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 32705 篇文献，本页显示第 9921 - 9940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9921 | 2025-05-31 |
Clinical and genetic associations of asymmetric apical and septal left ventricular hypertrophy
2024-Sep, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae060
PMID:39318696
|
research paper | 本研究探讨了左心室不对称顶端和间隔肥厚的临床和遗传关联 | 使用深度学习衍生的表型研究左心室肥厚区域分布的遗传和临床关联，独立于总左心室质量 | 需要在多民族队列中进行进一步研究 | 研究左心室不对称肥厚的临床和遗传关联及其对心血管疾病风险的影响 | 35,268名UK Biobank参与者 | machine learning | cardiovascular disease | 深度学习 | NA | genetic and clinical data | 35,268名UK Biobank参与者 | NA | NA | NA | NA |
| 9922 | 2025-05-31 |
AlphaFold2 Reveals Structural Patterns of Seasonal Haplotype Diversification in SARS-CoV-2 Nucleocapsid Protein Variants
2024-08-25, Viruses
DOI:10.3390/v16091358
PMID:39339835
|
研究论文 | 利用AlphaFold2揭示SARS-CoV-2核衣壳蛋白变体的季节性单倍型多样化结构模式 | 首次将AlphaFold2应用于SARS-CoV-2核衣壳蛋白变体的结构模式分析，揭示了内在无序区域在病毒进化中的重要性 | 研究依赖于计算模型预测的蛋白质结构，而非实验验证的实际结构 | 探究SARS-CoV-2变体的起源和进化机制 | SARS-CoV-2核衣壳蛋白(N蛋白)的22种单倍型 | 计算生物学 | COVID-19 | AlphaFold2, 从头计算方法, 数据挖掘 | AlphaFold2 | 蛋白质序列和结构数据 | 22种单倍型(来自GISAID数据库截至2023年7月23日的数据) | NA | NA | NA | NA |
| 9923 | 2025-05-31 |
Accurate prediction of protein function using statistics-informed graph networks
2024-Aug-04, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-50955-0
PMID:39097570
|
研究论文 | 提出了一种利用统计信息图网络仅从蛋白质序列预测蛋白质功能的方法 | 该方法无需结构信息即可预测蛋白质功能，并通过进化特征量化评估执行特定功能的残基重要性 | NA | 预测蛋白质功能以支持医学、生物技术和药物开发领域的研究 | 蛋白质序列 | 生物信息学 | NA | 统计信息图网络 | 图网络 | 序列数据 | 超过2亿个未表征的蛋白质 | NA | NA | NA | NA |
| 9924 | 2025-05-31 |
Unsupervised representation learning on high-dimensional clinical data improves genomic discovery and prediction
2024-Aug, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-024-01831-6
PMID:38977853
|
research paper | 介绍了一种名为REGLE的无监督深度学习模型，用于发现高维临床数据（HDCD）与遗传变异之间的关联 | REGLE利用变分自编码器计算HDCD的非线性解缠结嵌入，这些嵌入作为全基因组关联研究（GWAS）的输入，能够发现现有专家定义特征未捕获的特征，并在标记数据极少的数据集中构建准确的疾病特异性多基因风险评分（PRSs） | NA | 改进高维临床数据的遗传发现和疾病预测 | 高维临床数据（HDCD） | machine learning | respiratory and circulatory diseases | variational autoencoders, GWAS | variational autoencoders | clinical data | biobank-scale datasets | NA | NA | NA | NA |
| 9925 | 2025-05-31 |
Quantifying social roles in multi-animal videos using subject-aware deep-learning
2024-Jul-10, bioRxiv : the preprint server for biology
DOI:10.1101/2024.07.07.602350
PMID:39026890
|
研究论文 | 介绍了一种基于深度学习的系统LabGym2，用于识别和量化多动物群体中的社会角色 | 采用主体感知方法，评估群体中每个个体的行为状态，同时考虑其社会和周围环境 | NA | 开发自动化工具以分析多动物群体中自由移动个体的社会角色 | 多动物群体中的个体 | 计算机视觉 | NA | 深度学习 | NA | 视频 | 多种物种和实验，包括自由移动昆虫和野外灵长类动物的社会互动 | NA | NA | NA | NA |
| 9926 | 2025-05-31 |
Dynamic risk stratification of worsening heart failure using a deep learning-enabled implanted ambulatory single-lead electrocardiogram
2024-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae035
PMID:39081943
|
研究论文 | 该研究开发了一种基于深度学习的动态风险分层方法，利用植入式单导联动态心电图监测心力衰竭恶化的风险 | 首次将植入式循环记录器的动态心电图数据与深度学习算法结合，用于心力衰竭恶化的动态风险分层 | 研究仅基于回顾性数据，需要前瞻性研究验证 | 开发心力衰竭恶化的早期预警系统 | 心力衰竭患者 | 数字病理学 | 心血管疾病 | 动态心电图监测 | CNN | 心电图数据 | 2247名患者（训练集），909名患者（验证集） | NA | NA | NA | NA |
| 9927 | 2025-05-31 |
CrysFormer: Protein structure determination via Patterson maps, deep learning, and partial structure attention
2024-Jul, Structural dynamics (Melville, N.Y.)
DOI:10.1063/4.0000252
PMID:39148510
|
研究论文 | 提出了一种基于Transformer的模型CrysFormer，利用实验蛋白质晶体学数据和部分结构信息计算蛋白质的电子密度图 | 首次提出直接利用实验蛋白质晶体学数据和部分结构信息的Transformer模型，绕过晶体学相位问题 | 仅在合成数据集上进行了验证，未在真实复杂蛋白质结构上测试 | 解决蛋白质原子级结构确定的长期挑战 | 蛋白质晶体结构 | 计算生物学 | NA | X射线晶体学 | Transformer | Patterson图、蛋白质序列信息 | 两个合成数据集（一个每单位细胞含2个残基，另一个含15个残基） | NA | NA | NA | NA |
| 9928 | 2025-05-31 |
ROBUST QUANTIFICATION OF PERCENT EMPHYSEMA ON CT VIA DOMAIN ATTENTION: THE MULTI-ETHNIC STUDY OF ATHEROSCLEROSIS (MESA) LUNG STUDY
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635299
PMID:39267982
|
研究论文 | 本文提出了一种基于域注意力的深度学习框架，用于在CT扫描中稳健量化肺气肿，解决了不同扫描仪类型带来的域偏移问题 | 设计了一种新颖的域注意力块，将图像视觉特征与定量扫描仪先验融合，显著提高了结果 | 需要进一步验证在大规模临床扫描中的适用性 | 开发一种稳健的肺气肿量化方法，适用于不同CT扫描仪的大规模研究 | CT扫描图像中的肺气肿量化 | 数字病理 | 肺气肿 | CT扫描 | UNet, 域注意力块 | CT图像 | NA | NA | NA | NA | NA |
| 9929 | 2025-05-31 |
UNSUPERVISED AIRWAY TREE CLUSTERING WITH DEEP LEARNING: THE MULTI-ETHNIC STUDY OF ATHEROSCLEROSIS (MESA) LUNG STUDY
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635651
PMID:39398280
|
research paper | 该研究提出了一种无监督深度学习流程，用于从3D气道分割投影中提取特征并进行聚类，以识别与疾病风险相关的气道亚型 | 首次使用无监督深度学习方法直接从3D气道分割投影中提取特征并进行聚类，识别出四种可重复且临床意义不同的气道亚型 | 对CT分割气道树变异的定量表征仍不完整，对这些变异的临床和发展影响的理解也有限 | 开发一种方法来定量表征CT扫描中气道树的变异，并探索其与疾病风险的关联 | 人类气道树 | digital pathology | COPD | deep learning | unsupervised deep-learning pipeline | 3D CT scans | MESA Lung CT cohort | NA | NA | NA | NA |
| 9930 | 2025-05-31 |
Weakly supervised learning for subcutaneous edema segmentation of abdominal CT using pseudo-labels and multi-stage nnU-Nets
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3008793
PMID:39371589
|
research paper | 该论文提出了一种弱监督学习方法，用于腹部CT扫描中皮下水肿的自动分割，以提高水肿的量化准确性 | 使用强度先验生成的水肿伪标签和肌肉、皮下及内脏脂肪组织的伪标签进行上下文学习，结合多阶段nnU-Nets，显著降低了分割误差 | 依赖于伪标签的质量，可能受到初始分割误差的影响 | 开发一种非侵入性方法，通过腹部CT扫描自动分割水肿，以监测肾、肝或心力衰竭等疾病的进展 | 腹部CT扫描中的皮下水肿 | digital pathology | kidney, liver or heart failure | weakly supervised learning, nnU-Nets | nnU-Nets | 3D CT images | NA | NA | NA | NA | NA |
| 9931 | 2025-05-31 |
DeepDate: A deep fusion model based on whale optimization and artificial neural network for Arabian date classification
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0305292
PMID:39078864
|
研究论文 | 提出了一种基于鲸鱼优化算法和人工神经网络的深度融合模型DeepDate，用于阿拉伯椰枣分类 | 结合鲸鱼优化算法和人工神经网络，提高了椰枣分类的准确性和效率 | 未提及模型在小规模生产者中的实际应用效果 | 提高椰枣分类的准确性和效率 | 阿拉伯椰枣（Barhi, Khalas, Meneifi, Naboot Saif, Sullaj） | 计算机视觉 | NA | 深度学习算法 | 人工神经网络（ANN） | 图像 | 五类椰枣图像（具体数量未提及） | NA | NA | NA | NA |
| 9932 | 2025-05-31 |
Predicting recovery following stroke: Deep learning, multimodal data and feature selection using explainable AI
2024, NeuroImage. Clinical
DOI:10.1016/j.nicl.2024.103638
PMID:39002223
|
research paper | 该研究利用深度学习和多模态数据结合可解释AI技术，预测中风后的恢复情况 | 提出了一种新颖的方法，通过训练CNN在结合MRI提取的ROIs和表格数据的符号表示的图像上，以提高分类准确性 | 数据集在机器学习标准下相对较小，可能影响模型的泛化能力 | 预测中风后症状及其对康复的反应，以提高分类准确性 | 758名英语中风幸存者，参与PLORAS研究 | machine learning | cardiovascular disease | MRI扫描和表格数据结合 | CNN, 2D Residual Neural Network (ResNet), 3D CNN | image, tabular data | 758名中风幸存者，其中286名初始有中度或重度失语症 | NA | NA | NA | NA |
| 9933 | 2025-05-31 |
Large-Kernel Attention for 3D Medical Image Segmentation
2024, Cognitive computation
IF:4.3Q1
DOI:10.1007/s12559-023-10126-7
PMID:38974012
|
research paper | 提出了一种新型3D大核注意力模块，用于提高多器官和肿瘤在3D医学图像中的分割准确性 | 结合了生物启发的自注意力和卷积的优点，包括局部上下文信息、长距离依赖和通道适应性，同时通过分解大核卷积优化计算成本 | 未明确提及具体限制，但可能包括对特定类型医学图像的适用性或计算资源需求 | 实现准确的3D医学图像分割，特别是多器官和肿瘤的分割 | MRI和CT扫描中的多器官和肿瘤 | digital pathology | cancer | deep learning | U-Net with 3D LK attention module | 3D medical images (MRI, CT) | CT-ORG and BraTS 2020 datasets | NA | NA | NA | NA |
| 9934 | 2025-05-31 |
Interpolation-split: a data-centric deep learning approach with big interpolated data to boost airway segmentation performance
2024, Journal of big data
IF:8.6Q1
DOI:10.1186/s40537-024-00974-x
PMID:39109339
|
研究论文 | 提出了一种基于数据中心的深度学习方法Interpolation-Split，通过大数据插值提升气道分割性能 | 利用插值和图像分割技术提高数据质量和实用性，并采用集成学习策略整合不同尺度的气道分割结果 | 未提及具体限制 | 提升气道树的分割性能，以支持慢性呼吸系统疾病的诊断和特征分析 | 气道树的分割 | 数字病理 | 慢性呼吸系统疾病 | 深度学习，插值技术，图像分割 | nnU-Net, modified dilated U-Net | 医学图像 | 未提及具体样本量 | NA | NA | NA | NA |
| 9935 | 2025-05-31 |
Deep learning pipeline reveals key moments in human embryonic development predictive of live birth after in vitro fertilization
2024, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpae052
PMID:39114746
|
research paper | 该研究应用卷积神经网络（CNN）识别人类胚胎植入前发育中的关键窗口，以预测体外受精（IVF）后的活产概率 | 利用CNN模型识别胚胎发育中的关键时间点，提高胚胎存活率评估的准确性，并展示了在有限数据集上的迁移学习能力 | 研究可能受限于数据集的大小和异质性，且模型性能可能因诊所间的数据差异而有所不同 | 提高体外受精（IVF）治疗中胚胎选择的有效性，以增加活产率 | 人类胚胎在体外受精（IVF）过程中的发育情况 | digital pathology | NA | CNN | CNN | image | NA | NA | NA | NA | NA |
| 9936 | 2025-05-31 |
A Functional Connectivity-Based Model With a Lightweight Attention Mechanism for Depression Recognition Using EEG Signals
2024, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2024.3509776
PMID:40030510
|
research paper | 本研究设计了一种基于轻量级注意力机制的深度学习模型FCAN，用于通过EEG信号及其相干矩阵实现有效的抑郁症识别 | 设计了一种轻量级注意力机制，减少了模型参数和计算成本，并构建了FCAN模型，其在抑郁症识别上的分类性能优于基线模型 | 模型性能的稳定性可能受到参数初始化过程随机性的影响 | 开发一种高效的抑郁症识别方法 | 抑郁症患者的EEG信号 | machine learning | depression | EEG信号分析 | FCAN (Functional Connectivity Attention Network) | EEG信号及其相干矩阵 | 使用公共EEG数据集进行评估 | NA | NA | NA | NA |
| 9937 | 2025-05-31 |
Anatomical Location-Guided Deep Learning-Based Genetic Cluster Identification of Pheochromocytomas and Paragangliomas From CT Images
2024, Applications of Medical Artificial Intelligence : Second International Workshop, AMAI 2023, Held in Conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, Proceedings
DOI:10.1007/978-3-031-47076-9_7
PMID:40342794
|
研究论文 | 本研究提出了一种基于解剖位置引导的深度学习方法来从CT图像中识别嗜铬细胞瘤和副神经节瘤的遗传簇 | 使用双分支视觉变换器（ViT）模型，结合解剖位置信息和遗传类型信息，通过监督对比学习策略优化分类性能 | 样本量相对较小（289名患者的1010个PPGLs），且模型性能仍有提升空间（准确率0.63±0.08） | 开发一种替代昂贵且耗时的基因检测的方法，通过CT图像识别PPGLs的遗传簇 | 嗜铬细胞瘤和副神经节瘤（PPGLs） | 数字病理 | 神经内分泌肿瘤 | 对比增强CT（CE-CT）扫描 | 双分支视觉变换器（ViT） | 医学影像 | 289名患者的1010个PPGLs | NA | NA | NA | NA |
| 9938 | 2025-05-31 |
Opportunities and Challenges in Applying AI to Evolutionary Morphology
2024, Integrative organismal biology (Oxford, England)
DOI:10.1093/iob/obae036
PMID:40433986
|
综述 | 本文综述了人工智能在进化形态学研究中的应用现状与未来潜力 | 系统梳理了AI技术在进化形态学中的三阶段发展历程，并指出尚未开发的AI应用领域 | 未具体说明当前AI方法在进化形态学中的实际应用限制 | 探讨AI技术在进化形态学研究中的应用前景 | 进化形态学中的表型数据分析 | 机器学习 | NA | 机器学习、深度学习、多模态学习 | NA | 图像数据、表型数据 | NA | NA | NA | NA | NA |
| 9939 | 2025-05-31 |
Development of Multiscale 3D Residual U-Net to Segment Edematous Adipose Tissue by Leveraging Annotations from Non-Edematous Adipose Tissue
2023-Nov, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2669719
PMID:40256010
|
研究论文 | 本文开发了一种多尺度3D残差U-Net模型，用于从非水肿脂肪组织的注释中分割水肿脂肪组织 | 利用不准确的注释直接训练深度学习模型，提高了脂肪组织分割的准确性，无需手动注释 | 训练数据中缺乏水肿脂肪组织的异质性，可能影响模型在极端情况下的表现 | 开发一种无需手动注释的深度学习模型，用于医学图像中的脂肪组织分割 | CT扫描中的脂肪组织 | 数字病理学 | 水肿 | 深度学习 | 3D残差U-Net | 医学图像（CT扫描） | 训练集101名患者，测试集14名患者（其中10名患有全身性水肿） | NA | NA | NA | NA |
| 9940 | 2025-05-31 |
Automated Classification of Intravenous Contrast Enhancement Phase of CT Scans Using Residual Networks
2023-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2655263
PMID:40248190
|
research paper | 本研究利用残差网络（ResNet34）自动分类CT扫描的静脉对比增强阶段，以提高计算机辅助诊断的准确性 | 首次使用ResNet34自动分类多期CT扫描的静脉对比增强阶段，准确率达99%，优于VGG19和DenseNet121 | 研究使用的数据集仅包含395个弱标记的多期CT扫描，样本量相对较小 | 开发一种自动分类多期CT扫描的方法，以改进数据增强和深度学习模型的训练 | 多期CT扫描的静脉对比增强阶段 | computer vision | NA | deep learning | ResNet34, VGG19, DenseNet121 | image | 395个多期CT扫描（316训练，79测试） | NA | NA | NA | NA |