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 12961 - 12980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12961 | 2025-04-27 |
Leveraging deep learning models to increase the representation of nomadic pastoralists in health campaigns and demographic surveillance
2025, PLOS global public health
DOI:10.1371/journal.pgph.0004018
PMID:40273062
|
研究论文 | 本文提出了一种基于计算机视觉的方法，通过卫星图像自动定位游牧民族定居点，以提高健康服务和人口监测中的代表性 | 利用公开的道路和水基础设施数据，开发了一种新的训练策略，解决了标记定居点数据不足带来的性能差距 | 研究依赖于卫星图像的质量和分辨率，且模型在更大范围内的适用性尚未验证 | 提高游牧民族在健康服务和人口监测中的代表性 | 游牧民族定居点 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 卫星图像 | 约1,000个历史活跃定居点的卫星图像数据集，覆盖埃塞俄比亚奥莫河谷和肯尼亚桑布鲁县 | NA | NA | NA | NA |
| 12962 | 2025-04-27 |
N-Beats architecture for explainable forecasting of multi-dimensional poultry data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320979
PMID:40273069
|
研究论文 | 本研究提出了一种新颖的N-BEATS架构应用，用于多维度家禽数据预测，并通过集成的可解释AI（XAI）框架增强了可解释性 | 首次将N-BEATS架构应用于家禽数据预测，并结合XAI框架提高模型的可解释性 | NA | 优化家禽生产中的预测分析，提升农场管理决策效率 | 家禽疾病诊断的多维数据 | 机器学习 | NA | 时间序列建模 | N-BEATS | 多元时间序列数据 | NA | NA | NA | NA | NA |
| 12963 | 2025-04-27 |
Definer: A computational method for accurate identification of RNA pseudouridine sites based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320077
PMID:40273178
|
研究论文 | 提出了一种基于深度学习的计算方法Definer，用于准确识别RNA假尿苷位点 | 结合了NCP和One-hot两种序列编码方案，并利用CNN、GRU和Attention构建深度学习模型 | 仅针对三种物种（智人、酿酒酵母和小鼠）进行了测试 | 准确识别RNA假尿苷位点，以解释该修饰位点的功能机制 | RNA假尿苷位点 | 生物信息学 | NA | 深度学习 | CNN, GRU, Attention | RNA序列数据 | 三种物种（智人、酿酒酵母和小鼠）的基准数据集 | NA | NA | NA | NA |
| 12964 | 2025-04-27 |
Intelligent recognition of human activities using deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321754
PMID:40273193
|
research paper | 该研究利用深度学习技术，通过集成3D-AlexNet-RF和InceptionV3 Google-Net模型，提高了RGB视频中人类活动识别的准确性 | 采用集成方法结合两种深度学习模型的预测结果，显著提升了人类活动识别的性能 | 研究仅基于HMDB51数据集进行评估，可能在其他数据集上的泛化能力有待验证 | 提升人类活动识别（HAR）的准确性，以改善患者护理、增强安全监控和促进人机交互 | RGB视频中的人类活动 | computer vision | NA | 深度学习 | 3D-AlexNet-RF, InceptionV3 Google-Net | video | HMDB51数据集 | NA | NA | NA | NA |
| 12965 | 2025-04-27 |
ToxDL 2.0: Protein toxicity prediction using a pretrained language model and graph neural networks
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.04.002
PMID:40276117
|
研究论文 | 介绍了一种名为ToxDL 2.0的新型多模态深度学习模型，用于预测蛋白质毒性 | 整合了来自预训练语言模型和AlphaFold2的进化和结构信息，通过图卷积网络（GCN）模块、域嵌入模块和密集模块来预测蛋白质毒性 | 未提及具体局限性 | 开发高效的计算方法来预测蛋白质毒性，替代传统耗时、昂贵且劳动密集型的实验方法 | 蛋白质 | 机器学习 | NA | 预训练语言模型、AlphaFold2、图卷积网络（GCN） | GCN | 蛋白质序列和结构数据 | 原始非冗余测试集（2022年前的蛋白质序列）和独立非冗余测试集（2022年后的蛋白质序列） | NA | NA | NA | NA |
| 12966 | 2025-04-27 |
Frontotemporal dementia: a systematic review of artificial intelligence approaches in differential diagnosis
2025, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2025.1547727
PMID:40276595
|
系统综述 | 本文系统综述了人工智能方法在额颞叶痴呆鉴别诊断中的应用 | 评估了当前机器学习模型在区分额颞叶痴呆与其他神经系统疾病中的优势和局限性，并提出了多模态数据整合的建议 | 样本量小、类别不平衡和缺乏标准化限制了模型的泛化能力 | 提高额颞叶痴呆的早期和准确鉴别诊断 | 额颞叶痴呆及其亚型与其他痴呆症（如阿尔茨海默病）的患者 | 自然语言处理 | 老年疾病 | 机器学习 | SVM, CNN | 神经影像和电生理数据 | 6,544名痴呆患者（包括2,984名额颞叶痴呆患者、3,437名阿尔茨海默病患者、103名轻度认知障碍患者和20名帕金森病痴呆或可能的路易体痴呆患者） | NA | NA | NA | NA |
| 12967 | 2025-04-27 |
Improving healthcare sustainability using advanced brain simulations using a multi-modal deep learning strategy with VGG19 and bidirectional LSTM
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1574428
PMID:40276738
|
research paper | 该研究提出了一种结合深度学习和集成学习方法的多模态方案，用于改进MRI上的脑肿瘤分类 | 结合预训练的VGG19网络、双向LSTM和LightGBM分类器，利用空间特征提取和序列依赖学习的互补优势 | 未提及具体的数据集规模或多样性限制 | 提高脑肿瘤分类的准确性和鲁棒性，以增强医疗成像诊断应用 | MRI图像中的脑肿瘤 | digital pathology | brain tumor | deep learning, ensemble learning | VGG19, Bidirectional LSTM, LightGBM | MRI images | NA | NA | NA | NA | NA |
| 12968 | 2025-04-27 |
CT-Based Lung Size Matching in Delayed Chest Closure for Systemic Sclerosis Lung Transplantation
2024-Dec, Clinical transplantation
IF:1.9Q3
DOI:10.1111/ctr.70041
PMID:39601250
|
research paper | 本研究探讨了系统性硬化症患者肺移植中延迟胸廓闭合的临床结果、风险因素及基于CT的肺大小匹配参数 | 首次在系统性硬化症患者中研究延迟胸廓闭合的临床结果，并利用深度学习算法自动计算CT影像中的肺和胸腔体积 | 研究为回顾性设计，样本量相对较小（92例患者） | 评估系统性硬化症患者肺移植中延迟胸廓闭合的临床效果和预测因素 | 92例接受双侧肺移植的系统性硬化症患者 | digital pathology | systemic sclerosis | CT成像和深度学习算法 | 深度学习算法（未指定具体模型） | CT影像和临床数据 | 92例系统性硬化症患者（年龄51±10岁，61%为女性） | NA | NA | NA | NA |
| 12969 | 2025-10-07 |
High-throughput optimized prime editing mediated endogenous protein tagging for pooled imaging of protein localization
2024-Sep-17, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.16.613361
PMID:39345511
|
研究论文 | 开发了一种基于prime editing的高通量内源蛋白标记方法，用于并行研究蛋白质亚细胞定位 | 首次将prime editing与光学读出和测序结合，实现大规模蛋白质亚细胞定位的准确测量 | 仅验证了60种蛋白质的标记效率，尚未在不同细胞类型和环境扰动中广泛验证 | 开发能够大规模测量蛋白质亚细胞定位的技术方法 | 60种具有不同定位模式的内源蛋白质 | 计算生物学 | NA | prime editing, 原位pegRNA测序, 高通量深度学习图像分析 | 深度学习 | 图像, 测序数据 | 17,280个pegRNAs设计的文库，覆盖60种蛋白质 | NA | NA | 标记效率预测准确性 | NA |
| 12970 | 2025-10-07 |
A Multicenter Evaluation of the Impact of Therapies on Deep Learning-based Electrocardiographic Hypertrophic Cardiomyopathy Markers
2024-Mar-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.01.15.24301011
PMID:38293023
|
研究论文 | 本研究评估了两种肥厚型心肌病治疗方法对基于深度学习的AI-ECG检测指标的影响 | 首次使用AI-ECG模型评估不同HCM治疗方法（手术/经皮室间隔减容术与口服药物马瓦卡坦）对心电图生物标志物的影响 | 样本量相对有限，特别是马瓦卡坦治疗组仅36例患者，且为观察性研究 | 评估室间隔减容术和马瓦卡坦治疗对AI-ECG肥厚型心肌病检测指标的影响 | 接受室间隔减容术或马瓦卡坦治疗的肥厚型心肌病患者 | 医疗人工智能 | 心血管疾病 | 人工智能增强心电图 | 深度学习 | 心电图图像 | SRT组：耶鲁70例，克利夫兰100例，大西洋健康系统145例；马瓦卡坦组：耶鲁36例 | NA | NA | AI-ECG HCM评分，Wilcoxon符号秩检验 | NA |
| 12971 | 2025-10-07 |
EvoAI enables extreme compression and reconstruction of the protein sequence space
2024-Feb-23, Research square
DOI:10.21203/rs.3.rs-3930833/v1
PMID:38464127
|
研究论文 | 开发了一种名为EvoAI的混合实验计算方法，能够极端压缩和重建蛋白质序列空间 | 结合EvoScan方法获取锚点和深度学习模型重建序列空间，无需同源或结构信息即可预测新型高适应性序列 | 方法依赖于能够与转录输出耦合的生物分子功能 | 探索蛋白质序列与功能关系，实现蛋白质序列空间的压缩和重建 | 阻遏蛋白及其高适应性序列空间 | 机器学习 | NA | 转录输出耦合技术 | 深度学习模型,大语言模型 | 蛋白质序列数据 | 82个锚点 | NA | NA | 压缩比 | NA |
| 12972 | 2025-10-07 |
From the diagnosis of infectious keratitis to discriminating fungal subtypes; a deep learning-based study
2023-12-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-49635-8
PMID:38097753
|
研究论文 | 本研究开发基于深度学习的模型用于传染性角膜炎诊断及其真菌亚型区分 | 首次构建可同时实现传染性角膜炎诊断、细菌与真菌角膜炎区分、以及真菌丝状与酵母亚型鉴别的多任务深度学习系统 | 模型3对真菌亚型区分的准确率相对较低（77.5%），可能存在分类性能提升空间 | 通过人工智能技术改进传染性角膜炎的早期诊断和分类 | 传染性角膜炎患者及其裂隙灯照片 | 计算机视觉 | 眼科感染疾病 | 裂隙灯成像 | 深度学习模型 | 图像 | 977名患者的9329张裂隙灯照片 | NA | NA | 准确率 | NA |
| 12973 | 2024-11-19 |
Retraction: A comprehensive review of deep learning-based single image super-resolution
2022, PeerJ. Computer science
DOI:10.7717/peerj-cs.621/retraction
PMID:39554485
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12974 | 2025-04-27 |
Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modelling
2021-Aug, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-021-00357-4
PMID:40271424
|
研究论文 | 本文提出了一种结合深度学习与药代动力学/药效动力学（PK/PD）的新型神经-PK/PD框架，用于预测患者对治疗的反应时间过程 | 将药理学关键原理与神经常微分方程结合，直接从纵向患者数据中学习控制微分方程，实现了对未测试给药方案的患者反应模拟 | 需要大量患者数据进行训练，且模型性能依赖于数据质量 | 开发自动化预测患者反应时间过程的方法，减少对人工建模经验的依赖 | 患者对治疗的反应时间过程 | 机器学习 | NA | 神经常微分方程 | 神经-PK/PD模型 | 纵向患者数据 | 超过600名患者的临床数据集 | NA | NA | NA | NA |
| 12975 | 2025-10-07 |
A comprehensive review of deep learning-based single image super-resolution
2021, PeerJ. Computer science
DOI:10.7717/peerj-cs.621
PMID:34322592
|
综述 | 本文对基于深度学习的单图像超分辨率技术进行了全面综述 | 从深度学习角度系统分类超分辨率方法，涵盖监督学习、无监督学习和领域特定方法 | 作为综述文章，不包含原始实验数据和新方法提出 | 总结单图像超分辨率领域的最新进展和发展趋势 | 图像超分辨率算法和方法 | 计算机视觉 | NA | NA | GAN, CNN | 图像 | NA | NA | EDSR, CinCGAN, MSRN, Meta-RDN, RBPN, SAN, SRFBN, WRAN | 图像质量指标 | NA |
| 12976 | 2025-10-07 |
Generalizable, sequence-invariant deep learning image reconstruction for subspace-constrained quantitative MRI
2025-Jul, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30433
PMID:39834093
|
研究论文 | 开发了一种对比度不变的深度子空间学习网络，用于跨不同脉冲序列的定量MRI图像重建 | 提出了对比度不变的逐分量网络结构，相比传统时空多分量结构具有更好的性能和泛化能力 | 研究样本量相对有限，特别是在T1-T2-T2*-脂肪分数序列中数据较为稀缺 | 开发能够跨不同脉冲序列工作的深度子空间学习网络 | MRI多任务成像的重建 | 医学影像分析 | NA | MRI多任务成像，T1、T1-T2、T1-T2-T2*-脂肪分数映射序列 | 深度学习网络 | MRI图像 | 共313名受试者（130名T1序列，167名T1-T2序列，16名T1-T2-T2*-脂肪分数序列） | NA | 对比度不变的逐分量网络结构，时空多分量结构 | 图像归一化均方根误差，Bland-Altman分析 | NA |
| 12977 | 2025-10-07 |
Accelerated EPR imaging using deep learning denoising
2025-Jul, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30473
PMID:40096518
|
研究论文 | 本研究利用深度学习技术对3D电子顺磁共振成像的振幅和氧分压图进行去噪处理 | 首次将UNet模型与联合双边滤波器结合应用于EPRI去噪，实现10倍成像加速 | 训练数据集规模有限（共227个3D图像），且包含体外和体内两种数据 | 开发基于深度学习的EPRI去噪方法以提高图像信噪比 | 体外OXO71模型和C3H小鼠后肢纤维肉瘤肿瘤 | 医学影像处理 | 肿瘤 | 电子顺磁共振成像 | 深度学习 | 3D图像 | 227个3D图像（56个体内，171个体外） | MONAI | UNet, Attention UNet, UNETR, Autoencoder | 多尺度结构相似性指数, 边缘敏感度保留 | NA |
| 12978 | 2025-10-07 |
Machine learning explainability for survival outcome in head and neck squamous cell carcinoma
2025-Jul, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105873
PMID:40121767
|
研究论文 | 本研究结合临床病理参数、治疗相关因素和社会人口学因素构建机器学习模型，用于预测头颈部鳞状细胞癌患者的总生存期，并提供模型可解释性分析 | 首次将TabNet深度学习算法应用于头颈部鳞癌生存预测，并综合使用LIME和SHAP技术提供模型可解释性，探索了多参数组合的预后潜力 | 研究基于单中心数据（419例患者），需要多机构数据集验证和临床试验测试 | 构建头颈部鳞状细胞癌患者的预后预测系统，实现个体化风险分层治疗决策 | 头颈部鳞状细胞癌患者 | 机器学习 | 头颈部鳞状细胞癌 | 机器学习预测模型 | TabNet, XGBoost, 投票集成 | 临床表格数据 | 419名来自瑞典三家大学医院的头颈部鳞癌患者 | NA | TabNet, XGBoost | 准确率 | NA |
| 12979 | 2025-10-07 |
Deep learning-assisted cellular imaging for evaluating acrylamide toxicity through phenotypic changes
2025-Jun, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association
IF:3.9Q1
DOI:10.1016/j.fct.2025.115401
PMID:40118138
|
研究论文 | 开发结合深度学习与细胞荧光成像的新方法评估丙烯酰胺毒性 | 首次将U-Net细胞分割与ResNet34分类模型结合，通过表型变化直接关联细胞表型与毒性评估 | 验证准确率为80%，仍有提升空间 | 评估丙烯酰胺毒性及其对细胞表型的影响 | 暴露于丙烯酰胺的细胞 | 计算机视觉 | 毒理学 | 细胞荧光成像 | CNN | 图像 | NA | NA | U-Net, ResNet34 | 准确率 | NA |
| 12980 | 2025-04-26 |
Future prospects of deep learning in esophageal cancer diagnosis and clinical decision support (Review)
2025-Jun, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15039
PMID:40271007
|
review | 本文综述了深度学习在食管癌诊断和临床决策支持中的应用前景 | 深度学习在提高早期食管癌病变检测、区分良恶性病变以及辅助癌症分期和预后方面显示出巨大潜力 | 面临图像质量差异、数据标注不足和泛化能力有限等挑战 | 探讨深度学习在食管癌诊断和临床决策支持中的应用 | 食管癌（EC）及其癌前病变（如Barrett食管） | digital pathology | esophageal cancer | endoscopic examination, pathological analysis, computed tomography | deep learning (DL) | medical images | NA | NA | NA | NA | NA |