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 33366 篇文献，本页显示第 10121 - 10140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10121 | 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 |
| 10122 | 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 |
| 10123 | 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 |
| 10124 | 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 |
| 10125 | 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 |
| 10126 | 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 |
| 10127 | 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 |
| 10128 | 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 |
| 10129 | 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 |
| 10130 | 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 |
| 10131 | 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 |
| 10132 | 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 |
| 10133 | 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 |
| 10134 | 2025-10-06 |
Overcoming the preferred-orientation problem in cryo-EM with self-supervised deep learning
2025-Jan, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02505-1
PMID:39558095
|
研究论文 | 开发了一种名为spIsoNet的自监督深度学习软件，用于解决冷冻电镜中的粒子取向偏好问题 | 首次提出端到端的自监督深度学习方法解决冷冻电镜中的取向偏好问题，无需额外的样本制备程序 | NA | 解决冷冻电镜单颗粒分析中的粒子取向偏好问题 | 核糖体、β-半乳糖苷酶、血凝素三聚体等生物大分子复合物 | 计算机视觉 | NA | 冷冻电镜单颗粒分析，断层扫描平均 | 深度学习 | 冷冻电镜图像数据 | NA | NA | spIsoNet | 角度各向同性，粒子对齐精度 | NA |
| 10135 | 2025-10-06 |
Automatic localization and deep convolutional generative adversarial network-based classification of focal liver lesions in computed tomography images: A preliminary study
2025-Jan, Journal of gastroenterology and hepatology
IF:3.7Q2
DOI:10.1111/jgh.16803
PMID:39542428
|
研究论文 | 开发基于深度学习的肝脏局灶性病变自动定位与分类系统，用于CT图像分析 | 使用生成对抗网络进行数据增强，开发端到端的肝脏病变定位与分类系统 | 初步研究，样本量相对有限，需要进一步验证 | 开发辅助医生进行肝脏病变诊断的深度学习系统 | 肝脏局灶性病变 | 计算机视觉 | 肝脏疾病 | 计算机断层扫描 | GAN, CNN | 医学影像 | 1589名患者，17335张切片，3195个肝脏局灶性病变 | NA | 深度卷积生成对抗网络 | 平均精度, 准确率, 置信区间 | NA |
| 10136 | 2025-06-05 |
Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319773
PMID:40179109
|
研究论文 | 本研究提出了一种基于深度学习的风险管理模型XGBoost-CNN-BiLSTM，用于提升风险事件的预测和检测能力 | 结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，全面捕捉风险事件的关键特征 | NA | 提升企业风险管理的预测和检测能力 | 企业风险事件 | 机器学习 | NA | 深度学习 | XGBoost-CNN-BiLSTM | 结构化数据和时间序列数据 | 多个数据集，包括S&P 500历史数据集 | NA | NA | NA | NA |
| 10137 | 2025-10-06 |
ImmuneApp for HLA-I epitope prediction and immunopeptidome analysis
2024-10-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-53296-0
PMID:39414796
|
研究论文 | 开发了用于HLA-I表位预测和免疫肽组分析的深度学习框架ImmuneApp | 提出可解释的深度学习框架，整合单等位基因和多等位基因数据，开发了更准确的模型反卷积方法 | NA | 改进HLA-I表位预测和新表位优先排序，促进新型新抗原发现和免疫疗法开发 | HLA配体数据集和免疫肽组样本 | 机器学习 | NA | 质谱分析，免疫肽组学 | 深度学习 | HLA配体数据，免疫肽组数据 | 216个多等位基因免疫肽组样本，835,551个配体，覆盖100多种HLA-I等位基因 | NA | 复合模型(ImmuneApp-MA, ImmuneApp-Neo) | 预测性能，免疫原性预测准确性 | NA |
| 10138 | 2025-10-06 |
Protein complex structure modeling by cross-modal alignment between cryo-EM maps and protein sequences
2024-10-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-53116-5
PMID:39394203
|
研究论文 | 提出一种通过冷冻电镜图谱与蛋白质序列跨模态对齐实现蛋白质复合物结构建模的全自动方法EModelX | 首次实现无需先验链分离的冷冻电镜蛋白质复合物建模，通过跨模态对齐解决链分离错误累积问题 | 未明确说明方法对低分辨率冷冻电镜数据的适用性 | 开发全自动蛋白质复合物结构建模方法 | 蛋白质复合物结构 | 计算生物学 | NA | 冷冻电镜(cryo-EM) | 多任务深度学习 | 冷冻电镜图谱、蛋白质序列 | NA | NA | NA | RMSD, TM-score | NA |
| 10139 | 2025-10-06 |
MATES: a deep learning-based model for locus-specific quantification of transposable elements in single cell
2024-10-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-53114-7
PMID:39394211
|
研究论文 | 提出一种基于深度学习的模型MATES，用于在单细胞水平上实现转座子元件的位点特异性定量 | 利用侧翼相邻读段比对信息，将多定位读段准确分配到转座子特定位点，克服现有方法仅能在亚家族水平分类的局限 | 未明确说明模型在非转录组学单细胞数据上的具体应用限制 | 开发能够精确量化转座子元件位点特异性的单细胞分析方法 | 转座子元件及其在单细胞中的表达 | 机器学习 | NA | 单细胞组学 | 深度学习 | 基因组测序数据 | NA | NA | NA | 定量准确性 | NA |
| 10140 | 2025-10-06 |
Determinants of Visual Impairment Among Chinese Middle-Aged and Older Adults: Risk Prediction Model Using Machine Learning Algorithms
2024-10-09, JMIR aging
IF:5.0Q1
DOI:10.2196/59810
PMID:39382570
|
研究论文 | 本研究使用机器学习算法预测中国中老年人视觉损伤风险并识别关键影响因素 | 首次在中国普通中老年人群中应用多种机器学习算法预测视觉损伤风险，并采用堆叠集成方法提高预测性能 | 研究基于中国健康与养老追踪调查数据，可能存在选择偏倚，且模型性能仍有提升空间 | 预测中国中老年人视觉损伤风险并识别关键决定因素 | 中国中老年人群（来自CHARLS调查的19,047名参与者） | 机器学习 | 视觉损伤 | 问卷调查、体格检查、血液生物标志物检测 | 梯度提升机, 分布式随机森林, 广义线性模型, 深度学习, 堆叠集成 | 结构化健康数据 | 19,047名参与者（来自2011-2018年四轮CHARLS调查） | NA | 堆叠集成 | AUC, 校准曲线 | NA |