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 33553 篇文献，本页显示第 6821 - 6840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6821 | 2025-10-06 |
Genetic and Clinical Correlates of AI-Based Brain Aging Patterns in Cognitively Unimpaired Individuals
2024-May-01, JAMA psychiatry
IF:22.5Q1
DOI:10.1001/jamapsychiatry.2023.5599
PMID:38353984
|
研究论文 | 本研究通过深度学习聚类方法识别认知未受损个体的脑老化模式亚组，并分析其与遗传、临床因素及认知衰退的关联 | 首次在认知未受损人群中采用生成对抗网络的半监督聚类方法识别跨年龄段的脑老化亚型，并系统关联遗传变异与临床特征 | 研究基于观察性数据，无法确定因果关系；样本主要来自特定国际联盟，可能存在选择偏倚 | 探索认知未受损个体脑结构老化的异质性模式及其与神经退行性疾病早期阶段的关系 | 45-85岁基线时认知未受损的个体 | 数字病理学 | 阿尔茨海默病 | 脑结构成像，遗传分析 | GAN | 脑结构影像数据，遗传数据，临床数据 | 27,402名认知未受损个体，超过50,000个数据时间点 | NA | 生成对抗网络 | 统计显著性(P值)，效应量(B值) | NA |
| 6822 | 2025-10-06 |
Noninvasive Molecular Subtyping of Pediatric Low-Grade Glioma with Self-Supervised Transfer Learning
2024-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.230333
PMID:38446044
|
研究论文 | 开发并外部验证基于MRI的深度学习流程，用于儿童低级别胶质瘤的无创分子亚型分类 | 提出结合迁移学习和自监督交叉训练(TransferX)的两阶段深度学习流程，开发了质心距离新指标增强模型可解释性 | 回顾性研究，样本量有限(共326例)，数据场景受限 | 开发非侵入性MRI影像预测儿童低级别胶质瘤突变状态的深度学习模型 | 儿童低级别胶质瘤患者 | 医学影像分析 | 儿童低级别胶质瘤 | T2加权MRI | CNN | 医学影像 | 开发集214例(波士顿儿童医院)，外部测试集112例(儿童脑肿瘤网络) | NA | NA | AUC | NA |
| 6823 | 2025-10-06 |
Automated deep learning segmentation of high-resolution 7 Tesla postmortem MRI for quantitative analysis of structure-pathology correlations in neurodegenerative diseases
2024-May-01, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/imag_a_00171
PMID:39301426
|
研究论文 | 开发深度学习管道用于高分辨率7T尸检MRI的自动分割，以分析神经退行性疾病的结构-病理相关性 | 首次提供高分辨率尸检脑MRI数据集，并系统比较九种深度神经网络架构在脑分割任务中的性能 | 标记数据集有限，仅对6个样本进行手动分割验证，对部分结构的准确性评估有限 | 开发尸检MRI自动分割方法，量化神经退行性疾病的结构-病理关联 | 135例尸检人脑组织样本，其中82例为阿尔茨海默病连续谱诊断患者 | 医学影像分析 | 神经退行性疾病 | 7T MRI, T2w序列, T2*w FLASH序列 | 深度学习 | MRI图像 | 135个尸检脑样本，其中36个用于相关性分析，82个用于病理关联分析 | NA | 九种深度神经网络架构（具体未列明） | 重叠度指标, 组内相关系数 | NA |
| 6824 | 2025-10-06 |
A Deep Learning Approach for Automated Extraction of Functional Status and New York Heart Association Class for Heart Failure Patients During Clinical Encounters
2024-Apr-01, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.03.30.24305095
PMID:38633789
|
研究论文 | 开发并验证了一种基于深度学习的自然语言处理策略，用于从非结构化临床笔记中自动提取心力衰竭患者的功能状态评估和纽约心脏协会分级 | 首次开发专门用于提取心力衰竭功能状态评估和NYHA分级的深度学习NLP方法，并在多个医疗机构进行外部验证 | 研究仅基于单一医疗系统的数据，模型泛化能力需在更广泛人群中进一步验证 | 开发自动化工具从临床文档中提取心力衰竭患者功能状态信息，用于质量改进和临床试验患者筛选 | 心力衰竭患者的临床笔记 | 自然语言处理 | 心血管疾病 | 自然语言处理 | 深度学习 | 文本 | 26,577名心力衰竭患者，3,000份专家标注笔记，166,655份未标注笔记 | NA | NA | AUROC | NA |
| 6825 | 2025-10-06 |
Deep learning analysis of epicardial adipose tissue to predict cardiovascular risk in heavy smokers
2024-Mar-13, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-024-00475-1
PMID:38480863
|
研究论文 | 本研究利用深度学习自动量化心外膜脂肪组织，预测重度吸烟者的心血管风险 | 首次在重度吸烟者群体中验证深度学习自动量化心外膜脂肪组织对心血管风险的预测价值，并与传统风险因素和冠状动脉钙化评分进行比较 | 研究仅针对重度吸烟者群体，结果可能不适用于其他人群；使用非ECG同步、非对比低剂量胸部CT扫描可能影响测量精度 | 评估深度学习自动量化心外膜脂肪组织对重度吸烟者心血管风险的预测价值 | 24,090名成年重度吸烟者（59%男性，平均年龄61±5岁） | 医学影像分析 | 心血管疾病 | 低剂量胸部计算机断层扫描 | 深度学习 | 医学影像 | 24,090名成年重度吸烟者 | NA | NA | 风险比, P值 | NA |
| 6826 | 2025-10-06 |
Automated vertical cup-to-disc ratio determination from fundus images for glaucoma detection
2024-02-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-55056-y
PMID:38396048
|
研究论文 | 开发基于深度学习YOLOv7架构的自动系统，用于从眼底图像中检测视盘和视杯并计算垂直杯盘比，以进行青光眼检测 | 提出适应不同人群的深度学习模型优化方法，在REFUGE数据集上超越现有方法，并开发能够校准新人群结果的优化方法 | 模型最初在特定人群（欧洲）数据上训练，需要针对不同人群进行调优 | 开发自动化的青光眼检测系统，减少人工评估工作量并提高准确性和速度 | 眼底图像中的视盘和视杯 | 计算机视觉 | 青光眼 | 眼底成像 | 深度学习 | 图像 | 十个公开数据集和REFUGE数据集（中国患者图像） | YOLOv7 | YOLOv7 | Pearson相关系数, 平均绝对误差, Dice相似系数 | NA |
| 6827 | 2025-10-06 |
Deep learning segmentation of peri-sinus structures from structural magnetic resonance imaging: validation and normative ranges across the adult lifespan
2024-Feb-13, Fluids and barriers of the CNS
IF:5.9Q1
DOI:10.1186/s12987-024-00516-w
PMID:38350930
|
研究论文 | 开发深度学习模型自动分割MRI图像中的窦周结构，并在全生命周期提供规范体积范围 | 首次提出使用级联3D全卷积神经网络从非对比T2加权MRI自动分割窦周结构，无需外源性对比剂 | 需要与神经放射科医师的手动勾画作为金标准进行比较验证 | 开发自动量化窦周结构的工具，研究其随年龄变化的规律 | 窦周空间结构（包括蛛网膜颗粒和矢状窦旁硬膜下空间） | 医学影像分析 | 脑脊液循环功能障碍 | 3D T2加权非对比MRI | CNN | MRI图像 | 验证集80例（11-83岁），健康参与者1872例（5-100岁） | NA | 级联3D全卷积神经网络 | Dice-Sørensen系数, 准确率 | NA |
| 6828 | 2025-10-06 |
Using Artificial Intelligence for Rheumatic Heart Disease Detection by Echocardiography: Focus on Mitral Regurgitation
2024-Jan-16, Journal of the American Heart Association
IF:5.0Q1
DOI:10.1161/JAHA.123.031257
PMID:38226515
|
研究论文 | 本研究开发了一种基于人工智能的自动化方法，通过超声心动图检测儿童风湿性心脏病，特别关注二尖瓣反流分析 | 首次将卷积神经网络与注意力机制相结合，用于超声心动图中二尖瓣反流射流分析和风湿性心脏病检测 | 研究样本量有限（511例），需要更多数据验证模型性能 | 开发自动化人工智能系统用于儿童风湿性心脏病的早期筛查 | 儿童超声心动图，特别关注二尖瓣区域 | 计算机视觉 | 风湿性心脏病 | 超声心动图 | CNN, 深度学习 | 图像 | 511例儿童超声心动图（229例正常，282例风湿性心脏病） | NA | 带有注意力机制的深度学习模型 | 准确率,Dice系数,ROC曲线下面积,精确率,召回率,F1分数 | NA |
| 6829 | 2025-10-06 |
Alzheimer's Disease Prediction Using Fly-Optimized Densely Connected Convolution Neural Networks Based on MRI Images
2024, The journal of prevention of Alzheimer's disease..
DOI:10.14283/jpad.2024.66
PMID:39044523
|
研究论文 | 提出一种基于果蝇算法优化的密集连接卷积神经网络，用于从MRI图像中预测阿尔茨海默病 | 结合果蝇优化算法与密集连接卷积神经网络，采用自适应直方图处理和加权中值滤波进行图像预处理，通过相关信息理论提取纹理和统计特征 | 仅使用Kaggle数据集进行验证，未提及在其他数据集上的泛化能力 | 开发自动化的阿尔茨海默病检测方法，提高早期诊断准确率 | 阿尔茨海默病影响的脑部区域 | 计算机视觉 | 阿尔茨海默病 | MRI成像 | CNN | 图像 | NA | NA | 密集连接卷积神经网络 | 敏感度, 特异度, 准确率, 错误率, F-measure | NA |
| 6830 | 2025-10-06 |
ADVANCING THE UNDERSTANDING OF CLINICAL SEPSIS USING GENE EXPRESSION-DRIVEN MACHINE LEARNING TO IMPROVE PATIENT OUTCOMES
2024-01-01, Shock (Augusta, Ga.)
DOI:10.1097/SHK.0000000000002227
PMID:37752080
|
研究论文 | 本研究探索利用基因表达数据驱动的机器学习技术来改善脓毒症患者的临床预后 | 整合临床数据与基因表达信息，应用神经网络、深度学习和集成方法等机器学习技术来预测和理解脓毒症 | 模型可解释性存在挑战，可能存在数据偏差 | 通过机器学习技术改善脓毒症患者预后，推进精准医疗方法 | 脓毒症患者及其基因表达数据 | 机器学习 | 脓毒症 | 基因表达分析 | 神经网络,深度学习,集成方法 | 基因表达数据,临床数据 | NA | NA | NA | 预测准确性 | NA |
| 6831 | 2025-10-06 |
Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study
2024-01, The Lancet. Digital health
DOI:10.1016/S2589-7500(23)00220-0
PMID:38065778
|
研究论文 | 开发并验证一种基于心电图深度学习的模型，用于预测患者术后死亡率 | 首次利用深度学习分析心电图波形信号来预测术后死亡率，相比传统Revised Cardiac Risk Index评分系统具有显著更好的预测性能 | 研究数据来源于特定医疗中心，需要在更广泛人群中进一步验证 | 开发能够准确预测接受医疗程序患者术后死亡率的预后模型 | 接受术前心电图检查的患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | 深度学习算法 | 心电图波形图像 | 45,969名患者，包含59,975次住院程序和112,794份心电图 | NA | NA | AUC, 95%置信区间, 未调整优势比 | NA |
| 6832 | 2025-10-06 |
An interpretable deep learning framework identifies proteomic drivers of Alzheimer's disease
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1379984
PMID:39355118
|
研究论文 | 开发了一种可解释的深度学习框架EnsembleOmicsAE，用于识别阿尔茨海默病的蛋白质组学驱动因素 | 使用集成自编码器将蛋白质组数据降维为少量潜在特征，并开发了基于迭代扰动的特征重要性评分算法，识别出线性方法遗漏的AD分子驱动因素 | 研究基于三个队列的559名个体，样本量相对有限，且主要关注蛋白质组层面 | 识别阿尔茨海默病的蛋白质组学驱动因素并建立可解释的深度学习框架 | 559名健康或阿尔茨海默病诊断个体的脑蛋白质组数据 | 机器学习 | 阿尔茨海默病 | 蛋白质组学 | 自编码器 | 蛋白质组数据 | 来自三个AD队列的559名个体 | NA | 集成自编码器 | 特征稳定性，蛋白质-蛋白质相互作用富集分析 | NA |
| 6833 | 2025-10-06 |
Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods
2024-Jan, BJR open
DOI:10.1093/bjro/tzae039
PMID:39583148
|
综述 | 本文为临床医生提供放射肿瘤学中人工智能研究与开发的实用指南 | 从临床医生视角系统阐述AI在放射肿瘤学中的应用流程与评估方法 | 主要面向临床医生视角，未涉及具体技术细节和算法实现 | 提升临床医生对AI在放射肿瘤学中开发与应用的理解 | 放射肿瘤学临床医生和AI研究人员 | 医疗人工智能 | 肿瘤疾病 | 深度学习 | NA | 医学影像, 临床数据 | NA | NA | NA | NA | NA |
| 6834 | 2025-10-06 |
Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida
2024, Genetics in medicine open
DOI:10.1016/j.gimo.2024.101894
PMID:39669613
|
研究论文 | 通过整合计算方法识别导致脊柱裂的调控基因组元件 | 采用无偏倚的全基因组方法结合深度学习优先排序框架，首次系统鉴定脊柱裂相关的罕见调控变异及其靶基因 | 研究主要依赖计算预测，需要后续实验验证调控变异的生物学功能 | 阐明脊柱裂病理生理学的全基因组调控特征 | 脊柱裂患者与健康对照的基因组调控区域 | 计算生物学 | 脊柱裂 | 全基因组测序，深度学习优先排序 | 深度学习 | 基因组序列数据，调控元件数据 | 脊柱裂患者与健康对照组（具体样本数量未明确说明） | 深度学习优先排序框架 | NA | NA | NA |
| 6835 | 2025-07-22 |
Radiologic imaging biomarkers in triple-negative breast cancer: a literature review about the role of artificial intelligence and the way forward
2024-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubae016
PMID:40201726
|
review | 本文综述了人工智能在放射影像学中作为三阴性乳腺癌（TNBC）成像生物标志物的应用现状与未来发展 | 整合了过去十年（2013-2024）基于放射组学和深度学习的AI技术在TNBC诊疗中的最新进展，并探讨了未来发展方向 | 作为综述文章，未涉及原始数据或实验验证 | 开发更有效和个性化的TNBC影像生物标志物，推进TNBC的诊断、治疗和预后评估 | 三阴性乳腺癌（TNBC）的放射影像数据 | digital pathology | breast cancer | radiomics, deep learning | deep learning-based models | radiologic breast images | NA | NA | NA | NA | NA |
| 6836 | 2025-10-06 |
Computational staining of CD3/CD20 positive lymphocytes in human tissues with experimental confirmation in a genetically engineered mouse model
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1451261
PMID:39530103
|
研究论文 | 提出一种知识引导的深度学习框架，用于在人类H&E组织上测量淋巴细胞空间结构，并通过基因工程小鼠模型进行实验验证 | 通过单细胞分辨率图像配准实现H&E到IHC的像素级完美标注，并整合计算科学与基础科学进行实验验证 | 模型在外部测试数据集上的AUC为0.71，性能有待进一步提升 | 量化淋巴细胞空间炎症结构，促进空间系统生物学研究 | 人类H&E组织样本和基因工程Rag2小鼠模型 | 数字病理学 | 癌症 | H&E染色，IHC染色，单细胞分辨率图像配准 | 深度学习 | 组织图像 | 超过111,000个人类细胞核（45,611个CD3/CD20阳性淋巴细胞） | NA | NA | AUC, 结构相似性 | NA |
| 6837 | 2025-10-06 |
A simulative deep learning model of SNP interactions on chromosome 19 for predicting Alzheimer's disease risk and rates of disease progression
2023-12, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.13319
PMID:37409680
|
研究论文 | 开发了一种模拟深度学习模型，通过分析19号染色体上的SNP相互作用来预测阿尔茨海默病风险和疾病进展速度 | 使用新颖的模拟深度学习模型量化每个SNP及其上位效应对AD风险的贡献，并识别出影响AD进展的关键SNP | 研究仅限于19号染色体上的SNP，未涵盖全基因组分析 | 识别影响阿尔茨海默病风险的遗传模式，用于风险预测和个性化治疗策略 | 阿尔茨海默病患者和对照个体的遗传数据 | 机器学习 | 阿尔茨海默病 | 基因分型，深度学习分析 | 深度学习 | 基因数据 | 来自ADNI和IGAP数据集的样本 | NA | 模拟深度学习模型 | 风险预测准确性，疾病进展预测能力 | NA |
| 6838 | 2025-10-06 |
Flow-field inference from neural data using deep recurrent networks
2023-Nov-16, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.14.567136
PMID:38014290
|
研究论文 | 提出一种名为FINDR的无监督深度学习方法，用于从神经群体活动中推断低维非线性随机动力学 | 开发了能够解耦任务相关和无关神经活动成分的深度循环网络方法，首次实现了流场和吸引子结构的显式可视化 | 方法性能主要在大鼠前脑区听觉决策任务数据上验证，在其他脑区和行为任务中的适用性需要进一步测试 | 推断神经群体活动背后的低维非线性随机动力学 | 大鼠前脑区在执行听觉决策任务时的群体脉冲序列数据 | 计算神经科学 | NA | 神经信号记录 | 循环神经网络 | 神经脉冲序列数据 | NA | NA | 深度循环网络 | 神经元响应捕捉能力 | NA |
| 6839 | 2025-10-06 |
Predicting multiple sclerosis severity with multimodal deep neural networks
2023-11-09, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-023-02354-6
PMID:37946182
|
研究论文 | 本文提出了一种利用多模态深度神经网络预测多发性硬化症疾病严重程度的方法 | 首次整合结构化电子健康记录数据、神经影像数据和临床笔记构建多模态深度学习框架，相比单模态模型AUROC提升高达19% | 未明确说明样本规模和数据收集的具体限制 | 预测多发性硬化症疾病严重程度，为早期治疗干预提供支持 | 多发性硬化症患者 | 医疗人工智能 | 多发性硬化症 | 多模态深度学习，电子健康记录分析，神经影像分析 | 深度神经网络 | 结构化电子健康记录，神经影像，临床文本笔记 | NA | NA | 多模态深度神经网络 | AUROC | NA |
| 6840 | 2025-10-06 |
Spatially aware deep learning reveals tumor heterogeneity patterns that encode distinct kidney cancer states
2023-09-19, Cell reports. Medicine
DOI:10.1016/j.xcrm.2023.101189
PMID:37729872
|
研究论文 | 开发空间感知深度学习模型分析肾透明细胞癌的肿瘤异质性模式及其与免疫治疗反应的关系 | 首次通过空间感知深度学习识别出传统病理分析无法发现的肿瘤微异质性模式，并揭示其与PBRM1功能缺失和免疫检查点抑制剂反应的相关性 | 研究样本量有限（1,102例患者），且主要针对肾透明细胞癌，结果在其他癌症类型中的普适性有待验证 | 探索肾透明细胞癌中肿瘤-免疫联合状态与免疫检查点抑制剂治疗反应的关系 | 肾透明细胞癌患者（n=1,102）的全切片图像和多重免疫荧光图像 | 数字病理学 | 肾癌 | 全切片图像分析，多重免疫荧光 | 深度学习 | 病理图像 | 1,102例患者 | NA | 图神经网络 | NA | NA |