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 33459 篇文献，本页显示第 10721 - 10740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10721 | 2025-05-31 |
A Single-Camera Method for Estimating Lift Asymmetry Angles Using Deep Learning Computer Vision Algorithms
2025-Apr, IEEE transactions on human-machine systems
IF:3.5Q1
DOI:10.1109/thms.2025.3539187
PMID:40160534
|
research paper | 提出了一种使用单摄像头和深度学习计算机视觉算法自动测量NIOSH提升方程不对称角的方法 | 利用单摄像头和深度学习算法解决了实际场景中视角遮挡和摄像头放置限制的问题 | 与3D运动捕捉相比，精度误差为6.25°，准确度误差为9.45° | 开发一种自动测量提升不对称角的方法 | 十名参与者在实验室环境中进行的各种提升动作 | computer vision | NA | HR-Net, VideoPose3D | deep learning | video | 10名参与者，360个样本 | NA | NA | NA | NA |
| 10722 | 2025-05-31 |
Deep neural networks excel in COVID-19 disease severity prediction-a meta-regression analysis
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95282-6
PMID:40133706
|
meta-analysis | 该研究通过元回归分析评估了深度神经网络在COVID-19疾病严重程度预测中的优越性 | 首次使用MetaForest算法识别工具性能的相关混杂因素，并通过混合效应元回归模型比较了线性、机器学习和深度学习方法 | 88%的研究存在高偏倚风险，主要由于数据分析的缺陷 | 评估COVID-19严重程度预测工具的性能，指导临床医生选择最佳工具并优化资源管理 | 住院的COVID-19患者 | 机器学习 | COVID-19 | MetaForest算法, 混合效应元回归模型 | Neural Networks, 机器学习方法 | 临床、实验室和影像数据 | 约280万患者，来自430项独立评估 | NA | NA | NA | NA |
| 10723 | 2025-05-31 |
AI-Derived Blood Biomarkers for Ovarian Cancer Diagnosis: Systematic Review and Meta-Analysis
2025-Mar-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/67922
PMID:40126546
|
meta-analysis | 本文通过系统综述和荟萃分析评估了AI衍生的血液生物标志物在卵巢癌诊断中的研究质量和有效性 | 首次对AI在卵巢癌血液生物标志物发现中的诊断价值进行了系统评估，并比较了不同AI算法和样本类型的性能差异 | 纳入研究之间存在异质性，且部分研究缺乏外部验证 | 评估AI衍生的血液生物标志物在卵巢癌诊断中的有效性 | 卵巢癌患者 | 数字病理 | 卵巢癌 | AI算法（包括机器学习和深度学习） | 机器学习 vs 深度学习 | 血液生物标志物数据 | 40项研究 | NA | NA | NA | NA |
| 10724 | 2025-05-31 |
Explainable AI for Intraoperative Motor-Evoked Potential Muscle Classification in Neurosurgery: Bicentric Retrospective Study
2025-Mar-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/63937
PMID:40127441
|
研究论文 | 本研究开发并评估了用于术中运动诱发电位（MEP）肌肉分类的机器学习方法，并利用可解释人工智能（XAI）技术识别关键信号特征 | 结合机器学习与可解释人工智能技术，首次在双中心设置下验证MEP信号分类模型，并识别出频率成分和峰值潜伏期等关键特征 | 研究为回顾性设计，样本量相对有限（151例训练手术/58例测试手术），且仅针对四种特定肌肉 | 开发可靠的MEP肌肉分类模型以提高神经外科手术患者安全性，并探索影响分类的关键信号特征 | 幕上神经外科手术中四种肌肉（指伸肌、拇短展肌、胫骨前肌和拇展肌）的运动诱发电位信号 | 数字病理 | 神经系统疾病 | 运动诱发电位监测（IONM） | 随机森林（RF）、1D-CNN和2D-CNN | 时间序列生物电信号 | 训练集：36,992个MEP（151例手术）；测试集：24,298个MEP（58例手术） | NA | NA | NA | NA |
| 10725 | 2025-05-31 |
Establishment of a deep-learning-assisted recurrent nasopharyngeal carcinoma detecting simultaneous tactic (DARNDEST) with high cost-effectiveness based on magnetic resonance images: a multicenter study in an endemic area
2025-Mar-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00853-5
PMID:40128777
|
研究论文 | 本研究探讨了利用未增强磁共振图像（MRI）检测局部复发性鼻咽癌（rNPC）的可行性，并通过深度学习模型优化了随访的分层管理策略 | 开发了一种基于深度学习的复发性鼻咽癌同步检测策略（DARNDEST），结合了3D DenseNet和ResNet框架，提高了检测的准确性和敏感性 | 特异性相比T1_T2模型有所降低，且研究结果基于假设的1000名患者队列 | 优化复发性鼻咽癌的检测方法，提高随访管理的效率和经济效益 | 局部复发性鼻咽癌（rNPC）患者 | 数字病理 | 鼻咽癌 | MRI（T1WI, T2WI, T1WIC） | 3D DenseNet, ResNet | 图像 | 假设队列1000名患者（内部和外部测试集） | NA | NA | NA | NA |
| 10726 | 2025-05-31 |
A Two-Stage Lightweight Deep Learning Framework for Mass Detection and Segmentation in Mammograms Using YOLOv5 and Depthwise SegNet
2025-Mar-14, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01471-0
PMID:40087224
|
研究论文 | 提出了一种轻量级的两阶段深度学习框架，用于在乳腺X光片中检测和分割肿块，确保医疗数据隐私 | 结合YOLOv5和深度可分离卷积的SegNet架构，创建了一个参数少、推理速度快的轻量级模型，可直接在用户浏览器中运行 | 在CBIS-DDSM数据集上的mAP@50为50.3%，性能仍有提升空间 | 开发一个高效且保护隐私的乳腺癌肿块检测和分割解决方案 | 乳腺X光片中的肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | YOLOv5, SegNet | 图像 | CBIS-DDSM和INbreast数据集 | NA | NA | NA | NA |
| 10727 | 2025-05-31 |
Tumor cell villages define the co-dependency of tumor and microenvironment in liver cancer
2025-Mar-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.07.642107
PMID:40161587
|
研究论文 | 该研究通过空间单细胞成像和单细胞RNA测序分析了50个肿瘤生物样本中的200多万个细胞，开发了一种基于深度学习的策略来空间映射肿瘤细胞状态及其周围结构 | 提出了空间动态网络（SDN）的概念，揭示了肿瘤细胞状态如何组织成独特的集群（'村庄'），并展示了这些村庄与肿瘤微环境之间的分子共依赖性 | 研究仅针对肝癌，未涉及其他癌症类型 | 理解肿瘤空间景观及其对肿瘤侵袭性的影响 | 肝癌肿瘤细胞及其微环境 | 数字病理学 | 肝癌 | 空间单细胞成像, 单细胞RNA测序 | 深度学习 | 图像, 基因表达数据 | 50个肿瘤生物样本中的200多万个细胞 | NA | NA | NA | NA |
| 10728 | 2025-05-31 |
Graph neural networks for single-cell omics data: a review of approaches and applications
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf109
PMID:40091193
|
综述 | 本文系统回顾了图神经网络（GNNs）在单细胞组学数据分析中的应用及其六种变体 | 首次系统总结了GNNs在单细胞组学数据分析中的107个成功应用案例，并整理了77个公开可用的单细胞数据集 | 当前研究可能存在方法学上的不足，需要未来进一步探索 | 深化GNNs在单细胞组学数据分析中的应用 | 单细胞组学数据 | 机器学习 | NA | 单细胞测序技术 | GNN及其六种变体 | 单细胞组学数据（表观基因组学、转录组学、空间转录组学、蛋白质组学和多组学） | 总结了77个公开可用的单细胞数据集 | NA | NA | NA | NA |
| 10729 | 2025-05-31 |
Utilising routinely collected clinical data through time series deep learning to improve identification of bacterial bloodstream infections: a retrospective cohort study
2025-03, The Lancet. Digital health
DOI:10.1016/j.landig.2025.01.010
PMID:40015765
|
研究论文 | 本研究利用常规收集的临床数据，通过时间序列深度学习技术，提高了细菌性血流感染的识别能力 | 使用LSTM模型分析时间序列数据，显著提高了对血流感染的预测准确性 | 研究为回顾性队列研究，可能存在数据偏差 | 开发和评估利用医疗数据预测住院患者血流感染的模型 | 住院患者 | 机器学习 | 血流感染 | 血液培养 | LSTM, logistic regression | 临床数据 | 20850名患者（训练集15212名，测试集5638名） | NA | NA | NA | NA |
| 10730 | 2025-05-31 |
A Robust and Efficient Representation-based DNA Storage Architecture by Deep Learning
2025-03, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202400959
PMID:40114483
|
research paper | 提出一种基于深度学习的表示型DNA存储架构，用于图像的高效和鲁棒存储 | 利用深度学习的出色表示和图像生成能力，结合自编码器和U-Net网络，实现了DNA存储中噪声读取下的图像表示、构建和优化 | 在插入-删除-替换(IDS)错误率低于6%的场景下才能重建中等质量的图像 | 开发一种鲁棒且高效的DNA存储架构，用于大规模图像应用 | 图像数据 | 数字病理 | NA | DNA存储 | autoencoder, U-Net | 图像 | 14个质粒中存储的图像 | NA | NA | NA | NA |
| 10731 | 2025-05-31 |
Deep Learning Derived Adipocyte Size Reveals Adipocyte Hypertrophy is under Genetic Control
2025-Feb-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.02.11.25322053
PMID:39990583
|
研究论文 | 本研究利用深度学习技术自动分析脂肪细胞大小，探讨其与肥胖相关性状及遗传关联的关系 | 开发了基于深度学习的脂肪组织切片语义分割方法，进行了迄今为止最大规模的脂肪细胞表型与遗传关联研究 | 研究样本主要来自特定人群，可能限制结果的普适性 | 探究脂肪细胞大小与肥胖相关代谢特征的关联及其遗传基础 | 皮下和内脏脂肪组织样本 | 数字病理学 | 肥胖相关疾病 | 深度学习 | 语义分割模型 | 组织切片图像 | 5个独立队列中的2,667份样本，包含9,000张全切片图像和超过2,700万个脂肪细胞 | NA | NA | NA | NA |
| 10732 | 2025-05-31 |
Artificial intelligence-driven volumetric CT outcome score in cystic fibrosis: longitudinal and multicenter validation with/without modulators treatment
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11019-5
PMID:39150489
|
研究论文 | 本研究通过3D深度学习技术开发了一种自动定量测量囊性纤维化(CF)患者气道异常的CT评分方法(NOVAA-CT)，并进行了纵向和多中心的临床验证 | 首次开发了基于AI的全肺自动定量CT评分系统(NOVAA-CT)，可全面监测CF严重程度并量化治疗效果 | 研究为回顾性设计，样本量相对有限(139例) | 验证AI驱动的容积CT评分在囊性纤维化诊疗中的临床应用价值 | 接受ETI或ABPA治疗的囊性纤维化患者 | 数字病理 | 囊性纤维化 | 3D深度学习 | 3D CNN | CT影像 | 139例CF患者(ETI组60例，ABPA组20例，外部验证组59例) | NA | NA | NA | NA |
| 10733 | 2025-05-31 |
HVSeeker: a deep-learning-based method for identification of host and viral DNA sequences
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf037
PMID:40372723
|
research paper | HVSeeker是一种基于深度学习的方法，用于区分细菌和噬菌体序列 | HVSeeker结合了两种独立的模型（DNA序列和蛋白质分析）以及三种预处理方法（填充、contigs组装和滑动窗口），在识别未知噬菌体基因组方面表现出色 | NA | 开发一种能够从混合宏基因组中准确识别宿主和病毒序列的方法 | 细菌和噬菌体序列 | bioinformatics | NA | deep learning | HVSeeker（包含DNA序列和蛋白质分析两个独立模型） | DNA序列和蛋白质序列 | 测试数据来自NCBI和IMGVR数据库，序列长度范围200到1,500碱基对 | NA | NA | NA | NA |
| 10734 | 2025-05-31 |
Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: A data-driven approach for improved classification
2025-Jan, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103383
PMID:39546982
|
研究论文 | 本文提出了一种名为MAPLEZ的新方法，利用本地可执行的大型语言模型（LLM）从胸部X光报告中提取和增强发现标签，以提高分类质量 | MAPLEZ不仅提取二元标签（表示发现的存在或缺失），还提取位置、严重程度和放射科医生对发现的不确定性，显著提高了标签质量和分类性能 | 方法仅在有限分辨率的胸部X光数据集上进行了验证，可能在其他类型或更高分辨率的数据上表现不同 | 提高胸部X光图像分析的标签质量和分类性能 | 胸部X光报告和图像 | 数字病理学 | 肺病 | 大型语言模型（LLM） | LLM | 图像和文本 | 五个测试集中的八种异常情况 | NA | NA | NA | NA |
| 10735 | 2025-05-31 |
Leveraging Extended Windows in End-to-End Deep Learning for Improved Continuous Myoelectric Locomotion Prediction
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3552530
PMID:40100693
|
研究论文 | 本研究探讨了利用扩展窗口长度在端到端深度学习中改进连续肌电运动预测的方法 | 通过扩展窗口长度（250 ms至1500 ms）结合端到端CNN处理原始sEMG信号，克服了传统方法在预测能力上的限制 | 研究未涉及不同个体间的泛化能力验证 | 改进连续肌电运动预测的准确性和实时性 | 表面肌电信号（sEMG）和连续运动模式 | 机器学习 | NA | 表面肌电信号（sEMG）采集 | CNN | 信号数据 | 涉及8种运动模式和16种过渡状态 | NA | NA | NA | NA |
| 10736 | 2025-05-31 |
Continuous Joint Kinematics Prediction Using GAT-LSTM Framework Based on Muscle Synergy and Sparse sEMG
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3565305
PMID:40299730
|
研究论文 | 提出了一种基于肌肉协同和稀疏sEMG的GAT-LSTM框架，用于连续关节运动预测 | 结合肌肉协同理论和图注意力网络，有效补偿稀疏sEMG设置的局限性，显著提高预测精度 | NA | 提高基于sEMG的连续运动预测的准确性和可靠性 | sEMG信号和关节运动 | 机器学习 | NA | sEMG | GAT-LSTM | sEMG信号 | 公共数据集Ninapro DB2和自收集数据集 | NA | NA | NA | NA |
| 10737 | 2025-05-31 |
Optimizing gene selection and module identification via ontology-based scoring and deep learning
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf034
PMID:40365108
|
research paper | 提出了一种结合统计方法和深度学习的集成框架，用于优化基因选择和模块识别 | 结合了基于基因本体论（GO）的新型统计算法和深度神经网络模型，提高了基因选择的准确性和生物相关性 | 未提及具体样本量或实验验证的局限性 | 优化基因选择并识别基因相互作用模块，以更好地理解复杂疾病机制 | 基因表达数据和基因相互作用 | computational biology | NA | gene ontology (GO) scoring, deep learning | deep neural network, feed-forward architecture | omics data, gene expression data | NA | NA | NA | NA | NA |
| 10738 | 2025-05-31 |
Automatic collateral quantification in acute ischemic stroke using U2-net
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1502382
PMID:40421138
|
research paper | 利用U2-Net深度学习框架自动量化急性缺血性卒中（AIS）中的侧支循环，并与传统视觉侧支评分（vCS）进行比较 | 首次使用U2-Net深度学习框架进行AIS侧支循环的自动量化，并提出了定量侧支评分（qCS） | 样本量相对较小（118例AIS病例），且仅基于CTA图像 | 开发一种自动量化AIS侧支循环的方法，以提高诊断准确性和治疗决策 | 急性缺血性卒中（AIS）患者的CTA图像 | digital pathology | cardiovascular disease | computed tomography angiography (CTA) | U2-Net | image | 118例AIS病例（94例用于开发，24例用于测试） | NA | NA | NA | NA |
| 10739 | 2025-05-31 |
Hybrid deep learning for IoT-based health monitoring with physiological event extraction
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251337848
PMID:40421178
|
research paper | 提出一种混合深度学习模型，结合CNN和LSTM，用于基于IoT的健康监测与生理事件提取 | 结合CNN和LSTM处理时空数据，引入生理事件提取(PEE)提升特征可解释性，使用集成技术和在线学习算法优化异常检测 | 未提及具体疾病类型的验证范围和实际临床部署的挑战 | 提升IoT医疗数据处理链的准确性和实时性 | 医疗图像和可穿戴传感器数据 | machine learning | NA | Physiological Event Extraction (PEE), Isolation Forest, One-Class SVM, Incremental Gradient Descent with Momentums | CNN, LSTM | medical images, wearable sensor data | NA | NA | NA | NA | NA |
| 10740 | 2025-05-31 |
Radiomics Analysis on Computed Tomography Images for Prediction of Chemoradiation-induced Heart Failure in Breast Cancer by Machine Learning Models
2025, Journal of medical signals and sensors
DOI:10.4103/jmss.jmss_51_24
PMID:40421235
|
研究论文 | 通过机器学习模型分析CT图像的放射组学特征，预测乳腺癌患者放化疗后心力衰竭的风险 | 结合放射组学、剂量学和临床特征，利用机器学习模型预测放化疗诱导的心力衰竭 | 样本量较小（54例患者），且仅针对左侧放化疗的乳腺癌患者 | 评估临床、剂量学和放射组学特征在预测乳腺癌患者放化疗后心力衰竭概率中的有效性 | 接受左侧放化疗且自然心力衰竭风险低的乳腺癌患者 | 数字病理 | 乳腺癌 | CT扫描、深度学习、机器学习 | 决策树、K近邻、随机森林（RF） | 图像 | 54例乳腺癌患者 | NA | NA | NA | NA |