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 14481 - 14500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14481 | 2025-10-07 |
Prognostication of Hepatocellular Carcinoma Using Artificial Intelligence
2024-06, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2024.0070
PMID:38807336
|
综述 | 本文综述了人工智能在肝细胞癌预后预测中的应用价值与前景 | 提出基于放射组学或深度学习的人工智能方法可对肝细胞癌表型进行客观、详细和全面的分析 | 传统放射学方法存在主观性和观察者间差异性的局限 | 探讨人工智能在肝细胞癌预后预测中的潜在价值 | 肝细胞癌（HCC）患者 | 数字病理 | 肝细胞癌 | 放射组学，深度学习 | NA | 影像数据 | NA | NA | NA | NA | NA |
| 14482 | 2025-10-07 |
Localization and Risk Stratification of Thyroid Nodules in Ultrasound Images Through Deep Learning
2024-06, Ultrasound in medicine & biology
|
研究论文 | 开发结合深度学习和TI-RADS标准的集成系统，用于甲状腺结节超声图像的分割和风险分层 | 提出将Mask R-CNN深度学习模型与临床标准TI-RADS系统相结合的集成方法，实现甲状腺结节的同步分割和风险分层 | 研究仅针对TI-RADS 4级甲状腺结节，样本量相对有限（304张图像） | 开发能够同时进行甲状腺结节分割和风险分层的集成诊断系统 | 甲状腺结节超声图像 | 计算机视觉 | 甲状腺疾病 | 超声成像 | CNN | 图像 | 304张来自两个独立机构的甲状腺结节超声图像 | NA | Mask R-CNN | 准确率, 精确率-召回率曲线, 平均精度, Dice相似系数 | NA |
| 14483 | 2025-10-07 |
Statistical and Machine Learning Analysis in Brain-Imaging Genetics: A Review of Methods
2024-05, Behavior genetics
IF:2.6Q2
DOI:10.1007/s10519-024-10177-y
PMID:38336922
|
综述 | 本文综述了脑影像遗传学分析方法的发展历程，从早期大规模单变量分析到当前深度学习方法 | 系统梳理了脑影像遗传学方法学的演进路径，对比了不同方法的优缺点 | 作为综述文章，未提出新的分析方法 | 总结脑影像遗传学分析方法的发展与挑战 | 脑影像数据与遗传数据的整合分析方法 | 机器学习 | 脑部疾病 | 神经影像技术、基因组学技术 | 深度学习, 传统统计模型 | 影像数据, 遗传数据 | NA | NA | NA | NA | NA |
| 14484 | 2025-10-07 |
Positive Predictive Values of Abnormality Scores From a Commercial Artificial Intelligence-Based Computer-Aided Diagnosis for Mammography
2024-04, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.0907
PMID:38528692
|
研究论文 | 评估商业AI-CAD系统在乳腺X线摄影中异常评分的阳性预测值及其与临床和影像学发现的关系 | 首次系统评估深度学习商业AI-CAD系统异常评分的阳性预测值，并按评分分组分析其与恶性肿瘤风险的关联 | 回顾性研究设计，样本仅来自单一机构，高风险女性比例较低(0.6%) | 研究AI-CAD系统异常评分的临床意义和诊断价值 | 599名女性(平均年龄52.6岁)的656个乳腺，均接受乳腺X线摄影且AI-CAD结果阳性 | 数字病理 | 乳腺癌 | 乳腺X线摄影 | 深度学习 | 医学影像 | 656个乳腺(来自599名女性) | NA | 商业AI-CAD系统(Lunit Insight MMG) | 阳性预测值(PPV) | NA |
| 14485 | 2025-04-23 |
Uncover This Tech Term: Uncertainty Quantification for Deep Learning
2024-04, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2024.0108
PMID:38528697
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14486 | 2025-10-07 |
Automated Detection and Segmentation of Bone Metastases on Spine MRI Using U-Net: A Multicenter Study
2024-04, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.0671
PMID:38528694
|
研究论文 | 开发并评估用于脊柱MRI骨转移瘤自动分割和检测的深度学习模型 | 首次使用U-Net模型在多中心脊柱MRI数据上实现骨转移瘤的自动分割与检测，并与放射科医生性能进行对比 | 样本量相对有限，外部测试集仅包含49个MRI序列 | 开发自动检测和分割脊柱MRI骨转移瘤的深度学习模型 | 成人骨转移瘤患者的脊柱MRI扫描 | 医学影像分析 | 骨转移瘤 | MRI成像 | U-Net | 医学影像 | 训练集536个MRI序列（302名患者），内部测试126个序列，外部测试49个序列（20名患者） | NA | 2D U-Net, 3D U-Net | Dice系数, 像素级召回率, 像素级精确率, 每病灶敏感度, 自由响应接收器操作特性曲线 | NA |
| 14487 | 2025-10-07 |
Dark-Blood Computed Tomography Angiography Combined With Deep Learning Reconstruction for Cervical Artery Wall Imaging in Takayasu Arteritis
2024-04, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.1078
PMID:38528696
|
研究论文 | 评估结合深度学习重建的黑血CT血管成像在Takayasu动脉炎患者颈动脉壁成像中的图像质量 | 首次将黑血CTA与深度学习重建技术结合应用于Takayasu动脉炎的颈动脉壁成像 | 样本量较小（53例患者），单中心研究 | 评估黑血CTA结合深度学习重建在颈动脉壁成像中的图像质量 | Takayasu动脉炎患者的颈动脉 | 医学影像分析 | Takayasu动脉炎 | 计算机断层扫描血管成像（CTA） | 深度学习 | 医学影像 | 53例Takayasu动脉炎患者（平均年龄33.8±10.2岁，49名女性） | NA | NA | 对比噪声比（CNR），定性图像质量评分，诊断置信度指数 | NA |
| 14488 | 2025-10-07 |
Improving Diagnostic Performance of MRI for Temporal Lobe Epilepsy With Deep Learning-Based Image Reconstruction in Patients With Suspected Focal Epilepsy
2024-04, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2023.0842
PMID:38528695
|
研究论文 | 评估基于深度学习的图像重建技术对颞叶癫痫MRI诊断性能的提升效果 | 首次将深度学习图像重建技术应用于1.5毫米层厚MRI，显著提升颞叶癫痫的诊断敏感性 | 回顾性研究设计，样本量有限（117例患者），特异性较常规MRI有所降低 | 提高颞叶癫痫的MRI诊断准确性 | 117例疑似局灶性癫痫患者的MRI图像 | 医学影像分析 | 颞叶癫痫 | MRI，深度学习图像重建 | 深度学习 | 医学影像 | 117例患者（34例TLE患者，83例非TLE患者） | NA | NA | 敏感性，特异性，准确率，信噪比，对比噪声比 | NA |
| 14489 | 2025-10-07 |
USE-Evaluator: Performance metrics for medical image segmentation models supervised by uncertain, small or empty reference annotations in neuroimaging
2023-Dec, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102927
PMID:37672900
|
研究论文 | 本文提出了一种针对医学图像分割模型的性能评估方法，专门处理不确定、小范围或空参考标注的神经影像数据 | 针对医学图像分割中不确定、小范围或空参考标注的特殊情况，系统研究并提出了专门的评估指标和方法 | 研究主要基于脑卒中内部数据集，需要更多临床数据验证通用性 | 开发适用于临床环境中具有挑战性分割任务的医学图像分割模型性能评估指标 | 医学图像分割模型在神经影像数据上的性能评估 | 医学图像分析 | 脑卒中 | 医学图像分割 | 深度学习框架 | 医学影像 | 脑卒中内部数据集，并与BRATS 2019和脊髓公开数据集对比 | 标准深度学习框架 | NA | Dice系数及其他分割评估指标 | NA |
| 14490 | 2025-10-07 |
DTF-diffusion: A 3D equivariant diffusion generation model based on ligand-target information fusion
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种基于配体-靶点信息融合的三维等变扩散生成模型DTF-diffusion，用于生成与特定靶蛋白结合的合理药物分子 | 首次将配体与靶点的三维位置特征信息进行融合，并设计了化学规则判别模块来提升生成分子结构的合理性 | NA | 开发能够生成与特定靶蛋白结合且结构合理的药物分子的深度学习模型 | 药物分子和靶蛋白 | 机器学习 | NA | 扩散模型 | 扩散生成模型 | 三维分子结构数据 | 基于CrossDocket2020数据集 | NA | DTF-diffusion | 药物相似性指数，药物有效性指数 | NA |
| 14491 | 2025-10-07 |
Brain tumor segmentation and classification using MRI: Modified segnet model and hybrid deep learning architecture with improved texture features
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出一种基于MRI的脑肿瘤自动分割与分类方法，采用改进的Segnet模型和混合深度学习架构 | 提出改进的Segnet模型采用新池化操作，并开发结合Bi-LSTM和改进Linknet的混合深度学习架构，融合多种改进的纹理特征 | NA | 开发自动化的脑肿瘤分割与分类系统以提高诊断效率和准确性 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | 磁共振成像(MRI) | CNN, Bi-LSTM | 医学图像(MRI) | NA | NA | Modified Segnet, Bi-LSTM, Modified Linknet | 准确率 | NA |
| 14492 | 2025-04-22 |
PocketDTA: A pocket-based multimodal deep learning model for drug-target affinity prediction
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种基于口袋的多模态深度学习模型PocketDTA，用于药物-靶标亲和力预测 | 引入了口袋图结构，编码蛋白质残基特征作为节点，边代表不同的蛋白质序列和空间距离，克服了传统模型仅依赖蛋白质序列输入缺乏空间信息的限制 | 未明确提及具体局限性 | 提高药物-靶标亲和力预测的准确性和泛化能力 | 药物和蛋白质 | 机器学习 | NA | 深度学习 | 关系图卷积网络（Relational Graph Convolutional Networks） | 序列数据和结构数据 | 多个基准数据集（具体数量未提及） | NA | NA | NA | NA |
| 14493 | 2025-04-22 |
Multiple omics-based machine learning reveals specific macrophage sub-clusters in renal ischemia-reperfusion injury and constructs predictive models for transplant outcomes
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究通过多组学机器学习方法揭示了肾缺血再灌注损伤中特定的巨噬细胞亚群，并构建了移植结果的预测模型 | 创新性地将基因表达矩阵转化为独特的图形像素模块，并应用先进的计算机视觉处理算法构建DGF预测模型，同时使用10种机器学习算法的111种组合开发移植物存活的预测特征 | 研究主要基于GEO数据库的scRNA-Seq数据，可能需要更多独立队列验证模型的普适性 | 分析巨噬细胞在IRI中的发育和分化特征，识别IRI的特定分子亚型，并建立DGF和移植物存活的预测策略 | 肾缺血再灌注损伤中的巨噬细胞亚群和移植受者 | 数字病理 | 肾脏疾病 | scRNA-Seq, bulk RNA-Seq, qRT-PCR, WB, IHC | 深度学习算法, 随机生存森林算法 | 基因表达数据, 图像数据 | GEO数据库中的scRNA-Seq数据和小鼠IRI模型 | NA | NA | NA | NA |
| 14494 | 2025-04-22 |
On construction of data preprocessing for real-life SoyLeaf dataset & disease identification using Deep Learning Models
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
research paper | 该论文构建了一个真实的大豆叶片数据集SoyLeaf，并应用深度学习模型进行叶片病害识别 | 开发了包含9786张高质量大豆叶片图像的真实数据集SoyLeaf，并比较了多种预训练深度学习模型在该数据集上的表现 | 未提及模型在实际田间环境中的泛化能力测试 | 解决大豆叶片病害识别中高质量样本不足的问题 | 大豆叶片（健康与病害叶片） | computer vision | soybean leaf diseases | transfer learning | ResNet50V2, ResNet101V2, ResNet152V2, InceptionV3, InceptionResNetV2, MobileNet, MobileNetV2, DenseNet121, DenseNet169 | image | 9786张大豆叶片图像 | NA | NA | NA | NA |
| 14495 | 2025-04-22 |
Application of Machine Learning (ML) approach in discovery of novel drug targets against Leishmania: A computational based approach
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
review | 本文提出了一种基于机器学习的计算流程，用于预测抗利什曼病药物的活性 | 利用先进的机器学习和深度学习方法构建计算流程，克服传统方法的局限性 | 面临数据收集、特征提取和选择等挑战，需要进一步优化 | 优化抗利什曼病药物的发现和设计过程 | 具有抗利什曼活性的分子 | machine learning | leishmaniasis | machine learning, deep learning | NA | molecular structures | NA | NA | NA | NA | NA |
| 14496 | 2025-04-22 |
A critical address to advancements and challenges in computational strategies for structural prediction of protein in recent past
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
review | 本文回顾了计算蛋白质结构预测领域的历史演变，分析了最新模型的优缺点 | 探讨了深度学习模型如AlphaFold2、RoseTTAFold和OpenFold在蛋白质结构预测中的革命性应用 | 需要大量训练数据、计算资源需求高，以及在建模蛋白质动力学、内在无序区域和蛋白质-蛋白质相互作用方面存在困难 | 探索计算蛋白质结构预测的进展与挑战 | 蛋白质结构预测的计算方法 | computational biophysics | NA | homology modeling, threading, ab initio folding, deep learning | AlphaFold2, RoseTTAFold, OpenFold | protein sequences and structures | NA | NA | NA | NA | NA |
| 14497 | 2025-04-22 |
Drug-drug interaction prediction based on graph contrastive learning and dual-view fusion
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种基于图对比学习和双视图融合的药物相互作用预测模型GDF-DDI | 结合知识图谱网络和分子结构，通过双视图融合和图对比学习提取更丰富的药物嵌入信息 | 现有数据集中存在噪声和不完整数据，且数据量有限 | 提高药物相互作用(DDI)预测的性能 | 药物相互作用 | 机器学习 | NA | 图对比学习, 自监督学习 | GDF-DDI, 图卷积网络 | 分子图, 知识图谱网络 | 两个数据集 | NA | NA | NA | NA |
| 14498 | 2025-04-22 |
In silico discovery of novel compounds for FAK activation using virtual screening, AI-based prediction, and molecular dynamics
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 利用虚拟筛选、AI预测和分子动力学模拟发现新型FAK激活化合物 | 开发了一个新流程，结合虚拟筛选、AI预测和分子动力学模拟，从1000万种化合物中筛选出10种潜在FAK激活剂，并最终确定3种最有希望的候选化合物 | 研究仅进行了计算机模拟，缺乏体外和体内实验验证 | 识别能够增强FAK活性的化合物 | FAK(黏着斑激酶)及其潜在激活剂 | 计算生物学 | 癌症 | 虚拟筛选、分子对接模拟、分子动力学模拟、深度学习 | GLAM、elEmBERT | 化学化合物数据 | 从1000万种化合物开始筛选，最终确定3种候选化合物 | NA | NA | NA | NA |
| 14499 | 2025-04-22 |
Lung cancer detection and classification using optimized CNN features and Squeeze-Inception-ResNeXt model
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本文提出了一种基于深度学习的方法，用于利用胸部CT扫描图像对肺癌进行分类 | 结合Squeeze-Inception V3与ResNeXt的新型Squeeze-Inception-ResNeXt模型，以及使用Slime Mould Algorithm (SMA)优化CNN特征提取 | 未提及具体的数据集来源或样本多样性，可能影响模型的泛化能力 | 开发一种高效的计算机辅助诊断系统，以提高肺癌的早期检测和分类准确性 | 胸部CT扫描图像中的肺结节 | 数字病理学 | 肺癌 | 计算机断层扫描(CT) | CNN, Squeeze-Inception-ResNeXt | 图像 | NA | NA | NA | NA | NA |
| 14500 | 2025-04-22 |
pACPs-DNN: Predicting anticancer peptides using novel peptide transformation into evolutionary and structure matrix-based images with self-attention deep learning model
2025-Aug, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种基于自注意力深度学习模型pACPs-DNN，用于准确预测抗癌肽(ACPs)和非ACPs | 将输入肽转化为基于残基能量接触矩阵(RECM)、替代矩阵表示(SMR)和位置特异性评分矩阵(PSSM)的图像表示，并采用局部二值模式(LBP)分解捕捉增强的结构和局部语义特征 | 未提及具体的数据集规模限制或模型计算资源需求 | 开发一种高效预测抗癌肽的深度学习模型，以推进癌症相关治疗药物的研发 | 抗癌肽(ACPs)和非ACPs | 机器学习 | 癌症 | 残基能量接触矩阵(RECM)、替代矩阵表示(SMR)、位置特异性评分矩阵(PSSM)、局部二值模式(LBP) | 自注意力深度神经网络(DNN) | 肽序列数据 | 未明确提及具体样本数量，但在独立数据集Ind-I和Ind-II上进行了验证 | NA | NA | NA | NA |