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 33074 篇文献，本页显示第 8761 - 8780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8761 | 2025-10-06 |
Comparison of CNNs and Transformer Models in Diagnosing Bone Metastases in Bone Scans Using Grad-CAM
2025-Jul-01, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005898
PMID:40237349
|
研究论文 | 比较CNN和Transformer模型在骨扫描中诊断骨转移的性能，并使用Grad-CAM进行可视化分析 | 首次探索ConvNeXt和Transformer模型在骨扫描中检测骨转移的应用，并与传统CNN模型进行性能比较 | 回顾性研究，数据来自两个医疗机构，样本量有限 | 评估不同深度学习模型在骨扫描中诊断转移性病灶的性能 | 癌症患者的骨扫描图像 | 计算机视觉 | 骨转移癌 | 骨扫描 | CNN, Transformer | 医学图像 | 训练验证集4626例（医院1），测试集1428例（医院2） | NA | ResNet18, DeiT, ViT Large 16, Swin Base, ConvNeXt Large | 准确率 | NA |
| 8762 | 2025-10-06 |
"Amide - amine + alcohol = carboxylic acid." chemical reactions as linear algebraic analogies in graph neural networks
2025-Jun-18, Chemical science
IF:7.6Q1
DOI:10.1039/d4sc05655h
PMID:40395375
|
研究论文 | 本研究揭示了图神经网络中原子嵌入具有类似自然语言处理的算术特性，能够表示有效的化学反应公式 | 首次证明化学图神经网络中的原子嵌入具有类似词嵌入的算术性质，能够通过向量运算表示化学反应 | NA | 揭示图神经网络在化学建模中的隐藏学习机制，提高模型可解释性 | 化学分子结构和原子属性 | 机器学习 | NA | 计算化学数据 | 图神经网络 | 图数据 | NA | NA | 图神经网络 | NA | NA |
| 8763 | 2025-10-06 |
Data efficient molecular image representation learning using foundation models
2025-Jun-18, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc00907c
PMID:40417293
|
研究论文 | 提出基于基础模型的分子图像表示学习框架MoleCLIP，显著降低分子预训练数据需求 | 首次将OpenAI的视觉基础模型CLIP应用于分子表示学习，实现数据高效的特征提取 | 未详细讨论模型在更广泛化学任务中的泛化能力 | 开发数据高效的分子表示学习方法 | 分子图像 | 机器学习 | NA | 分子表示学习 | 基础模型 | 分子图像 | NA | NA | CLIP | 基准测试性能，分布偏移鲁棒性 | NA |
| 8764 | 2025-10-06 |
Multi-Scale Temporal Analysis with a Dual-Branch Attention Network for Interpretable Gait-Based Classification of Neurodegenerative Diseases
2025-Jun-18, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3580944
PMID:40531650
|
研究论文 | 提出一种双分支注意力增强残差网络(DAERN)，用于基于步态的神经退行性疾病分类 | 整合扩张因果卷积进行局部步态模式提取和多头自注意力进行长程依赖建模，通过交叉注意力融合模块增强特征整合 | NA | 开发可解释的神经退行性疾病自动分类方法 | 神经退行性疾病患者（ALS、HD、PD）的步态数据 | 计算机视觉 | 神经退行性疾病 | 步态分析 | CNN, Attention机制 | 时序步态数据 | GaitNDD数据集 | PyTorch, TensorFlow | 残差网络, 注意力机制, 扩张因果卷积 | 准确率, F1分数, AUC | NA |
| 8765 | 2025-10-06 |
Changes in Epidemiological Characteristics of Varicella and Breakthrough Cases in Ningbo, China, From 2010 to 2023: Surveillance Study
2025-Jun-18, JMIR public health and surveillance
IF:3.5Q1
DOI:10.2196/71691
PMID:40533066
|
研究论文 | 本研究监测了2010-2023年宁波市水痘流行病学特征和突破病例变化，为免疫策略调整提供依据 | 首次建立出生队列分析突破病例，并构建递归神经网络模型分析非药物干预措施对水痘传播的影响 | 研究依赖于监测系统数据，可能存在报告偏倚；模型预测精度受多种因素影响 | 监测水痘流行病学特征变化，评估疫苗接种效果和非药物干预措施影响 | 宁波市2010-2023年报告的70,163例水痘病例，特别是2009-2013年出生队列 | 公共卫生流行病学 | 水痘 | 主动监测(2010-2011)、被动监测(2012-2023)、深度学习分析 | 递归神经网络(RNN) | 流行病学监测数据、免疫接种数据 | 70,163例水痘病例报告 | NA | 递归神经网络 | 均方误差(49.96) | NA |
| 8766 | 2025-10-06 |
Can CTA-based Machine Learning Identify Patients for Whom Successful Endovascular Stroke Therapy is Insufficient?
2025-Jun-18, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8885
PMID:40533350
|
研究论文 | 本研究开发了一种基于CTA的机器学习模型，用于预测血管内卒中治疗成功但功能结局仍不佳的患者 | 首次使用基于CTA的深度学习模型预测血管内卒中治疗成功但功能结局不佳的患者群体 | 样本量相对较小，仅包含48名患者进行微调和交叉验证 | 评估机器学习方法在识别需要额外干预的卒中患者中的性能 | 大血管闭塞急性缺血性卒中患者 | 医学影像分析 | 卒中 | CT血管造影 | 深度学习 | 医学影像 | 预训练1542名受试者，微调和交叉验证48名受试者 | NA | DeepSymNet-v3 | AUROC | NA |
| 8767 | 2025-06-20 |
Author Correction: Focal liver lesion diagnosis with deep learning and multistage CT imaging
2025-Jun-18, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-61097-2
PMID:40533457
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8768 | 2025-10-06 |
Smartphone eye-tracking with deep learning: Data quality and field testing
2025-Jun-18, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-025-02718-y
PMID:40533681
|
研究论文 | 本文开发了一种基于深度学习的实时智能手机眼动追踪系统，并与专业眼动仪进行性能对比 | 首次在智能手机上实现基于深度神经网络的实时眼动追踪，并进行了大规模样本验证 | 追踪精度(0.177°)低于专业眼动仪(0.028°)，样本规模相对有限 | 开发适用于智能手机的高质量眼动追踪系统，探索其在科学和临床应用中的潜力 | 人类注意力测量和抑郁症状预测 | 计算机视觉 | 抑郁症 | 深度学习，眼动追踪 | 深度神经网络 | 面部图像 | 740万张面部图像训练数据，32人性能测试，98人现场测试 | NA | 深度神经网络 | 追踪精度，追踪准确度，预测准确率 | 智能手机移动计算平台 |
| 8769 | 2025-10-06 |
Automated Multi-grade Brain Tumor Classification Using Adaptive Hierarchical Optimized Horse Herd BiLSTM Fusion Network in MRI Images
2025-Jun-18, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00708-4
PMID:40533703
|
研究论文 | 提出一种用于MRI图像中脑肿瘤多级分层分类的新型网络模型 | 采用自适应分层优化马群BiLSTM融合网络进行多级肿瘤分类，结合改进的自适应强度归一化和双树复小波变换特征提取 | 未明确说明模型的计算复杂度和实时性能限制 | 提高MRI图像中不同级别脑肿瘤分类的精确度 | 脑肿瘤MRI图像 | 医学影像分析 | 脑肿瘤 | MRI | BiLSTM | 医学图像 | BraTS Challenge 2021、Br35H和BraTS Challenge 2023数据集 | NA | 自适应分层优化马群BiLSTM融合网络 | 精确率, 召回率, F1分数 | NA |
| 8770 | 2025-10-06 |
MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting
2025-Jun-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ade049
PMID:40460850
|
研究论文 | 提出一种结合残差偏移机制的高效扩散概率模型用于MRI超分辨率重建 | 引入残差偏移机制显著减少采样步骤，在保持解剖细节的同时加速MRI重建 | NA | 开发高效的MRI超分辨率重建方法以减少采集时间和运动伪影 | 超高场脑T1 MP2RAGE图像和T2加权前列腺图像 | 医学影像处理 | 脑部疾病,前列腺疾病 | 磁共振成像 | 扩散概率模型 | 医学图像 | NA | NA | Res-SRDiff | PSNR,SSIM,GMSD,学习感知图像块相似度,Likert评分 | NA |
| 8771 | 2025-10-06 |
Predicting mucosal healing in Crohn's disease: development of a deep-learning model based on intestinal ultrasound images
2025-Jun-16, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-025-02014-5
PMID:40522531
|
研究论文 | 开发基于肠道超声图像和临床信息的深度学习模型，用于预测克罗恩病患者黏膜愈合情况 | 首次利用深度学习模型结合基线肠道超声图像预测克罗恩病黏膜愈合 | 需要更多多中心真实世界数据进一步验证和改进模型 | 预测克罗恩病治疗反应，优化治疗方案 | 克罗恩病患者 | 数字病理 | 克罗恩病 | 肠道超声 | CNN | 图像 | 190名患者，1548张肠道超声图像 | NA | 卷积神经网络 | AUC, 敏感度, 特异度, 阳性预测值, 阴性预测值 | NA |
| 8772 | 2025-10-06 |
AI-echocardiography: Current status and future direction
2025-Jun, Journal of cardiology
IF:2.5Q2
DOI:10.1016/j.jjcc.2025.02.005
PMID:40023671
|
综述 | 本文综述了人工智能在超声心动图领域的当前应用状况、技术局限性和未来发展方向 | 探讨了基于大语言模型的零样本预测和自动报告生成等前沿技术，分析了AI在心血管疾病预测中的非参数依赖能力 | 依赖大量历史训练数据，专业标注需求可能限制技术普及 | 总结AI在超声心动图分析中的应用现状并展望未来发展方向 | 超声心动图数据和心血管疾病 | 医学影像分析 | 心血管疾病 | 深度学习，大语言模型 | 深度学习模型 | 超声心动图影像 | 基于大规模历史训练数据 | NA | NA | NA | 大规模计算资源 |
| 8773 | 2025-10-06 |
RadField3D: a data generator and data format for deep learning in radiation-protection dosimetry for medical applications
2025-05-16, Journal of radiological protection : official journal of the Society for Radiological Protection
IF:1.4Q3
DOI:10.1088/1361-6498/add53d
PMID:40334671
|
研究论文 | 介绍用于辐射防护剂量学深度学习研究的开源三维辐射场数据生成工具和数据格式 | 开发了基于Geant4的开源蒙特卡洛模拟应用和快速机器可解释数据格式，支持神经网络研究 | NA | 研究使用深度学习的替代辐射模拟方法 | 三维辐射场数据集 | 机器学习和医学物理 | NA | 蒙特卡洛模拟 | 神经网络 | 三维辐射场数据 | NA | Python | NA | NA | NA |
| 8774 | 2025-10-06 |
Solving physics-based initial value problems with unsupervised machine learning
2025-May, Physical review. E
DOI:10.1103/PhysRevE.111.055302
PMID:40533973
|
研究论文 | 提出一种使用无监督机器学习解决基于物理的初值问题的方法 | 引入概率激活函数和耦合神经网络来严格学习初值问题的解，能够处理非线性、耦合和混沌动力系统 | NA | 开发深度学习框架解决物理系统中的初值问题 | 自由粒子、重力场中的粒子、经典摆和Hénon-Heiles系统等机械系统 | 机器学习 | NA | 无监督机器学习 | 深度神经网络 | 物理系统动态数据 | NA | NA | 耦合神经网络 | 能量守恒、作用量守恒 | NA |
| 8775 | 2025-10-06 |
Retraction notice to "The analysis of teaching quality evaluation for the college sports dance by convolutional neural network model and deep learning" [Heliyon 10 (2024) e36067]
2025-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43315
PMID:40535237
|
撤稿通知 | 这是一篇关于大学体育舞蹈教学质量评估分析的撤稿声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8776 | 2025-10-06 |
Corrigendum to "Sentiment analysis in multilingual context: Comparative analysis of machine learning and hybrid deep learning models" [Heliyon Volume 9, Issue 9, September 2023, Article e20281]
2025-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43243
PMID:40535278
|
correction | 这是对先前发表的多语言情感分析比较研究文章的更正说明 | NA | NA | NA | NA | natural language processing | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8777 | 2025-10-06 |
Artificial intelligence accelerates the identification of nature-derived potent LOXL2 inhibitors
2025-Mar-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95530-9
PMID:40148559
|
研究论文 | 本研究结合深度学习和传统计算机辅助药物设计方法筛选出天然来源的高效LOXL2抑制剂连翘酯苷A | 首次采用深度学习与传统CADD相结合的方法筛选天然来源的LOXL2选择性抑制剂 | 仅针对CT26癌细胞进行实验验证，尚未开展体内实验或临床研究 | 开发针对LOXL2的天然来源选择性抑制剂用于癌症治疗 | LOXL2酶、天然化合物库、CT26癌细胞 | 机器学习 | 癌症 | 分子对接、虚拟筛选、深度学习 | 深度学习模型 | 分子结构数据、生物活性数据 | NA | NA | NA | 生物活性、亲和力、增殖抑制率、迁移抑制率、凋亡促进率、蛋白表达水平 | NA |
| 8778 | 2025-10-06 |
Deep learning and digital pathology powers prediction of HCC development in steatotic liver disease
2025-Mar-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000000904
PMID:38768142
|
研究论文 | 开发基于深度学习和数字病理的模型，利用肝活检全切片图像预测脂肪性肝病患者发生肝细胞癌的风险 | 首次使用深度学习模型从H&E染色全切片图像中直接预测HCC发生风险，能够识别超出纤维化阶段的早期肝癌发生特征 | 样本量相对有限，特别是HCC病例组仅46例，需要更大规模验证 | 预测脂肪性肝病患者发展为肝细胞癌的风险 | 685例经活检证实的脂肪性肝病患者（639例未发生HCC，46例发生HCC） | 数字病理 | 肝细胞癌 | 苏木精-伊红染色，全切片成像 | CNN | 图像 | 685例患者，28,000个图像块 | NA | 深度卷积神经网络 | 准确率，AUC | NA |
| 8779 | 2025-10-06 |
Upfront surgery for intrahepatic cholangiocarcinoma: Prediction of futility using artificial intelligence
2025-03, Surgery
IF:3.2Q1
DOI:10.1016/j.surg.2024.06.059
PMID:39322483
|
研究论文 | 开发基于人工智能的模型预测肝内胆管癌患者手术无效风险 | 首次使用包含多层感知器和梯度提升分类器的集成模型，基于术前变量预测肝内胆管癌手术无效性 | 回顾性多机构数据可能存在选择偏倚，模型需要外部验证 | 识别肝内胆管癌患者手术无效风险，避免不必要的手术 | 肝内胆管癌患者 | 机器学习 | 肝内胆管癌 | 机器学习，深度学习 | 集成模型，多层感知器，梯度提升 | 临床数据 | 827例肝内胆管癌患者 | NA | 多层感知器，梯度提升分类器 | AUC，敏感度，特异度，阳性预测值，阴性预测值 | NA |
| 8780 | 2025-10-06 |
scFTAT: a novel cell annotation method integrating FFT and transformer
2025-Feb-25, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06061-z
PMID:39994539
|
研究论文 | 提出一种整合快速傅里叶变换和增强型Transformer的单细胞注释方法scFTAT | 首次将FFT与增强型Transformer结合用于单细胞注释，通过LDA降维、核近似、位置编码增强和注意力增强模块提升性能 | NA | 解决单细胞数据高稀疏性和大规模数据手动注释繁琐的问题 | 人类和小鼠组织的单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | Transformer | 基因表达数据 | 六个典型数据集（包含人类肾脏数据等） | NA | Transformer | 准确率,F1分数,精确率,召回率,马修斯相关系数 | NA |