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 32372 篇文献，本页显示第 7701 - 7720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7701 | 2025-10-06 |
A Comprehensive Review of Artificial Intelligence (AI) Applications in Pulmonary Hypertension (PH)
2025-Jan-07, Medicina (Kaunas, Lithuania)
DOI:10.3390/medicina61010085
PMID:39859065
|
综述 | 本文系统回顾了人工智能在肺动脉高压领域的应用现状与潜力 | 首次系统性地综述了AI在肺动脉高压诊疗中的全面应用，涵盖诊断、分类和预后预测等多个方面 | 存在研究偏倚风险，AI工具仍需进一步探索和完善 | 评估人工智能在肺动脉高压诊疗管理中的转化应用价值 | 肺动脉高压患者及相关医学数据 | 医疗人工智能 | 肺动脉高压 | 机器学习、深度学习 | NA | 医学数据 | 45项相关研究（从500多篇初选文章中筛选） | NA | NA | NA | NA |
| 7702 | 2025-10-06 |
Data-driven identification of urgent surgical procedures for use in trauma outcomes measurement
2025, Trauma surgery & acute care open
IF:2.1Q2
DOI:10.1136/tsaco-2025-001783
PMID:40406235
|
研究论文 | 提出一种基于常规管理数据识别创伤患者紧急手术程序的数据驱动方法 | 开发了无需专家共识的灵活数据驱动方法，通过手术时间框架自动识别紧急手术程序 | 研究基于单家医院数据，方法尚未在其他机构验证 | 建立标准化的创伤紧急手术程序列表以促进创伤系统评估比较 | 创伤患者的手术程序数据 | 医疗数据分析 | 创伤 | 管理数据链接分析 | NA | 围手术期和住院管理数据 | 4737例创伤入院，6750次手术，567种独特手术程序 | NA | NA | 紧急协议分类标准（75%手术在4小时内完成），紧急共识分类标准（50-75%手术在4小时内完成且共识度低于0.7） | NA |
| 7703 | 2025-10-06 |
LOD-PCAC: Level-of-Detail-Based Deep Lossless Point Cloud Attribute Compression
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3578760
PMID:40526560
|
研究论文 | 提出一种基于细节层次结构的无损点云属性压缩框架LOD-PCAC | 利用细节层次结构实现密度鲁棒压缩，提出比特级残差编码器和参考集构建方法 | 未明确说明计算复杂度和实时性能表现 | 解决稀疏或不均匀分布点云的无损属性压缩问题 | 点云属性数据 | 计算机视觉 | NA | 深度学习 | 神经网络 | 点云数据 | 多种点云数据集 | NA | NA | 压缩性能 | NA |
| 7704 | 2025-10-06 |
Fast 3D Room Layout Estimation Based on Compact High-Level Representation
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3578785
PMID:40531646
|
研究论文 | 提出一种基于紧凑高层表示的快速3D房间布局估计方法 | 使用仅29个实数的紧凑高层表示替代传统高分辨率2D表示，显著提升推理速度并降低内存消耗 | 未明确说明在复杂场景或非平面结构房间中的适用性 | 实现从室内RGB图像快速重建整体3D结构 | 室内场景的3D房间布局 | 计算机视觉 | NA | 深度学习 | 通用回归网络 | RGB图像 | NA | NA | NA | 推理速度，布局估计性能 | NA |
| 7705 | 2025-10-06 |
MLCDL: A Critical Practice and Implementation of Multi-tissue Classification and Diagnosis Using Deep Learning Algorithm
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4690-8_18
PMID:40553341
|
研究论文 | 本研究提出了一种基于深度学习的多组织分类与诊断方法，使用集成迁移学习的EfficientNet-B7卷积神经网络进行纹理分类 | 采用集成迁移学习策略的EfficientNet-B7模型进行多组织分类，相比传统机器学习方法具有更高性能 | 测试集准确率相对较低（51.326%），模型泛化能力有待进一步提升 | 开发基于深度学习的多组织分类与诊断系统 | 医学图像中的组织纹理 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 381张150×150像素图像 | NA | EfficientNet-B7 | 准确率, 训练损失 | NA |
| 7706 | 2025-10-06 |
Artificial Intelligence in CRISPR-Cas Systems: A Review of Tool Applications
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4690-8_14
PMID:40553337
|
综述 | 本文综述了人工智能在CRISPR-Cas系统工具应用中的整合与发展 | 将人工智能与CRISPR-Cas系统相结合，为基因工程研究开辟新视角 | NA | 探索人工智能在基因编辑工具CRISPR-Cas系统中的应用 | CRISPR-Cas系统及其基因编辑应用 | 机器学习 | NA | CRISPR-Cas基因编辑技术 | 深度学习, 机器学习 | 基因组数据 | NA | NA | NA | NA | NA |
| 7707 | 2025-10-06 |
The Use of AI for Phenotype-Genotype Mapping
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4690-8_21
PMID:40553344
|
综述 | 探讨人工智能在表型-基因型映射中的方法、应用、挑战及未来前景 | 系统综述AI在整合多组学数据、识别疾病亚型和加速精准医疗方面的创新应用 | 数据异质性、模型可解释性不足、隐私问题及罕见病数据稀缺 | 推动基因型-表型映射研究以促进精准医疗发展 | 基因组数据与表型数据的关联分析 | 机器学习 | NA | 下一代测序(NGS), 多组学数据整合 | 支持向量机(SVM), 随机森林, 梯度提升, k均值聚类, 层次聚类, 卷积神经网络(CNN), 循环神经网络(RNN), 生成对抗网络(GAN) | 基因组数据, 基因表达谱, 转录组数据, 蛋白质组数据 | NA | NA | NA | NA | NA |
| 7708 | 2025-10-06 |
Deep Genomics: Deep Learning-Based Analysis of Genome-Sequenced Data for Identification of Gene Alterations
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4690-8_20
PMID:40553343
|
综述 | 本章综述了深度基因组学领域，探讨深度学习框架在基因组数据分析中的应用及其对基因变异识别的贡献 | 整合多种深度学习架构分析多组学数据，强调可解释性方法和伦理框架在基因组学中的应用 | 面临数据协调和模型可解释性的方法论挑战，存在系统偏差风险 | 探索深度学习在基因组数据分析中的应用，提升基因变异识别和解释能力 | 基因组测序数据和多组学数据 | 机器学习 | NA | 下一代测序, 多组学分析 | CNN, RNN, Transformer, GNN | 基因组序列数据, 表观基因组数据, 转录组数据, 蛋白质组数据 | NA | NA | 卷积神经网络, 循环神经网络, 变换器, 图神经网络 | NA | 联邦学习, 安全多方计算, 量子计算 |
| 7709 | 2025-10-06 |
Review on Advancement of AI in Nutrigenomics
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4690-8_23
PMID:40553346
|
综述 | 探讨人工智能在营养基因组学研究中的进展及其在个性化营养中的应用 | AI与营养基因组学的融合实现了对基因-饮食相互作用的革命性理解，通过先进算法生成前所未有的精准个性化营养建议 | 面临数据隐私问题和算法偏差等挑战，需要谨慎的验证和实施策略 | 研究人工智能如何推动营养基因组学发展及其在个性化营养中的实际应用 | 基因-饮食相互作用、个体营养反应、个性化营养建议 | 机器学习 | 2型糖尿病 | 连续血糖监测(CGM)、代谢分析 | 机器学习算法、深度学习方法 | 遗传数据、饮食数据 | NA | NA | NA | NA | NA |
| 7710 | 2025-10-06 |
Review on Advancement of AI in Synthetic Biology
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4690-8_26
PMID:40553349
|
综述 | 本文综述了人工智能在合成生物学领域的最新进展及其应用 | 系统阐述了AI如何推动合成生物学在预测建模、优化设计和复杂生物系统构建方面的创新 | 高质量生物数据集构建困难以及计算与实验科学家之间的跨学科协作障碍 | 探讨人工智能在合成生物学发展中的作用和未来前景 | 合成生物学中的基因组编辑、代谢通路优化和生物电路设计等 | 机器学习 | NA | CRISPR-cas9, 从头蛋白质设计, 基因电路开发 | 深度学习, 机器学习 | 生物数据集 | NA | NA | NA | NA | NA |
| 7711 | 2025-10-06 |
DeepPredict: a state-of-the-art web server for protein secondary structure and relative solvent accessibility prediction
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1607402
PMID:40546733
|
研究论文 | 介绍DeepPredict蛋白质二级结构和相对溶剂可及性预测网络服务器 | 集成Porter6和PaleAle6两个深度学习模型，利用预训练蛋白质语言模型ESM-2无需多序列比对即可实现快速准确预测 | NA | 开发高性能蛋白质二级结构和相对溶剂可及性预测工具 | 蛋白质序列 | 生物信息学 | NA | 蛋白质语言模型 | 深度学习 | 蛋白质序列数据 | NA | NA | ESM-2 | NA | 网络服务器 |
| 7712 | 2025-10-06 |
Is AI currently capable of identifying wild oysters? A comparison of human annotators against the AI model, ODYSSEE
2025, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2025.1587033
PMID:40546741
|
研究论文 | 比较ODYSSEE AI模型与人类标注者在识别野生牡蛎方面的性能表现 | 首次系统比较深度学习模型与专家/非专家在牡蛎识别任务上的表现，并分析预测误差来源 | 模型准确率(63%)低于人类标注者(专家74%，非专家75%)，存在过度预测活牡蛎数量的问题 | 评估AI模型在牡蛎礁监测中的可行性，改进种群统计方法 | 野生牡蛎礁中的活体牡蛎 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像, 视频 | NA | NA | ODYSSEE | 准确率, 推理速度 | NA |
| 7713 | 2025-10-06 |
Self-supervised and few-shot learning for robust bioaerosol monitoring
2025, Aerobiologia
IF:2.2Q3
DOI:10.1007/s10453-025-09850-4
PMID:40547191
|
研究论文 | 本研究结合自监督学习和少样本学习技术，使用大量未标记数据和少量标记样本对全息花粉图像进行分类 | 首次将自监督学习与少样本学习相结合用于生物气溶胶监测，显著减少对大量标注数据的依赖 | 仅针对花粉颗粒进行研究，未验证在其他类型生物气溶胶上的适用性 | 优化实时生物气溶胶监测工作流程，降低模型在不同场景下的适应成本 | 花粉颗粒的全息图像 | 计算机视觉 | 过敏性疾病 | 全息成像技术 | 深度学习模型 | 图像 | 大量未标记环境空气颗粒图像+每类少量标记样本 | NA | NA | 分类准确率 | NA |
| 7714 | 2025-10-06 |
The association between pancreatic diseases and pancreatic fat content: a cross-sectional study from the UK Biobank
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1591652
PMID:40547526
|
研究论文 | 基于英国生物银行数据的横断面研究，探讨胰腺疾病与胰腺脂肪含量之间的关联 | 首次在大规模人群中结合MRI和深度学习模型(nnUNet)量化胰腺脂肪沉积，并区分胰腺内分泌与外分泌疾病的不同影响 | 横断面研究设计无法确定因果关系，存在反向因果关系的可能性 | 研究胰腺疾病对胰腺脂肪积累的影响，识别关键疾病类型和潜在中介因素 | 英国生物银行中的61,088名参与者 | 数字病理 | 胰腺疾病 | MRI, 深度学习器官分割 | 深度学习 | 医学影像 | 61,088名参与者 | nnUNet | nnUNet | P值 | NA |
| 7715 | 2025-10-06 |
Current application, possibilities, and challenges of artificial intelligence in the management of rheumatoid arthritis, axial spondyloarthritis, and psoriatic arthritis
2025, Therapeutic advances in musculoskeletal disease
IF:3.4Q2
DOI:10.1177/1759720X251343579
PMID:40547599
|
综述 | 本叙述性综述概述了人工智能在类风湿关节炎、中轴型脊柱关节炎和银屑病关节炎的诊断、管理和预后中的当前应用与挑战 | 系统总结了AI在三种关节炎疾病中的多模态应用前景，包括多源数据整合和以患者为中心的创新方向 | 存在数据质量、模型可解释性和伦理考量等挑战，需要确保临床应用的可靠性和公平性 | 探讨人工智能在关节炎疾病管理中的当前应用、可能性和挑战 | 类风湿关节炎(RA)、中轴型脊柱关节炎(axSpA)和银屑病关节炎(PsA)患者 | 医疗人工智能 | 关节炎 | 机器学习,深度学习,影像技术(骶髂关节X线,磁共振成像,计算机断层扫描),电子健康记录,自然语言处理,可穿戴设备 | 预测模型,临床决策支持系统 | 影像数据,电子健康记录,遗传标记,免疫分析数据 | NA | NA | NA | 诊断准确性,预测性能 | NA |
| 7716 | 2025-10-06 |
The use of artificial intelligence in stereotactic ablative body radiotherapy for hepatocellular carcinoma
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1576494
PMID:40547913
|
综述 | 本文综述了人工智能在肝细胞癌立体定向消融体部放疗中的最新应用进展 | 系统总结了AI技术在SABR工作流程中的多领域应用创新，包括自动轮廓勾画、基于知识的计划设计、深度学习通量预测等 | 许多AI模型基于有限数据集训练且缺乏外部验证，存在过拟合和泛化能力不足的问题 | 探讨人工智能如何提升肝细胞癌立体定向放疗的精准性、效率和个体化水平 | 肝细胞癌患者 | 数字病理 | 肝癌 | 立体定向消融体部放疗 | 深度学习,机器学习 | 医学影像,临床数据 | NA | NA | NA | 轮廓勾画时间,剂量学质量 | NA |
| 7717 | 2025-10-06 |
Development and validation of a deep learning algorithm for discriminating glioma recurrence from radiation necrosis on MRI
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1573700
PMID:40548110
|
研究论文 | 开发并验证基于深度学习的MRI图像胶质瘤复发与放射性坏死自动鉴别算法 | 首次采用多种CNN模型从常规MRI序列中自动学习区分胶质瘤复发与放射性坏死的影像学特征 | 回顾性研究、样本量有限（特别是放射性坏死病例仅42例）、未进行外部验证 | 开发自动鉴别胶质瘤复发与放射性坏死的深度学习算法 | 接受胶质瘤切除术后放疗并出现可疑复发灶的患者 | 计算机视觉 | 胶质瘤 | MRI | CNN | 医学影像 | 234例患者（192例胶质瘤复发，42例放射性坏死） | NA | ResNet10, MresNet, Vgg16 | 敏感度, 特异度, 准确率, AUC | NA |
| 7718 | 2025-10-06 |
Application of deep learning based on convolutional neural network model in multimodal ultrasound diagnosis of unexplained cervical lymph node enlargement
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1542265
PMID:40548118
|
研究论文 | 本研究应用基于卷积神经网络的深度学习模型对不明原因颈部淋巴结肿大的多模态超声图像进行病理分类 | 首次将预训练的CNN模型应用于多模态超声图像（二维成像、彩色多普勒血流成像和弹性成像）进行颈部淋巴结病理分类，并开发了用户友好的在线服务器 | 回顾性研究设计，样本仅来自三家医院，可能存在选择偏倚 | 开发基于深度学习的多模态超声诊断系统，用于准确分类颈部淋巴结病理类型 | 586例不明原因颈部淋巴结肿大患者 | 计算机视觉 | 淋巴结疾病 | 多模态超声成像（2D成像、CDFI、弹性成像） | CNN | 医学图像 | 586例患者 | NA | ResNet | AUC | NA |
| 7719 | 2025-10-06 |
Deep learning-based time series prediction for precision field crop protection
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1575796
PMID:40551773
|
研究论文 | 提出一种基于深度学习的时空感知数据融合网络(SADF-Net)和资源感知自适应决策算法(RAADA)，用于精准农业中的时间序列预测和资源优化 | 开发了结合空间特征提取、时序建模和注意力机制的多模态数据融合架构，并引入基于强化学习的自适应决策算法实现动态资源分配 | NA | 解决传统时间序列模型在处理复杂农业数据时的局限性，为精准农业提供可操作的资源优化和环境保护方案 | 农作物保护与资源管理 | 机器学习 | NA | 卫星影像、物联网传感器、气象预报 | CNN, RNN, 注意力机制, 强化学习 | 多模态数据（图像、传感器读数、气象数据） | 大规模农业数据集 | NA | SADF-Net, RAADA | 产量预测准确率、资源优化效果、环境影响缓解程度 | NA |
| 7720 | 2025-10-06 |
A BERT-based rice enhancer identification model combined with sequence-representation differential entropy interpretation
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1618174
PMID:40551770
|
研究论文 | 提出了一种结合BERT特征提取和SVM分类的水稻增强子识别模型，并通过序列表示微分熵分析解释模型性能优化机制 | 首次将DNABERT-2与SVM结合用于水稻增强子识别，并引入微分熵分析提供模型性能优化的可视化解释框架 | 未明确说明模型在其他作物基因组中的泛化能力，也未讨论计算资源需求 | 开发高效准确的水稻增强子识别方法并探索模型性能优化机制 | 水稻基因增强子序列 | 自然语言处理,生物信息学 | NA | 基因组序列分析 | BERT,SVM | DNA序列数据 | NA | PyTorch（基于DNABERT-2推断）,Scikit-learn（SVM） | DNABERT-2 | 准确率 | NA |