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 32373 篇文献，本页显示第 14921 - 14940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14921 | 2025-10-07 |
A deep learning quantification of patient specificity as a predictor of session attendance and treatment response to internet-enabled cognitive behavioural therapy for common mental health disorders
2024-04-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.01.134
PMID:38244796
|
研究论文 | 本研究使用深度学习模型评估患者对话特异性对网络认知行为疗法出席率和治疗效果的影响 | 首次使用深度学习量化患者对话特异性，并分析其与治疗结果的关系 | 无法从数据中推断因果关系 | 评估患者对话特异性是否能够预测治疗结束时的症状水平和疗程完成情况 | 接受网络认知行为疗法的常见心理健康障碍患者 | 自然语言处理 | 常见心理健康障碍 | 深度学习 | 深度学习模型 | 文本 | 65,030名参与者，353,614次治疗会话 | NA | NA | 线性混合效应模型 | NA |
| 14922 | 2025-10-07 |
Pediatric ECG-Based Deep Learning to Predict Left Ventricular Dysfunction and Remodeling
2024-03-19, Circulation
IF:35.5Q1
|
研究论文 | 本研究开发了一种基于心电图的深度学习模型，用于预测儿童左心室功能障碍和重构 | 首次将人工智能增强的心电图分析应用于儿科人群，并在外部验证中表现出色，模型对左心室肥厚的预测甚至超过了儿科心脏病专家的基准 | 研究排除了主要先天性心脏病患者，可能限制了模型的普适性 | 开发一种低成本筛查儿童左心室功能障碍和重构的方法 | 18岁以下无主要先天性心脏病的儿科患者 | 数字病理 | 心血管疾病 | 心电图, 超声心动图 | CNN | 心电图信号, 医学影像 | 训练队列：92,377对心电图-超声心动图配对数据（46,261名患者）；测试队列包括内部测试12,631名患者、急诊科2,830名患者和外部验证5,088名患者 | NA | 卷积神经网络 | AUROC, AUPRC, 阴性预测值 | NA |
| 14923 | 2025-10-07 |
ANN multi-layer perceptron for prediction of blood-brain barrier permeable compounds for central nervous system therapeutics
2024-Mar-18, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2326671
PMID:38497749
|
研究论文 | 开发人工神经网络模型预测血脑屏障通透性化合物，用于中枢神经系统药物筛选 | 使用大规模数据集构建ANN多层感知器模型，在BBB通透性预测中实现高精度性能 | 仅基于化学结构预测BBB通透性存在困难 | 预测化合物的血脑屏障通透性以促进中枢神经系统药物研发 | 具有血脑屏障通透潜力的化学化合物 | 机器学习 | 中枢神经系统疾病 | 机器学习算法 | ANN多层感知器 | 化学结构数据 | 大型数据集（具体数量未提及） | NA | 多层感知器 | 准确率,特异性,敏感性,AUC,MCC | NA |
| 14924 | 2025-10-07 |
Deep-VEGF: deep stacked ensemble model for prediction of vascular endothelial growth factor by concatenating gated recurrent unit with two-dimensional convolutional neural network
2024-Mar-07, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2323144
PMID:38450715
|
研究论文 | 提出了一种基于深度堆叠集成学习的Deep-VEGF模型，用于从蛋白质一级序列预测血管内皮生长因子 | 开发了新颖的KSTS-BPSSM特征描述符，并首次将GRU与二维CNN通过堆叠集成方法结合用于VEGF预测 | NA | 开发准确预测血管内皮生长因子的计算方法 | 血管内皮生长因子(VEGF)蛋白质序列 | 生物信息学 | 癌症、糖尿病视网膜病变、黄斑变性、关节炎 | 蛋白质序列分析 | GRU, GAN, CNN | 蛋白质一级序列 | NA | NA | GRU, CNN, 堆叠集成模型 | 准确率 | NA |
| 14925 | 2025-10-07 |
CMNet: deep learning model for colon polyp segmentation based on dual-branch structure
2024-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.2.024004
PMID:38525292
|
研究论文 | 提出基于双分支结构的深度学习模型CMNet用于结肠息肉分割 | 采用CNN与Transformer结合的双分支结构，引入深度可分离卷积和条纹池化模块，提出聚合注意力模块实现高维语义信息融合 | NA | 开发用于结肠息肉分割的深度学习模型以辅助医疗诊断 | 结肠息肉 | 计算机视觉 | 结肠癌 | 深度学习 | CNN, Transformer | 医学图像 | Kvasir-SEG数据集上的五折交叉验证 | NA | ResNet, 双分支结构 | mIoU, mDice | NA |
| 14926 | 2025-10-07 |
Deep Hair Phenomics: Implications in Endocrinology, Development, and Aging
2025-Apr, The Journal of investigative dermatology
IF:5.7Q1
DOI:10.1016/j.jid.2024.08.014
PMID:39236901
|
研究论文 | 开发了一种基于深度学习的计算机视觉方法，用于高通量量化单个毛发纤维 | 创新的计算机视觉工具能够区分和提取重叠的毛发纤维进行多变量特征量化 | NA | 探索激素信号、基因修饰和衰老对毛囊输出的影响 | 小鼠毛发纤维 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | NA | NA |
| 14927 | 2025-03-22 |
Author Correction: A study on hybrid-architecture deep learning model for predicting pressure distribution in 2D airfoils
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93621-1
PMID:40113839
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14928 | 2025-10-07 |
This Microtubule Does Not Exist: Super-Resolution Microscopy Image Generation by a Diffusion Model
2025-Mar, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202400672
PMID:39400948
|
研究论文 | 本研究探索使用扩散模型生成超分辨率显微镜图像，并验证其在数据增强方面的应用价值 | 首次将扩散模型应用于超分辨率显微镜图像生成，证明其能产生逼真的合成图像且训练记忆程度较低 | 仅使用少量实验图像进行验证，未在大规模数据集上测试 | 开发用于显微镜图像生成的扩散模型，解决显微镜图像采集和标注的限制 | 超分辨率显微镜图像 | 计算机视觉 | NA | 超分辨率显微镜，扩散模型 | 扩散模型 | 显微镜图像 | 少量实验图像 | NA | 扩散模型 | 重建质量，空间分辨率 | NA |
| 14929 | 2025-10-07 |
Advancing healthcare practice and education via data sharing: demonstrating the utility of open data by training an artificial intelligence model to assess cardiopulmonary resuscitation skills
2025-Feb, Advances in health sciences education : theory and practice
IF:3.0Q2
DOI:10.1007/s10459-024-10369-5
PMID:39249618
|
研究论文 | 通过构建心肺复苏技能视频数据库并开发AI评估工具，展示数据共享在医疗专业教育中的价值 | 首次结合多角度视频数据与专家评分，开发基于姿态估计和深度学习的心肺复苏技能自动评估系统 | 样本量较小（仅40名参与者），缺乏外部验证 | 推动医疗专业教育数据共享文化，开发临床技能自动评估工具 | 心肺复苏技能表现视频数据 | 计算机视觉 | 心血管疾病 | 视频记录、3D运动重建 | 深度学习网络 | 视频 | 40名参与者的多角度视频数据 | NA | NA | NA | NA |
| 14930 | 2025-10-07 |
Development and external validation of a dynamic risk score for early prediction of cardiogenic shock in cardiac intensive care units using machine learning
2024-Jun-30, European heart journal. Acute cardiovascular care
DOI:10.1093/ehjacc/zuae037
PMID:38518758
|
研究论文 | 开发并外部验证了一种基于深度学习的动态风险评分系统CShock，用于早期预测心脏重症监护室患者的心源性休克 | 首次开发了动态风险评分系统CShock，能够利用常规临床数据实现心源性休克的早期自动化预测 | 研究样本量相对有限，外部验证队列仅包含131名患者 | 改善心脏重症监护室心源性休克的早期检测和预警 | 心脏重症监护室收治的急性失代偿性心力衰竭和/或心肌梗死患者 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习模型 | 结构化临床数据，包括人口统计学、实验室检查、生命体征、超声心动图和心导管报告特征 | 训练集1500名患者（其中204名心源性/混合性休克），外部验证集131名患者（其中25名心源性/混合性休克） | NA | NA | AUROC | NA |
| 14931 | 2025-03-23 |
Automated Cone Photoreceptor Detection in Adaptive Optics Flood Illumination Ophthalmoscopy
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100675
PMID:40114708
|
研究论文 | 本文开发并验证了一种基于深度学习的模型，用于在自适应光学泛光照明眼底成像（AO-FIO）中检测视锥细胞 | 该研究首次使用基于U-Net架构的深度学习模型进行视锥细胞的自动检测，并在多个医疗中心进行了验证，表现优于制造商的自动检测软件 | 研究仅涉及健康志愿者，未涵盖患有眼部疾病的患者，且样本量相对较小 | 开发一种自动检测视锥细胞的深度学习模型，以提高检测效率和准确性 | 健康志愿者的视锥细胞 | 计算机视觉 | NA | 自适应光学泛光照明眼底成像（AO-FIO） | U-Net | 图像 | 36名健康志愿者，每只眼睛采集21张AO-FIO图像 | NA | NA | NA | NA |
| 14932 | 2025-03-23 |
AlphaMissense Predictions and ClinVar Annotations: A Deep Learning Approach to Uveal Melanoma
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100673
PMID:40114711
|
研究论文 | 本文探讨了使用深度学习工具AlphaMissense评估葡萄膜黑色素瘤（UM）中基因突变的功能影响 | 使用AlphaMissense工具对UM中的错义突变进行功能影响评估，并与ClinVar数据库中的临床意义进行交叉验证 | 仅分析了COSMIC数据库中的错义突变，且只有40.4%的突变在ClinVar中有对应数据 | 评估UM中基因突变的致病性，以改进基因组诊断和个性化治疗策略 | 葡萄膜黑色素瘤（UM）患者的基因数据 | 生物信息学 | 葡萄膜黑色素瘤 | 深度学习 | AlphaMissense, AlphaFold | 基因突变数据 | 1310个UM中的错义突变，其中151个独特错义突变被分析 | NA | NA | NA | NA |
| 14933 | 2025-10-07 |
Progress in the Identification and Design of Novel Antimicrobial Peptides Against Pathogenic Microorganisms
2025-Apr, Probiotics and antimicrobial proteins
IF:4.4Q2
DOI:10.1007/s12602-024-10402-4
PMID:39557756
|
综述 | 本综述评估了抗菌肽识别与设计领域的最新进展及其对多种细菌病原体的显著抗菌活性 | 重点关注计算机辅助策略（如机器学习和深度学习）在新型抗菌肽预测和设计中的应用，克服传统抗生素发现方法的局限性 | 未明确说明具体研究数据来源的局限性，但指出抗菌肽发现和应用过程中存在关键挑战 | 应对抗菌素耐药性危机，开发新型抗生素替代品 | 抗菌肽及其对多种细菌病原体的作用 | 生物信息学 | 细菌感染 | 机器学习，深度学习，生物信息学分析流程 | ML, DL | 多源生物数据（植物、动物、人类、微生物来源） | NA | NA | NA | NA | NA |
| 14934 | 2025-10-07 |
A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain
2025-Apr, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-024-06994-2
PMID:39585354
|
研究论文 | 提出一种基于小波域的深度学习方法WaveNet，用于从超低剂量PET扫描中恢复标准剂量成像质量 | 首次将小波分解的频率分量作为输入，在频域而非传统空间域进行PET图像去噪 | 研究仅使用特定型号的全身体PET扫描仪数据，未在其他类型设备上验证 | 开发能够从超低剂量PET扫描中恢复高质量成像的深度学习方法 | 全身体18F-FDG PET图像 | 医学影像处理 | NA | PET成像 | 深度学习 | 医学图像 | 1447例全身体PET图像 | NA | WaveNet, UNet | 加权全局物理指标, 局部指标 | NA |
| 14935 | 2025-10-07 |
Robust and interpretable deep learning system for prognostic stratification of extranodal natural killer/T-cell lymphoma
2025-Apr, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-024-07024-x
PMID:39714634
|
研究论文 | 开发并验证了用于结外自然杀伤/T细胞淋巴瘤预后风险分层的可解释深度学习预测系统DeepENKTCL | 结合肿瘤分割模型、PET/CT融合模型和预后预测模型，利用SHAP分析增强可解释性，构建了融合放射组学和拓扑特征的预后评分系统 | 样本量相对有限（562例患者），仅来自四个中心 | 开发可解释的深度学习系统用于ENKTCL的预后风险分层 | 结外自然杀伤/T细胞淋巴瘤（ENKTCL）患者 | 数字病理 | 淋巴瘤 | PET/CT成像，放射组学分析 | 深度学习模型 | 医学影像（PET/CT） | 562例来自四个中心的患者 | NA | NA | AUC, 时间依赖性C指数, 临床决策曲线, Kaplan-Meier曲线 | NA |
| 14936 | 2025-10-07 |
Stroke Management and Analysis Risk Tool (SMART): An interpretable clinical application for diabetes-related stroke prediction
2025-Apr, Nutrition, metabolism, and cardiovascular diseases : NMCD
DOI:10.1016/j.numecd.2024.103841
PMID:39939252
|
研究论文 | 开发了一个名为SMART的可解释性糖尿病相关卒中预测临床应用程序 | 结合多种特征选择方法和机器学习算法，开发了专门针对糖尿病患者卒中预测的可解释性临床工具 | 数据来源于单一医疗中心，可能影响模型的泛化能力 | 分析糖尿病患者卒中风险因素并创建可解释的卒中预测模型 | 糖尿病患者 | 机器学习 | 卒中 | 电子健康记录(EHR)数据分析 | Random Forest, DNN | 临床数据和实验室参数 | 20,014名患者 | NA | 深度神经网络 | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 14937 | 2025-10-07 |
Developing Brain-Based Bare-Handed Human-Machine Interaction via On-Skin Input
2025-Apr, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3533088
PMID:40036449
|
研究论文 | 提出一种名为MetaSkin的新型神经触觉接口，通过整合神经信号与皮肤表面交互实现裸手免视觉的人机交互 | 首次将神经信号与皮肤表面交互相结合，利用人体自然本体感觉能力开发裸手免视觉交互系统 | 需要针对不同用户群体和动态环境进行系统优化 | 开发自然、直观、以人为中心的移动人机交互输入系统 | 12名参与者 | 人机交互 | NA | 神经信号解码 | 深度学习 | 神经信号 | 12名参与者 | NA | 多尺度时频特征表示和选择性特征注意力 | 准确率 | NA |
| 14938 | 2025-10-07 |
Collaborative Deep Learning and Information Fusion of Heterogeneous Latent Variable Models for Industrial Quality Prediction
2025-Apr, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3537809
PMID:40036535
|
研究论文 | 提出了一种用于工业质量预测的协同深度学习和异构潜变量模型信息融合框架 | 结合协同逐层特征提取和异构模型集成，通过信息融合提升预测性能 | 仅通过两个工业案例验证，需要更多场景测试 | 提升工业质量预测的准确性和稳定性 | 工业过程数据和质量指标 | 机器学习 | NA | 潜变量模型 | 深度学习, 集成学习 | 工业过程数据 | 两个真实工业案例 | NA | 潜变量模型 | 预测准确度, 稳定性 | NA |
| 14939 | 2025-10-07 |
Co-Training Broad Siamese-Like Network for Coupled-View Semi-Supervised Learning
2025-Apr, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3531441
PMID:40036533
|
研究论文 | 提出一种用于耦合视图半监督学习的协同训练宽孪生网络 | 使用基于宽学习系统的简单浅层网络替代复杂深度学习结构，通过直接伪逆计算取代反向传播迭代，并利用跨视图一致性通过直接逻辑向量映射指导训练 | 未在摘要中明确说明研究局限性 | 解决多视图半监督学习中标记数据有限的问题 | 多视图数据分类任务 | 机器学习 | NA | 半监督学习 | 宽孪生网络 | 多视图数据 | NA | 宽学习系统(BLS) | Co-BSLN | 准确率, 训练时间 | NA |
| 14940 | 2025-10-07 |
Robust enzyme discovery and engineering with deep learning using CataPro
2025-Mar-20, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58038-4
PMID:40108140
|
研究论文 | 开发基于深度学习的CataPro模型用于酶动力学参数预测和工程改造 | 构建无偏数据集评估现有方法性能，结合预训练模型和分子指纹开发高精度泛化能力的CataPro模型 | 未明确说明模型在更广泛酶家族中的泛化能力 | 提高酶动力学参数预测准确性以促进酶发现和改造 | 酶动力学参数（kcat, Km, kcat/Km） | 机器学习 | NA | 深度学习 | 深度学习模型 | 分子指纹、序列数据 | NA | NA | 预训练模型结合分子指纹 | 准确率、泛化能力 | NA |