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 33905 篇文献，本页显示第 1141 - 1160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1141 | 2025-11-06 |
Automatic SNR measurement of brain MR images using a deep learning-based approach
2025-Oct, Acta radiologica open
IF:0.9Q4
DOI:10.1177/20584601251387564
PMID:41178909
|
研究论文 | 开发了一种基于深度学习的自动测量脑部MR图像信噪比的方法 | 首次使用Pix2Pix框架结合U-Net++生成器和GAN判别器从单张MR图像自动生成信号和噪声图 | 研究仅限于3T扫描仪获取的脑部MRI图像，未验证在其他场强或身体部位的应用 | 开发自动化的MR图像信噪比测量方法以替代传统耗时且操作者依赖的方法 | 脑部MR图像（T1WI、T2WI和FLAIR序列） | 医学图像分析 | 神经系统疾病 | MRI | GAN, U-Net | 医学图像 | 未明确说明具体样本数量 | 未明确说明 | Pix2Pix, U-Net++ | SSIM, 相关系数, Bland-Altman分析, 相对误差 | NA |
| 1142 | 2025-11-06 |
A practical guide to the implementation of artificial intelligence in orthopaedic research-Part 3: How orthopaedic research benefits from the implementation of artificial intelligence
2025-Oct, Journal of experimental orthopaedics
IF:2.0Q2
DOI:10.1002/jeo2.70481
PMID:41180563
|
综述 | 本文概述了人工智能在骨科研究中的实施益处与挑战 | 系统阐述人工智能在骨科领域的具体应用场景和实施价值 | 未提供具体实验数据或模型性能验证 | 探讨人工智能在骨科研究中的实施益处及相关挑战 | 骨科研究领域的人工智能应用 | 机器学习, 自然语言处理 | 骨科疾病 | 机器学习, 深度学习, 自然语言处理 | NA | 医学图像, 电子病历文本数据 | NA | NA | NA | NA | NA |
| 1143 | 2025-11-06 |
Noncontact Monitoring and AI-Driven Stroke Prediction: National Center for Neurological Disorders-Based Approach Using Smart Beds
2025-Oct, Health care science
DOI:10.1002/hcs2.70034
PMID:41181062
|
研究论文 | 基于智能床非接触监测和电子病历多模态数据的人工智能卒中预测研究 | 首次结合非侵入式智能床监测数据与电子病历多模态时序数据，开发实时卒中预测系统 | 仅使用单一医疗中心数据，未提及外部验证结果 | 开发实时卒中预测工具，特别针对居家老年人提供早期预警 | 国家神经系统疾病中心的住院患者 | 机器学习 | 卒中 | 非接触式智能床监测，电子病历数据分析 | 随机森林，深度学习模型 | 时序监测数据，电子病历数据 | 37,041个样本，其中7,020名卒中患者 | NA | NA | AUROC，准确率 | NA |
| 1144 | 2025-11-06 |
AI-powered CT imaging for early detection of subclinical pulmonary fibrosis in antisynthetase syndrome: a new era in autoimmune lung diagnostics
2025-Oct, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003795
PMID:41181456
|
评论 | 探讨人工智能在抗合成酶综合征亚临床肺纤维化早期CT检测中的应用与挑战 | 首次系统提出将多特征纹理分析、CALIPER和深度学习分割工具等AI技术整合用于自身免疫性肺病的早期诊断 | 罕见病数据稀缺、算法偏差验证困难、临床转化存在障碍 | 推动AI技术在自身免疫性肺病早期诊断中的临床应用 | 抗合成酶综合征患者的亚临床肺纤维化 | 数字病理 | 肺纤维化 | 高分辨率计算机断层扫描(HRCT) | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 1145 | 2025-11-06 |
Precision oncology: AI's breakthrough in TNBC chemoresistance prediction
2025-Oct, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003790
PMID:41181480
|
研究论文 | 本文探讨人工智能在预测三阴性乳腺癌新辅助化疗耐药性方面的突破性应用 | 开发了整合肿瘤微环境空间信息的图卷积网络NACNet、基于卷积神经网络的形态计量学分析以及专家认知引导的集成深度学习框架 | 当前模型在外部验证方面面临挑战，需要更广泛的数据集以减少偏差 | 通过人工智能预测三阴性乳腺癌患者对新辅助化疗的耐药性，实现精准肿瘤治疗 | 三阴性乳腺癌患者及其对新辅助化疗的治疗反应 | 数字病理学 | 乳腺癌 | 数字化组织病理学分析 | 图卷积网络, 卷积神经网络, 集成深度学习 | 数字化病理图像 | NA | NA | 空间图卷积网络, CNN | 预测准确率 | NA |
| 1146 | 2025-11-06 |
Identification of critical brain regions for autism diagnosis from fMRI data using explainable AI: an observational analysis of the ABIDE dataset
2025-Oct, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103452
PMID:41181843
|
研究论文 | 本研究开发了一种可解释的深度学习管道，利用fMRI数据识别自闭症谱系障碍的关键脑区 | 开发了高精度可解释的ASD分类模型，系统评估了七种可解释性方法，并通过独立神经科学文献验证了识别的生物标志物 | 需要进一步开发才能转化为个体水平的临床应用 | 开发客观的自闭症谱系障碍诊断方法 | 自闭症谱系障碍患者和典型发育对照组的fMRI数据 | 医学影像分析 | 自闭症谱系障碍 | 功能磁共振成像 | 深度学习 | 功能连接数据 | 884名参与者（408名ASD患者，476名典型发育对照组），来自17个国际站点 | NA | 堆叠稀疏自编码器 | 准确率, F1分数 | NA |
| 1147 | 2025-11-06 |
Plain language summary of disease activity and therapeutic response to pegcetacoplan for geographic atrophy identified by deep learning-based analysis of OCT
2025-Oct, Immunotherapy
IF:2.7Q3
DOI:10.1080/1750743X.2025.2569302
PMID:41132126
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1148 | 2025-11-06 |
Leveraging deep learning to combat cyberbullying on social media
2025 Sep-Dec, Industrial psychiatry journal
DOI:10.4103/ipj.ipj_47_25
PMID:41180047
|
短篇通讯 | 探讨深度学习技术在社交媒体网络欺凌检测中的应用潜力 | 结合基于Transformer和循环神经网络的模型，并整合表情符号和情感分析等多模态数据提升检测精度 | 数据标注困难、网络俚语理解、语境依赖解释问题以及用户匿名性带来的识别挑战 | 开发更准确、全面且符合伦理的网络欺凌检测方法 | 社交媒体中的网络欺凌内容（文本、图像）和用户行为 | 自然语言处理 | NA | 情感分析，多模态数据分析 | Transformer, RNN | 文本，图像，多模态数据 | NA | NA | Transformer, 循环神经网络 | 检测准确率 | NA |
| 1149 | 2025-11-06 |
Brain Myelin in Children With Attention-Deficit/Hyperactivity Disorder: A Longitudinal T1-Weighted/T2-Weighted Ratio Study
2025-Aug-09, Biological psychiatry. Cognitive neuroscience and neuroimaging
DOI:10.1016/j.bpsc.2025.07.012
PMID:40789484
|
研究论文 | 通过纵向T1w/T2w比值研究儿童ADHD患者脑白质髓鞘发育轨迹 | 首次采用纵向T1w/T2w比值方法系统评估ADHD儿童脑白质髓鞘发育轨迹，覆盖71个白质束和三个时间点 | 未发现ADHD组与对照组在髓鞘发育上的显著差异，可能受其他白质特性影响 | 探究注意力缺陷多动障碍儿童脑白质髓鞘的发育轨迹 | 9-14岁儿童（195名ADHD患者，205名对照组） | 医学影像分析 | 注意力缺陷多动障碍 | T1加权/T2加权比值成像，扩散加权成像 | 深度学习 | 神经影像数据 | 400次扫描（195名ADHD儿童），年龄范围9-14岁 | NA | NA | 线性与非线性回归分析 | NA |
| 1150 | 2025-11-06 |
Characterization of binding kinetics and intracellular signaling of new psychoactive substances targeting cannabinoid receptor using transition-based reweighting method
2025-Apr-08, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.29.560261
PMID:37873328
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法揭示了新型精神活性物质与大麻素受体结合动力学及下游信号传导的分子机制 | 结合过渡态重加权方法和神经关系推理模型分析配体结合动力学与下游信号传导的关系 | 研究主要关注两种特定配体，可能需要扩展到更多种类的新型精神活性物质 | 阐明新型精神活性物质与大麻素受体结合动力学及其对下游信号传导的影响机制 | 新型精神活性物质MDMB-Fubinaca和经典大麻素HU-210与大麻素受体1的结合过程 | 计算生物学 | 药物滥用 | 分子动力学模拟, 变分自编码器, 神经关系推理 | NRI, 变分自编码器 | 分子动力学轨迹数据 | 两种配体（MDMB-Fubinaca和HU-210）与受体的结合过程 | NA | 神经关系推理, 变分自编码器 | 过渡速率估计, 热力学参数分析, 变构效应评估 | NA |
| 1151 | 2025-11-06 |
HeMDAP: Heterogeneous Graph Self-Supervised Learning for MiRNA-Disease Association Prediction
2025 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3536039
PMID:40811409
|
研究论文 | 提出基于异质图自监督学习的miRNA-疾病关联预测方法HeMDAP | 设计网络结构视图和元路径视图两种互补图表示，引入自监督对比学习和监督对比学习优化节点嵌入，采用知识感知增强提升嵌入质量 | NA | 预测miRNA与疾病之间的关联关系 | miRNA、基因和疾病的复杂关系 | 机器学习 | 人类疾病 | 图对比学习 | 图神经网络 | 异质图数据 | NA | NA | 多视图异质图神经网络 | AUC, AUPR | NA |
| 1152 | 2025-11-06 |
Deep learning approach to parameter optimization for physiological models
2025, Biology methods & protocols
IF:2.5Q3
DOI:10.1093/biomethods/bpaf064
PMID:41141323
|
研究论文 | 提出一种使用神经网络同时解决生物建模、参数化和参数推断的新方法 | 使用卷积神经网络从模拟的生理数据时间序列中推断数学模型参数，为非线性生物动力学模型提供新的参数优化方法 | 基于有限临床数据生成模拟数据，可能无法完全覆盖真实生理情况的所有变异 | 开发数学模型中参数推断的深度学习框架 | 葡萄糖、胰岛素和游离脂肪酸动力学的生理脂解模型 | 机器学习 | 代谢疾病 | 频繁采样静脉葡萄糖耐量测试 | CNN | 时间序列数据 | 有限临床数据和模拟数据集 | NA | 卷积神经网络 | R²值, p值, 轨迹重建精度 | NA |
| 1153 | 2025-11-06 |
ProtFun: a protein function prediction model using graph attention networks with a protein large language model
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf245
PMID:41169711
|
研究论文 | 提出了一种名为ProtFun的多模态深度学习架构，用于预测蛋白质功能 | 整合蛋白质大语言模型嵌入作为蛋白质家族网络中的节点特征，并采用图注意力网络学习蛋白质嵌入 | NA | 开发计算方法来自动预测蛋白质功能 | 蛋白质序列和功能 | 生物信息学 | NA | 深度学习 | 图注意力网络(GAT), 大语言模型 | 蛋白质序列, 蛋白质家族网络, InterPro蛋白质特征表示 | 三个基准数据集 | NA | 图注意力网络, 多模态深度学习架构 | NA | NA |
| 1154 | 2025-11-06 |
Analyzing student mental health with RoBERTa-Large: a sentiment analysis and data analytics approach
2025, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2025.1615788
PMID:41179258
|
研究论文 | 使用RoBERTa-Large等大型语言模型进行情感分析，研究学生心理健康状况 | 首次将RoBERTa-Large等先进LLM模型应用于学生心理健康的多分类情感分析任务 | 情感表达强度、语言变异性和上下文依赖情感带来的分析挑战 | 通过情感分析调查学生心理健康状况 | 学生群体 | 自然语言处理 | 心理健康问题 | 情感分析 | Transformer | 文本数据 | NA | PyTorch | RoBERTa-Large, ELECTRA, BERT | 准确率 | NA |
| 1155 | 2025-11-06 |
Case-based review of low-field MRI in resource-constrained settings: a clinical perspective from Malawi
2025-Jan, BJR open
DOI:10.1093/bjro/tzaf028
PMID:41179281
|
综述 | 从马拉维临床视角探讨低场强MRI在资源受限环境中的应用案例回顾 | 提出基于真实临床案例的低场强MRI在低收入国家应用的系统框架 | 研究基于单一国家(马拉维)的有限案例样本(31例) | 为低收入国家低场强MRI技术的临床应用和发展提供结构化框架 | 低收入国家的医疗设施和患者病例 | 数字病理 | 多种疾病(未特指) | 低场强MRI(0.064T Hyperfine Swoop) | NA | 医学影像 | 31个连续病例回顾(32个月时间范围) | NA | NA | NA | NA |
| 1156 | 2025-11-06 |
ECG-XPLAIM: eXPlainable Locally-adaptive Artificial Intelligence Model for arrhythmia detection from large-scale electrocardiogram data
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1659971
PMID:41179570
|
研究论文 | 提出一种可解释的心律失常检测深度学习模型ECG-XPLAIM，结合局部波形特征和全局节律模式分析 | 采用一维inception风格卷积架构捕获心电图局部波形特征，并集成Grad-CAM可视化增强模型可解释性 | 在部分心律失常检测中特异性略低于基于ResNet的外部模型 | 开发高精度且可解释的心律失常自动检测人工智能模型 | 心电图数据中的多种心律失常，包括房颤、窦性心动过速、传导障碍、长QT综合征等 | 数字病理 | 心血管疾病 | 心电图分析 | CNN, GRU | 心电图信号 | MIMIC-IV数据集训练，PTB-XL数据集外部验证 | NA | 一维inception风格卷积架构，GRU，ResNet | 敏感度，特异性，AUROC | NA |
| 1157 | 2025-11-06 |
Multimodal BEHRT: transformers for multimodal electronic health records to predict breast cancer prognosis
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1496215
PMID:41179659
|
研究论文 | 提出基于Transformer的多模态电子健康记录模型M-BEHRT，用于预测乳腺癌患者预后 | 首次将多模态患者轨迹建模为医疗就诊序列，结合临床特征、实验室检查、科室信息和自由文本报告，并采用类似掩码语言模型的预训练任务 | 数据量远少于当前已发表研究中通常使用的数百万条记录 | 利用电子健康记录改善乳腺癌患者治疗结果 | 接受辅助化疗的乳腺癌患者 | 自然语言处理 | 乳腺癌 | 电子健康记录分析 | Transformer, BERT | 多模态医疗数据（临床特征、实验室结果、科室信息、自由文本报告） | 约15,000名乳腺癌患者 | NA | BEHRT, M-BEHRT, BERT | AUC-ROC | NA |
| 1158 | 2025-11-06 |
CT-based deep learning for preoperative prediction of pathological grading of renal clear cell carcinoma
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1656244
PMID:41179687
|
研究论文 | 本研究基于四期CT图像构建深度学习模型，用于术前无创预测肾透明细胞癌的WHO/ISUP病理分级 | 首次将SENet注意力机制与ResNet34结合应用于肾透明细胞癌分级预测，显著提升了模型性能 | 模型鲁棒性和多中心适用性需要进一步验证，样本量相对有限 | 构建术前无创预测肾透明细胞癌病理分级的深度学习模型 | 158例肾透明细胞癌患者（124例低级别，34例高级别） | 计算机视觉 | 肾癌 | 四期CT成像 | CNN | 医学影像 | 158例患者，按8:1:1比例分为训练集、验证集和测试集 | NA | ResNet34, SE-ResNet34 | 准确率, AUC | NA |
| 1159 | 2025-11-06 |
A deep learning approach integrating multi-dimensional features for expert matching in healthcare question answering communities
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1633754
PMID:41179757
|
研究论文 | 提出一种集成多维度特征的深度学习模型，用于医疗问答社区中的专家匹配推荐 | 融合GRU、CNN和注意力机制的多特征专家推荐模型，通过分析患者问题文本与专家专业资质的深度语义匹配 | 未明确说明模型在跨语言医疗社区或罕见病领域的适用性 | 优化在线医疗问答社区的专家推荐准确性和相关性 | 患者提问内容和医疗专家信息 | 自然语言处理 | NA | 深度学习 | GRU, CNN | 文本 | NA | NA | 双向GRU, 卷积神经网络, 注意力机制 | 推荐精度 | NA |
| 1160 | 2025-11-06 |
Meta-representations as representations of processes
2025, Neuroscience of consciousness
IF:3.1Q1
DOI:10.1093/nc/niaf038
PMID:41179950
|
研究论文 | 本文提出了一种基于过程表征的元表征计算解释，并在深度学习架构中构建了元网络作为概念验证 | 提出元表征应表征生成一阶表征的计算过程，而非简单地表征一阶表征状态或置信度估计，这为理解意识的高阶理论提供了新的计算视角 | 人类大脑中是否存在此类元表征系统仍是一个开放性问题，需要进一步的实证验证 | 探索高阶意识理论中元表征概念的计算实现方法 | 元表征的计算模型和深度学习架构 | 机器学习 | NA | 深度学习 | 自编码器 | 视觉和听觉数据集 | NA | NA | 元网络 | 元表征空间中视觉和听觉网络的分离效果 | NA |