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 33366 篇文献，本页显示第 12141 - 12160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12141 | 2025-05-13 |
Deep learning for Parkinson's disease classification using multimodal and multi-sequences PET/MR images
2025-May-09, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-025-01245-3
PMID:40346391
|
research paper | 使用深度学习方法通过多模态和多序列PET/MR图像对帕金森病进行分类 | 提出了一种改进的18层ResNet18模型，结合多模态和多序列图像，提高了帕金森病(PD)和多系统萎缩(MSA)的分类准确率 | 研究为回顾性分析，样本量相对有限(206患者+38健康对照)，外部验证未进行 | 开发高性能辅助工具以准确诊断PD和MSA | 帕金森病(PD)患者、多系统萎缩(MSA)患者和健康对照(NC) | digital pathology | geriatric disease | PET/MR成像 | 改进的ResNet18 | 多模态医学图像(PET/MR) | 206名患者(PD/MSA)和38名健康对照 | NA | NA | NA | NA |
| 12142 | 2025-05-13 |
SMFF-DTA: using a sequential multi-feature fusion method with multiple attention mechanisms to predict drug-target binding affinity
2025-May-09, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-025-02222-x
PMID:40346536
|
研究论文 | 提出了一种名为SMFF-DTA的序列多特征融合方法，用于高效准确地预测药物-靶标结合亲和力 | 采用序列方法表示药物和靶标的结构信息及理化性质，并引入多重注意力机制以紧密捕捉相互作用特征 | 未明确提及具体局限性 | 加速药物筛选过程，提高药物-靶标结合亲和力预测的准确性和效率 | 药物和靶标的结合亲和力 | 机器学习 | NA | 深度学习 | 多重注意力机制 | 1D序列数据 | 未明确提及具体样本量 | NA | NA | NA | NA |
| 12143 | 2025-10-07 |
EPIPDLF: a pretrained deep learning framework for predicting enhancer-promoter interactions
2025-May-06, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae716
PMID:40036975
|
研究论文 | 开发了一种基于深度学习的增强子-启动子相互作用预测框架EPIPDLF | 提出了一种仅基于基因组序列即可预测增强子-启动子相互作用的可解释深度学习框架 | NA | 预测增强子与启动子之间的相互作用 | 基因组序列中的增强子和启动子 | 生物信息学 | NA | 深度学习 | 深度学习 | 基因组序列 | 六个基准数据集 | NA | EPIPDLF | NA | NA |
| 12144 | 2025-05-13 |
JAX-RNAfold: scalable differentiable folding
2025-May-06, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf203
PMID:40279486
|
research paper | 介绍了一个名为JAX-RNAfold的开源软件包，用于改进的可微分RNA折叠算法，可扩展到1,250个核苷酸 | 提出了一个显著改进的可微分折叠算法，能够在单个GPU上处理多达1,250个核苷酸，并允许将可微分折叠作为模块集成到更大的深度学习流程中 | NA | 优化RNA设计中的可微分折叠算法，提高其可扩展性和实用性 | RNA序列 | machine learning | NA | differentiable folding | deep learning | RNA序列数据 | NA | NA | NA | NA | NA |
| 12145 | 2025-05-13 |
The use of deep learning and artificial intelligence-based digital technologies in art education
2025-May-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00892-9
PMID:40328802
|
研究论文 | 本研究提出并优化了一个创新的艺术创作系统Creative Intelligence Cloud (CIC)，旨在探索深度学习和人工智能技术在艺术教育中的应用 | 结合深度生成对抗网络和卷积神经网络，提升艺术创作的自动化水平、风格一致性和创作效率 | 未提及在真实教学场景中的具体应用限制 | 探索深度学习和人工智能技术在艺术创作和艺术教育中的应用 | 艺术创作系统CIC | 数字艺术 | NA | 深度学习、人工智能 | GAN、CNN | 图像 | NA | NA | NA | NA | NA |
| 12146 | 2025-10-07 |
Quantitative CT Scan Analysis in Rheumatoid Arthritis-Related Interstitial Lung Disease
2025-May, Chest
IF:9.5Q1
DOI:10.1016/j.chest.2024.10.052
PMID:39528110
|
研究论文 | 本研究探讨深度学习定量CT分析在类风湿关节炎相关间质性肺病中的临床应用价值 | 首次在RA-ILD中应用数据驱动的纹理分析方法量化肺纤维化程度，并验证其与肺功能和死亡风险的关联 | 样本量相对有限，验证队列仅50例患者 | 评估基于深度学习的CT肺纤维化定量分析在RA-ILD疾病严重程度评估、死亡率预测和疾病进展识别中的效用 | 类风湿关节炎相关间质性肺病患者 | 医学影像分析 | 类风湿关节炎相关间质性肺病 | CT扫描，数据驱动的纹理分析 | 深度学习 | CT影像 | 主要队列289例患者，验证队列50例患者 | NA | 数据驱动的纹理分析方法 | 相关系数，风险比，P值 | NA |
| 12147 | 2025-10-07 |
Artificial Intelligence in Detecting and Segmenting Vertical Misfit of Prosthesis in Radiographic Images of Dental Implants: A Cross-Sectional Analysis
2025-May, Clinical oral implants research
IF:4.8Q2
DOI:10.1111/clr.14406
PMID:39840554
|
研究论文 | 本研究评估了ResNet-50和U-Net模型在牙科种植体根尖周X线影像中检测和分割垂直不匹配的性能 | 首次将深度学习模型应用于牙科种植体修复体垂直不匹配的自动检测和分割任务 | 样本量相对有限（638张影像），仅使用根尖周X线影像 | 评估人工智能在牙科种植体修复体垂直不匹配检测中的性能 | 牙科种植体修复体的根尖周X线影像 | 计算机视觉 | 牙科疾病 | X线影像分析 | CNN | 图像 | 638张根尖周X线影像 | NA | ResNet-50, U-Net | 准确率, 精确率, 灵敏度, 特异性, Dice系数, Cohen's kappa指数 | NA |
| 12148 | 2025-10-07 |
Interpretation of basal nuclei in brain dopamine transporter scans using a deep convolutional neural network
2025-May-01, Nuclear medicine communications
IF:1.3Q3
DOI:10.1097/MNM.0000000000001963
PMID:39962871
|
研究论文 | 本研究开发了一种基于深度卷积神经网络的模型，用于自动解释脑部多巴胺转运体扫描中的基底核图像 | 首次将迁移学习应用于多巴胺转运体SPECT扫描的基底核自动分类，解决了传统视觉分析和半定量方法的主观性和操作者依赖性问题 | 研究为回顾性研究，样本量相对有限（416例患者），需要进一步前瞻性验证 | 通过深度学习辅助帕金森病的临床诊断 | 临床不确定帕金森综合征患者的基底核多巴胺转运体SPECT扫描图像 | 计算机视觉 | 帕金森病 | DAT SPECT, 99m Tc-TRODAT-1成像 | CNN | 医学图像 | 416例临床不确定帕金森综合征患者 | NA | Xception, InceptionV3, ResNet101 | 准确率, 宏F1分数, kappa值 | NA |
| 12149 | 2025-05-13 |
GLEAM: A multimodal deep learning framework for chronic lower back pain detection using EEG and sEMG signals
2025-May, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109928
PMID:40054171
|
研究论文 | 介绍了一种名为GLEAM的多模态深度学习框架，用于通过EEG和sEMG信号检测慢性下腰痛强度 | 开发了一种新型去噪GAN用于清理EEG和sEMG信号，设计并集成了新的ETLSTM架构作为GLEAM模型中的分类器，引入了GLEAM混合深度学习框架以实现稳健可靠的LBP强度评估 | NA | 诊断下腰痛强度，提供创新的诊断和治疗解决方案 | 下腰痛患者 | 机器学习 | 下腰痛 | EEG和sEMG信号处理 | GAN-Convolution-Transformer, ETLSTM | EEG和sEMG信号 | NA | NA | NA | NA | NA |
| 12150 | 2025-05-13 |
Accurate phenotyping of luminal A breast cancer in magnetic resonance imaging: A new 3D CNN approach
2025-May, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109903
PMID:40054167
|
research paper | 本研究提出了一种基于3D CNN的新方法，用于在MRI中准确表型luminal A型乳腺癌 | 提出了一种基于定量医学成像生物标志物（QIB）的新3D CNN模型，用于诊断luminal A型乳腺癌，其性能优于现有方法 | 数据集中存在类别不平衡问题，采用了类别加权策略进行缓解 | 提高luminal A型乳腺癌的诊断准确性和效率，为患者制定个性化治疗方案 | luminal A型乳腺癌和非luminal A型病变 | digital pathology | breast cancer | MRI | 3D CNN | 3D volumetric MRI images | 公共领域MRI乳腺癌数据集（Duke-Breast-Cancer-MRI） | NA | NA | NA | NA |
| 12151 | 2025-05-13 |
A multi-stage fusion deep learning framework merging local patterns with attention-driven contextual dependencies for cancer detection
2025-May, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109916
PMID:40054172
|
research paper | 提出了一种多阶段融合深度学习框架，结合局部模式和注意力驱动的上下文依赖，用于癌症检测 | 提出了PADBSRNet模型和PADBSRNet-ViT混合方法，整合了多种注意力机制和特征融合策略，有效提取局部-全局上下文特征 | 未提及具体局限性 | 提高癌症诊断的速度和准确性 | 脑肿瘤、皮肤癌和肺癌 | digital pathology | brain tumor, skin cancer, lung cancer | deep learning | PADBSRNet, ViT | image | Figshare Brain Tumor Dataset, IQ-OTH/NCCD Dataset, Skin Cancer: Malignant vs. Benign Dataset | NA | NA | NA | NA |
| 12152 | 2025-05-13 |
Artificial intelligence applied to epilepsy imaging: Current status and future perspectives
2025-May, Revue neurologique
IF:2.8Q2
DOI:10.1016/j.neurol.2025.03.006
PMID:40175210
|
review | 本文综述了人工智能在癫痫影像学中的应用现状及未来展望 | 探讨了深度学习和机器学习在癫痫影像学中的多种应用，包括病灶检测、癫痫灶的侧向化和定位、术后结果预测以及癫痫患者与健康个体的自动区分 | 需要严格的数据监管措施以确保患者数据安全，且依赖大规模数据集 | 提升癫痫的诊断和治疗水平 | 癫痫影像学数据 | 数字病理 | 癫痫 | 深度学习（DL）和机器学习（ML） | NA | 神经影像数据 | NA | NA | NA | NA | NA |
| 12153 | 2025-10-07 |
Unlocking new frontiers in epilepsy through AI: From seizure prediction to personalized medicine
2025-May, Epilepsy & behavior : E&B
IF:2.3Q2
DOI:10.1016/j.yebeh.2025.110327
PMID:40043598
|
综述 | 探讨人工智能在癫痫护理中的革命性作用，包括癫痫发作检测、诊断精度提升和个性化治疗 | 系统阐述AI技术在癫痫管理中的综合应用前景及多学科协作推进临床实施的新范式 | 模型准确性、可解释性存在挑战，在不同患者群体中的适用性仍需验证 | 评估人工智能在癫痫护理领域的转化潜力及实施路径 | 癫痫患者护理与管理体系 | 机器学习 | 癫痫 | 脑电图分析 | 机器学习,深度学习 | 脑电图信号 | NA | NA | NA | 准确性,可解释性 | NA |
| 12154 | 2025-05-13 |
Artificial intelligence for the detection of interictal epileptiform discharges in EEG signals
2025-May, Revue neurologique
IF:2.8Q2
DOI:10.1016/j.neurol.2025.04.001
PMID:40221359
|
review | 本文回顾了利用人工智能技术检测脑电图信号中的间歇性癫痫样放电（IEDs）的各种方法，评估了它们的性能和局限性 | 探讨了从传统机器学习到深度学习技术在IED检测中的应用，并强调了AI工具在临床工作流程中的整合 | 需要公开代码、标准化数据集和指标，以优化临床实施 | 提高间歇性癫痫样放电（IEDs）检测的准确性和效率 | 脑电图（EEG）信号中的间歇性癫痫样放电（IEDs） | 自然语言处理 | 癫痫 | 深度学习，传统机器学习 | NA | EEG信号 | NA | NA | NA | NA | NA |
| 12155 | 2025-05-13 |
Performance of artificial intelligence-based diagnosis and classification of peri-implantitis compared with periodontal surgeon assessment: a pilot study of panoramic radiograph analysis
2025-Apr-02, Journal of periodontal & implant science
DOI:10.5051/jpis.2500280014
PMID:40350773
|
研究论文 | 本研究评估了深度学习模型在全景X光片上诊断和分类种植体周围炎相关骨缺损的性能 | 使用深度学习模型（YOLOv8）进行种植体周围炎骨缺损的诊断和分类，并与牙周外科医生的诊断准确性进行比较 | 数据集规模有限，未来研究需要扩展数据集并整合多模态影像 | 评估深度学习模型在种植体周围炎诊断和分类中的性能 | 种植体周围炎相关的骨缺损 | 数字病理 | 种植体周围炎 | 深度学习 | YOLOv8 | 全景X光片 | 1,075张全景X光片（来自426名患者，共2,250个种植位点） | NA | NA | NA | NA |
| 12156 | 2025-10-07 |
De novo design of transmembrane fluorescence-activating proteins
2025-Apr, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-08598-8
PMID:39972138
|
研究论文 | 本文通过整合深度学习和能量计算方法，实现了跨膜荧光激活蛋白的从头设计 | 首次成功设计出能够特异性结合小分子配体的跨膜蛋白，并实现了荧光激活功能 | NA | 开发能够精确识别小分子配体的跨膜蛋白设计方法 | 跨膜蛋白和荧光配体的相互作用 | 蛋白质设计 | NA | 深度学习、能量计算、梯度引导幻觉、晶体学、冷冻电镜 | 深度学习模型 | 蛋白质结构数据、荧光数据 | NA | NA | NA | 结合亲和力（纳摩尔级）、亮度、量子产率 | NA |
| 12157 | 2025-10-07 |
Improving explanations for medical X-ray diagnosis combining variational autoencoders and adversarial machine learning
2025-Apr, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109857
PMID:39999495
|
研究论文 | 提出一种结合变分自编码器和对抗机器学习的深度学习架构，用于改进医学X射线诊断的可解释性 | 利用变分自编码器在低维嵌入空间产生线性修改，再重构到原始图像空间的非线性解释；通过全局和局部正则化潜在空间；设计多目标遗传算法搜索解释 | NA | 改进医学计算机视觉中人工智能系统的可解释性 | 医学X射线诊断图像 | 计算机视觉 | NA | 深度学习 | VAE, 遗传算法 | 医学图像 | NA | NA | 变分自编码器 | 精度 | NA |
| 12158 | 2025-10-07 |
A dual-stage framework for segmentation of the brain anatomical regions with high accuracy
2025-Apr, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01233-7
PMID:40042762
|
研究论文 | 提出一种基于深度学习的双阶段框架，用于精确分割大脑MR图像中的解剖区域 | 采用双阶段3D分割技术，第二阶段专门针对海马体、丘脑等小区域进行精细化分割 | NA | 开发精确的大脑解剖区域分割方法，识别不同脑部结构的位置和形状细节 | 成年受试者，包括认知正常者和认知衰退个体 | 医学图像分析 | 认知障碍疾病 | 磁共振成像(MRI) | CNN | 3D医学图像 | NA | NA | 3D U-Net, SegResNet | DSC, HD95 | NA |
| 12159 | 2025-10-07 |
Analysis of AI foundation model features decodes the histopathologic landscape of HPV-positive head and neck squamous cell carcinomas
2025-Apr, Oral oncology
IF:4.0Q2
|
研究论文 | 利用AI基础模型分析HPV阳性头颈部鳞状细胞癌的组织病理学特征 | 首次使用基础模型UNI和生成对抗网络HistoXGAN解码HPV阳性HNSCC的组织病理学景观，并识别出三种HPV阳性亚型 | 研究样本主要来自公共和机构数据集，需要进一步验证在更广泛人群中的适用性 | 表征与HPV存在相关的组织病理学特征，客观描述HPV阳性空间中的变异模式 | 头颈部鳞状细胞癌患者的H&E染色切片 | 数字病理学 | 头颈部鳞状细胞癌 | H&E染色 | 自监督学习, GAN | 病理图像 | 981名HNSCC患者 | NA | UNI, HistoXGAN | 灵敏度, 特异性 | NA |
| 12160 | 2025-05-13 |
Explainable deep learning models for predicting water pipe failures
2025-Apr, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.124738
PMID:40054363
|
研究论文 | 本研究提出了一种利用深度学习算法预测水管故障的新方法，并通过优化模型超参数和数据缩放提升预测性能 | 首次将Deep Neural Networks (DNN)、Convolutional Neural Networks (CNN)和TabNet应用于水管故障预测，并结合贝叶斯优化(BO)和数据缩放技术优化模型性能 | 研究仅基于香港地区的水管网络数据，可能在其他地区的适用性有待验证 | 开发可解释的深度学习模型来预测水管网络中泄漏和爆裂的概率 | 水管网络中的管道 | 机器学习 | NA | 贝叶斯优化(BO)、Copeland算法、SHapley Additive exPlanations (SHAP) | DNN、CNN、TabNet | 结构化数据 | 香港水管网络数据 | NA | NA | NA | NA |