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 42799 篇文献，本页显示第 7981 - 8000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7981 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109938
PMID:41433796
|
研究论文 | 本研究开发了一种可解释的皮层图卷积网络，用于从T1 MRI中提取皮层萎缩模式，以识别阿尔茨海默病高风险个体 | 提出了一种新颖的可解释皮层图卷积网络，能够捕捉皮层表面细微且异质的神经退行性变模式，这是传统深度学习方法难以原生处理的 | 模型需要在独立数据集（如NACC/ADRC）上进行验证以评估其泛化能力，且可解释性技术（如Grad-CAM和积分梯度）的应用有待进一步深入 | 开发一种基于图卷积网络的早期阿尔茨海默病风险预测模型 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的受试者，包括认知正常者、稳定型轻度认知障碍者、进展型轻度认知障碍者和阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | T1 MRI, FreeSurfer处理 | 图卷积网络 | 图像（T1 MRI） | 1645名受试者（902名男性，743名女性），包括523名稳定认知正常者、339名稳定阿尔茨海默病患者和783名轻度认知障碍者 | NA | 皮层图卷积网络 | 平衡准确度 | NA |
| 7982 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110184
PMID:41433804
|
研究论文 | 本研究通过微调预训练的脑龄预测模型，利用3D脑部MRI数据预测阿尔茨海默病评估量表（ADAS13）分数 | 提出了一种基于预训练脑龄预测模型的微调方法，用于预测临床评估分数，相比传统方法在数据有限的情况下实现了更好的泛化性能 | 研究主要基于ADNI数据集，可能在其他人群或数据集中泛化能力有限；仅使用50%可用数据进行训练，虽然展示了数据效率，但可能未充分利用全部数据 | 开发阿尔茨海默病的诊断和预后工具，通过预测临床评估分数来测量疾病严重程度 | 阿尔茨海默病患者及风险个体的脑部MRI数据 | 医学影像分析 | 阿尔茨海默病 | 3D脑部MRI成像 | 深度学习模型 | 3D医学影像 | 11,041个MRI扫描（来自ADNI数据集），分为训练集5,536个、验证集2,815个、测试集2,690个 | NA | 集成模型（n=5） | 平均绝对误差（MAE）, R²分数, 相关系数（r） | NA |
| 7983 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109828
PMID:41433893
|
研究论文 | 本研究利用先进的成像技术和自动处理流程，识别额颞叶痴呆亚型的敏感生物标志物，并优化临床试验设计 | 整合体积和扩散MRI指标，结合深度学习分割技术，实现精确的早期变化检测，降低临床试验样本量需求 | 研究样本量有限，且仅基于单一数据集（FTLDNI），可能影响结果的普适性 | 识别额颞叶痴呆亚型的敏感生物标志物，优化临床试验设计 | 额颞叶痴呆患者（包括行为变异型、语义变异型和非流利变异型）及健康对照 | 数字病理学 | 额颞叶痴呆 | MRI，扩散MRI，深度学习分割 | 深度学习 | MRI图像 | 238名参与者（52名行为变异型FTD，32名非流利变异型PPA，35名语义变异型PPA，117名健康对照） | NA | NA | NA | NA |
| 7984 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108718
PMID:41434014
|
研究论文 | 本文提出了一种可解释的深度学习框架，用于联合表征局部和全局的大脑衰老模式，并直接解释潜在的脑形态变化 | 开发了一种可解释的深度学习框架，通过联合学习体素级脑变化和全脑衰老模式，直接解释衰老相关的形态变化，克服了现有方法缺乏机制理解和低分辨率可视化的问题 | 方法仅在认知未受损个体上训练以学习典型衰老轨迹，可能未涵盖所有衰老变异性；依赖于特定预处理和数据集（ADNI） | 表征典型大脑衰老轨迹，检测加速或弹性衰老模式，并提高对衰老预测过程的可解释性 | 大脑衰老模式，特别是与阿尔茨海默病相关的异常衰老 | 机器学习 | 阿尔茨海默病 | 深度学习，微分同胚配准方法 | 深度学习框架 | MRI扫描图像 | 10,579次扫描来自2,366名受试者（来自纵向ADNI数据集） | NA | NA | 年龄差异预测准确性，衰老模式空间分布 | NA |
| 7985 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108731
PMID:41434039
|
研究论文 | 本研究旨在通过使用加速预处理和仅依赖标准T1加权图像，提高先前提出的阿尔茨海默病萎缩亚型与分期模型的可及性 | 改进了萎缩亚型与分期模型，使其适用于标准T1加权图像和加速预处理，提高了在现实世界临床环境中的可及性 | 亚型和分期分配仅基于横断面数据，尽管纵向MRI扫描显示了亚型分类的稳定性 | 提高阿尔茨海默病萎缩亚型与分期模型的可及性，使其适用于标准MRI场强和加速预处理 | 阿尔茨海默病患者及风险个体的T1加权MRI扫描数据 | 数字病理学 | 阿尔茨海默病 | T1加权MRI扫描 | 深度学习算法 | 图像 | DELCODE队列813人，ADNI队列2117人，A4/LEARN队列1241人，总计4171名参与者 | FastSurfer, SuStaIn | FastSurfer, SuStaIn | 亚型和分期分类的一致性，模型在不同数据集和MRI场强下的泛化能力 | NA |
| 7986 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109817
PMID:41434097
|
研究论文 | 本研究使用深度学习从低分辨率（3T）MRI图像合成高分辨率（7T）T1加权MRI图像，以改善阿尔茨海默病相关结构的成像质量 | 首次利用深度学习从3T MRI图像合成7T分辨率图像，并比较了U-Net和U-Net-GAN模型的性能，在图像质量和分割任务上显示出优势 | 分类任务性能一般（准确率约60%），且模型泛化性和临床实用性仍需进一步改进 | 提高阿尔茨海默病相关脑结构的成像分辨率，以改善图像质量和分割精度 | 阿尔茨海默病患者及临床未受损个体的MRI图像 | 数字病理学 | 阿尔茨海默病 | MRI成像 | CNN, GAN | 图像 | 178名参与者（134名临床未受损，48名受损）的配对7T和3T T1加权MRI图像 | NA | U-Net, U-Net-GAN, V-Net, WATNet | 图像质量指标，主观质量评估，分割相似度，分类准确率 | NA |
| 7987 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108740
PMID:41434125
|
研究论文 | 本研究使用皮质网络模型模拟SST中间神经元退化，探讨其在阿尔茨海默病认知衰退中的关键作用 | 首次结合深度学习模型与神经科学数据，揭示SST中间神经元通过调控反馈信号在认知功能中的关键作用 | 模型基于简化假设，未完全模拟人脑复杂性；仅使用MNIST任务评估认知表现 | 探究SST中间神经元在阿尔茨海默病认知衰退中的机制 | 皮质网络模型中的SST样抑制连接与锥体样兴奋连接 | 计算神经科学 | 阿尔茨海默病 | 单核RNA测序 | 深度学习模型 | 模拟数据，RNA测序数据 | NA | NA | BurstCCN | 测试准确率 | NA |
| 7988 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109729
PMID:41434145
|
研究论文 | 本文介绍了一个名为purple-mri的新型软件包，用于对死后MRI进行组织分割、解剖分区和空间标准化，并提供了一个框架在共同坐标系中连接形态测量学和组织病理学 | 开发了一个结合深度学习和经典技术的联合体素与表面分析流程，用于死后大脑半球的精确分区，并实现了死后与生前MRI之间的可变形图像配准 | 研究样本量相对较小（N=49匹配案例，N=75完整队列），且部分分析未包含对应的生前MRI扫描 | 开发一个用于死后MRI图像分析的软件包，以研究阿尔茨海默病及相关痴呆症（ADRD）中大脑结构与病理变化之间的关联 | 死后大脑半球MRI图像，以及对应的生前MRI图像和组织病理学数据 | 数字病理学 | 阿尔茨海默病 | MRI（7T和3T）、组织病理学检查 | 深度学习 | 图像 | 49个匹配的死后与生前MRI样本，外加26个仅死后MRI样本，总计75个死后MRI样本 | NA | NA | NA | NA |
| 7989 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109968
PMID:41434389
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于从高度不平衡的数据集中自动分割腔隙（推测为血管源性），并有效区分其与类似腔隙的特征 | 采用基于监督对比学习的预训练编码器的Attention U-Net架构，用于处理高度不平衡的数据集，并实现腔隙的实例级检测 | 研究仅基于单一医疗中心的427个MRI图像，缺乏多中心外部验证，且模型对少量腔隙（1-2个）的检测灵敏度有限（58.1%） | 开发一个深度学习模型，用于自动分割MRI图像中的腔隙，以评估其与认知衰退和淀粉样蛋白相关成像异常（ARIA）风险的关系 | 来自Asan Medical Center的427个T2-FLAIR MRI图像，包含腔隙阳性患者和阴性患者 | 医学影像分析 | 阿尔茨海默病 | T2-FLAIR MRI成像 | 深度学习 | MRI图像 | 427个T2-FLAIR MRI图像（来自Asan Medical Center），测试集包括55名阳性患者（共166个腔隙）和31名阴性患者 | NA | Attention U-Net | 替代自由响应接收器操作特性（AFROC）分析、曲线下面积（AUC）、灵敏度、置信区间 | NA |
| 7990 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110222
PMID:41434400
|
研究论文 | 本文提出了一种名为'purple-mri'的完整半球离体到原位/活体分割与配准流程，用于处理多分辨率、跨模态的阿尔茨海默病相关MRI数据 | 结合深度学习分割架构与经典基于表面的建模技术，开发了两阶段跨模态微分同胚图像配准方法，以解决离体与原位MRI之间的配准挑战 | 厚度测量因组织损伤/缺失区域的缺乏分割而存在噪声，导致整体相关性略有下降 | 开发一种能够准确分割高分辨率离体MRI并实现多模态死后MRI一对一对应的流程，以加强形态计量学与组织病理学检查之间的关联研究 | 21个对照样本的离体与原位MRI数据 | 数字病理学 | 阿尔茨海默病 | MRI成像 | 深度学习 | 图像 | 21个对照样本（年龄57-88岁；女性9例/男性12例） | FreeSurfer | NA | Spearman相关系数 | NA |
| 7991 | 2025-12-26 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_097917
PMID:41434440
|
研究论文 | 本研究利用深度学习分析单细胞RNA-seq数据，探索阿尔茨海默病多样临床表型的细胞和分子机制 | 首次在人群水平上应用深度学习分析大规模单核RNA-seq数据，识别表型关联细胞，并开发个性化单细胞功能基因组学方法，包括基因调控QTLs分析 | 研究主要基于前额叶皮层数据，可能未完全反映其他脑区变化；样本虽大但仍可能存在人群偏倚 | 揭示阿尔茨海默病多样临床表型的细胞和分子基础 | 1,494个个体大脑前额叶皮层的单核RNA-seq数据 | 生物信息学 | 阿尔茨海默病 | 单核RNA-seq | 深度学习 | 基因表达数据 | 超过600万个细胞核，来自1,494个个体大脑 | NA | NA | 表型分类改进 | NA |
| 7992 | 2025-12-26 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_099459
PMID:41435353
|
研究论文 | 本研究开发了一种基于Transformer架构的深度学习模型，仅使用全基因组测序数据来预测阿尔茨海默病痴呆 | 提出了一种结合窗口注意力、注释增强和图卷积网络的多步骤深度学习模型，用于从WGS数据中整合局部和远距离关系以改进AD预测 | 模型预测准确率仍有提升空间（AUC=0.68），且仅分析了染色体19上APOE基因周围的特定基因组区域 | 开发深度学习模型以早期预测阿尔茨海默病痴呆 | 阿尔茨海默病患者和认知正常个体的全基因组测序数据 | 机器学习 | 阿尔茨海默病 | 全基因组测序 | Transformer, GCN | 基因组序列数据 | 1050个样本（443名认知正常，607名AD痴呆） | NA | Transformer, GCN | AUC | NA |
| 7993 | 2025-12-26 |
On the public dissemination and open sourcing of ultrasound resources, datasets and deep learning models
2025-Nov-24, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02162-4
PMID:41286495
|
研究论文 | 本文评估了公开可用的超声数据集和深度学习模型，并提出了质量评分系统SonoDQS和SonoMQS | 提出了原创的超声数据集质量评分SonoDQS和模型质量评分SonoMQS，系统性地分类和评估了公开资源 | 未提及具体的技术实施细节或模型性能验证，主要侧重于资源调查和评估 | 提高超声数据在医学影像机器学习研究中的利用率，促进公开资源的传播和使用 | 公开的超声数据集和深度学习模型 | 医学影像 | NA | 超声成像 | 深度学习模型 | 超声图像 | 72个公开超声数据集和56个开源模型 | NA | NA | SonoDQS, SonoMQS | NA |
| 7994 | 2025-11-24 |
Deep Learning for Automatic Detection of Aortic Dissection on Non-contrast Computed Tomography
2025-Nov-21, European journal of vascular and endovascular surgery : the official journal of the European Society for Vascular Surgery
IF:5.7Q1
DOI:10.1016/j.ejvs.2025.09.072
PMID:41274488
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7995 | 2025-12-26 |
Component puzzle protein-protein interaction prediction
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf685
PMID:41428392
|
研究论文 | 本文提出了一种名为C3PI的新型基于序列的深度学习框架，用于预测蛋白质-蛋白质相互作用 | 引入了包含puzzler和entangler两种新颖组件的复杂架构，首次在无数据泄露的金标准数据集上实现了显著优于随机预测的性能 | 未明确说明模型在特定蛋白质类型或复杂相互作用场景下的局限性 | 提高蛋白质-蛋白质相互作用预测的准确性和可靠性 | 蛋白质序列及其相互作用 | 生物信息学 | NA | 蛋白质嵌入（ProtT5） | 深度学习 | 蛋白质序列数据 | 多个数据集（具体数量未在摘要中说明） | NA | 包含puzzler和entangler组件的定制架构 | AUPRC, AUROC | NA |
| 7996 | 2025-12-26 |
Structure-enhanced deep learning accelerates aptamer selection for small molecule families like steroids
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf680
PMID:41428391
|
研究论文 | 本文提出了一种名为DL-SELEX的两步深度学习框架，通过变分自编码器加速和优化小分子家族（如类固醇）的适配体选择 | 首次将深度学习整合到SELEX工作流中，利用AptaVAE和AptaClux两个VAE模型，基于分子家族的结构共性设计初始适配体库并从NGS数据中识别高性能候选物 | NA | 加速和优化小分子家族（如类固醇）的高亲和力适配体发现 | 小分子家族（如类固醇），具体以氢化可的松和睾酮为例 | 机器学习 | NA | SELEX, NGS | VAE | 序列数据 | NA | NA | AptaVAE, AptaClux | 亲和力提升倍数, SELEX迭代减少百分比 | NA |
| 7997 | 2025-12-26 |
The Role of Large Language Models in Ophthalmology: A Review of Current Applications, Performance, and Future Directions
2025-Nov, Cureus
DOI:10.7759/cureus.97374
PMID:41431521
|
综述 | 本文综述了大型语言模型（LLMs）在眼科领域的当前应用、性能表现及未来发展方向 | 系统性地评估了LLMs（如ChatGPT）在眼科临床决策支持、文档处理、患者教育和医学培训等具体应用场景中的表现，并探讨了多模态与检索增强模型如何提升信息准确性与相关性 | 指出将AI整合到临床护理中存在伦理与法律困境、专家表现差异等潜在风险与局限性 | 评估大型语言模型在眼科领域的应用潜力与现状 | 大型语言模型（如ChatGPT、GPT-4）及其在眼科领域的应用 | 自然语言处理 | 眼科疾病 | 深度学习 | 大型语言模型 | 文本 | NA | NA | GPT-4, Chat Generative Pretrained Transformer | NA | NA |
| 7998 | 2025-12-26 |
[Prospects and technical challenges of non-invasive brain-computer interfaces in manned space missions]
2025-Aug-28, Zhong nan da xue xue bao. Yi xue ban = Journal of Central South University. Medical sciences
|
综述 | 本文探讨了非侵入式脑机接口在载人航天任务中的应用前景与技术挑战 | 系统性地提出了非侵入式脑机接口在航天员选拔、在轨任务执行及任务后康复全周期的应用范式，并展望了与深度学习、虚拟现实及机器人技术的融合方向 | 未提供具体的实验数据或案例研究，主要基于理论分析与前景展望 | 分析非侵入式脑机接口技术在载人航天任务中的潜在应用价值与面临的技术瓶颈 | 航天员在长期太空任务中的生理、心理及认知功能 | 脑机接口 | NA | 非侵入式脑机接口，神经信号采集与解读，神经调控 | NA | 多模态生理信号（神经信号等） | NA | NA | NA | NA | NA |
| 7999 | 2025-12-26 |
Adapting and evaluating deep-pseudo neural network for survival data with time-varying covariates
2025, Journal of applied statistics
IF:1.2Q2
DOI:10.1080/02664763.2024.2444649
PMID:40765660
|
研究论文 | 本研究将Deep-pseudo生存神经网络（DSNN）模型扩展应用于包含时变协变量的生存数据预测，并与扩展Cox模型、Dynamic-DeepHit及多元联合模型进行比较 | 首次将DSNN模型适应于处理时变协变量的生存数据，通过离散化生存时间扩展其应用场景，在模拟和真实数据中验证了其预测潜力 | 研究主要基于模拟数据和单一真实数据集，未在更广泛的实际临床场景中验证模型的泛化能力 | 开发并评估适用于时变协变量生存数据预测的深度学习模型 | 包含时变协变量的生存数据 | 机器学习 | NA | 深度学习 | 神经网络 | 生存数据 | NA | NA | Deep-pseudo生存神经网络（DSNN） | Brier分数 | NA |
| 8000 | 2025-12-26 |
Ratio maps of T1w/T2w MRI signal intensity do not improve deep-learning segmentation of pediatric brain tumors
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323398
PMID:41428695
|
研究论文 | 本研究探讨了在儿科脑肿瘤分割任务中，使用T1w/T2w比值图或组合图是否能够提升基于nnU-Net的深度学习模型性能 | 首次系统评估T1w/T2w比值图在儿科脑肿瘤自动分割中的实际效用，挑战了该技术在组织区分方面的传统认知 | 研究仅基于BraTS-PED 2024数据集，样本量相对有限（n=261），且未探索其他可能的图像融合或预处理方法 | 评估T1w/T2w比值图对儿科脑肿瘤自动分割模型性能的影响 | 儿科脑肿瘤患者的MRI图像 | 数字病理学 | 脑肿瘤 | MRI（包括T1加权、T2加权、FLAIR和对比增强T1加权成像） | CNN | 医学影像（MRI） | 261名儿科脑肿瘤患者 | nnU-Net | U-Net | Dice系数 | NA |