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 11641 - 11660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11641 | 2025-05-10 |
Deciphering metabolic disease mechanisms for natural medicine discovery via graph autoencoders
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1594186
PMID:40337507
|
research paper | 该研究开发了一种结合图自编码器(GAEs)和非负矩阵分解(NMF)的创新框架，用于通过代谢物-疾病关联分析研究代谢疾病的发病机制 | 结合图自编码器和非负矩阵分解的创新框架，用于揭示代谢疾病的发病机制 | 未明确说明样本量或数据来源的具体限制 | 研究代谢疾病的发病机制，以支持天然药物的发现和开发 | 代谢疾病（如糖尿病）及其相关的代谢物 | machine learning | diabetes | graph autoencoders (GAEs), non-negative matrix factorization (NMF) | GAE, NMF | metabolite-disease association data | NA | NA | NA | NA | NA |
| 11642 | 2025-10-07 |
Unsupervised inter-domain transformation for virtually stained high-resolution mid-infrared photoacoustic microscopy using explainable deep learning
2024-12-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55262-2
PMID:39738110
|
研究论文 | 提出一种基于可解释深度学习的无监督跨域转换方法，将低分辨率中红外光声显微镜图像转换为类共聚焦荧光染色的高分辨率图像 | 首次将可解释深度学习应用于中红外光声显微镜图像的无监督跨域转换，通过添加显著性约束提高转换过程的稳定性和可靠性 | 方法在培养的人类心脏成纤维细胞上验证，尚未在其他细胞类型或组织上测试 | 实现无需标记的高分辨率双工细胞成像 | 人类心脏成纤维细胞的细胞核和丝状肌动蛋白 | 计算机视觉 | 心血管疾病 | 中红外光声显微镜，共聚焦荧光显微镜 | GAN | 图像 | NA | NA | 生成对抗网络 | 显著性相似度 | NA |
| 11643 | 2025-10-07 |
The Theranostic Genome
2024-12-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55291-x
PMID:39738156
|
研究论文 | 本文提出“诊疗基因组”概念，通过深度学习混合人机流程整合多源生物医学数据库，识别可用于癌症诊疗一体化的基因靶点和先导化合物 | 首次定义“诊疗基因组”概念，开发深度学习混合人机流程整合多源生物医学数据库，实现基因与诊疗化合物的系统关联 | NA | 克服诊疗药物开发中的瓶颈，促进精准医学发展 | 人类基因组中可用于诊疗应用的基因表达数据 | 生物信息学 | 癌症 | RNA测序，深度学习 | 深度学习 | 基因组数据，文献数据，数据库记录 | 超过17,000个人类组织样本 | NA | NA | NA | NA |
| 11644 | 2025-05-10 |
Artificial intelligence model for perigastric blood vessel recognition during laparoscopic radical gastrectomy with D2 lymphadenectomy in locally advanced gastric cancer
2024-Dec-30, BJS open
IF:3.5Q1
DOI:10.1093/bjsopen/zrae158
PMID:39963943
|
研究论文 | 开发了一种基于深度学习的实时胃周血管识别模型，用于辅助局部晚期胃癌腹腔镜根治术中的D2淋巴结清扫 | 首次将DeepLabv3+模型应用于胃周血管实时识别，为腹腔镜手术提供AI辅助决策支持 | 在出血或手术烟雾等复杂场景下识别性能下降，肥胖患者数据表现良好但未说明具体样本量 | 提高局部晚期胃癌手术安全性，减少术中意外出血 | 腹腔镜胃癌根治术视频中的胃周血管 | 数字病理 | 胃癌 | 深度学习 | DeepLabv3+ | 手术视频图像 | 116个手术视频的2460张图像 | NA | NA | NA | NA |
| 11645 | 2025-10-07 |
MMDB: Multimodal dual-branch model for multi-functional bioactive peptide prediction
2024-Jul, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115491
PMID:38460901
|
研究论文 | 提出一种新型多模态双分支轻量级深度学习模型MMDB，用于同时预测多功能生物活性肽 | 首次使用多尺度扩张卷积在不增加参数的情况下提取肽序列特征，并设计双分支结构分别捕获序列和结构信息的互补特征 | NA | 开发能够同时准确检测多种功能的生物活性肽预测方法 | 多功能生物活性肽 | 生物信息学 | NA | 深度学习 | CNN, Bi-LSTM | 序列数据，结构数据 | NA | NA | 多尺度扩张卷积，双向LSTM，多层卷积 | Coverage, Precision, Accuracy | NA |
| 11646 | 2025-10-07 |
PhosAF: An integrated deep learning architecture for predicting protein phosphorylation sites with AlphaFold2 predicted structures
2024-Jul, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2024.115510
PMID:38513769
|
研究论文 | 开发了一种集成深度学习架构PhosAF，通过结合序列和结构信息预测人类蛋白质磷酸化位点 | 首次整合AlphaFold2预测的蛋白质结构信息，提出CMA-Net和MFC-Net集成架构，并采用基于蛋白质二级结构的新策略构建可靠负样本 | 仅针对人类蛋白质进行研究，未验证在其他物种上的适用性 | 提高蛋白质磷酸化位点预测的准确性 | 人类蛋白质磷酸化位点 | 生物信息学 | NA | 深度学习，蛋白质结构预测 | CNN，多头注意力机制，DNN | 蛋白质序列数据，蛋白质结构数据 | NA | NA | CMA-Net，MFC-Net | NA | NA |
| 11647 | 2025-10-07 |
Streamlining social media information retrieval for public health research with deep learning
2024-Jun-20, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocae118
PMID:38718216
|
研究论文 | 开发了一个基于深度学习的系统，用于从社交媒体数据中自动构建症状词典，以改进公共卫生研究 | 提出了一个系统化的流程来自动构建医学术语与口语表达之间的映射词典，相比传统关键词匹配方法能发现更多症状表达 | 研究仅基于COVID-19相关推文，词典的通用性需要进一步验证 | 简化社交媒体信息检索流程，支持公共卫生研究和流行病监测 | COVID-19相关推文中的症状表达 | 自然语言处理 | COVID-19 | 命名实体识别，实体规范化，概念映射 | 深度学习模型 | 文本数据（推文） | 从2020年2月1日至2022年4月30日的COVID-19相关推文，识别出498,480个独特症状实体表达 | NA | NA | 准确率 | NA |
| 11648 | 2025-10-07 |
Exploiting holographically encoded variance to transmit labelled images through a multimode optical fiber
2024-May-20, Optics express
IF:3.2Q2
DOI:10.1364/OE.519379
PMID:38859036
|
研究论文 | 本文提出通过全息调制在多模光纤传输中编码额外方差层，提升系统传输能力并实现彩色图像重建 | 首次将全息编码标签引入多模光纤传输系统，通过输出散斑模式的方差增强实现无时间同步的彩色图像重建 | 未明确说明样本规模和具体性能指标的量化结果 | 提升多模光纤系统的图像传输能力和解码效率 | 通过多模光纤传输的标记图像和散斑模式 | 计算机视觉 | NA | 全息调制，傅里叶变换透镜 | 深度学习神经网络 | 图像，散斑模式 | 数千张图像 | NA | ResUNet | 保真度 | NA |
| 11649 | 2025-10-07 |
Deep learning-based lesion detection and severity grading of small-bowel Crohn's disease ulcers on double-balloon endoscopy images
2024-May, Gastrointestinal endoscopy
IF:6.7Q1
DOI:10.1016/j.gie.2023.11.059
PMID:38065509
|
研究论文 | 本研究开发了一种基于深度学习的人工智能模型，用于在双气囊内镜图像中检测小肠克罗恩病病变并对溃疡严重程度进行分级 | 首次将EfficientNet-b5深度学习模型应用于双气囊内镜图像的小肠克罗恩病病变检测和溃疡严重程度分级 | 研究数据来自单一中心，需要多中心验证来进一步验证模型的泛化能力 | 利用人工智能准确检测和客观评估小肠克罗恩病，实现更精细化的疾病管理 | 小肠克罗恩病患者 | 计算机视觉 | 克罗恩病 | 双气囊内镜 | CNN | 图像 | 28,155张双气囊内镜图像，来自628名患者 | NA | EfficientNet-b5 | 准确率 | NA |
| 11650 | 2025-10-07 |
Deep learning model for the detection of prostate cancer and classification of clinically significant disease using multiparametric MRI in comparison to PI-RADs score
2024-05, Urologic oncology
DOI:10.1016/j.urolonc.2024.01.021
PMID:38388243
|
研究论文 | 开发基于深度学习的多参数MRI模型用于前列腺癌检测和临床显著性前列腺癌分类，并与PI-RADS评分系统进行性能比较 | 首次将深度学习模型与PI-RADS分类系统在前列腺癌检测和临床显著性前列腺癌分类方面进行直接比较，并展示了在PSA分层条件下的优越性能 | 研究基于单中心数据，外部验证队列样本量相对较小(315例患者) | 开发自动化前列腺癌检测和分类系统，提高临床显著性前列腺癌的诊断准确性 | 接受根治性前列腺切除术或活检的前列腺疾病患者 | 医学影像分析 | 前列腺癌 | 多参数磁共振成像(mpMRI) | 深度学习 | 医学影像 | 总样本1729例患者(训练队列1285例，外部测试队列315例) | NA | 集成模型 | AUC, 敏感度, 特异度 | NA |
| 11651 | 2025-10-07 |
ViNe-Seg: deep-learning-assisted segmentation of visible neurons and subsequent analysis embedded in a graphical user interface
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae177
PMID:38569889
|
研究论文 | 开发了一种基于深度学习的半自动神经元分割工具ViNe-Seg，包含图形用户界面和后续分析功能 | 提供半自动分割方法，支持实验过程中实时分割，允许用户训练自定义模型并共享，集成后续分析步骤 | 在低信噪比数据集中的分割准确性仍面临挑战 | 改进神经元胞体的分割速度和一致性，减少人工分割带来的变异性 | 可见神经元（无论其活动状态） | 数字病理 | NA | 光学功能成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 11652 | 2025-10-07 |
SPACEL: deep learning-based characterization of spatial transcriptome architectures
2023-11-22, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43220-3
PMID:37990022
|
研究论文 | 提出基于深度学习的空间转录组架构表征工具SPACEL，用于分析空间转录组数据 | 开发了首个集成细胞类型反卷积、空间域识别和3D对齐的深度学习工具包 | 未明确说明方法在特定组织类型或技术平台上的局限性 | 解决多个空间转录组切片的联合分析和3D组织架构重建的挑战 | 空间转录组数据 | 生物信息学 | NA | 空间转录组技术 | 多层感知机, 图卷积网络, 对抗学习 | 空间转录组数据 | 模拟和真实ST数据集，涉及多种组织和ST技术 | NA | 多层感知机, 图卷积网络 | 细胞类型反卷积性能, 空间域识别性能, 3D对齐性能 | NA |
| 11653 | 2025-10-07 |
PET/CT based cross-modal deep learning signature to predict occult nodal metastasis in lung cancer
2023-11-18, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-42811-4
PMID:37980411
|
研究论文 | 基于PET/CT的跨模态深度学习特征预测肺癌隐匿性淋巴结转移 | 开发了基于PET/CT的跨模态深度学习特征，在预测隐匿性淋巴结转移方面显著优于单模态模型、临床模型和医生判断 | NA | 预测临床分期N0非小细胞肺癌的隐匿性淋巴结转移 | 非小细胞肺癌患者 | 数字病理 | 肺癌 | PET/CT成像 | 深度学习 | 医学影像 | 内部队列1911例，外部队列355例，前瞻性队列999例 | NA | 跨模态深度学习 | AUC | NA |
| 11654 | 2025-10-07 |
Deep learning of human polyadenylation sites at nucleotide resolution reveals molecular determinants of site usage and relevance in disease
2023-11-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43266-3
PMID:37968271
|
研究论文 | 开发深度学习模型在核苷酸分辨率下识别人类基因组中的多聚腺苷酸化位点并分析其分子决定因素 | 首次在核苷酸级别分辨率下识别全基因组多聚腺苷酸化位点，并定量测量位置特异性基序重要性及其相互作用 | NA | 解析人类基因组中多聚腺苷酸化位点优化的分子机制及其在疾病中的作用 | 人类基因组中的多聚腺苷酸化位点 | 机器学习 | 人类疾病 | 深度学习，机器学习 | 深度学习模型 | 基因组数据 | NA | NA | NA | NA | NA |
| 11655 | 2025-05-10 |
CROSS-DOMAIN DIFFUSION BASED SPEECH ENHANCEMENT FOR VERY NOISY SPEECH
2023-Jun, Proceedings of the ... IEEE International Conference on Acoustics, Speech, and Signal Processing. ICASSP (Conference)
|
研究论文 | 本文提出了一种基于跨域扩散的语音增强方法，用于极低信噪比条件下的非平稳噪声场景 | 将基于扩散的学习方法引入增强模型，提高了在极低信噪比条件下的鲁棒性 | 实验仅在TIMIT数据集上进行，未在其他数据集上验证 | 提高极低信噪比条件下的语音增强性能 | 语音信号 | 语音处理 | NA | 扩散模型 | 扩散模型 | 语音信号 | TIMIT数据集 | NA | NA | NA | NA |
| 11656 | 2025-10-07 |
Artificial Intelligence-based Tumor Segmentation in Mouse Models of Lung Adenocarcinoma
2022, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100007
PMID:35242446
|
研究论文 | 开发了一种基于深度学习的人工智能算法，用于在小鼠肺腺癌模型的H&E组织切片上自动分割肿瘤病灶 | 首次将DeepLabV3+和UNet架构应用于小鼠肺腺癌模型的肿瘤分割，并通过面积阈值化方法将假阳性降低了10倍 | 不同染色标准化策略未显示出对基线模型的改进效果 | 开发自动化肿瘤分割方法以减少人工测量误差和时间消耗 | 小鼠肺腺癌模型的H&E组织学切片 | 数字病理学 | 肺腺癌 | H&E染色，数字切片扫描 | 深度学习 | 图像 | 239只小鼠（训练集137只，验证集37只，测试集65只） | NA | DeepLabV3+, UNet, ResNet-50 | Dice系数，灵敏度，阳性预测值 | NA |
| 11657 | 2025-05-09 |
A review of denoising methods in single-particle cryo-EM
2025-Jul, Micron (Oxford, England : 1993)
DOI:10.1016/j.micron.2025.103817
PMID:40164016
|
review | 本文全面回顾了单粒子冷冻电镜图像去噪方法的最新进展，涵盖了从传统滤波方法到最新的基于深度学习的策略 | 通过分析和比较主流去噪方法，推动单粒子冷冻电镜去噪领域的发展，促进获取更高质量的图像 | 未提及具体方法的局限性 | 提高冷冻电镜图像的信噪比，使下游分析更准确可靠 | 冷冻电镜图像 | digital pathology | NA | 冷冻电镜 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 11658 | 2025-05-09 |
Beyond Batch Learning: Global Awareness Enhanced Domain Adaptation
2025-Jun, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3541207
PMID:40036452
|
research paper | 提出了一种名为GAN-DA的新型域适应方法，通过全局统计和几何特征增强，克服了传统批量学习的限制 | 引入了预定义特征表示（PFR）以对齐跨域分布，创新性地扩展了正交和共同特征方面，增强了全局流形结构的统一和决策边界的优化 | NA | 改进域适应（DA）方法，提升跨域图像分类任务的性能 | 跨域图像分类任务 | machine learning | NA | domain adaptation | GAN-DA | image | 27个不同的跨域图像分类任务 | NA | NA | NA | NA |
| 11659 | 2025-05-09 |
A Lightweight Deep Exclusion Unfolding Network for Single Image Reflection Removal
2025-Jun, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3548148
PMID:40048344
|
research paper | 本文提出了一种轻量级的深度排除展开网络（DExNet），用于单图像反射去除（SIRR） | DExNet通过展开和参数化一种新的基于模型的SIRR优化公式，结合通用的排除先验，提高了反射去除的准确性和可解释性 | 未提及具体限制 | 解决单图像反射去除问题，提高图像分离的准确性 | 反射污染的图像 | computer vision | NA | 深度学习 | DExNet | image | 四个基准数据集 | NA | NA | NA | NA |
| 11660 | 2025-05-09 |
Graph Foundation Models: Concepts, Opportunities and Challenges
2025-Jun, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3548729
PMID:40048343
|
综述 | 本文介绍了图基础模型（GFMs）的概念，并详细解释了其关键特征和基础技术 | 提出了图基础模型（GFMs）的新概念，并对其进行了系统分类和分析 | 缺乏对图基础模型（GFMs）的明确定义和系统分析 | 探讨图基础模型（GFMs）在图形机器学习中的潜力和发展方向 | 图基础模型（GFMs）及其相关技术 | 机器学习 | NA | NA | 图神经网络（GNNs）、大语言模型（LLMs） | 图数据 | NA | NA | NA | NA | NA |