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 33074 篇文献，本页显示第 10181 - 10200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10181 | 2025-10-06 |
Artificial Intelligence in Glaucoma: Advances in Diagnosis, Progression Forecasting, and Surgical Outcome Prediction
2025-May-08, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms26104473
PMID:40429619
|
综述 | 本文综述人工智能在青光眼早期诊断、疾病进展预测和手术结果预测中的应用进展 | 整合多模态数据和组学分析，提出透明可解释、通用性强的AI模型发展方向 | 模型可解释性不足、异质数据整合困难、缺乏个性化手术时机指导 | 推动青光眼精准医疗发展 | 青光眼患者 | 数字病理 | 青光眼 | 转录组学、代谢组学 | CNN, RNN, Transformer, GAN, Autoencoder | 眼底摄影、OCT图像、电子健康记录、分子数据 | NA | NA | NA | NA | NA |
| 10182 | 2025-06-01 |
Robust Line Feature Matching via Point-Line Invariants and Geometric Constraints
2025-May-08, Sensors (Basel, Switzerland)
DOI:10.3390/s25102980
PMID:40431775
|
研究论文 | 本文提出了一种基于点线不变性和几何约束的鲁棒线特征匹配方法 | 通过空间不变关系构建点线不变量，提出双不变量用于线匹配，并结合几何约束提高匹配的准确性和鲁棒性 | 未提及具体计算复杂度或实时性能的分析 | 提高线特征匹配的鲁棒性和泛化能力 | 图像中的线特征 | 计算机视觉 | NA | 点线不变量和几何约束 | NA | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 10183 | 2025-10-06 |
Cross-Subject Motor Imagery Electroencephalogram Decoding with Domain Generalization
2025-May-07, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12050495
PMID:40428114
|
研究论文 | 提出一种基于深度学习的跨被试运动想象脑电信号解码模型，通过提取域不变特征实现领域泛化 | 采用知识蒸馏框架融合频谱特征获取内部不变表示，并通过相关对齐方法和距离正则化增强泛化能力 | 未明确说明模型对个体差异的适应极限和计算复杂度 | 实现运动想象脑机接口的即插即用功能，减少目标被试的校准时间和模型训练 | 运动想象脑电信号 | 脑机接口 | 运动功能障碍 | 脑电信号采集 | 深度学习神经网络 | 脑电信号 | BCI Competition IV 2a和韩国大学数据集 | NA | 知识蒸馏框架 | 准确率 | NA |
| 10184 | 2025-10-06 |
The Role of Artificial Intelligence in Identifying NF1 Gene Variants and Improving Diagnosis
2025-May-07, Genes
IF:2.8Q2
DOI:10.3390/genes16050560
PMID:40428382
|
综述 | 探讨人工智能在NF1基因变异识别和诊断改善中的新兴作用 | 系统评估AI技术在NF1基因变异检测、分类和解读中的应用，包括特异性模型和结构建模平台的整合 | 存在算法偏差、数据多样性有限以及需要功能验证等关键挑战 | 提升NF1诊断精度，实现早期干预和支持个性化医疗方法 | NF1基因变异、神经纤维瘤蛋白结构和功能、相关肿瘤分类 | 自然语言处理 | 神经纤维瘤病1型 | NGS, 结构建模 | 深度学习, LTC神经网络 | 基因序列数据, 结构数据 | NA | NA | NA | 准确率 | NA |
| 10185 | 2025-06-01 |
Role of Artificial Intelligence and Personalized Medicine in Enhancing HIV Management and Treatment Outcomes
2025-May-06, Life (Basel, Switzerland)
DOI:10.3390/life15050745
PMID:40430173
|
review | 本文探讨了人工智能和个性化医学在HIV管理中的应用及其对治疗效果的提升 | 结合机器学习和多组学数据分析，实现精准预测和个性化抗逆转录病毒治疗 | 面临数据隐私、算法偏见和临床验证需求等挑战 | 提升HIV的诊断、治疗优化和疾病监测 | HIV患者 | machine learning | HIV | machine learning, deep neural networks, multi-omics data analysis | deep learning | genomic, proteomic, clinical datasets | NA | NA | NA | NA | NA |
| 10186 | 2025-10-06 |
The Detection of Gait Events Based on Smartphones and Deep Learning
2025-May-04, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12050491
PMID:40428110
|
研究论文 | 本研究通过智能手机结合深度学习技术检测步态事件，并在老年人群和脑小血管病患者中评估该方法的远程效果和临床意义 | 提出基于BiTCN-BiGRU-CrossAttention的深度学习模型，首次在智能手机平台上实现多场景步态事件检测 | 样本规模有限，仅包含150名健康个体和83名特殊人群，未涵盖更广泛的疾病类型 | 开发基于智能手机的步态事件检测方法并验证其临床适用性 | 健康成年人、老年人、轻度认知障碍患者、帕金森病患者和脑小血管病患者 | 机器学习 | 脑小血管病 | 智能手机运动传感，鞋垫压力传感器 | 深度学习 | 运动传感器数据 | 150名健康个体，48名老年人（25名健康，12名轻度认知障碍，11名帕金森病），35名脑小血管病患者 | NA | BiTCN-BiGRU-CrossAttention, TCN-GRU, BiTCN-BiGRU | MAE | NA |
| 10187 | 2025-10-06 |
MambaPhase: deep learning for liquid-liquid phase separation protein classification
2025-May-03, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf230
PMID:40421658
|
研究论文 | 开发基于Mamba架构的深度学习模型用于液相分离蛋白质分类 | 首次将Mamba架构与对比学习结合，同时整合分离概率、蛋白质类型和实验条件进行多维度分类 | 模型在特定实验条件下的分类能力仍需进一步验证 | 准确识别液相分离蛋白质以理解和控制细胞过程 | 液相分离蛋白质（支架蛋白和客户蛋白） | 机器学习 | NA | 深度学习，对比学习 | Mamba | 蛋白质数据 | NA | NA | Mamba | 准确率，ROCAUC | NA |
| 10188 | 2025-10-06 |
ADCNet: a unified framework for predicting the activity of antibody-drug conjugates
2025-May-03, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf228
PMID:40421657
|
研究论文 | 本文提出了一种名为ADCNet的统一深度学习框架，用于预测抗体-药物偶联物（ADC）的活性 | 首次将蛋白质表示学习模型ESM-2和基于官能团的小分子表示学习Transformer模型集成到统一框架中，用于ADC活性预测 | NA | 探索ADC五元结构与活性之间的关系，辅助设计潜在ADC药物 | 抗体-药物偶联物（ADC） | 自然语言处理 | 癌症 | 深度学习 | Transformer,ESM-2 | 蛋白质序列,SMILES字符串,数值数据 | NA | PyTorch | 基于官能团的双向编码器表示,ESM-2 | 准确率,平衡准确率,AUC | NA |
| 10189 | 2025-10-06 |
Learning Phenotype Associated Signature in Spatial Transcriptomics with PASSAGE
2025-05, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202401451
PMID:39905872
|
研究论文 | 提出一种基于深度学习的空间转录组学框架PASSAGE，用于识别与表型相关的空间特征 | 首个能够利用样本生理/病理状态信息，在多异质性空间切片中有效表征表型相关特征的深度学习框架 | NA | 开发计算工具以识别空间转录组学中与表型相关的空间特征 | 空间转录组学数据 | 生物信息学 | NA | 空间转录组学 | 深度学习 | 空间转录组数据 | NA | NA | 基于图嵌入的架构 | 系统基准测试性能 | NA |
| 10190 | 2025-10-06 |
Recent Advances in Structured Illumination Microscopy: From Fundamental Principles to AI-Enhanced Imaging
2025-05, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202401616
PMID:40025917
|
综述 | 本文综述了结构光照明显微镜(SIM)的基本原理、最新进展及人工智能增强成像技术 | 探讨深度学习技术在SIM成像中的应用，包括图像质量增强、成像速度提升和重建算法替代 | NA | 介绍SIM技术原理并探讨AI与SIM系统的未来融合前景 | 结构光照明显微镜技术及其成像系统 | 计算显微成像 | NA | 结构光照明显微镜(SIM) | 深度学习神经网络 | 显微图像 | NA | NA | NA | 关键评估指标 | NA |
| 10191 | 2025-10-06 |
Accelerated intracranial time-of-flight MR angiography with image-based deep learning image enhancement reduces scan times and improves image quality at 3-T and 1.5-T
2025-May, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03564-7
PMID:40095006
|
研究论文 | 本研究评估基于深度学习的图像增强技术在颅内飞行时间磁共振血管成像中的应用，可缩短扫描时间并提升图像质量 | 首次在1.5-T和3-T场强下系统评估深度学习增强的加速TOF-MRA，实现扫描时间减少40%的同时显著提升图像质量 | 回顾性研究设计，样本量相对有限（共129例患者） | 评估深度学习图像增强技术在加速颅内TOF-MRA中的有效性 | 接受常规和加速TOF-MRA扫描的患者 | 医学影像分析 | 脑血管疾病 | 三维飞行时间磁共振血管成像（TOF-MRA） | 深度学习 | 磁共振血管成像图像 | 129例患者（3-T场强99例，1.5-T场强30例） | 商用深度学习算法 | NA | 信噪比（SNR）, 对比噪声比（CNR）, 对比度比率（CR）, 血管锐度（VS）, 受试者工作特征曲线下面积（AUC） | NA |
| 10192 | 2025-10-06 |
Using generative adversarial deep learning networks to synthesize cerebrovascular reactivity imaging from pre-acetazolamide arterial spin labeling in moyamoya disease
2025-May, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03605-1
PMID:40183965
|
研究论文 | 本研究使用生成对抗网络从基线动脉自旋标记MRI合成脑血管反应性图像，以替代需要乙酰唑胺挑战的传统测量方法 | 首次使用生成对抗网络从无需药物挑战的基线ASL MRI合成CVR图像，为无法进行ACZ挑战的临床情况提供替代方案 | 研究仅针对烟雾病患者，样本量相对有限，低CVR区域的Dice相似系数仅为0.593 | 开发无需乙酰唑胺挑战的脑血管反应性评估方法 | 烟雾病患者的脑血流图像 | 医学影像分析 | 烟雾病 | 动脉自旋标记MRI, 脑血管反应性成像 | GAN | 医学影像 | 203例烟雾病病例，共3248张ACZ前后的ASL脑血流图像 | NA | Pixel-to-Pixel GAN | 结构相似性指数, 空间相关系数, 均方根误差, Dice相似系数, Cohen's Kappa | NA |
| 10193 | 2025-10-06 |
Deep learning-based denoising image reconstruction of body magnetic resonance imaging in children
2025-May, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06230-5
PMID:40186652
|
研究论文 | 评估基于深度学习的儿童体部磁共振成像去噪重建技术的图像质量 | 首次在儿童体部MRI中应用基于深度学习的去噪重建技术，并与传统重建方法进行系统比较 | 回顾性研究，样本量较小（21名儿童），非呼吸门控T1加权图像运动伪影更明显 | 评估深度学习去噪重建在儿童体部MRI中的图像质量 | 接受胸腹部MRI检查的儿童患者 | 医学影像 | 儿科疾病 | 径向k空间采样（PROPELLER），磁共振成像 | 深度学习 | 医学影像 | 21名儿童（中位年龄7岁，范围1.5-15.8岁） | NA | NA | 信噪比，对比噪声比，4点Likert量表 | NA |
| 10194 | 2025-10-06 |
AI-Driven TENGs for Self-Powered Smart Sensors and Intelligent Devices
2025-May, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202417414
PMID:40277838
|
综述 | 探讨人工智能驱动的摩擦纳米发电机在自供能智能传感器和智能设备中的协同应用与发展前景 | 首次系统阐述人工智能与摩擦纳米发电机的融合潜力，通过机器学习与深度学习算法提升能量收集和智能传感能力 | 未涉及具体实验验证，主要基于理论分析和现有研究成果的整合 | 探索人工智能技术如何解决摩擦纳米发电机在材料优化、输出稳定性等方面的挑战 | 摩擦纳米发电机与人工智能的集成系统 | 机器学习 | NA | 摩擦发电技术 | 机器学习,深度学习 | 传感器数据 | NA | NA | NA | 输出稳定性,能量收集效率 | NA |
| 10195 | 2025-10-06 |
Automated, Standardized, Quantitative Analysis of Cardiovascular Borders on Chest X-Rays Using Deep Learning
2025-May, JACC. Advances
DOI:10.1016/j.jacadv.2025.101687
PMID:40286357
|
研究论文 | 开发基于深度学习的胸片心血管边界自动量化分析方法并探索其临床应用价值 | 首次建立基于深度学习的胸片心血管边界标准化定量分析系统，并定义了年龄和性别特异性正常值范围 | 研究数据来源于特定医疗中心，需要进一步多中心验证 | 开发自动化的胸片心血管边界定量分析方法并验证其临床效用 | 胸片中的心血管边界 | 计算机视觉 | 心血管疾病 | 胸片成像 | 深度学习 | 医学图像 | 96,129张正常胸片和44,567张疾病胸片 | NA | NA | AUC, HR | NA |
| 10196 | 2025-10-06 |
Deep Learning Assisted Outer Volume Removal for Highly-Accelerated Real-Time Dynamic MRI
2025-May-01, ArXiv
PMID:40342862
|
研究论文 | 提出一种基于深度学习的外容积去除方法，用于高加速实时动态MRI中的伪影消除 | 首次将深度学习与物理驱动重建相结合，通过时间交织欠采样模式估计外容积信号并消除非心脏区域的混叠伪影 | 未明确说明模型在不同患者群体和病理条件下的泛化能力 | 开发高加速实时动态MRI重建技术，消除外容积伪影 | 心脏实时电影MRI数据 | 医学影像处理 | 心血管疾病 | 动态MRI，实时成像 | 深度学习模型 | MRI k空间数据，时间序列图像 | NA | NA | 物理驱动深度学习(PD-DL) | 定性评估，定量评估，图像质量比较 | NA |
| 10197 | 2025-10-06 |
Large-scale information retrieval and correction of noisy pharmacogenomic datasets through residual thresholded deep matrix factorization
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf226
PMID:40420482
|
研究论文 | 提出一种名为残差阈值深度矩阵分解(RT-DMF)的深度学习框架，用于校正和填补药物敏感性数据中的噪声 | 结合深度矩阵分解与迭代残差阈值程序，能有效识别并保留具有治疗重要性的信号 | 仅使用单一药物敏感性数据矩阵作为输入，未整合其他类型分子数据 | 解决药物基因组学数据中噪声和不一致性问题，提高药物敏感性数据的可靠性 | 分子特征明确的癌细胞系(CCLs)的药物敏感性数据 | 机器学习 | 癌症 | 高通量实验，多重分析方法 | 深度矩阵分解 | 药物敏感性数据矩阵 | 大规模癌细胞系药物敏感性数据集 | NA | 深度矩阵分解 | NA | NA |
| 10198 | 2025-10-06 |
Image-Based Deep Learning Model for Predicting Lymph Node Metastasis in Lung Adenocarcinoma With CT ≤ 2 cm
2025-May, Thoracic cancer
IF:2.3Q2
DOI:10.1111/1759-7714.70048
PMID:40425526
|
研究论文 | 开发基于CT图像的深度学习模型预测直径≤2cm肺腺癌淋巴结转移 | 首次结合临床特征和影像学特征建立针对小直径肺腺癌淋巴结转移的预测模型 | 仅使用单中心数据，需要外部验证集进一步验证模型泛化能力 | 术前准确识别小直径肺腺癌患者的淋巴结转移以改善手术治疗方案 | 1740例接受手术切除的临床早期肺腺癌患者 | 数字病理 | 肺癌 | CT影像分析 | 逻辑回归, Lasso | 医学影像 | 1740例肺腺癌患者 | NA | NA | AUC, 决策曲线分析, 校准曲线 | NA |
| 10199 | 2025-10-06 |
AI-Driven Detection of Obstructive Sleep Apnea Using Dual-Branch CNN and Machine Learning Models
2025-Apr-30, Biomedicines
IF:3.9Q1
DOI:10.3390/biomedicines13051090
PMID:40426919
|
研究论文 | 本研究比较了机器学习和深度学习模型在利用心电图数据检测阻塞性睡眠呼吸暂停中的应用 | 提出双分支CNN模型用于OSA检测，相比传统方法具有更高的识别性能，ROC AUC达到0.99 | NA | 开发基于AI的非侵入性OSA早期检测方法，解决传统多导睡眠图的局限性 | 阻塞性睡眠呼吸暂停患者的心电图数据 | 机器学习 | 阻塞性睡眠呼吸暂停 | 心电图分析 | CNN, 机器学习模型 | 心电图信号 | NA | NA | 双分支CNN | 准确率, ROC AUC | NA |
| 10200 | 2025-10-06 |
Advancements in Medical Radiology Through Multimodal Machine Learning: A Comprehensive Overview
2025-Apr-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12050477
PMID:40428096
|
综述 | 本文全面概述了多模态机器学习在放射学领域的最新进展、应用和未来研究方向 | 系统整合了放射学中多模态机器学习的方法论，详细分析了模态融合、表示学习和模态转换等关键技术 | 作为综述性文章，不包含原始实验数据或具体模型验证 | 探讨多模态机器学习在放射学领域的应用现状和发展趋势 | 放射学中的多模态数据（影像、文本和结构化医疗数据） | 机器学习 | NA | 多模态机器学习 | NA | 影像数据, 文本数据, 结构化医疗数据 | NA | NA | NA | NA | NA |