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 8961 - 8980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8961 | 2025-06-05 |
Artificial Intelligence in Outpatient Primary Care: A Scoping Review on Applications, Challenges, and Future Directions
2025-May-13, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.12.25327223
PMID:40463551
|
综述 | 本文探讨了人工智能在门诊初级保健中的应用、挑战及未来发展方向 | 综述了AI在非紧急门诊初级保健中的功能、试验及整合情况，填补了该领域的研究空白 | 仅纳入2019年至2024年的英文文献，且未涉及提供者认知支持、工作流自动化或风险调整面板等应用 | 评估AI在门诊初级保健中的实施程度和应用效果 | 门诊初级保健中的人工智能技术 | 医疗人工智能 | NA | 机器学习、深度学习和transformer | NA | 文本数据（文献） | 筛选了3,203篇文献，最终纳入61篇符合条件的研究 | NA | NA | NA | NA |
| 8962 | 2025-06-05 |
Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks
2025-May-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.07.652715
PMID:40463260
|
研究论文 | 本文报告了三种计算方法的整合，用于在全蛋白质组范围内预测两个蛋白质是否可能形成二元复合物 | 整合了PrePPI、Topsy-Turvy和ZEPPI三种方法，显著提高了高置信度蛋白质相互作用的预测数量 | 方法依赖于计算预测，需要进一步的实验验证 | 预测大肠杆菌蛋白质相互作用组和功能网络 | 大肠杆菌蛋白质 | 计算生物学 | NA | PrePPI、Topsy-Turvy、ZEPPI、AF3Complex | 蛋白质语言模型 | 蛋白质序列和结构数据 | 400个蛋白质-蛋白质相互作用 | NA | NA | NA | NA |
| 8963 | 2025-06-05 |
Evaluating Vision and Pathology Foundation Models for Computational Pathology: A Comprehensive Benchmark Study
2025-May-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.08.25327250
PMID:40463538
|
research paper | 该研究对31种计算病理学AI基础模型进行了全面基准测试，评估它们在多样组织病理学数据集和任务中的表现 | 首次系统比较了不同类型病理学基础模型的性能，并发现模型大小与数据规模并不总是与性能提升相关 | 未深入探讨影响模型性能的潜在因素，且测试数据集可能仍有限 | 评估和比较不同病理学基础模型在计算病理学中的表现 | 31种AI基础模型（包括通用视觉模型、病理专用视觉模型等） | digital pathology | NA | deep learning | foundation models (VM, VLM, Path-VM, Path-VLM) | histopathological images | 41个任务的数据集（来自TCGA、CPTAC等） | NA | NA | NA | NA |
| 8964 | 2025-06-05 |
Evolution-guided protein design of IscB for persistent epigenome editing in vivo
2025-May-07, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-025-02655-3
PMID:40335752
|
研究论文 | 通过结合进化指导和深度学习，设计了一种改进的RNA引导内切酶IscB及其引导RNA，用于体内持久性表观基因组编辑 | 结合直系同源筛选、结构引导的蛋白质域设计、RNA工程和深度学习结构预测，开发了改进的NovaIscB变体，其活性比野生型提高了约100倍，并提高了特异性 | NA | 设计具有增强活性和特异性的RNA引导内切酶，用于分子生物学应用 | IscB RNA引导内切酶及其引导RNA | 分子生物学 | NA | 直系同源筛选、结构引导的蛋白质域设计、RNA工程、深度学习结构预测 | NA | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 8965 | 2025-10-06 |
Significance of Image Reconstruction Parameters for Future Lung Cancer Risk Prediction Using Low-Dose Chest Computed Tomography and the Open-Access Sybil Algorithm
2025-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001131
PMID:39437009
|
研究论文 | 本研究评估了图像重建参数和CT扫描仪制造商对Sybil深度学习算法预测肺癌风险性能的影响 | 首次系统评估了不同图像重建参数对深度学习肺癌风险预测模型性能的影响，并发现了参数组合对中长期预测性能的显著影响 | 研究仅基于美国国家肺癌筛查试验的特定子集数据，且仅比较了两种CT扫描仪制造商 | 评估图像重建参数和CT扫描仪制造商对Sybil算法预测肺癌风险性能的影响 | 美国国家肺癌筛查试验参与者的低剂量胸部CT扫描数据 | 数字病理 | 肺癌 | 低剂量计算机断层扫描(LDCT) | 深度学习算法 | 医学影像 | 1049对标准与骨重建滤波器扫描，1961对标准与肺重建滤波器扫描，1288对2mm与5mm层厚扫描 | NA | Sybil算法 | AUC, 95%置信区间, P值 | NA |
| 8966 | 2025-06-05 |
Comparison between two artificial intelligence models to discriminate cancerous cell nuclei based on confocal fluorescence imaging in hepatocellular carcinoma
2025-May, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2024.11.026
PMID:39674779
|
研究论文 | 比较两种人工智能模型在基于共聚焦荧光成像的肝细胞癌中区分癌细胞核的能力 | 首次在肝细胞癌中应用并比较了机器学习和深度学习模型对癌细胞核的自动识别能力 | 研究样本来自商业组织芯片，可能无法完全代表真实临床样本的多样性 | 开发自动识别肝细胞癌细胞核的人工智能工具 | 肝细胞癌细胞核和正常肝细胞核 | 数字病理学 | 肝细胞癌 | 共聚焦显微镜成像 | 机器学习(ML)和深度学习(DL) | 图像 | 商业组织芯片中的健康肝脏和肝细胞癌样本 | NA | NA | NA | NA |
| 8967 | 2025-06-05 |
SegFormer3D: Improving the Robustness of Deep Learning Model-Based Image Segmentation in Ultrasound Volumes of the Pediatric Hip
2025-05, Ultrasound in medicine & biology
|
research paper | 该研究提出了一种名为SegFormer3D的深度学习模型，用于提高儿童髋关节超声体积图像分割的鲁棒性 | 提出了3D SegFormer架构的扩展，这是一种轻量级的基于transformer的模型，具有分层结构的编码器，能够产生多尺度特征，从而同时提高准确性和鲁棒性 | 当前技术的鲁棒性仍不足以可靠地部署到实际临床工作流程中 | 提高儿童髋关节发育不良(DDH)超声图像分割的准确性和鲁棒性 | 儿童髋关节的3D超声图像 | digital pathology | geriatric disease | 3D US imaging, deep learning | SegFormer3D, CNN, vision transformer | 3D ultrasound image | 临床数据来自儿科患者的测试集 | NA | NA | NA | NA |
| 8968 | 2025-05-28 |
Erratum for: MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum
2025-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.259008
PMID:40423544
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8969 | 2025-06-05 |
CausalCervixNet: convolutional neural networks with causal insight (CICNN) in cervical cancer cell classification-leveraging deep learning models for enhanced diagnostic accuracy
2025-Apr-03, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-13926-2
PMID:40181353
|
研究论文 | 该研究提出了一种结合因果推理的卷积神经网络CausalCervixNet，用于提高宫颈癌细胞分类的诊断准确性和效率 | 将因果推理、因果推断和因果发现整合到诊断框架中，揭示了潜在的因果关系，而不仅仅是依赖观察相关性，提高了诊断的准确性和可解释性 | 研究仅在三个数据集上进行了验证，可能需要更多样化的数据来进一步验证模型的泛化能力 | 提高宫颈癌细胞的分类和诊断准确性，构建可解释的AI系统 | 宫颈癌细胞图像 | 计算机视觉 | 宫颈癌 | 深度学习 | CNN | 图像 | 三个数据集：SIPaKMeD、Herlev和自收集的ShUCSEIT数据集 | NA | NA | NA | NA |
| 8970 | 2025-10-06 |
Comprehensive Segmentation of Gray Matter Structures on T1-Weighted Brain MRI: A Comparative Study of Convolutional Neural Network, Convolutional Neural Network Hybrid-Transformer or -Mamba Architectures
2025-Apr-02, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8544
PMID:39433334
|
研究论文 | 比较六种先进深度学习模型在T1加权脑MRI上分割122个灰质结构的性能 | 首次系统比较包括CNN、混合Transformer和Mamba架构在内的六种模型在大规模脑结构分割任务中的表现，并验证了U-Mamba_Bot的优越性能 | 数据集规模有限，未来需要更大数据集验证结果，且未探索模型在其他神经系统疾病中的适用性 | 评估深度学习模型在脑MRI灰质结构分割中的性能，寻找最适合临床和研究应用的模型 | 1510例T1加权脑MRI图像，包括正常对照和阿尔茨海默病患者 | 医学影像分析 | 阿尔茨海默病 | T1加权磁共振成像 | CNN, Transformer, Mamba | 医学影像 | 1510例T1加权MRI | NA | nnU-Net, SegResNet, SwinUNETR, UNETR, U-Mamba_BOT, U-Mamba_Enc | Dice相似系数, 95百分位Hausdorff距离 | NA |
| 8971 | 2025-06-05 |
Regional Image Quality Scoring for 2-D Echocardiography Using Deep Learning
2025-04, Ultrasound in medicine & biology
|
research paper | 该研究开发并比较了三种自动评估超声心动图区域图像质量的方法 | 提出了一种端到端的深度学习模型，直接预测图像中各区域的质量，性能优于传统方法 | gCNR指标在本研究中表现不佳，效果有限 | 开发自动评估超声心动图区域图像质量的方法 | 超声心动图的区域图像质量 | 计算机视觉 | 心血管疾病 | 深度学习 | U-Net, 端到端深度学习模型 | 图像 | 由三位经验丰富的心脏病专家提供的手动区域质量标注 | NA | NA | NA | NA |
| 8972 | 2025-06-05 |
SpaMask: Dual masking graph autoencoder with contrastive learning for spatial transcriptomics
2025-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1012881
PMID:40179332
|
研究论文 | 提出了一种名为SpaMask的双重掩码图自编码器结合对比学习方法，用于空间转录组学数据分析 | SpaMask通过同时掩码部分节点和边来增强模型性能和鲁棒性，结合了掩码图自编码器和掩码图对比学习模块 | 未明确提及具体限制 | 提高空间转录组学数据中空间域表征的准确性和鲁棒性 | 空间转录组学数据中的细胞空间位置和基因表达 | 生物信息学 | NA | 空间分辨转录组学(SRT) | 图神经网络(GNN), 掩码图自编码器(MGAE), 掩码图对比学习(MGCL) | 空间转录组数据 | 来自5个不同平台的8个数据集 | NA | NA | NA | NA |
| 8973 | 2025-06-05 |
Deep learning-based breast MRI for predicting axillary lymph node metastasis: a systematic review and meta-analysis
2025-Mar-31, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00863-3
PMID:40165212
|
meta-analysis | 评估深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 首次系统评价和荟萃分析深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 研究间存在中度异质性（I2=61%和60%） | 评估深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 乳腺癌患者 | digital pathology | breast cancer | MRI | deep learning | image | 10项研究 | NA | NA | NA | NA |
| 8974 | 2025-06-05 |
CoupleVAE: coupled variational autoencoders for predicting perturbational single-cell RNA sequencing data
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf126
PMID:40178283
|
研究论文 | 本文提出了一种名为CoupleVAE的新型深度学习方法，用于预测扰动后的单细胞RNA测序数据 | CoupleVAE由两个耦合的VAE组成，通过耦合器在潜在空间中进行更复杂的细胞状态转换 | NA | 预测单细胞扰动响应，以理解生物体的功能和行为 | 单细胞RNA测序数据 | 计算生物学 | NA | 单细胞RNA测序 | VAE（变分自编码器） | RNA测序数据 | 三个真实数据集（感染、刺激和跨物种预测） | NA | NA | NA | NA |
| 8975 | 2025-06-05 |
Brain tumor segmentation and detection in MRI using convolutional neural networks and VGG16
2025-Mar, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.1177/18758592241311184
PMID:40183298
|
research paper | 本研究探讨了使用卷积神经网络（CNN）和VGG16在MRI图像中自动检测和分类脑肿瘤的方法 | 提出了一种能够预测分割性能并检测失败事件的深度学习模型，通过mIoU指标提高语义分割的准确性和失败检测 | 未提及具体的数据集大小或多样性限制，也未讨论模型在不同类型脑肿瘤上的泛化能力 | 开发一个自动化的脑肿瘤检测系统，以提高诊断速度和准确性 | MRI图像中的脑肿瘤 | digital pathology | brain tumor | deep learning, image processing | CNN, VGG16 | image | NA | NA | NA | NA | NA |
| 8976 | 2025-10-06 |
A Multicenter Evaluation of the Impact of Therapies on Deep Learning-Based Electrocardiographic Hypertrophic Cardiomyopathy Markers
2025-Feb-15, The American journal of cardiology
DOI:10.1016/j.amjcard.2024.11.028
PMID:39581517
|
研究论文 | 本研究评估了深度学习心电图模型在监测肥厚型心肌病治疗反应中的应用 | 首次使用AI-ECG技术评估不同疗法（手术/经皮室间隔减容术和口服药物马瓦卡坦）对肥厚型心肌病的生物学反应 | 样本量有限，仅包含三个医疗中心的患者数据，随访时间可能不足 | 评估AI-ECG作为监测肥厚型心肌病治疗反应策略的有效性 | 接受室间隔减容术和马瓦卡坦治疗的肥厚型心肌病患者 | 医疗人工智能 | 肥厚型心肌病 | 人工智能增强心电图 | 深度学习模型 | 12导联心电图图像 | 315名患者（YNHHS 70名，CCF 100名，AHS 145名，另加36名马瓦卡坦治疗患者） | NA | NA | AI-ECG HCM评分，Wilcoxon符号秩检验 | NA |
| 8977 | 2025-10-06 |
Extraction of agricultural plastic greenhouses based on a U-Net convolutional neural network coupled with edge expansion and loss function improvement
2025-Feb, Journal of the Air & Waste Management Association (1995)
DOI:10.1080/10962247.2024.2412708
PMID:39440842
|
研究论文 | 本研究通过改进U-Net卷积神经网络，结合边缘扩展和损失函数优化，实现了农业塑料大棚的高精度遥感提取 | 提出结合Canny算子和高斯核函数进行样本边缘扩展，并使用二元交叉熵和高斯核函数联合约束损失函数，从而提升U-Net模型对农业塑料大棚的提取精度 | NA | 提高农业塑料大棚的位置和数量提取精度，为农业管理和环境监测提供快速准确的方法 | 农业塑料大棚 | 计算机视觉 | NA | 遥感技术 | CNN | 遥感图像 | NA | NA | U-Net | 提取精度 | NA |
| 8978 | 2025-10-06 |
Weakly Supervised Multiple Instance Learning Model With Generalization Ability for Clinical Adenocarcinoma Screening on Serous Cavity Effusion Pathology
2025-Feb, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2024.100648
PMID:39515585
|
研究论文 | 本研究提出一种弱监督多示例学习模型，用于浆膜腔积液中腺癌细胞的临床筛查 | 首次将细胞块技术与弱监督深度学习模型结合，采用多示例学习方法进行浆膜腺癌筛查 | NA | 提高浆膜腔积液中腺癌细胞的筛查效率和诊断准确性 | 浆膜腔积液中的腺癌细胞 | 数字病理学 | 腺癌 | 细胞块技术，全玻片成像 | 弱监督深度学习，多示例学习 | 病理图像 | NA | NA | NA | NA | NA |
| 8979 | 2025-10-06 |
Radiomics-guided generative adversarial network for automatic primary target volume segmentation for nasopharyngeal carcinoma using computed tomography images
2025-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17493
PMID:39535436
|
研究论文 | 提出一种基于瘤周影像组学引导的生成对抗网络，用于鼻咽癌CT图像的原发肿瘤靶区自动分割 | 首次将瘤周影像组学特征作为先验知识融入生成对抗网络，解决CT图像中肿瘤边界不清的分割难题 | 样本量相对有限（157例患者），且仅基于CT图像 | 提高鼻咽癌原发肿瘤靶区在CT图像上的自动分割精度 | 鼻咽癌患者的CT图像 | 医学影像分析 | 鼻咽癌 | CT成像 | GAN | CT图像 | 157例鼻咽癌患者（训练集108例，验证集9例，测试集30例） | NA | 生成对抗网络 | Dice相似系数, 95% Hausdorff距离, 平均对称表面距离 | NA |
| 8980 | 2025-10-06 |
Active Machine Learning for Pre-procedural Prediction of Time-Varying Boundary Condition After Fontan Procedure Using Generative Adversarial Networks
2025-Jan, Annals of biomedical engineering
IF:3.0Q3
DOI:10.1007/s10439-024-03640-8
PMID:39480609
|
研究论文 | 本研究应用机器学习技术预测Fontan手术后随时间变化的边界条件，以改进手术规划 | 提出了新颖的多样性感知生成对抗主动学习框架，能够在有限心血管病例数据上成功训练预测性深度神经网络 | 基于虚拟队列合成数据，实际临床应用需要进一步验证 | 开发用于手术规划的术后边界条件预测方法 | Fontan手术患者的术前和术后静脉血流条件 | 机器学习 | 心血管疾病 | 机器学习，计算流体动力学 | GAN, 深度神经网络 | 血流模拟数据 | 14组实验（基于虚拟队列） | NA | 生成对抗网络 | 预测准确度，决定系数 | NA |