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 42964 篇文献，本页显示第 10201 - 10220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10201 | 2025-12-04 |
Advancing Computational Toxicology by Interpretable Machine Learning
2023-11-21, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.3c00653
PMID:37224004
|
综述 | 本文综述了可解释机器学习在计算毒理学中的应用，包括毒性特征数据、模型解释方法、知识库框架的使用以及最新应用 | 将可解释机器学习技术应用于计算毒理学，以揭示毒性机制并阐明毒性模型的领域知识，解决传统“黑箱”模型难以解释的问题 | NA | 促进计算毒理学的发展，通过可解释机器学习模型辅助新化学物质评估并阐明人类毒性机制 | 药物、消费品和环境化学物质的毒性预测 | 机器学习 | NA | 机器学习, 深度学习 | NA | 毒性特征数据 | NA | NA | NA | NA | NA |
| 10202 | 2025-12-04 |
Deep-Learning-Based Automated Tracking and Counting of Living Plankton in Natural Aquatic Environments
2023-11-21, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.3c00253
PMID:37207295
|
研究论文 | 提出一种基于深度学习的自动化视频导向浮游生物跟踪工作流（AVPTW），用于连续监测水生环境中活体浮游生物的丰度 | 开发了AVPTW，首次实现基于深度学习的自动化视频采集、背景校准、检测、跟踪、校正和统计，用于在线监测移动浮游生物，并展示其对环境变化的敏感性 | AVPTW仅对移动浮游生物敏感，可能无法准确计数静止或缓慢移动的浮游生物 | 开发自动化工具以高效监测水生环境中浮游生物的时空变化，用于环境风险评估 | 自然水生环境中的活体浮游生物，包括移动的浮游动物和浮游植物 | 计算机视觉 | NA | 视频采集与深度学习分析 | 深度学习模型（具体未指定，如CNN） | 视频 | 使用受污染河流和未受污染湖泊的自然水样进行验证 | NA | NA | 准确性（通过与显微镜计数对比验证） | NA |
| 10203 | 2025-12-04 |
Real-Time Sensor Data Profile-Based Deep Learning Method Applied to Open Raceway Pond Microalgal Productivity Prediction
2023-11-21, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.2c07578
PMID:37234045
|
研究论文 | 本文提出了一种基于传感器参数剖面图图像的深度学习方法，用于预测开放式跑道池微藻生产力 | 首次将图像处理与深度学习结合，利用远程监测的传感器数据预测微藻生产力，无需物理测量或特定地点校准 | 未考虑生物过程参数（如生物质密度、水力停留时间和营养浓度），可能影响预测的全面性 | 开发一种低成本工具，用于微藻生产和运营预测，通过远程监测数据有效预测开放式跑道池生产力 | 开放式跑道池微藻生产力 | 计算机视觉 | NA | 传感器监测（pH、溶解氧、温度、光合有效辐射、总溶解固体） | 深度学习 | 图像（传感器参数剖面图） | 来自美国5个州32个开放式跑道池的598个生产力数据和数百万条传感器记录 | NA | NA | R² | NA |
| 10204 | 2025-12-04 |
Ocean Stratification Impacts on Dissolved Polycyclic Aromatic Hydrocarbons (PAHs): From Global Observation to Deep Learning
2023-11-21, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.3c03237
PMID:37651694
|
研究论文 | 本文通过分析全球海洋和边缘海溶解多环芳烃数据，结合深度学习模型，探讨海洋层化对多环芳烃分布的影响 | 首次将深度学习神经网络模型应用于研究海洋层化与多环芳烃储量之间的关系，并揭示了层化指数与多环芳烃储量之间的显著正对数关系 | 研究主要基于全球观测数据，模型可能受数据覆盖范围和精度的限制，且未详细探讨其他环境因素的交互影响 | 研究海洋层化对溶解多环芳烃分布和储量的影响，以评估全球变暖背景下有机污染物的环境归宿 | 全球海洋和边缘海中的溶解多环芳烃 | 机器学习 | NA | 全球海洋观测数据收集与分析 | 深度学习神经网络 | 海洋化学数据（溶解多环芳烃浓度、层化指数、初级生产力等） | 来自全球海洋和边缘海的溶解多环芳烃样本 | NA | NA | 相关系数（≥ 0.92） | NA |
| 10205 | 2025-12-04 |
Deep learning-driven adaptive optics for single-molecule localization microscopy
2023-11, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-023-02029-0
PMID:37770712
|
研究论文 | 本文提出了一种基于深度学习的自适应光学方法，用于单分子定位显微镜，以直接推断波前畸变并进行近实时补偿，从而提高成像分辨率 | 开发了深度学习驱动的自适应光学系统，绕过传统的迭代试错过程，直接从单分子发射模式推断共享波前畸变，实现近实时补偿 | NA | 提高单分子定位显微镜在生物组织中的成像分辨率和保真度 | 单分子发射模式，波前畸变，脑组织样本 | 计算机视觉 | NA | 单分子定位显微镜 | 深度神经网络 | 图像 | 超过130微米厚的脑组织样本 | NA | NA | 分辨率，保真度 | NA |
| 10206 | 2025-12-04 |
CryoREAD: de novo structure modeling for nucleic acids in cryo-EM maps using deep learning
2023-11, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-023-02032-5
PMID:37783885
|
研究论文 | 本文介绍了一种名为CryoREAD的深度学习方法，用于在冷冻电镜图中从头建模核酸的原子结构 | 提出首个完全自动化的深度学习方法来从头建模DNA/RNA的原子结构，特别是在分辨率低于原子水平时仍能实现 | 方法在分辨率低于5.0 Å的冷冻电镜图中测试，可能对更低分辨率图的适用性有限 | 开发一种自动化工具，以解决核酸在冷冻电镜图中结构建模的挑战 | DNA和RNA的三维结构，以及它们与蛋白质的复合物 | 结构生物学, 深度学习 | NA | 冷冻电镜（cryo-EM） | 深度学习 | 冷冻电镜图 | 在2.0至5.0 Å分辨率的冷冻电镜图上测试，并应用于SARS-CoV-2的生物分子复合物图 | NA | NA | 准确性 | NA |
| 10207 | 2025-12-04 |
EmbryoNet: using deep learning to link embryonic phenotypes to signaling pathways
2023-06, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-023-01873-4
PMID:37156842
|
研究论文 | 本研究开发了一个名为EmbryoNet的深度卷积神经网络，用于自动识别斑马鱼信号通路突变体的表型缺陷 | 首次利用深度学习结合时间依赖性发育轨迹模型，无偏地准确识别和分类七种主要脊椎动物发育信号通路的功能缺失表型缺陷 | 分类方案尚未标准化，且需要专家知识进行验证 | 通过自动表型分析链接胚胎表型与信号通路，以识别发育缺陷的潜在信号机制 | 斑马鱼胚胎及其信号通路突变体 | 计算机视觉 | NA | 深度学习，自动表型分析 | CNN | 图像 | 超过200万张用于训练和测试的图像 | NA | EmbryoNet | 高精度分类 | NA |
| 10208 | 2025-12-04 |
A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-Weighted MRI
2023, Computational diffusion MRI. CDMRI (Workshop)
DOI:10.1007/978-3-031-47292-3_2
PMID:41321351
|
研究论文 | 本文提出了一种统一的动态网络，用于在异质多壳扩散加权MRI序列上高效估计纤维取向分布函数 | 采用单阶段球形卷积神经网络，避免了传统多阶段学习策略对中间表示的依赖，提高了估计效率和一致性 | 研究主要基于HCP年轻成人数据，未广泛验证于其他人群或临床场景，且未讨论模型在更复杂病理条件下的泛化能力 | 开发一种更高效和一致的纤维取向分布函数估计方法，以改进扩散加权MRI在组织分类和微结构成像中的应用 | 人类连接组计划中的年轻成人受试者，使用重测扫描数据 | 医学影像分析 | NA | 多壳扩散加权MRI | 球形卷积神经网络 | 扩散加权MRI图像 | 人类连接组计划年轻成人数据集，包含重测扫描 | NA | 球形卷积神经网络 | 重测一致性，估计效率 | NA |
| 10209 | 2025-12-03 |
Making AI accessible for forensic DNA profile analysis
2026-Feb, Forensic science international. Genetics
DOI:10.1016/j.fsigen.2025.103345
PMID:40848662
|
研究论文 | 本研究探索使用案例工作中收集的数据和广泛采用的U-Net架构训练高性能模型，用于法医DNA分析中的等位基因自动识别 | 首次利用案例工作数据而非手动标注数据训练U-Net模型进行等位基因识别，实现了与人类分析师相当的性能，并公开了代码、模型权重和研究数据以促进社区发展 | 未明确说明数据、标注或模型架构中哪些方面对性能起关键作用，未来工作需进一步探索这些因素 | 开发一种易于访问且高性能的深度学习模型，用于自动化法医DNA分析中的等位基因识别 | 法医DNA分析中的电泳图（EPG）数据，包括案例数据和独立混合研究数据 | 计算机视觉 | NA | DNA分析，电泳图（EPG）技术 | CNN | 图像（电泳图扫描点） | 未明确指定具体样本数量，但包括案例数据和独立混合研究数据 | 未明确指定，但可能基于PyTorch或TensorFlow（因U-Net常用） | U-Net | F1分数 | NA |
| 10210 | 2025-12-03 |
A semi-supervised learning-based framework for quantifying litter fluxes in river systems
2026-Jan-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.124833
PMID:41161028
|
研究论文 | 本文提出了一种结合半监督学习和切片辅助超推理的框架，用于量化河流横截面漂浮垃圾通量 | 首次将半监督学习与SAHI方法结合用于河流漂浮垃圾通量量化，解决了监督学习依赖大量标注数据和小垃圾物品检测困难的问题 | 框架仍会严重低估垃圾通量（比人工测量低3-4倍），主要因透明垃圾和困在水葫芦中的物品漏检 | 开发一种更高效准确的河流漂浮垃圾通量量化方法，以支持污染评估 | 河流水面漂浮的宏观塑料垃圾（>5毫米） | 计算机视觉 | NA | 半监督学习，切片辅助超推理 | CNN | 图像 | 来自荷兰、印度尼西亚和越南水道的图像数据，具体数量未明确说明 | PyTorch | ResNet50, Faster R-CNN | F1分数 | NA |
| 10211 | 2025-12-03 |
Floc image-driven deep learning enhanced by temporal windows and transformers for carbon emission reduction in drinking water treatment plants
2026-Jan-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.124868
PMID:41202793
|
研究论文 | 本研究通过引入絮体形态特征提取、时间窗口选择和Transformer架构集成等策略，优化深度学习模型，用于饮用水处理厂的精确混凝剂投加，以实现碳减排 | 提出了创新的絮体形态特征提取方法、时间窗口选择策略以及Transformer架构的集成，显著提升了深度学习模型在短期数据下的性能 | 研究仅基于一个月的数据进行训练，虽然通过自更新机制确保长期适应性，但初始数据量有限可能影响模型的泛化能力 | 优化深度学习算法以实现饮用水处理厂中混凝剂的精确投加，从而提升水净化效率并减少碳排放 | 饮用水处理厂中的混凝剂投加过程 | 机器学习 | NA | 絮体图像分析 | CNN, LSTM, GAN, Transformer | 图像, 时间序列数据 | 一个月的数据 | TensorFlow, PyTorch | Temporal Convolutional Network (TCN), Transformer | R, R² | NA |
| 10212 | 2025-12-03 |
Will artificial intelligence solve the riddle of athlete development? A critical review of how AI is being used for athlete identification, selection, and development
2026-Jan, Psychology of sport and exercise
IF:3.1Q1
DOI:10.1016/j.psychsport.2025.102978
PMID:41038088
|
综述 | 本文批判性地回顾了人工智能在运动员识别、选拔和发展领域的应用现状与挑战 | 系统梳理了人工智能在体育科学中应用于运动员发展的三个主要领域，并强调了创新与批判性评估的平衡方法 | 未明确提及具体研究限制，但暗示了该领域应用范围与效用尚不完全明确 | 探讨人工智能在运动员发展（包括识别、选拔和培养）中的使用范围、效用及相关挑战 | 体育科学研究中使用人工智能的文献 | 机器学习 | NA | 机器学习，深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 10213 | 2025-12-03 |
Machine Learning Approaches for Predicting RNA-RNA/DNA Interactions
2026, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4670-0_14
PMID:41174207
|
综述 | 本章介绍用于预测RNA-RNA/DNA相互作用的机器学习方法，这对于理解非编码RNA功能至关重要 | 利用深度学习技术和来自高通量测序方法的大规模相互作用数据，开发出比传统基于能量方法更准确的预测工具 | 存在过拟合风险和需要第三方验证等挑战 | 预测RNA-RNA/DNA相互作用以理解非编码RNA功能 | 原核小RNA、一般RNA-RNA相互作用、miRNAs、box C/D snoRNAs、lncRNA-DNA三链体、CRISPR引导RNA设计 | 机器学习 | NA | 高通量测序 | 深度学习 | 相互作用数据 | NA | NA | NA | 准确性 | NA |
| 10214 | 2025-12-03 |
Deep learning-based hyperspectral oil spill detection for marine pollution monitoring in the Gulf of Mexico: A step toward marine pollution monitoring and SDG 14 compliance
2026-Jan, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2025.118908
PMID:41202730
|
研究论文 | 本研究应用高光谱遥感数据与深度学习技术，提高墨西哥湾石油泄漏检测的准确性和效率 | 结合高光谱影像的丰富光谱信息与深度学习分割模型，实现可靠的石油污染区域检测 | 数据稀缺和高维度问题通过主成分分析和标准化补丁输入处理，但未讨论模型泛化能力或实时检测限制 | 增强石油泄漏检测精度和效率，支持海洋污染监测和可持续发展目标14的合规性 | 墨西哥湾的石油泄漏污染区域 | 计算机视觉 | NA | 高光谱遥感 | CNN | 图像 | 使用公开可用的高光谱石油泄漏数据库（HOSD） | NA | U-Net, DeepLabv3 | IoU, F1分数, 精确率, 召回率 | NA |
| 10215 | 2025-12-03 |
A deep learning-based method for marine oil spill detection and its application in UAV imagery
2026-Jan, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2025.118889
PMID:41166779
|
研究论文 | 本研究开发了一种基于YOLOv12的无人机图像海洋溢油检测框架，旨在提高溢油检测的准确性和边界划分的精度 | 提出了一种基于YOLOv12的无人机图像溢油检测框架，通过高分辨率输入、预训练权重初始化和余弦退火学习率调度策略，增强了污染特征表示能力 | 未明确提及模型在极端天气或夜间条件下的性能，也未讨论计算资源需求或实时处理速度的详细限制 | 开发高效智能的海洋溢油检测机制，以支持早期预警和快速响应，保护海洋生态系统和沿海经济安全 | 无人机图像中的海洋溢油区域 | 计算机视觉 | NA | 无人机遥感成像 | CNN | 图像, 视频 | 构建了一个包含多样溢油形态、不同海洋干扰条件和多尺度目标的遥感图像数据集 | NA | YOLOv12 | F1 Score, mAP@0.5, mAP@0.5-0.95, 精确率-召回率曲线 | NA |
| 10216 | 2025-12-03 |
Letter re: A deep learning model for preoperative risk stratification of pancreatic ductal adenocarcinoma based on genomic predictors of liver metastasis
2025-Dec-09, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2025.116046
PMID:41326211
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10217 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Dec-02, JAMA
DOI:10.1001/jama.2025.16625
PMID:41160021
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10218 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning-Reply
2025-Dec-02, JAMA
DOI:10.1001/jama.2025.16627
PMID:41160035
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10219 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Dec-02, JAMA
DOI:10.1001/jama.2025.16623
PMID:41160046
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10220 | 2025-12-03 |
MSformer: A Meta-Structure Based Interpretable Framework for Representation Learning of Natural Products
2025-Dec-02, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03958
PMID:41201272
|
研究论文 | 本文提出了一种基于元结构的可解释框架MSformer，用于自然产物的表示学习，以解决其结构复杂性和数据稀缺性问题 | MSformer通过质谱启发的元结构碎片化算法，在有限自然产物数据集上进行预训练，实现了对自然产物结构丰富性和药物相关性的高效捕获，并提供了层次化可解释性 | 预训练仅基于40万个自然产物数据，可能无法覆盖所有自然产物结构多样性 | 开发一种用于自然产物表示学习的深度学习框架，以促进药物发现 | 自然产物及其化学结构 | 自然语言处理 | NA | 质谱启发的碎片化算法 | Transformer | 化学结构数据 | 40万个自然产物，生成2.34亿个元结构 | NA | Transformer | NA | NA |