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 32372 篇文献，本页显示第 10781 - 10800 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10781 | 2025-05-16 |
RNA language models predict mutations that improve RNA function
2024-Sep-16, bioRxiv : the preprint server for biology
DOI:10.1101/2024.04.05.588317
PMID:38617247
|
研究论文 | 该研究创建了一个名为GARNET的新数据库，用于RNA结构和功能分析，并开发了一种类似GPT的RNA语言模型，以预测提高RNA功能的突变 | 创建GARNET数据库，结合GTDB基因组数据与生物生长温度信息，开发了重叠三连体标记化的RNA生成模型，用于预测增强RNA功能的突变 | RNA结构预测目前仍缺乏充足的高质量参考数据 | 理解RNA序列、结构与功能之间的联系 | RNA序列及其功能 | 自然语言处理 | NA | 深度学习，RNA生成模型 | GPT-like语言模型 | RNA序列数据 | GTDB基因组数据中的RNA序列 | NA | NA | NA | NA |
| 10782 | 2025-05-16 |
Comparing Artificial Intelligence-Based Versus Conventional Endotracheal Tube Monitoring Systems in Clinical Practice
2024-07-24, Studies in health technology and informatics
DOI:10.3233/SHTI240230
PMID:39049336
|
研究论文 | 本研究开发了一种基于深度学习和人工智能的气管插管监测系统，并与传统方法进行了比较评估 | 提出了一种新型的AI监测系统，用于实时检测气管插管移位或脱落，相比传统方法具有更高的及时性和准确性 | 研究尚未完成，实际效果需要通过后续随机交叉实验验证 | 评估AI监测系统在气管插管管理中的有效性，促进医疗护理领域的创新应用 | 气管插管患者 | 医疗人工智能 | NA | 深度学习 | 深度学习模型（未指定具体类型） | 临床监测数据 | NA（研究尚未完成） | NA | NA | NA | NA |
| 10783 | 2025-05-16 |
Deep Learning for Predicting Phlebitis in Patients with Intravenous Catheters
2024-07-24, Studies in health technology and informatics
DOI:10.3233/SHTI240231
PMID:39049337
|
research paper | 该研究提出了一种深度学习模型，用于预测外周静脉导管（PIVC）插入患者的静脉炎 | 利用深度学习模型预测静脉炎，并在大规模电子健康记录数据上验证其性能，准确率和AUC均表现优异 | 研究数据仅来自韩国首尔的一家医院，可能缺乏普遍性 | 开发一种有效的工具，用于早期检测静脉炎，以改善患者预后和医疗效率 | 接受外周静脉导管（PIVC）插入的患者 | machine learning | 静脉炎 | 电子健康记录数据分析 | 深度学习模型 | 电子健康记录数据 | 27,532次住院记录和70,293次PIVC事件 | NA | NA | NA | NA |
| 10784 | 2025-05-16 |
ASPTF: A computational tool to predict abiotic stress-responsive transcription factors in plants by employing machine learning algorithms
2024-06, Biochimica et biophysica acta. General subjects
DOI:10.1016/j.bbagen.2024.130597
PMID:38490467
|
研究论文 | 开发了一个名为ASPTF的计算工具，通过机器学习算法预测植物中响应非生物胁迫的转录因子 | 结合了浅层学习和深度学习算法，并采用特征选择技术提高预测准确性 | 未提及模型在跨物种应用中的泛化能力 | 识别与植物非生物胁迫响应相关的转录因子，以培育抗逆作物品种 | 植物转录因子 | 机器学习 | NA | 机器学习算法（包括浅层学习和深度学习） | LGBM（Light-Gradient Boosting Machine） | 序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 10785 | 2025-05-16 |
Protocol for assessing neighborhood physical disorder using the YOLOv8 deep learning model
2024-03-15, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102778
PMID:38104313
|
研究论文 | 提出了一种使用YOLOv8深度学习模型定量评估邻里物理紊乱(PD)的协议 | 利用YOLOv8深度学习模型构建检测模型，为不同国家和地区评估PD提供方法学基础 | 未提及具体样本量或数据收集范围 | 开发定量评估邻里物理紊乱(PD)的方法 | 邻里物理紊乱(PD) | 计算机视觉 | NA | YOLOv8深度学习模型 | YOLOv8 | 街景图像 | NA | NA | NA | NA | NA |
| 10786 | 2025-05-16 |
Protocol to investigate the neural basis for copulation posture of Drosophila using a closed-loop real-time optogenetic system
2023-12-15, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2023.102623
PMID:37788165
|
研究论文 | 本文提出了一种利用闭环实时光遗传系统研究果蝇交配姿势神经基础的协议 | 使用深度学习分析实现高效的光遗传学操作，仅在交配期间调控神经活动 | 协议的具体执行细节需参考Yamanouchi等人的研究 | 探究果蝇交配姿势的神经基础 | 果蝇 | 神经科学 | NA | 光遗传学 | 深度学习 | 行为数据 | NA | NA | NA | NA | NA |
| 10787 | 2025-05-16 |
Chromatin accessibility in the Drosophila embryo is determined by transcription factor pioneering and enhancer activation
2023-10-09, Developmental cell
IF:10.7Q1
DOI:10.1016/j.devcel.2023.07.007
PMID:37557175
|
research paper | 该研究通过深度学习模型分析果蝇胚胎中的转录因子结合和染色质可及性数据，揭示了染色质可及性的两层次机制 | 利用可解释的深度学习模型解析了先驱转录因子Zelda与轴模式转录因子在染色质可及性中的层级关系 | 研究仅基于果蝇胚胎数据，在其他生物系统中的普适性有待验证 | 探究染色质可及性在转录因子识别顺式调控DNA序列中的作用机制 | 果蝇胚胎中的转录因子结合和染色质可及性 | computational biology | NA | deep learning, high-resolution TF binding and chromatin accessibility analysis | interpretable deep learning model | genomic sequencing data | 果蝇胚胎数据（具体数量未说明） | NA | NA | NA | NA |
| 10788 | 2025-10-07 |
Artificial intelligence, machine learning, and deep learning in liver transplantation
2023-06, Journal of hepatology
IF:26.8Q1
DOI:10.1016/j.jhep.2023.01.006
PMID:37208107
|
综述 | 探讨人工智能、机器学习和深度学习在肝移植领域的应用前景与挑战 | 系统阐述AI技术在肝移植术前术后全流程中的创新应用场景 | 模型训练存在数据不平衡问题，存在数据隐私隐患，缺乏真实世界性能评估标准 | 研究人工智能技术在肝移植临床决策支持中的应用价值 | 终末期肝病患者的肝移植全过程管理 | 机器学习 | 肝病 | NA | 机器学习, 深度学习 | 人口统计学数据, 临床数据, 实验室数据, 病理数据, 影像数据, 组学数据 | NA | NA | NA | NA | NA |
| 10789 | 2025-10-07 |
Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer
2019-07, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-019-0462-y
PMID:31160815
|
研究论文 | 本研究开发了一种基于深度残差学习的方法，能够直接从胃肠道癌的H&E组织学图像预测微卫星不稳定性 | 首次证明无需额外基因或免疫组化检测，仅通过常规H&E组织学图像即可预测MSI状态 | NA | 开发直接从组织学图像预测微卫星不稳定性的深度学习方法，以扩大免疫治疗适用人群 | 胃肠道癌患者 | 数字病理学 | 胃肠道癌 | H&E组织学染色 | 深度学习 | 组织学图像 | NA | NA | 残差网络 | NA | NA |
| 10790 | 2025-05-15 |
Fingerprinting of Boletus bainiugan: FT-NIR spectroscopy combined with machine learning a new workflow for storage period identification
2025-Aug, Food microbiology
IF:4.5Q1
DOI:10.1016/j.fm.2025.104743
PMID:40086983
|
研究论文 | 本研究通过FT-NIR光谱结合机器学习方法，开发了一种用于鉴定牛肝菌储存期的新工作流程 | 结合FT-NIR光谱与机器学习（特别是CNN和BPNN模型）来鉴定牛肝菌的储存时间，并首次应用DD-SIMCA模型完全区分新旧样品 | 研究仅分析了储存0、1和2年的样品，未涵盖更长的储存期 | 开发一种低成本、用户友好的方法，实时确定供应链中牛肝菌的储存期 | 牛肝菌（Boletus bainiugan） | 机器学习 | NA | 高效液相色谱（HPLC）、傅里叶变换近红外光谱（FT-NIR） | CNN、BPNN、DD-SIMCA、PLSR | 光谱数据 | 831份牛肝菌样品（储存0、1和2年） | NA | NA | NA | NA |
| 10791 | 2025-05-15 |
Light scattering imaging modal expansion cytometry for label-free single-cell analysis with deep learning
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108726
PMID:40112688
|
研究论文 | 本研究开发了一种基于深度学习的模态扩展细胞术，用于无标记单细胞分析 | 提出了一种新的网络优化方法，结合对抗损失、L1距离损失和VGG感知损失，将单模光散射图像扩展为多模态图像 | 实验验证仅限于模拟图像、标准球体和特定细胞类型（如宫颈癌细胞和白血病细胞） | 开发一种无标记单细胞分析方法，用于药物开发、疾病诊断和个性化医疗 | 宫颈癌细胞和白血病细胞 | 数字病理学 | 宫颈癌、白血病 | 光散射成像 | 深度学习 | 图像 | 模拟图像、标准球体和多种细胞类型（如宫颈癌细胞和白血病细胞） | NA | NA | NA | NA |
| 10792 | 2025-05-15 |
The impact of training image quality with a novel protocol on artificial intelligence-based LGE-MRI image segmentation for potential atrial fibrillation management
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108722
PMID:40112687
|
研究论文 | 本研究开发了一种基于深度学习的自动化分割流程，通过标准化标记协议提高LGE-MRI图像分割的准确性和效率，以支持心房颤动患者的消融治疗 | 采用标准化标记协议和预训练的RIFE模型，显著提高了神经网络在心房LGE-MRI图像分割中的性能 | 研究结果依赖于手动标记的数据，可能存在主观误差，且样本量未明确说明 | 开发高效的自动化深度学习分割流程，以改善心房颤动患者的消融治疗效果 | 心房颤动患者的LGE-MRI图像 | 数字病理学 | 心血管疾病 | LGE-MRI | nnU-Net, smpU-Net++, RIFE | 图像 | NA | NA | NA | NA | NA |
| 10793 | 2025-05-15 |
The state of modelling face processing in humans with deep learning
2025-May-14, British journal of psychology (London, England : 1953)
DOI:10.1111/bjop.12794
PMID:40364689
|
review | 本文比较了深度学习模型与人类面部处理系统的心理学模型，探讨了深度学习在面部识别和面部代码编码方面的表现 | 揭示了深度学习模型在面部识别任务中不仅超越人类表现，还能模拟人类面部处理的某些定性方面，如身份识别网络中也编码表情信息 | 未提及具体的技术限制或数据限制 | 比较深度学习模型与人类面部处理系统的心理学模型，探讨面部代码的编码方式 | 人类面部处理系统和深度学习模型 | computer vision | NA | 深度学习 | 深度学习模型 | 面部图像 | NA | NA | NA | NA | NA |
| 10794 | 2025-05-15 |
Artificial intelligence for chronic total occlusion percutaneous coronary interventions
2025-May-13, The Journal of invasive cardiology
IF:1.6Q3
DOI:10.25270/jic/25.00089
PMID:40359582
|
review | 本文回顾了人工智能在慢性完全闭塞（CTO）诊断和经皮冠状动脉介入治疗（PCI）成功率预测中的最新进展 | 探讨了AI在CTO PCI中的创新应用，特别是在诊断和治疗决策支持方面的潜力 | 未提及具体的研究样本量或模型性能的详细比较 | 评估AI在CTO PCI领域的应用效果和前景 | 慢性完全闭塞（CTO）和经皮冠状动脉介入治疗（PCI） | machine learning | cardiovascular disease | NA | neural networks, deep learning | clinical parameters, imaging | NA | NA | NA | NA | NA |
| 10795 | 2025-05-15 |
Compressed chromatographic fingerprint of Artemisiae argyi Folium empowered by 1D-CNN: Reduce mobile phase consumption using chemometric algorithm
2025-May-10, Journal of chromatography. A
DOI:10.1016/j.chroma.2025.465874
PMID:40101658
|
研究论文 | 本研究提出了一种结合一维卷积神经网络（1D-CNN）与高效液相色谱（HPLC）的压缩指纹图谱分析技术，旨在提高复杂系统中多种化合物的分析效率并减少有机溶剂的使用 | 结合1D-CNN与HPLC，开发压缩指纹图谱技术，显著减少分析时间和有机溶剂消耗 | 在分析的十种化合物中，仅九种取得了良好结果，表明模型对某些化合物的解释力有待提高 | 提高复杂系统中化合物分析的效率并减少有机溶剂消耗 | 艾叶（Artemisiae argyi Folium, AAF） | 化学计量学 | NA | 高效液相色谱（HPLC），一维卷积神经网络（1D-CNN） | 1D-CNN | 色谱数据 | NA | NA | NA | NA | NA |
| 10796 | 2025-05-15 |
A novel framework for esophageal cancer grading: combining CT imaging, radiomics, reproducibility, and deep learning insights
2025-May-10, BMC gastroenterology
IF:2.5Q2
DOI:10.1186/s12876-025-03952-6
PMID:40348987
|
research paper | 该研究提出了一种结合CT成像、放射组学、可重复性和深度学习的新框架，用于食管癌分级 | 结合放射组学和深度学习特征，通过注意力机制增强模型准确性，并采用多种机器学习模型进行癌症分级 | 研究为回顾性研究，可能受到数据质量和手动分割肿瘤区域的主观性影响 | 创建可靠的食管癌分级框架，提高诊断准确性和可解释性 | 2560名食管癌患者的CT扫描图像和临床信息 | digital pathology | esophageal cancer | CT imaging, radiomics, deep learning | DenseNet121, EfficientNet-B0, Random Forest, XGBoost, CatBoost | image, clinical information | 2560名食管癌患者 | NA | NA | NA | NA |
| 10797 | 2025-05-15 |
Automated detection of arrhythmias using a novel interpretable feature set extracted from 12-lead electrocardiogram
2025-May, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109957
PMID:40090185
|
研究论文 | 本研究提出了一种基于特征的方法，用于从12导联心电图中自动检测心律失常，该方法在保持与深度学习相当性能的同时提供了更高的临床可解释性 | 提出了一种新颖的可解释特征集，结合数学技术如傅里叶变换、小波变换和互相关来评估心电图特征，并通过SHAP值分析优化特征集 | 在外部测试数据集上的性能有所下降（F1分数从81%降至68%） | 开发一种兼具高准确性和临床可解释性的心律失常自动诊断系统 | 12导联心电图数据 | 机器学习 | 心血管疾病 | 傅里叶变换、小波变换、互相关 | eXtreme Gradient Boosting (XGBoost) | 心电图信号 | 未明确提及具体样本数量，但使用了大规模心电图数据库 | NA | NA | NA | NA |
| 10798 | 2025-05-15 |
Extraction of fetal heartbeat locations in abdominal phonocardiograms using deep attention transformer
2025-May, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110002
PMID:40096767
|
research paper | 提出了一种名为FHSU-NETR的深度学习模型，用于从原始PCG信号中直接提取胎儿和母亲的心率 | 利用transformer的自注意力机制，增强模型模拟远程交互和捕获全局上下文的能力 | 研究仅验证了20名正常受试者的数据，样本量较小 | 提高胎儿健康监测的可及性和可靠性 | 胎儿和母亲的心率 | machine learning | 心血管疾病 | Phonocardiography (PCG) | U-NetR, transformer | PCG信号 | 20名正常受试者，包括一例胎儿心动过速心律失常病例 | NA | NA | NA | NA |
| 10799 | 2025-05-15 |
Optimizing Immunotherapy: The Synergy of Immune Checkpoint Inhibitors with Artificial Intelligence in Melanoma Treatment
2025-Apr-16, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15040589
PMID:40305346
|
综述 | 本文综述了人工智能（AI）在优化黑色素瘤免疫检查点抑制剂（ICI）治疗中的潜力，重点关注预测模型、生物标志物识别和治疗反应预测 | AI与RNAseq分析结合开发个性化ICI治疗，机器学习模型识别与nivolumab清除相关的预后细胞因子特征，深度学习算法在肿瘤微环境分析中表现出高准确性 | 临床验证和实施挑战仍然存在 | 优化黑色素瘤的免疫治疗 | 黑色素瘤患者 | 数字病理学 | 黑色素瘤 | RNAseq, 电子健康记录（EHR）数据分析 | 机器学习, 深度学习 | 影像数据, 实验室数据, EHR数据 | NA | NA | NA | NA | NA |
| 10800 | 2025-05-15 |
Artificial Intelligence Advancements in Oncology: A Review of Current Trends and Future Directions
2025-Apr-13, Biomedicines
IF:3.9Q1
DOI:10.3390/biomedicines13040951
PMID:40299653
|
综述 | 本文回顾了人工智能在肿瘤学中的最新进展，重点关注计算机辅助诊断的早期检测、个性化治疗策略和药物发现 | 探讨了人工智能与纳米医学和免疫疗法的整合，以及比较了AI模型与传统诊断方法的优势 | 数据质量、算法偏见和临床验证等挑战限制了广泛采用 | 探索人工智能在肿瘤学中的应用及其潜力，以改善癌症诊断、治疗和管理 | 癌症研究和治疗 | 机器学习 | 癌症 | 深度学习 | NA | NA | NA | NA | NA | NA | NA |