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 42795 篇文献，本页显示第 7721 - 7740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7721 | 2025-12-30 |
A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011597
PMID:37956212
|
研究论文 | 本研究提出了一种通用的超图学习框架HGDrug，用于药物多任务预测，通过构建微到宏的药物中心异质网络并整合药物-子结构关系，在多个基准任务上实现了高精度和鲁棒性预测 | 引入药物-子结构关系到分子相互作用网络中，构建微到宏的药物中心异质网络，并开发多分支超图学习模型HGDrug，以处理化学结构和高阶关系，这在当前生物医学网络中尚未充分解决 | 未明确说明模型在处理更大规模网络或更复杂任务时的可扩展性，以及在实际药物发现应用中的验证程度 | 加速药物发现过程，通过结合大规模药物相关相互作用网络和深度学习技术 | 药物及其相互作用，包括药物-药物、药物-靶点、药物-疾病和药物-副作用交互 | 机器学习 | NA | 超图学习 | 超图学习模型 | 网络数据 | NA | NA | HGDrug | 准确性, 鲁棒性 | NA |
| 7722 | 2025-12-30 |
FUN-PROSE: A deep learning approach to predict condition-specific gene expression in fungi
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011563
PMID:37971967
|
研究论文 | 本文提出了一种名为FUN-PROSE的深度学习模型，用于预测真菌在不同环境条件下的基因表达差异 | 该模型首次结合启动子序列和所有转录因子的表达水平来预测条件特异性基因表达，而非仅基于启动子序列预测平均表达水平 | 模型仅在三种真菌物种上进行了训练和测试，可能无法泛化到其他物种或更广泛的条件 | 研究旨在通过深度学习预测真菌在特定环境条件下的基因表达，以支持代谢工程和工业规模化生产 | 三种真菌物种的基因表达数据，包括启动子序列和转录因子表达水平 | 机器学习 | NA | 深度学习 | 深度学习模型 | 序列数据（启动子序列）和表达数据（转录因子表达水平） | 三种真菌物种的数据集 | NA | FUN-PROSE | 相关性（高达0.85） | NA |
| 7723 | 2025-12-30 |
Neural network models for sequence-based TCR and HLA association prediction
2023-11, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011664
PMID:37983288
|
研究论文 | 本文提出了一种基于神经网络的深度学习方法DePTH，用于预测T细胞受体（TCR）与人类白细胞抗原（HLA）之间的关联，基于它们的氨基酸序列 | DePTH方法能够预测训练数据集中未出现的TCR和HLA之间的关联，并能量化HLA等位基因之间的功能相似性，这与癌症患者免疫检查点阻断治疗的生存结果相关 | 未在摘要中明确提及 | 预测TCR与HLA之间的关联，以挖掘TCR数据中的有用信息或生物标志物，用于免疫相关疾病或状况 | T细胞受体（TCR）和人类白细胞抗原（HLA）的氨基酸序列 | 机器学习 | 癌症 | 氨基酸序列分析 | 神经网络 | 序列数据（氨基酸序列） | NA | NA | NA | NA | NA |
| 7724 | 2025-12-30 |
Natural variability in bee brain size and symmetry revealed by micro-CT imaging and deep learning
2023-10, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011529
PMID:37782674
|
研究论文 | 本研究利用显微CT成像和深度学习技术，对蜜蜂和大黄蜂的大脑进行自动化三维图像分析，揭示了脑部大小和对称性的自然变异 | 首次将显微CT成像与深度学习结合，实现蜜蜂大脑三维形态的自动化、高通量分析，克服了传统手动分析的限制 | 研究样本主要集中于蜜蜂和大黄蜂，尚未扩展到更广泛的动物范围 | 探究昆虫大脑形态的自然变异及其与行为、生态和进化的关系 | 蜜蜂和大黄蜂的大脑 | 计算机视觉 | NA | 显微CT成像 | 深度学习 | 三维图像 | 187个蜜蜂和大黄蜂大脑样本 | NA | NA | NA | NA |
| 7725 | 2025-12-30 |
Recognition and reconstruction of cell differentiation patterns with deep learning
2023-10, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011582
PMID:37889897
|
研究论文 | 本文结合深度学习与数学模型，识别并重建小鼠胚胎干细胞类器官中的细胞命运模式 | 将数学模型生成的合成数据与空间汇总统计及深度学习算法结合，用于细胞命运模式的识别与重建，并开发了图神经网络和多层感知器来预测细胞命运 | 未明确提及实验验证的局限性或模型在更广泛生物系统中的泛化能力 | 研究细胞命运模式与潜在机制之间的联系 | 小鼠胚胎干细胞类器官中的细胞分化模式 | 机器学习 | NA | 数学模型、空间汇总统计 | 图神经网络、多层感知器 | 合成数据、体外数据 | NA | NA | 图神经网络、多层感知器 | 准确率 | NA |
| 7726 | 2025-12-30 |
Neural Network Models for Sequence-Based TCR and HLA Association Prediction
2023-May-26, bioRxiv : the preprint server for biology
DOI:10.1101/2023.05.25.542327
PMID:37293077
|
研究论文 | 本文提出了一种名为DePTH的神经网络方法，用于基于氨基酸序列预测T细胞受体与人类白细胞抗原的关联 | 开发了首个基于深度学习的TCR-HLA关联预测模型，并利用该模型量化HLA等位基因的功能相似性，揭示了其与癌症患者免疫检查点阻断治疗生存结局的关联 | 未明确提及模型在独立验证集上的泛化能力或数据偏差问题 | 预测T细胞受体与人类白细胞抗原之间的关联，以深入理解免疫识别机制 | T细胞受体的氨基酸序列和人类白细胞抗原的氨基酸序列 | 机器学习 | 癌症 | NA | 神经网络 | 序列数据（氨基酸序列） | NA | NA | NA | NA | NA |
| 7727 | 2025-12-30 |
Growing ecosystem of deep learning methods for modeling protein-protein interactions
2023-01-21, Protein engineering, design & selection : PEDS
DOI:10.1093/protein/gzad023
PMID:38102755
|
综述 | 本文综述了用于蛋白质-蛋白质相互作用建模的深度学习方法的生态系统，讨论了其多样性、权衡、最新成功案例以及未来挑战 | 系统性地梳理了生物物理知识驱动的深度学习模型在蛋白质相互作用建模中的多样化应用，并比较了不同方法的权衡 | NA | 综述深度学习在蛋白质-蛋白质相互作用建模领域的方法、应用与挑战 | 蛋白质-蛋白质相互作用 | 计算生物学 | NA | 深度学习 | 表示学习, 几何深度学习, 生成模型 | 实验数据, 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 7728 | 2025-12-29 |
Effective transfer of tumor annotations from hematoxylin and eosin to fluorescence images of breast and lung tissues
2026-Jan, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.31.1.016501
PMID:41451238
|
研究论文 | 本文提出了一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到荧光图像中，以支持深度学习模型开发 | 开发了一种结合非刚性图像配准、轮廓提取与细化的半自动注释转移方法，用于从H&E到荧光图像的准确标注迁移 | 该方法不适用于术中实时使用，仅用于辅助创建标注数据集；样本量相对较小（35个组织样本） | 开发一种半自动方法，实现从H&E图像到荧光图像的肿瘤注释准确转移，以促进深度学习模型的训练数据生成 | 乳腺癌和肺癌组织样本的H&E图像与MUSE荧光图像对 | 数字病理学 | 乳腺癌,肺癌 | 显微镜紫外表面激发成像 | CNN | 图像 | 35个乳腺癌和肺癌组织样本 | NA | NA | Dice系数,基于CNN的特征相似度,归一化Hausdorff距离 | NA |
| 7729 | 2025-12-29 |
Global and local information-based prostate image registration of prostate-specific membrane antigen PET/CT and enhanced MRI
2026-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70232
PMID:41454834
|
研究论文 | 本研究提出了一种基于全局和局部信息的深度学习网络GLNet，用于融合PSMA PET/CT和增强MRI图像，以提高前列腺癌的诊断准确性 | 提出了GLNet网络，该网络结合了语义门控卷积模块和基于U形通道的卷积长短期记忆网络，以整合PSMA PET/CT的功能语义特征和MRI的高分辨率软组织细节，从而同时利用全局腺体信息和局部肿瘤区域信息进行图像配准 | 研究样本量相对较小（77例临床病例），且依赖于临床活检验证，可能限制了模型的泛化能力 | 提高前列腺癌病灶的诊断准确性，通过精确融合PSMA PET/CT和增强MRI这两种互补的影像数据 | 前列腺癌患者的PSMA PET/CT和对比增强MRI图像 | 数字病理 | 前列腺癌 | PSMA PET/CT，对比增强MRI | 深度学习网络 | 医学影像（PET/CT，MRI） | 77例临床病例（经两位经验丰富的医师通过临床活检验证），数据增强后用于训练和验证244例，测试64例 | NA | U-CLSTM，包含语义门控卷积模块 | Dice相似系数，HD95，平均对称表面距离，负雅可比比例，精确率，召回率，F1分数 | NA |
| 7730 | 2025-12-29 |
Application of Noise2Inverse and adaptation (Noise2Phase) to single-mask x-ray phase contrast micro-computed tomography
2025-Dec-27, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70056
PMID:41454755
|
研究论文 | 本文探讨了将深度学习去噪技术Noise2Inverse及其改进版本Noise2Phase应用于单掩模X射线相位对比显微CT中，以降低曝光时间需求 | 提出了Noise2Phase方法，该方法利用成像系统特性，无需按投影分割CT数据集，从而优化了去噪流程 | 未明确说明方法在极端噪声水平下的具体性能限制或适用范围 | 旨在通过集成深度学习去噪技术，减少单掩模边缘照明XPCI显微CT的曝光时间，提高成像效率 | 弱衰减材料样本的3D成像 | 计算机视觉 | NA | 单掩模边缘照明X射线相位对比成像，显微CT | 深度学习 | 图像 | NA | NA | Noise2Inverse, Noise2Phase | NA | NA |
| 7731 | 2025-12-29 |
Deep Learning-Based denoising improves myocardial late enhancement imaging with spectral photon-counting CT
2025-Dec-26, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.002
PMID:41455687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7732 | 2025-12-29 |
Development and validation of a deep learning model for severe mitral stenosis detection from chest X-rays
2025-Dec-25, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003519
PMID:41448847
|
研究论文 | 本研究开发并验证了一种基于深度学习的AI模型，用于从胸部X光片中检测严重二尖瓣狭窄 | 首次利用深度学习模型从胸部X光片中自动检测二尖瓣狭窄，并生成显著性图以可视化模型关注区域 | 研究为回顾性设计，样本量相对较小（515张图像），且仅使用后前位胸部X光片 | 开发一种基于深度学习的AI模型，用于从胸部X光片中检测二尖瓣狭窄，以提供便捷的筛查工具 | 二尖瓣狭窄患者（285例）和健康对照者（230例）的胸部X光图像 | 计算机视觉 | 心血管疾病 | 胸部X光成像 | 深度学习模型 | 图像 | 515张后前位胸部X光图像（285张来自二尖瓣狭窄患者，230张来自健康对照） | NA | NA | AUC, 精确率, 召回率, F1分数, 准确率 | NA |
| 7733 | 2025-12-29 |
Association of deep learning-derived epicardial fat volume with target organ damage in subjects with nonobstructive coronary artery disease
2025-Dec-25, Journal of cardiovascular imaging
DOI:10.1186/s44348-025-00062-5
PMID:41449432
|
研究论文 | 本研究探讨了基于CT的索引化心外膜脂肪体积与非阻塞性冠状动脉疾病患者靶器官损伤参数之间的关联 | 首次使用深度学习衍生的心外膜脂肪体积与左心室舒张功能等靶器官损伤参数进行关联分析，并确定了EFVi的阈值 | 样本量较小（仅75名患者），且为单中心前瞻性队列研究，可能限制了结果的普遍性 | 研究心外膜脂肪体积与靶器官损伤参数之间的关联，特别是左心室舒张功能 | 75名非阻塞性冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 心电图门控计算机断层扫描 | 深度学习 | CT图像 | 75名患者 | NA | NA | ROC曲线下面积, 敏感性, 特异性 | NA |
| 7734 | 2025-12-26 |
Translational deep learning models for risk stratification to predict prognosis and immunotherapy response in gastric cancer using digital pathology
2025-Dec-24, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07416-z
PMID:41444960
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7735 | 2025-12-29 |
D‑Blur: A Deep Learning Approach for Mapping Subdiffraction Diffusion with Motion-Blurred Images
2025-Dec-22, Chemical & biomedical imaging
DOI:10.1021/cbmi.5c00042
PMID:41450466
|
研究论文 | 本文提出了一种基于深度学习的D-Blur算法，用于从运动模糊图像中定位单粒子并预测其扩散系数，以重建多孔材料中的扩散图 | 开发了基于U-Net的CNN算法，直接从运动模糊的PSF中提取扩散系数，无需轨迹链接，克服了传统单粒子追踪方法的局限性 | NA | 旨在通过深度学习改进单粒子追踪，实现对复杂系统中亚衍射扩散的映射 | 模拟发射器和实验数据中的自由扩散粒子 | 计算机视觉 | NA | 荧光显微镜成像 | CNN | 图像 | NA | NA | U-Net | NA | NA |
| 7736 | 2025-12-29 |
Changes in the Neighborhood Built Environment and Chronic Health Conditions in Washington, DC, in 2014-2019: Longitudinal Analysis
2025-Dec-10, JMIR formative research
IF:2.0Q4
DOI:10.2196/74195
PMID:41370817
|
研究论文 | 本研究利用Google街景图像和计算机视觉技术，分析了华盛顿特区2014年至2019年间邻里建成环境的变化、人口统计转移与健康结果之间的纵向关联 | 首次结合Google街景图像与卷积神经网络进行大规模纵向分析，以量化城市建成环境变化对慢性健康状况的影响 | 研究仅聚焦于华盛顿特区，可能无法推广到其他城市；依赖街景图像可能无法捕捉所有环境特征；未考虑个体层面的行为因素 | 探究城市建成环境变化与慢性健康状况之间的纵向关联 | 华盛顿特区的邻里建成环境特征、人口统计数据和健康结果 | 计算机视觉 | 慢性疾病 | Google街景图像分析 | CNN | 图像 | 434,115张Google街景图像 | NA | 卷积神经网络 | NA | NA |
| 7737 | 2025-12-29 |
Temporally Continuous Automated Sleep-Wake Classification Using Deep Learning
2025-Dec-04, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.03.25341129
PMID:41404297
|
研究论文 | 本研究开发了一种基于深度学习的、高时间分辨率的睡眠-觉醒分类器，利用时间连续的手动参考评分，旨在克服传统30秒固定时段评分的局限性 | 首次采用时间连续的手动评分作为参考，结合迁移学习技术，实现了无需固定时段边界的高时间分辨率睡眠-觉醒分类 | 研究样本量有限，特别是在时间连续评分的数据集上（n=39用于微调，n=40和n=20用于验证），可能影响模型的泛化能力 | 开发一种更符合生理动态的睡眠-觉醒评估方法，以替代传统的30秒固定时段评分 | 睡眠数据，包括睡眠-觉醒状态和觉醒事件 | 机器学习 | NA | 深度学习，迁移学习 | CNN | 时间序列数据（睡眠数据） | 总样本量涉及三个独立数据集，包括2034个使用30秒时段评分的样本，以及59个时间连续评分的样本（39个用于微调，40个和20个用于验证） | NA | U-Net | 整体一致性（百分比），Cohen's kappa系数（κ），相关系数（r） | NA |
| 7738 | 2025-12-29 |
Fully Automated Deep Learning-Based Pipeline for Evans Index Measurement from Raw 3D MRI
2025-Dec-02, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.11.30.25341302
PMID:41409679
|
研究论文 | 本文提出了一种基于深度学习的全自动流程，用于从原始3D MRI中测量Evans指数 | 开发了一个端到端的深度学习流程，无需手动干预即可直接从原始T1加权MPRAGE MRI扫描中计算Evans指数，提高了测量的可重复性和可扩展性 | 未明确说明模型在更广泛或不同扫描协议下的泛化能力，且依赖于特定注释数据集进行训练 | 实现Evans指数的自动化、标准化测量，以支持大规模和多中心神经影像研究 | 原始T1加权MPRAGE MRI扫描，用于评估脑室扩大 | 数字病理学 | 老年疾病 | MRI | CNN | 图像 | 内部验证使用巴尔的摩纵向衰老研究、BIOCARD和约翰霍普金斯队列数据；外部验证使用PENS试验数据，包括分流前后的NPH扫描 | nnU-Net | BrainSignsNet, nnU-Net | Dice系数, 平均偏差, 平均绝对误差, 相关系数 | NA |
| 7739 | 2025-12-29 |
Interpretable Thermodynamic Score-based Classification of Relaxation Excursions
2025-Dec-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.26.690838
PMID:41377511
|
研究论文 | 本文提出了一种名为Keeping SCORE的物理启发式方法，将扩散模型转化为分类和回归的概率引擎，通过测量不同类别假设下噪声轨迹的耗散来计算精确的类别似然和预测置信度 | 将扩散模型应用于分类和回归任务，提供不确定性估计和特征归因解释，无需修改现有训练模型 | NA | 开发一种可解释且具有不确定性感知的分类和回归框架，应用于计算生物学和科学领域 | 图像识别任务（手写数字、自然照片）、单细胞基因组学（细胞身份区分、基因扰动效应映射）和分子生物物理学（突变对蛋白质折叠能量的影响预测） | 机器学习 | NA | 扩散模型 | 扩散模型 | 图像、基因组数据、分子生物物理数据 | NA | NA | NA | 准确概率估计 | NA |
| 7740 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101601
PMID:41447673
|
研究论文 | 本研究提出并评估了一种结合年龄和性别信息的深度学习模型，用于区分认知正常与认知受损个体，基于OASIS-1数据集中的T1加权MRI数据 | 在卷积神经网络中显式整合年龄和性别作为输入特征，以提升阿尔茨海默病的分类性能 | 样本量相对较小（416名受试者），且敏感性较低（39%），可能影响模型在临床中的泛化能力 | 开发一个结合人口统计学因素的深度学习模型，以改善阿尔茨海默病的早期检测和分类 | OASIS-1数据集中的416名受试者，包括认知正常（CDR=0.0）和认知受损（CDR>0.0）个体 | 数字病理学 | 阿尔茨海默病 | T1加权MRI | CNN | 图像 | 416名受试者（316名认知正常，100名认知受损） | PyTorch | 六层全卷积神经网络 | 准确率, 特异性, 敏感性, ROC-AUC | NA |