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 44218 篇文献，本页显示第 1221 - 1240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1221 | 2026-05-02 |
Accelerating high-concentration monoclonal antibody development with large-scale viscosity data and ensemble deep learning
2025-12, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2483944
PMID:40170162
|
研究论文 | 利用大规模黏度数据和集成深度学习模型加速高浓度单克隆抗体的开发 | 构建了包含102个集成人工神经网络模型的DeepViscosity系统，使用序列特征预测高浓度抗体黏度，数据规模远超此前仅有几十个数据点的局限性 | 模型预测仅限于150 mg/mL浓度下的黏度分类，对极端序列抗体或其他浓度条件的泛化能力仍需验证 | 开发能够预测高浓度单克隆抗体黏度的计算模型，用于早期抗体筛选与皮下注射药物开发 | 229个单克隆抗体样本的黏度数据，以及229个序列来源的DeepSP特征 | 机器学习 | NA | NA | 人工神经网络集成模型 | 数值与序列特征 | 229个单克隆抗体样品，以及额外独立测试集16和38个样品 | NA | 集成多层人工神经网络 | 准确率 | NA |
| 1222 | 2026-05-02 |
AlphaBind, a domain-specific model to predict and optimize antibody-antigen binding affinity
2025-12, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2534626
PMID:40693434
|
研究论文 | 提出AlphaBind模型用于预测和优化抗体-抗原结合亲和力 | 利用蛋白质语言模型嵌入和数百万定量实验室测量的预训练，实现抗体亲和力优化的最先进性能，仅需单轮数据生成 | 未提及具体局限性 | 通过深度学习预测和优化抗体序列的结合亲和力 | 四种亲本抗体（部分已进行过亲和力成熟） | 机器学习 | NA | 亲和力测量 | 蛋白质语言模型 | 序列数据、实验测量数据 | 数百万定量实验室测量数据 | PyTorch | AlphaBind | 结合亲和力提升程度 | NA |
| 1223 | 2026-05-02 |
Germline-aware deep learning models and benchmarks for predicting antibody VH-VL pairing
2025-12, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2570749
PMID:41104651
|
研究论文 | 提出了一个包含新基准数据集和三种深度学习模型的综合框架，用于预测抗体VH-VL配对 | 引入了基于V(D)J种系信息的不同负采样策略，并开发了轻量级BERT模型实现超过90%的配对准确率 | 未在摘要中明确提及 | 开发高效的计算方法以预测抗体可变重链和可变轻链的兼容配对 | 抗体VH和VL链序列 | 自然语言处理 | NA | NA | BERT | 序列数据 | NA | NA | BERT | 准确率 | NA |
| 1224 | 2025-05-24 |
Corrigendum to "Ultrasound-Based Deep Learning Radiomics Nomogram for Tumor and Axillary Lymph Node Status Prediction After Neoadjuvant Chemotherapy" [Academic Radiology 32 (2025) 12-23]
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.05.010
PMID:40404505
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1225 | 2026-05-02 |
Federated Deep Learning Approaches for Detecting Ocular Diseases in Medical Imaging: A Systematic Review
2025-Oct-02, Current medical imaging
IF:1.1Q3
|
综述 | 本文系统综述了联邦深度学习在医学影像眼部疾病检测中的应用进展 | 首次系统性地评估联邦学习在眼部疾病检测中的进展，重点关注数据隐私保护与诊断准确性的平衡 | 数据异质性、通信效率和模型收敛性等挑战尚未完全解决 | 分析人工智能驱动的眼部疾病检测进展，特别是基于联邦学习的方法 | 2017年至2024年间发表的关于深度学习和联邦学习模型用于眼部疾病检测的研究文章 | 计算机视觉 | 眼部疾病 | NA | 联邦学习模型，包括FedAvg和FedProx | 医学影像 | NA | NA | NA | 准确性、效率 | NA |
| 1226 | 2026-05-02 |
Racial and ethnic disparities in exposure to short-term NO2 air pollution in California during 1980-2022
2025-Sep-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.139309
PMID:40695125
|
研究论文 | 利用深度学习框架估算1980-2022年美国加州短期NO2暴露浓度，并分析种族和民族差异 | 首次利用深度学习结合化学传输模型输出和地理空间数据，生成1980-2022年高时空分辨率NO2浓度数据，并量化历史短期NO2暴露中的种族和民族差异 | 未明确提及外部验证或潜在数据偏差 | 评估加州1980-2022年短期NO2暴露中的种族和民族差异，为环境正义提供关键信息 | 美国加州不同种族和民族群体（包括西班牙裔或拉丁裔、非西班牙裔非洲裔或黑人、非西班牙裔美洲印第安人、阿拉斯加原住民、亚裔、太平洋岛民及非西班牙裔白人） | 机器学习 | NA | 地理空间数据分析 | 深度学习模型 | 地理空间数据 | NA | 深度学习框架（未具体说明） | NA | 决定系数（R²），范围0.72-0.83 | NA |
| 1227 | 2026-05-02 |
3D cardiac shape analysis with variational point cloud autoencoders for myocardial infarction prediction and virtual heart synthesis
2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出多类变分点云自编码器用于3D心脏形状与功能分析，实现对心肌梗死的预测和虚拟心脏合成 | 将变分点云自编码器应用于多类3D心脏解剖结构的几何深度学习，实现低维且可解释的潜在空间中的复杂非线性形状变异捕捉 | NA | 开发一种新型几何深度学习方法，用于3D心脏形状和功能分析，以理解并利用人类群体的心脏变异，辅助临床决策和心脏功能模拟 | 超过10000个受试者的3D心脏点云数据 | 计算机视觉, 机器学习, 数字病理学 | 心肌梗死 | NA | 变分点云自编码器 | 点云 | 超过10000个受试者的3D心脏点云数据 | NA | Point VAE | Chamfer距离, AUROC, Harrell's C指数 | NA |
| 1228 | 2026-05-02 |
Automated detection and recognition of oocyte toxicity by fusion of latent and observable features
2025-08-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.138411
PMID:40318589
|
研究论文 | 开发了一种融合深度学习潜在特征与可观察人类概念特征的框架，用于自动检测和识别卵母细胞毒性 | 首次将深度学习提取的潜在特征与人类概念可观察特征融合，用于卵母细胞毒性检测、亚型分类和强度分级 | NA | 评估环境污染物对卵母细胞异常的影响，并实现自动化毒性检测与分类 | 小鼠卵母细胞 | 计算机视觉 | NA | NA | 深度学习（潜在特征提取网络） | 图像 | 2126张小鼠卵母细胞图像 | NA | 特征融合网络 | ROC-AUC | NA |
| 1229 | 2026-05-02 |
Deep learning-enhanced hyperspectral imaging for rapid screening of Co-metabolic microplastic-degrading bacteria in environmental samples
2025-08-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.138370
PMID:40267710
|
研究论文 | 提出一种结合高光谱成像与深度学习的方法，用于快速筛选共代谢微塑料降解细菌 | 首次将高光谱成像与深度学习算法结合，用于共代谢固体培养基中微塑料降解细菌的直接筛选，克服了传统方法耗时且难以鉴别共代谢降解菌的局限 | 仅验证了一种聚己二酸/对苯二甲酸丁二醇酯降解细菌，模型在更广泛微生物种类和环境样本中的适用性需进一步探索 | 开发一种高效筛选共代谢微塑料降解细菌的方法 | 共代谢固体培养基中的微塑料降解细菌 | 机器学习和计算机视觉 | 不适用 | 高光谱成像 | 机器学习和深度学习算法 | 高光谱图像（包含空间和光谱信息） | 实验涉及固体培养基样本，具体数量未明确 | 不适用 | 不适用 | 不适用 | 不适用 |
| 1230 | 2026-05-02 |
Applying multimodal AI to physiological waveforms improves genetic prediction of cardiovascular traits
2025-Jul-03, American journal of human genetics
IF:8.1Q1
DOI:10.1016/j.ajhg.2025.05.015
PMID:40543505
|
研究论文 | 提出一种多模态深度学习方法M-REGLE，通过联合表示互补的心电波形模态，提高心血管特征遗传预测的准确性 | 首次将多模态表示学习应用于遗传发现，通过卷积变分自编码器联合学习多模态生理波形的低维表示，再进行全基因组关联分析，比单模态方法发现更多遗传位点 | NA | 开发多模态深度学习方法，从互补的心电波形模态中提取联合表示，以发现遗传关联并改善心血管特征预测 | 心血管特征（如房颤）的遗传关联 | 机器学习 | 心血管疾病 | NA | 卷积变分自编码器 | 生理波形（光电容积脉搏波PPG和心电图ECG） | 来自多个生物样本库的数据集 | NA | 卷积变分自编码器 | 遗传风险评分 | NA |
| 1231 | 2026-05-02 |
Deep learning-guided design of dynamic proteins
2025-May-22, Science (New York, N.Y.)
DOI:10.1126/science.adr7094
PMID:40403060
|
研究论文 | 描述了一种基于深度学习的通用方法，用于从头设计具有原子级精度的蛋白质构象动态变化 | 首次实现从头设计受控的蛋白质构象变化，模拟自然信号蛋白的开关机制，并通过实验验证了设计构象 | 未提及具体限制，但可能涉及计算资源需求高或设计复杂度随蛋白质大小增加 | 开发通用深度学习框架实现可调控蛋白质动态构象的从头设计 | 蛋白质构象的动态变化及信号传导行为 | 机器学习 | NA | 深度学习 | 神经网络 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 1232 | 2026-05-02 |
Interpretable artificial intelligence model for predicting heart failure severity after acute myocardial infarction
2025-05-12, BMC cardiovascular disorders
IF:2.0Q3
DOI:10.1186/s12872-025-04818-1
PMID:40355836
|
研究论文 | 开发可解释人工智能模型，利用多维度临床数据预测急性心肌梗死后心力衰竭严重程度 | 结合深度学习和机器学习模型，并采用SHAP方法增强模型可解释性，同时开发了临床应用的网页平台 | 未提及 | 建立可解释人工智能模型以预测急性心肌梗死后心力衰竭严重程度，支持早期干预和优化治疗策略 | 1574名急性心肌梗死患者的多维临床数据，包括病史、临床特征、生理参数、实验室检查、冠脉造影和超声心动图结果 | 机器学习 | 心血管疾病 | NA | TabNet、多层感知器、随机森林、XGBoost | 临床数据（病史、特征、生理参数、实验室检查、影像结果） | 1574名急性心肌梗死患者 | NA | TabNet、多层感知器、随机森林、XGBoost | AUROC | NA |
| 1233 | 2026-05-02 |
Neoadjuvant Chemotherapy Response in Triple-Negative Apocrine Carcinoma: Comparing Apocrine Morphology, Androgen Receptor, and Immune Phenotypes
2025-04-01, Archives of pathology & laboratory medicine
IF:3.7Q1
DOI:10.5858/arpa.2023-0561-OA
PMID:38960391
|
研究论文 | 评估三阴性乳腺癌中新辅助化疗反应，比较顶浆分泌形态、雄激素受体和免疫表型的影响 | 发现顶浆分泌形态比雄激素受体表达更能可靠预测新辅助化疗反应，且顶浆分泌形态与低Ki-67LI相关 | 单中心研究，样本量有限，且顶浆分泌形态为罕见亚型 | 评估三阴性乳腺癌对新辅助化疗的反应及顶浆分泌形态、雄激素受体、Ki-67标记指数和肿瘤浸润淋巴细胞的影响 | 三阴性乳腺癌患者 | 数字病理学 | 乳腺癌 | 免疫组织化学 | 深度学习模型 | 图像 | 232例三阴性乳腺癌患者 | NA | NA | 病理完全缓解率 | NA |
| 1234 | 2026-05-02 |
Prediction of testicular histology in azoospermia patients through deep learning-enabled two-dimensional grayscale ultrasound
2025-03-01, Asian journal of andrology
IF:3.0Q1
DOI:10.4103/aja202480
PMID:39363830
|
研究论文 | 开发了一种基于深度学习的模型，通过二维灰度超声图像预测无精子症患者的睾丸组织学结果 | 首次利用深度学习融合超声图像和睾丸体积数据，无创区分无精子症患者的精子存在与缺失，并进一步分类成熟停滞和仅支持细胞综合征 | 未提供具体局限性信息 | 建立睾丸灰度超声图像与睾丸组织学之间的关联，避免不必要的睾丸活检 | 无精子症患者的睾丸组织学类型，包括精子存在（SPP）和精子缺失（SAP）以及成熟停滞（MA）和仅支持细胞综合征（SCOS） | 机器学习 | 无精子症 | 二维灰度超声 | 深度学习 | 图像 | 353名男性，共4357张图像 | NA | NA | AUC、准确率、灵敏度、特异度 | NA |
| 1235 | 2026-05-02 |
Global genotype by environment prediction competition reveals that diverse modeling strategies can deliver satisfactory maize yield estimates
2025-02-05, Genetics
IF:3.3Q2
DOI:10.1093/genetics/iyae195
PMID:39576009
|
研究论文 | 通过全球基因型-环境预测竞赛，发现多样化建模策略均可有效预测玉米产量 | 首次举办公开的基因型-环境互作预测竞赛，整合基因组变异、表型、气象和管理数据，系统评估多种建模策略（包括传统育种工具、机器学习/深度学习、机械模型和集成模型）的预测能力，验证了无单一模型绝对优越的结论 | 未明确讨论模型可解释性、数据偏差或跨环境泛化性的潜在问题 | 探索结合遗传和环境因素预测作物表型的方法，提升产量预测精度以保障粮食安全 | 玉米（Maize）的产量性状预测 | 机器学习 | 不适用 | 基因组变异分析、表型采集、气象数据记录、田间管理记录 | 混合模型（随机森林、岭回归、最小二乘法、深度学习/机器学习、机械模型、集成模型） | 基因型数据、表型数据、气象数据、管理记录 | 涵盖9年（2022-2023年）的多地点玉米数据集，具体样本量未在摘要中明确 | 不适用（竞赛中涉及多种框架，如随机森林、岭回归等，但未在摘要中指定具体框架） | 随机森林、岭回归、最小二乘法、深度学习网络（具体架构未指定）、机械模型、集成模型 | 产量预测精度（未在摘要中明确具体指标，如R²或RMSE等） | 未指定具体计算资源 |
| 1236 | 2026-05-02 |
Preoperative Prediction of Axillary Lymph Node Metastasis in Patients With Breast Cancer Through Multimodal Deep Learning Based on Ultrasound and Magnetic Resonance Imaging Images
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.029
PMID:39107188
|
研究论文 | 基于超声和磁共振成像的多模态深度学习模型用于预测乳腺癌患者腋窝淋巴结转移 | 首次将超声和磁共振成像的深度学习预测结果与临床参数结合，构建多模态深度学习模型，用于预测乳腺癌患者腋窝淋巴结转移 | 回顾性研究设计，样本量有限（共588例），外部验证队列样本量较小（123例） | 开发并验证基于超声和磁共振成像的多模态深度学习模型，以无创方式预测乳腺癌患者腋窝淋巴结转移 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | NA | 卷积神经网络 | 图像 | 588例，其中主要队列465例，外部验证队列123例 | NA | 卷积神经网络 | 受试者工作特征曲线下面积、决策曲线 | NA |
| 1237 | 2026-05-02 |
Comparative Analysis of the Diagnostic Value of S-Detect Technology in Different Planes Versus the BI-RADS Classification for Breast Lesions
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.005
PMID:39138111
|
研究论文 | 评估S-Detect技术在超声不同切面诊断乳腺病变的表现并与BI-RADS分类进行比较 | 首次系统分析S-Detect技术在径向和反径向两个切面间的不一致性及其对诊断性能的影响，识别导致不一致的病变特征 | 仅基于回顾性数据，且未考虑操作者间差异；S-Detect在切面不一致时的诊断效能显著下降，需谨慎引用其结果 | 评估S-Detect在不同超声切面的诊断效能并分析不一致性的影响因素 | 711名患者的756个乳腺病变 | 机器学习 | 乳腺病变 | 超声成像 | 深度学习模型（S-Detect） | 超声图像 | 711名患者，756个乳腺病变 | NA | NA | 准确率, AUC | NA |
| 1238 | 2026-05-02 |
Ultrasound-Based Deep Learning Radiomics Nomogram for Tumor and Axillary Lymph Node Status Prediction After Neoadjuvant Chemotherapy
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.036
PMID:39183131
|
研究论文 | 探索深度学习放射组学列线图在预测乳腺癌患者新辅助化疗后肿瘤状态和腋窝淋巴结转移中的可行性 | 融合了临床特征、放射组学特征和深度学习迁移学习特征，构建了综合列线图，并利用Cox回归模型进行生存分析验证算法有效性 | 本研究为回顾性研究，样本量有限，可能存在选择偏倚，且未进行外部验证 | 评估深度学习放射组学列线图在预测乳腺癌新辅助化疗后肿瘤和淋巴结状态中的诊断性能及预后价值 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 超声成像 | 深度学习模型（结合放射组学） | 图像 | 243例乳腺癌患者 | NA | 深度学习迁移学习模型 | ROC曲线下面积、一致性指数、决策曲线分析、Kaplan-Meier生存曲线 | NA |
| 1239 | 2026-05-02 |
Accelerated T2-weighted MRI of the Bowel at 3T Using a Single-shot Technique with Deep Learning-based Image Reconstruction: Impact on Image Quality and Disease Detection
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.023
PMID:39198137
|
研究论文 | 比较常规6mm HASTE与深度学习重建的DL-HASTE（4mm和6mm层厚）在3T肠道MRI中的图像质量和疾病检测能力 | 首次评估深度学习单次扫描技术DL-HASTE在肠道MRI中的应用，展示其在缩短采集时间的同时提升图像质量 | 样本量较小（91例），且仅评估了盆腔肠道成像，未涵盖其他腹部区域；DL-HASTE仅在3T设备上测试，通用性有待验证 | 比较DL-HASTE与常规HASTE在肠道MRI中的图像质量和疾病检测性能 | 91例接受3T MR肠造影的患者（51名女性，平均年龄44±10岁） | 医学影像 | 肠道疾病（包括回肠壁增厚、回肠炎症、狭窄、穿透性疾病） | 深度学习图像重建（DL-HASTE） | 深度学习模型 | MRI图像 | 91例患者 | NA | DL-HASTE | 图像质量、伪影、肠壁清晰度、诊断信心（5点Likert量表） | NA |
| 1240 | 2026-05-02 |
Harnessing AI for Improved Detection and Classification of Pleural Effusion: Insights and Innovations
2025, Canadian respiratory journal
IF:2.1Q3
DOI:10.1155/carj/2882255
PMID:40809325
|
综述 | 本文综述了人工智能和机器学习在胸腔积液检测与分类中的应用，展示了这些技术在提升诊断准确性和效率方面的潜力 | 系统梳理了包括LGB和XGBoost在内的多种机器学习模型在胸腔积液诊断中的应用，并指出整合多元诊断参数可显著提高准确性 | 未提及具体样本量和数据来源的差异可能影响模型泛化能力 | 评估AI和ML技术在胸腔积液检测与分类中的当前应用现状并指出未来研究方向 | 胸腔积液的检测与分类方法 | 机器学习 | 胸腔积液 | NA | 深度学习, 集成方法 | 临床数据, 实验室数据, 影像数据 | NA | NA | Light Gradient Boosting Machine, XGBoost | 准确率, AUC | NA |