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 32372 篇文献，本页显示第 8381 - 8400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8381 | 2025-06-13 |
Interpretable Multimodal Deep Ensemble Framework Dissecting Bloodbrain Barrier Permeability with Molecular Features
2025-Jun-12, The journal of physical chemistry letters
IF:4.8Q1
DOI:10.1021/acs.jpclett.5c01077
PMID:40462529
|
research paper | 提出一种多模态机器学习框架，整合分子指纹和图像特征以改善血脑屏障通透性预测 | 结合多种分子指纹和图像特征，使用堆叠集成模型和Transformer编码器、CNN及多头注意力融合机制，提升预测稳定性和可解释性 | 未提及具体样本量，可能影响模型泛化能力的验证 | 开发可解释的机器学习模型以揭示血脑屏障通透性的物理化学原理 | 血脑屏障通透性预测 | machine learning | NA | Principal Component Analysis (PCA), Shapley Additive Explanations (SHAP) | stacking ensemble model, Transformer encoder, CNN, Multi-Head Attention | molecular fingerprints (Morgan, MACCS, RDK), image features | NA | NA | NA | NA | NA |
| 8382 | 2025-06-13 |
GlycanInsight: an open platform for carbohydrate-binding pocket prediction and characterization
2025-Jun-11, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc02262b
PMID:40438170
|
research paper | 介绍了一个名为GlycanInsight的深度学习开放平台，用于预测和表征蛋白质结构上的碳水化合物结合口袋 | GlycanInsight通过深度学习技术预测碳水化合物结合口袋，并在实验结构和AlphaFold2预测结构上表现出色，同时提供口袋聚类、特征分析和配体建议功能 | 未明确提及具体限制，但可能依赖于蛋白质结构预测的准确性 | 开发一个计算工具以解决碳水化合物结合位点识别的挑战，促进糖靶向治疗的研究和设计 | 蛋白质结构上的碳水化合物结合口袋 | 生物信息学 | NA | 深度学习 | NA | 蛋白质结构数据 | 基准数据集中的实验结构 | NA | NA | NA | NA |
| 8383 | 2025-06-13 |
Hybrid Frameworks Integrating Deep Learning and Optimization Methods for Inverse Design in Nanophotonics
2025-Jun-11, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.5c03196
PMID:40445168
|
研究论文 | 本文探讨了人工智能在纳米光子学逆向设计中的混合框架，结合深度学习和经典优化技术 | 提出混合框架，结合深度学习的计算效率和泛化能力与经典优化技术的鲁棒性，实现更快收敛和更高设计效率 | 未提及具体实验验证或实际应用中的性能限制 | 推动纳米光子学逆向设计领域的发展，探索可扩展且实用的创新方法 | 纳米光子器件，如超表面和其他纳米光子设备 | 纳米光子学 | NA | 深度学习、伴随方法、进化算法、物理信息神经网络 | 混合框架（深度学习与优化方法结合） | NA | NA | NA | NA | NA | NA |
| 8384 | 2025-06-13 |
Asymmetric Braided Artificial Muscles with Precise Electrothermal Actuation Control Enabled by Deep Learning
2025-Jun-11, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.5c05636
PMID:40447577
|
研究论文 | 本研究提出了一种新型的非对称编织方法，结合碳纳米管纱线和液晶弹性体纤维，制造出一种电热纤维形状执行器，并在空气和水中展示了卓越的执行性能 | 采用非对称编织方法结合碳纳米管纱线和液晶弹性体纤维，制造出高性能电热执行器，并应用LSTM模型提升其控制精度 | 未提及样本量或实验的具体限制条件 | 开发高性能且可控的人工肌肉执行器 | 电热纤维形状执行器 | 柔性机器人 | NA | Maypole编织机、电热驱动 | LSTM | NA | NA | NA | NA | NA | NA |
| 8385 | 2025-06-13 |
DRLSurv: Disentangled Representation Learning for Cancer Survival Prediction by Mining Multimodal Consistency and Complementarity
2025-Jun-11, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3578859
PMID:40498625
|
研究论文 | 提出了一种名为DRLSurv的新型多模态深度学习方法，用于精确预测癌症生存率，通过挖掘多模态数据的一致性和互补性 | 利用解耦表示学习技术，将每种模态分解为模态不变和模态特定的表示，并创新性地引入了基于子空间的邻近对比损失和再解耦损失 | 未明确提及具体局限性 | 提高癌症生存预测的准确性，为制定最佳治疗计划和提供个体化护理提供支持 | 癌症患者的多模态数据（如组织病理学图像和基因组数据） | 数字病理学 | 癌症 | 解耦表示学习 | 深度学习 | 多模态数据（图像和基因组数据） | NA | NA | NA | NA | NA |
| 8386 | 2025-06-13 |
Dynamic Instance-level Graph Learning Network of Intracranial Electroencephalography Signals for Epileptic Seizure Prediction
2025-Jun-11, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3578627
PMID:40498623
|
research paper | 提出了一种动态实例级图学习网络（DIGLN），用于癫痫发作预测，通过颅内脑电图（iEEG）信号建模动态因果关系 | DIGLN通过分组时序神经网络和图结构学习方法捕获通道内和通道间的因果关系，并引入图形交互回写技术实现双向因果关系建模 | 实验仅在Freiburg iEEG数据集上进行验证，未在其他数据集上测试泛化能力 | 开发一种能够准确识别癫痫iEEG信号中动态因果关系的新型深度学习模型 | 癫痫患者的颅内脑电图（iEEG）信号 | 脑机接口 | 癫痫 | 深度学习 | DIGLN（动态实例级图学习网络） | iEEG信号 | Freiburg iEEG数据集 | NA | NA | NA | NA |
| 8387 | 2025-06-13 |
DeepHeme, a high-performance, generalizable deep ensemble for bone marrow morphometry and hematologic diagnosis
2025-Jun-11, Science translational medicine
IF:15.8Q1
DOI:10.1126/scitranslmed.adq2162
PMID:40498857
|
research paper | 开发了一个名为DeepHeme的高性能深度学习集成模型，用于骨髓形态测量和血液学诊断 | DeepHeme在准确性和可区分细胞类别数量上超越了现有模型，并展示了强大的跨数据集泛化能力 | 模型性能验证依赖于特定医疗机构的有限数据集，可能需要更多外部验证 | 提高骨髓细胞形态学自动分类的效率和准确性，以辅助血液学诊断 | 骨髓抽吸物(BMA)的细胞形态学图像 | digital pathology | hematological disorders | deep learning | snapshot ensemble | image | 训练集30,394张图像(40名正常骨髓患者)，测试集8,507张图像(10名不同患者)，外加外部验证集13,770张图像(665名正常/患病患者) | NA | NA | NA | NA |
| 8388 | 2025-06-13 |
Non-enhanced CT deep learning model for differentiating lung adenocarcinoma from tuberculoma: a multicenter diagnostic study
2025-Jun-11, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11721-y
PMID:40500528
|
research paper | 该研究开发并验证了一个基于三维特征的深度学习模型（DL_3D），用于区分肺腺癌（LUAD）和结核瘤（TBM） | 提出了基于视觉Transformer网络的DL_3D模型，在非增强CT图像上区分LUAD和TBM，性能优于二维特征模型、放射组学模型和六位放射科医生 | 样本量相对有限，且仅来自三个医院，可能存在选择偏差 | 开发一种深度学习模型，用于在非增强CT图像上区分肺腺癌和结核瘤 | 肺腺癌（LUAD）和结核瘤（TBM）患者 | digital pathology | lung cancer | 非增强CT成像 | vision transformer network | CT图像 | 1160名患者（840名训练集，210名验证集，110名外部测试集） | NA | NA | NA | NA |
| 8389 | 2025-06-13 |
Developing a Deep Learning Radiomics Model Combining Lumbar CT, Multi-Sequence MRI, and Clinical Data to Predict High-Risk Adjacent Segment Degeneration Following Lumbar Fusion: A Retrospective Multicenter Study
2025-Jun-09, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682251342531
PMID:40488256
|
研究论文 | 开发并验证了一个结合临床数据、深度学习放射组学特征和腰椎CT及多序列MRI的模型，用于预测腰椎融合术后高风险邻近节段退变患者 | 结合了临床数据、深度学习放射组学特征和传统放射组学特征，使用Vision Transformer 3D深度学习模型，以及多层感知器算法，显著提高了预测性能 | 研究为回顾性设计，样本量相对较小，外部测试队列仅包含30例患者 | 预测腰椎融合术后高风险邻近节段退变患者 | 305例接受腰椎融合手术的患者 | 数字病理 | 腰椎疾病 | 深度学习放射组学(DLR), LASSO回归, 多种机器学习算法 | Vision Transformer 3D, 线性支持向量机, AdaBoost, 多层感知器 | CT图像, MRI图像, 临床数据 | 305例患者（训练队列192例，内部验证队列83例，外部测试队列30例） | NA | NA | NA | NA |
| 8390 | 2025-06-13 |
Transfer learning for accurate brain tumor classification in MRI: a step forward in medical diagnostics
2025-Jun-09, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-02671-4
PMID:40490586
|
研究论文 | 该研究提出了一种利用迁移学习（TL）和深度学习模型（AlexNet、MobileNetV2和GoogleNet）对MRI图像中的脑肿瘤进行分类的新方法 | 与以往研究不同，本研究综合比较了多种深度学习架构，并针对脑肿瘤分类进行了微调，同时解决了类别不平衡问题，并利用轻量级架构提高了模型效率 | NA | 提高脑肿瘤分类的准确性，以辅助医生做出快速和精确的诊断决策 | MRI图像中的脑肿瘤（包括神经胶质瘤、脑膜瘤和垂体瘤）以及正常脑部图像 | 数字病理学 | 脑肿瘤 | 迁移学习（TL） | AlexNet、MobileNetV2、GoogleNet | 图像 | 4,517张MRI扫描图像（包括1,129张神经胶质瘤、1,134张脑膜瘤、1,138张垂体瘤和1,116张正常脑部图像） | NA | NA | NA | NA |
| 8391 | 2025-06-13 |
Pod-pose : an efficient top-down keypoint detection model for fine-grained pod phenotyping in mature soybean
2025-Jun-09, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01399-0
PMID:40490832
|
研究论文 | 提出了一种名为Pod-pose的顶部关键点检测模型，用于精确测量成熟大豆豆荚的表型特征 | 将人体姿态估计技术应用于植物表型分析，通过瓶颈结构优化和位置特征增强整合了多种先进YOLO模型的架构优势，并采用两阶段检测方法和迁移学习显著提升模型性能 | 未提及模型在其他作物或更大规模数据集上的泛化能力 | 开发高效准确的大豆豆荚表型特征提取方法以支持大豆育种优化 | 成熟大豆豆荚 | 计算机视觉 | NA | 深度学习、关键点检测、迁移学习 | YOLO系列模型的改进版本（Pod-pose） | 图像 | 自定义数据集（具体数量未提及） | NA | NA | NA | NA |
| 8392 | 2025-06-13 |
To Fly, or Not to Fly, That Is the Question: A Deep Learning Model for Peptide Detectability Prediction in Mass Spectrometry
2025-Jun-06, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.4c00973
PMID:40344201
|
research paper | 该研究开发了一个名为Pfly的深度学习模型，用于预测质谱中肽的可检测性 | Pfly是一个基于肽序列的深度学习模型，具有高适应性，可根据特定实验条件定制，提高了预测准确性并在不同研究领域中扩展了应用范围 | 模型最初在合成肽库上训练，可能存在偏向合成性的偏差，尽管后续通过生物数据集进行了微调 | 开发一个通用的、可定制的工具，用于预测质谱中肽的可检测性 | 肽序列及其在质谱中的可检测性 | machine learning | NA | 质谱 | encoder-decoder with attention mechanism | 肽序列数据 | 合成肽库和生物数据集 | NA | NA | NA | NA |
| 8393 | 2025-06-13 |
Comparative analysis of convolutional neural networks and vision transformers in identifying benign and malignant breast lesions
2025-Jun-06, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000042683
PMID:40489850
|
研究论文 | 比较分析卷积神经网络和视觉变换器在识别乳腺良恶性病变中的性能 | 系统比较了12种深度学习模型在乳腺动态对比增强磁共振成像图像分类中的表现，并分析了关键超参数的影响 | ResNet152和ViT模型在小规模乳腺动态对比增强磁共振成像数据集上的表现不佳，数据增强在某些模型中意外降低了准确率 | 为乳腺动态对比增强磁共振成像图像分类研究建立可靠的基准 | 乳腺动态对比增强磁共振成像图像 | 计算机视觉 | 乳腺癌 | 动态对比增强磁共振成像 | CNN, Vision Transformer (ViT), ResNet, VGG | 图像 | NA | NA | NA | NA | NA |
| 8394 | 2025-06-13 |
Multitask deep learning model based on multimodal data for predicting prognosis of rectal cancer: a multicenter retrospective study
2025-Jun-05, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03050-3
PMID:40474195
|
研究论文 | 开发并验证了一种基于多模态数据的多任务深度学习模型，用于预测直肠癌患者的预后 | 模型整合了临床病理数据和多参数MRI图像，无需进行肿瘤分割，同时预测复发/转移和无病生存期 | 回顾性研究设计可能引入选择偏倚，且样本量相对有限 | 开发预测直肠癌患者预后的深度学习模型 | 直肠癌患者 | 数字病理 | 直肠癌 | 多参数MRI（包括扩散峰度成像） | 多任务深度学习模型 | 临床病理数据和MRI图像 | 321名直肠癌患者（训练集212例，内部测试集53例，外部测试集56例） | NA | NA | NA | NA |
| 8395 | 2025-10-06 |
Enhancing Lesion Detection in Inflammatory Myelopathies: A Deep Learning-Reconstructed Double Inversion Recovery MRI Approach
2025-Jun-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8582
PMID:39542724
|
研究论文 | 本研究评估深度学习重建双反转恢复MRI在炎症性脊髓病病变检测中的效果 | 首次评估深度学习重建的3D双反转恢复成像在炎症性脊髓病中的应用，实现了49%的采集时间减少和37%的病变检测率提升 | 研究为观察性设计，样本量相对有限(149例)，且仅由三位神经放射科医师评估 | 比较传统T2WI、标准DIR和DL重建DIR在炎症性脊髓病中的采集时间、图像质量、诊断信心和病变检测率 | 确诊为炎症性脊髓病的患者 | 医学影像分析 | 炎症性脊髓病 | MRI, 双反转恢复成像, 深度学习重建 | 深度学习 | 医学影像 | 149名参与者(平均年龄40.6岁，71名女性) | NA | NA | 采集时间, 图像质量评分, 信噪比, 锐度, 伪影, 诊断信心, 病变检测率 | NA |
| 8396 | 2025-10-06 |
Deep Learning Approaches for Brain Tumor Detection and Classification Using MRI Images (2020 to 2024): A Systematic Review
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01283-8
PMID:39349785
|
系统综述 | 对2020年至2024年间基于深度学习的脑肿瘤MRI图像检测与分类方法进行系统性回顾 | 全面梳理了近四年深度学习在脑肿瘤诊断领域的最新进展，涵盖迁移学习、自编码器、Transformer和注意力机制等多种先进技术 | 仅涵盖2020-2024年初的文献，可能未包含最新研究成果；分析基于已有文献的二次总结 | 系统回顾深度学习在脑肿瘤检测与分类中的应用，提供分析比较和未来方向 | 脑肿瘤患者的MRI图像 | 计算机视觉 | 脑肿瘤 | MRI成像 | 深度学习 | 医学图像 | 基于60篇研究文献的系统回顾 | NA | Transformer, 自编码器, 注意力机制 | NA | NA |
| 8397 | 2025-10-06 |
Automatic bone marrow segmentation for precise [177Lu]Lu-PSMA-617 dosimetry
2025-Jun, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17684
PMID:39935268
|
研究论文 | 开发基于深度学习的自动骨髓分割方法用于[177Lu]Lu-PSMA-617治疗的精确剂量测定 | 首次将X-means聚类应用于基于CT图像的骨髓分割，相比传统方法展现出更好的性能 | 样本量较小（10名患者，30个治疗周期），需要更大规模验证 | 开发自动骨髓分割方法以实现个性化骨髓剂量测定 | 转移性去势抵抗性前列腺癌患者 | 医学影像分析 | 前列腺癌 | SPECT/CT成像，X-means聚类 | 深度学习 | CT图像，SPECT图像 | 10名患者，30个治疗周期 | NA | NA | Dice相似系数，平均绝对误差，Bland-Altman分析，Wilcoxon符号秩检验，Pearson相关分析 | NA |
| 8398 | 2025-10-06 |
A comparative analysis of deep learning architectures with data augmentation and multichannel input for locoregional breast cancer radiotherapy
2025-Jun, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70047
PMID:39980269
|
研究论文 | 比较不同深度学习架构在乳腺癌放疗剂量预测中的性能，评估计算效率与预测准确性的平衡 | 首次系统比较2D和3D U-Net模型在乳腺癌放疗剂量预测中的表现，特别关注数据增强和多通道输入对模型性能的影响 | 研究仅基于89例乳腺癌患者数据，样本量相对有限；仅比较了特定几种U-Net变体 | 评估计算量较小的深度学习模型在乳腺癌放疗剂量预测中的适用性 | 89例局部区域性乳腺癌患者的放疗计划数据 | 医学影像分析 | 乳腺癌 | 深度学习剂量预测 | U-Net | 医学影像数据 | 89例乳腺癌患者 | NA | 2D Attention U-Net, 2D HD U-Net, 3D U-Net | PTV临床目标达成率, PTVn1n2 D98%, 器官风险目标达成率 | NA |
| 8399 | 2025-10-06 |
A review of artificial intelligence in brachytherapy
2025-Jun, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70034
PMID:40014044
|
综述 | 本文全面回顾了人工智能在近距离放射治疗领域的应用现状与发展前景 | 系统性地将AI在近距离放疗中的应用分为七大类并建立详细分类框架，涵盖从影像学到实时监测的全流程 | 讨论了当前AI应用的局限性、挑战和伦理问题 | 探讨人工智能如何使近距离放疗更加个性化、高效和有效 | 近距离放射治疗流程 | 医疗人工智能 | 癌症 | 机器学习，深度学习 | NA | 医疗影像，治疗计划数据 | NA | NA | NA | NA | NA |
| 8400 | 2025-10-06 |
Deep learning framework for interpretable quality control of echocardiography video
2025-Jun, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17722
PMID:40038091
|
研究论文 | 开发用于超声心动图视频自动质量控制的深度学习框架 | 提出多任务网络架构，同时分析心脏周期完整性、解剖结构、深度、心脏轴角度和增益参数 | 仅基于1331个超声心动图视频进行训练和测试，样本规模有限 | 实现超声心动图视频的自动化质量控制，减少人工评估的主观性 | 超声心动图视频 | 计算机视觉 | 心血管疾病 | 超声心动图 | CNN, Bi-LSTM | 视频 | 1331个超声心动图视频 | NA | CNN骨干网络，双向LSTM，定向目标检测头，分类头 | 平均精度，平均帧误差，AUC，kappa系数，处理速度 | NA |