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 11201 - 11220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11201 | 2025-05-12 |
Rapid and accurate prediction of protein homo-oligomer symmetry using Seq2Symm
2025-Feb-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-57148-3
PMID:40016259
|
research paper | 该论文介绍了一种名为Seq2Symm的模型，用于快速准确预测蛋白质同源寡聚体的对称性 | 通过微调多种蛋白质基础模型，Seq2Symm利用ESM2，在预测同源寡聚体对称性方面优于现有的基于模板和深度学习方法 | NA | 开发一种能够快速准确预测蛋白质同源寡聚体对称性的机器学习模型 | 蛋白质同源寡聚体的对称性 | machine learning | NA | ESM2 | Seq2Symm | protein sequence | 5个蛋白质组和约350万未标记蛋白质序列 | NA | NA | NA | NA |
| 11202 | 2025-05-12 |
Improving ALS detection and cognitive impairment stratification with attention-enhanced deep learning models
2025-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90881-9
PMID:40016300
|
研究论文 | 本研究开发了一种结合DenseNet121和Squeeze-and-Excitation注意力机制的卷积神经网络Miniset-DenseSENet，用于提高肌萎缩侧索硬化症（ALS）的检测和认知障碍分层 | 结合DenseNet121和Squeeze-and-Excitation注意力机制，显著提高了ALS诊断准确率，解决了涉及TDP-43蛋白病的神经退行性疾病重叠的挑战 | 研究样本量较小，仅使用了190张尸检脑图像 | 提高ALS的早期诊断准确率并改善患者分层 | ALS患者（包括无认知障碍和有认知障碍的患者）及对照组 | 数字病理学 | 肌萎缩侧索硬化症 | 神经影像分析 | CNN（DenseNet121结合Squeeze-and-Excitation注意力机制） | 图像 | 190张尸检脑图像 | NA | NA | NA | NA |
| 11203 | 2025-05-12 |
T1-weighted MRI-based brain tumor classification using hybrid deep learning models
2025-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92020-w
PMID:40016334
|
研究论文 | 本研究利用混合深度学习模型对基于T1加权MRI的脑肿瘤进行分类 | 结合U-Net架构和多种CNN模型（如Inception-V3、EfficientNetB4和VGG19），并通过迁移学习技术增强模型性能，实现了高精度的脑肿瘤分类 | 未提及模型在不同类型MRI数据上的泛化能力或计算资源需求 | 提高脑肿瘤早期检测和治疗规划的准确性 | 脑肿瘤（如神经胶质瘤、脑膜瘤和垂体瘤） | 计算机视觉 | 脑肿瘤 | MRI | U-Net, Inception-V3, EfficientNetB4, VGG19 | 图像 | 未明确提及样本数量 | NA | NA | NA | NA |
| 11204 | 2025-05-12 |
A hybrid deep learning model approach for automated detection and classification of cassava leaf diseases
2025-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90646-4
PMID:40016508
|
研究论文 | 本文探讨了利用深度学习技术自动检测和分类木薯叶疾病的方法 | 混合模型（DenseNet169 + EfficientNetB0）结合了DenseNet169的特征重用能力和EfficientNetB0的计算效率，提高了准确性和可扩展性 | NA | 开发自动化的木薯叶疾病检测和分类系统 | 木薯叶疾病 | 计算机视觉 | 植物疾病 | 深度学习 | DenseNet169, EfficientNetB0, Xception, MobileNetV2, ResNet, Vgg19, InceptionV3, InceptionResNetV2 | 图像 | 约36,000张标记的木薯叶图像 | NA | NA | NA | NA |
| 11205 | 2025-05-12 |
Comparative Assessment of Protein Large Language Models for Enzyme Commission Number Prediction
2025-Feb-27, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06081-9
PMID:40016653
|
研究论文 | 比较评估蛋白质大语言模型在酶委员会编号预测中的性能 | 首次全面比较了不同蛋白质大语言模型（如ESM2、ESM1b和ProtBERT）在预测酶委员会编号（EC编号）任务中的表现，并与传统的序列比对方法（如BLASTp）进行了对比 | 研究表明，大语言模型仍需改进才能超越BLASTp成为主流酶注释工具的金标准 | 评估和比较不同蛋白质大语言模型在预测酶功能（EC编号）方面的性能 | 酶序列及其对应的酶委员会编号（EC编号） | 自然语言处理 | NA | 蛋白质序列比对（BLASTp、DIAMOND） | ESM2、ESM1b、ProtBERT、全连接神经网络 | 蛋白质序列 | NA | NA | NA | NA | NA |
| 11206 | 2025-05-12 |
Auxiliary meta-learning strategy for cancer recognition: leveraging external data and optimized feature mapping
2025-Feb-27, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-13740-w
PMID:40016648
|
研究论文 | 提出一种辅助元学习策略用于癌症识别，通过利用外部数据和优化特征映射来提高识别准确率 | 在辅助训练阶段结合外部数据训练特征映射模型，减少误分类概率，并利用深度过参数化卷积层和三分支结构加速训练 | 未提及具体的数据集规模限制或模型计算资源需求 | 提高癌症识别的准确率，特别是在少样本学习场景下 | 癌症识别 | 数字病理学 | 癌症 | 元学习，深度过参数化卷积 | 三分支结构 | 图像 | BreakHis、Pap smear和ISIC 2018数据集 | NA | NA | NA | NA |
| 11207 | 2025-05-12 |
MultiCycPermea: accurate and interpretable prediction of cyclic peptide permeability using a multimodal image-sequence model
2025-Feb-27, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-025-02166-2
PMID:40016695
|
research paper | 提出了一种名为MultiCycPermea的新型深度学习模型，用于预测环肽的渗透性 | MultiCycPermea模型首次结合了环肽的图像信息（2D结构信息）和序列信息（1D结构信息），并提出了一个子结构约束的特征对齐模块来对齐这两种特征 | NA | 开发一种能够快速准确预测环肽渗透性的工具，以辅助设计具有良好膜渗透性的环肽药物 | 环肽 | machine learning | NA | 深度学习 | multimodal image-sequence model | image, sequence | CycPeptMPDB数据集 | NA | NA | NA | NA |
| 11208 | 2025-05-12 |
Development of an artificial intelligence-based multimodal diagnostic system for early detection of biliary atresia
2025-Feb-27, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-025-03962-x
PMID:40016769
|
research paper | 开发了一种基于人工智能的多模态诊断系统，用于早期检测胆道闭锁 | 利用多样化的数据源和格式开发智能诊断系统，并简化模型以减少对血液样本的需求 | 尽管模型在内部和外部测试中表现良好，但样本量仍可能限制其广泛适用性 | 改善胆道闭锁的早期诊断，提高患者预后 | 胆道闭锁患者的多模态数据（超声图像、临床数据和实验室结果） | digital pathology | biliary atresia | deep learning | CNN | multimodal (image, clinical data, laboratory results) | 1579名参与者（回顾性研究），171例（前瞻性研究外部测试集） | NA | NA | NA | NA |
| 11209 | 2025-05-12 |
Predicting the efficacy of neoadjuvant chemotherapy in breast cancer patients based on ultrasound longitudinal temporal depth network fusion model
2025-Feb-27, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-025-01971-5
PMID:40016785
|
研究论文 | 本研究开发并验证了一种基于纵向超声数据和临床特征的深度学习放射组学模型，用于预测乳腺癌患者新辅助化疗后的病理完全缓解 | 结合了治疗前和治疗后2个周期的超声数据以及临床特征，构建了集成模型，提高了预测性能 | 样本量相对较小，且仅基于单一机构的患者数据 | 预测乳腺癌患者新辅助化疗后的病理完全缓解 | 312名经组织学确认的乳腺癌患者 | 数字病理学 | 乳腺癌 | 深度学习放射组学 | XGBoost | 超声图像和临床数据 | 312名患者（训练队列219名，测试队列93名） | NA | NA | NA | NA |
| 11210 | 2025-05-12 |
Deep learning-based cell-specific gene regulatory networks inferred from single-cell multiome data
2025-Feb-27, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf138
PMID:40037709
|
research paper | 该研究开发了一个名为scMultiomeGRN的深度学习框架，用于从单细胞多组学数据中推断细胞特异性基因调控网络 | 通过独特整合单细胞RNA测序和单细胞ATAC测序数据，构建了模态特定的邻居聚合器和跨模态注意力模块，以学习转录因子的潜在表示 | 单细胞测序数据的高丢失率可能导致单组学数据不足，影响基因调控网络的推断 | 开发深度学习框架以推断细胞特异性基因调控网络 | 转录因子调控网络 | machine learning | Alzheimer's disease | single-cell RNA sequencing, single-cell ATAC sequencing | deep learning framework | single-cell multi-omics data | multiple benchmark datasets | NA | NA | NA | NA |
| 11211 | 2025-05-12 |
Discrimination of unsound soybeans using hyperspectral imaging: A deep learning method based on dual-channel feature fusion strategy and attention mechanism
2025-Feb, Food research international (Ottawa, Ont.)
DOI:10.1016/j.foodres.2025.115810
PMID:40022337
|
研究论文 | 本研究提出了一种基于双通道特征融合策略和注意力机制的深度学习方法，用于利用高光谱图像中的一维光谱数据和二维图像数据来鉴别不健全的大豆 | 提出了结合注意力机制的双通道特征融合模型（DCFFM），实现了高光谱图像中光谱和图像数据的高层次融合 | 未提及具体的数据集规模或实际应用场景的局限性 | 探索一个能够全面获取高光谱图像中光谱和图像的建模框架，实现高层次数据融合以提高准确性 | 不健全的大豆 | 计算机视觉 | NA | 高光谱成像 | CNN与DCFFM | 高光谱图像（包含一维光谱数据和二维图像数据） | NA | NA | NA | NA | NA |
| 11212 | 2025-05-12 |
A robust deep learning model for predicting green tea moisture content during fixation using near-infrared spectroscopy: Integration of multi-scale feature fusion and attention mechanisms
2025-Feb, Food research international (Ottawa, Ont.)
DOI:10.1016/j.foodres.2025.115874
PMID:40022390
|
研究论文 | 提出了一种结合多尺度特征融合和注意力机制的深度学习模型DiSENet，用于基于近红外光谱的绿茶杀青过程中水分含量预测 | 整合多尺度特征融合和注意力机制，提出新型深度学习网络DiSENet，有效校正温度变化引起的光谱干扰 | NA | 提高绿茶杀青过程中水分含量预测的准确性 | 绿茶杀青过程中的茶叶样本 | 机器学习 | NA | 近红外光谱(NIRS) | DiSENet | 光谱数据 | 不同杀青阶段和温度下的茶叶样本 | NA | NA | NA | NA |
| 11213 | 2025-05-12 |
Automated and explainable machine learning for monitoring lipid and protein oxidative damage in mutton using hyperspectral imaging
2025-Feb, Food research international (Ottawa, Ont.)
DOI:10.1016/j.foodres.2025.115905
PMID:40022412
|
研究论文 | 本研究开发了自动化和可解释的机器学习模型，用于通过高光谱成像监测羊肉中脂质和蛋白质的氧化损伤 | 结合AutoML、AutoDL和SHAP方法，实现了无需人工干预的高质量可解释预测模型 | 研究仅针对羊肉样品，未验证在其他肉类中的适用性 | 开发自动化的机器学习模型来监测肉类氧化损伤 | 经过不同冻融循环处理的羊肉样品 | 机器学习 | NA | 高光谱成像(HSI)、AutoML、AutoDL | AutoML、AutoDL | 高光谱图像 | 经过不同冻融循环处理的羊肉样品 | NA | NA | NA | NA |
| 11214 | 2025-05-12 |
AI-augmented Biophysical modeling in thermoplasmonics for real-time monitoring and diagnosis of human tissue infections
2025-Feb, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2025.104075
PMID:40023011
|
research paper | 该研究提出了一种结合AI与局域表面等离子体共振(LSPR)技术的系统，用于实时监测和诊断人体组织感染 | 采用AI辅助的热等离子体技术，检测时间比传统技术缩短57.7%，并显著降低了假阳性和诊断成本 | NA | 开发一种实时监测和诊断人体组织感染的新方法 | 人体组织感染 | 数字病理 | 组织感染 | Localised Surface Plasmon Resonance (LSPR) | circuitry deep learning | single-cell transcriptomic profiles | 2,333,481个单细胞转录组图谱，来自486人（107名未受影响，379名受影响） | NA | NA | NA | NA |
| 11215 | 2025-05-12 |
Artificial intelligence in the detection and treatment of depressive disorders: a narrative review of literature
2025-Feb, International review of psychiatry (Abingdon, England)
DOI:10.1080/09540261.2024.2384727
PMID:40035375
|
review | 本文综述了人工智能在抑郁症检测和治疗中的应用 | 探讨了人工智能如何通过整合多种数据（如临床症状、神经影像、遗传学和生物标志物）来辅助抑郁症的筛查、诊断和预后预测 | 作为叙述性综述，可能未涵盖所有相关研究，且缺乏对方法学质量的系统评估 | 评估人工智能在抑郁症诊断和治疗中的潜在应用 | 抑郁症患者及其相关临床数据 | natural language processing, machine learning, digital pathology | geriatric disease | Natural Language Processing, Machine Learning, Deep Learning | NA | text, neuroimaging data, genetics, biomarkers | NA | NA | NA | NA | NA |
| 11216 | 2025-05-12 |
Injecting structure-aware insights for the learning of RNA sequence representations to identify m6A modification sites
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18878
PMID:40017651
|
研究论文 | 提出了一种名为M6A-SAI的新型预测器，用于识别RNA中的m6A修饰位点，通过整合结构感知的见解来增强序列表示学习 | M6A-SAI通过Transformer编码器学习RNA序列表示，构建相似性图捕捉序列相关性，并通过结构感知优化块和图卷积框架整合结构信息，显著提高了m6A修饰位点的识别精度 | 未提及具体的数据集规模或实验中的潜在偏差 | 准确识别RNA序列中的m6A修饰位点 | RNA序列中的m6A修饰位点 | 自然语言处理 | NA | Transformer, 图卷积, SVM | Transformer, 图卷积网络, SVM | RNA序列数据 | NA | NA | NA | NA | NA |
| 11217 | 2025-05-12 |
Deep-learning tool for early identification of non-traumatic intracranial hemorrhage etiology and application in clinical diagnostics based on computed tomography (CT) scans
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.18850
PMID:40028214
|
研究论文 | 开发了一种基于深度学习的人工智能系统，用于早期识别非创伤性颅内出血的病因，并在临床诊断中应用 | 该系统能够基于非对比计算机断层扫描（NCCT）准确识别多种颅内出血病因，并在临床诊断中显著提升医生的诊断性能 | 模型在Moyamoya病（MMD）和其他病因上的AUC值相对较低，可能影响其在这些病因上的诊断准确性 | 开发一种能够准确识别非创伤性颅内出血病因的人工智能系统，并评估其在临床诊断中的应用价值 | 非创伤性颅内出血患者 | 数字病理学 | 颅内出血 | 深度学习 | 深度学习模型 | CT扫描图像 | 1,868例NCCT扫描（训练集），TT200和SD98两个独立测试集 | NA | NA | NA | NA |
| 11218 | 2025-05-12 |
Optimizing Stroke Detection Using Evidential Networks and Uncertainty-Based Refinement
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.2025.3531768
PMID:40031143
|
研究论文 | 本研究利用证据网络和基于不确定性的优化方法，提高中风后神经损伤的检测灵敏度 | 采用证据网络和不确定性估计方法，显著提高了对轻微中风损伤和短暂性脑缺血发作（TIA）的检测准确性 | 研究样本量有限，且仅针对Kinarm系统采集的运动学数据进行分析 | 优化中风后神经损伤的检测方法，提高临床评估的准确性和灵敏度 | 337名中风患者和368名健康对照者 | 机器学习 | 心血管疾病 | 深度学习 | 证据网络 | 运动学数据 | 705人（337名中风患者和368名健康对照者） | NA | NA | NA | NA |
| 11219 | 2025-05-12 |
High-Density EMG Grip Force Estimation During Muscle Fatigue via Domain Adaptation
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.2025.3541227
PMID:40031585
|
研究论文 | 提出一种基于域适应的高密度EMG握力估计方法，以改善肌肉疲劳状态下的握力估计精度 | 结合对抗训练策略和端到端深度学习模型，对齐非疲劳和疲劳状态下的EMG特征分布 | 研究仅涉及8名受试者，样本量较小 | 提高肌电接口在肌肉疲劳状态下解码用户意图的准确性 | 肌电信号（EMG）和握力估计 | 机器学习 | NA | 高密度EMG | 深度学习模型 | EMG信号 | 8名受试者 | NA | NA | NA | NA |
| 11220 | 2025-05-12 |
The More, the Better? Evaluating the Role of EEG Preprocessing for Deep Learning Applications
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.2025.3547616
PMID:40031716
|
research paper | 该研究首次全面评估了EEG预处理对深度学习应用的影响，并提出了未来研究的指导原则 | 首次系统性地研究了不同EEG预处理水平对深度学习模型性能的影响，并提出了预处理指南 | 研究仅针对特定的六种分类任务和四种EEG架构，结果可能不具备普遍性 | 评估EEG预处理在深度学习应用中的作用，确定最优预处理策略 | EEG数据及其预处理方法 | machine learning | Parkinson's, Alzheimer's disease, 精神疾病 | EEG | 深度学习模型 | EEG信号数据 | 4800个训练模型 | NA | NA | NA | NA |