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 40395 篇文献，本页显示第 9701 - 9720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9701 | 2025-10-29 |
Robust Identification of Gas Mixtures from FTIR Spectra using Attention Mechanism to Mitigate Instrument Line Shape Variations
2025-Oct-28, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03975
PMID:41103041
|
研究论文 | 提出基于注意力机制的深度学习框架，用于从FTIR光谱中稳健识别气体混合物成分 | 首次将注意力机制应用于解决FTIR光谱中仪器线形变化问题，显著提升跨设备识别性能 | 仅针对8种气体成分和10种仪器线形进行验证，未涵盖更广泛的气体种类和仪器类型 | 解决FTIR光谱分析中仪器线形变化对气体混合物识别的影响 | 气体混合物及其FTIR光谱数据 | 光谱分析 | NA | 傅里叶变换红外光谱(FTIR) | 深度学习,注意力机制 | 光谱数据 | 包含10种不同仪器线形和8种气体成分的自建数据集 | NA | 基于注意力机制的深度学习框架 | 精确匹配率 | NA |
| 9702 | 2025-10-29 |
High-Performance Triboelectric Nanogenerator Based on PVDF/Cellulose Filter Paper Composites for Internet of Things-Assisted Wireless Sensing and Energy Harvesting
2025-Oct-28, Langmuir : the ACS journal of surfaces and colloids
IF:3.7Q2
DOI:10.1021/acs.langmuir.5c04209
PMID:41105935
|
研究论文 | 本研究开发了一种基于PVDF/纤维素滤纸复合膜的高性能摩擦纳米发电机，用于物联网辅助的无线传感和能量收集 | 采用PVDF/纤维素滤纸复合膜作为增强正摩擦层，实现了高达230V的开路电压和优异的操作稳定性，并集成了深度学习辅助信号处理框架 | 未明确说明设备长期使用的耐久性测试结果和规模化生产的可行性 | 提升摩擦纳米发电机的输出性能和设备可持续性，拓展其在可穿戴设备和健康监测领域的应用 | 基于PVDF/纤维素滤纸复合膜的摩擦纳米发电机 | 物联网 | NA | 摩擦纳米发电技术 | 深度学习 | 传感器信号数据 | NA | NA | NA | 开路电压, 动作识别准确率 | NA |
| 9703 | 2025-10-29 |
MODAPro: Explainable Heterogeneous Networks with Variational Graph Autoencoder for Mining Disease-Specific Functional Molecules and Pathways from Omics Data
2025-Oct-28, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03611
PMID:41110139
|
研究论文 | 提出MODAPro深度学习框架，通过变分图自编码器和图卷积网络整合多组学数据，挖掘疾病特异性功能分子和通路 | 结合变分图自编码器与图卷积网络的新型架构，能够以前所未有的分辨率捕获和解释跨组学层的复杂非线性分子关系 | NA | 解决多组学数据整合中的异质性、稀疏性和可解释性差距问题，挖掘疾病相关生物标志物和功能模块 | 多组学数据中的分子关系和疾病相关生物标志物 | 机器学习 | 多种疾病 | 多组学数据整合分析 | VAE,GCN | 多组学数据 | NA | PyTorch,TensorFlow | 变分图自编码器,图卷积网络 | NA | NA |
| 9704 | 2025-10-29 |
A Deep Learning-Based Framework for Valence Bond Structure Selection and Weight Prediction
2025-Oct-28, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01220
PMID:41111284
|
研究论文 | 提出了一种基于深度学习的价键结构选择与权重预测框架DLVB | 首次将价键理论与图变换器通过化学意义表示相结合，无需计算即可准确预测价键结构权重 | 未明确说明模型在更大分子系统上的泛化能力 | 扩展价键理论在更大活性空间和更高分子复杂度体系中的应用 | 价键结构和分子体系 | 机器学习 | NA | 深度学习，选择构型相互作用(SCI) | 图变换器 | 化学结构表示 | NA | NA | 图变换器 | 准确性，可扩展性 | NA |
| 9705 | 2025-10-29 |
Artificial Intelligence in HPLC Method Development: A Critical Review of Technological Integration, Limitations, and Future Directions
2025-Oct-28, Critical reviews in analytical chemistry
IF:4.2Q1
DOI:10.1080/10408347.2025.2575352
PMID:41146636
|
综述 | 本文批判性评述了人工智能在高效液相色谱方法开发中的技术整合、局限性与未来发展方向 | 系统剖析了从传统实验设计到AI驱动平台的范式转变，首次明确区分了确定性模拟器与真正AI工具的认知边界 | AI模型可解释性不足、监管验证困难、数据标准化缺失、训练数据集多样性不足、黑箱模型在GxP监管环境中接受度有限 | 分析AI在HPLC方法开发中的技术整合现状与未来发展方向 | 高效液相色谱方法开发过程 | 机器学习 | NA | 高效液相色谱 | 机器学习, 深度学习, 强化学习 | 色谱数据 | NA | NA | NA | NA | NA |
| 9706 | 2025-10-29 |
Lipid MRI in Plant Science: Principles and Potential Areas of Application
2025-Oct-28, Journal of experimental botany
IF:5.6Q1
DOI:10.1093/jxb/eraf479
PMID:41147200
|
综述 | 本文综述了磁共振成像技术在植物科学中脂质分析的应用原理、最新进展与未来前景 | 整合深度学习与多模态方法的MRI技术为种子生物学和油料作物表型分析带来变革 | NA | 探讨MRI技术在植物脂质分析中的应用潜力与发展方向 | 植物种子及脂质代谢过程 | 植物科学 | NA | 磁共振成像 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 9707 | 2025-10-29 |
Accelerating battery innovation: AI-powered molecular discovery
2025-Oct-27, Chemical Society reviews
IF:40.4Q1
DOI:10.1039/d5cs00053j
PMID:40980860
|
综述 | 系统探讨人工智能在下一代电池系统分子发现中的集成应用 | 首次系统整合多维分子表征策略与AI算法（包括新兴大语言模型）用于电池材料发现 | 未提供具体实验验证数据，主要基于文献综述和理论分析 | 加速电池材料分子设计以推动可持续能源创新 | 电池相关分子材料 | 机器学习 | NA | 分子工程，高通量虚拟筛选，高通量实验 | 经典机器学习，深度学习，大语言模型 | 分子表征数据，电化学性质数据 | NA | NA | NA | NA | NA |
| 9708 | 2025-10-29 |
Magnetic resonance imaging-based artificial intelligence model predicts neoadjuvant therapy response in triple-negative breast cancer
2025-10-27, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2025.253376
PMID:41140117
|
研究论文 | 开发基于深度学习的AI模型，利用治疗前MRI预测三阴性乳腺癌患者对新辅助化疗的病理完全缓解 | 首次使用治疗前多序列MRI数据训练残差卷积神经网络预测TNBC患者对新辅助化疗的响应 | 回顾性研究、样本量较小（43例患者）、需要更大数据集和更多影像模态验证 | 预测三阴性乳腺癌患者对新辅助化疗的病理完全缓解 | 三阴性乳腺癌患者 | 医学影像分析 | 乳腺癌 | 磁共振成像 | CNN | 医学影像 | 43例患者的49个病灶 | NA | 残差卷积神经网络 | 准确率, AUC, Dice相似系数 | NA |
| 9709 | 2025-10-29 |
Letter: Predicting Intracranial Pressure Levels: A Deep Learning Approach Using Computed Tomography Brain Scans
2025-Oct-27, Neurosurgery
IF:3.9Q1
DOI:10.1227/neu.0000000000003830
PMID:41143525
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9710 | 2025-10-29 |
MS-CANet: lightweight multi-scale channel attention network with depthwise residual blocks for EEG-based spatial cognition evaluation
2025-Oct-27, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03462-3
PMID:41143908
|
研究论文 | 提出一种轻量级多尺度通道注意力网络，用于基于EEG的空间认知能力评估 | 结合多尺度卷积层、通道注意力机制和新型深度可分离残差块，在保持性能的同时显著降低计算复杂度 | 仅在空间认知EEG数据集上进行评估，需要进一步验证在其他认知障碍中的泛化能力 | 开发轻量级深度学习模型用于EEG信号分析，实现移动医疗设备部署 | 脑电图(EEG)信号 | 机器学习 | 认知障碍 | 脑电图(EEG) | CNN | EEG信号 | NA | NA | 多尺度通道注意力网络,深度可分离残差块 | 准确率 | 移动医疗设备 |
| 9711 | 2025-10-29 |
Optimizing flow-diverting stent configurations for aneurysm treatment: a computational approach integrating deep learning and differential evolution optimization
2025-Oct-27, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01662-7
PMID:41144179
|
研究论文 | 本研究结合计算流体动力学模拟、深度神经网络和差分进化优化算法，优化动脉瘤治疗中血流导向支架的配置 | 首次将深度神经网络与差分进化优化相结合，用于支架配置优化，能够准确预测血流动力学参数并自动寻找最优支架设计 | 研究基于2700个模拟数据集，需要进一步实验验证和临床测试 | 优化血流导向支架配置以改善动脉瘤治疗的血液动力学效果 | 动脉瘤和血流导向支架 | 计算流体动力学, 深度学习 | 动脉瘤 | 计算流体动力学模拟, 深度学习 | DNN | 数值模拟数据 | 2700个计算流体动力学模拟 | NA | 深度神经网络 | 速度, 涡量, 壁面剪切应力 | NA |
| 9712 | 2025-10-29 |
ESIP: Explicit Surgical Instrument Prompting for Surgical Workflow Recognition
2025-Oct-27, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3625420
PMID:41144421
|
研究论文 | 提出一种显式手术器械提示方法用于手术工作流识别任务 | 通过手术器械分割生成器械特定的视觉提示，显式引导关键空间特征提取，实现更充分的时空特征提取和聚合 | NA | 改进手术工作流识别任务的性能 | 手术视频中的手术阶段识别 | 计算机视觉 | NA | 手术器械分割 | 深度学习 | 视频 | Cholec80、M2CAI和AutoLaparo三个数据集 | NA | SAM-based segmentation | Precision, Recall, Jaccard | NA |
| 9713 | 2025-10-29 |
MDL-HTI: A Multimodal Deep Learning Approach for Predicting Herb-Target Interactions
2025-Oct-27, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00772-w
PMID:41145778
|
研究论文 | 提出一种名为MDL-HTI的多模态深度学习框架，用于预测中药与靶点之间的相互作用 | 整合异构图学习与多模态生物数据，通过多视图异质关系嵌入算法和生物多模态信息网络提取结构模式和生物特征 | NA | 预测中药与靶点相互作用，阐明中药药理机制 | 中药草药及其生物靶点 | 机器学习 | NA | 多模态生物数据整合 | 异构图学习网络,自注意力网络 | 图结构数据,生物多模态数据 | NA | NA | MV-HRE,多模态信息网络 | NA | NA |
| 9714 | 2025-10-29 |
CSF1R and macrophage infiltration: Integrated magnetic resonance imaging radiomics and deep learning-driven models for the preoperative assessment of glioma
2025-Oct-27, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003827
PMID:41146428
|
研究论文 | 本研究开发了基于磁共振影像组学和深度学习的CSF1R预测模型，用于术前评估胶质瘤 | 首次整合传统影像组学特征和深度学习特征构建CSF1R预测模型，并系统验证了模型与巨噬细胞浸润的关联 | 样本量相对有限，特别是单细胞测序数据仅来自2例患者 | 术前无创预测胶质瘤中CSF1R水平，为免疫治疗提供指导 | 胶质瘤患者 | 医学影像分析 | 胶质瘤 | 磁共振成像, 免疫组织化学染色, 单细胞RNA测序 | 机器学习分类器, 深度学习 | 磁共振图像, 基因表达数据, 免疫组化数据, 单细胞测序数据 | 共477例患者（训练集64例，内部测试集38例，外部验证集101例，生存分析255例，免疫组化16例，单细胞测序2例4个病灶） | Scikit-learn | 支持向量机, 随机森林, 朴素贝叶斯等12种经典机器学习分类器 | 准确率, 灵敏度, 特异性, AUC | NA |
| 9715 | 2025-10-29 |
High-acceleration pancreatobiliary MRI with deep learning-based super-resolution reconstruction for evaluating presumed pancreatic intraductal papillary mucinous neoplasm
2025-Oct-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00932-7
PMID:41137166
|
研究论文 | 评估基于深度学习的超分辨率重建算法在胰腺胆道MRI中诊断胰腺导管内乳头状黏液性肿瘤的可行性和诊断效用 | 首次将深度学习超分辨率重建算法应用于胰腺胆道MRI，显著提升图像质量和囊性病变显着性 | 回顾性研究设计，样本量有限（恶性IPMN仅15例），需要更大规模研究验证临床影响 | 评估深度学习超分辨率重建在胰腺胆道MRI中的诊断性能 | 162例疑似胰腺导管内乳头状黏液性肿瘤患者 | 医学影像分析 | 胰腺肿瘤 | MRI, 深度学习超分辨率重建 | 深度学习 | 医学影像 | 162例患者（15例恶性IPMN，147例良性IPMN） | NA | 超分辨率重建网络 | AUC, 敏感度, 特异度, 准确率 | NA |
| 9716 | 2025-10-29 |
Predicting the Effort Required to Manually Mend Auto-Segmentations
2025-Oct-23, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3623042
PMID:41129432
|
研究论文 | 本文研究评估自动分割结果临床可用性的方法，重点关注预测手动修正所需的工作量 | 提出基于深度学习网络的隐式指标来预测修正工作量，无需真实分割标签，仅使用自动分割结果和原始图像 | 研究仅针对放射治疗计划中的7个解剖器官，需要在更广泛场景中验证 | 开发能够有效预测自动分割结果手动修正工作量的评估方法 | 放射治疗计划中的自动轮廓分割结果 | 医学图像分析 | NA | 深度学习 | 深度学习网络 | 医学图像，分割掩码 | 3个机构的7个不同解剖器官数据 | NA | NA | 误差率 | NA |
| 9717 | 2025-10-29 |
A robust and data-efficient deep learning model for cardiac assessment without segmentation
2025-Oct-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01903-x
PMID:41126099
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9718 | 2025-10-29 |
Explainable machine learning algorithm predicting working memory performance in Parkinson's disease using task-fMRI
2025-Oct-14, Journal of neurology
IF:4.8Q1
DOI:10.1007/s00415-025-13438-w
PMID:41085732
|
研究论文 | 开发可解释的机器学习模型，基于任务功能磁共振成像数据预测帕金森病患者的工作记忆表现水平 | 首次将三维卷积神经网络与三维卷积自编码器预训练结合，应用于帕金森病工作记忆表现分类，并生成显著性图谱解释模型决策依据 | 样本量较小（仅45名患者和15名健康对照），仅使用单一任务功能磁共振成像范式 | 开发可解释的深度学习模型用于帕金森病患者工作记忆表现的客观评估 | 帕金森病患者和健康对照个体 | 医学影像分析 | 帕金森病 | 任务功能磁共振成像，n-back工作记忆任务 | 3D-CNN | 三维脑功能影像数据 | 45名帕金森病患者和15名健康对照 | NA | 三维卷积神经网络，三维卷积自编码器 | 准确率 | NA |
| 9719 | 2025-10-29 |
GARNN-AE-LSTM: A Multimodal Deep Learning Approach for High-Accuracy Video Summarization
2025-Oct-10, Journal of visualized experiments : JoVE
DOI:10.3791/69097
PMID:41144309
|
研究论文 | 提出一种融合视觉和听觉信息的多模态深度学习框架GARNN-AE-LSTM，用于实现高精度视频摘要 | 结合门控循环神经网络(GARNN)和对抗编码器LSTM(AE-LSTM)，引入门控AlexNet和多模态特征提取，通过运动补偿PCA降维和时序建模提升关键帧检测精度 | NA | 开发高精度的视频摘要系统，通过保留关键内容创建精简版长视频 | 视频数据 | 计算机视觉 | NA | 多模态特征提取，运动补偿特征降维，PCA降维 | GRU, LSTM, AlexNet | 视频，音频，图像 | NA | NA | GARNN, AE-LSTM, AlexNet | 敏感度, F分数, 阳性预测值 | NA |
| 9720 | 2025-10-29 |
Deep learning prediction of peak oxygen uptake in patients with coronary heart disease: a retrospective study
2025-Oct-05, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2025-098878
PMID:41047260
|
研究论文 | 本研究开发并验证了基于亚极量心肺运动测试指标和深度学习方法预测冠心病患者峰值摄氧量的模型 | 首次将深度学习方法应用于冠心病患者峰值摄氧量预测，并比较了多种机器学习模型的性能 | 研究为回顾性设计，需要进一步的外部验证和前瞻性研究才能临床应用 | 开发预测冠心病患者峰值摄氧量的预测模型 | 冠心病患者 | 机器学习 | 冠心病 | 心肺运动测试 | 神经网络,XGBoost | 临床数据和运动测试指标 | 10538名冠心病患者 | NA | 神经网络 | R²,平均绝对误差,偏差,Bland-Altman分析,SHAP特征重要性排序 | NA |