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 32801 篇文献，本页显示第 8521 - 8540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8521 | 2025-10-06 |
VirulentHunter: deep learning-based virulence factor predictor illuminates pathogenicity in diverse microbial contexts
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf271
PMID:40518950
|
研究论文 | 开发基于深度学习的毒力因子预测工具VirulentHunter，能够直接从蛋白质序列中识别和分类毒力因子 | 首次将预训练蛋白质语言模型微调应用于毒力因子识别和功能分类，解决了传统同源性方法无法识别新型或分歧毒力因子的局限性 | NA | 开发更准确的毒力因子预测方法，以更好地理解微生物致病性 | 细菌毒力因子，特别是结核分枝杆菌和鸟分枝杆菌的比较分析，以及炎症性肠病患者肠道微生物组的毒力因子分析 | 生物信息学 | 传染病 | 深度学习，蛋白质语言模型，宏基因组分析 | 深度学习 | 蛋白质序列，基因组数据，宏基因组数据 | NA | NA | 预训练蛋白质语言模型 | 基准测试性能比较 | NA |
| 8522 | 2025-10-06 |
Progress, Pitfalls, and Impact of AI-Driven Clinical Trials
2025-Apr, Clinical pharmacology and therapeutics
DOI:10.1002/cpt.3542
PMID:39722473
|
观点文章 | 本文探讨了人工智能在药物发现与开发领域的进展、挑战和潜在影响 | 系统分析了AI驱动临床试验面临的障碍并指出未来发展机遇 | NA | 研究人工智能在药物发现和开发中的应用现状与前景 | AI驱动的药物发现与开发过程 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 8523 | 2025-10-06 |
Multistage deep learning for classification of Helicobacter pylori infection status using endoscopic images
2025-Apr, Journal of gastroenterology
IF:6.9Q1
DOI:10.1007/s00535-024-02209-5
PMID:39815116
|
研究论文 | 开发了一种多阶段深度学习方法来自动分类幽门螺杆菌感染状态 | 提出新的多阶段深度学习架构用于幽门螺杆菌感染状态分类，性能优于医生诊断 | 样本量相对有限（训练集538例，验证集146例） | 开发自动分类幽门螺杆菌感染状态的深度学习系统 | 幽门螺杆菌感染状态（未感染、当前感染、根除后） | 计算机视觉 | 幽门螺杆菌感染 | 深度学习 | 深度学习 | 内窥镜图像 | 训练集538例，验证集146例 | NA | 多阶段深度学习 | 准确率 | NA |
| 8524 | 2025-10-06 |
Real-time target localization on 1.5 T magnetic resonance imaging linac orthogonal cine images using transfer learning
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100789
PMID:40524739
|
研究论文 | 本研究探讨了基于深度学习的肿瘤跟踪模型在1.5T MRI引导放疗中的适用性，并通过迁移学习提升性能 | 将0.35T MRI-linac训练的模型迁移应用于1.5T正交电影MRI系统，并开发患者特异性迁移学习策略 | 样本量有限（24名患者），未直接比较不同磁场强度模型的普适性 | 开发适用于1.5T MRI-linac正交电影图像的实时肿瘤定位方法 | 接受1.5T MRI-linac治疗的24名患者的肿瘤区域 | 医学影像分析 | 肿瘤疾病 | 电影MRI，迁移学习 | Transformer | 电影MRI图像 | 24名患者（验证集10人，测试集14人）的3600帧电影MRI图像 | NA | 基于Transformer的形变模型 | Dice相似系数，表面距离（SD50%，SD95%），负雅可比行列式百分比 | NA |
| 8525 | 2025-10-06 |
Using deep convolutional networks combined with signal processing techniques for accurate prediction of surface quality
2025-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92114-5
PMID:40021768
|
研究论文 | 本研究提出了一种结合深度学习与信号处理技术来预测铣削零件表面粗糙度的框架 | 创新性地将声发射信号通过四种编码技术转换为二维图像，并系统比较了不同卷积神经网络在表面粗糙度预测中的性能 | NA | 开发准确预测铣削零件表面粗糙度的数据驱动方法 | 铣削加工过程中的声发射信号和表面粗糙度 | 机器学习和信号处理 | NA | 声发射信号采集、信号编码技术（SSPC、SSSC、SSSC*、RP） | CNN, LSTM | 声发射信号转换的二维图像 | NA | NA | VGG16, ResNet18, ShuffleNet, CNN-LSTM | 准确率 | NA |
| 8526 | 2025-10-06 |
Coinciding Diabetic Retinopathy and Diabetic Macular Edema Grading With Rat Swarm Optimization Algorithm for Enhanced Capsule Generation Adversarial Network
2025-Feb, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.24709
PMID:39487733
|
研究论文 | 提出一种结合鼠群优化算法的增强胶囊生成对抗网络，用于糖尿病视网膜病变和糖尿病黄斑水肿的联合分级 | 首次将鼠群优化算法与增强胶囊生成对抗网络结合，用于DR和DME的联合分级任务 | 使用ISBI 2018不平衡数据集，可能影响模型在平衡数据上的泛化能力 | 开发自动化的糖尿病眼病分级系统以实现早期诊断 | 糖尿病视网膜病变和糖尿病黄斑水肿患者 | 计算机视觉 | 糖尿病眼病 | 眼底图像分析 | GAN, Capsule Network | 图像 | ISBI 2018 IDRiD不平衡数据集 | Python | 增强胶囊生成对抗网络 | 准确率 | NA |
| 8527 | 2025-10-06 |
Potential value of novel multiparametric MRI radiomics for preoperative prediction of microsatellite instability and Ki-67 expression in endometrial cancer
2025-01-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87966-w
PMID:39863695
|
研究论文 | 开发了一种新型混合放射组学方法，用于术前预测子宫内膜癌的微卫星不稳定性和Ki-67表达 | 首次将多参数MRI、深度学习和多通道图像分析相结合，采用新兴注意力机制提取特征 | 回顾性研究，样本量有限（156例患者） | 预测子宫内膜癌的微卫星不稳定性和Ki-67表达状态 | 子宫内膜癌患者 | 数字病理 | 子宫内膜癌 | 多参数磁共振成像 | XGBoost | 医学影像 | 156例子宫内膜癌患者 | NA | 注意力机制 | AUC,准确率 | NA |
| 8528 | 2025-10-06 |
The tumour histopathology "glossary" for AI developers
2025-Jan, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1012708
PMID:39847582
|
综述 | 本文为AI开发者提供肿瘤组织病理学基础概念指南，旨在促进人工智能在癌症研究中的应用 | 首次系统性地为计算研究人员构建肿瘤组织病理学知识框架，涵盖细胞类型识别、肿瘤微环境等核心概念 | 未涉及具体的AI算法实现细节，主要侧重于基础概念传授 | 弥合计算科学与组织病理学之间的知识鸿沟，加速AI在癌症研究中的转化应用 | AI开发者与计算研究人员 | 数字病理 | 肿瘤 | HE染色, 免疫组织化学, 多重抗体染色 | NA | 组织病理学图像 | NA | NA | NA | NA | NA |
| 8529 | 2025-10-06 |
Rapid response to fast viral evolution using AlphaFold 3-assisted topological deep learning
2025, Virus evolution
IF:5.5Q1
DOI:10.1093/ve/veaf026
PMID:40352163
|
研究论文 | 提出一种结合AlphaFold 3和拓扑深度学习的多任务策略，用于快速预测病毒突变对蛋白质相互作用和结合自由能的影响 | 首次将AlphaFold 3与多任务拓扑拉普拉斯模型结合，无需实验结构即可预测病毒突变效应 | 与实验结构相比，性能存在轻微下降（PCC降低1.1%，RMSE增加9.3%） | 开发快速响应病毒快速进化的计算方法 | SARS-CoV-2刺突蛋白受体结合域与人类ACE2复合物 | 机器学习 | COVID-19 | 深度突变扫描，蛋白质-蛋白质相互作用分析 | 拓扑深度学习，多任务学习 | 蛋白质结构数据，突变数据 | 4个实验DMS数据集，包括SARS-CoV-2 HK.3变体 | NA | 多任务拓扑拉普拉斯 | Pearson相关系数，均方根误差 | NA |
| 8530 | 2025-10-06 |
Comparison of Deep Learning Models for Objective Auditory Brainstem Response Detection: A Multicenter Validation Study
2025 Jan-Dec, Trends in hearing
IF:2.6Q1
DOI:10.1177/23312165251347773
PMID:40457875
|
研究论文 | 本研究通过多中心验证比较了九种深度学习模型在客观检测听觉脑干反应方面的性能 | 首次在大规模多中心数据集上系统评估多种深度学习模型（包括CNN、Transformer及混合架构）对ABR检测的泛化能力 | 研究仍依赖于现有临床数据质量，模型在更广泛人群中的表现需要进一步验证 | 评估深度学习模型在真实临床环境中对听觉脑干反应的客观检测能力 | 听觉脑干反应信号 | 医疗人工智能 | 听力障碍 | 听觉脑干反应检测 | CNN, Transformer, 混合模型 | 生理信号时间序列数据 | 主要数据集包含128,123个标记ABR，来自13,813名参与者，涵盖广泛年龄和听力水平 | NA | AlexNet, VGG, ResNet, Transformer, PatchTST, Differential Transformer, Differential PatchTST, ResTransformer, ResPatchTST | 准确率, AUC | NA |
| 8531 | 2025-10-06 |
RRFNet: A free-anchor brain tumor detection and classification network based on reparameterization technology
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325483
PMID:40522942
|
研究论文 | 提出一种基于重参数化技术的无锚框脑肿瘤检测和分类网络RRFNet | 使用RepConv和RepC3构建主干网络，结合FGConcat特征图拼接模块优化脑肿瘤检测模型 | 未提及具体的数据集限制或泛化能力评估 | 提高脑肿瘤自动检测和分类的准确性和效率 | 脑部CT或MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | 深度学习 | CNN | 医学图像 | NA | NA | RepConv, RepC3, FGConcat | mAP | NA |
| 8532 | 2025-10-06 |
Artificial Intelligence in Obsessive-Compulsive Disorder: A Systematic Review
2025, Current treatment options in psychiatry
DOI:10.1007/s40501-025-00359-8
PMID:40524733
|
系统综述 | 本系统综述综合分析了人工智能在强迫症领域的应用现状和前景 | 重点关注了深度学习技术的新应用，特别是生成式人工智能和自然语言处理在强迫症领域的创新应用 | 纳入的研究中84.6%使用二手数据分析，可能限制研究结果的普适性 | 系统评估人工智能在强迫症早期症状检测、治疗训练、临床决策支持等方面的应用潜力 | 强迫症患者及相关临床数据 | 自然语言处理 | 精神疾病 | 机器学习，深度学习 | 生成式AI，NLP模型 | 临床数据，文本数据 | 基于13篇纳入文献的二次数据分析 | NA | NA | NA | NA |
| 8533 | 2025-10-06 |
Corrigendum: An enhanced pattern detection and segmentation of brain tumors in MRI images using deep learning technique
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1570979
PMID:40529250
|
correction | 对先前发表的关于使用深度学习技术增强MRI图像中脑肿瘤模式检测与分割的文章进行修正 | NA | NA | NA | NA | NA | 脑肿瘤 | NA | NA | MRI图像 | NA | NA | NA | NA | NA |
| 8534 | 2025-10-06 |
Precise Image-level Localization of Intracranial Hemorrhage on Head CT Scans with Deep Learning Models Trained on Study-level Labels
2024-11, Radiology. Artificial intelligence
DOI:10.1148/ryai.230296
PMID:39194400
|
研究论文 | 开发基于弱监督学习的深度学习模型，使用研究级标签自动检测和定位头CT扫描中的颅内出血 | 使用研究级标签而非像素级标注训练模型，通过注意力机制实现图像级定位，具有高度泛化能力 | 回顾性研究，依赖放射学报告提取标签，可能存在标注偏差 | 开发能够快速准确检测颅内出血的计算机辅助诊断工具 | 头CT扫描中的颅内出血 | 计算机视觉 | 颅内出血 | CT扫描 | CNN, 双向LSTM | 医学图像 | 本地数据集10699个非对比头CT扫描（7469名患者），外部测试集491个扫描 | NA | 注意力机制双向长短期记忆网络 | 阳性预测值, AUC | NA |
| 8535 | 2025-10-06 |
AI-integrated Screening to Replace Double Reading of Mammograms: A Population-wide Accuracy and Feasibility Study
2024-11, Radiology. Artificial intelligence
DOI:10.1148/ryai.230529
PMID:39230423
|
研究论文 | 本研究评估了AI集成筛查在乳腺X线摄影中替代双读法的准确性和可行性 | 比较了三种AI集成筛查场景与标准双读法的性能，首次在大型代表性筛查人群中系统评估AI在筛查工作流中不同部署位置的临床影响 | 回顾性研究设计，AI阈值部分基于先前验证设定，未在真实临床环境中验证 | 评估AI集成筛查替代传统双读法在乳腺X线摄影中的准确性和可行性 | 249,402张来自代表性筛查人群的乳腺X线影像 | 医学影像分析 | 乳腺癌 | 乳腺X线摄影筛查 | CNN | 医学影像 | 249,402张乳腺X线影像 | NA | NA | 敏感度, 阴性预测值, 召回率, 阳性预测值, 仲裁率 | NA |
| 8536 | 2024-11-28 |
Watch Your Back! How Deep Learning Is Cracking the Real World of CT for Cervical Spine Fractures
2024-11, Radiology. Artificial intelligence
DOI:10.1148/ryai.240604
PMID:39601670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8537 | 2025-10-06 |
Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning
2024-09-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-52263-z
PMID:39266547
|
研究论文 | 利用自发荧光显微镜和深度学习技术，实现无标记组织中淀粉样蛋白沉积的虚拟双折射成像和虚拟刚果红染色 | 首次使用单一神经网络将无标记组织的自发荧光图像转换为明场和偏振显微镜图像，匹配其组织化学染色版本 | 研究主要针对心脏组织，在其他器官组织中的适用性需要进一步验证 | 开发无需化学染色的淀粉样蛋白沉积可视化方法 | 人体组织样本中的淀粉样蛋白沉积 | 数字病理学 | 系统性淀粉样变性 | 自发荧光显微镜，深度学习 | 神经网络 | 图像 | 心脏组织样本（具体数量未明确说明） | NA | NA | 定量指标，病理学家评估 | NA |
| 8538 | 2025-10-06 |
Automated design of multi-target ligands by generative deep learning
2024-09-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-52060-8
PMID:39261471
|
研究论文 | 本研究利用生成式深度学习模型开发多靶点配体药物 | 首次将化学语言模型应用于多靶点配体的从头设计，通过小样本微调实现双靶点活性分子的生成 | 仅验证了12个设计分子对6个靶点对的活性，样本规模有限 | 探索生成式深度学习在多靶点药物设计中的应用 | 多靶点配体分子 | 机器学习 | NA | 化学语言模型，SMILES表示法 | 生成式深度学习模型 | 分子结构数据 | 12个设计分子，6个靶点对 | NA | 化学语言模型 | 纳摩尔级活性，双配体确认 | NA |
| 8539 | 2025-10-06 |
External Testing of a Deep Learning Model to Estimate Biologic Age Using Chest Radiographs
2024-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.230433
PMID:39046324
|
研究论文 | 本研究在亚洲人群中对基于深度学习的胸片年龄模型进行外部测试，评估其预测全因死亡率及特定疾病死亡率的预后价值 | 首次在大型亚洲队列中验证基于胸片影像的深度学习生物年龄预测模型的泛化能力 | 单中心回顾性研究，仅包含无症状亚洲人群 | 评估深度学习胸片年龄模型在外部测试队列中的预后价值 | 50-80岁无症状亚洲个体的胸片影像 | 计算机视觉 | 肺癌 | 胸片影像分析 | CNN | 医学影像 | 36,924名个体 | NA | NA | 风险比, 似然比检验 | NA |
| 8540 | 2025-10-06 |
Artificial Intelligence Outcome Prediction in Neonates with Encephalopathy (AI-OPiNE)
2024-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.240076
PMID:38984984
|
研究论文 | 开发深度学习算法预测缺氧缺血性脑病新生儿2年神经发育结局 | 首次结合多序列MRI和基础临床数据开发深度学习模型预测新生儿脑病长期神经发育结局 | 回顾性研究设计，样本量相对有限（414例） | 预测缺氧缺血性脑病新生儿2年神经发育结局 | 足月缺氧缺血性脑病新生儿 | 医学影像分析 | 新生儿脑病 | MRI（T1加权、T2加权、扩散张量成像） | CNN | 医学影像、临床数据 | 414例新生儿（来自17个机构） | NA | 深度学习分类器 | AUC, 准确率 | NA |