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 44218 篇文献，本页显示第 721 - 740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 721 | 2026-05-08 |
Dynamic Mechanism for Subtype Selectivity of Endocannabinoids
2024-Oct-29, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.25.620304
PMID:39554065
|
研究论文 | 通过分子动力学模拟和深度学习解释内源性大麻素对CB1受体的亚型选择性机制 | 首次提出N端移动导致结合口袋体积和残基组分变化是内源性大麻素亚型选择性的核心机制，并利用深度学习VAMP网络定量分析结合路径的焓熵贡献 | 模拟系统简化了真实膜环境，且未考虑其他内源性大麻素（如2-AG）的选择性机制 | 阐明内源性大麻素（anandamide）对CB1受体的亚型选择性生物物理机制 | 大麻素受体CB1和CB2与配体anandamide的相互作用 | 计算机视觉 | 神经系统疾病 | 分子动力学模拟 | 马尔可夫状态模型 | 分子动力学轨迹 | 约0.9毫秒的总模拟时间 | PyTorch | VAMP网络 | 焓变、熵变、结合自由能 | GPU集群（未明确具体型号） |
| 722 | 2026-05-08 |
Enhancing schizophrenia phenotype prediction from genotype data through knowledge-driven deep neural network models
2024-09, Genomics
IF:3.4Q2
DOI:10.1016/j.ygeno.2024.110910
PMID:39111546
|
研究论文 | 通过知识驱动的深度神经网络模型，利用基因型数据增强精神分裂症表型预测 | 创新性地结合全基因模型和遗传异质性概念，设计了三步深度学习方法：局部连接网络将变体路由到对应基因、编码器-解码器捕获基因间关系、集成先前知识并考虑额外基因效应的并行组件，显著提升预测性能 | 未明确提及，但可能涉及模型复杂度和对大规模基因型数据的依赖 | 利用基因型数据改进精神分裂症的表型预测 | 精神分裂症患者的基因型数据 | 机器学习 | 精神分裂症 | 基因型数据预测 | 深度神经网络 | 基因型数据 | NA | NA | 局部连接网络、编码器-解码器、并行组件 | AUC, 灵敏度, 准确率 | NA |
| 723 | 2026-05-08 |
Association of retinal image-based, deep learning cardiac BioAge with telomere length and cardiovascular biomarkers
2024-07-01, Optometry and vision science : official publication of the American Academy of Optometry
IF:1.6Q3
DOI:10.1097/OPX.0000000000002158
PMID:38935034
|
研究论文 | 基于视网膜图像的深度学习心脏生物年龄模型与端粒长度及心血管生物标志物的关联研究 | 首次利用视网膜图像深度学习模型评估心脏生物年龄，并与端粒长度和传统心血管风险生物标志物进行关联分析，实现快速、无创的心血管疾病筛查 | 研究为横断面设计，无法建立因果关系；模型基于UK Biobank人群，可能限制结果向其他人群的推广 | 验证深度学习心脏生物年龄模型与端粒长度及传统心血管风险生物标志物之间的一致性 | UK Biobank中具有白细胞端粒长度数据的个体 | 计算机视觉 | 心血管疾病 | 视网膜成像 | 深度学习 | 图像 | NA | NA | NA | 血压、糖化血红蛋白、10年汇集队列方程心血管风险评分、端粒长度 | NA |
| 724 | 2026-05-08 |
Interpretable Cognitive Ability Prediction: A Comprehensive Gated Graph Transformer Framework for Analyzing Functional Brain Networks
2024-04, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2023.3343365
PMID:38109241
|
研究论文 | 提出了一个利用门控图变换器模型预测个体认知能力的框架 | 结合先验空间知识和随机游走扩散策略，利用可学习结构位置编码和门控机制解耦位置编码与图嵌入学习 | 未明确提及论文局限性 | 基于功能磁共振成像的功能连接预测个体认知能力 | 功能脑网络和认知能力 | 机器学习 | NA | fMRI | 门控图变换器 | 脑影像 | 两个大规模数据集：费城神经发育队列和人类连接组项目 | PyTorch | 门控图变换器 | 预测准确性 | NA |
| 725 | 2026-05-08 |
Developing a Continuous Severity Scale for Macular Telangiectasia Type 2 Using Deep Learning and Implications for Disease Grading
2024-02, Ophthalmology
IF:13.1Q1
DOI:10.1016/j.ophtha.2023.09.016
PMID:37739233
|
研究论文 | 将深度学习分类模型与UMAP结合，为2型黄斑毛细血管扩张症开发连续严重程度量表 | 首次利用无监督UMAP将离散疾病标签映射为连续严重程度量表，无需连续训练标签，可推广至其他疾病 | 该信息在标题和摘要中未明确提及 | 利用深度学习与UMAP创建连续的MacTel严重程度量表，以提高诊断准确率和疾病进展理解 | 2型黄斑毛细血管扩张症（MacTel）患者的OCT影像 | 计算机视觉, 数字病理学 | 黄斑毛细血管扩张症2型 | OCT成像 | 多视图深度学习分类器, UMAP | OCT体积图像 | 从1089名MacTel患者获取的2003个OCT体积 | NA | 多视图深度学习分类器（具体架构未指定） | 准确率, Spearman秩相关系数, κ一致性系数 | NA |
| 726 | 2026-05-08 |
Utilisation of ChatGPT and other Artificial Intelligence tools among medical faculty in Uganda: a cross-sectional study
2024, MedEdPublish (2016)
DOI:10.12688/mep.20554.3
PMID:39911314
|
研究论文 | 评估乌干达医学院教师对ChatGPT及其他人工智能工具的使用情况 | 首次在乌干达医学院教师中开展AI工具使用情况的横断面研究，揭示了年龄与AI使用率之间的关联 | 仅基于自我报告数据，可能存在回忆偏倚；样本来自四所公立大学，推广性有限 | 评估乌干达医学院教师对ChatGPT及其他人工智能工具的使用现状 | 乌干达四所公立大学的医学院教师 | 机器学习 | NA | NA | ChatGPT（大语言模型） | 问卷数据 | 224名医学院教师 | NA | NA | NA | NA |
| 727 | 2026-05-08 |
Developing a clinician-friendly rubric for assessing history-taking skills in medical undergraduates speaking English as a foreign language
2024, MedEdPublish (2016)
DOI:10.12688/mep.19911.3
PMID:39534518
|
研究论文 | 评估乌干达医学院教师对ChatGPT等人工智能工具的使用情况 | 首次在乌干达医学院教师中调查ChatGPT等AI工具的使用率及影响因素 | 横断面研究设计，无法确定因果关系；样本仅来自四所公立大学，可能不具有全国代表性 | 评估乌干达医学院教师对ChatGPT及其他AI工具的使用情况 | 乌干达四所公立大学的医学院教师 | 机器学习 | NA | NA | ChatGPT | 问卷数据 | 224名医学院教师 | NA | NA | NA | NA |
| 728 | 2026-05-08 |
Superpixel-ComBat modeling: A joint approach for harmonization and characterization of inter-scanner variability in T1-weighted images
2024, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/imag_a_00306
PMID:40800451
|
研究论文 | 提出一种基于超像素与ComBat建模的联合方法，用于表征和协调T1加权图像中的跨扫描仪变异 | 将统计ComBat方法扩展到图像域，结合3D超像素分割算法，实现可解释的跨扫描仪变异表征和协调 | NA | 开发一种可解释的跨扫描仪变异表征与协调策略，提升多中心研究的图像一致性 | 来自四个3T MRI扫描仪的匹配T1加权图像 | 计算机视觉 | NA | T1加权成像 | ComBat模型 | 图像 | NA | NA | 超像素分割算法 | 信号噪声比, 对比度噪声比, 信号不均匀性指数, 结构相似性指数 | NA |
| 729 | 2026-05-08 |
Predicting Glaucoma Progression to Surgery with Artificial Intelligence Survival Models
2023-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2023.100336
PMID:37415920
|
研究论文 | 开发基于人工智能的生存模型预测青光眼患者进展至手术的风险，并比较不同方法的性能 | 首次将生存分析方法（包括深度生存模型）用于青光眼进展预测，弥补了传统分类器忽视纵向随访数据的不足 | 仅使用结构化电子健康记录数据，未纳入临床笔记或影像学信息；需进一步开发更复杂的深度生存模型 | 比较回归、树模型和深度学习三种生存分析预测青光眼手术进展的性能 | 2008-2020年某学术中心4512名青光眼患者 | 机器学习 | 青光眼 | 电子健康记录数据提取 | 生存模型（DeepSurv, 随机生存森林, 梯度提升生存, 惩罚Cox比例风险模型） | 结构化表格数据（人口学、眼部检查、诊断、用药共361个特征） | 4512名患者（748例接受手术） | NA | DeepSurv（深度学习生存网络） | 一致性指数（C-index）, 均值累积/动态曲线下面积（mean AUC） | NA |
| 730 | 2026-05-08 |
PhacoTrainer: Deep Learning for Cataract Surgical Videos to Track Surgical Tools
2023-03-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.12.3.23
PMID:36947046
|
研究论文 | 构建深度学习模型自动分析白内障手术视频中的手术工具位置并导出技能相关运动指标 | 首次将YOLACT实例分割用于白内障手术视频中瞳孔、角膜缘和8类手术器械的联合检测，并通过椭圆/直线拟合将掩码转化为关键解剖标志位置，实现自动化的手术技能评估 | 工具尖端定位误差（第二器械尖端平均误差17.1像素）可能影响精确运动指标计算；样本仅包含10个超声乳化视频片段用于验证 | 开发深度学习模型自动分析白内障手术视频中手术关键点位置，推导与手术技能相关的运动指标 | 白内障手术视频中的瞳孔、角膜缘和8类手术器械（包括超声乳化手术器械） | 计算机视觉 | 白内障 | 视频分析 | CNN（实例分割模型） | 图像 | 1156帧（来自268个视频），5853帧（来自10个超声乳化视频片段），及CaDIS公开数据集 | PyTorch | YOLACT | 平均精确率均值、交并比、平均距离（像素） | NA |
| 731 | 2026-05-08 |
An explainable autoencoder with multi-paradigm fMRI fusion for identifying differences in dynamic functional connectivity during brain development
2023-Feb, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2022.12.007
PMID:36580711
|
研究论文 | 提出一种基于多范式融合的可解释深度稀疏自编码器，用于识别脑发育过程中动态功能连接的差异 | 首次将多范式功能磁共振成像融合与可解释深度自编码器结合，通过非线性融合层和多范式超图正则化整合互补信息，同时保持模型可解释性 | 未提及具体限制，但可能受限于单一数据集（费城神经发育队列）的验证 | 开发可解释的多范式融合模型，识别脑发育过程中动态功能连接的变化模式 | 正常儿童和成人的大脑功能连接差异 | 机器学习 | 神经系统发育 | 功能磁共振成像 | 深度稀疏自编码器 | 图像（功能磁共振成像数据） | 费城神经发育队列的数据集 | NA | 多范式融合深度稀疏自编码器 | NA | NA |
| 732 | 2026-05-08 |
Artificial intelligence and deep learning to map immune cell types in inflamed human tissue
2022-06, Journal of immunological methods
IF:1.6Q4
DOI:10.1016/j.jim.2022.113233
PMID:35131237
|
研究论文 | 开发深度学习算法，识别炎症组织活检中的免疫细胞类型 | 提出一种基于深度学习的方法，能够无偏且全面地识别炎症组织中的免疫细胞，包括罕见的Tfh细胞亚群，并可用于细胞间距离映射 | NA | 利用人工智能和深度学习技术，自动化识别和分类炎症组织中的免疫细胞，以量化活检切片中的复杂免疫细胞交互信息 | 皮肌炎活检图像中的Tfh细胞亚群和B细胞 | 计算机视觉 | 自身免疫疾病（皮肌炎） | NA | 深度学习 | 图像 | NA | NA | 深度学习算法（未具体指定） | 检测和分类性能（未具体指定） | NA |
| 733 | 2026-05-08 |
Deep Learning Approaches for Predicting Glaucoma Progression Using Electronic Health Records and Natural Language Processing
2022-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2022.100127
PMID:36249690
|
research paper | 使用深度学习模型结合电子健康记录和自然语言处理预测青光眼进展 | 首次将自由文本临床笔记的自然语言处理特征与结构化临床数据结合，用于预测青光眼手术需求 | 未整合影像数据，仍需进一步研究最优方法以结合成像数据 | 预测青光眼患者是否需要手术干预 | 青光眼患者的电子健康记录，包括结构化数据和临床自由文本笔记 | natural language processing, machine learning | 青光眼 | NLP | 深度学习模型 | 文本结构化临床数据 | 4512名青光眼患者，其中748名接受手术 | NA | NA | AUC, F1分数 | NA |
| 734 | 2026-05-08 |
Brain Functional Connectivity Analysis via Graphical Deep Learning
2022-05, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2021.3127173
PMID:34882539
|
研究论文 | 提出一种基于图卷积网络的框架，用于脑功能连接分析，通过结合区域间连接和受试者间关系来研究认知功能 | 在脑网络分析中引入拉普拉斯正则化项解决过拟合问题，并采用遮挡敏感性分析方法识别与认知功能相关的脑网络和脑区 | 样本量有限，且脑区之间关系复杂，限制了图深度学习模型的应用 | 开发一种基于图卷积网络的框架，用于分析脑功能连接并识别与认知功能相关的脑网络和脑区 | 费城神经发育队列（Philadelphia Neurodevelopmental Cohort）中的受试者脑功能连接数据 | 机器学习 | NA | NA | 图卷积网络（GCN） | 脑功能连接数据 | 基于费城神经发育队列的数据，具体样本量未在摘要中指定 | NA | 图卷积网络 | 分类准确率 | NA |
| 735 | 2026-05-08 |
Image Quality Assessment of Fetal Brain MRI Using Multi-Instance Deep Learning Methods
2021-09, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.27649
PMID:33891778
|
research paper | 提出多实例深度学习方法用于自动评估三维胎儿脑MR图像质量 | 首次将多实例计数、投票和特征嵌入三种深度学习方法应用于胎儿脑MR图像质量自动评估，并量化胎龄对模型性能的影响 | 研究为回顾性设计，样本量有限，且仅针对T2加权单次激发快速自旋回波序列在1.5T场强下的数据 | 开发并评估多实例深度学习方法以实现胎儿脑MR图像质量的自动、客观、快速评估 | 211名胎儿的271次MR检查影像（平均胎龄30.9±5.5周） | computer vision | NA | MRI | 多实例深度学习模型 | 图像 | 271次MR检查（来自211名胎儿） | NA | MI-CB-DLM, MI-VB-DLM, MI-FE-DLM | 精确率, 召回率, F-score, 准确率, AUC | NA |
| 736 | 2026-05-07 |
Validation of SynthSeg segmentation performance on CT using paired MRI from radiotherapy patients
2024-12-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2024.120922
PMID:39557139
|
研究论文 | 本研究利用来自放射治疗患者的配对CT和MRI数据集，验证了深度学习模型SynthSeg在CT图像上进行脑部分割的性能 | 首次在多中心临床数据上系统评估SynthSeg用于CT脑部分割的可行性，并引入质量评分阈值以提升分割准确性 | SynthSeg在CT上分割精度低于MRI，仅适用于对精度要求不高的应用场景 | 验证SynthSeg模型在CT图像上的脑部分割性能，并探讨其与MRI分割的一致性 | 来自5个医疗中心的260名放射治疗患者的配对CT和MRI图像 | 计算机视觉 | NA | CT成像, MRI成像 | 深度学习模型 (SynthSeg) | 医学图像 (CT和MRI) | 260对CT和MRI图像 | Freesurfer | SynthSeg | Dice系数, Hausdorff 95距离 (HD95) | NA |
| 737 | 2026-05-07 |
Delineating yeast cleavage and polyadenylation signals using deep learning
2024-08-20, Genome research
IF:6.2Q1
DOI:10.1101/gr.278606.123
PMID:38914436
|
research paper | 利用深度学习模型解析酵母裂解与聚腺苷酸化信号的退化解码机制 | 首次通过深度学习量化退化调控元件的位置重要性，揭示裂解异质性与位点强度的关联机制，以及远缘物种中聚腺苷酸信号的差异 | 未明确提及模型在不同酵母菌株或环境条件下的泛化能力评估 | 解析酵母裂解与聚腺苷酸化信号的退化解码机制及其在替代聚腺苷酸化调控中的作用 | 酵母（包括酿酒酵母等物种）的mRNA 3'端裂解与聚腺苷酸化位点 | machine learning | NA | 深度学习模型 | 深度学习模型（未指定具体类型，可能包含卷积神经网络或循环神经网络） | 基因组序列数据 | NA | NA | NA | NA | NA |
| 738 | 2026-05-07 |
The scope of artificial intelligence in retinopathy of prematurity (ROP) management
2024-07-01, Indian journal of ophthalmology
IF:2.1Q2
DOI:10.4103/IJO.IJO_2544_23
PMID:38454859
|
综述 | 探讨人工智能在早产儿视网膜病变管理中的应用范围 | 聚焦印度背景下AI在ROP筛查中的应用潜力，并讨论其作为流行病学工具的客观优势 | AI实施存在医法律问题，可能遗漏视网母细胞瘤等致命疾病 | 评估AI在ROP管理中的角色与未来方向 | AI系统在ROP筛查、风险预测及流行病学分析中的性能 | 机器学习 | 早产儿视网膜病变 | NA | 卷积神经网络 | 图像 | NA | NA | CNN | NA | NA |
| 739 | 2026-05-07 |
Tailored Intraoperative MRI Strategies in High-Grade Glioma Surgery: A Machine Learning-Based Radiomics Model Highlights Selective Benefits
2024-06-01, Operative neurosurgery (Hagerstown, Md.)
DOI:10.1227/ons.0000000000001023
PMID:38289331
|
研究论文 | 通过机器学习放射组学模型预测高级别胶质瘤手术中5-ALA单独使用的效果，识别需要联合术中MRI的复杂病例 | 首次利用基于U2-Net深度学习的放射组学预测模型，鉴别在HGG手术中5-ALA效果欠佳而需联合iMRI的特定场景，提出选择性使用iMRI的策略 | 样本量较小（73例），且未达到统计学显著性差异，需进一步外部验证 | 评估5-ALA联合iMRI在HGG手术中的效果，并开发预测模型识别需要iMRI的病例 | 高级别胶质瘤（HGG）患者 | 机器学习 | 高级别胶质瘤 | MRI, 5-氨基乙酰丙酸（5-ALA）荧光引导手术 | U2-Net, 二元逻辑回归 | 图像（术前MRI影像） | 73例HGG患者 | PyTorch | U2-Net | Nagelkerke R², 受试者工作特征曲线下面积 | NA |
| 740 | 2026-05-07 |
Unsupervised deep learning with convolutional neural networks for static parallel transmit design: A retrospective study
2024-06, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30014
PMID:38247050
|
研究论文 | 提出了一种基于无监督深度学习与卷积神经网络的静态并行发射设计方法，用于减轻7T磁场下的B1+不均匀性 | 首次将CNN用于多通道B1+图的无监督训练，通过物理驱动的损失函数避免参考RF权重的计算 | 该研究为回顾性研究，未提及在临床数据集上的验证或实时应用中的计算效率 | 利用无监督深度学习方法改善7T磁共振成像中多通道发射阵列的B1+均匀性 | 健康人脑的B1+映射数据 | 机器学习 | NA | 7T磁共振成像 | 卷积神经网络 | 磁共振B1+映射图像 | 包含143名受试者的3824张二维矢状面多通道B1+图 | NA | CNN | 均方根误差、变异系数、能耗 | NA |