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 43016 篇文献，本页显示第 7241 - 7260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7241 | 2026-01-10 |
DeepRNA-DTI: a deep learning approach for RNA-compound interaction prediction with binding site interpretability
2025-Dec-02, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01132-y
PMID:41331479
|
研究论文 | 本文提出了一种基于深度学习的RNA-化合物相互作用预测方法DeepRNA-DTI，该方法具有结合位点可解释性 | 采用迁移学习结合预训练嵌入（RNA-FM和Mole-BERT），并利用多任务学习框架同时预测相互作用存在和核苷酸级结合位点，提供RNA-化合物识别模式的机制性见解 | 未明确说明实验数据的具体限制或模型可能存在的泛化边界 | 开发一种计算预测RNA-化合物相互作用的方法，以支持RNA靶向治疗和药物发现 | RNA序列和化合物 | 自然语言处理 | NA | 深度学习 | 深度学习模型 | 序列数据 | 整合了蛋白质数据库和文献来源的综合数据集，并应用于超过4800万种化合物的高通量虚拟筛选 | 未明确指定 | 未明确指定 | 未明确指定 | 未明确指定 |
| 7242 | 2026-01-10 |
Non-invasive prediction of Ki-67 and p53 biomarkers in spinal ependymoma via deep learning: using multimodal magnetic resonance imaging and clinical data
2025-Dec-02, Biomarker research
IF:9.5Q1
DOI:10.1186/s40364-025-00879-8
PMID:41331485
|
研究论文 | 本研究开发了一种深度学习框架，利用术前多模态磁共振成像和临床数据，非侵入性地预测脊髓室管膜瘤的Ki-67和p53生物标志物表达水平 | 首次将深度学习应用于脊髓室管膜瘤的生物标志物预测，解决了该罕见肿瘤因数据集不足和技术挑战而研究不足的问题；提出了集成神经网络模型LGBMNet，并验证了多模态信息融合（MRI与临床数据）的附加价值 | 研究基于相对较小的样本量（352例患者），且脊髓室管膜瘤本身罕见，可能影响模型的普适性；依赖自动分割的质量，分割误差可能影响特征提取 | 开发一种非侵入性方法，在术前预测脊髓室管膜瘤的Ki-67和p53生物标志物表达，以辅助精准神经外科治疗决策 | 脊髓室管膜瘤患者 | 数字病理学 | 脊髓室管膜瘤 | 磁共振成像（MRI），免疫组织化学（IHC） | 集成神经网络 | 图像（MRI），临床数据 | 352例经组织学确诊的脊髓室管膜瘤患者，具备术前MRI和IHC评估的Ki-67及p53状态 | 未明确指定，但提及了SegFormer和LGBMNet模型 | SegFormer, LGBMNet（结合多层感知机和Light Gradient Boosting Machine） | AUC（受试者工作特征曲线下面积） | NA |
| 7243 | 2026-01-10 |
Mitigating distributed denial of service attacks using attribute subset selection with temporal convolutional networks
2025-Dec-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-30137-8
PMID:41331500
|
研究论文 | 本文提出了一种基于樽海鞘群特征选择和深度学习架构的新型智能攻击检测框架，用于实时检测分布式拒绝服务攻击 | 结合樽海鞘群算法进行特征选择和时序卷积网络进行攻击分类，构建了一个新型的智能攻击检测框架 | NA | 开发一个实时DDoS攻击检测系统，利用先进的优化算法提高检测性能 | 分布式拒绝服务攻击 | 机器学习 | NA | NA | TCN | 网络流量数据 | 使用CIC-IDS-2017和Edge-IIoT两个数据集 | NA | 时序卷积网络 | 准确率 | NA |
| 7244 | 2026-01-10 |
An immersive mirror: a descriptive study of peer observer and active participant experiences in simulation
2025-Dec-02, Advances in simulation (London, England)
DOI:10.1186/s41077-025-00395-7
PMID:41331705
|
研究论文 | 本研究通过定性描述设计，探索了护理模拟中同伴观察者和积极参与者的体验，以理解共享学习经历如何改善护理实践 | 首次深入探讨护理模拟中同伴观察者的情感与认知反应，强调观察者角色在促进移情和深层学习中的作用 | 研究样本仅限于预注册二年级护理学生，可能无法推广到其他教育阶段或专业背景 | 探索护理模拟中同伴观察者和积极参与者的思维与反应，以提升治疗关系和整体护理 | 预注册二年级护理学生 | 护理教育 | NA | 定性描述设计、反思性主题分析 | NA | 自我报告体验的定性数据 | 175名同伴观察者账户和234名积极参与者账户 | NA | NA | NA | NA |
| 7245 | 2026-01-10 |
Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters
2025-Dec-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29744-2
PMID:41326549
|
研究论文 | 本文介绍了一种用于胎儿MRI中宫颈自动多层分割和生物测量的深度学习流程 | 首次提出用于妊娠期宫颈3D T2加权重建图像的自动化多层分割和生物测量深度学习流程 | 仅评估了20个数据集，样本量相对有限 | 开发自动化方法以改进胎儿MRI中宫颈的测量和分析 | 妊娠期宫颈的3D T2加权MRI图像 | 数字病理学 | NA | 3D T2加权MRI | 深度学习 | 3D MRI图像 | 20个数据集用于评估，270个正常足月病例用于处理 | NA | NA | 与手动测量相比表现出良好性能 | NA |
| 7246 | 2025-12-03 |
Automated abdominal aortic calcification scoring via deep learning: a multi-center validation of LVLCRNet
2025-Dec-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02072-7
PMID:41327056
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7247 | 2026-01-10 |
AI-driven diffusion weighted imaging-based non-contrast protocol for breast cancer diagnosis: a multicentre, multidimensional validation study
2025-Dec, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103694
PMID:41497515
|
研究论文 | 本研究开发了一种仅基于非对比扩散加权成像的深度学习模型，用于乳腺癌诊断，并在多中心、多维验证中证明了其有效性 | 首次提出并验证了仅使用非对比DWI的深度学习模型进行乳腺癌诊断，其性能与基于增强的模型相当，并显著优于仅解读DWI的放射科专家，同时将解读时间减少了55.5% | 该模型的诊断性能仍低于解读标准乳腺MRI的专家放射科医生 | 开发并验证一种基于非对比扩散加权成像的深度学习模型，以实现准确、快速的乳腺癌诊断 | 经病理证实的乳腺病变患者 | 数字病理学 | 乳腺癌 | 扩散加权成像 | 深度学习模型 | 医学影像 | 2493名患者（内部开发集1286人，外部测试集661人，前瞻性队列546人） | NA | NA | AUC | NA |
| 7248 | 2026-01-10 |
Cost-effectiveness of opportunistic osteoporosis screening using artificial-intelligence assisted chest radiographs in Japan
2025-Dec, Osteoporosis and sarcopenia
IF:2.5Q1
DOI:10.1016/j.afos.2025.10.003
PMID:41498102
|
研究论文 | 本研究评估了在日本50岁及以上女性中，利用人工智能辅助的胸部X光片进行机会性骨质疏松筛查的成本效益 | 首次将人工智能辅助的胸部X光片用于机会性骨质疏松筛查，并评估其在日本特定人群中的成本效益，尤其是在高骨折发生率地区 | 研究基于模型估计，可能未完全反映所有现实世界变量；结果依赖于AI系统的诊断性能假设 | 评估人工智能辅助的胸部X光片在机会性骨质疏松筛查中的成本效益 | 日本50岁及以上的女性，包括全国范围、特定城市（吴市）及低发生率场景 | 医疗人工智能 | 骨质疏松症 | 深度学习 | 深度学习模型 | 胸部X光图像 | NA | NA | NA | 成本效益比（每质量调整生命年成本） | NA |
| 7249 | 2026-01-10 |
AIFS: an efficient face recognition method based on AI and enhanced few-shot learning
2025-Nov-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29992-2
PMID:41318652
|
研究论文 | 本文提出了一种名为AIFS的高效人脸识别方法，该方法结合了传统特征学习和现代少样本深度学习，在共享的孪生网络架构下运行 | 提出了一种混合人脸识别框架，将基于Viola-Jones算法和粒子群优化的轻量级边缘路径与使用EfficientNetV2和InceptionV3作为特征编码器的深度学习云路径相结合，在孪生网络架构下统一优化，以在资源受限和少样本条件下实现高效识别 | NA | 开发一种在资源受限环境（如边缘设备）和少样本条件下高效、可扩展的实时人脸识别解决方案 | 人脸图像 | 计算机视觉 | NA | 人脸识别，少样本学习 | 孪生网络 | 图像 | 使用Kaggle人脸识别数据集在单样本、低数据设置下进行测试 | NA | EfficientNetV2, InceptionV3 | 准确率 | CPU, Raspberry Pi（代表资源受限边缘设备）, GPU（代表高容量云环境） |
| 7250 | 2026-01-10 |
HyperFusionNet combines vision transformer for early melanoma detection and precise lesion segmentation
2025-Nov-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-30184-1
PMID:41318765
|
研究论文 | 本文提出了一种名为HyperFusionNet的新型混合深度学习架构，用于早期黑色素瘤检测和精确病变分割 | 结合了多路径视觉变换器（MPViT）和注意力U-Net，通过互注意力融合块有效融合语义和空间特征，优于现有模型 | 未明确提及具体局限性，可能包括对数据预处理依赖或计算资源需求 | 早期和准确诊断黑色素瘤，同时进行分类和分割 | 皮肤镜图像中的黑色素瘤病变 | 计算机视觉 | 黑色素瘤 | 深度学习 | 混合架构（Vision Transformer, U-Net） | 图像 | 超过60,000张皮肤镜图像（来自四个公共ISIC数据集） | 未明确指定，可能为PyTorch或TensorFlow | Multi-Path Vision Transformer (MPViT), 注意力U-Net | 准确率, AUC, Dice系数 | 未明确指定 |
| 7251 | 2026-01-10 |
Development and validation of a predictive model for adherent perirenal fat based on CT radiomics and deep learning
2025-Oct-29, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-06049-7
PMID:41160174
|
研究论文 | 本研究旨在开发并验证一个结合CT影像组学和深度学习的模型，用于术前预测肾周脂肪粘连 | 首次将CT影像组学与深度学习结合，开发了用于预测肾周脂肪粘连的预测模型，并在多中心数据集中进行了验证 | 外部测试集样本量较小（43例），可能影响模型的泛化能力评估 | 开发并验证一个用于术前预测肾周脂肪粘连的预测模型 | 肾肿瘤患者 | 数字病理学 | 肾癌 | CT影像 | 深度学习, 逻辑回归 | CT图像 | 460例患者（291例交叉验证集，126例内部测试集，43例外部测试集） | NA | 3D-UNet | Dice相似系数, AUC | NA |
| 7252 | 2026-01-10 |
The CT-based deep learning model outperforms traditional anatomical classification models in preoperatively predicting complications and risk grade in partial nephrectomy
2025-Oct-25, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-05893-x
PMID:41137930
|
研究论文 | 本研究开发了一种整合CT影像组学和临床特征的深度学习模型，用于预测肾部分切除术患者的围手术期并发症和风险等级，并与传统解剖分类模型进行比较 | 首次将CT影像组学与临床特征结合，利用深度学习模型预测肾部分切除术的并发症和风险等级，并在外部验证中显示出优于传统RENAL和PADUA评分模型的性能 | 模型在中高风险组患者中的预测性能与传统模型无显著差异，且研究为回顾性设计 | 开发并验证一种基于深度学习的模型，以更准确地预测肾部分切除术患者的围手术期并发症和手术风险等级 | 被诊断为肾细胞癌或肾囊肿并接受肾部分切除术的患者 | 数字病理学 | 肾细胞癌 | CT影像组学 | 深度学习 | CT图像, 临床数据 | 1214名患者（训练/内部验证）和260名患者（外部验证） | PyTorch, pyradiomics | nnU-Net | AUC, 准确率 | NA |
| 7253 | 2026-01-10 |
Deep Learning-Based Automatic Segmentation and Analysis of Mitochondrial Damage by Zika Virus and SARS-CoV-2
2025-Sep-19, Viruses
DOI:10.3390/v17091272
PMID:41012699
|
研究论文 | 本文提出了一种基于深度学习的自动分割和分析方法，用于从透射电子显微镜图像中识别和分析线粒体损伤，以研究寨卡病毒和SARS-CoV-2感染引起的免疫反应 | 开发了一种基于U-Net架构的卷积神经网络，首次实现了对病毒感染引起的线粒体损伤的自动分割和分析，显著减少了处理时间并避免了观察者偏差 | 未明确说明样本量的具体细节或模型的泛化能力到其他病毒或细胞类型 | 研究病毒感染引起的线粒体形态变化，以预测免疫反应类型 | 感染了两种SARS-CoV-2变体或寨卡病毒的细胞的线粒体 | 数字病理学 | 传染病 | 透射电子显微镜成像 | CNN | 图像 | NA | NA | U-Net | 准确率 | NA |
| 7254 | 2026-01-10 |
Current Applications and Limitations of Augmented Reality in Urological Surgery: A Practical Primer and 'State of the Field'
2025-Jul-11, Current urology reports
IF:2.5Q2
DOI:10.1007/s11934-025-01283-3
PMID:40643724
|
综述 | 本文综述了增强现实（AR）在泌尿外科手术中的当前应用、技术基础、最新进展及局限性，并探讨了未来研究方向 | 系统总结了近五年AR在泌尿外科手术中的进展，特别是从术前规划扩展到术中应用，并探讨了人工智能和深度学习在解决软组织变形自动配准挑战中的作用 | 重建外科和男科学等亚专业在AR/MR应用中的研究代表性不足，且当前研究多限于描述性，缺乏大样本前瞻性研究 | 为泌尿外科医生提供AR技术的基础知识，综述其最新应用进展，并讨论限制其广泛采用的问题及解决方向 | 泌尿外科手术，特别是机器人辅助根治性前列腺切除术、经皮肾镜取石术和肾移植等 | 数字病理 | 前列腺癌 | 增强现实（AR）、混合现实（MR）、人工智能、深度学习 | NA | 术前影像、术中实时数据 | NA | NA | NA | NA | NA |
| 7255 | 2026-01-10 |
SViT-ECG: Spectrogram Vision Transformer for Detection of Short-Term Atrial Fibrillation from ECG Signals
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11252617
PMID:41335921
|
研究论文 | 本研究提出了一种基于Transformer的深度学习方法，通过将心电图信号转换为频谱图，利用微调的Vision Transformer模型来检测短期心房颤动 | 首次将Vision Transformer模型应用于心电图频谱图进行心房颤动检测，提出SViT-ECG新方法 | 未提及模型在更复杂或噪声更大的真实场景中的泛化能力，以及计算效率是否满足实时应用需求 | 开发一种准确检测短期心房颤动的心电图自动分析方法 | 患者的心电图信号 | 计算机视觉 | 心血管疾病 | 心电图信号处理，频谱图转换 | Transformer | 图像（频谱图） | 未明确提及具体样本数量，但使用了5折交叉验证和独立测试集 | 未明确提及 | Vision Transformer | 准确率，F分数 | 未提及 |
| 7256 | 2026-01-10 |
AI-Enhanced Pulmonary Auscultation for Heart Failure Detection
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253377
PMID:41336555
|
研究论文 | 本研究探讨了利用人工智能和肺听诊技术在家居环境中早期检测心力衰竭的可行性 | 提出了一种新颖、紧凑的卷积神经网络模型，并结合预训练的Transformer模型，用于分析肺音信号，实现了非临床听诊的AI听诊器概念 | 样本量较小（仅15名心力衰竭患者和15名健康受试者），可能影响模型的泛化能力 | 开发一种基于人工智能的肺听诊方法，用于心力衰竭的早期检测 | 心力衰竭患者和健康受试者的肺音信号 | 机器学习 | 心血管疾病 | 肺听诊 | CNN, Transformer | 音频信号 | 30名受试者（15名心力衰竭患者和15名健康受试者） | NA | 紧凑卷积神经网络, 预训练Transformer | 特异性, 敏感性 | NA |
| 7257 | 2026-01-10 |
Specialized ECG data augmentation method: leveraging precordial lead positional variability
2025-Mar, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-024-00455-3
PMID:40026892
|
研究论文 | 本文提出了一种针对心电图数据的专用数据增强方法，通过利用胸前导联位置的可变性来提升深度学习模型在心电图诊断任务中的性能 | 创新点在于专注于12导联心电图中胸前导联之间的独特角度，并考虑临床环境中可能发生的情况，从而优化了心电图数据的数据增强技术 | 未在摘要中明确提及 | 研究目的是开发一种优化的数据增强方法，以提升心电图信号在诊断心房颤动或心房扑动、广义室上性心动过速、一度房室传导阻滞、左束支传导阻滞和心肌梗死等疾病中的深度学习模型性能 | 研究对象是心电图信号，具体用于诊断多种心脏疾病 | 生物信号处理 | 心血管疾病 | 数据增强技术 | 深度学习模型 | 心电图信号 | NA | NA | NA | NA | NA |
| 7258 | 2026-01-10 |
Deep learning-based lymph node metastasis status predicts prognosis from muscle-invasive bladder cancer histopathology
2025-Jan-10, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-05440-8
PMID:39792275
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用原发性肿瘤组织预测肌肉浸润性膀胱癌的淋巴结转移状态，并验证了预测的aiN评分在预后评估中的价值 | 首次使用基于UNI视觉编码器的深度学习模型直接从H&E染色组织学图像中提取特征，以预测肌肉浸润性膀胱癌的淋巴结转移状态，并证明aiN评分作为独立预后因子的有效性 | 研究为回顾性分析，需要前瞻性验证以确认模型在个性化管理中的应用潜力 | 开发并验证一个深度学习模型，用于预测肌肉浸润性膀胱癌的淋巴结转移状态及其预后价值 | 肌肉浸润性膀胱癌患者 | 数字病理学 | 膀胱癌 | H&E染色组织学图像分析 | 深度学习 | 图像 | 训练和内部验证集：323名患者（来自TCGA）；外部验证集：139名患者（来自武汉大学人民医院） | NA | UNI | AUC, 风险比 | NA |
| 7259 | 2026-01-10 |
Research Hotspots of Traditional Chinese Medicine for Liver Cancer in the Future Directions: A Bibliometric Analysis
2025, Journal of hepatocellular carcinoma
IF:4.2Q2
DOI:10.2147/JHC.S555310
PMID:41496746
|
文献计量分析 | 本文通过对过去十年中医药治疗肝癌研究的文献进行系统性计量分析，描绘了该领域的知识图谱和发展趋势 | 首次系统性地对中医药治疗肝癌领域进行了跨数据库（CNKI、Wanfang、VIP、Web of Science）的文献计量分析，并揭示了中英文文献在研究主题上的显著差异及新兴前沿 | 国际与跨区域合作仍然有限，且分析依赖于所选数据库的覆盖范围和检索策略 | 填补中医药在肝癌管理研究领域的知识图谱空白，系统分析其研究热点与演变趋势 | 从中国知网、万方、维普和Web of Science等数据库中检索到的与中医药和肝癌相关的出版物 | 文献计量学 | 肝癌 | 文献计量分析，科学图谱工具（如CiteSpace, Origin 2024, R, VOSviewer） | NA | 文献数据（出版物） | 从2015年2月14日至2025年2月14日期间检索的相关出版物 | CiteSpace, Origin 2024, R, VOSviewer | NA | NA | NA |
| 7260 | 2026-01-10 |
Identifying health conditions in older adults in textual health records using deep learning-based natural language processing
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.09.009
PMID:41496888
|
研究论文 | 本研究利用深度学习自然语言处理模型从老年患者的电子健康记录自由文本中识别跌倒、失禁、孤独和行动受限等健康问题 | 首次在芬兰大规模电子健康记录中应用深度学习NER模型识别老年健康问题，相比诊断代码显著提高了识别数量和死亡率预测能力 | 研究仅针对芬兰特定年龄段患者，结果可能受数据质量和文本记录完整性影响 | 开发基于深度学习的自然语言处理模型以识别老年患者电子健康记录中的关键健康问题 | 102,525名50-80岁芬兰患者的电子健康记录自由文本 | 自然语言处理 | 老年疾病 | 命名实体识别 | 深度学习模型 | 文本 | 102,525名患者的1060万条自由文本记录 | NA | NA | 精确率, 召回率, F1分数 | NA |