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 43010 篇文献，本页显示第 8821 - 8840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8821 | 2025-12-18 |
Deep learning on genomic sequences for rapid identification of drug-resistant tuberculosis
2025-Dec, The Indian journal of tuberculosis
DOI:10.1016/j.ijtb.2025.11.020
PMID:41402010
|
研究论文 | 本研究开发并测试了基于深度学习的方法，用于从结核分枝杆菌的原始基因组序列中快速准确地预测耐药性 | 利用Transformer模型处理原始基因组序列，自动学习特征以预测耐药性，避免了传统方法中耗时的手动特征工程 | 研究主要基于公开可用的全基因组测序数据，未来需要整合更多类型的数据集以提高临床适用性 | 开发一种快速、准确的深度学习模型，用于识别结核分枝杆菌的耐药性，以应对全球公共卫生挑战 | 结核分枝杆菌（Mycobacterium tuberculosis）的基因组序列 | 机器学习 | 结核病 | 下一代测序（NGS） | Transformer, CNN, RNN | 基因组序列 | 大规模公开可用的全基因组测序文件，具体数量未明确说明 | 未明确说明，可能包括TensorFlow, PyTorch等 | Transformer, CNN, RNN | 准确率, 精确率, 召回率, F1分数, AUC-ROC | 未明确说明 |
| 8822 | 2025-12-18 |
Hybrid deep learning system combining radiological and clinical data for improved tuberculosis diagnosis
2025-Dec, The Indian journal of tuberculosis
DOI:10.1016/j.ijtb.2025.11.006
PMID:41402017
|
研究论文 | 本文提出了一种结合放射学和临床数据的混合深度学习系统，用于提高结核病的诊断准确性 | 提出了一种跨模态注意力模块，使图像标记能够关注临床标记，并通过对比预训练目标对齐来自同一患者的放射学和临床表示 | 未明确提及具体限制，但可能包括数据集的多样性和模型在资源有限环境中的泛化能力 | 提高结核病的诊断准确性和可解释性 | 结核病患者 | 计算机视觉 | 结核病 | 胸部X射线和计算机断层扫描 | Transformer | 图像, 表格数据 | 两个开放访问队列（TB Portals 和 Integrated Mycobacterial CT） | NA | Vision Transformer, Tabular Transformer | AUC, 准确率 | NA |
| 8823 | 2025-12-18 |
Deep learning for automated sputum smear microscopy in tuberculosis diagnosis
2025-Dec, The Indian journal of tuberculosis
DOI:10.1016/j.ijtb.2025.11.004
PMID:41402013
|
研究论文 | 本研究利用深度学习技术自动化结核病诊断中的痰涂片显微镜检查，通过训练卷积神经网络模型检测抗酸杆菌，旨在提高诊断效率和准确性 | 提出了一种基于深度学习的自动化痰涂片显微镜分析方法，使用自定义CNN、ResNet50和EfficientNetB0架构，并通过数据增强和类别不平衡处理优化模型性能，展示了EfficientNetB0在结核病诊断中的优越表现 | 模型尚未在临床工作流程中广泛验证，且数据主要来自特定实验室环境，可能受染色和光照变化影响，未来需在多样化地理区域进行测试 | 开发自动化结核病诊断方法，以替代传统手动显微镜检查，提高诊断速度和准确性，特别是在资源有限的环境中 | 痰涂片显微镜图像中的抗酸杆菌 | 计算机视觉 | 结核病 | Ziehl-Neelsen染色显微镜检查 | CNN | 图像 | 8000张数字化显微镜图像 | NA | 自定义CNN, ResNet50, EfficientNetB0 | 准确率, 精确率, 召回率, F1分数, AUC-ROC | NA |
| 8824 | 2025-12-18 |
PLMABFW: A deep learning framework for predicting Antibody-Antigen interactions using protein language model
2025-Dec, Journal of bioinformatics and computational biology
IF:0.9Q4
DOI:10.1142/S0219720025500209
PMID:41403223
|
研究论文 | 本文提出了一种名为PLMABFW的深度学习框架，用于预测抗体-抗原相互作用，特别针对SARS-CoV-2中和抗体的识别 | 通过编码技术和网络架构设计区分同源抗原，结合预训练蛋白质语言模型ESM-2和AntiBERTy编码序列，并引入抗原特征及其转置版本以增强信息捕获 | 未明确说明框架在其他病毒或疾病类型中的泛化能力，且依赖于特定数据集进行验证 | 开发计算方法来预测抗体-抗原相互作用，以识别中和抗体，应对SARS-CoV-2变种挑战 | SARS-CoV-2病毒的中和抗体及其与抗原的相互作用 | 机器学习 | COVID-19 | 蛋白质语言模型，深度学习 | 深度学习框架 | 蛋白质序列数据 | 收集了SARS-CoV-2中和数据集，具体样本数量未明确说明 | 未明确指定，但代码在GitHub上可用 | 未指定具体架构，但基于预训练模型ESM-2和AntiBERTy | 未明确列出，但通过对比现有工具（如AbAgIntPre、DeepAAI、HDOCK、LSTM-PHV）进行评估 | NA |
| 8825 | 2025-12-18 |
Angle-distance decomposition based on deep learning for active sonar detection
2025-Dec-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0041861
PMID:41405226
|
研究论文 | 本文提出了一种基于深度学习的主动声纳目标检测方法，通过将检测过程分解为角度和距离估计任务来提高性能 | 采用角度-距离分解的深度学习框架，结合迁移学习和仿真数据来解决水下声学数据有限的问题 | 未明确说明实验数据的具体规模或在实际复杂环境中的泛化能力 | 提高复杂水下环境中主动声纳目标检测的准确性和鲁棒性 | 水下目标 | 机器学习 | NA | 主动声纳 | 深度学习模型 | 声纳信号数据 | NA | NA | NA | NA | NA |
| 8826 | 2025-12-18 |
Advances of semiconductor gas sensor on multi-parameter sensing and features extraction methods
2025-Dec-01, The Review of scientific instruments
DOI:10.1063/5.0275499
PMID:41405400
|
综述 | 本文系统回顾了半导体气体传感器在多参数传感、漂移补偿和特征提取方法方面的最新进展 | 全面梳理了多参数数据采集、漂移补偿策略及特征提取方法的最新进展，并指出了未来混合传感平台、自适应漂移校正框架和可解释算法模型等研究方向 | 作为综述文章，未提出新的实验数据或模型，主要基于现有文献进行总结和展望 | 回顾半导体气体传感器在多参数传感、漂移补偿和特征提取方面的技术进展，以提升复杂环境下的气体检测精度和可靠性 | 半导体气体传感器及其相关技术方法 | 传感器技术 | NA | 传感器阵列、温度调制、光学调制 | 深度学习 | 多参数传感器数据 | NA | NA | NA | 识别准确率、分类准确率 | NA |
| 8827 | 2025-12-18 |
Artificial intelligence tools for the assessment and management of dysphagia: protocol for a scoping review
2025-Nov-26, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2025-108726
PMID:41298263
|
综述 | 本文是关于人工智能工具在吞咽困难评估与管理中应用的范围综述研究方案 | 首次系统性地规划对人工智能（包括机器学习和深度学习）在吞咽困难领域应用文献的范围综述，旨在填补现有文献综合的空白 | 排除仅涉及儿科人群的研究，且不涉及患者个体数据的收集 | 系统梳理和综合人工智能工具在吞咽困难评估与管理方面的现有文献，为临床实施提供更清晰的指南 | 关注人工智能工具（如机器学习、深度学习和计算机视觉）用于评估和管理吞咽困难的研究 | 自然语言处理, 计算机视觉, 机器学习 | 吞咽困难 | NA | NA | 文本 | NA | NA | NA | NA | NA |
| 8828 | 2025-12-18 |
MedNet: a lightweight attention-augmented CNN for medical image classification
2025-Nov-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-25857-w
PMID:41290816
|
研究论文 | 提出一种名为MedNet的轻量级注意力增强CNN模型，用于医学图像分类任务 | 结合深度可分离卷积与CBAM注意力机制，高效提取并精炼空间和上下文相关特征，在保持高精度的同时显著减少参数和计算成本 | 仅在公开的MedMNIST和Fitzpatrick17k数据集上进行了验证，未在更多样化或更大规模的临床数据集上进行测试 | 开发一种高效、轻量化的深度学习架构，以提升医学图像分类的准确性和泛化能力 | 医学图像分类任务 | 计算机视觉 | 皮肤病 | NA | CNN | 图像 | DermaMNIST、BloodMNIST、OCTMNIST（来自MedMNIST）和Fitzpatrick17k数据集 | NA | ResidualDSCBAMBlock, CBAM | 准确率 | NA |
| 8829 | 2025-12-18 |
Development and validation of a machine learning-based prognostic model for gastric cancer: a multicenter retrospective study
2025-Nov-21, Langenbeck's archives of surgery
DOI:10.1007/s00423-025-03883-6
PMID:41269322
|
研究论文 | 本研究开发并验证了一种基于机器学习的胃癌预后预测模型，并在多中心真实世界数据中进行了评估 | 首次将多种特征选择方法与四种建模算法（包括Cox、RSF、CoxBoost和Deepsurv_Cox）结合，构建了用于胃癌总体生存期和癌症特异性生存期预测的集成模型，并在独立测试中超越了传统的TNM分期系统 | 研究为回顾性设计，可能存在选择偏倚；模型在外部验证中的表现仍需在更多样化的患者群体中进一步确认 | 开发并验证一种基于机器学习的胃癌预后预测模型，以提高生存预测的准确性 | 胃癌患者 | 机器学习 | 胃癌 | NA | Cox, RSF, CoxBoost, Deepsurv_Cox | 临床数据 | SEER数据库21,559名患者，两个中国医疗中心3,805名患者 | NA | 集成模型（堆叠模型） | C-index, 综合Brier评分, 平均AUC, 时间依赖性ROC曲线, 决策曲线分析 | NA |
| 8830 | 2025-12-18 |
Application of MobileNet and Xception neural networks to identify Sillago sihama populations in Vietnam's coastal waters based on otolith morphology
2025-Nov, Journal of fish biology
IF:1.7Q2
DOI:10.1111/jfb.70130
PMID:40731378
|
研究论文 | 本研究应用MobileNet和Xception深度学习模型，基于耳石形态对越南沿海水域的印度-太平洋鳕鱼种群进行识别 | 首次将MobileNet和Xception深度学习模型应用于耳石形态分析，显著提升了鱼类种群分类的准确性 | 研究仅基于越南三个沿海区域的样本，可能无法代表更广泛地理范围内的种群多样性 | 通过耳石形态分析识别越南沿海印度-太平洋鳕鱼的种群结构 | 越南沿海三个区域（包括Son Cha和Cat Ba）的印度-太平洋鳕鱼耳石样本 | 计算机视觉 | NA | 耳石形态分析 | CNN | 图像 | 来自越南三个沿海区域的印度-太平洋鳕鱼耳石样本 | NA | MobileNet, Xception | 准确率 | NA |
| 8831 | 2025-12-18 |
Effectiveness of AI-Based Tools in Detecting Diabetic Retinopathy in Low- and Middle-Income Countries: A Systematic Review of Diagnostic Performance and Implementation Feasibility
2025-Nov, Cureus
DOI:10.7759/cureus.96554
PMID:41393614
|
系统综述 | 本文系统综述了在低收入和中等收入国家中，基于AI的工具在检测糖尿病视网膜病变方面的诊断性能和实施可行性 | 聚焦于低收入和中等收入国家，系统评估AI工具在糖尿病视网膜病变筛查中的诊断准确性和实施可行性，填补了该领域证据分散的空白 | 符合条件的原始研究数量较少，且对基础设施需求、监管考虑和长期可持续性的报告有限 | 评估AI工具在低收入和中等收入国家中检测糖尿病视网膜病变的有效性和实施可行性 | 基于视网膜成像的AI、机器学习或深度学习工具 | 数字病理学 | 糖尿病视网膜病变 | 视网膜成像 | 深度学习, 机器学习 | 图像 | NA | NA | NA | 诊断准确性 | NA |
| 8832 | 2025-12-18 |
Artificial Intelligence in Radiology: Transforming Cancer Detection and Diagnosis
2025-Nov, Cureus
DOI:10.7759/cureus.96518
PMID:41393619
|
综述 | 本文综述了人工智能在放射肿瘤学中的应用，涵盖多种癌症类型和成像技术，探讨了其在癌症检测和诊断中的最新进展与挑战 | 综合了深度学习、放射组学和放射基因组学框架在多种癌症类型中的最新应用，并强调了AI作为放射科医生协作伙伴的角色，而非替代 | 模型在不同人群和机构间的泛化能力有限，存在数据孤岛、监管不确定性，以及临床环境中可解释AI输出的需求 | 评估人工智能在放射肿瘤学中的当前应用，并为其安全、公平和有效的实施提供战略方向 | 乳腺癌、肺癌、前列腺癌、脑癌、胃肠道癌和转移性疾病等主要癌症类型 | 数字病理学 | 肺癌, 前列腺癌, 乳腺癌, 脑癌, 胃肠道癌 | CT, MRI, PET/CT, 数字乳腺X线摄影 | 深度学习 | 图像 | NA | NA | NA | 准确性, 分割精度, 风险预测, 分子表型推断 | NA |
| 8833 | 2025-12-18 |
Efficiency of Artificial Intelligence in Three-Dimensional Reconstruction of Medical Imaging
2025-Nov, Cureus
DOI:10.7759/cureus.96580
PMID:41393720
|
综述 | 本文综述了人工智能在医学影像三维重建中的效率，探讨了其如何提升准确性、速度及临床效用 | 系统性地回顾了近10年AI驱动的三维重建技术，重点评估了深度学习模型在提升重建自动化、精度及临床应用方面的突破 | 研究仅纳入成人影像数据，排除了儿科及临床前研究，且存在高计算需求、标准化数据集缺乏、真实世界验证不足等挑战 | 评估人工智能在医学影像三维重建中的效率、临床应用及现存挑战 | 近10年发表的、针对成人人类影像的、基于AI的三维重建研究 | 计算机视觉 | NA | 医学影像三维重建 | 深度学习 | 医学影像 | NA | NA | U-Net, V-Net, DenseVNet, GAN | Dice系数 | NA |
| 8834 | 2025-12-18 |
Benchmarking robustness of automated CT pancreas segmentation: achieving human-level reliability through human-in-the-loop optimization
2025-Nov, Radiology advances
DOI:10.1093/radadv/umaf040
PMID:41394428
|
研究论文 | 本研究系统评估了深度学习模型在CT胰腺分割中的鲁棒性，并通过人机协同优化策略提升其可靠性，以达到人类水平的性能 | 引入分数阈值指标量化模型达到人类最小性能的比例，并采用主动学习策略识别高不确定性预测进行人工修订，显著提升模型鲁棒性 | 研究主要基于健康人群的CT数据，未充分验证在异常病例或不同扫描仪间的泛化能力 | 评估深度学习模型在CT胰腺分割中的鲁棒性，并探索提升其可靠性的方法 | CT扫描图像中的胰腺分割 | 数字病理学 | 胰腺疾病 | CT扫描 | 深度学习模型 | CT图像 | 903例静脉期CT扫描，其中803例用于训练/验证，100例健康测试病例 | NA | 3D U-Net | Dice相似系数, 归一化表面Dice, 分数阈值 | NA |
| 8835 | 2025-12-18 |
Advancing Point-of-Care Still's Murmur Identification: Evaluating the Efficacy of ConvNets and Transformers Using the StethAid Multicenter Heart Sound Database
2025-Sep-04, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3606341
PMID:40907040
|
研究论文 | 本研究评估了卷积神经网络和Transformer模型在识别儿童Still's杂音方面的效能，使用StethAid多中心心音数据库 | 首次收集并利用专门针对儿科人群的StethAid数据集，结合多种深度学习模型（包括SQ-NET、ResNet18、AST、DeiT、Swin Transformer、DINO）进行Still's杂音识别，填补了现有方法主要关注成人病理性杂音或杂音检测的空白 | 研究依赖于特定设备（StethAid数字听诊平台）采集的数据，可能限制了模型的泛化能力；数据集规模相对有限（527个PCG），且未详细讨论模型在真实临床环境中的部署挑战 | 开发并评估深度学习模型，以辅助初级保健提供者准确识别儿童Still's杂音，减少不必要的专科转诊和超声心动图使用 | 儿科患者的心音图数据，包括Still's杂音、其他良性杂音和病理性杂音 | 机器学习 | 心血管疾病 | 数字听诊技术 | CNN, Transformer | 心音图数据 | 527个心音图记录（来自StethAid数据集），加上先前Littmann 4100数据集的1450个记录 | NA | SQ-NET, ResNet18, AST, DeiT, Swin Transformer, DINO | 灵敏度, 特异度, 准确度 | NA |
| 8836 | 2025-12-18 |
A multi-stage training and deep supervision based segmentation approach for 3D abdominal multi-organ segmentation
2025-Sep, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996251355806
PMID:40671620
|
研究论文 | 本文提出了一种基于多阶段训练和深度监督的分割方法，用于三维腹部多器官分割 | 整合了多阶段训练、伪标签技术和带有注意力机制的深度监督模型（DLAU-Net），以解决腹部器官分布复杂、标记数据稀缺和结构多样性的挑战 | NA | 提高三维CT图像腹部多器官分割的准确性和效率 | 腹部器官（如肝脏、脾脏和肾脏） | 计算机视觉 | 腹部疾病 | X射线计算机断层扫描（CT） | CNN | 三维CT图像 | NA | NA | DLAU-Net | 平均器官准确率（AVG）, Dice相似系数（DSC） | NA |
| 8837 | 2025-12-18 |
Spatial Transcriptomics of the Respiratory System
2025-02, Annual review of physiology
IF:15.7Q1
|
综述 | 本文综述了呼吸系统空间转录组学的最新技术进展，包括常用分析流程及其优缺点，并展望了机器学习和人工智能在解读空间数据方面的应用前景 | 系统梳理了新兴空间解析基因表达技术与计算工具（特别是机器学习和深度学习）的结合应用，展示了其在呼吸系统研究中的转化潜力 | 作为综述文章，未提出原创性实验方法或模型，主要总结现有技术 | 探讨如何利用空间转录组学技术理解呼吸系统中细胞类型在三维空间中的相互作用及其在健康和疾病状态下的功能 | 呼吸系统（肺部和气道）的细胞类型及其空间组织 | 数字病理学 | 肺癌 | 空间转录组学 | 机器学习, 深度学习 | 空间基因表达数据 | NA | NA | NA | NA | NA |
| 8838 | 2025-12-18 |
Effect of feedback-integrated reflection, on deep learning of undergraduate medical students in a clinical setting
2025-Jan-14, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-025-06648-3
PMID:39810114
|
研究论文 | 本研究探讨了反馈整合反思与单独反思相比，对本科医学生在妇科临床环境中高阶多选题成绩的影响 | 通过随机对照试验，首次在妇科临床教育环境中量化比较了反馈整合反思与单独反思对医学生高阶认知学习效果的影响 | 样本量较小（68人），且研究聚焦于单一专业（妇科）和短期教学干预，结果的普适性有待进一步验证 | 评估反馈整合反思对医学生有意义学习及高阶多选题成绩的影响 | 68名本科五年级医学生 | 医学教育 | NA | 随机对照试验 | NA | 测试成绩数据、反思文本 | 68名本科五年级医学生 | NA | NA | 测试分数、百分比增益、标准化学习增益、净学习增益 | NA |
| 8839 | 2025-12-18 |
Computational models for pan-cancer classification based on multi-omics data
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1667325
PMID:41220429
|
综述 | 本文综述了基于多组学数据的泛癌分类计算模型，总结了现有数据、数据库、方法及其优缺点，并探讨了未来研究方向 | 系统性地比较了基于机器学习和深度学习的泛癌分类方法，并指出了当前框架在整合肿瘤动态时间变化和空间异质性方面的不足 | 现有框架难以整合肿瘤内的动态时间变化和空间异质性，限制了其实时临床应用性 | 研究泛癌分类的计算模型，以应对肿瘤异质性带来的诊断和治疗挑战 | 多组学数据（基因组学、转录组学、蛋白质组学）及泛癌图谱 | 机器学习 | 泛癌 | 多组学数据整合 | 机器学习, 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 8840 | 2025-12-18 |
A deep learning-driven cataract screening model derived from multicenter real-world dataset
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1691419
PMID:41393146
|
研究论文 | 本研究开发并验证了一个基于多中心真实世界数据的深度学习模型，用于白内障筛查 | 采用多中心、真实世界的大规模数据集训练模型，并设计了一个模拟临床诊断流程的级联框架，以提高模型在噪声数据上的可靠性和泛化能力 | 未明确提及模型在更广泛或国际数据集上的测试表现，以及在实际临床部署中的具体挑战 | 开发一个稳健且可泛化的深度学习模型，用于大规模眼科筛查，特别是白内障的检测 | 来自中国12个省市21家眼科机构的22,094张裂隙灯图像 | 计算机视觉 | 白内障 | 裂隙灯成像 | CNN | 图像 | 22,094张裂隙灯图像 | NA | ResNet50-IBN | 准确率, 特异性, AUC | NA |