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 43435 篇文献，本页显示第 1121 - 1140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1121 | 2026-04-05 |
Overcoming Extrapolation Challenges of Deep Learning by Incorporating Physics in Protein Sequence-Function Modeling
2025-Nov-11, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.09.687530
PMID:41293023
|
研究论文 | 本文提出了一种通过整合蛋白质物理相互作用和动力学来改进深度学习模型在蛋白质序列-功能建模中外推能力的方法 | 将基于物理的建模（如突变能量效应量化）直接整合到卷积和图卷积神经网络中，以克服数据稀缺导致的外推限制 | 未明确提及具体实验设置或数据集的局限性，但暗示了传统深度学习模型在外推任务中的普遍挑战 | 提高深度学习模型在预测未见位置或突变类型变异功能效应时的外推准确性 | 蛋白质序列-功能关系，特别是通过深度突变扫描数据和可用结构学习序列到功能的映射 | 机器学习 | NA | 深度突变扫描 | CNN, 图卷积神经网络, Transformer | 序列数据, 结构数据 | NA | NA | 卷积神经网络, 图卷积神经网络, Transformer | NA | NA |
| 1122 | 2026-04-05 |
Deep learning in CT image reconstruction and processing: techniques, performance evaluation, radiation dose, and future perspective
2025-Nov-01, The British journal of radiology
DOI:10.1093/bjr/tqaf260
PMID:41099810
|
综述 | 本文综述了基于深度学习的CT图像重建与处理技术，涵盖技术实现、性能评估、辐射剂量降低及未来展望 | 系统分类DLR方法（投影空间、投影到图像空间、图像空间及混合技术），并强调虚拟成像试验等定量评估技术的重要性 | 在低对比度病变检测和表征方面存在挑战，辐射剂量降低可能仍低于传统方法的50%，且低剂量下可能产生虚假结构 | 概述深度学习在CT图像重建与处理中的应用，以优化算法降低辐射剂量并提升诊断性能 | CT图像重建与处理技术，包括噪声降低、伪影校正和空间分辨率增强 | 计算机视觉 | NA | 深度学习图像重建 | NA | CT图像 | NA | NA | NA | 噪声降低、伪影校正、空间分辨率增强 | NA |
| 1123 | 2026-04-05 |
The Synergy of Artificial Intelligence and 3D Bioprinting: Unlocking New Frontiers in Precision and Tissue Fabrication
2025-Oct-28, Advanced functional materials
IF:18.5Q1
DOI:10.1002/adfm.202509530
PMID:41181574
|
综述 | 本文综述了人工智能在3D生物打印中的变革性作用，重点关注AI如何提升其精度、功能性和可扩展性 | 系统性地探讨了AI（包括机器学习、计算机视觉、机器人学等）如何通过实时过程监控、错误纠正和参数优化来革新3D生物打印技术，并强调了其在自动化质量控制、预测性维护和减少生物墨水浪费方面的创新应用 | 在过程监控、质量控制和生物打印系统的可扩展性方面仍存在挑战 | 指导科学家、工程师和医疗保健提供者理解AI增强型生物打印的复杂性和潜力，促进对其在再生医学和个性化医疗中未来作用的更深入认识 | 3D生物打印技术及其与人工智能的融合 | 机器学习, 计算机视觉, 自然语言处理 | NA | 3D生物打印 | 深度学习 | 复杂数据集 | NA | NA | NA | 细胞活力, 结构保真度 | NA |
| 1124 | 2026-04-05 |
Artificial intelligence-assisted glaucoma detection on color fundus images: with comorbidity and cross-institutional analysis
2025-Oct-01, Journal of the Chinese Medical Association : JCMA
IF:1.9Q2
DOI:10.1097/JCMA.0000000000001289
PMID:41102915
|
研究论文 | 本研究开发了一种基于人工智能的辅助青光眼检测系统，通过彩色眼底图像进行诊断，并进行了跨机构和共病分析 | 开发了一个结合图像增强、视神经区域自动识别和深度学习分类的分步AI管道，并在多种临床环境和共病条件下验证了其高准确性和鲁棒性 | 研究未提及系统在更广泛人群或不同青光眼亚型中的泛化能力，以及长期临床应用的验证 | 开发并验证一个可靠的人工智能系统，用于在彩色眼底图像上检测青光眼，特别是在存在共病眼病和跨机构设置下 | 彩色眼底图像，包括来自台北荣民总医院的训练图像和五个跨区域外部数据集，以及一个代表共病眼病的内部图像集 | 计算机视觉 | 青光眼 | 彩色眼底摄影 | 深度学习 | 图像 | 训练集：1696张图像；测试集：五个外部数据集和一个包含151张图像的内部共病数据集 | NA | NA | 平衡准确率，曲线下面积 | NA |
| 1125 | 2026-04-05 |
ACtriplet: An improved deep learning model for activity cliffs prediction by in tegrating triplet loss and pre-training
2025-Aug, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101317
PMID:40893440
|
研究论文 | 本文提出了一种名为ACtriplet的改进深度学习模型，通过整合三元组损失和预训练策略来预测活性悬崖 | 将人脸识别中的三元组损失与预训练策略相结合，开发了专门针对活性悬崖的预测模型，以更好地利用现有数据 | 未提及具体的数据量限制或模型泛化能力的详细评估 | 开发一种改进的深度学习模型，用于预测药物发现中的活性悬崖，以优化分子结构 | 活性悬崖（相似化合物对，其结构微小差异导致结合亲和力显著不同） | 机器学习 | NA | 深度学习 | 深度神经网络 | 分子图像或图数据 | 基于30个基准数据集进行实验 | NA | ACtriplet | NA | NA |
| 1126 | 2026-04-05 |
Seeing through multimode fibers using real-valued intensity transmission matrix with deep learning
2025-Apr-07, Optics express
IF:3.2Q2
DOI:10.1364/OE.553949
PMID:40219515
|
研究论文 | 本文提出了一种结合实值强度传输矩阵与深度学习的方法，用于通过多模光纤增强图像检索 | 提出了一种混合方法，结合实值强度传输矩阵与分层并行多尺度注意力U-Net，以提高图像质量并减少训练数据需求 | 未明确提及具体局限性，但暗示纯深度学习方法通常需要大量训练数据且泛化能力有限 | 改善通过多模光纤的图像传输质量，应用于生物医学内窥镜和电信领域 | 多模光纤中的图像传输 | 计算机视觉 | NA | 实值强度传输矩阵算法，深度学习 | U-Net | 图像 | NA | NA | 分层并行多尺度注意力U-Net | 结构相似性指数, 峰值信噪比 | NA |
| 1127 | 2026-04-05 |
Predictions from Deep Learning Propose Substantial Protein-Carbohydrate Interplay
2025-Mar-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.07.641884
PMID:40161692
|
研究论文 | 本文开发了名为PiCAP和CAPSIF2的深度学习模型，用于预测蛋白质与碳水化合物的非共价结合及其相互作用位点 | 提出了新的数据集和神经网络架构PiCAP用于蛋白质水平的碳水化合物结合预测，以及CAPSIF2用于残基水平的相互作用位点预测，在预测性能上超越了现有模型 | 未明确说明模型在更广泛蛋白质组或不同物种中的泛化能力，以及实验验证的详细程度 | 预测蛋白质与碳水化合物的非共价结合及其相互作用位点，以探索蛋白质-碳水化合物相互作用的广泛性 | 蛋白质，特别是已知的碳水化合物结合蛋白、DNA结合转录因子、细胞骨架成分、特定抗体和小分子结合蛋白 | 机器学习 | NA | 深度学习 | 神经网络 | 蛋白质序列数据 | 基于已知碳水化合物结合蛋白的数据集，具体数量未明确 | NA | PiCAP, CAPSIF2 | 平衡准确率, Dice系数 | NA |
| 1128 | 2026-04-05 |
Assessing the Performance of the DINOv2 Self-supervised Learning Vision Transformer Model for the Segmentation of the Left Atrium from MRI Images
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3048192
PMID:41878116
|
研究论文 | 本研究评估了基于自监督学习的视觉Transformer基础模型DINOv2在MRI图像上分割左心房的性能 | 探索了在自然图像上预训练的DINOv2模型在医学图像分割任务中的开箱即用潜力，并证明了其在有限标注数据下的优异表现 | 研究主要针对左心房分割，且数据量和患者数量有限，未广泛验证于其他心脏结构或医学影像模态 | 评估DINOv2模型在心脏MRI图像中左心房分割任务的准确性和一致性，探索其在医学影像领域的应用潜力 | 心脏MRI图像中的左心房结构 | 计算机视觉 | 心血管疾病 | MRI成像 | Transformer | 图像 | 未明确说明具体样本数量，但提及了不同数据集大小和患者数量的少样本学习实验 | NA | DINOv2 | Dice系数, IoU | NA |
| 1129 | 2026-04-05 |
Diagnostic performance and generalizability of deep learning for multiple retinal diseases using bimodal imaging of fundus photography and optical coherence tomography
2025, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2025.1665173
PMID:41018263
|
研究论文 | 本研究开发并评估了基于彩色眼底照相和光学相干断层扫描的双模态深度学习模型，用于检测多种视网膜疾病，并评估其诊断性能和泛化能力 | 提出了双模态融合模型（Fusion-MIL），结合了彩色眼底照相和光学相干断层扫描数据，在多种设备和扫描模式下表现出优于单模态模型的诊断性能和高泛化能力 | 研究为横断面设计，未进行前瞻性验证；样本量相对有限，且数据来自特定医院和设备，可能影响模型在更广泛人群中的适用性 | 开发并评估深度学习模型，用于检测和分类多种视网膜疾病，提升诊断准确性和泛化能力 | 视网膜疾病患者，包括糖尿病视网膜病变、年龄相关性黄斑变性、病理性近视、视网膜前膜和黄斑水肿等 | 计算机视觉 | 视网膜疾病 | 彩色眼底照相，光学相干断层扫描 | 深度学习模型，多实例学习 | 图像 | 1445对CFP-OCT图像来自1029名患者，另有1184对用于ATN分类 | NA | Fusion-MIL, CFP-MIL, OCT-MIL | AUC | NA |
| 1130 | 2026-04-05 |
Comprehensive Characterization of Tissue Mineralization in an Ex Vivo Model
2024-09-27, Journal of visualized experiments : JoVE
DOI:10.3791/67235
PMID:39400183
|
研究论文 | 本文提出了一种利用大型动物骨外植体进行新骨形成全面评估的工作流程 | 结合了多种分析模态（如micro-CT、深度学习、纳米压痕、组织学、SEM和拉曼光谱）来全面表征矿化组织 | 研究基于离体外植体模型，可能无法完全模拟体内环境 | 评估骨再生背景下的组织矿化质量与结构 | 羊股骨头外植体中的新骨形成 | 数字病理学 | NA | micro-CT, 纳米压痕, 组织学染色（HES, Goldner's trichrome, Movat's pentachrome）, 背散射扫描电子显微镜（SEM）, 拉曼光谱 | 深度学习 | 3D图像, 组织学图像, 光谱数据 | 羊股骨头外植体（具体数量未明确说明） | NA | NA | NA | NA |
| 1131 | 2026-04-05 |
Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
2024-08-16, Journal of visualized experiments : JoVE
DOI:10.3791/66981
PMID:39221929
|
研究论文 | 本研究开发了一种结合动物行为评估与卷积神经网络的方法，分析小鼠在同时嗅闻酒精和食用芥末时的面部表情，以探究酒精对芥末辛辣感的潜在抑制作用 | 首次将动物行为学与深度学习模型结合，用于研究酒精与芥末的味觉-嗅觉交互作用，并开发了无需先验训练材料筛选的模型 | 需要进一步研究酒精抑制芥末辛辣感的潜在机制 | 探究嗅闻含酒精饮料对芥末辛辣感的影响 | 小鼠 | 计算机视觉 | NA | 动物行为学评估 | CNN | 图像, 视频 | 未明确说明 | NA | NA | 识别准确率 | NA |
| 1132 | 2026-04-05 |
Misplaced Trust and Distrust: How Not to Engage with Medical Artificial Intelligence
2024-07, Cambridge quarterly of healthcare ethics : CQ : the international journal of healthcare ethics committees
IF:1.5Q3
DOI:10.1017/S0963180122000445
PMID:36263755
|
评论 | 本文探讨了在医疗人工智能应用中信任与不信任的错误放置问题，并提出了一种分类法来系统化这些实例 | 通过逆向视角，聚焦于负面例子，开发了一个提供临床和监管决策伦理约束的框架 | 未涉及具体技术实现或实证数据验证 | 分析医疗人工智能中的信任伦理问题，为临床和监管决策提供伦理约束 | 医疗人工智能系统及其在临床护理中的应用 | 机器学习 | NA | NA | 深度学习 | NA | NA | NA | 人工神经网络 | NA | NA |
| 1133 | 2026-04-05 |
Towards Interactive and Interpretable Image Retrieval-Based Diagnosis: Enhancing Brain Tumor Classification with LLM Explanations and Latent Structure Preservation
2024-Jul, Artificial intelligence in medicine. Conference on Artificial Intelligence in Medicine (2005- )
DOI:10.1007/978-3-031-66535-6_35
PMID:41930254
|
研究论文 | 本文提出了一种交互式图像检索系统，用于增强脑肿瘤分类的准确性和可解释性，并整合LLM以提升系统可访问性 | 结合监督对比学习训练的图像编码器以保留检索空间中的潜在结构，并集成现成LLM进行检索报告总结和用户问答交互，提高系统交互性和可解释性 | 未明确说明系统在临床环境中的实际部署验证或具体性能限制 | 开发一个交互式且可解释的图像检索系统，以辅助脑肿瘤分类诊断 | 脑肿瘤医学图像 | 计算机视觉 | 脑肿瘤 | 内容基于图像检索（CBIR），监督对比学习 | 深度学习模型 | 图像 | NA | NA | NA | 分类性能（与黑盒分类器对比） | NA |
| 1134 | 2024-08-07 |
In the right direction: A deep learning tool for assessment of right ventricular function
2024-05, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.15831
PMID:38757551
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1135 | 2026-04-05 |
Discovery of a structural class of antibiotics with explainable deep learning
2024-02, Nature
IF:50.5Q1
DOI:10.1038/s41586-023-06887-8
PMID:38123686
|
研究论文 | 本文提出了一种基于可解释深度学习的抗生素结构类别发现方法，通过图神经网络和可解释算法识别与抗生素活性相关的化学亚结构，并成功预测并验证了新的抗生素结构类别 | 开发了一种可解释的、基于亚结构的深度学习方法，用于高效探索化学空间，并首次将可解释性图算法应用于抗生素发现，提供了化学亚结构的理性依据 | 研究仅针对金黄色葡萄球菌等特定细菌进行了测试，未涵盖所有抗生素耐药性病原体，且化合物库的规模虽大但可能仍有限制 | 发现新型抗生素结构类别以应对抗生素耐药性危机 | 化学化合物，特别是针对金黄色葡萄球菌（包括MRSA）和万古霉素耐药肠球菌的抗生素 | 机器学习 | 细菌感染 | 深度学习和图神经网络 | 图神经网络 | 化学化合物数据 | 39,312个化合物的抗生素活性和细胞毒性数据，以及12,076,365个化合物的预测 | NA | 图神经网络 | 抗生素活性预测、细胞毒性预测 | NA |
| 1136 | 2026-04-05 |
Explainable deep learning discovers novel antibiotic
2024-02, Nature reviews. Drug discovery
DOI:10.1038/d41573-024-00006-6
PMID:38216772
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1137 | 2026-04-05 |
Data-driven multimodal fusion: approaches and applications in psychiatric research
2023, Psychoradiology
DOI:10.1093/psyrad/kkad026
PMID:38143530
|
综述 | 本文全面概述了数据驱动的多模态融合方法及其在精神病学研究中的应用 | 强调了在无先验信息或有先验信息下，利用典型相关分析和独立成分分析等方法进行多模态融合的创新性，并讨论了N向多模态融合、深度学习方法和临床转化等新兴趋势 | 未具体说明方法在实际应用中可能面临的数据异质性、模型泛化能力或计算资源限制等挑战 | 整合多样化的神经影像视角，以更全面地理解复杂的精神疾病 | 神经影像数据，包括遗传、环境、认知和治疗结果等多因素 | 机器学习 | 精神疾病 | 神经影像分析，如磁共振成像 | 深度学习 | 多模态数据（如神经影像、遗传、环境数据） | NA | NA | NA | NA | NA |
| 1138 | 2026-04-05 |
Artificial Intelligence Based on Machine Learning in Pharmacovigilance: A Scoping Review
2022-05, Drug safety
IF:4.0Q1
DOI:10.1007/s40264-022-01176-1
PMID:35579812
|
综述 | 本文通过范围综述探讨了基于机器学习的人工智能在药物警戒领域的应用现状、与其他领域的差异以及改进机会 | 首次系统性地综述了2000年至2021年间机器学习在药物警戒中的应用，并识别了当前最佳实践和趋势 | 仅涵盖截至2021年9月的研究，可能未反映最新进展；依赖手动筛选，可能存在主观偏差 | 理解机器学习在药物警戒任务中的应用方式，并识别通过机器学习改进药物警戒的机会 | 2000年至2021年发表的关于机器学习在药物警戒中应用的393篇研究论文 | 机器学习 | NA | 机器学习 | 深度学习, 传统统计方法 | 文本, 结构化数据 | 7744篇摘要经筛选后纳入393篇论文 | NA | NA | NA | NA |
| 1139 | 2026-04-05 |
CADD-Splice-improving genome-wide variant effect prediction using deep learning-derived splice scores
2021-02-22, Genome medicine
IF:10.4Q1
DOI:10.1186/s13073-021-00835-9
PMID:33618777
|
研究论文 | 本研究通过整合深度学习衍生的剪接评分，改进了CADD工具在全基因组变异效应预测中的性能 | 首次将两种专门的剪接评分整合到CADD模型中，显著提升了剪接变异预测的准确性，同时保持整体性能 | 仅针对剪接评分进行了验证，未扩展到其他分子过程；且剪接特异性预测器在一般变异解释中无法与考虑无义和错义效应的评分竞争 | 改进全基因组变异效应预测工具，特别是针对影响剪接的遗传变异 | 遗传变异对剪接的影响，以及其在遗传疾病中的作用 | 机器学习 | 遗传疾病 | 深度神经网络 | DNN | 基因组变异数据 | NA | NA | NA | 分类准确性 | NA |
| 1140 | 2026-04-05 |
Evaluation of the VETSCAN IMAGYST: an in-clinic canine and feline fecal parasite detection system integrated with a deep learning algorithm
2020-Jul-11, Parasites & vectors
IF:3.0Q1
DOI:10.1186/s13071-020-04215-x
PMID:32653042
|
研究论文 | 本研究评估了VETSCAN IMAGYST系统，这是一种集成了深度学习算法的犬猫粪便寄生虫检测系统，旨在提高粪便检查的敏感性和特异性 | VETSCAN IMAGYST系统整合了自动化样本制备、扫描和基于云的深度学习算法，实现了寄生虫卵的自动定位、分类和识别，为兽医诊所提供了专家级的诊断结果 | 研究仅针对特定寄生虫类群（如钩虫、弓蛔虫、鞭虫和带绦虫科）进行评估，样本量有限（100个预筛选样本），且未涵盖所有可能的寄生虫种类 | 评估VETSCAN IMAGYST系统的能力，并比较其粪便制备方法与常规粪便浮选技术的性能 | 犬和猫的粪便样本 | 数字病理学 | 寄生虫感染 | 粪便浮选技术（离心和被动浮选） | 深度学习算法 | 图像 | 100个预筛选的犬猫粪便样本 | NA | NA | 皮尔逊相关系数, 诊断敏感性, 诊断特异性, 定性一致性 | 基于云的深度学习算法 |