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 48922 篇文献，本页显示第 1021 - 1040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1021 | 2026-08-25 |
Perspectives: Comparison of deep learning segmentation models on biophysical and biomedical data
2025-05-06, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2025.03.023
PMID:40158204
|
研究论文 | 本文对生物物理和生物医学数据上常用的四种深度学习分割模型进行了全面比较，并提供了选择最佳模型的实用指南 | 针对生物物理实验常见的小规模训练数据集，建立了评估四种不同深度学习架构（卷积神经网络、U-Net、视觉变换器和视觉状态空间模型）表现优劣的标准 | 未提及 | 为生物物理和生物医学图像分割任务提供选择深度学习模型的指导原则 | 四种深度学习分割模型（卷积神经网络、U-Net、视觉变换器和视觉状态空间模型） | 计算机视觉 | 不适用 | 不适用 | 卷积神经网络, U-Net, 视觉变换器, 视觉状态空间模型 | 图像数据 | 未提及 | 未提及 | 卷积神经网络, U-Net, 视觉变换器 (ViT), 视觉状态空间模型 | 未明确提及，但通常包括准确率、Dice系数等 | 未提及 |
| 1022 | 2026-08-25 |
Analysis of AI foundation model features decodes the histopathologic landscape of HPV-positive head and neck squamous cell carcinomas
2025-Apr, Oral oncology
IF:4.0Q2
|
研究论文 | 本研究利用AI基础模型分析HPV阳性头颈鳞状细胞癌的组织病理学特征，并通过生成合成图像来解码其组织学景观 | 首次使用AI基础模型（UNI）和生成对抗网络（HistoXGAN）生成合成病理图像，以客观描述HPV阳性HNSCC的组织学变异模式，并识别出三个亚型 | 未明确提及限制，但可能包括对合成图像的依赖和样本量有限 | 利用AI基础模型表征与HPV存在相关的组织病理学特征，并客观描述HPV阳性空间中的变异模式，以实现可解释的HPV检测 | HPV阳性与阴性的头颈鳞状细胞癌（HNSCC）患者的H&E染色组织切片 | 数字病理学、机器学习 | 头颈鳞状细胞癌 | H&E染色、自监督学习（SSL）、生成对抗网络（GAN） | 基础模型（UNI）、生成对抗网络（HistoXGAN） | H&E染色病理图像 | 981名HNSCC患者的H&E图像，来自公共和机构数据集 | NA | UNI（Transformer-based）、HistoXGAN（GAN） | 敏感性、特异性 | NA |
| 1023 | 2026-08-25 |
Emerging frontiers in protein structure prediction following the AlphaFold revolution
2025-04, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0886
PMID:40233800
|
综述 | 本文综述了AlphaFold革命后蛋白质结构预测的新兴前沿，重点讨论其在高级应用中的使用，并建议一套报告AlphaFold预测的指南 | 提出了针对AlphaFold预测报告的指南，并聚焦于蛋白质与其他生物分子相互作用的结构预测应用 | 未在摘要中明确提及局限性 | 综述蛋白质结构预测的最新进展，及其在理解蛋白质相互作用和动态行为中的应用，并提供预测报告指南 | 蛋白质结构预测工具及其在生物过程理解中的应用 | 机器学习 | NA | AlphaFold | 深度学习模型（AlphaFold） | 蛋白质序列和结构数据 | NA | NA | AlphaFold | NA | NA |
| 1024 | 2026-08-25 |
Reconstructing illusory camouflage patterns on moth wings using computer vision
2025-04, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0757
PMID:40304197
|
研究论文 | 利用计算机视觉算法重建蛾类翅膀上的伪装图案，以探索动物色彩图案如何产生假深度线索。 | 首次将用于三维场景重建的计算机视觉算法应用于动物伪装图案的感知重建，结合内在图像分解和深度学习两种方法。 | 未提及具体限制，但可能受限于模拟环境和物种数量。 | 探究蛾类翅膀图案如何利用单眼深度线索产生视觉错觉，以及如何通过计算机视觉重建潜在感知。 | 六种蛾类（鳞翅目）的翅膀图案，以及自然三维表面的图像。 | 计算机视觉 | 无 | 单图像单眼深度估计 | 内在图像分解和深度学习模型 | 图像 | 六种蛾类物种的翅膀图案，以及自然三维表面图像 | 未明确指定，可能涉及PyTorch或TensorFlow等 | 未明确指定，可能包括基于Retinex理论的分解模型和深度学习深度估计模型 | 定性评估模型的响应性 | 未提及 |
| 1025 | 2026-08-25 |
Evaluation of De Vries et al.: Quantifying cellular shapes and how they correlate to cellular responses
2025-Mar-19, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101242
PMID:40112776
|
评论 | 本文对De Vries等人2025年发表的关于三维细胞形状几何深度学习与多实例学习的研究进行了同行评审过程的评估 | NA | NA | 评估De Vries等人的研究，探讨细胞形状量化及其与细胞反应的关联性 | De Vries等人的论文及其同行评审过程 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1026 | 2026-08-25 |
Geometric deep learning and multiple-instance learning for 3D cell-shape profiling
2025-03-19, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101229
PMID:40112779
|
研究论文 | 本文介绍MorphoMIL，一个结合几何深度学习和注意力多实例学习的计算流程，用于三维细胞和核形态分析，并在黑色素瘤细胞数据集上验证其预测药物扰动和细胞状态的能力 | 提出MorphoMIL流程，首次将几何深度学习和注意力多实例学习结合用于3D细胞形态分析，能够处理点云数据，在单细胞和群体水平上捕捉形态特征，并考虑表型异质性 | 摘要中未明确提及局限，可能涉及对特定数据集和扰动的依赖，或计算资源需求 | 利用深度学习发现细胞形态表征，理解细胞状态，并实现高通量形态分析以支持药物发现 | 黑色素瘤细胞，经临床相关和细胞骨架调节的化学和遗传扰动处理，超过95,000个细胞 | 计算生物学, 深度学习, 几何深度学习, 药物发现 | 黑色素瘤 | 3D形态分析（可能基于成像技术，如荧光显微镜） | 几何深度学习模型，注意力多实例学习 | 3D点云数据 | 超过95,000个黑色素瘤细胞 | NA（未指定，可能使用PyTorch或类似框架） | 几何深度学习架构（如PointNet或类似），注意力机制 | 预测准确性（具体指标如AUC或精度未明确） | NA（未提及具体GPU或平台） |
| 1027 | 2026-08-25 |
Predicting RNA structure and dynamics with deep learning and solution scattering
2025-02-04, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2024.12.024
PMID:39722452
|
研究论文 | 介绍了一种名为SCOPER的RNA溶液构象预测器，它结合基于运动学的构象采样与深度学习模型IonNet预测镁离子结合位点，以改善小角X射线散射（SAXS）谱图的拟合质量 | 首次将深度学习模型IonNet用于预测RNA镁离子结合位点，并整合构象采样以处理RNA的构象可塑性，从而提高对实验SAXS数据的验证能力 | 需要初始足够准确的RNA结构作为输入，且过度调整可塑性和离子密度可能导致过拟合实验SAXS数据 | 开发一个高效工具，用于准确验证RNA在溶液中的状态，并提供包含离子的校正原子模型，解决SAXS谱图与RNA结构比较中的两大挑战 | RNA分子 | 深度学习 | NA | 小角X射线散射（SAXS）、深度学习 | 深度学习模型IonNet | 基因组数据 | 14个实验数据集 | NA | IonNet | SAXS谱图拟合质量 | NA |
| 1028 | 2024-09-04 |
Correction: Free access via computational cloud to deep learning-based EEG assessment in neonatal hypoxic-ischemic encephalopathy: revolutionary opportunities to overcome health disparities
2025-Jan, Pediatric research
IF:3.1Q1
DOI:10.1038/s41390-024-03539-z
PMID:39223254
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1029 | 2026-08-25 |
Free access via computational cloud to deep learning-based EEG assessment in neonatal hypoxic-ischemic encephalopathy: revolutionary opportunities to overcome health disparities
2024-09, Pediatric research
IF:3.1Q1
DOI:10.1038/s41390-024-03427-6
PMID:39107521
|
评论 | 本文评价了一项基于深度学习的新生儿脑电监测技术，用于评估缺氧缺血性脑病的严重程度，并探讨通过云端免费访问以缓解医疗不平等问题 | 提出利用计算云免费提供深度学习脑电评估，以促进资源匮乏地区的医疗公平 | 未提供具体技术细节或实验结果，仅限于评论视角 | 探讨深度学习脑电评估在新生儿缺氧缺血性脑病中的应用潜力及云端可及性 | 新生儿缺氧缺血性脑病患儿和健康婴儿 | 机器学习 | 新生儿缺氧缺血性脑病 | 脑电图（EEG） | 深度学习 | 脑电信号 | 46名缺氧缺血性脑病新生儿及健康对照 | NA | 脑状态新生儿（BSN）模型 | 相关性（与总Sarnat评分） | 计算云 |
| 1030 | 2026-08-25 |
Opening the Black Box: Spatial Transcriptomics and the Relevance of Artificial Intelligence-Detected Prognostic Regions in High-Grade Serous Carcinoma
2024-07, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2024.100508
PMID:38704029
|
研究论文 | 本文结合空间转录组学与人工智能检测的预后区域，揭示高级别浆液性卵巢癌中与化疗反应相关的分子特征 | 首次将AI检测的预后相关肿瘤区域与空间转录组学结合，以揭示传统形态学无法区分的分子差异 | 样本量较小（16例），且研究为概念验证性质，需更大规模验证 | 利用AI引导的空间转录组学分析，识别与高级别浆液性卵巢癌患者预后相关的生物学特征 | 16例高级别浆液性卵巢癌患者的肿瘤组织，分为预后好和差两组（每组8例） | 数字病理学, 机器学习 | 卵巢癌 | 空间转录组学 | AI模型（基于图像） | 转录组数据, 组织图像 | 16例患者（8例预后好，8例预后差） | NA | NA | 预测结果准确性 | NA |
| 1031 | 2026-08-25 |
Unlocking Hidden Risks: Harnessing Artificial Intelligence (AI) to Detect Subclinical Conditions from an Electrocardiogram (ECG)
2024-07-01, Journal of insurance medicine (New York, N.Y.)
DOI:10.17849/insm-51-2-64-76.1
PMID:39266002
|
研究论文 | 本文旨在提供对AI增强心电图技术的基本理解，并讨论其在检测亚临床心血管疾病方面的应用和潜力 | 利用深度学习模型从正常心电图中检测出疾病，准确率超过以往技术或人类专家水平，显著优于现有筛查模型 | 虽然结果令人鼓舞，但需要谨慎乐观，技术仍在快速演变中 | 探讨AI增强心电图在检测亚临床心血管疾病中的应用价值 | AI增强心电图技术及其在特定心血管疾病检测中的应用 | 机器学习 | 心血管疾病 | NA | 深度学习模型 | 心电图数据 | NA | NA | NA | AUC, 准确率 | NA |
| 1032 | 2026-08-25 |
A Deep Learning-Based Assay for Programmed Death Ligand 1 Immunohistochemistry Scoring in Non-Small Cell Lung Carcinoma: Does it Help Pathologists Score?
2024-06, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2024.100485
PMID:38588885
|
研究论文 | 本研究开发了一种基于深度学习的AI模型，用于非小细胞肺癌中PD-L1免疫组化检测的肿瘤比例评分，并评估AI辅助系统对病理学家评分准确性的影响 | 首次专注于AI辅助系统如何帮助病理学家确定PD-L1肿瘤比例评分的具体方式，并评估了四种不同的AI辅助方法对病理学家评分准确性的影响 | 未在摘要中明确说明 | 评估AI辅助系统是否以及如何帮助病理学家确定PD-L1 22C3检测的肿瘤比例评分，并分析其对病理学家评估准确性的影响 | 非小细胞肺癌患者的PD-L1免疫组化检测样本（组织微阵列） | 数字病理学 | 非小细胞肺癌 | 免疫组化（IHC） | 深度学习模型 | 组织微阵列图像 | 584个样本 | NA | NA | 比值比（OR）和95%置信区间 | NA |
| 1033 | 2026-08-25 |
Lung Cancer Diagnosis on Virtual Histologically Stained Tissue Using Weakly Supervised Learning
2024-06, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2024.100487
PMID:38588884
|
研究论文 | 提出一种基于弱监督学习的虚拟组织学染色方法，用于无标记组织的肺腺癌分类诊断，并验证其在虚拟H&E染色全切片图像上的性能与可解释性 | 首次将弱监督深度生成模型用于无标记组织的虚拟H&E染色，并结合注意力多实例学习实现肺腺癌分类，无需繁琐的染色步骤，提供快速且可解释的诊断路径 | 研究局限于肺腺癌单一癌症类型，且依赖公开数据集进行训练，验证数据集规模有限，未涉及其他癌症或组织类型 | 开发一种无标记组织切片上基于虚拟H&E染色的肺腺癌自动诊断方法，以加速术后病理检查并减少人工干预，同时保持较高的诊断性能 | 无标记组织切片的自动荧光图像，以及对应的虚拟H&E染色全切片图像，用于肺腺癌分类 | 数字病理学 | 肺腺癌 | 虚拟H&E染色, 自动荧光成像, 弱监督学习 | 深度生成模型, 注意力多实例学习模型 | 全切片图像, 自动荧光图像 | 150张真实H&E染色全切片图像（来自玛丽医院和威尔士亲王医院）；58张虚拟H&E染色全切片图像；58张标准H&E染色全切片图像 | NA | 注意力多实例学习, 深度生成模型 | 曲线下面积, 注意力热图 | NA |
| 1034 | 2026-08-25 |
Groundwater potential delineation using geodetector based convolutional neural network in the Gunabay watershed of Ethiopia
2024-02-01, Environmental research
IF:7.7Q1
DOI:10.1016/j.envres.2023.117790
PMID:38036202
|
研究论文 | 该研究在埃塞俄比亚Gunabay流域应用基于地理探测器的卷积神经网络来划分地下水潜力区域 | 创新性地将地理探测器与卷积神经网络相结合，用于地下水潜力划分，提高了预测能力和准确性 | 未明确提及局限性 | 利用卷积神经网络基于主要影响因素划分地下水潜力，为水资源开发提供技术支持 | Gunabay流域的地下水潜力 | 机器学习 | 不适用 | 不适用 | CNN | 地理空间数据 | 128个样本，其中70%用于训练，30%用于测试 | 不明确 | 卷积神经网络（CNN） | AUC，准确性 | 不明确 |
| 1035 | 2026-08-25 |
Predicting the influence of extreme temperatures on grain production in the Middle-Lower Yangtze Plains using a spatially-aware deep learning model
2024, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18234
PMID:39434796
|
研究论文 | 本研究利用空间感知深度学习模型预测极端温度对长江中下游平原粮食生产的影响，并预估本世纪剩余时间的产量变化。 | 首次在区域粮食产量预测中考虑极端温度事件的时空分布，并采用空间感知深度学习模型，优于传统多元线性模型。 | 未在摘要中明确说明局限性。 | 预测极端温度事件对长江中下游平原粮食生产的影响，并提供气候引起的产量变化的新预估。 | 长江中下游平原的粮食生产，受极端温度事件影响。 | 机器学习 | 不适用 | 不适用 | 空间感知深度学习模型 | 时空数据 | 不明确，涉及长江中下游平原的粮食产量及气候数据。 | 不适用 | 空间感知深度学习模型（具体架构未在摘要中指定） | 与基准模型比较的性能提升（未具体列出指标，但提及显著优于基准） | 不适用 |
| 1036 | 2026-08-25 |
Deep learning-based correction of cataract-induced influence on macular pigment optical density measurement by autofluorescence spectroscopy
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0298132
PMID:38349916
|
研究论文 | 本研究通过外部验证数据集，验证了基于深度学习的白内障对黄斑色素光密度测量影响校正方法的有效性。 | 采用外部验证数据集评估深度学习方法校正白内障对黄斑色素光密度测量的影响，这是对先前内部交叉验证的重要补充。 | 对于质量较差的眼底自发荧光图像，深度学习方法未能有效校正误差。 | 验证基于深度学习的白内障对黄斑色素光密度测量影响的校正方法的有效性。 | 199只眼（训练数据集）和157只眼（验证数据集），猫眼白内障手术前后的黄斑色素光密度测量数据。 | 深度学习 | 白内障 | 自发荧光光谱测量 | 深度学习模型 | 数值数据（黄斑色素光密度测量值） | 训练集197只眼，验证集157只眼 | NA | NA | 平均绝对误差 | NA |
| 1037 | 2026-08-25 |
MENet: A Mitscherlich function based ensemble of CNN models to classify lung cancer using CT scans
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0298527
PMID:38466701
|
研究论文 | 提出一种基于Mitscherlich函数的集成网络（MENet），结合Xception、InceptionResNetV2和MobileNetV2三种深度学习模型，利用CT扫描提高肺癌分类准确率。 | 首次将Mitscherlich函数用于集成深度学习模型的输出，生成模糊排名以融合多个基分类器的预测概率，提升肺癌检测性能。 | 未提及具体限制。 | 开发一种高精度的肺癌预测模型，通过集成多个CNN模型和基于Mitscherlich函数的融合策略，以提高早期诊断准确性。 | 肺癌CT扫描图像，来自两个公开数据集：IQ-OTH/NCCD和LIDC-IDRI。 | 计算机视觉 | 肺癌 | CT扫描 | CNN | 图像 | IQ-OTH/NCCD数据集包含约1190张CT图像，LIDC-IDRI数据集包含1018个病例（具体样本量未提及）。 | NA | Xception, InceptionResNetV2, MobileNetV2 | 准确率和其他标准指标（具体未列出）。 | NA |
| 1038 | 2026-08-25 |
HDS-Net: Achieving fine-grained skin lesion segmentation using hybrid encoding and dynamic sparse attention
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0299392
PMID:38512922
|
研究论文 | 本文提出一种名为HDS-Net的混合动态稀疏网络，用于精细皮肤病变分割，以解决边界模糊和病变区域大小形状变化等挑战 | 提出混合编码器有效提取局部特征并与全局特征整合，引入动态稀疏注意力机制精确控制稀疏度以减少无关冗余对分割性能的影响 | 未提及具体限制 | 解决皮肤图像分割中边界模糊和病变区域变化的问题，提高分割精度 | 皮肤病变图像中的病变区域 | 数字病理学 | 皮肤癌 | 深度学习 | CNN | 图像 | 多个公共数据集 | NA | HDS-Net | Dice系数 | NA |
| 1039 | 2026-08-25 |
Contrastive learning-based pretraining improves representation and transferability of diabetic retinopathy classification models
2023-04-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-33365-y
PMID:37055475
|
研究论文 | 本文介绍了一种基于自监督对比学习预训练的糖尿病视网膜病变分类模型，通过神经风格迁移增强数据表示，提高了模型在独立数据集上的泛化能力 | 首次将对比学习预训练与神经风格迁移增强相结合用于糖尿病视网膜病变分类，显著提升了小样本训练下的模型性能和跨数据集迁移能力 | 研究仅基于公开数据集EyePACS和单一临床数据集UIC进行验证，可能限制模型在其他人群和临床环境中的泛化性 | 开发一种能够在小规模标注数据集上训练的鲁棒且可泛化的糖尿病视网膜病变自动检测模型 | 糖尿病视网膜病变患者的彩色眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 对比学习预训练, 神经风格迁移 | 深度学习模型（卷积神经网络） | 图像（彩色眼底图像） | EyePACS数据集用于训练和验证，UIC临床数据集用于独立测试（具体样本数量未提及） | NA | FundusNet | AUC（曲线下面积） | NA |
| 1040 | 2026-08-25 |
Potential Impact of FDA Flavor Enforcement Policy on Vaping Behavior on Twitter
2022-10-07, International journal of environmental research and public health
DOI:10.3390/ijerph191912836
PMID:36232136
|
研究论文 | 本研究利用Twitter数据分析FDA风味执法政策对用户戒烟电子烟行为的影响 | 首次利用社交媒体数据评估FDA风味政策对戒烟行为的影响，并结合深度学习推断用户人口统计特征 | 研究仅基于Twitter数据，可能无法全面代表所有电子烟用户的行为 | 评估FDA风味执法政策对用户戒烟电子烟行为的影响 | 提到戒烟电子烟的美国Twitter用户及其相关推文 | 自然语言处理 | 电子烟相关疾病 | NA | 深度学习 | 文本数据（推文） | 从2019年6月至2020年10月收集的相关推文及用户 | NA | deepFace | NA | NA |