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 42805 篇文献，本页显示第 7741 - 7760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7741 | 2025-12-30 |
Learning feature dependencies for precise tumor region detection and segmentation in optical coherence tomography images
2025-Dec-18, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03914-7
PMID:41410798
|
研究论文 | 提出一种新颖的依赖特征分割方法（DIFSM），用于提高视网膜OCT图像中肿瘤区域的定位和分割精度 | 通过整合图像预处理、特征间依赖分析和Vision Transformer架构，明确建模特征间依赖关系，解决重叠像素模糊问题 | 未提及模型在更大规模或更复杂肿瘤类型数据集上的泛化能力 | 提高视网膜OCT图像中肿瘤区域的自动检测和分割精度 | 视网膜OCT图像中的肿瘤感染区域 | 计算机视觉 | 视网膜肿瘤 | 光学相干断层扫描（OCT） | Vision Transformer（ViT） | 图像 | OCTID数据集中的高分辨率视网膜OCT图像 | 未明确指定 | Vision Transformer | Dice系数, IoU, 精确率, 灵敏度, 特异性, 均方匹配误差（MSME） | 未明确指定 |
| 7742 | 2025-12-30 |
HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data
2025-Dec-11, ArXiv
PMID:41040798
|
研究论文 | 本文提出了一种名为HEIST的分层图变换器基础模型，用于处理空间转录组学和蛋白质组学数据，通过建模组织为分层图结构来整合空间信息和细胞内部基因共表达网络 | HEIST模型首次将空间转录组学和蛋白质组学数据统一建模为分层图结构，通过跨层级消息传递计算基因嵌入，无需固定基因词汇表即可泛化到新数据类型（如空间蛋白质组学） | 未明确说明模型在处理超大规模数据集时的计算效率限制或对特定组织类型的适用性局限 | 开发一个能够同时利用空间信息和细胞内基因/蛋白质表达数据的基础模型，以理解细胞在组织微环境中的调控机制 | 空间转录组学和蛋白质组学数据中的细胞及其基因/蛋白质表达模式 | 计算生物学 | NA | 空间转录组学, 空间蛋白质组学 | 图变换器 | 空间组学数据（包含空间坐标和细胞内转录/蛋白质计数） | 来自15个器官的124个组织中的2230万个细胞 | NA | 分层图变换器 | 临床结果预测准确性, 细胞类型注释性能, 基因插补精度 | NA |
| 7743 | 2025-12-30 |
Enlarged Perivascular Spaces and Modifiable Vascular Risk Factors: Cross-Sectional and Longitudinal Analysis in the UK Biobank Cohort
2025-Dec-06, The American journal of geriatric psychiatry : official journal of the American Association for Geriatric Psychiatry
DOI:10.1016/j.jagp.2025.11.016
PMID:41456992
|
研究论文 | 本研究利用英国生物银行队列数据，通过深度学习模型量化脑部MRI中的血管周围间隙，并探讨了血管风险因素、APOE基因型与PVS之间的横断面和纵向关联 | 首次在大规模社区队列中，结合深度学习自动量化PVS，系统分析了多种可改变血管风险因素及APOE基因型与PVS的关联，并关注了性别和脑区特异性模式 | 纵向分析样本量相对较小，随访时间较短，风险因素与PVS的纵向关联有限 | 探讨血管风险因素和APOE基因型与脑部血管周围间隙的关联，以评估PVS作为血管性脑健康生物标志物的潜力 | 英国生物银行队列中的社区居住成年人，横断面分析包括38,121名参与者，纵向分析包括4,225名参与者 | 数字病理学 | 老年疾病 | 脑部MRI | 深度学习模型 | 图像 | 横断面分析38,121名参与者，纵向分析4,225名参与者 | NA | NA | 回归系数(b), 95%置信区间(CI) | NA |
| 7744 | 2025-12-30 |
Unveiling Hearts: Deep Learning-Based Electrocardiogram Classification for Congenital Heart Disease Detection
2025-Dec, Current medical science
IF:2.0Q3
DOI:10.1007/s11596-025-00134-z
PMID:41191231
|
研究论文 | 本研究开发了一种基于深度学习的ECG分类方法，用于准确检测先天性心脏病 | 结合CNN和RNN分析ECG信号，并应用SMOTE技术处理类别不平衡问题，提高了分类准确性 | 需要更多数据集进行验证，并需解决实际应用中的噪声处理和外部验证等挑战 | 开发一种深度学习方法来准确分类先天性心脏病 | ECG信号数据 | 机器学习 | 先天性心脏病 | ECG分析 | CNN, RNN | 时间序列数据 | MIT-BIH心律失常数据库 | NA | NA | 准确性 | NA |
| 7745 | 2025-12-30 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_099341
PMID:41454832
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于分析阿尔茨海默病APP/PS1转基因小鼠模型中淀粉样蛋白斑块微环境中的星形胶质细胞和小胶质细胞的时空动态变化 | 采用可解释的机器学习模型区分反应性星形胶质细胞的肥大形态，并开发了区分血管与非血管淀粉样蛋白斑块的ML模型，提供了比传统染色密度更敏感的疾病进展测量指标 | 研究基于转基因小鼠模型，可能无法完全反映人类阿尔茨海默病的复杂性；样本量相对有限（6、9、12月龄小鼠） | 评估阿尔茨海默病淀粉样蛋白斑块微环境中星形胶质细胞增生和小胶质细胞增生的时空动态变化 | APP/PS1转基因阿尔茨海默病小鼠模型中的星形胶质细胞和小胶质细胞 | 数字病理学 | 阿尔茨海默病 | 多重免疫荧光组织切片分析 | 深度学习, 机器学习 | 图像 | 6、9、12月龄APP/PS1转基因小鼠的组织切片 | 未明确说明 | 未明确说明 | 统计显著性 | NA |
| 7746 | 2025-12-30 |
Automated detection of fin whales with distributed acoustic sensing in the Arctic and Mediterranean
2025-Dec-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0041855
PMID:41460012
|
研究论文 | 本研究提出了一种基于分布式声学传感（DAS）和深度学习的自动化检测管道，用于在北极和地中海地区大规模监测长须鲸的低频叫声 | 首次将YOLO深度学习模型应用于DAS数据中的鲸鱼叫声检测，并展示了其在跨地理位置和海床环境下的强泛化能力，无需微调即可实现高性能 | 研究仅基于两条海底电缆的数据集（挪威斯瓦尔巴和摩纳哥-意大利），可能未覆盖所有海洋环境或鲸鱼叫声变体 | 开发一种自动化、可扩展的管道，用于利用分布式声学传感技术监测海洋哺乳动物（特别是长须鲸）的叫声 | 长须鲸的低频叫声 | 机器学习 | NA | 分布式声学传感（DAS） | YOLO, Hough变换, DBSCAN, 模板匹配, LightGBM | 声学数据 | 两条海底电缆的数据集：挪威斯瓦尔巴135公里和摩纳哥-意大利162公里 | NA | YOLO | F1分数 | NA |
| 7747 | 2025-12-30 |
Hankel-FNO: Fast underwater acoustic charting via physics-encoded Fourier neural operator
2025-Dec-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0041890
PMID:41460013
|
研究论文 | 本文提出了一种基于傅里叶神经算子的快速水下声学制图方法，通过结合物理知识实现高效准确的声场预测 | 提出了Hankel-FNO模型，将声传播知识和地形信息编码到傅里叶神经算子中，解决了传统数据驱动方法在固定分辨率和显式偏微分方程依赖方面的限制 | 未明确说明模型在极端复杂环境或噪声干扰下的性能表现，且对大规模实时应用的泛化能力仍需进一步验证 | 开发快速准确的水下声学制图方法，以支持环境感知传感器部署优化和自主车辆路径规划等下游任务 | 水下声场传播与声学制图 | 机器学习 | NA | 傅里叶神经算子 | FNO | 声场数据、地形数据 | NA | NA | Hankel-FNO | 准确性、计算速度、长程预测性能 | NA |
| 7748 | 2025-12-30 |
FigATree: a novel framework for histological subtyping and grading of lung adenocarcinoma
2025-Nov-27, Virchows Archiv : an international journal of pathology
IF:3.4Q1
DOI:10.1007/s00428-025-04355-4
PMID:41307585
|
研究论文 | 本文提出了一种名为FigATree的新型可解释AI框架，用于肺腺癌的组织学亚型分型和分级诊断 | 结合基础模型增强的区域级编码器与基于XGBoost的病理学知识驱动的玻片级分类器，实现了高精度且可解释的肺腺癌诊断 | 未明确说明模型在更广泛或更具挑战性数据集上的潜在性能限制 | 开发一种可解释的AI框架，以提升肺腺癌组织学亚型分型和分级的准确性与临床可翻译性 | 肺腺癌（LUAD） | 数字病理学 | 肺癌 | H&E染色 | 基础模型, XGBoost | 图像 | 1186张H&E染色全玻片图像 | NA | NA | 准确率 | NA |
| 7749 | 2025-12-30 |
CELLetter: leveraging large language model and dual-stream network to identify context-specific ligand-receptor interactions for cell-cell communication analysis
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf693
PMID:41451540
|
研究论文 | 本文介绍了一个名为CELLetter的深度学习框架，用于识别细胞间通讯中的配体-受体相互作用，并整合下游转录因子活动来解码细胞信号传导 | 结合蛋白质大语言模型ProstT5进行特征嵌入，采用双流架构进行特征提取和降维，引入门控机制进行动态权重调整的特征融合，并提出了基于空间转录组学的多角度验证策略 | 未明确说明模型在处理大规模数据集时的计算效率或对特定细胞类型的泛化能力限制 | 开发一个深度学习框架以识别潜在的配体-受体相互作用并量化细胞间通讯强度 | 细胞间通讯中的配体-受体相互作用，特别是基于单细胞RNA测序数据和空间转录组学数据 | 机器学习 | 头颈部鳞状细胞癌 | 单细胞RNA测序，空间转录组学，基因调控网络分析 | 深度学习框架，双流网络 | 蛋白质序列，单细胞RNA测序数据，空间转录组学数据 | NA | NA | 双流架构，门控机制 | 11种评估指标，包括共定位距离、共表达比率、共检测概率等 | NA |
| 7750 | 2025-12-30 |
Deciphering RNA modification and post-transcriptional regulation with NetRNApan
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf690
PMID:41451538
|
研究论文 | 本文介绍了NetRNApan，一个用于RNA修饰位点预测、基序发现和反式调控因子识别的深度学习框架 | NetRNApan通过深度学习框架，不仅提高了RNA修饰位点预测的准确性，还增强了特征表示的可解释性和通用性，并能发现新的反式调控因子 | NA | 研究RNA修饰和转录后调控，开发一个深度学习框架用于预测RNA修饰位点、发现基序和识别调控因子 | RNA修饰，特别是m5U和m6A修饰，以及相关的RNA结合蛋白 | 自然语言处理 | NA | FICC-seq, miCLIP-seq | 深度学习 | RNA序列数据 | NA | NA | NA | 准确性 | NA |
| 7751 | 2025-12-30 |
SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation
2025-Oct-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.03.680242
PMID:41278680
|
研究论文 | 本文提出了一种名为SpaGene的深度学习框架，用于整合单细胞RNA测序和空间转录组学数据，以填补空间转录组数据中缺失的基因表达信息 | SpaGene是一种新颖的深度学习框架，通过两个编码器-解码器对、两个翻译器和两个判别器的组合，有效整合scRNA-seq和空间转录组学数据，实现了对空间转录组数据中缺失基因表达的高精度填补 | 未在摘要中明确提及 | 整合单细胞RNA测序和空间转录组学数据，以增强对组织生物学、细胞相互作用和疾病进展的理解 | 单细胞RNA测序数据和空间转录组学数据 | 机器学习 | 肺癌 | 单细胞RNA测序（scRNA-seq），空间转录组学 | GAN | 基因表达数据 | NA | NA | 编码器-解码器对 | 皮尔逊相关系数（PCC），结构相似性指数（SSIM），均方根误差（RMSE） | NA |
| 7752 | 2025-12-30 |
Nuclei segmentation and classification from histopathology images using federated learning for end-edge platform
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322749
PMID:40638627
|
研究论文 | 提出一种结合分割与分类的深度学习框架，用于组织病理学图像中的细胞核分割与分类，并采用联邦学习保护数据隐私 | 提出了一种结合SegNet分割与DenseNet121分类的两阶段框架，并首次在细胞核分析任务中集成了联邦学习（FedAvg）和全整数量化技术，以实现隐私保护与边缘设备高效部署 | 未明确说明模型在重叠细胞核或边界模糊情况下的具体性能细节，也未提及跨不同染色或扫描仪图像的泛化能力评估 | 开发一种高效、可扩展且保护隐私的自动化方法，用于组织病理学图像中的细胞核分割与分类，以辅助癌症检测 | 组织病理学图像中的细胞核 | 数字病理学 | 癌症 | 组织病理学成像 | CNN | 图像 | NA | TensorFlow, PyTorch | SegNet, DenseNet121 | 平均像素精度（MPA）, 平均交并比（MIoU）, 频率加权交并比（FWIoU）, 准确率, 马修斯相关系数（MCC） | 边缘设备（部署平台），具体GPU型号未提及 |
| 7753 | 2025-12-30 |
Integrating Gene Ontology Relationships for Protein Function Prediction Using PFresGO
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_9
PMID:40728613
|
研究论文 | 本文提出了一种基于注意力机制的深度学习方法PFresGO，利用基因本体（GO）图的层次结构来高通量预测多种蛋白质功能 | PFresGO通过整合基因本体关系，克服了现有方法忽视不同功能间关系的局限性，实现了更准确的蛋白质功能预测 | NA | 开发高效的计算方法，用于蛋白质功能注释，以弥合高通量序列数据与未知蛋白质功能之间的差距 | 蛋白质功能预测 | 机器学习 | NA | 基因本体（GO）图分析 | 基于注意力机制的深度学习 | 序列数据 | NA | NA | NA | NA | NA |
| 7754 | 2025-12-30 |
Machine Learning for Protein Function Prediction
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_2
PMID:40728606
|
综述 | 本章全面回顾和分类了基于Gene Ontology (GO)术语的蛋白质功能预测主要计算方法，包括模板检测、统计机器学习、深度学习和组合方法，并讨论了这些方法的应用 | 系统性地对蛋白质功能预测的计算方法进行了分类和综述，涵盖了从传统模板检测到现代深度学习的多种技术路线 | 作为综述章节，未提出新的算法或模型，主要侧重于现有方法的总结和比较 | 开发高效准确的计算方法以预测蛋白质功能，替代耗时耗力的生物实验 | 蛋白质功能，特别是由Gene Ontology (GO)术语定义的功能 | 生物信息学 | NA | 计算预测方法 | 模板检测方法, 统计机器学习方法, 深度学习方法 | 蛋白质序列和功能注释数据 | NA | NA | NA | NA | NA |
| 7755 | 2025-12-30 |
A Survey of Deep Learning Methods and Tools for Protein Binding Site Prediction
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_5
PMID:40728609
|
综述 | 本文全面回顾了用于蛋白质结合位点预测的深度学习方法和工具 | 系统性地汇编和评估了最新的深度学习模型、数据资源和评估指标，为研究人员提供了全面的指南 | NA | 促进AI驱动的蛋白质结合位点预测研究 | 蛋白质结合位点 | 机器学习 | NA | 深度学习 | CNN, GNN | 蛋白质结构数据 | NA | NA | 卷积神经网络, 图神经网络 | NA | NA |
| 7756 | 2025-12-30 |
Annotating genomes with DeepGO protein function prediction tools
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_10
PMID:40728614
|
综述 | 本章探讨了DeepGO蛋白质功能预测工具套件的演变及其在基因组注释中的应用 | 介绍了DeepGO系列工具的关键进展，特别是最新模型DeepGO-SE在预测蛋白质功能方面的效率和准确性 | NA | 为研究人员提供使用深度学习功能预测方法增强基因组分析的指南 | 蛋白质功能预测工具及其在基因组注释中的应用 | 机器学习 | NA | 深度学习 | NA | 基因组数据 | NA | NA | DeepGO, DeepGO-SE | 效率, 准确性 | NA |
| 7757 | 2025-12-30 |
A Benchmarking Platform for Assessing Protein Language Models on Function-Related Prediction Tasks
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4662-5_14
PMID:40728618
|
研究论文 | 介绍了一个用于评估蛋白质语言模型在功能相关预测任务上性能的基准测试平台PROBE | 开发了首个综合性的蛋白质表示基准测试框架PROBE，支持评估包括多模态PLM在内的多种模型，并提供了用户友好的Web服务 | NA | 评估和比较不同蛋白质表示方法（包括经典方法和蛋白质语言模型）在功能预测任务上的性能 | 蛋白质序列、结构和功能 | 自然语言处理 | NA | 蛋白质语言模型 | PLM | 序列数据, 结构数据 | NA | NA | ESM2, ESM3, ProstT5, SaProt | NA | NA |
| 7758 | 2025-12-30 |
Intelligent glucose management in hospitalized patients: Short-term glucose and adverse events prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339360
PMID:41452855
|
研究论文 | 本研究提出了一种基于堆叠注意力门控循环单元（SA-GRU）的深度学习模型，用于预测住院患者的短期血糖水平和不良事件 | 首次将堆叠注意力门控循环单元（SA-GRU）网络应用于住院患者血糖管理和不良事件预测，实现了从回顾性干预到前瞻性预测的转变 | 研究仅针对2型糖尿病患者，样本量相对有限（196例），未涵盖其他类型糖尿病或更广泛的住院人群 | 开发智能血糖管理系统，帮助临床医生提前预测住院患者的血糖水平和潜在不良事件，以支持临床决策 | 住院的2型糖尿病患者 | 机器学习 | 糖尿病 | 连续血糖监测（CGM） | 深度学习, SA-GRU | 时间序列数据（血糖监测数据） | 196名住院2型糖尿病患者，另加一个公开可用的2型糖尿病数据集 | NA | 堆叠注意力门控循环单元（SA-GRU） | 均方根误差（RMSE）, 平均绝对相对差异（MARD）, 分类准确率 | NA |
| 7759 | 2025-12-28 |
Retraction: Can artificial intelligence and face recognition using deep learning detect emotions in children with autism?
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340338
PMID:41452923
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7760 | 2025-12-28 |
Retraction: A deep learning-based ensemble for autism spectrum disorder diagnosis using facial images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340328
PMID:41452920
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |