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 13701 - 13720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13701 | 2025-10-07 |
Discovery and Characterization of Novel Receptor-Interacting Protein Kinase 1 Inhibitors Using Deep Learning and Virtual Screening
2025-Apr-16, ACS chemical neuroscience
IF:4.1Q2
DOI:10.1021/acschemneuro.5c00180
PMID:40181215
|
研究论文 | 本研究结合深度学习模型和虚拟筛选技术发现并表征了两种新型RIPK1激酶抑制剂 | 首次将指纹图注意力网络(FP-GAT)与分子对接虚拟筛选相结合，从1300万化合物库中筛选RIPK1抑制剂 | 仅发现两种先导化合物，需要进一步结构修饰优化活性 | 发现新型RIPK1激酶抑制剂用于治疗神经退行性疾病和炎症疾病 | RIPK1激酶及其抑制剂 | 机器学习 | 神经退行性疾病,炎症疾病 | 分子对接虚拟筛选,分子动力学模拟,结合自由能计算 | 图注意力网络(GAT) | 化合物分子结构数据 | 从1300万化合物库中筛选，最终获得43个化合物进行实验验证 | 深度学习框架 | 指纹图注意力网络(FP-GAT) | 抑制活性(IC50),有效浓度(EC50) | NA |
| 13702 | 2025-10-07 |
Transforming pulmonary health care: the role of artificial intelligence in diagnosis and treatment
2025-Apr-15, Expert review of respiratory medicine
IF:2.9Q2
DOI:10.1080/17476348.2025.2491723
PMID:40210489
|
综述 | 本文探讨人工智能在呼吸系统疾病诊断与治疗中的临床应用、技术进展及挑战 | 系统综述AI在呼吸系统疾病领域的预测模型、影像诊断和个性化治疗的最新进展 | 依赖现有文献的选择性检索，可能存在发表偏倚；未进行系统性荟萃分析 | 评估人工智能在呼吸系统疾病诊疗中的技术应用与发展前景 | 肺炎、哮喘和慢性阻塞性肺疾病等呼吸系统疾病 | 数字病理 | 肺部疾病 | 深度学习 | NA | 医学影像、临床数据 | NA | NA | NA | NA | NA |
| 13703 | 2025-10-07 |
Multicenter Development and Validation of a Multimodal Deep Learning Model to Predict Moderate to Severe Acute Kidney Injury
2025-Apr-15, Clinical journal of the American Society of Nephrology : CJASN
IF:8.5Q1
DOI:10.2215/CJN.0000000695
PMID:40232856
|
研究论文 | 开发并验证了一种结合结构化数据和非结构化文本的多模态深度学习模型，用于预测中重度急性肾损伤 | 首次将结构化数据（生命体征、实验室数值）与非结构化临床笔记信息相结合，使用中间融合深度学习架构预测急性肾损伤 | 研究排除了入院时血清肌酐≥3.0mg/dL、已存在终末期肾病或在到达病房或ICU前已发生≥2期AKI的患者 | 开发能够早期预测中重度急性肾损伤的深度学习模型 | 威斯康星大学（2009-2020年）和芝加哥大学医学中心（2016-2022年）收治的成年住院患者 | 医疗人工智能 | 急性肾损伤 | 深度学习，自然语言处理 | RNN | 结构化数据（生命体征、实验室数值）和非结构化文本（临床笔记） | 推导队列：339,998例入院；验证队列：84,581例入院；其中12,748例（3%）发展为≥2期AKI | NA | 中间融合深度学习循环神经网络 | AUC-ROC, 精确召回曲线下面积 | NA |
| 13704 | 2025-10-07 |
A deep learning framework for enhanced mass spectrometry data analysis and biomarker screening
2025-Apr-15, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2488501
PMID:40232885
|
研究论文 | 提出一种用于增强质谱数据分析和生物标志物筛选的深度学习框架 | 集成预处理、分类和生物标志物选择的全流程深度学习框架，专门针对高维质谱数据分析挑战 | NA | 提升复杂质谱数据的分类性能并促进生物标志物筛选 | 质谱数据 | 机器学习 | NA | 质谱分析 | 深度学习 | 质谱数据 | NA | NA | NA | NA | NA |
| 13705 | 2025-10-07 |
A Multimodal Approach for Early Identification of Mild Cognitive Impairment and Alzheimer's Disease with Fusion Network using Eye Movements and Speech
2025-Apr-15, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3561043
PMID:40232896
|
研究论文 | 本研究开发了一种融合眼动和语音特征的多模态深度学习网络，用于早期识别轻度认知障碍和阿尔茨海默病 | 首次将眼动追踪和语音分析相结合，利用融合神经网络整合多种生物行为特征进行MCI/AD诊断 | 样本量相对较小（78名参与者），需要更大规模的研究验证 | 开发早期识别轻度认知障碍和阿尔茨海默病的非侵入性诊断方法 | 78名参与者（37名健康对照，20名MCI患者，21名AD患者） | 数字病理 | 阿尔茨海默病 | 眼动追踪，语音分析 | 融合神经网络 | 眼动数据，语音数据 | 78名参与者（37名对照，20名MCI，21名AD） | NA | 融合神经网络 | 准确率 | NA |
| 13706 | 2025-10-07 |
ProtNote: a multimodal method for protein-function annotation
2025-Apr-15, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf170
PMID:40233101
|
研究论文 | 提出一种名为ProtNote的多模态深度学习方法，利用自由文本进行蛋白质功能注释，支持监督学习和零样本预测 | 通过结合自由文本实现蛋白质功能的零样本预测，能够泛化到训练集中未见的蛋白质功能 | NA | 开发能够预测蛋白质序列与功能关系的深度学习方法 | 蛋白质序列及其功能注释 | 自然语言处理, 机器学习 | NA | 多模态深度学习 | 多模态深度学习模型 | 蛋白质序列, 自由文本 | NA | NA | ProtNote | GO注释预测性能, EC编号预测性能 | NA |
| 13707 | 2025-10-07 |
Study on Ultrasound-Assisted Diagnosis of CHB Complicated with NAFLD Hepatic Fibrosis Based on Deep Learning
2025-Apr-15, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01331-3
PMID:40234347
|
研究论文 | 基于深度学习的二维肝脏影像自动分类模型用于诊断慢性乙型肝炎合并非酒精性脂肪肝肝纤维化 | 首次将深度学习技术应用于CHB合并NAFLD肝纤维化的超声辅助诊断，并验证AI辅助诊断对各级医师诊断性能的提升 | 回顾性研究设计，样本来源单一医疗机构，缺乏外部验证 | 开发并评估用于CHB合并NAFLD肝纤维化自动诊断的深度学习模型 | 慢性乙型肝炎合并非酒精性脂肪肝患者 | 计算机视觉 | 肝病 | 二维超声，FibroScan，肝活检 | 深度学习 | 二维肝脏图像 | 2803名患者提供20540张图像用于训练，150名患者提供922张图像用于验证 | NA | NA | 灵敏度，特异性，准确率，AUC | NA |
| 13708 | 2025-04-17 |
Correction: Deep learning approach for discrimination of liver lesions using nine time-phase images of contrast-enhanced ultrasound
2025-Apr-15, Journal of medical ultrasonics (2001)
DOI:10.1007/s10396-025-01544-1
PMID:40234354
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13709 | 2025-10-07 |
AutoGP: An intelligent breeding platform for enhancing maize genomic selection
2025-Apr-14, Plant communications
IF:9.4Q1
DOI:10.1016/j.xplc.2025.101240
PMID:39789848
|
研究论文 | 开发了一个名为AutoGP的智能育种平台，用于增强玉米基因组选择 | 整合了基因型提取、表型提取和基因组选择模型，提供用户友好的网络界面，包含高效测序芯片、智能手机视频表型提取流程和广泛的模型池 | NA | 加速高产量作物品种的培育，简化基因组选择流程 | 玉米（Zea mays） | 机器学习 | NA | 基因组测序、单核苷酸多态性分析、表型提取 | 支持向量机、极端梯度提升、梯度提升决策树、多层感知器、随机森林、深度学习模型 | 基因型数据、表型数据、视频数据 | 玉米完全双列设计加不平衡育种样杂交群体数据集 | NA | 深度学习基因组选择、深度学习全基因组关联研究、基因组预测深度神经网络、SoyDNGP | 预测准确性 | 网络平台 |
| 13710 | 2025-10-07 |
Depth-of-interaction encoding techniques for pixelated PET detectors enabled by machine learning methods and fast waveform digitization
2025-Apr-14, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adc96d
PMID:40185124
|
研究论文 | 本研究开发了一种基于机器学习和快速波形数字化的深度相互作用编码技术，用于像素化PET探测器的多级DOI分类 | 无需修改探测器设计即可从商用像素化探测器获取DOI信息，采用高速波形采样和机器学习方法分析整个闪烁波形 | 研究主要针对20mm长晶体，对于其他尺寸晶体的适用性需要进一步验证 | 开发多级深度相互作用分类技术以提升PET系统性能 | 像素化PET探测器和闪烁晶体波形 | 医学影像处理 | NA | 快速波形数字化，Domino Ring Sampler (DRS4)采样技术 | LSTM, 经典机器学习算法 | 闪烁波形数据，时频特征 | 2×2×20mm长窄晶体 | NA | 长短期记忆网络 | 分类准确率，定位误差，训练效率 | NA |
| 13711 | 2025-04-17 |
Molecular endotypes and theratypes in osteoarthritis: transforming a concept into reality with deep learning and multiomics
2025-Apr-14, Annals of the rheumatic diseases
IF:20.3Q1
DOI:10.1016/j.ard.2025.03.009
PMID:40234175
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13712 | 2025-10-07 |
Basin-informed flood frequency analysis using deep learning exhibits consistent projected regional patterns over CONUS
2025-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97610-2
PMID:40222992
|
研究论文 | 使用深度学习分析气候变化对美国本土洪水频率的影响并预测未来趋势 | 首次将LSTM模型与流域特征结合进行洪水频率分析，并生成交互式地图展示历史与预测洪水变化 | 研究仅限于美国本土638个河流站点，未涵盖全球其他区域 | 分析气候变化对洪水趋势的影响并支持适应性规划 | 美国本土638个河流站点的长期径流量 | 机器学习 | NA | CMIP5气候预测数据降尺度与偏差校正 | LSTM | 气象数据、径流数据 | 美国本土638个河流站点 | NA | LSTM | 径流模拟精度 | NA |
| 13713 | 2025-10-07 |
The satisfaction of ecological environment in sports public services by artificial intelligence and big data
2025-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97927-y
PMID:40222989
|
研究论文 | 结合基于残差模块和注意力机制的CNN方法与SERVQUAL评估模型，分析人工智能驱动的体育公共服务对居民健身生态环境满意度的影响 | 首次将基于残差模块和注意力机制的卷积神经网络与SERVQUAL评估模型相结合，应用于体育公共服务与健身生态环境关系的研究 | NA | 更准确理解和增强健身生态环境与人工智能驱动的体育公共服务之间的关系 | 居民对体育公共服务中健身生态环境的满意度 | 机器学习 | NA | 问卷调查、文献综述、访谈 | CNN | 大数据（问卷、文献、访谈数据） | NA | NA | 基于残差模块和注意力机制的CNN | NA | NA |
| 13714 | 2025-10-07 |
MODAMS: design of a multimodal object-detection based augmentation model for satellite image sets
2025-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93766-z
PMID:40223115
|
研究论文 | 提出一种基于多模态目标检测的卫星图像增强模型，通过优化高光谱图像分类性能 | 结合定制化YOLO目标检测、级联双生成对抗网络(cdGAN)、象群优化(EHO)和萤火虫优化器(FFO)实现动态图像增强 | 未提及模型在不同卫星图像数据集上的泛化能力及计算复杂度分析 | 提升高光谱卫星图像的分类性能 | 高光谱卫星图像 | 计算机视觉 | NA | 高光谱成像 | YOLO, GAN | 卫星图像 | NA | NA | 定制化YOLO, 级联双生成对抗网络(cdGAN) | 准确率, 精确率, 召回率, 分类延迟 | NA |
| 13715 | 2025-10-07 |
Deep learning tools predict variants in disordered regions with lower sensitivity
2025-Apr-12, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-025-11534-9
PMID:40221640
|
研究论文 | 评估AlphaMissense和VARITY等变异效应预测工具在蛋白质无序区域的预测性能 | 首次系统评估深度学习工具在蛋白质无序区域的变异预测性能，揭示其敏感度显著低于有序区域 | 主要关注预测工具的性能比较，未提出新的改进方法或模型 | 评估变异效应预测工具在蛋白质无序区域的效能差异 | 蛋白质无序区域中的基因变异 | 生物信息学 | 遗传疾病 | 深度学习, 蛋白质结构预测 | AlphaFold2 | 蛋白质序列, 结构数据 | 人类蛋白质组中30%的无序区域 | NA | AlphaFold2 | 敏感度, 特异性 | NA |
| 13716 | 2025-10-07 |
Lag-Net: Lag correction for cone-beam CT via a convolutional neural network
2025-Apr-12, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108753
PMID:40233441
|
研究论文 | 提出一种基于卷积神经网络的锥束CT滞后伪影校正方法Lag-Net | 首次将深度学习应用于CT滞后信号校正，利用硬件校正结果作为训练目标，避免了传统线性时不变校正方法对曝光依赖性的忽略 | 硬件校正方法操作复杂且对CT设备要求高，深度学习方法的性能依赖于硬件校正结果的质量 | 开发更有效的锥束CT滞后伪影校正方法 | 锥束CT投影图像中的滞后信号和重建伪影 | 医学影像处理 | NA | 锥束CT成像 | CNN | CT投影图像 | 模拟和真实数据集 | NA | Lag-Net | 定性分析，定量分析，图像质量评估 | NA |
| 13717 | 2025-10-07 |
CMTNet: a hybrid CNN-transformer network for UAV-based hyperspectral crop classification in precision agriculture
2025-Apr-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97052-w
PMID:40216979
|
研究论文 | 提出一种结合CNN和Transformer的混合深度学习框架CMTNet，用于无人机高光谱作物分类 | 设计双分支架构同时提取局部和全局特征，并引入多输出约束模块增强分类精度 | NA | 提升复杂农业环境下高光谱作物分类的精度和可靠性 | 无人机获取的高光谱作物图像数据 | 计算机视觉 | NA | 高光谱成像 | CNN, Transformer | 高光谱图像 | 三个无人机获取的数据集：WHU-Hi-LongKou、WHU-Hi-HanChuan、WHU-Hi-HongHu | NA | CMTNet（混合CNN-Transformer网络） | 总体准确率(OA) | NA |
| 13718 | 2025-10-07 |
IT: An interpretable transformer model for Alzheimer's disease prediction based on PET/MR images
2025-Apr-11, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121210
PMID:40222500
|
研究论文 | 提出一种基于Transformer架构的可解释深度学习模型IT，用于通过PET/MR图像预测阿尔茨海默病 | 开发了新型可解释Transformer模型，能够同时捕捉影像数据的局部和全局特征，并通过先进特征工程技术实现协同整合 | NA | 开发先进的阿尔茨海默病早期检测和精确监测诊断工具 | 阿尔茨海默病患者 | 计算机视觉 | 阿尔茨海默病 | PET/MR成像 | Transformer | 医学影像 | NA | NA | Transformer | NA | 低计算资源需求 |
| 13719 | 2025-10-07 |
Bearing fault diagnosis based on efficient cross space multiscale CNN transformer parallelism
2025-Apr-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95895-x
PMID:40210923
|
研究论文 | 提出一种基于高效跨空间多尺度CNN-Transformer并行架构的风力涡轮机轴承故障诊断模型 | 采用并行双分支结构同时提取时空特征，CNN分支集成多尺度特征提取模块、反向残差结构和高效多尺度注意力机制，Transformer分支结合BiGRU和Transformer捕获局部时序动态和长期依赖关系 | 未明确说明模型在极端噪声环境下的性能表现和计算效率 | 解决传统串行深度学习模型在噪声环境中无法同时提取故障信号时空特征的问题 | 风力涡轮机轴承故障诊断 | 机器学习 | NA | 连续小波变换(CWT) | CNN, Transformer, BiGRU | 一维振动信号转换的二维时频图像 | 两个公开轴承数据集 | NA | 多尺度CNN, Transformer, 反向残差结构(RRS), 高效多尺度注意力(EMA) | 准确率 | NA |
| 13720 | 2025-10-07 |
FetDTIAlign: A deep learning framework for affine and deformable registration of fetal brain dMRI
2025-Apr-10, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121190
PMID:40221066
|
研究论文 | 提出一种专门针对胎儿脑部扩散MRI的深度学习配准框架FetDTIAlign，实现精确的仿射和非刚性配准 | 集成新型双编码器架构和迭代特征推理，采用分阶段网络配置和领域特定图像特征，有效应对胎儿脑部dMRI的低质量和快速发育挑战 | 主要验证于23-36孕周数据，对其他孕周适用性需进一步验证 | 解决胎儿脑部扩散MRI数据的空间配准难题 | 胎儿脑部扩散MRI数据 | 医学影像分析 | 神经发育 | 扩散MRI | 深度学习 | 医学影像 | 涵盖23-36孕周的胎儿脑部dMRI数据，包含60个白质束 | NA | 双编码器架构 | 解剖对应性，视觉对齐效果 | NA |