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 11441 - 11460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11441 | 2025-10-07 |
Prediction of school PM2.5 by an attention-based deep learning approach informed with data from nearby air quality monitoring stations
2025-Apr, Chemosphere
IF:8.1Q1
|
研究论文 | 提出基于注意力深度卷积自编码器的深度学习软传感器，利用附近监测站数据预测学校室内外PM2.5浓度 | 完全无需学校现场传感器，通过注意力机制深度学习模型利用周边监测站数据实现PM2.5浓度预测 | NA | 开发无需现场传感器的学校PM2.5浓度预测方法，保障健康学习环境 | 学校室内（教室）和室外（操场）的PM2.5浓度 | 机器学习 | NA | 软传感器技术 | 注意力深度卷积自编码器（ADCAE） | 空气质量监测数据 | 多所学校（小学、初中、高中） | NA | 注意力深度卷积自编码器 | 决定系数（R）、均方误差、平均绝对误差 | NA |
| 11442 | 2025-10-07 |
Deep learning-based LDL-C level prediction and explainable AI interpretation
2025-Apr, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109905
PMID:40010176
|
研究论文 | 本研究利用深度学习模型预测低密度脂蛋白胆固醇水平，并与传统方法和公式进行比较 | 首次将CNN、RNN和LSTM等深度学习模型应用于LDL-C预测，并使用LIME方法提供模型解释 | 深度学习模型需要更多计算资源来解释决策过程 | 开发更准确的LDL-C预测方法以评估心血管疾病风险 | 低密度脂蛋白胆固醇水平预测 | 机器学习 | 心血管疾病 | 临床血液检测 | CNN, RNN, LSTM | 临床检测数据 | NA | NA | CNN, RNN, LSTM | 准确率 | NA |
| 11443 | 2025-10-07 |
Automated vertebral compression fracture detection and quantification on opportunistic CT scans: a performance evaluation
2025-Apr, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2025.106831
PMID:40010260
|
研究论文 | 开发并评估基于深度学习的自动算法，用于在机会性CT扫描中检测和量化椎体压缩性骨折 | 首次使用2D/3D U-Nets卷积神经网络在机会性CT扫描中自动筛查椎体压缩性骨折并量化椎体高度损失 | 样本量相对较小（100例患者），且为回顾性研究设计 | 评估深度学习算法在机会性CT扫描中自动检测和量化椎体压缩性骨折的性能 | 2019年1月至2020年8月期间因各种适应症（非VCF疑似）接受CT扫描的患者 | 数字病理学 | 骨质疏松症 | CT扫描 | CNN | 医学影像 | 100例患者（平均年龄76.6岁，72%为女性） | NA | 2D U-Net, 3D U-Net | 敏感性, 特异性, 组内相关系数, Pearson相关系数, 一致性界限 | NA |
| 11444 | 2025-05-11 |
Comprehensive analysis of human dendritic spine morphology and density
2025-Apr-01, Journal of neurophysiology
IF:2.1Q3
DOI:10.1152/jn.00622.2024
PMID:40013734
|
研究论文 | 本文通过对27名患者的人脑组织进行综合研究，分析了树突棘的形态和密度，并利用深度学习模型实现了自动化的树突棘分割和三维重建 | 首次使用人脑组织进行树突棘的深入分析，结合深度学习与传统方法，实现了高效的自动化处理 | 样本量相对较小（27名患者），且仅来自肿瘤或癫痫手术患者，可能影响结果的普遍性 | 研究人脑树突棘的形态和密度差异，探索其与神经和精神疾病的潜在联系 | 27名患者（8名女性，19名男性，年龄18-71岁）的脑组织样本 | 神经科学 | 神经疾病 | 三维重建、深度学习 | 深度学习模型 | 图像 | 27名患者的脑组织样本，近4000个形态重建的树突棘 | NA | NA | NA | NA |
| 11445 | 2025-05-11 |
Automated segmentation by SCA-UNet can be directly used for radiomics diagnosis of thymic epithelial tumors
2025-Apr, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112004
PMID:40014944
|
研究论文 | 本研究开发了一种名为SCA-UNet的深度学习网络，用于自动分割胸腺病变，并应用于胸腺上皮肿瘤（TETs）的放射组学诊断和风险评估 | 提出了结合空间通道注意力的SCA-UNet模型，增强了全局上下文感知能力，提高了分割精度和泛化性能 | 研究仅基于单一医疗中心的数据，可能影响模型的泛化能力 | 开发自动分割胸腺病变的深度学习模型，并探索其在TETs诊断和风险评估中的应用 | 712例纵隔病变患者的术前CT图像 | 数字病理 | 胸腺上皮肿瘤 | CT成像 | SCA-UNet（基于UNet改进的深度学习网络） | 医学影像（CT图像） | 712例患者 | NA | NA | NA | NA |
| 11446 | 2025-10-07 |
Noninvasive Artificial Intelligence System for Early Predicting Residual Cancer Burden During Neoadjuvant Chemotherapy in Breast Cancer
2025-Apr-01, Annals of surgery
IF:7.5Q1
DOI:10.1097/SLA.0000000000006279
PMID:38557792
|
研究论文 | 开发用于早期预测乳腺癌新辅助化疗期间残留肿瘤负荷的人工智能系统 | 首次结合放射组学和深度学习特征，开发多任务AI系统在NAC治疗中期预测RCB评分 | 回顾性研究设计，样本来源仅限于4个机构 | 早期预测乳腺癌新辅助化疗期间的残留肿瘤负担 | 接受新辅助化疗的乳腺癌患者 | 数字病理 | 乳腺癌 | 磁共振成像 | 多任务深度学习 | 医学影像 | 1048名患者（主要队列335人，外部验证队列713人） | NA | 多任务AI系统 | AUC | NA |
| 11447 | 2025-10-07 |
A new era of psoriasis treatment: Drug repurposing through the lens of nanotechnology and machine learning
2025-Mar-30, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.125385
PMID:39999900
|
综述 | 探讨通过纳米技术和机器学习方法重新利用现有药物治疗银屑病的新策略 | 结合纳米技术和人工智能技术推进药物重定位在银屑病治疗中的应用 | 药物重定位方法仍处于早期阶段，存在潜在缺陷 | 探索银屑病治疗的新方法，克服传统治疗的局限性 | 银屑病患者和现有药物 | 机器学习 | 银屑病 | 药物重定位，纳米载体技术 | 机器学习，深度学习 | NA | NA | NA | NA | NA | NA |
| 11448 | 2025-10-07 |
Artificial intelligence in medical imaging: From task-specific models to large-scale foundation models
2025-Mar-20, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003489
PMID:40008785
|
综述 | 本文综述了医学影像中从任务特定模型到大规模基础模型的人工智能技术发展 | 系统比较了任务特定模型与新兴基础模型在医学影像中的差异、互补性和临床相关性 | 基础模型目前主要关注分割和分类任务，尚未广泛应用于其他临床场景 | 探讨医学影像人工智能技术的发展现状和未来方向 | 医学影像AI模型（任务特定模型和基础模型） | 医学影像分析 | NA | 深度学习 | 基础模型,任务特定模型 | 医学影像（X射线,CT,MRI,超声,PET,病理影像） | NA | NA | NA | NA | NA |
| 11449 | 2025-10-07 |
Portable cerebral blood flow monitor to detect large vessel occlusion in patients with suspected stroke
2025-Mar-17, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2024-021536
PMID:38514189
|
研究论文 | 评估便携式Openwater光学血流监测仪在检测疑似卒中患者大血管闭塞方面的诊断性能 | 首次将便携式光学血流监测技术与深度学习模型结合用于大血管闭塞的检测，相比院前卒中量表具有更高的诊断准确性 | 需要在独立测试集和院前环境中进一步验证，样本量相对有限 | 开发并验证便携式设备用于卒中患者大血管闭塞的早期检测 | 疑似卒中患者 | 医学影像分析 | 脑血管疾病 | 光学血流监测，CT血管造影 | 深度学习模型 | 光学血流波形数据，临床量表数据 | 135名患者（其中52名有大血管闭塞） | NA | NA | 敏感性，特异性，AUROC | NA |
| 11450 | 2025-10-07 |
Deep learning to quantify the pace of brain aging in relation to neurocognitive changes
2025-Mar-11, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2413442122
PMID:39993207
|
研究论文 | 开发基于纵向MRI的3D-CNN模型来量化大脑衰老速度及其与神经认知变化的关系 | 首次使用纵向MRI数据通过3D-CNN模型非侵入性地估计大脑衰老速度，而非传统的静态大脑年龄 | 研究主要针对认知正常个体，阿尔茨海默病患者样本相对较少 | 开发能够量化大脑衰老速度并关联神经认知变化的深度学习模型 | 认知正常成年人和阿尔茨海默病患者 | 医学影像分析 | 阿尔茨海默病 | MRI | 3D-CNN | 纵向MRI图像 | 训练集2,055名认知正常成人，验证集1,304名认知正常成人，测试集104名认知正常成人和140名阿尔茨海默病患者 | NA | 3D-CNN | 平均绝对误差(MAE) | NA |
| 11451 | 2025-10-07 |
ProCeSa: Contrast-Enhanced Structure-Aware Network for Thermostability Prediction with Protein Language Models
2025-Mar-10, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01752
PMID:39988825
|
研究论文 | 提出一种结合蛋白质语言模型和对比学习的蛋白质热稳定性预测新方法 | 开发了ProCeSa模型，首次将蛋白质语言模型生成的序列嵌入与结构信息无缝集成，无需原子结构数据即可预测热稳定性 | 未使用原子级蛋白质结构数据，可能限制了对某些结构特征的捕捉 | 提高蛋白质热稳定性预测的准确性 | 蛋白质序列及其热稳定性 | 机器学习 | NA | 蛋白质语言模型，对比学习 | 深度学习 | 蛋白质序列数据 | 公开数据集 | NA | ProCeSa（蛋白质对比增强结构感知网络） | 分类任务指标，回归任务指标 | NA |
| 11452 | 2025-10-07 |
A deep learning model for inter-fraction head and neck anatomical changes in proton therapy
2025-Mar-10, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adba39
PMID:39999567
|
研究论文 | 开发基于概率深度学习模型预测头颈部质子治疗中分次间解剖结构变化 | 首次将变分自编码器架构应用于头颈部患者分次间解剖变化的概率预测，能够生成可能的重复CT图像和器官掩模 | 数据集规模相对较小（93名患者），需要在更大样本上验证模型泛化能力 | 开发能够预测头颈部质子治疗期间解剖结构变化的深度学习模型 | 头颈部癌症患者 | 医学影像分析 | 头颈部癌症 | CT成像 | VAE | CT图像 | 93名患者（315对计划CT-重复CT图像对），其中9名患者（27对）用于最终测试 | NA | 变分自编码器 | DICE分数, 归一化互相关系数 | NA |
| 11453 | 2025-10-07 |
Large Model Era: Deep Learning in Osteoporosis Drug Discovery
2025-Mar-10, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c02264
PMID:40008920
|
综述 | 本文综述深度学习在骨质疏松药物发现中的应用，重点分析大模型在理解疾病机制和促进药物研发中的潜力 | 系统总结深度学习大模型在骨质疏松药物发现各阶段的应用前景，探讨大模型相比传统模型的优势 | 讨论了大模型在药物发现中存在的局限性 | 分析深度学习特别是大模型在骨质疏松药物发现中的应用前景 | 骨质疏松药物发现过程 | 机器学习 | 骨质疏松 | 深度学习 | 大模型,传统深度学习模型 | NA | NA | NA | NA | NA | NA |
| 11454 | 2025-10-07 |
Self-supervised U-transformer network with mask reconstruction for metal artifact reduction
2025-Mar-10, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adbaae
PMID:40010000
|
研究论文 | 提出一种用于金属伪影减少的自监督U型Transformer网络，通过掩码重建任务提升模型泛化能力 | 结合自监督掩码重建预训练任务和下游微调任务，利用Transformer的长程特征提取能力区分金属伪影特征 | 未明确说明模型在真实临床数据上的泛化性能验证范围 | 提升金属伪影减少任务的模型泛化能力 | CT图像中的金属伪影 | 计算机视觉 | NA | 计算机断层扫描(CT) | Transformer | CT图像 | 未标注真实伪影CT图像和标注合成伪影CT图像的组合 | NA | U-transformer | 峰值信噪比, 结构相似性指数, Dice系数, 平均交并比 | NA |
| 11455 | 2025-05-11 |
GLMCyp: A Deep Learning-Based Method for CYP450-Mediated Reaction Site Prediction
2025-Mar-10, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c02051
PMID:40013456
|
研究论文 | 本文提出了一种基于深度学习的CYP450介导反应位点预测方法GLMCyp | 结合2D分子图特征、3D Uni-Mol特征和ESM-2生成的CYP450蛋白特征，提高了预测准确性 | 未明确提及具体局限性 | 提高药物发现和开发效率，准确预测CYP450介导的反应位点 | 小分子化合物 | 机器学习 | NA | 深度学习 | GLMCyp | 分子图数据、蛋白质特征数据 | EBoMD数据集 | NA | NA | NA | NA |
| 11456 | 2025-10-07 |
EEG-based recognition of hand movement and its parameter
2025-Mar-06, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/adba8a
PMID:40009879
|
研究论文 | 基于脑电图信号的手部运动及其参数识别研究 | 提出CNN-BiLSTM端到端串行组合模型，首次在跨被试分类中实现手部运动类型、力度参数和方向位移的高精度识别 | 研究仍处于可行性验证阶段，样本量较小（13名健康志愿者），尚未达到实际应用水平 | 探索基于脑电图信号的手部运动意图解码技术 | 手部运动类型（四种）、力度参数（抓取和推动）、方向位移任务（四个目标方向） | 脑机接口 | NA | 脑电图（EEG） | CNN, BiLSTM | 脑电图信号 | 13名健康志愿者 | NA | CNN-BiLSTM | 准确率 | NA |
| 11457 | 2025-10-07 |
Deep learning models as learners for EEG-based functional brain networks
2025-Mar-06, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/adba8c
PMID:40009886
|
研究论文 | 本研究探索深度学习模型学习基于EEG的功能性脑网络构建过程的能力 | 首次系统评估深度学习模型直接学习功能性脑网络构建过程的能力，而非传统两阶段方法 | 深度学习模型难以准确捕捉功能性脑网络的固有拓扑结构，预测网络与实际网络存在显著差异 | 验证深度学习模型是否能够有效学习EEG功能性脑网络的构建过程 | 基于脑电图(EEG)的功能性脑网络 | 机器学习 | NA | 脑电图(EEG) | 深度学习模型 | EEG信号 | 两个公开可用的EEG数据集 | NA | 七种不同的深度学习模型 | 均方误差(MSE), 皮尔逊相关系数(Corr), 一致性相关系数(CCC) | NA |
| 11458 | 2025-10-07 |
Explainable paroxysmal atrial fibrillation diagnosis using an artificial intelligence-enabled electrocardiogram
2025-Mar, The Korean journal of internal medicine
DOI:10.3904/kjim.2024.130
PMID:39987899
|
研究论文 | 开发基于人工智能的心电图算法用于阵发性房颤的早期诊断 | 使用可解释AI技术识别深度学习模型预测阵发性房颤的推理证据，发现T波附近区域对诊断的重要性 | NA | 开发可靠的人工智能算法，通过12导联心电图检测正常窦性心律患者的房颤早期迹象 | 318,321名患者的552,372条心电图轨迹 | 机器学习 | 心血管疾病 | 12导联心电图 | 深度神经网络 | 心电图信号 | 552,372条心电图轨迹（训练集331,422条，验证集110,475条，测试集110,475条） | NA | 深度神经网络 | AUROC | NA |
| 11459 | 2025-10-07 |
Enhanced water quality prediction model using advanced hybridized resampling alternating tree-based and deep learning algorithms
2025-Mar, Environmental science and pollution research international
DOI:10.1007/s11356-025-36062-7
PMID:39994118
|
研究论文 | 开发用于预测河流水质参数的混合深度学习模型 | 提出结合双向LSTM和自助聚合交替模型树的混合算法，改进了水质参数预测精度 | 模型在极端值预测方面仍有改进空间，需要进一步优化 | 开发稳健的水质预测模型以支持水资源管理和污染控制 | 美国Clackamas河的水质参数 | 机器学习 | NA | 水质监测技术 | Bi-LSTM, 集成学习 | 时间序列数据 | 每日水质记录数据 | NA | 双向LSTM, 交替模型树 | RMSE, NSE, PBIAS, RSR | NA |
| 11460 | 2025-10-07 |
Of Pilots and Copilots: The Evolving Role of Artificial Intelligence in Clinical Neurophysiology
2025-Mar, The Neurodiagnostic journal
DOI:10.1080/21646821.2025.2465089
PMID:39999187
|
综述 | 本文探讨人工智能在临床神经生理学领域的应用现状、进展与未来发展方向 | 提出AI作为'副驾驶'的角色定位，强调从单纯数据解读向提供临床上下文支持的转变，并展望生成式AI和'AI组学'的变革潜力 | EMG应用中存在数据集有限和临床背景考量不足的问题，PSG分析在癫痫活动和特定睡眠阶段分类方面仍有局限 | 分析AI在临床神经生理学中的演变角色和发展趋势 | 脑电图(EEG)、肌电图(EMG)和多导睡眠图(PSG)等临床神经生理学数据 | 医疗人工智能 | 神经系统疾病 | 深度学习技术 | NA | 生理信号数据 | NA | NA | NA | 准确率 | NA |