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 10461 - 10480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10461 | 2025-10-07 |
Deep Learning Based Prediction of Myopia Control Effect in Children Treated With Overnight Orthokeratology
2024-Jan-01, Eye & contact lens
DOI:10.1097/ICL.0000000000001054
PMID:37934166
|
研究论文 | 开发并验证基于深度学习的模型，用于预测接受角膜塑形镜治疗的儿童12个月眼轴长度增长 | 首次结合基线因素和早期角膜地形图变化，使用深度学习方法预测角膜塑形镜治疗后的眼轴长度增长 | 样本量较小（115例患者），仅验证了12个月的预测效果 | 预测儿童接受角膜塑形镜治疗后眼轴长度的增长情况 | 接受角膜塑形镜治疗的近视儿童患者 | 医学影像分析 | 近视 | 角膜地形图检查 | 深度神经网络 | 医学记录数据，角膜地形图数据 | 115例患者（83例用于算法开发，32例用于评估） | NA | 深度神经网络，多元线性回归 | 皮尔逊相关系数，P值 | NA |
| 10462 | 2025-10-07 |
Structural and functional connectome relationships in early childhood
2023-12, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2023.101314
PMID:37898019
|
研究论文 | 本研究探索了幼儿期大脑结构与功能连接组的关系及其发展模式 | 首次在幼儿期纵向研究结构-功能耦合，并应用新型图卷积神经网络模型更好捕捉个体异质性 | 样本量相对有限，仅追踪到6岁儿童 | 探究儿童早期大脑结构连接与功能连接的关系及其发展规律 | 1-6岁儿童和成人对照组的脑连接组 | 神经科学, 机器学习 | NA | 脑成像技术 | 图卷积神经网络 | 脑结构连接和功能连接数据 | 360名儿童（1、2、4、6岁纵向扫描）和89名成人 | NA | 图卷积神经网络 | 功能连接预测精度 | NA |
| 10463 | 2025-10-07 |
ChromaFold predicts the 3D contact map from single-cell chromatin accessibility
2023-Jul-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.27.550836
PMID:37546906
|
研究论文 | 提出ChromaFold深度学习模型，从单细胞ATAC测序数据预测3D染色质接触图谱和调控相互作用 | 首次实现仅使用单细胞ATAC测序数据预测3D接触图谱，无需染色体构象捕获实验 | 需要配对scATAC-seq和Hi-C数据进行训练 | 从单细胞染色质可及性数据预测3D染色质结构和调控相互作用 | 人类和小鼠细胞系及组织中的染色质相互作用 | 计算生物学 | NA | scATAC-seq, Hi-C, CTCF ChIP-seq | 深度学习 | 基因组测序数据 | 多种人类和小鼠测试细胞类型 | NA | 轻量级架构 | 预测准确性 | 标准GPU |
| 10464 | 2025-05-28 |
Artificial intelligence in refractive surgery
2025-Jul-01, Current opinion in ophthalmology
IF:3.0Q1
DOI:10.1097/ICU.0000000000001139
PMID:40277339
|
review | 本文综述了人工智能在屈光手术中的应用及其进展 | 人工智能在屈光手术中的应用包括生物测量、病理检测、手术决策和教育等多个方面 | 未提及具体的技术局限性或研究不足 | 探讨人工智能在屈光手术中的应用及其对手术安全性和有效性的提升 | 屈光手术中的生物测量、病理检测、手术决策和教育 | 人工智能在医学中的应用 | 眼科疾病 | 人工智能、机器学习和深度学习 | NA | 前段成像数据 | NA | NA | NA | NA | NA |
| 10465 | 2025-05-28 |
Advancements in artificial intelligence for the diagnosis and management of anterior segment diseases
2025-Jul-01, Current opinion in ophthalmology
IF:3.0Q1
DOI:10.1097/ICU.0000000000001150
PMID:40279352
|
review | 本文综述了人工智能在前段眼病诊断和管理中的最新进展及其潜力 | 利用AI技术（包括机器学习和深度学习模型）提升前段眼病的诊断准确性和治疗个性化 | 数据多样性不足和模型可解释性问题 | 探讨人工智能在前段眼病诊断和管理中的应用及其对临床实践的潜在影响 | 前段眼病，包括角膜疾病、屈光手术、白内障、结膜疾病（如翼状胬肉）、沙眼和干眼症等 | digital pathology | anterior segment diseases | machine learning, deep learning, generative AI | NA | imaging data, clinical information | large-scale | NA | NA | NA | NA |
| 10466 | 2025-10-07 |
Discovery of Active Ingredient of Yinchenhao Decoction Targeting TLR4 for Hepatic Inflammatory Diseases Based on Deep Learning Approach
2025-Jun, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-024-00670-7
PMID:39560852
|
研究论文 | 基于深度学习框架AIGO-DTI预测茵陈蒿汤活性成分靶向TLR4的作用机制 | 提出AIGO-DTI深度学习框架用于预测中药成分与TLR4靶点的相互作用，并通过实验验证了异东莨菪素通过TLR4影响树突状细胞成熟的机制 | NA | 探索茵陈蒿汤中靶向TLR4的有效成分及其治疗肝病的机制 | 茵陈蒿汤主要成分、TLR4靶点、树突状细胞 | 机器学习 | 肝炎 | 深度学习、湿实验验证 | AIGO-DTI, RF, SVM, KNN, XGBoost, GCN, GAT | 化合物靶点相互作用数据 | NA | NA | AIGO-DTI | Recall, AUC | NA |
| 10467 | 2025-10-07 |
A Multi-View Feature-Based Interpretable Deep Learning Framework for Drug-Drug Interaction Prediction
2025-Jun, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00687-6
PMID:39899225
|
研究论文 | 提出基于多视图特征的可解释深度学习框架MI-DDI用于药物相互作用预测 | 首次结合原子视图和子结构视图特征进行药物相互作用预测，并设计可解释的交互模块 | 未明确说明模型在其他药物数据集上的泛化能力 | 开发准确且可解释的药物相互作用预测方法 | 药物分子及其相互作用 | 机器学习 | NA | 分子图分析，SMILES序列处理 | MPNN, Transformer | 分子图，SMILES序列 | BIOSNAP数据集和DrugBank数据集 | PyTorch, RDkit | Message Passing Neural Network, Transformer编码器 | 准确率 | NA |
| 10468 | 2025-10-07 |
Cutting Skill Assessment by Motion Analysis Using Deep Learning and Spatial Marker Tracking
2025-06, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3529500
PMID:40030929
|
研究论文 | 提出一种通过手术刀运动分析评估开放手术中切割技能的方法 | 设计3D多面ArUco码立方体，结合YOLOv8模型和五种评估指标量化外科医生的切割技能 | 仅针对四种常见切口类型进行评估，样本量相对有限 | 开发客观的开放手术切割技能评估方法 | 外科医生的手术刀切割技能 | 计算机视觉 | NA | 空间标记跟踪，运动分析 | YOLOv8 | 图像，3D坐标数据 | 20名外科医生（专家和新手）执行四种切口类型 | YOLOv8 | YOLOv8 | 平均切口曲率偏差，切口长度差异，切口端点偏差，平均切口偏差，平均切割急动度 | NA |
| 10469 | 2025-10-07 |
Advancing Acoustic Droplet Vaporization for Tissue Characterization Using Quantitative Ultrasound and Transfer Learning
2025-06, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3527141
PMID:40031047
|
研究论文 | 本研究通过定量超声和迁移学习技术探索声学液滴汽化在组织表征中的应用 | 首次将迁移学习与卷积神经网络结合用于区分不同纤维蛋白密度的水凝胶，并系统量化ADV气泡的声学特性和纹理特征 | 研究仅限于纤维蛋白基组织模拟水凝胶，尚未在真实生物组织中进行验证 | 开发基于声学液滴汽化的组织力学特性表征方法 | 纤维蛋白基组织模拟水凝胶中的相变纳米液滴 | 生物医学超声 | NA | 被动空化检测，B模式超声，对比增强超声，定量超声 | CNN | 超声图像，声学信号 | 不同纤维蛋白密度的水凝胶样本 | NA | AlexNet | NA | NA |
| 10470 | 2025-10-07 |
Marker Data Enhancement for Markerless Motion Capture
2025-06, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3530848
PMID:40031222
|
研究论文 | 本文开发了一种更准确和泛化能力更强的标记增强器，用于将稀疏视频关键点转换为密集解剖标记 | 创建了更大更多样化的训练数据集，开发了比OpenCap原始增强器更准确且泛化能力更强的标记增强模型 | 未明确提及具体限制，但暗示模型在未见过的多样化运动上仍有改进空间 | 提高无标记运动捕捉中人体姿态估计的准确性和泛化能力 | 人体运动捕捉数据 | 计算机视觉 | NA | 运动捕捉技术 | 深度学习模型 | 视频关键点数据、解剖标记数据 | 1176名受试者的标记运动捕捉数据，合成1433小时视频关键点和解剖标记 | NA | 标记增强器 | 平均误差、最大误差 | NA |
| 10471 | 2025-10-07 |
Predicting Synergistic Drug Combinations Based on Fusion of Cell and Drug Molecular Structures
2025-Jun, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00695-6
PMID:40088336
|
研究论文 | 提出一种名为DconnC的新方法，通过融合细胞和药物分子结构来预测协同药物组合 | 利用细胞特征作为节点建立药物分子结构间的连接，通过自增强对比学习优化特征提取 | NA | 开发可靠有效的计算方法预测协同药物组合 | 药物组合疗法 | 机器学习 | 癌症 | 深度学习 | Bi-RNN, LSTM | 分子结构数据，细胞特征数据 | NA | NA | 双向循环神经网络，长短期记忆网络 | 均方误差，Loewe协同评分 | NA |
| 10472 | 2025-05-28 |
CR-deal: Explainable Neural Network for circRNA-RBP Binding Site Recognition and Interpretation
2025-Jun, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00694-7
PMID:40146403
|
research paper | 本文提出了一种名为CR-deal的可解释神经网络模型，用于识别和解释circRNA与RNA结合蛋白（RBP）的结合位点 | CR-deal利用图注意力网络将序列和结构特征统一到同一视图中，更有效地利用结构特征提高预测准确性，并通过集成梯度特征解释推断结合位点的功能结构区域 | 现有方法在准确性和可解释性方面仍有改进空间 | 预测circRNA与RBP的结合位点并解释其功能结构区域 | circRNA和RNA结合蛋白（RBP） | natural language processing | NA | cross-linking immunoprecipitation sequencing technology | graph attention network | genome-wide circRNA data | 37个circRNA数据集和7个lncRNA数据集 | NA | NA | NA | NA |
| 10473 | 2025-10-07 |
NRGCNMDA: Microbe-Drug Association Prediction Based on Residual Graph Convolutional Networks and Conditional Random Fields
2025-Jun, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-024-00678-z
PMID:39775537
|
研究论文 | 提出一种基于残差图卷积网络和条件随机场的微生物-药物关联预测计算模型NRGCNMDA | 结合残差图卷积网络机制和条件随机场来学习高阶相似性特征并确保微生物和药物具有相似的特征嵌入 | NA | 预测微生物与药物之间的关联关系 | 微生物和药物 | 机器学习 | NA | Node2vec, 图卷积网络, 条件随机场 | 图卷积网络, 条件随机场 | 网络数据 | NA | NA | 残差图卷积网络 | AUC, AUPR | NA |
| 10474 | 2025-05-28 |
Development of an Open-Source Algorithm for Automated Segmentation in Clinician-Led Paranasal Sinus Radiologic Research
2025-May-27, The Laryngoscope
DOI:10.1002/lary.32292
PMID:40421828
|
研究论文 | 开发并验证了一种用于鼻旁窦CT扫描的自动分割开源算法，为耳鼻喉科研究社区提供支持 | 提供了首个针对鼻窦腔的开源分割算法，促进了临床驱动的AI医学研究 | 样本量相对较小（100例扫描），且仅针对鼻旁窦CT扫描 | 验证并提供一个开源的分割算法，用于鼻旁窦CT扫描的自动分割 | 鼻旁窦CT扫描 | 数字病理 | 鼻窦疾病 | CT扫描 | UNet++ | 医学影像 | 100例鼻旁窦CT扫描（80/20训练/测试分割） | NA | NA | NA | NA |
| 10475 | 2025-05-28 |
ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction
2025-May-26, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3573581
PMID:40418608
|
research paper | 开发并评估了ECG-SMART-NET，一种用于精确诊断闭塞性心肌梗死（OMI）的深度学习架构 | 提出了一种临床信息修改的ResNet-18架构，能够更好地捕捉ECG记录中的时间特征和空间一致性或不一致性 | 研究仅基于一个多中心真实世界临床数据集，可能无法涵盖所有OMI病例的多样性 | 提高通过12导联心电图（ECG）对闭塞性心肌梗死（OMI）的检测准确性 | 闭塞性心肌梗死（OMI）患者的心电图数据 | digital pathology | cardiovascular disease | deep learning | CNN (ResNet-18 modified) | ECG recordings | 10,393 ECGs from 7,397 unique patients | NA | NA | NA | NA |
| 10476 | 2025-05-28 |
Segmentation of the Left Ventricle and Its Pathologies for Acute Myocardial Infarction After Reperfusion in LGE-CMR Images
2025-May-26, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3573706
PMID:40418612
|
research paper | 该论文提出了一个深度学习模型LVPSegNet，用于在LGE-CMR图像中分割左心室及其病理组织（微血管阻塞和心肌梗死），并发布了包含140名患者的基准数据集LGE-LVP | 首次发布LGE-CMR基准数据集LGE-LVP，并提出了一种结合自适应感兴趣区域提取、样本增强、课程学习和多感受野融合的渐进式深度学习模型LVPSegNet | 数据集的样本量相对较小（140名患者），且未提及模型在其他类型心脏疾病上的泛化能力 | 开发一种自动化方法，用于在LGE-CMR图像中准确分割左心室及其病理组织，以辅助急性心肌梗死再灌注后的诊断和治疗 | 左心室及其病理组织（微血管阻塞和心肌梗死） | digital pathology | cardiovascular disease | LGE-CMR（晚期钆增强心脏磁共振成像） | LVPSegNet（基于深度学习的渐进式分割模型） | image | 140名左心室心肌梗死伴微血管阻塞患者 | NA | NA | NA | NA |
| 10477 | 2025-05-28 |
Impact of contrast-enhanced agent on segmentation using a deep learning-based software "Ai-Seg" for head and neck cancer
2025-May-26, The British journal of radiology
DOI:10.1093/bjr/tqaf108
PMID:40419459
|
研究论文 | 本研究开发了一种专用于对比增强CT的头颈部风险器官分割模型，并比较了其在对比增强和非对比增强CT上的性能 | 开发了专用于对比增强CT的分割模型，并首次评估其在非对比增强CT上的适用性 | 在非对比增强CT上对颌下腺的分割性能显著下降 | 评估深度学习分割软件在不同CT图像类型上的性能差异 | 头颈部癌症患者的CT图像 | 数字病理 | 头颈部癌症 | CT扫描 | 深度学习模型（Ai-Seg） | 医学影像 | 321名患者用于训练，25名患者用于测试 | NA | NA | NA | NA |
| 10478 | 2025-10-07 |
Minimally interactive segmentation of soft-tissue tumors on CT and MRI using deep learning
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11167-8
PMID:39560714
|
研究论文 | 开发了一种基于深度学习的软组织肿瘤最小交互式分割方法 | 提出了一种只需用户点击六个边界点的最小交互式分割方法，将点转换为距离图并与图像一起作为CNN输入 | NA | 开发用于CT和MRI上软组织肿瘤的快速准确分割方法 | 软组织肿瘤 | 医学影像分析 | 软组织肿瘤 | CT, MRI (T1加权, T2加权脂肪饱和) | CNN | 医学影像 | 514名患者，包含9种软组织肿瘤表型和7个解剖位置，另有外部验证数据集包含5种未见过的肿瘤表型 | NA | NA | Dice相似系数, 体积测量误差, 直径测量误差, 相关系数 | NA |
| 10479 | 2025-10-07 |
High-throughput markerless pose estimation and home-cage activity analysis of tree shrew using deep learning
2025-May, Animal models and experimental medicine
IF:3.8Q2
DOI:10.1002/ame2.12530
PMID:39846430
|
研究论文 | 本研究开发了一种基于深度学习的无标记姿态估计方法，用于分析树鼩在家庭笼中的自发行为 | 首次实现了树鼩的无标记姿态估计和多种自发行为的自动识别，开发了可同时监测16只树鼩的高通量系统 | 未明确说明模型在复杂环境下的鲁棒性和泛化能力 | 开发高效工具来量化和理解树鼩的自然行为 | 树鼩的家庭笼活动行为 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 视频图像 | 16只树鼩 | NA | NA | NA | NA |
| 10480 | 2025-05-28 |
Deep learning radiopathomics predicts targeted therapy sensitivity in EGFR-mutant lung adenocarcinoma
2025-Apr-29, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06480-9
PMID:40301933
|
研究论文 | 本研究开发了一种深度学习放射病理临床(DLRPC)模型，用于预测EGFR突变肺腺癌患者对酪氨酸激酶抑制剂(TKIs)的治疗反应 | 整合了CT影像、H&E染色活检样本和临床数据，采用基于临床的注意力掩膜探索跨模态关联 | 回顾性研究设计可能引入选择偏倚，样本量相对有限(214例) | 预测EGFR突变肺腺癌患者对TKIs的治疗敏感性 | EGFR突变肺腺癌患者 | 数字病理 | 肺癌 | 深度学习 | DLRPC(多模态融合模型) | CT影像、病理图像、临床数据 | 214例来自两个医疗中心的肺腺癌患者 | NA | NA | NA | NA |