深度学习在生物医药领域中的应用
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，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10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 31626 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2025-09-18 |
Artificial Intelligence in Orthopaedic and Trauma Surgery Education: Applications, Ethics, and Future Perspectives
2025-Sep-01, Journal of the American Academy of Orthopaedic Surgeons. Global research & reviews
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 802 | 2025-09-20 |
Artificial Intelligence in Neovascular Age-Related Macular Degeneration
2025-Sep, Klinische Monatsblatter fur Augenheilkunde
IF:0.8Q4
DOI:10.1055/a-2413-6782
PMID:39260410
|
综述 | 本文综述人工智能在新生血管性年龄相关性黄斑变性（nAMD）管理中的应用，包括诊断、预测疾病进展和治疗效果 | 深度学习模型在nAMD检测、疾病进展预测和治疗结果预测方面展现出卓越准确性，并在某些领域有潜力超越人类专家 | 面临数据集规模不足、临床工作流程整合困难以及AI预测在不同人群中的泛化能力等挑战 | 探索AI在nAMD管理中的整合与应用，以提升诊断准确性和治疗个性化 | 新生血管性年龄相关性黄斑变性（nAMD）患者及相关临床数据 | 数字病理学 | 老年性疾病 | 深度学习（DL） | 深度学习模型 | 医学影像数据 | NA |
| 803 | 2025-09-20 |
Automatic Segmentation of Primary Central Nervous System Lymphoma at Clinical Routine Postcontrast T1-weighted MRI
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.240446
PMID:40970793
|
研究论文 | 开发并验证基于深度学习的模型，用于临床常规对比增强T1加权MRI中原发性中枢神经系统淋巴瘤的自动分割 | 首次基于nnU-Net框架实现多中心PCNSL自动分割，并在内部和外部数据集上验证模型鲁棒性 | 对边界不清的毫米级多发病灶分割精度略有下降 | 提升原发性中枢神经系统淋巴瘤的MRI影像自动分割精度 | 经病理证实的免疫活性PCNSL患者 | 数字病理 | 淋巴瘤 | 对比增强T1加权MRI | nnU-Net | 医学影像 | 135例患者（内部数据集87例，外部数据集48例） |
| 804 | 2025-09-20 |
An MRI Histopathology-based Deep Learning Approach for the Classification of Prostate Cancer
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.250466
PMID:40970800
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 805 | 2025-09-20 |
Deep Learning Classification of Prostate Cancer Using MRI Histopathologic Data
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.240381
PMID:40970801
|
研究论文 | 本研究评估了基于深度学习的MRI组织病理学数据在前列腺癌分类中的诊断能力 | 开发了新型人工智能分析方法，通过空间上下文集成提升分类性能并实现病灶大小估计 | 回顾性研究，数据收集于2009-2011年，需要进一步临床验证 | 评估MR组织病理学在前列腺癌识别中的诊断能力并指导临床成像参数选择 | 根治性前列腺切除术标本的组织学切片 | 数字病理学 | 前列腺癌 | MR组织病理学(MRH)，MR光谱 | 神经网络 | 图像 | 2009-2011年期间收集的前列腺癌根治术标本组织切片数据集 |
| 806 | 2025-09-20 |
CircCode3: integrating deep learning to mine and evaluate translatable circular RNAs from ribosome profiling sequencing and mass spectrometry data
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf458
PMID:40966647
|
研究论文 | 开发了一个集成分析流程CircCode3，用于从高通量测序数据中挖掘可翻译的环状RNA并评估其开放阅读框 | 整合了深度学习工具DeepCircm6A和DLMSC，用于预测m6A修饰位点和评估终止密码子可靠性，显著提升了现有工具的功能 | NA | 准确识别可翻译环状RNA及其开放阅读框 | 环状RNA（circRNAs） | 生物信息学 | NA | 核糖体分析测序、质谱数据、高通量测序 | 深度学习 | 测序数据、质谱数据 | NA |
| 807 | 2025-09-20 |
Single-View Echocardiographic Analysis for Left Ventricular Outflow Tract Obstruction Prediction in Hypertrophic Cardiomyopathy: A Deep Learning Approach
2025-Aug-16, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2025.08.008
PMID:40825382
|
研究论文 | 本研究开发了一种基于深度学习的模型，仅使用经胸超声心动图的胸骨旁长轴视图来预测肥厚型心肌病患者的严重左心室流出道梗阻 | 首次利用单一视图（PLAX）结合深度学习技术预测LVOTO，无需传统多视图、多普勒或激发试验，在资源有限环境下具有重要应用价值 | 研究基于特定医疗中心的数据，外部验证性能虽好但仍需更多多样化数据验证泛化能力 | 开发并验证一种深度学习模型，用于肥厚型心肌病中左心室流出道梗阻的预测与评估 | 肥厚型心肌病患者 | 数字病理 | 心血管疾病 | 经胸超声心动图（TTE） | 深度学习模型 | 视频 | 开发数据集n=1007，内部测试集n=87，外部验证集n=1334，治疗响应数据集n=156 |
| 808 | 2025-09-20 |
Learning in PINNs: Phase transition, diffusion equilibrium, and generalization
2025-Aug-14, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107983
PMID:40884895
|
研究论文 | 通过神经梯度信噪比研究全连接神经网络的学习动态，识别扩散平衡相并提出样本重加权方案以提升泛化能力 | 提出扩散平衡（DE）相概念，发现梯度方向对齐和残差同质性对泛化的关键作用，并设计针对问题样本的优化策略 | 主要基于二次损失函数和物理信息神经网络（PINNs）的实验验证，普适性需进一步研究 | 探究非凸目标中一阶优化器的学习动态及泛化机制 | 全连接神经网络及其优化过程 | machine learning | NA | 神经梯度信噪比（SNR）分析 | 全连接神经网络 | NA | NA |
| 809 | 2025-09-20 |
Intelligent deep learning-based disease monitoring system in 5G network using multi-disease big data
2025-Aug, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2310785
PMID:38334127
|
研究论文 | 提出一种基于智能深度学习的疾病监测系统，利用5G网络和多疾病大数据进行实时疾病预测 | 开发了MPPP-SSGSO优化算法用于调参和模糊隶属函数优化，并采用集成提升模型与模糊分类器结合进行疾病分类 | NA | 构建高效的实时疾病监测系统以降低死亡率 | 从患者收集的多疾病大数据 | 机器学习 | 多疾病 | 数据预处理（对比度增强、中值滤波等），特征提取 | 1D-CNN, AdaBoost, XGBoost, CatBoost, 模糊分类器 | 从可穿戴医疗设备收集的传感器数据 | NA |
| 810 | 2025-09-20 |
Role of Artificial Intelligence in Critical Care Medicine: A Literature Review
2025-Aug, Cureus
DOI:10.7759/cureus.90149
PMID:40959327
|
文献综述 | 本文综述了人工智能在重症监护医学中的应用及其潜力 | 总结了AI在ICU中预测患者恶化事件、提升影像诊断准确性和优化监测算法的最新进展 | NA | 概述人工智能在重症监护领域的当前证据和应用前景 | 重症监护病房（ICU）产生的多模态医疗数据 | 医疗人工智能 | 重症疾病 | 机器学习和深度学习 | ML和DL模型 | 多模态数据流（生命体征波形、实验室结果、临床记录等） | NA |
| 811 | 2025-09-20 |
A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT
2025-Jul-24, ArXiv
PMID:40969484
|
研究论文 | 本研究系统评估解剖学先验知识对基于深度学习的腹部CT中嗜铬细胞瘤分割性能的提升效果 | 提出基于器官特异性解剖先验的多类别标注策略，显著优于传统的全身区域先验方法 | 样本量相对有限（105例CT扫描），仅基于单中心数据 | 改进嗜铬细胞瘤的自动分割精度以支持临床评估和疾病监测 | 腹部CT扫描中的嗜铬细胞瘤病灶 | 医学图像分析 | 嗜铬细胞瘤 | CT成像 | nnU-Net | 3D医学图像 | 91名患者的105例增强CT扫描 |
| 812 | 2025-09-20 |
Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis
2025-Jul-16, ArXiv
PMID:40969490
|
研究论文 | 提出并评估用于多发性硬化皮质病变MRI分割的深度学习模型基准 | 首个针对皮质病变检测与分割的多中心综合基准，结合模型可解释性分析和泛化能力验证 | 数据来自有限机构（4个），域外测试F1分数降至0.5，显示泛化能力仍有提升空间 | 开发标准化自动方法以促进多发性硬化皮质病变的临床整合 | 多发性硬化患者的皮质病变 | 医学图像分析 | 多发性硬化 | MRI（MP2RAGE和MPRAGE序列） | nnU-Net | MRI图像 | 656份MRI扫描（来自4家机构的临床试验和研究数据） |
| 813 | 2025-09-20 |
MuST: multiple-modality structure transformation for single-cell spatial transcriptomics
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf405
PMID:40874816
|
研究论文 | 提出一种名为MuST的多模态结构转换方法，用于解决空间转录组数据中的模态偏差问题 | 通过拓扑发现策略和拓扑融合损失函数整合多模态信息到统一潜在空间，有效协调不同模态间的不一致性 | NA | 解决空间转录组技术中的模态偏差现象，提升多模态数据在下游任务中的分析效果 | 空间转录组数据，包括转录组、空间和形态学多模态信息 | 生物信息学 | NA | 空间转录组技术，深度学习 | 深度学习模型 | 多模态数据（转录组、空间、形态学） | NA |
| 814 | 2025-09-20 |
Fluctuation structure predicts genome-wide perturbation outcomes
2025-Jul-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.27.661814
PMID:40631127
|
研究论文 | 提出CIPHER框架，利用未扰动细胞中的基因共波动预测全基因组扰动响应 | 首次将统计物理学的线性响应理论应用于功能基因组学，通过基线基因协方差结构预测扰动结果 | NA | 开发理论驱动模型以解释单细胞扰动筛选数据并预测全基因组响应 | 基因表达波动和扰动响应 | 功能基因组学 | NA | 单细胞扰动筛选，贝叶斯推断 | 线性响应理论框架 | 单细胞基因表达数据 | 11个大规模数据集，4,234次扰动，超过136万细胞 |
| 815 | 2025-09-20 |
Remaining Useful Life Prediction for Rolling Bearings Based on TCN-Transformer Networks Using Vibration Signals
2025-Jun-05, Sensors (Basel, Switzerland)
DOI:10.3390/s25113571
PMID:40719529
|
研究论文 | 提出一种基于TCN-Transformer网络和振动信号的滚动轴承剩余使用寿命预测方法 | 开发了TCN-Transformer网络，能有效学习和整合振动信号的局部和全局特征，解决RUL预测中的长时间序列预测问题 | NA | 提高滚动轴承剩余使用寿命预测的准确性 | 滚动轴承 | 机器学习和预测性维护 | NA | 振动信号分析、特征提取、深度学习 | TCN-Transformer | 振动信号（时域和频域特征） | 使用IEEE PHM 2012数据挑战数据集进行验证 |
| 816 | 2025-09-20 |
Harnessing Deep Learning for Accurate Pathological Assessment of Brain Tumor Cell Types
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01107-9
PMID:39150595
|
研究论文 | 利用深度学习模型结合预训练网络和SVM分类器，实现对脑肿瘤病理图像的高精度分类 | 采用预训练Resnet50提取深度特征并结合SVM进行分类，在脑肿瘤分类中达到97.4%的准确率 | 基于有限医学影像数据，未提及外部验证或临床前瞻性研究 | 区分原发性弥漫性中枢神经系统大B细胞淋巴瘤和高级别胶质瘤，辅助病理诊断 | 脑肿瘤病理图像 | 数字病理 | 脑肿瘤 | 深度学习，图像分类 | CNN (Resnet50) + SVM | 图像 | 未明确样本数量，采用十倍交叉验证 |
| 817 | 2025-09-20 |
MEF2C controls segment-specific gene regulatory networks that direct heart tube morphogenesis
2025-Mar-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.01.621613
PMID:39554149
|
研究论文 | 本研究通过单细胞多组学分析揭示了转录因子MEF2C在心脏管形态发生中调控节段特异性基因调控网络的作用 | 首次构建了野生型与MEF2C缺失胚胎的心脏发育轨迹，并利用深度学习模型识别了节段特异性增强子 | 研究主要基于斑马鱼模型，在哺乳动物中的普适性仍需验证 | 解析早期心脏形成过程中谱系特异性基因调控网络 | 野生型与MEF2C缺失斑马鱼胚胎的心脏发育过程 | 发育生物学 | 先天性心脏病 | 单核RNA测序、ATAC测序、多组学整合分析 | 深度学习模型 | 基因组学数据、表观遗传学数据 | 野生型与MEF2C缺失斑马鱼胚胎的时间序列样本 |
| 818 | 2025-09-20 |
High-Risk Sequence Prediction Model in DNA Storage: The LQSF Method
2025-01, IEEE transactions on nanobioscience
IF:3.7Q3
DOI:10.1109/TNB.2024.3424576
PMID:38976468
|
研究论文 | 提出一种基于深度学习的LQSF方法，用于DNA存储中高风险序列的预测和过滤 | 首次将深度学习模型应用于DNA存储编码阶段的主动序列过滤，替代传统被动纠错方法 | NA | 提高DNA存储技术在合成和测序过程中的错误纠正效率 | DNA序列 | 机器学习 | NA | 深度学习，Illumina测序 | AlexNet, VGG16, VGG19 | 序列数据 | 多个神经网络和测试集上的广泛训练和验证 |
| 819 | 2025-09-20 |
Unlocking the potential of AI: Machine learning and deep learning models for predicting carcinogenicity of chemicals
2025, Journal of environmental science and health. Part C, Toxicology and carcinogenesis
DOI:10.1080/26896583.2024.2396731
PMID:39228157
|
综述 | 本文综述了利用机器学习和深度学习模型预测化学物质致癌性的研究进展 | 系统比较了传统机器学习与深度学习模型在致癌性预测中的性能，并强调高质量大数据集的重要性 | 深度学习模型受限于现有致癌性数据集的规模 | 评估和比较不同AI模型在化学物质致癌性预测中的应用效果 | 化学物质 | 机器学习 | 癌症 | 机器学习，深度学习 | SVM, Random Forest, 集成学习, FNN, CNN, GCN, Capsule Net, 混合神经网络 | 化学数据 | NA |
| 820 | 2025-09-20 |
Automated Brain Tumor segmentation using hybrid YOLO and SAM
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种结合YOLO和SAM的混合深度学习框架，用于脑肿瘤的自动分割与诊断 | 首次将YOLOv11实时目标检测与SAM精确分割模型结合，并通过增强CNN骨干网络实现鲁棒特征提取 | NA | 开发自动化脑肿瘤早期检测与诊断系统 | 脑部MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | 深度学习 | CNN, YOLOv11, SAM | MRI图像 | 896张脑部MRI图像（包含肿瘤和健康脑部图像） |