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 42795 篇文献，本页显示第 8901 - 8920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8901 | 2025-12-13 |
Multimodal deep learning to predict postoperative major adverse cardiac and cerebrovascular events after noncardiac surgery
2025-Dec-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003143
PMID:40865965
|
研究论文 | 本研究开发并验证了一种结合人口统计学数据、ICD-10手术编码和原始术前12导联心电图波形的多模态深度学习模型，用于预测非心脏手术后30天的主要不良心脑血管事件 | 创新性地整合原始心电图波形与最小化临床数据，利用基于Transformer的深度神经网络处理心电图信号，并通过梯度提升机结合多模态特征，实现了优于传统风险指数的预测性能 | 研究为单中心回顾性队列研究，可能受限于数据来源的单一性，且事件发生率较低（0.6%），需外部验证以确认泛化能力 | 开发并验证一种负担最小的多模态深度学习模型，以准确预测非心脏手术后30天的主要不良心脑血管事件风险 | 2006年至2020年间在一家三级学术中心接受区域或全身麻醉下非心脏手术的成年患者 | 机器学习 | 心血管疾病 | 12导联心电图波形分析 | Transformer, GBM | 人口统计学数据, ICD-10编码, 原始心电图波形 | 165,577例病例 | NA | 基于Transformer的深度神经网络, 梯度提升机 | AUROC, 精确率-召回率曲线, 灵敏度, 特异性, F1分数, 校准指标 | NA |
| 8902 | 2025-12-13 |
Letter to editor: Multichannel deep learning prediction of major pathological response after neoadjuvant immunochemotherapy in lung cancer: a multicenter diagnostic study
2025-Dec-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003188
PMID:40865939
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8903 | 2025-12-13 |
Whole genome characterization of patient-derived lung cancer organoids
2025-Nov-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-738
PMID:41367555
|
研究论文 | 本研究通过全基因组测序对患者来源的肺癌类器官进行了全面的基因组特征分析，探索其突变景观和治疗潜力 | 利用全基因组测序技术对患者来源的肺癌类器官进行全面的基因组特征分析，包括非编码区域的突变，并结合深度学习进行药物反应预测 | 药物筛选显示基因组数据可用于药物预测，但需要更先进的模型来充分利用全基因组测序数据 | 建立并表征患者来源的肺癌类器官，以研究肿瘤生物学并为精准医学提供信息 | 来自14名非小细胞肺癌患者的切除肿瘤和恶性胸腔积液 | 数字病理学 | 肺癌 | 全基因组测序, 下一代测序 | 深度学习 | 基因组数据 | 14名非小细胞肺癌患者的肺癌类器官 | NA | NA | NA | NA |
| 8904 | 2025-12-13 |
Artificial intelligence in metabolic dysfunction-associated steatotic liver disease: Machine learning for non-invasive diagnosis and risk stratification
2025-Nov-27, World journal of hepatology
IF:2.5Q2
DOI:10.4254/wjh.v17.i11.111354
PMID:41368121
|
综述 | 本文综述了人工智能，特别是机器学习和深度学习，在代谢功能障碍相关脂肪性肝病（MASLD）非侵入性诊断和风险分层中的最新进展、关键模型、性能指标及临床应用 | 系统总结了AI在MASLD诊断中的最新应用，强调了其在风险预测、影像解读和疾病分层方面的准确性提升，并指出了数据标准化、可解释性和临床验证等挑战 | NA | 探讨人工智能在代谢功能障碍相关脂肪性肝病（MASLD）非侵入性诊断和风险分层中的应用 | 代谢功能障碍相关脂肪性肝病（MASLD） | 机器学习 | 代谢功能障碍相关脂肪性肝病 | NA | 机器学习, 深度学习 | 影像数据 | NA | NA | NA | NA | NA |
| 8905 | 2025-12-13 |
Artificial Intelligence for the Analysis of Biometric Data from Wearables in Education: A Systematic Review
2025-Nov-18, Sensors (Basel, Switzerland)
DOI:10.3390/s25227042
PMID:41305250
|
综述 | 本文系统综述了在教育环境中使用可穿戴设备采集生物特征数据并结合AI算法进行分析的研究现状 | 首次系统性地整合了可穿戴设备、生物特征数据与AI算法在教育场景中的应用研究，并提出了未来研究方向 | 缺乏标准化的数据采集和报告规范，导致研究难以复制、比较和综合 | 探讨可穿戴设备采集的生物特征数据与AI算法结合在教育环境中的应用 | 教育环境中的学生生物特征数据 | 机器学习 | NA | 可穿戴设备生物特征测量 | 机器学习,深度学习 | 生物特征数据 | 43项研究 | NA | NA | NA | NA |
| 8906 | 2025-12-13 |
Regional brain aging patterns reveal disease-specific pathways of neurodegeneration
2025-Nov-14, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.11.12.25339989
PMID:41292666
|
研究论文 | 本文介绍了一种名为BrainAgeMap的可解释深度学习框架，用于从T1加权磁共振成像扫描中生成精细的体素级脑预测年龄差异图，以揭示神经退行性疾病的特定区域脑老化模式 | 引入了BrainAgeMap框架，能够生成体素级的脑预测年龄差异图，提高了对脑老化异质性的特异性映射，超越了传统的全局指标 | 未明确提及样本量或计算资源的具体细节，可能限制了结果的泛化性 | 开发一种工具来描绘疾病特异性的神经退行性途径，为早期诊断、患者分层和治疗干预监测提供新机会 | 阿尔茨海默病、额颞叶痴呆、精神分裂症患者以及轻度认知障碍个体的脑部磁共振成像数据 | 医学影像分析 | 阿尔茨海默病, 额颞叶痴呆, 精神分裂症 | T1加权磁共振成像, 正电子发射断层扫描 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 8907 | 2025-12-13 |
Generative Design of Cell Type-Specific RNA Splicing Elements for Programmable Gene Regulation
2025-Nov-05, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.05.686847
PMID:41279721
|
研究论文 | 本文介绍了SPICE框架，利用深度学习模型预测和生成细胞类型特异性RNA剪接序列，以实现可编程的基因调控 | 首次整合大规模并行报告基因检测与深度学习，生成可编程的细胞类型特异性剪接元件，并应用于致癌剪接因子突变的细胞选择性剪接 | 未明确说明模型在更广泛细胞类型或体内环境中的泛化能力，以及临床转化所需的具体验证步骤 | 开发一种可扩展的、基于RNA剪接的细胞类型特异性基因调控策略，用于基础研究和治疗应用 | 人类来源的RNA剪接序列和43个细胞系 | 自然语言处理 | NA | 大规模并行报告基因检测 | 深度学习模型 | 序列数据 | 46,372个人类来源序列和43个细胞系 | NA | NA | NA | NA |
| 8908 | 2025-12-13 |
Insights into AI-Driven malaria diagnosis: A systematic review with implications for Plasmodium knowlesi
2025-Nov, Acta tropica
IF:2.1Q2
|
系统综述 | 本文系统综述了人工智能（特别是深度学习）在疟疾血期诊断中的应用，特别关注了诺氏疟原虫（Plasmodium knowlesi）的诊断挑战与进展 | 与以往主要关注疟原虫物种分类的综述不同，本研究深入比较了AI驱动的血期识别方法，特别聚焦于诺氏疟原虫，并系统分析了CNN、迁移学习、集成学习及YOLO、Faster R-CNN等目标检测模型的有效性 | 基于AI的诺氏疟原虫血期分类研究仍然有限，面临注释数据集不足、类别不平衡和模型可解释性等关键挑战 | 评估人工智能（特别是深度学习）在疟原虫血期分类中的应用，以改善诺氏疟原虫的诊断准确性、效率和一致性 | 诺氏疟原虫（Plasmodium knowlesi）及其他疟原虫的血期图像 | 数字病理学 | 疟疾 | 显微镜检查，深度学习图像分析 | CNN, 迁移学习, 集成学习, 目标检测模型 | 图像 | NA | NA | YOLO, Faster R-CNN | NA | NA |
| 8909 | 2025-12-13 |
Integrating Multi-Modal Imaging Features for Early Prediction of Acute Kidney Injury in Pneumonia Sepsis: A Multicenter Retrospective Study
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.08.007
PMID:41027784
|
研究论文 | 本研究开发了一个名为MCANet的多模态深度学习框架，通过整合肺部、心外膜脂肪组织和T4水平皮下脂肪组织的影像特征，来预测肺炎相关脓毒症患者的急性肾损伤发生及其时间 | 提出了一个两阶段深度学习框架MCANet，首次整合了肺部、心外膜脂肪组织和T4水平皮下脂肪组织的多区域影像特征，并利用跨注意力机制增强解剖区域间的交互，用于预测肺炎相关脓毒症患者的急性肾损伤 | 这是一项回顾性研究，可能存在选择偏倚；研究样本量相对有限（399名患者）；模型性能需要在更大规模的前瞻性队列中进行验证 | 利用深度学习从肺炎相关脓毒症病例中提取信息性影像特征，以早期预测急性肾损伤的发生 | 肺炎相关脓毒症患者 | 数字病理学 | 急性肾损伤 | 胸部CT成像 | CNN | 图像, 临床记录, 实验室数据 | 399名肺炎相关脓毒症患者 | PyTorch, Scikit-learn | ResNet-18, ResNet-101, LightGBM | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 8910 | 2025-12-13 |
General Purpose Deep Learning Attenuation Correction Improves Diagnostic Accuracy of SPECT MPI: A Multicenter Study
2025-Nov, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2025.06.010
PMID:40778900
|
研究论文 | 本研究开发了一种深度学习模型，用于生成模拟SPECT衰减校正图像，以提高SPECT心肌灌注成像对阻塞性冠状动脉疾病的诊断准确性 | 利用深度学习生成合成衰减校正图像，作为CT-based衰减校正的替代方案，无需额外设备、成像时间或辐射暴露 | 研究仅基于特定患者队列进行外部验证，未在所有临床环境中广泛测试 | 评估深度学习生成的合成SPECT图像是否能增强传统SPECT心肌灌注成像的准确性 | SPECT心肌灌注成像患者，包括多中心队列和外部验证队列 | 数字病理学 | 心血管疾病 | SPECT心肌灌注成像，CT-based衰减校正，深度学习 | 深度学习模型 | SPECT图像 | 开发队列：4,894名患者（来自4个中心）；外部验证队列1：746名患者（来自72个中心）；外部验证队列2：320名患者（来自1个外部中心） | NA | NA | AUC, 总灌注缺损 | NA |
| 8911 | 2025-12-13 |
RegGAN-based contrast-free CT enhances esophageal cancer assessment: multicenter validation of automated tumor segmentation and T-staging
2025-Nov, La Radiologia medica
DOI:10.1007/s11547-025-02083-y
PMID:40892332
|
研究论文 | 本研究开发了一种基于RegGAN的深度学习框架，用于从非对比CT合成对比增强CT，以实现无碘食管癌的肿瘤分割和T分期 | 提出了一种结合配准和对抗训练的RegGAN模型，以解决NCCT与CECT之间的错位问题，并开发了用于肿瘤分割的CSSNet和用于T分期的双路径深度学习模型 | 研究为回顾性多中心分析，可能存在选择偏倚；未明确提及模型在更广泛人群或不同扫描协议下的泛化能力 | 开发一种无需对比剂的深度学习框架，用于食管癌的自动肿瘤分割和T分期 | 食管癌患者 | 数字病理学 | 食管癌 | CT成像 | GAN, CNN, Transformer | CT图像 | 1092名食管癌患者（训练集313例，内部测试集117例，外部测试集116例和546例） | NA | RegGAN, CSSNet, Vision Transformer | NMAE, PSNR, SSIM, Dice系数, AUC | NA |
| 8912 | 2025-12-13 |
Deep learning-based fusion of nuclear segmentation features for microsatellite instability and tumor mutational burden prediction in digestive tract cancers: a multicenter validation study
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf580
PMID:41214872
|
研究论文 | 本研究开发了一种基于深度学习的框架，通过融合核分割特征，直接从H&E染色全切片图像预测消化系统癌症的微卫星不稳定性和肿瘤突变负荷状态 | 首次将核分割特征与图像特征融合，通过多模态紧凑双线性池化技术，显著提升了MSI和TMB预测的准确率，并在多中心数据上进行了验证 | 研究主要基于TCGA和单一外部医院数据集，样本来源和多样性可能有限，且模型在更广泛临床环境中的泛化能力需进一步验证 | 开发一种低成本、高效率的深度学习方法，替代传统的测序技术，用于预测消化系统癌症的MSI和TMB状态 | 胃癌和结直肠癌患者的H&E染色全切片图像 | 数字病理学 | 胃癌, 结直肠癌 | H&E染色, 全切片成像 | 深度学习 | 图像 | TCGA数据集：MSI预测涉及350例胃癌和376例结直肠癌；TMB预测涉及400例胃癌和387例结直肠癌；外部验证使用中日友好医院的结直肠癌数据集 | CLAM, Hover-Net | 多模态紧凑双线性池化, 六种不同的深度学习模型 | AUC, 召回率 | NA |
| 8913 | 2025-12-13 |
Improving Detection of Intrahepatic Cholangiocarcinoma with a Contrast-enhanced US-based Deep Learning Model
2025-Nov, Radiology. Imaging cancer
DOI:10.1148/rycan.250078
PMID:41236388
|
研究论文 | 本研究开发了一种基于对比增强超声（CEUS）的深度学习模型，用于辅助放射科医生诊断肝内胆管癌（iCCA） | 开发了首个基于多中心CEUS数据的深度学习模型，用于iCCA诊断，并证明了该模型能显著提升初级和中级放射科医生的诊断水平，使其达到与高级放射科医生相当的水平 | 本研究为回顾性研究，未来需要前瞻性研究进一步验证模型的临床效用 | 开发一种基于深度学习的辅助诊断工具，以提高肝内胆管癌（iCCA）的诊断准确性 | 肝内胆管癌（iCCA）患者 | 数字病理 | 肝内胆管癌 | 对比增强超声（CEUS） | 深度学习模型 | 超声图像 | 训练集804例，验证集344例，外部测试集A 153例，外部测试集B 240例，总计1148例CEUS检查 | 未明确指定，可能为PyTorch或TensorFlow | BNInception, MobileNet-v2, ResNet-50, VGG-19 | AUC（受试者工作特征曲线下面积） | NA |
| 8914 | 2025-12-13 |
Optimised machine learning for time-to-event prediction in healthcare applied to timing of gastrostomy in ALS: a multi-centre, retrospective model development and validation study
2025-Nov, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2025.105962
PMID:41075354
|
研究论文 | 本研究开发并验证了一个用于预测肌萎缩侧索硬化症患者胃造口术时机的机器学习模型 | 采用贝叶斯框架优化了超过5000种预测模型配置，包括样条模型和深度学习模型，并利用外部验证队列在多个人群和临床环境中验证了模型性能 | 需要前瞻性研究才能进入常规临床实践 | 预测肌萎缩侧索硬化症患者胃造口术的时机 | 肌萎缩侧索硬化症患者 | 机器学习 | 肌萎缩侧索硬化症 | NA | 深度学习 | 临床测量数据 | 训练集3000名患者（欧洲），验证集299名患者（美国）和215名患者（瑞典） | NA | 逻辑风险深度学习模型 | 中位数绝对误差, AUROC | NA |
| 8915 | 2025-12-13 |
A deep learning-based automated detection of mucus plugs in chest computed tomography
2025-Nov, ERJ open research
IF:4.3Q1
DOI:10.1183/23120541.00377-2025
PMID:41367647
|
研究论文 | 本文提出了一种基于深度学习的自动化方法，用于在胸部计算机断层扫描中检测黏液栓 | 开发了一种创新的深度学习模型，首次实现胸部CT中黏液栓的自动化检测，提高了诊断效率和准确性 | NA | 旨在通过自动化工具辅助临床医生更快速、准确地识别胸部CT中的黏液栓，以改善呼吸系统疾病的诊断 | 胸部计算机断层扫描图像 | 计算机视觉 | 呼吸系统疾病 | 计算机断层扫描 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 8916 | 2025-12-13 |
Covid-19 diagnosis using privacy-preserving data monitoring: an explainable AI deep learning model with blockchain security
2025-Nov, Journal of medical engineering & technology
DOI:10.1080/03091902.2025.2542273
PMID:40846653
|
研究论文 | 提出一种结合深度学习、可解释人工智能与区块链技术的隐私保护COVID-19诊断框架 | 提出HCTR-MGR新型诊断框架，首次将卷积循环注意力迁移学习、改进型大蔗鼠优化算法与基于信任的许可区块链相结合，实现安全、可解释且高性能的COVID-19诊断 | 仅使用胸部X光数据集进行验证，未在更广泛的多模态医疗数据或实时临床环境中测试 | 开发安全、透明且高性能的COVID-19自动诊断系统 | 胸部X光图像 | 计算机视觉 | COVID-19 | 胸部X光成像 | CNN, 注意力机制, 迁移学习 | 图像 | 两个基准胸部X光数据集（具体数量未说明） | NA | ResNeXt, HCTR-MGR（异构卷积循环注意力迁移学习ResNeXt与改进型大蔗鼠优化） | 准确率, 精确率, 召回率, 特异性, F1分数 | NA |
| 8917 | 2025-12-13 |
Application of thin-slice and accelerated T1-weighted GRE sequences in 1.5T abdominal magnetic resonance imaging using deep learning image reconstruction
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.6.064005
PMID:41383277
|
研究论文 | 本研究比较了标准梯度回波序列与两种基于深度学习图像重建的加速T1加权梯度回波序列在1.5T腹部磁共振成像中的性能 | 应用深度学习图像重建技术于加速和高分辨率的T1加权梯度回波序列，显著减少了采集时间并提高了图像质量 | 研究样本量较小（50名患者），且诊断信心和病变检测能力在序列间无显著差异 | 评估深度学习图像重建在腹部磁共振成像中减少采集时间和提高图像质量的效果 | 50名接受1.5T腹部磁共振成像的患者 | 医学影像 | NA | 磁共振成像，深度学习图像重建，并行成像，部分傅里叶采样 | 深度学习 | 磁共振图像 | 50名患者 | NA | NA | 噪声、伪影、锐度/对比度、整体图像质量、诊断信心（使用李克特量表1-5分评估） | NA |
| 8918 | 2025-12-13 |
The Duke University Cervical Spine MRI Segmentation Dataset (CSpineSeg)
2025-Oct-27, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05975-w
PMID:41145519
|
研究论文 | 本文介绍了杜克大学颈椎MRI分割数据集（CSpineSeg），并提出了一个深度学习分割模型作为基准 | 发布了一个公开可用的颈椎MRI分割数据集，并提供了一个基准分割模型 | 数据集仅包含单中心数据，可能限制模型的泛化能力 | 为颈椎研究提供数据资源，并建立分割任务的基准 | 颈椎磁共振成像（MRI） | 数字病理学 | 颈椎疾病 | 磁共振成像（MRI） | 深度学习分割模型 | 图像 | 1,255例颈椎MRI检查（来自1,232名患者），其中481例有专家手动分割标注 | NA | NA | Dice系数 | NA |
| 8919 | 2025-12-13 |
A knowledge-driven deep learning framework for organoid morphological segmentation and characterization
2025-Oct-21, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-025-02411-8
PMID:41121276
|
研究论文 | 本文提出了一种知识驱动的深度学习框架TransOrga-plus，用于在非侵入性和低资源设置下自动分析类器官的形态分割和动态特征 | 提出了一种结合生物知识（如类器官形态特征）的多模态Transformer分割模块，并引入轻量级多目标跟踪模块，实现了非侵入性类器官动态分析 | NA | 开发一个通用框架，用于在非侵入性和低资源设置下分析类器官的动态变化 | 类器官 | 计算机视觉 | NA | 明场显微镜成像 | Transformer | 图像 | 大规模类器官数据集，涵盖多种组织类型和显微成像设置 | NA | 多模态Transformer | NA | NA |
| 8920 | 2025-12-13 |
Biologically grounded neocortex computational primitives implemented on neuromorphic hardware improve vision transformer performance
2025-Oct-14, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2504164122
PMID:41055996
|
研究论文 | 本研究通过构建一个受实验约束的生物物理真实小鼠初级视觉皮层微环路模型，揭示了特定中间神经元类别通过竞争-合作机制实现软赢家通吃（sWTA）动力学，并将其映射到神经形态硬件上，最终作为预处理滤波器集成到Vision Transformer中，显著提升了模型的泛化能力和计算效率 | 将生物物理真实的皮层微环路计算原理（sWTA）首次映射到神经形态硬件（IBM TrueNorth），并作为预处理模块嵌入现代Vision Transformer架构，实现了生物学原理与AI性能提升的统一 | 模型基于小鼠初级视觉皮层（2-3层）的体外生理数据构建，其计算原理在其他皮层区域或更复杂认知任务中的普适性有待进一步验证 | 探索大脑皮层微环路的计算原理，并将其转化为可提升现代深度学习架构性能的神经形态计算模块 | 小鼠初级视觉皮层（层2-3）的微环路，涉及四种主要中间神经元类别（Parvalbumin, Somatostatin, vasoactive intestinal peptide, LAMP5） | 机器学习, 神经形态计算 | NA | 生物物理真实建模, 神经形态硬件映射 | Vision Transformer, 基于电导的神经网络 | 图像数据 | NA | NA | Vision Transformer, sWTA模块 | 准确率, 泛化性能, 训练计算量 | IBM TrueNorth神经形态芯片 |