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 9521 - 9540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9521 | 2025-05-31 |
Explainable AI for Intraoperative Motor-Evoked Potential Muscle Classification in Neurosurgery: Bicentric Retrospective Study
2025-Mar-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/63937
PMID:40127441
|
研究论文 | 本研究开发并评估了用于术中运动诱发电位（MEP）肌肉分类的机器学习方法，并利用可解释人工智能（XAI）技术识别关键信号特征 | 结合机器学习与可解释人工智能技术，首次在双中心设置下验证MEP信号分类模型，并识别出频率成分和峰值潜伏期等关键特征 | 研究为回顾性设计，样本量相对有限（151例训练手术/58例测试手术），且仅针对四种特定肌肉 | 开发可靠的MEP肌肉分类模型以提高神经外科手术患者安全性，并探索影响分类的关键信号特征 | 幕上神经外科手术中四种肌肉（指伸肌、拇短展肌、胫骨前肌和拇展肌）的运动诱发电位信号 | 数字病理 | 神经系统疾病 | 运动诱发电位监测（IONM） | 随机森林（RF）、1D-CNN和2D-CNN | 时间序列生物电信号 | 训练集：36,992个MEP（151例手术）；测试集：24,298个MEP（58例手术） | NA | NA | NA | NA |
| 9522 | 2025-05-31 |
Establishment of a deep-learning-assisted recurrent nasopharyngeal carcinoma detecting simultaneous tactic (DARNDEST) with high cost-effectiveness based on magnetic resonance images: a multicenter study in an endemic area
2025-Mar-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00853-5
PMID:40128777
|
研究论文 | 本研究探讨了利用未增强磁共振图像（MRI）检测局部复发性鼻咽癌（rNPC）的可行性，并通过深度学习模型优化了随访的分层管理策略 | 开发了一种基于深度学习的复发性鼻咽癌同步检测策略（DARNDEST），结合了3D DenseNet和ResNet框架，提高了检测的准确性和敏感性 | 特异性相比T1_T2模型有所降低，且研究结果基于假设的1000名患者队列 | 优化复发性鼻咽癌的检测方法，提高随访管理的效率和经济效益 | 局部复发性鼻咽癌（rNPC）患者 | 数字病理 | 鼻咽癌 | MRI（T1WI, T2WI, T1WIC） | 3D DenseNet, ResNet | 图像 | 假设队列1000名患者（内部和外部测试集） | NA | NA | NA | NA |
| 9523 | 2025-05-31 |
A Two-Stage Lightweight Deep Learning Framework for Mass Detection and Segmentation in Mammograms Using YOLOv5 and Depthwise SegNet
2025-Mar-14, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01471-0
PMID:40087224
|
研究论文 | 提出了一种轻量级的两阶段深度学习框架，用于在乳腺X光片中检测和分割肿块，确保医疗数据隐私 | 结合YOLOv5和深度可分离卷积的SegNet架构，创建了一个参数少、推理速度快的轻量级模型，可直接在用户浏览器中运行 | 在CBIS-DDSM数据集上的mAP@50为50.3%，性能仍有提升空间 | 开发一个高效且保护隐私的乳腺癌肿块检测和分割解决方案 | 乳腺X光片中的肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | YOLOv5, SegNet | 图像 | CBIS-DDSM和INbreast数据集 | NA | NA | NA | NA |
| 9524 | 2025-05-31 |
Tumor cell villages define the co-dependency of tumor and microenvironment in liver cancer
2025-Mar-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.07.642107
PMID:40161587
|
研究论文 | 该研究通过空间单细胞成像和单细胞RNA测序分析了50个肿瘤生物样本中的200多万个细胞，开发了一种基于深度学习的策略来空间映射肿瘤细胞状态及其周围结构 | 提出了空间动态网络（SDN）的概念，揭示了肿瘤细胞状态如何组织成独特的集群（'村庄'），并展示了这些村庄与肿瘤微环境之间的分子共依赖性 | 研究仅针对肝癌，未涉及其他癌症类型 | 理解肿瘤空间景观及其对肿瘤侵袭性的影响 | 肝癌肿瘤细胞及其微环境 | 数字病理学 | 肝癌 | 空间单细胞成像, 单细胞RNA测序 | 深度学习 | 图像, 基因表达数据 | 50个肿瘤生物样本中的200多万个细胞 | NA | NA | NA | NA |
| 9525 | 2025-05-31 |
Graph neural networks for single-cell omics data: a review of approaches and applications
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf109
PMID:40091193
|
综述 | 本文系统回顾了图神经网络（GNNs）在单细胞组学数据分析中的应用及其六种变体 | 首次系统总结了GNNs在单细胞组学数据分析中的107个成功应用案例，并整理了77个公开可用的单细胞数据集 | 当前研究可能存在方法学上的不足，需要未来进一步探索 | 深化GNNs在单细胞组学数据分析中的应用 | 单细胞组学数据 | 机器学习 | NA | 单细胞测序技术 | GNN及其六种变体 | 单细胞组学数据（表观基因组学、转录组学、空间转录组学、蛋白质组学和多组学） | 总结了77个公开可用的单细胞数据集 | NA | NA | NA | NA |
| 9526 | 2025-05-31 |
Utilising routinely collected clinical data through time series deep learning to improve identification of bacterial bloodstream infections: a retrospective cohort study
2025-03, The Lancet. Digital health
DOI:10.1016/j.landig.2025.01.010
PMID:40015765
|
研究论文 | 本研究利用常规收集的临床数据，通过时间序列深度学习技术，提高了细菌性血流感染的识别能力 | 使用LSTM模型分析时间序列数据，显著提高了对血流感染的预测准确性 | 研究为回顾性队列研究，可能存在数据偏差 | 开发和评估利用医疗数据预测住院患者血流感染的模型 | 住院患者 | 机器学习 | 血流感染 | 血液培养 | LSTM, logistic regression | 临床数据 | 20850名患者（训练集15212名，测试集5638名） | NA | NA | NA | NA |
| 9527 | 2025-05-31 |
A Robust and Efficient Representation-based DNA Storage Architecture by Deep Learning
2025-03, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202400959
PMID:40114483
|
research paper | 提出一种基于深度学习的表示型DNA存储架构，用于图像的高效和鲁棒存储 | 利用深度学习的出色表示和图像生成能力，结合自编码器和U-Net网络，实现了DNA存储中噪声读取下的图像表示、构建和优化 | 在插入-删除-替换(IDS)错误率低于6%的场景下才能重建中等质量的图像 | 开发一种鲁棒且高效的DNA存储架构，用于大规模图像应用 | 图像数据 | 数字病理 | NA | DNA存储 | autoencoder, U-Net | 图像 | 14个质粒中存储的图像 | NA | NA | NA | NA |
| 9528 | 2025-05-31 |
Combinatorial mapping of E3 ubiquitin ligases to their target substrates
2025-Feb-20, Molecular cell
IF:14.5Q1
DOI:10.1016/j.molcel.2025.01.016
PMID:39919746
|
研究论文 | 本文介绍了一种名为COMET的组合映射方法，用于大规模识别E3泛素连接酶与其底物蛋白的降解关系 | 开发了COMET框架，能够在一个实验中同时测试多个E3连接酶对多个候选底物的降解作用，并利用深度学习预测E3-底物相互作用的结构基础 | 未明确说明实验验证的覆盖范围是否足够全面，深度学习模型的预测准确性可能存在局限 | 大规模识别人类E3泛素连接酶与其底物蛋白的降解关系 | 人类E3泛素连接酶及其底物蛋白 | 生物信息学 | NA | COMET框架、深度学习 | 深度学习模型 | 蛋白质相互作用数据 | 6,716种F-box-ORF组合和26,028种E3-TF组合 | NA | NA | NA | NA |
| 9529 | 2025-05-31 |
Deep Learning Derived Adipocyte Size Reveals Adipocyte Hypertrophy is under Genetic Control
2025-Feb-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.02.11.25322053
PMID:39990583
|
研究论文 | 本研究利用深度学习技术自动分析脂肪细胞大小，探讨其与肥胖相关性状及遗传关联的关系 | 开发了基于深度学习的脂肪组织切片语义分割方法，进行了迄今为止最大规模的脂肪细胞表型与遗传关联研究 | 研究样本主要来自特定人群，可能限制结果的普适性 | 探究脂肪细胞大小与肥胖相关代谢特征的关联及其遗传基础 | 皮下和内脏脂肪组织样本 | 数字病理学 | 肥胖相关疾病 | 深度学习 | 语义分割模型 | 组织切片图像 | 5个独立队列中的2,667份样本，包含9,000张全切片图像和超过2,700万个脂肪细胞 | NA | NA | NA | NA |
| 9530 | 2025-05-31 |
Artificial intelligence-driven volumetric CT outcome score in cystic fibrosis: longitudinal and multicenter validation with/without modulators treatment
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11019-5
PMID:39150489
|
研究论文 | 本研究通过3D深度学习技术开发了一种自动定量测量囊性纤维化(CF)患者气道异常的CT评分方法(NOVAA-CT)，并进行了纵向和多中心的临床验证 | 首次开发了基于AI的全肺自动定量CT评分系统(NOVAA-CT)，可全面监测CF严重程度并量化治疗效果 | 研究为回顾性设计，样本量相对有限(139例) | 验证AI驱动的容积CT评分在囊性纤维化诊疗中的临床应用价值 | 接受ETI或ABPA治疗的囊性纤维化患者 | 数字病理 | 囊性纤维化 | 3D深度学习 | 3D CNN | CT影像 | 139例CF患者(ETI组60例，ABPA组20例，外部验证组59例) | NA | NA | NA | NA |
| 9531 | 2025-05-31 |
Disease Activity and Therapeutic Response to Pegcetacoplan for Geographic Atrophy Identified by Deep Learning-Based Analysis of OCT
2025-Feb, Ophthalmology
IF:13.1Q1
DOI:10.1016/j.ophtha.2024.08.017
PMID:39151755
|
研究论文 | 使用基于深度学习的OCT图像分析量化pegcetacoplan治疗下地理萎缩(GA)中光感受器(PRs)和视网膜色素上皮(RPE)层的形态变化 | 首次采用深度学习技术对OCT图像进行分割，量化PR和RPE的退化情况，并评估pegcetacoplan治疗的疗效 | 研究为事后纵向图像分析，可能存在选择偏倚 | 评估pegcetacoplan治疗对GA患者PR和RPE层退化的影响 | 年龄相关性黄斑变性导致的GA患者 | 数字病理学 | 年龄相关性黄斑变性 | OCT成像 | 深度学习 | 图像 | 897名患者的897只眼 | NA | NA | NA | NA |
| 9532 | 2025-05-31 |
Multi-modal prediction of extracorporeal support-a resource intensive therapy, utilizing a large national database
2025-Feb, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooae158
PMID:39764170
|
研究论文 | 开发了一个名为PreEMPT-ECMO的分层深度学习模型，用于预测ECMO的使用，以优化患者分诊和资源分配 | 利用多模态数据开发了一个连续预测ECMO使用的分层深度学习模型，该模型整合了静态和多粒度时间序列特征，优于现有的预测模型 | 未来需要在前瞻性验证和非COVID-19难治性呼吸衰竭中进行泛化性验证 | 开发一个连续的ECMO风险预测模型，以优化患者分诊和资源分配 | 使用ECMO的患者 | 机器学习 | COVID-19 | 深度学习 | 分层深度学习模型 | 多模态数据（静态和时间序列数据） | 101,400名患者（其中1,298名使用ECMO） | NA | NA | NA | NA |
| 9533 | 2025-05-31 |
Classification of Major Depressive Disorder Using Vertex-Wise Brain Sulcal Depth, Curvature, and Thickness with a Deep and a Shallow Learning Model
2025-Jan-24, ArXiv
PMID:39975425
|
research paper | 该研究利用深度学习模型和浅层学习模型，基于顶点级别的大脑沟深度、曲率和厚度特征，对重度抑郁症（MDD）进行分类 | 首次整合顶点级别的皮层形态特征，并比较DenseNet和SVM在MDD分类中的性能，同时应用ComBat协调工具消除多中心数据的潜在干扰效应 | 两种分类器在未见过的中心数据上表现接近随机水平，表明当前特征和分类器组合无法有效区分MDD和健康对照组 | 探索基于脑形态学特征的MDD自动诊断方法 | 重度抑郁症患者（MDD）和健康对照组（HC） | 神经影像分析 | 重度抑郁症 | 脑形态学特征分析，ComBat数据协调 | DenseNet, SVM | 脑结构MRI数据 | 7,012名参与者（2,772名MDD患者和4,240名HC），来自30个中心 | NA | NA | NA | NA |
| 9534 | 2025-05-31 |
An interpretable multi-scale convolutional attention residual neural network for glioma grading with Raman spectroscopy
2025-Jan-23, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d4ay02068e
PMID:39686848
|
研究论文 | 本文提出了一种多尺度卷积注意力残差网络（M-SCA ResNet），用于通过拉曼光谱对胶质瘤进行分级 | 结合多尺度通道和空间注意力机制以及残差结构，提升了模型的特征提取能力，并通过Grad-CAM增强了模型的可解释性 | NA | 提高胶质瘤分级的准确性和可解释性，辅助医生制定个性化手术方案 | 高级别胶质瘤（HGG）、低级别胶质瘤（LGG）和正常组织 | 数字病理 | 胶质瘤 | 拉曼光谱 | M-SCA ResNet | 光谱数据 | NA | NA | NA | NA | NA |
| 9535 | 2025-05-31 |
Integrating pharmacogenomics and cheminformatics with diverse disease phenotypes for cell type-guided drug discovery
2025-Jan-20, Genome medicine
IF:10.4Q1
DOI:10.1186/s13073-025-01431-x
PMID:39833831
|
研究论文 | 提出了一种基于网络的统计方法Pathopticon，整合药物基因组学和化学信息学数据，用于细胞类型依赖的药物发现 | 开发了Pathopticon方法，结合细胞类型特异性基因-药物扰动网络与化学信息学数据，改进了药物发现的预测性能 | 方法依赖于现有数据库（如CMap、Enrichr、ChEMBL）的数据质量和覆盖范围 | 开发一种细胞类型特异性的药物发现和重新定位平台 | 药物基因组学和化学信息学数据，以及多种疾病表型 | 计算药物发现 | 血管疾病 | QUIZ-C统计方法、qPCR实验 | 网络分析方法 | 基因表达数据、化学结构数据 | 569个疾病特征（来自Enrichr数据库）、73个基因集（来自MSigDB） | NA | NA | NA | NA |
| 9536 | 2025-05-31 |
A hybrid machine learning approach for the personalized prognostication of aggressive skin cancers
2025-Jan-08, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-024-01329-9
PMID:39779875
|
research paper | 该研究开发了一种名为'DeepMerkel'的基于网络的个性化预后工具，用于Merkel细胞癌（MCC）的个性化生存预测 | 结合深度学习特征选择和改进的XGBoost框架，开发了首个针对MCC的个性化预后工具，并通过国际临床队列验证了其预测性能优于现有基于人群的预后分期系统 | 未提及具体样本量或数据收集的限制 | 开发个性化机器学习预后工具，用于Merkel细胞癌（MCC）的生存预测 | Merkel细胞癌（MCC）患者 | machine learning | skin cancer | deep learning feature selection, XGBoost | XGBoost | clinical information | NA | NA | NA | NA | NA |
| 9537 | 2025-05-31 |
HVSeeker: a deep-learning-based method for identification of host and viral DNA sequences
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf037
PMID:40372723
|
research paper | HVSeeker是一种基于深度学习的方法，用于区分细菌和噬菌体序列 | HVSeeker结合了两种独立的模型（DNA序列和蛋白质分析）以及三种预处理方法（填充、contigs组装和滑动窗口），在识别未知噬菌体基因组方面表现出色 | NA | 开发一种能够从混合宏基因组中准确识别宿主和病毒序列的方法 | 细菌和噬菌体序列 | bioinformatics | NA | deep learning | HVSeeker（包含DNA序列和蛋白质分析两个独立模型） | DNA序列和蛋白质序列 | 测试数据来自NCBI和IMGVR数据库，序列长度范围200到1,500碱基对 | NA | NA | NA | NA |
| 9538 | 2025-05-31 |
Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: A data-driven approach for improved classification
2025-Jan, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103383
PMID:39546982
|
研究论文 | 本文提出了一种名为MAPLEZ的新方法，利用本地可执行的大型语言模型（LLM）从胸部X光报告中提取和增强发现标签，以提高分类质量 | MAPLEZ不仅提取二元标签（表示发现的存在或缺失），还提取位置、严重程度和放射科医生对发现的不确定性，显著提高了标签质量和分类性能 | 方法仅在有限分辨率的胸部X光数据集上进行了验证，可能在其他类型或更高分辨率的数据上表现不同 | 提高胸部X光图像分析的标签质量和分类性能 | 胸部X光报告和图像 | 数字病理学 | 肺病 | 大型语言模型（LLM） | LLM | 图像和文本 | 五个测试集中的八种异常情况 | NA | NA | NA | NA |
| 9539 | 2025-05-31 |
Elastography-based AI model can predict axillary status after neoadjuvant chemotherapy in breast cancer with nodal involvement: a prospective, multicenter, diagnostic study
2025-Jan-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002105
PMID:39724577
|
research paper | 开发了一种基于弹性成像和深度学习的模型，用于预测乳腺癌患者在化疗后腋窝淋巴结状态 | 结合剪切波弹性成像（SWE）和深度学习放射组学（DLR）模型，显著提高了预测准确性 | 研究仅基于术前超声图像，未考虑其他影像学或分子生物学数据 | 预测乳腺癌患者在接受新辅助化疗后腋窝淋巴结的状态 | 671名经活检证实有淋巴结转移的乳腺癌患者 | digital pathology | breast cancer | shear wave elastography (SWE), B-mode ultrasound (BUS) | deep learning radiomics (DLR) | image | 671名乳腺癌患者 | NA | NA | NA | NA |
| 9540 | 2025-05-31 |
LD-informed deep learning for Alzheimer's gene loci detection using WGS data
2025 Jan-Mar, Alzheimer's & dementia (New York, N. Y.)
DOI:10.1002/trc2.70041
PMID:39822590
|
research paper | 介绍了一种名为Deep-Block的多阶段深度学习框架，用于从大规模全基因组测序数据中识别与阿尔茨海默病相关的遗传位点 | Deep-Block框架结合了生物学知识，采用三阶段方法（基于连锁不平衡模式进行基因组分割、使用稀疏注意力机制选择相关LD块、应用TabNet和随机森林算法量化SNP特征重要性）来识别阿尔茨海默病的遗传因素 | 研究仅针对非西班牙裔白人参与者，可能限制了结果的普适性 | 开发先进的分析工具以从大规模高通量测序数据中有效识别遗传位点，特别是与阿尔茨海默病相关的位点 | 阿尔茨海默病相关的遗传位点 | machine learning | 阿尔茨海默病 | WGS | TabNet, Random Forest | genomic data | 7416名非西班牙裔白人参与者（3150名认知正常的老年人，4266名阿尔茨海默病患者） | NA | NA | NA | NA |