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 36487 篇文献，本页显示第 6781 - 6800 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6781 | 2025-10-06 |
Automated Finite Element Modeling of the Lumbar Spine: A Biomechanical and Clinical Approach to Spinal Load Distribution and Stress Analysis
2025-Sep, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2025.124236
PMID:40602487
|
研究论文 | 本研究开发了一种自动化有限元分析方法，用于腰椎生物力学分析，通过深度学习分割和计算建模简化从影像到模拟的工作流程 | 将深度学习分割与有限元建模相结合，实现腰椎生物力学分析的自动化流程，大幅减少人工操作时间 | 未明确说明样本数量和多样性，可能影响模型的泛化能力 | 开发自动化有限元分析方法以改进腰椎生物力学分析 | 腰椎脊柱结构，包括椎骨、椎间盘、韧带等组织 | 生物力学工程 | 脊柱疾病 | 医学影像分析，有限元分析 | 深度学习分割模型 | 医学影像数据 | NA | Gibbon, FEBio | NA | 应力分析，应变分析，位移分析 | NA |
| 6782 | 2025-10-06 |
Single Inspiratory Chest CT-based Generative Deep Learning Models to Evaluate Functional Small Airways Disease
2025-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.240680
PMID:40668132
|
研究论文 | 开发基于单次吸气胸部CT的生成式深度学习模型，用于评估功能性小气道疾病 | 首次使用单次吸气CT扫描通过生成式深度学习模型进行参数响应映射和功能性小气道疾病预测 | 回顾性研究设计，样本量相对有限（308名个体） | 开发深度学习模型评估功能性小气道疾病 | 慢性阻塞性肺疾病患者的小气道功能评估 | 医学影像分析 | 慢性阻塞性肺疾病 | 胸部CT扫描，参数响应映射 | 生成式深度学习模型 | CT影像数据 | 308名个体（中位年龄67岁，113名女性） | NA | NA | 敏感度，AUC，结构相似性指数 | NA |
| 6783 | 2025-10-06 |
Developing Deep Learning-Based Cerebral Ventricle Auto-Segmentation System and Clinical Application for the Evaluation of Ventriculomegaly
2025-Sep, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2025.124300
PMID:40712852
|
研究论文 | 开发基于深度学习的脑室自动分割系统，用于脑室扩大的精确体积评估 | 首次开发能够同时分割5个解剖类别（脑室、脑实质、颅骨、皮肤和出血）的自动多类分割系统，支持未来增强现实引导的脑室外引流系统 | 样本量相对有限，模型性能可能受年龄、性别和诊断类型等因素影响 | 开发精确的脑室体积自动评估系统，替代传统的二维测量方法 | 脑室扩大患者的脑部CT扫描图像 | 医学影像分析 | 脑室扩大 | 计算机断层扫描 | 深度学习 | 医学影像 | 训练集288例，内部验证10例，外部验证43例，公共数据集192例，临床验证227例 | nnUNet | nnUNet | Dice相似系数, 决定系数 | NA |
| 6784 | 2025-10-06 |
Deep learning reveals antibiotics in the archaeal proteome
2025-Sep, Nature microbiology
IF:20.5Q1
DOI:10.1038/s41564-025-02061-0
PMID:40796684
|
研究论文 | 本研究利用深度学习技术系统挖掘古菌蛋白质组，发现具有抗菌活性的新型肽类化合物 | 首次系统探索古菌作为抗生素来源，通过深度学习发现具有独特氨基酸组成特征的新型抗菌肽（古菌素） | 仅合成了80种古菌素进行实验验证，占预测总量的较小比例 | 开发新型抗生素以应对抗菌素耐药性问题 | 古菌蛋白质组中的抗菌肽 | 机器学习 | 细菌感染 | 深度学习 | 深度学习模型 | 蛋白质序列数据 | 233个古菌蛋白质组，12,623个预测分子，80个合成古菌素 | NA | NA | 体外抗菌活性（93%有效率），体内细菌载量减少 | NA |
| 6785 | 2025-10-06 |
Optimizing Federated Learning Configurations for MRI Prostate Segmentation and Cancer Detection: A Simulation Study
2025-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.240485
PMID:40736362
|
研究论文 | 开发并优化用于多参数MRI前列腺分割和临床显著前列腺癌检测的联邦学习框架 | 针对前列腺分割和癌症检测任务分别优化联邦学习配置参数，包括本地训练轮数和聚合策略 | 基于模拟研究，需要进一步验证在真实临床环境中的效果 | 优化联邦学习配置以提升MRI前列腺分割和癌症检测性能 | 前列腺MRI图像和临床显著前列腺癌检测 | 医学影像分析 | 前列腺癌 | 多参数MRI | 深度学习 | MRI图像 | 前列腺分割：4个客户端1294名患者；癌症检测：3个客户端1440名患者 | Flower FL | nnU-Net | Dice系数, PI-CAI评分（AUC和平均精度的平均值） | NA |
| 6786 | 2025-10-06 |
Artificial Intelligence in Orthopaedic and Trauma Surgery Education: Applications, Ethics, and Future Perspectives
2025-Sep-01, Journal of the American Academy of Orthopaedic Surgeons. Global research & reviews
|
综述 | 探讨人工智能在骨科创伤外科教育中的应用、伦理问题和未来前景 | 提出基于系统的框架将多种AI技术整合到闭环教育周期中，强调适应性学习和专业成长 | NA | 探索人工智能在骨科创伤外科教育中的潜在应用和影响 | 骨科外科住院医师培训 | 自然语言处理, 计算机视觉, 机器学习 | 骨科创伤 | 机器学习, 深度学习, 计算机视觉, 自然语言处理, 生成式AI | 深度学习模型, 大语言模型 | 性能跟踪数据, 图像数据, 文档数据 | NA | NA | NA | NA | NA |
| 6787 | 2025-10-06 |
Artificial Intelligence in Neovascular Age-Related Macular Degeneration
2025-Sep, Klinische Monatsblatter fur Augenheilkunde
IF:0.8Q4
DOI:10.1055/a-2413-6782
PMID:39260410
|
综述 | 本文全面分析了人工智能在新生血管性年龄相关性黄斑变性管理中的应用现状与发展前景 | 深入探讨了深度学习模型在nAMD诊断、疾病进展预测和治疗效果预测方面的突破性表现，及其在个性化治疗策略中的潜在价值 | 面临大规模数据集需求、临床工作流程整合困难以及模型在不同人群中泛化能力不足等挑战 | 评估人工智能在新生血管性年龄相关性黄斑变性诊疗中的应用价值与发展路径 | 新生血管性年龄相关性黄斑变性患者及相关医学影像数据 | 医学人工智能 | 年龄相关性黄斑变性 | 深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | 准确率 | NA |
| 6788 | 2025-10-06 |
Automatic Segmentation of Primary Central Nervous System Lymphoma at Clinical Routine Postcontrast T1-weighted MRI
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.240446
PMID:40970793
|
研究论文 | 开发并验证基于深度学习模型在临床常规对比增强T1加权MRI上自动分割原发性中枢神经系统淋巴瘤 | 首次基于nnU-Net框架开发针对PCNSL的自动分割模型，并在多中心外部验证集上验证其鲁棒性 | 在众多边界不清的亚厘米级病灶中性能略有下降 | 开发原发性中枢神经系统淋巴瘤的自动分割方法 | 经病理证实的免疫功能正常的原发性中枢神经系统淋巴瘤患者 | 数字病理 | 淋巴瘤 | MRI | 深度学习 | 医学影像 | 135名患者（内部数据集87例，外部测试集48例） | nnU-Net | U-Net | Dice分数, 平均表面距离, F1分数 | NA |
| 6789 | 2025-09-20 |
An MRI Histopathology-based Deep Learning Approach for the Classification of Prostate Cancer
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.250466
PMID:40970800
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6790 | 2025-10-06 |
Deep Learning Classification of Prostate Cancer Using MRI Histopathologic Data
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.240381
PMID:40970801
|
研究论文 | 本研究通过深度学习对前列腺癌MRI组织病理学数据进行分类，评估MR组织病理学在前列腺癌诊断中的能力 | 开发了新型人工智能分析方法，通过整合空间上下文信息提高分类性能，并能够估计病灶大小 | 回顾性研究，使用2009-2011年收集的数据集，样本时间范围有限 | 评估MR组织病理学在前列腺癌诊断中的能力，并指导临床MRH采集的成像参数选择 | 前列腺癌根治术标本的组织学切片 | 数字病理学 | 前列腺癌 | MR组织病理学，MR光谱学 | 神经网络 | 光谱强度数据，组织学图像 | 2009-2011年间收集的前列腺癌根治术标本数据集 | NA | NA | ROC曲线下面积 | NA |
| 6791 | 2025-10-06 |
CircCode3: integrating deep learning to mine and evaluate translatable circular RNAs from ribosome profiling sequencing and mass spectrometry data
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf458
PMID:40966647
|
研究论文 | 开发了CircCode3集成分析流程，通过深度学习技术从核糖体分析测序和质谱数据中挖掘可翻译环状RNA | 整合了深度学习工具DeepCircm6A和DLMSC，新增了跨越反向剪接位点的开放阅读框识别与评估功能 | 未提及具体性能验证数据或与其他工具的对比结果 | 准确识别可翻译环状RNA及其开放阅读框 | 可翻译环状RNA及其编码潜力 | 生物信息学 | NA | 核糖体分析测序, 质谱分析, 高通量测序 | 深度学习 | 测序数据, 质谱数据 | NA | NA | NA | NA | NA |
| 6792 | 2025-10-06 |
Learning in PINNs: Phase transition, diffusion equilibrium, and generalization
2025-Aug-14, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107983
PMID:40884895
|
研究论文 | 通过神经梯度信噪比研究全连接神经网络的学习动态，发现扩散平衡相及其对泛化能力的影响 | 首次识别出扩散平衡相这一稳定训练阶段，并提出基于样本重加权的优化方法改善残差同质性和泛化能力 | 主要基于物理信息神经网络进行实验验证，在其他类型网络中的普适性需进一步研究 | 研究非凸目标函数中一阶优化器的学习动态和泛化机制 | 全连接神经网络的学习过程 | 机器学习 | NA | NA | 全连接神经网络 | NA | NA | NA | 全连接神经网络 | 神经梯度信噪比, 收敛速度, 泛化能力 | NA |
| 6793 | 2025-10-06 |
Intelligent deep learning-based disease monitoring system in 5G network using multi-disease big data
2025-Aug, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2310785
PMID:38334127
|
研究论文 | 提出了一种基于智能深度学习的5G网络疾病监测系统，使用多疾病大数据进行疾病预测 | 开发了改进的MPPP-SSGSO优化算法用于参数调优和模糊分类器优化，并采用集成提升模型与模糊分类器结合的混合方法 | 仅针对五种特定疾病进行监测，未明确说明具体疾病类型 | 开发高效的实时疾病监测系统以降低死亡率 | 通过可穿戴医疗设备收集的患者数据 | 机器学习 | 多疾病监测 | 可穿戴设备数据采集，5G网络传输 | 1D-CNN, 集成学习, 模糊分类器 | 传感器数据 | NA | NA | 一维卷积神经网络，AdaBoost，XGBoost，CatBoost | 准确率 | 5G网络框架 |
| 6794 | 2025-10-06 |
Role of Artificial Intelligence in Critical Care Medicine: A Literature Review
2025-Aug, Cureus
DOI:10.7759/cureus.90149
PMID:40959327
|
文献综述 | 本文综述了人工智能在重症监护医学领域的应用现状与发展前景 | 系统总结了人工智能在ICU中预测患者恶化事件和提升诊断准确性的最新证据 | 作为综述文章未进行原始数据收集和实证分析 | 评估人工智能在重症监护医学中的应用效果与发展潜力 | 重症监护病房(ICU)产生的多模态医疗数据 | 医疗人工智能 | 重症监护疾病(脓毒症、器官衰竭、急性呼吸窘迫综合征等) | 机器学习、深度学习 | ML, DL | 生命体征波形、实验室结果、临床记录、医学影像 | NA | NA | NA | 预测准确性、诊断准确性 | NA |
| 6795 | 2025-10-06 |
A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT
2025-Jul-24, ArXiv
PMID:40969484
|
研究论文 | 本研究系统评估解剖学先验知识对基于深度学习的腹部CT中嗜铬细胞瘤分割性能的影响 | 提出了基于器官特异性解剖先验的新型多类别标注方案，首次系统比较了11种标注策略对嗜铬细胞瘤分割的影响 | 研究样本量相对有限（105个CT扫描，91名患者），所有数据均来自单一医疗中心（NIH临床中心） | 提高腹部CT中嗜铬细胞瘤的自动分割精度，为肿瘤负荷评估和疾病监测提供工具 | 嗜铬细胞瘤患者及其腹部CT影像 | 医学影像分析 | 嗜铬细胞瘤 | CT成像 | 深度学习 | 3D CT影像 | 105个增强CT扫描，来自91名患者 | nnU-Net | U-Net | Dice相似系数, 归一化表面距离, F1分数, IoU, R平方 | NA |
| 6796 | 2025-10-06 |
MuST: multiple-modality structure transformation for single-cell spatial transcriptomics
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf405
PMID:40874816
|
研究论文 | 提出一种名为MuST的多模态结构转换方法，用于解决单细胞空间转录组学中的模态偏差问题 | 通过拓扑发现策略和拓扑融合损失函数学习内在局部结构，协调不同模态间的不一致性 | NA | 缓解空间转录组数据中的模态偏差现象，为各种下游任务提供统一基础 | 单细胞空间转录组数据 | 生物信息学 | NA | 空间转录组学 | 深度学习 | 多模态数据（转录组、空间、形态学） | NA | NA | NA | 性能指标，生物意义评估 | NA |
| 6797 | 2025-10-06 |
Remaining Useful Life Prediction for Rolling Bearings Based on TCN-Transformer Networks Using Vibration Signals
2025-Jun-05, Sensors (Basel, Switzerland)
DOI:10.3390/s25113571
PMID:40719529
|
研究论文 | 提出一种基于TCN-Transformer网络和振动信号的滚动轴承剩余使用寿命预测方法 | 开发了TCN-Transformer混合网络，通过专门设计的特征融合注意力模块有效整合振动信号的局部和全局特征 | NA | 提高滚动轴承剩余使用寿命预测的准确性 | 滚动轴承 | 机器学习 | NA | 振动信号分析 | TCN, Transformer | 振动信号 | IEEE PHM 2012数据挑战数据集 | NA | TCN-Transformer | RMSE, MAE, SCORE | NA |
| 6798 | 2025-10-06 |
Harnessing Deep Learning for Accurate Pathological Assessment of Brain Tumor Cell Types
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01107-9
PMID:39150595
|
研究论文 | 本研究开发了一种基于深度学习的脑肿瘤病理图像分类方法，用于区分原发性弥漫性中枢神经系统大B细胞淋巴瘤和高级别胶质瘤 | 结合预训练CNN网络提取深度特征与支持向量机分类器，解决了医学影像数据有限的问题 | 基于相对有限的医学影像数据集 | 提高脑肿瘤病理诊断的准确性和效率 | 脑肿瘤病理图像 | 数字病理学 | 脑肿瘤 | 病理图像分析 | CNN, SVM | 图像 | NA | NA | ResNet50 | 准确率 | NA |
| 6799 | 2025-10-06 |
High-Risk Sequence Prediction Model in DNA Storage: The LQSF Method
2025-01, IEEE transactions on nanobioscience
IF:3.7Q3
DOI:10.1109/TNB.2024.3424576
PMID:38976468
|
研究论文 | 提出一种基于深度学习的DNA存储高风险序列预测方法LQSF，通过主动过滤低质量序列提高存储效率 | 首次将深度学习模型应用于DNA存储的序列质量预测，在编码阶段实现主动序列过滤而非传统被动纠错 | NA | 开发高效的DNA存储序列质量预测方法以减少合成和测序过程中的错误 | DNA存储中的易错序列 | 机器学习 | NA | DNA存储技术，Illumina测序 | 深度学习，分类模型 | DNA序列数据 | NA | NA | AlexNet, VGG16, VGG19 | AUC, ROC曲线, PR曲线 | NA |
| 6800 | 2025-10-06 |
Unlocking the potential of AI: Machine learning and deep learning models for predicting carcinogenicity of chemicals
2025, Journal of environmental science and health. Part C, Toxicology and carcinogenesis
DOI:10.1080/26896583.2024.2396731
PMID:39228157
|
综述 | 本文综述了利用机器学习和深度学习模型预测化学物质致癌性的研究进展 | 系统比较了传统机器学习与深度学习算法在化学致癌性预测中的表现，并指出深度学习模型受限于数据集规模的问题 | 深度学习模型受限于可用的致癌性数据集规模 | 开发有效的化学物质致癌性预测方法 | 化学物质的致癌性 | 机器学习 | 癌症 | 机器学习，深度学习 | SVM,随机森林,集成学习,前馈神经网络,CNN,图卷积神经网络,胶囊神经网络,混合神经网络 | 化学数据 | NA | NA | 前馈神经网络,卷积神经网络,图卷积神经网络,胶囊神经网络,混合神经网络 | NA | NA |