于EEG语音识别，并通过Savitzky-Golay滤波和递归特征消除提升性能 | 仅使用Kara One单一数据集进行验证，未提及实时处理能力和跨数据集泛化性 | 提高基于EEG信号的自动语音识别准确率，促进脑机接口和语音障碍辅助技术发展 | EEG信号中的说话人识别任务 | 自然语言处理 | 言语障碍 | EEG信号采集 | Elman循环神经网络 | EEG信号 | 未明确提及样本量（仅提及Kara One数据集） | NA | Elman循环神经网络 | 准确率 | NA |
| 637 | 2026-05-10 |
Comparison between two artificial intelligence models to discriminate cancerous cell nuclei based on confocal fluorescence imaging in hepatocellular carcinoma
2025-05, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2024.11.026
PMID:39674779
|
研究论文 | 比较两种人工智能模型基于共聚焦荧光成像在肝细胞癌中区分癌细胞核的效果 | 首次比较了机器学习和深度学习两种AI模型在基于共聚焦荧光成像区分肝细胞癌肿瘤与非肿瘤细胞核中的性能，并证明了深度学习更有效 | NA | 设计并比较两种AI算法，用于计算机辅助区分肝细胞癌中的肿瘤与非肿瘤细胞核 | 肝细胞癌组织和健康肝组织中的细胞核 | 数字病理学 | 肝细胞癌 | 共聚焦荧光成像，DRAQ5染色，抗增殖细胞核抗原抗体染色 | 机器学习, 深度学习 | 图像 | 来自商业组织芯片的健康肝脏和肝细胞癌样本 | NA | NA | 准确率 | NA |
| 638 | 2026-05-10 |
A deep learning approach to multi-fiber parameter estimation and uncertainty quantification in diffusion MRI
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103537
PMID:40112509
|
研究论文 | 提出一种基于深度学习的方法，用于扩散MRI中多纤维参数估计与不确定性量化 | 引入一种新颖的序列化方法，将多纤维参数推断任务分解为一系列可管理的子问题，通过针对问题特定结构和对称性设计的深度神经网络解决，并利用模拟训练实现摊销推理 | NA | 解决扩散MRI中多纤维生物物理模型参数推断的可靠性和计算效率问题 | 扩散MRI中的多纤维参数估计和不确定性量化 | 机器学习 | NA | 扩散MRI | 深度神经网络 | 扩散MRI影像 | 使用Human Connectome Project（HCP）的真实影像数据 | NA | 深度神经网络（具体架构未指定） | 估计精度和不确定性 | NA |
| 639 | 2026-05-10 |
[Application and future of artificial intelligence in oral esthetics]
2025-Apr-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
综述 | 探讨人工智能在口腔美学中的应用现状与未来发展方向 | 系统总结了深度学习等技术在口腔美学中的具体应用，并提出了未来智能化、人性化发展的整合路径 | 技术局限、伦理问题及数据多样性不足 | 分析人工智能在口腔美学中的应用并展望其未来潜力 | 口腔美学治疗中的修复设计、微笑分析和个性化治疗 | 机器学习 | 口腔美学疾病 | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 640 | 2026-05-10 |
Deep Learning Applications in Imaging of Acute Ischemic Stroke: A Systematic Review and Narrative Summary
2025-04, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240775
PMID:40197098
|
综述 | 系统回顾深度学习在成人急性缺血性卒中影像中的应用，总结当前技术状态并识别进步机会 | 提供了从2016年至2024年深度学习在急性缺血性卒中影像应用的全面概述，涵盖大血管闭塞自动检测和ASPECT评分测量等多个方面 | 需要标准化协议和测试集、更大的公共数据集以及在真实世界环境中的性能验证 | 评估深度学习在急性缺血性卒中影像中的应用，为研究者开发AI模型提供参考 | 成人急性缺血性卒中患者的影像数据 | 计算机视觉 | 脑血管疾病 | CT、MRI | 卷积神经网络, 变换器 | 影像 | 纳入380项研究，其中68项进行了详细数据提取 | NA | CNN, Transformer | NA | NA |