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 49099 篇文献，本页显示第 6501 - 6520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6501 | 2026-06-17 |
Generation of deep learning based virtual contrast-enhanced CT images from noncontrast CT images for target volume delineation in cervical cancer radiotherapy
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1764560
PMID:41948507
|
研究论文 | 开发基于nnTransUNet的深度学习模型，从非增强CT合成虚拟增强CT图像，用于宫颈癌放疗靶区勾画 | 首次将nnTransUNet架构应用于CT图像增强，实现从非增强CT到虚拟增强CT的生成，并验证其在宫颈癌放疗靶区勾画中的可行性 | 解剖结构清晰度评分略低于增强CT图像（3.7分 vs 4分），需要进一步优化 | 开发合成虚拟增强CT图像的深度学习模型，并评估其在宫颈癌放疗靶区勾画中的可行性 | 210例宫颈癌患者 | 机器学习 | 宫颈癌 | CT成像 | nnTransUNet | 图像 | 210例宫颈癌患者 | PyTorch | nnTransUNet | MSE, PSNR, UQI, SSIM, DSC, HD | NA |
| 6502 | 2026-06-17 |
Machine learning model for predicting the conversion to dementia using the Cube Copying Test
2025-Nov, Journal of Alzheimer's disease : JAD
DOI:10.1177/13872877251376939
PMID:40982217
|
research paper | 利用机器学习模型通过立方体复制测试预测认知障碍向痴呆症的转化 | 首次将深度学习异常检测模型应用于立方体复制测试绘画数据，结合可解释性分析识别关键预测特征，区分痴呆转化者和非转化者的绘画模式 | 研究为回顾性设计，样本流失率较高，且仅针对特定认知评估工具（立方体复制测试） | 开发一种基于立方体复制测试的机器学习模型，用于预测轻度认知障碍患者在3-5年内转化为痴呆症的风险 | 767名轻度认知障碍患者的基线立方体复制测试绘画数据 | machine learning | 阿尔茨海默病、路易体痴呆、额颞叶痴呆 | 深度学习异常检测模型（PatchCore）、可解释性分析（SHAP） | 异常检测模型（PatchCore） | 图像（立方体复制测试绘画） | 767名患者，其中457名转化为痴呆症（318名阿尔茨海默病，116名路易体痴呆，23名额颞叶痴呆），310名未转化 | NA | PatchCore | 曲线下面积（AUC） | NA |
| 6503 | 2026-06-17 |
Single-sequence deep learning delivers crystal-quality models of covalent K-Ras G12 hotspot complexes
2025-Oct-13, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.16.676163
PMID:41000783
|
研究论文 | 利用单序列深度学习方法精准预测共价K-Ras G12热点复合物晶体结构 | 首次证明无多序列比对的公共工具Chai-1能准确预测共价K-Ras复合体，相比AlphaFold3提供约40倍的通量提升 | 在捕捉离去基团、键特性和立体化学等化学细节方面存在限制 | 开发高效计算工具加速共价药物发现，尤其是针对非半胱氨酸的挑战性靶点 | 共价K-Ras(G12C/G12D/G12S)抑制剂与K-Ras蛋白的复合物结构 | 机器学习 | 肺癌 | 结构预测 | 深度学习模型 | 蛋白质序列与配体结构 | 化学多样性K-Ras(G12C)抑制剂（ARS-853至BBO-8520等） | NA | Chai-1 | 口袋对齐RMSD小于2Å | NA |
| 6504 | 2026-06-17 |
EEG-Based Deep Learning Model for Hyper-Acute Large Vessel Occlusion Stroke Detection in Mice
2025-09, CNS neuroscience & therapeutics
IF:4.8Q1
DOI:10.1111/cns.70592
PMID:41014019
|
research paper | 开发基于脑电图（EEG）的深度学习模型，用于小鼠超急性大血管闭塞性脑卒中的早期检测 | 首次利用EEG信号结合EEGNet深度学习架构实现超急性期大血管闭塞性脑卒中的高准确率检测，并在小鼠模型上验证了其在发病后1.5小时内的可靠性 | 该研究仅在动物模型上进行，未在人类临床数据中验证，且样本量有限 | 开发一种基于EEG的深度学习模型，用于超急性大血管闭塞性脑卒中的早期、准确检测 | pMCAO小鼠模型，用于模拟大血管闭塞性脑卒中 | machine learning | stroke (脑卒中) | EEG（脑电图） | EEGNet | EEG信号数据 | 未在摘要中明确说明样本量（涉及pMCAO小鼠和假手术小鼠） | NA | EEGNet | accuracy, AUC, precision, recall, F1 score | NA |
| 6505 | 2026-06-17 |
Blockchain enabled deep learning model with modified coati optimization for sustainable healthcare disease detection and classification
2025-Jul-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-06578-6
PMID:40596110
|
研究论文 | 提出了一种基于区块链和深度学习模型的医疗疾病检测与分类方法 | 结合改进的浣熊优化算法和注意力双向门控循环单元，并引入区块链技术保障医疗数据的安全共享 | 未提及模型的泛化能力或在实际临床环境中的验证 | 实现可持续医疗中的疾病检测与分类，提高准确性和数据安全性 | 医疗传感器收集的大规模异构数据 | 机器学习 | NA | NA | 注意力双向门控循环单元 (ABiGRU) | 医疗传感器数据 | 使用HD数据集，但未说明具体样本数量 | NA | 注意力双向门控循环单元 | 准确率 (97.36%) | NA |
| 6506 | 2026-06-17 |
Deep learning for cerebral vascular occlusion segmentation: A novel ConvNeXtV2 and GRN-integrated U-Net framework for diffusion-weighted imaging
2025-05-14, Neuroscience
IF:2.9Q2
|
研究论文 | 提出一种结合ConvNeXtV2和GRN的U-Net深度学习框架，用于脑血管闭塞的MRI图像分割 | 首次将ConvNeXtV2架构应用于脑血管闭塞分割领域，通过GRN增强多层感知机提升低对比度区域的分割精度，同时保持高计算效率 | 高计算成本、难以分割小或不规则病变区域，以及需要提前移除≤5像素的小病灶 | 开发用于脑血管闭塞MRI图像分割的快速准确计算机辅助诊断系统 | 脑部磁共振弥散加权成像（DWI）中的脑血管闭塞病变区域 | 计算机视觉, 数字病理学 | 脑卒中（缺血性卒中） | MRI（磁共振成像） | CNN | 图像（MRI-DWI） | ISLES 2022数据集（未明确样本数量） | PyTorch | U-Net, ConvNeXtV2, 多层感知机（GRN-MLP） | IoU, Dice系数 | 未明确说明 |
| 6507 | 2026-06-17 |
A fully automatic radiomics pipeline for postoperative facial nerve function prediction of vestibular schwannoma
2025-05-14, Neuroscience
IF:2.9Q2
|
研究论文 | 提出一种基于多序列MRI的全自动深度学习流程，用于预测前庭神经鞘瘤术后面部神经功能 | 首次将2.5D Trans-UNet分割网络与1DCNN-GRU分类网络结合，构建全自动影像组学流程，实现术前MRI预测术后面神经功能 | 未提及潜在的数据集规模限制或模型泛化性验证不足 | 开发全自动深度学习模型预测前庭神经鞘瘤术后面部神经功能 | 前庭神经鞘瘤患者的多序列MRI影像数据 | 数字病理学、计算机视觉 | 前庭神经鞘瘤 | 多序列磁共振成像（MRI） | 2.5D Trans-UNet、1DCNN-GRU | 医学影像（MRI） | 公开数据集和私有数据集（具体数量未在摘要中说明） | NA | 2.5D Trans-UNet, 1DCNN, GRU | 准确率 | NA |
| 6508 | 2026-06-17 |
IBDome: An integrated molecular, histopathological, and clinical atlas of inflammatory bowel diseases
2025-May-06, Research square
DOI:10.21203/rs.3.rs-6443303/v1
PMID:40386420
|
研究论文 | 对炎症性肠病（IBD）患者进行多组学和多模态综合分析，构建综合分子、组织病理学和临床图谱 | 整合全外显子测序、RNA测序、血清蛋白质组学和组织病理学图像等多模态数据，开发炎症蛋白严重性评分及基于基础模型的深度学习工具用于组织学疾病活动度评分 | NA | 通过多组学和多模态分析增进对炎症性肠病的理解，改进诊断并推动个性化治疗策略 | 1,002名临床注释的炎症性肠病患者和非IBD对照 | 数字病理学 | 炎症性肠病 | 全外显子测序, RNA测序, 血清蛋白质组学, H&E染色图像评估 | 基础模型深度学习 | 基因表达数据, 蛋白质组学数据, 组织病理学图像 | 1,002名患者和对照的肠道组织样本及血清样本 | NA | 基础模型 | NA | NA |
| 6509 | 2026-06-17 |
Automated Joint Space Detection Improves Bone Segmentation Accuracy
2025-May-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.30.651481
PMID:40654621
|
研究论文 | 提出一种自动关节间隙检测方法，利用深度学习模型提高显微CT图像中小鼠爪骨分割的准确性 | 在传统半自动标记分水岭算法基础上，新增结构增强、张量投票和输出扩张技术，结合3D U-Net（ResNet-18主干）进行关节间隙预测，显著提升分割精度 | 在疾病严重程度较高和年龄较大样本中精度下降，且灵活应用于新数据集时性能降低 | 开发自动关节间隙检测方法，提高复杂骨结构分割的准确性 | 小鼠后爪和前爪的显微CT数据集（30-33块骨头） | 计算机视觉 | 炎性侵蚀性关节炎 | 显微CT | 3D U-Net | 图像 | 野生型和肿瘤坏死因子转基因小鼠不同性别和年龄的后爪和前爪样本 | NA | 3D U-Net, ResNet-18 | 分割准确率 | NA |
| 6510 | 2026-06-17 |
Harnessing omics data for drug discovery and development in ovarian aging
2025-05-01, Human reproduction update
IF:14.8Q1
DOI:10.1093/humupd/dmaf002
PMID:39977580
|
综述 | 本文综述了多组学数据在卵巢衰老药物发现和开发中的应用，探讨了从基因组学到微生物组的多层面数据如何助力识别新药物靶点和治疗策略 | 整合了从组织水平到单细胞的多组学数据，系统梳理了基因组、转录组、蛋白质组、代谢组和微生物组数据在卵巢衰老药物靶点发现中的作用，并特别强调了单细胞技术和空间转录组学与人工智能模型融合的前景 | 作为综述，未提供原始实验数据或计算模型验证；文献检索截止2024年9月，可能遗漏最新进展 | 综合多组学数据资源，探索如何利用这些数据识别卵巢衰老的新药物靶点并指导治疗策略 | 卵巢衰老相关的多组学数据，包括基因组、转录组、蛋白质组、代谢组和微生物组数据，以及单细胞水平研究 | 机器学习 | 妇科疾病 | 多组学技术, 单细胞技术, 空间转录组学 | NA | 组学数据 | NA | NA | NA | NA | NA |
| 6511 | 2026-06-17 |
Intermittent hypoxemia during hemodialysis: AI-based identification of arterial oxygen saturation saw-tooth pattern
2025-04-28, BMC nephrology
IF:2.2Q2
DOI:10.1186/s12882-025-04133-z
PMID:40295983
|
研究论文 | 利用人工智能自动识别血液透析过程中动脉血氧饱和度锯齿波模式 | 首次使用一维卷积神经网络自动识别血液透析患者动脉血氧饱和度的间歇性锯齿波模式 | NA | 自动识别血液透析患者中反复出现间歇性动脉血氧饱和度锯齿波模式的个体 | 血液透析患者的动脉血氧饱和度记录 | 机器学习 | 睡眠呼吸暂停 | 1D-CNN | 一维卷积神经网络 | 时间序列 | 来自22名血液透析患者的4075个连续5分钟片段 | NA | 1D-CNN | 准确率, AUC | NA |
| 6512 | 2026-06-17 |
IBDome: An integrated molecular, histopathological, and clinical atlas of inflammatory bowel diseases
2025-Apr-10, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.26.645544
PMID:40291692
|
研究论文 | 综合分子、组织病理学和临床数据构建IBD资源库，揭示炎症性肠病的多组学机制并开发诊断工具 | 首次整合全外显子组测序、RNA测序、血清蛋白质组学和组织病理学图像的多队列多模态分析，并利用基础模型深度学习从H&E染色图像预测组织学疾病活动评分 | NA | 通过多组学和多模态数据整合，深入理解炎症性肠病（IBD）的病理机制并优化诊断与治疗 | 1,002名临床注释的IBD患者和非IBD对照 | 数字病理学, 机器学习, 自然语言处理 | 炎症性肠病（克罗恩病、溃疡性结肠炎） | 全外显子组测序, RNA测序, 血清蛋白质组学, H&E染色组织学 | 基础模型深度学习 | 基因组数据, 转录组数据, 蛋白质组数据, 组织病理学图像 | 1,002名患者（包含IBD患者和非IBD对照） | NA | 基础模型 | 预测准确性 | NA |
| 6513 | 2026-06-17 |
Integrating deep learning with ECG, heart rate variability and demographic data for improved detection of atrial fibrillation
2025-03-31, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003185
PMID:40164487
|
研究论文 | 通过整合深度学习与心电图、心率变异性和人口统计数据来提高房颤检测能力 | 首次系统性地探索将心率变异性和人口统计数据（年龄和性别）与心电图数据结合，使用多种卷积神经网络模型（包括AlexNet、VGG-16、ResNet和Transformer）进行房颤检测，并通过显著性图验证模型行为 | 研究基于公共数据库，缺乏临床验证，且模型性能提升幅度有限 | 研究如何通过整合心率变异性和人口统计数据来改进心电图数据对房颤的自动检测 | 房颤患者的心电图记录及对应的心率变异性和人口统计数据 | 计算机视觉, 机器学习 | 房颤 | 心电图分析 | CNN, Transformer | 医学图像, 数值数据 | 35634条12导联心电图记录 | PyTorch, TensorFlow | AlexNet, VGG-16, ResNet, Transformer | AUROC, 灵敏度, 特异性, 精确度, 召回率, F1分数 | NA |
| 6514 | 2026-06-17 |
Quantifying Facial Gestures Using Deep Learning in a New World Monkey
2025-03, American journal of primatology
IF:2.0Q1
DOI:10.1002/ajp.70013
PMID:40019116
|
研究论文 | 利用深度学习量化棉顶狨猴的面部姿态 | 首次采用无标记姿态估计算法自动区分棉顶狨猴的发声与非发声面部形态，并验证不同行为背景下面部姿态的独特性 | 仅基于圈养个体的视频数据，可能未反映自然条件下的面部行为多样性 | 自动量化灵长类动物面部姿态的独特性，以推进多模态沟通研究 | 棉顶狨猴的面部姿态 | 计算机视觉 | NA | 无标记姿态估计 | 机器学习分类器 | 视频 | 未明确说明样本量 | NA | NA | 正确分类率 | NA |
| 6515 | 2026-06-17 |
Coronal Plane Alignment of the Knee (CPAK) Type Shifts Toward Constitutional Varus with Increasing Kellgren and Lawrence Grade: A Radiographic Analysis of 17,365 Knees
2025-Feb-05, The Journal of bone and joint surgery. American volume
DOI:10.2106/JBJS.24.00316
PMID:39719004
|
研究论文 | 本研究通过放射学分析17365例膝关节，探讨了随着骨关节炎严重程度增加，膝关节冠状面力线类型（CPAK）的分布变化及相关参数 | 首次大规模分析不同骨关节炎严重程度下CPAK类型的分布变化，发现KL分级增加时CPAK类型从II型向I型转变，并揭示骨关节炎严重程度是CPAK分布的主导因素 | 回顾性横断面研究设计，可能影响因果推断的准确性 | 探索不同骨关节炎严重程度下膝关节冠状面力线类型的分布变化 | 17365例人类膝关节 | 数字病理学 | 骨关节炎 | 放射学分析 | 深度学习软件 | 放射学图像 | 17365例膝关节 | NA | NA | NA | NA |
| 6516 | 2026-06-17 |
Advances in Diagnostic Approaches for Alzheimer's Disease: From Biomarkers to Deep Learning Technology
2025, CNS & neurological disorders drug targets
|
综述 | 综述了从生物标志物到深度学习技术的阿尔茨海默病诊断方法的最新进展 | 系统总结了生物标志物（如β-淀粉样蛋白）和神经退行性测量在阿尔茨海默病早期诊断中的应用，并强调了深度学习技术（尤其是卷积神经网络）在脑部变化检测中的高准确性 | 当前尚无针对此致命疾病的特异性治疗或诊断方法；深度学习技术旨在辅助而非替代临床评估 | 评估和总结阿尔茨海默病的诊断方法，涵盖生物标志物和深度学习技术 | 阿尔茨海默病患者的生物标志物（如β-淀粉样蛋白）和脑成像数据（如MRI） | 机器学习 | 阿尔茨海默病 | 脑成像（MRI, CT, PET等）、脑脊液样本分析、机器学习、深度学习 | 卷积神经网络 | 图像（脑影像）、文本（行为认知变化报告） | NA | NA | 卷积神经网络 | 准确性 | NA |
| 6517 | 2026-06-17 |
Deep learning insights into distinct patterns of polygenic adaptation across human populations
2024-12-11, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae1027
PMID:39558170
|
研究论文 | 提出RAISING，一种两阶段深度学习框架，用于检测人类群体多基因适应的特征 | RAISING通过超参数调优优化神经网络架构，并在特征选择和预测任务中优于现有方法，计算时间缩短60倍，真阳性率提高最多28% | 未明确提及 | 开发深度学习框架以识别人类基因组中多基因适应的特征模式 | 人类基因组中的多基因适应信号 | 机器学习 | NA | 基因组学 | 深度学习 | 基因组数据（模拟和实测） | 非洲、欧洲、南亚和东亚人群 | NA | 神经网络 | 真阳性率 | NA |
| 6518 | 2026-06-17 |
A novel interpretable deep learning-based computational framework designed synthetic enhancers with broad cross-species activity
2024-11-27, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkae912
PMID:39420601
|
研究论文 | 提出DREAM框架，一种基于深度学习的可解释计算方法，用于设计具有跨物种活性的合成增强子 | 首次实现基于深度学习的增强子设计框架，不仅能预测活性，还能设计出比果蝇基因组最强增强子活性高3.6倍的合成增强子，且这些增强子具有跨数十亿年进化物种的保守功能 | NA | 开发可解释的深度学习框架用于可控活性的合成增强子设计 | 增强子序列及其活性设计 | 机器学习 | NA | 合成生物学、高通量筛选 | 深度神经网络 | DNA序列数据 | NA | PyTorch | NA | 预测性能指标未明确指定 | NA |
| 6519 | 2026-06-17 |
Deep learning models for the prediction of acute postoperative pain in PACU for video-assisted thoracoscopic surgery
2024-10-07, BMC medical research methodology
IF:3.9Q1
DOI:10.1186/s12874-024-02357-5
PMID:39375589
|
研究论文 | 利用深度学习模型预测电视辅助胸腔镜手术后急性疼痛 | 首次将图注意力网络和图Transformer网络结合注意力机制构建DoseFormer模型，用于预测术后急性疼痛，且模型性能显著优于传统机器学习算法和临床医生评估 | NA | 开发深度学习算法，利用患者基本信息和术中实时生命体征数据预测术后急性疼痛 | 接受电视辅助胸腔镜手术的患者 | 机器学习 | 术后急性疼痛 | NA | 图注意力网络、图Transformer网络 | 结构化数据（患者信息、术中生命体征） | 1552例患者（训练集931例，测试集621例） | NA | DoseFormer（基于GAT和GTN） | AUROC、F1值 | NA |
| 6520 | 2026-06-17 |
Dissection of core promoter syntax through single nucleotide resolution modeling of transcription initiation
2024-Sep-17, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.13.583868
PMID:38559255
|
研究论文 | 通过单核苷酸分辨率模型解析核心启动子语法对转录起始的编码机制 | 提出了CLIPNET深度学习模型，能够以单核苷酸分辨率准确预测转录起始的位置和数量，揭示了核心启动子序列与转录因子相互作用的复杂语法 | 模型主要基于PRO-cap数据，可能无法完全覆盖所有细胞类型或条件下的转录起始机制 | 探究DNA序列如何编码转录起始模式，揭示核心启动子语法的分子机制 | 转录起始位点附近的核心启动子序列及转录激活因子基序 | 机器学习 | NA | PRO-cap测序、深度学习 | 深度学习模型（CLIPNET） | 序列数据 | 群体规模的PRO-cap数据集 | TensorFlow或PyTorch（未明确指定，推测可能使用） | NA | 预测准确率（优于现有方法） | NA |