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 38527 篇文献，本页显示第 8081 - 8100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8081 | 2025-10-05 |
Fusing Echocardiography Images and Medical Records for Continuous Patient Stratification
2025-Oct, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3600902
PMID:40833913
|
研究论文 | 提出融合超声心动图图像和医疗记录的方法，用于高血压患者的连续分层 | 首次将Transformer模型应用于表格数据，融合多模态医疗数据学习心血管疾病的连续表征 | 训练样本有限（少于200个训练样本），仅针对高血压患者进行研究 | 开发能够综合考虑医疗记录和超声心动图描述符的患者分层方法 | 239名高血压患者 | 医疗人工智能 | 心血管疾病 | 超声心动图，医疗记录分析 | Transformer | 图像，表格数据 | 239名高血压患者 | NA | XTab基础模型，Transformer编码器 | AUROC，平均绝对误差(MAE) | NA |
| 8082 | 2025-10-05 |
Explainable Machine Learning for Characterizing Unknown Molecular Structures in Infrared Spectra
2025-Sep-30, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03126
PMID:40960350
|
研究论文 | 提出一种用于红外光谱中未知分子结构功能基团检测的可解释深度学习方法 | 开发了子结构导向光谱解释器网络(SSIN)，将红外光谱分析先验知识融入训练和推理过程，解决了现有方法的黑盒问题 | NA | 开发高效且可解释的红外光谱功能基团检测方法 | 未知分子的红外光谱 | 机器学习 | NA | 红外光谱分析 | 深度学习 | 红外光谱数据 | NIST数据库中的8845个气相红外光谱 | NA | 子结构导向光谱解释器网络(SSIN) | 准确率 | NA |
| 8083 | 2025-10-05 |
UAMRL: Multi-Granularity Uncertainty-Aware Multimodal Representation Learning for Drug-Target Affinity Prediction
2025-Sep-30, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf512
PMID:41025463
|
研究论文 | 提出一种用于药物-靶点亲和力预测的不确定性感知多模态表示学习框架 | 引入基于Normal-Inverse-Gamma分布的不确定性量化机制，建模异构信息可靠性并在融合过程中抑制不可信贡献 | NA | 提高药物-靶点亲和力预测的准确性和决策透明度 | 化合物和蛋白质的多模态数据 | 机器学习 | NA | 多模态表示学习 | 双流编码器 | 多模态数据 | 多个公共DTA数据集 | NA | 双流编码器 | 预测准确性 | NA |
| 8084 | 2025-10-05 |
MEMO-Stab2: Multi-View Sequence-Based Deep Learning Framework for Predicting Mutation-Induced Stability Changes in Transmembrane Proteins
2025-Sep-29, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01774
PMID:41021316
|
研究论文 | 提出一种基于多视图序列的深度学习框架MEMO-Stab2，用于预测跨膜蛋白中点突变引起的稳定性变化 | 首个不依赖三维结构或多序列比对的跨膜蛋白稳定性预测框架，通过整合多个预训练蛋白质语言模型的嵌入特征和基于Transformer的架构实现 | 主要针对跨膜蛋白，对其他类型蛋白质的适用性需要进一步验证 | 开发快速准确的跨膜蛋白突变稳定性预测工具 | 跨膜蛋白的点突变 | 生物信息学 | NA | 深度学习，蛋白质语言模型 | Transformer | 蛋白质序列数据 | 内部和外部跨膜突变数据集 | NA | Transformer | F1分数 | NA |
| 8085 | 2025-10-05 |
Comparison of machine learning and deep learning models in manual strength prediction using anthropometric variables
2025-Sep-29, International journal of occupational safety and ergonomics : JOSE
IF:1.6Q3
DOI:10.1080/10803548.2025.2554461
PMID:41021732
|
研究论文 | 比较机器学习和深度学习模型在利用人体测量变量预测手动力量方面的性能 | 首次系统比较多种机器学习和深度学习模型在人体测量变量预测手动力量任务中的表现，并采用SHAP分析进行特征重要性解释 | 样本仅来自墨西哥坎佩切经济活跃人群，可能限制结果的普适性；集成方法存在过拟合倾向 | 评估不同预测模型在基于人体测量变量估计手动力量方面的性能 | 382名来自墨西哥坎佩切经济活跃人群的参与者 | 机器学习 | NA | 人体测量学 | 线性回归,随机森林,AdaBoost,极端梯度提升,TabNet,TabPFN,CNN | 人体测量数据和力量数据 | 382名参与者 | NA | TabNet,TabPFN,自定义卷积神经网络 | 平均绝对误差,均方误差,解释方差得分 | NA |
| 8086 | 2025-10-05 |
M-TabNet: A Transformer-Based Multi-Encoder for Early Neonatal Birth Weight Prediction Using Multimodal Data
2025-Sep-29, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3614285
PMID:41021962
|
研究论文 | 提出基于Transformer的多编码器模型M-TabNet，用于早期新生儿出生体重预测 | 首次将Transformer架构与多编码器结合用于早期出生体重预测，整合生理、生活方式、营养和遗传等多模态数据 | 使用内部私有数据集，需要进一步外部验证 | 开发早期新生儿出生体重预测模型以改善新生儿健康结局 | 孕妇和新生儿 | 机器学习 | 新生儿疾病 | 深度学习 | Transformer | 多模态数据（生理、生活方式、营养、遗传） | 内部私有数据集和IEEE儿童数据集 | NA | Transformer, 多编码器架构 | MAE, R², 灵敏度, 特异性 | NA |
| 8087 | 2025-10-05 |
Beyond the human eye: Artificial intelligence revolutionizing plasma quality control
2025-Sep-29, Vox sanguinis
IF:1.8Q3
DOI:10.1111/vox.70122
PMID:41022431
|
研究论文 | 开发基于人工智能的自动化系统用于标准化检测血浆颜色和浊度异常 | 首次将深度学习技术应用于血浆质量控制的自动化检测，替代传统主观视觉检查 | 研究在单一输血中心进行，样本量相对有限 | 评估人工智能系统在输血医学中血浆质量控制的准确性和可靠性 | 输血用血浆袋 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 训练集789袋血浆（467正常，322异常），测试集Phase 1 184袋（145正常，39异常），Phase 2 486袋（287正常，199异常） | NA | NA | 准确率，灵敏度，特异性，精确度 | NA |
| 8088 | 2025-10-01 |
Correction: Transformer-based deep learning ensemble framework predicts autism spectrum disorder using health administrative and birth registry data
2025-Sep-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-19777-y
PMID:41023127
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8089 | 2025-10-01 |
ResViT-GANNet: a deep learning framework for classifying breast cancer histopathology images using multimodal attention and GAN-based augmentation
2025-Sep-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01940-6
PMID:41023673
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8090 | 2025-10-01 |
Hepatocellular carcinoma (HCC) and focal nodular hyperplasia (FNH) showing iso- or hyperintensity in the hepatobiliary phase: differentiation using Gd-EOB-DTPA enhanced MRI radiomics and deep learning features
2025-Sep-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01927-3
PMID:41023894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8091 | 2025-10-05 |
Harnessing Geospatial Artificial Intelligence (GeoAI) for Environmental Epidemiology: A Narrative Review
2025-Sep-26, Current environmental health reports
IF:7.4Q1
DOI:10.1007/s40572-025-00497-4
PMID:41003951
|
综述 | 本文综述了地理空间人工智能在环境流行病学领域的最新进展与应用 | 整合地理空间分析与机器学习方法形成GeoAI新范式，实现大规模人群健康数据的可扩展暴露评估 | 存在参与者隐私保护、数据代表性不足以及高质量验证数据集构建困难等挑战 | 探讨GeoAI在环境暴露评估和健康行为结果确定中的应用价值 | 环境暴露因素与人群健康关系研究 | 地理空间人工智能 | 心血管疾病、痴呆症、癌症 | 地理空间分析、机器学习、智能手机和可穿戴设备传感器数据采集 | 深度学习 | 地理空间数据、智能手机传感器数据、街景图像 | NA | NA | NA | 测量准确性、设计有效性 | NA |
| 8092 | 2025-10-05 |
InfEHR: Clinical phenotype resolution through deep geometric learning on electronic health records
2025-Sep-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-63366-6
PMID:41006287
|
研究论文 | 提出InfEHR框架，通过深度几何学习从电子健康记录中自动计算临床可能性 | 将完整电子健康记录转换为时间图以捕捉表型动态，实现无需大量标注数据的临床概率推断 | 仅在小样本标注数据上进行测试，未在大规模多种疾病上验证 | 开发无需大量标注数据的电子健康记录临床表型解析方法 | 电子健康记录中的临床数据 | 医疗人工智能 | 新生儿无菌性脓毒症、术后急性肾损伤 | 深度几何学习 | 几何深度学习模型 | 电子健康记录多模态数据 | 来自西奈山医疗系统和加州大学欧文医学中心的电子健康记录 | NA | 时间图神经网络 | 灵敏度, 特异度 | NA |
| 8093 | 2025-10-05 |
A novel open-source ultrasound dataset with deep learning benchmarks for spinal cord injury localization and anatomical segmentation
2025-Sep-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16275-z
PMID:41006445
|
研究论文 | 本文提出了一个用于脊髓损伤定位和解剖分割的开源超声数据集，并建立了深度学习基准 | 发布了目前最大的公开脊髓超声注释数据集，首次公开报告了用于脊髓解剖标记评估的目标检测和分割架构 | 数据集主要基于猪脊髓图像，人类数据的零样本泛化性能仍有提升空间 | 促进医学机器学习在临床环境中的应用，特别针对脊髓损伤定位和解剖分割 | 猪脊髓和人类脊髓的超声图像 | 计算机视觉 | 脊髓损伤 | 超声成像，B模式 | 目标检测，语义分割 | 图像 | 10,223张B模式超声图像，来自25只猪脊髓 | NA | YOLOv8, DeepLabv3, SAMed | 平均精度(mAP50-95), Dice系数 | NA |
| 8094 | 2025-10-05 |
Leveraging multi-modal foundation model image encoders to enhance brain MRI-based headache classification
2025-Sep-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18507-8
PMID:41006506
|
研究论文 | 本研究利用多模态基础模型BioMedCLIP的视觉编码器，通过微调实现对脑部MRI图像的头痛分类和生物标志物检测 | 首次将多模态生物医学基础模型应用于头痛分类和生物标志物检测，使用结构MRI数据 | 样本量相对有限，仅包含721名参与者 | 开发基于脑部MRI的自动化头痛分类系统，增强临床诊断能力 | 头痛患者（偏头痛、急性创伤后头痛、持续性创伤后头痛）和健康对照者 | 计算机视觉 | 头痛疾病 | 脑部MRI | Vision Transformer (ViT) | 图像 | 721名参与者（424名健康对照来自IXI数据集，297名本地参与者包括96名偏头痛患者、48名急性创伤后头痛患者、49名持续性创伤后头痛患者和104名健康对照） | NA | Vision Transformer (ViT), BioMedCLIP | 准确率 | NA |
| 8095 | 2025-10-05 |
Automated detection and classification of cervical and anal squamous cancer precursors using deep learning and multidevice colposcopy
2025-Sep-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14514-x
PMID:41006527
|
研究论文 | 开发基于深度学习的卷积神经网络模型，用于自动检测和分类宫颈与肛门的鳞状上皮内病变 | 首次开发能够同时应用于宫颈和肛门检查的深度学习模型，并整合了来自三种不同设备的阴道镜/肛门镜检查数据 | 回顾性研究设计，样本来源仅限于三个医疗中心 | 提高宫颈和肛门鳞状上皮内病变的自动检测和分类准确性 | 宫颈和肛门的鳞状上皮内病变（LSIL和HSIL） | 计算机视觉 | 宫颈癌, 肛门癌 | 阴道镜检查, 肛门镜检查 | CNN | 图像 | 320例阴道镜和肛门镜检查，包含88,073帧图像 | NA | NA | 灵敏度, 特异度, 准确率, 阳性预测值, 阴性预测值, AUC-ROC, AUC-PR | NA |
| 8096 | 2025-10-05 |
Fine art image classification and design methods integrating lightweight deep learning
2025-Sep-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18420-0
PMID:41006708
|
研究论文 | 提出一种融合轻量级深度学习的精细艺术图像分类与设计方法 | 设计轻量级混合网络MTH，结合深度可分离卷积与多头自注意力机制，提出动态通道-空间注意力模块和跨风格特征迁移框架 | NA | 解决艺术图像分类任务中效率低和泛化能力差的问题 | 艺术图像 | 计算机视觉 | NA | 深度学习 | CNN,Transformer | 图像 | ArtBench-10和WikiArt数据集 | NA | MobileNet-Transformer Hybrid (MTH),EfficientNetV2-S,Swin Tiny | 分类准确率 | NA |
| 8097 | 2025-10-05 |
An interpretable adaptive edge-weighted graph convolutional networks model for physical fitness assessment of primary school student in high-altitude regions
2025-Sep-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18203-7
PMID:41006705
|
研究论文 | 提出一种自适应边权图卷积网络模型，用于高海拔地区小学生体质健康评估 | 首次将动态图卷积神经网络与SHAP可解释性方法结合，实现高海拔地区小学生综合体质的高精度评估和关键指标分析 | NA | 解决传统体质评估方法在处理复杂多元体能数据时泛化能力差和缺乏可解释性的问题 | 高海拔地区小学生 | 机器学习 | NA | 深度学习 | 图卷积网络 | 多元体能测试数据 | 25,790条学生记录（来自青海西宁，平均海拔3137米） | NA | 自适应边权图卷积神经网络 | 精确率, 召回率, F1分数, 宏平均F1分数 | NA |
| 8098 | 2025-10-05 |
Identification of camouflage military individuals with deep learning approaches DFAN and SINETV2
2025-Sep-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18886-y
PMID:41006701
|
研究论文 | 本研究开发了基于卷积神经网络的伪装军事人员检测方法，并创建了MSC1K数据集 | 提出了动态特征聚合网络(DFAN)和创建了包含1000张伪装人员图像的MSC1K数据集 | 未明确说明模型在极端环境或复杂背景下的泛化能力 | 开发在军事环境中检测伪装目标的方法 | 伪装军事人员、军事材料和军事行动 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 1000张伪装人员图像 | NA | DFAN, SINet-V2, SINet, ZoomNet | MAE, 精确率-召回率平衡, 结构相似性 | NA |
| 8099 | 2025-10-05 |
MedIENet: medical image enhancement network based on conditional latent diffusion model
2025-Sep-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01909-5
PMID:41013286
|
研究论文 | 提出基于条件潜在扩散模型的医学图像增强网络MedIENet，用于解决医学图像数据稀缺问题 | 在去噪U-Net骨干网络的编码器中引入多注意力模块，结合旋转位置嵌入(RoPE)和交叉注意力机制来增强位置和类别信息的捕捉 | NA | 解决医学图像数据稀缺问题，提升下游分类任务性能 | 医学图像增强和生成 | 计算机视觉 | 肺炎 | 深度学习 | 扩散模型 | 医学图像 | 三个数据集：胸部CT扫描图像、胸部X射线图像(肺炎)、舌象数据集 | NA | U-Net | AUROC | NA |
| 8100 | 2025-10-05 |
Enhanced CoAtNet based hybrid deep learning architecture for automated tuberculosis detection in human chest X-rays
2025-Sep-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01901-z
PMID:41013295
|
研究论文 | 提出一种基于增强CoAtNet的混合深度学习架构，用于人类胸部X光片的自动化结核病检测 | 结合CNN和Vision Transformer优势的CoAtNet框架，并集成LIME增强模型预测可解释性 | 仅在单一数据集(IN-CXR)上评估，未说明模型在其他数据集上的泛化能力 | 开发自动化结核病检测系统以支持医疗专业人员实现及时准确诊断 | 人类胸部X光片图像 | 计算机视觉 | 结核病 | 胸部X光成像 | CNN, Vision Transformer | 图像 | ICMR-NIRT的IN-CXR结核病数据集，包含正常和异常类别的全面CXR图像集合 | NA | CoAtNet | 准确率, ROC-AUC | NA |