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 15081 - 15100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15081 | 2025-10-07 |
Behavioral tests for the assessment of social hierarchy in mice
2025, Frontiers in behavioral neuroscience
IF:2.6Q3
DOI:10.3389/fnbeh.2025.1549666
PMID:40110389
|
综述 | 本文总结了评估小鼠社会等级的主要行为学方法，探讨了其适用性、局限性及神经机制 | 系统评估现有社会等级评估方法并提出改进方案，强调性别差异研究的重要性 | 现有研究主要关注雄性小鼠，雌性小鼠的社会策略和生理机制研究不足 | 为研究社会行为的神经机制提供系统性参考框架和方法学指导 | 小鼠社会等级行为 | 行为神经科学 | 精神疾病（抑郁、焦虑） | 行为学测试、自动化追踪技术 | NA | 行为数据、生理数据 | NA | NA | NA | NA | NA |
| 15082 | 2025-10-07 |
Machine Learning-Based Prediction Model for ICU Mortality After Continuous Renal Replacement Therapy Initiation in Children
2024-Dec-01, Critical care explorations
DOI:10.1097/CCE.0000000000001188
PMID:39688905
|
研究论文 | 开发基于机器学习的预测模型，用于预测儿童和年轻成人接受连续肾脏替代治疗后ICU死亡率 | 首次开发用于预测儿童和年轻成人CRRT患者ICU和医院存活率的机器学习模型 | 样本量有限，输入变量需要扩展，特征选择方法需要优化 | 预测接受连续肾脏替代治疗的儿童和年轻患者的ICU和医院存活率 | 25岁以下因急性肾损伤和/或容量超负荷接受CRRT的儿童和年轻成人患者 | 机器学习 | 肾脏疾病 | 连续肾脏替代疗法 | 逻辑回归,决策树,随机森林,梯度提升机,支持向量机 | 临床数据 | 933名患者（80%训练集，20%测试集） | NA | NA | AUROC, AUPRC | NA |
| 15083 | 2025-10-07 |
Deep learning-based temporal deconvolution for photon time-of-flight distribution retrieval
2024-Nov-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.533923
PMID:39546693
|
研究论文 | 提出一种基于深度学习的时序解卷积方法，用于从荧光寿命成像中恢复真实光子飞行时间分布 | 首次将深度学习模型专门应用于荧光寿命成像中的解卷积任务，无需复杂的计算策略和正则化项 | 模型训练和验证主要基于模拟数据，实际应用效果需进一步验证 | 开发准确高效的光子飞行时间分布恢复方法 | 荧光寿命成像中的光子飞行时间分布 | 生物医学成像 | NA | 荧光寿命成像(FLI)、扩散光学成像 | 深度学习模型 | 时间分辨成像数据 | 模拟FLI数据、体外实验、临床前体内研究 | NA | NA | 准确性、鲁棒性、灵活性 | NA |
| 15084 | 2025-10-07 |
A deep profile of gene expression across 18 human cancers
2024-Oct-26, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.17.585426
PMID:38559197
|
研究论文 | 提出DeepProfile框架，利用无监督深度学习分析18种人类癌症的基因表达数据 | 开发了具有生物可解释性的无监督深度学习框架，能够从大规模基因表达数据中提取有价值的生物学信息 | 未明确说明模型在独立验证集上的性能表现及计算资源需求 | 利用无监督深度学习挖掘癌症基因表达数据中的生物学信息 | 18种人类癌症的50,211个转录组数据 | 机器学习 | 多癌种研究 | 基因表达分析，转录组测序 | 深度学习 | 基因表达数据 | 50,211个转录组样本，涵盖18种癌症类型 | NA | NA | 生物可解释性评估，Kaplan-Meier生存分析 | NA |
| 15085 | 2025-10-07 |
Evolution of white matter hyperintensity segmentation methods and implementation over the past two decades; an incomplete shift towards deep learning
2024-Oct, Brain imaging and behavior
IF:2.4Q2
DOI:10.1007/s11682-024-00902-w
PMID:39083144
|
系统综述 | 系统回顾了过去二十年白质高信号分割方法的演变历程和实施情况 | 首次系统性地分析了过去二十年WMH分割工具的方法学演变，特别关注了深度学习技术的兴起趋势 | 仅包含公开可用技术且详细描述方法的文献，可能遗漏部分商业或未公开方法 | 分析白质高信号分割方法的发展趋势和实施差异 | 白质高信号分割工具和方法 | 医学影像分析 | 神经系统疾病 | 系统综述方法 | 深度学习,传统图像分割方法 | 医学影像数据 | 1007个视觉评分量表研究,118个流程开发文章,509个实施文章 | NA | NA | 评估标准 | NA |
| 15086 | 2025-10-07 |
A Deep Learning Model for Predicting Molecular Subtype of Breast Cancer by Fusing Multiple Sequences of DCE-MRI From Two Institutes
2024-09, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.03.002
PMID:38637240
|
研究论文 | 开发深度学习模型通过融合两个机构的DCE-MRI多序列数据预测乳腺癌分子亚型 | 提出多分支卷积神经网络架构，采用外观变换技术缓解小数据和类别不平衡问题，并探索不同ROI和融合策略 | 样本量相对有限，部分亚型预测结果未达到统计学显著性 | 评估深度学习在利用DCE-MRI预测乳腺癌分子亚型方面的性能 | 乳腺癌患者 | 医学影像分析 | 乳腺癌 | DCE-MRI | CNN, CLSTM, MBCNN | 医学影像 | 366例乳腺癌患者（训练集292例，验证集49例，测试集25例） | NA | 多分支卷积神经网络 | AUC, 准确率 | NA |
| 15087 | 2025-10-07 |
Develop and Validate a Nomogram Combining Contrast-Enhanced Spectral Mammography Deep Learning with Clinical-Pathological Features to Predict Neoadjuvant Chemotherapy Response in Patients with ER-Positive/HER2-Negative Breast Cancer
2024-09, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.03.035
PMID:38641451
|
研究论文 | 开发并验证结合对比增强光谱乳腺摄影深度学习与临床病理特征的列线图，用于预测ER阳性/HER2阴性乳腺癌患者的新辅助化疗反应 | 首次将CESM深度学习特征与临床病理特征结合构建预测新辅助化疗反应的列线图 | 回顾性研究设计，样本量相对有限(265例患者) | 预测ER阳性/HER2阴性乳腺癌患者的新辅助化疗反应 | ER阳性/HER2阴性乳腺癌患者 | 数字病理 | 乳腺癌 | 对比增强光谱乳腺摄影(CESM) | 深度学习,逻辑回归 | 医学影像(低能量和减影CESM图像),临床病理数据 | 265例乳腺癌患者，按4:1比例分为训练集和测试集 | PyTorch | ResNet34 | ROC曲线下面积,准确率,特异性,召回率,阴性预测值,阳性预测值,平衡准确率,F1分数,决策曲线分析 | NA |
| 15088 | 2025-10-07 |
Deep Learning-Based Reconstruction Improves the Image Quality of Low-Dose CT Colonography
2024-08, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.01.021
PMID:38290889
|
研究论文 | 评估基于深度学习的重建方法在低剂量CT结肠成像中的图像质量改善效果 | 首次系统比较深度学习重建与迭代重建在低剂量CT结肠成像中的性能表现 | 样本仅来自单一中心，未进行多中心验证 | 评估深度学习重建技术在低剂量CT结肠成像中的图像质量 | 270名成年志愿者（平均年龄47.94岁，115名男性） | 医学影像 | 结直肠癌 | CT结肠成像 | 深度学习 | 医学影像 | 270名志愿者，按BMI分为四组 | NA | NA | 噪声、信噪比(SNR)、对比噪声比(CNR)、主观图像质量评分 | NA |
| 15089 | 2025-10-07 |
Research Progress of Artificial Intelligence in the Grading and Classification of Meningiomas
2024-08, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.02.003
PMID:38413314
|
综述 | 本文总结分析了人工智能在脑膜瘤分级分类中的研究进展，重点关注影像组学和深度学习的应用 | 系统梳理了AI技术在脑膜瘤分级分类领域的最新研究成果和发展趋势 | 现有研究存在数据样本有限、模型泛化能力不足等问题 | 促进人工智能在脑膜瘤诊疗中的未来应用 | 脑膜瘤患者 | 医学影像分析 | 脑膜瘤 | 影像组学, 深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 15090 | 2025-10-07 |
A Transvaginal Ultrasound-Based Deep Learning Model for the Noninvasive Diagnosis of Myometrial Invasion in Patients with Endometrial Cancer: Comparison with Radiologists
2024-07, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2023.12.035
PMID:38182443
|
研究论文 | 开发基于经阴道超声的深度学习模型用于无创诊断子宫内膜癌患者肌层浸润程度 | 首次将深度学习模型应用于经阴道超声图像评估子宫内膜癌肌层浸润，并与15名放射科医生进行性能比较 | 研究样本来自多个中心但外部测试集样本量相对较小（95例患者） | 评估深度学习模型在诊断子宫内膜癌肌层浸润程度方面的可行性 | 子宫内膜癌患者 | 计算机视觉 | 子宫内膜癌 | 超声成像 | CNN | 图像 | 604例患者的1289张超声图像（训练集和内部验证集），95例患者作为外部测试集 | NA | EfficientNet-B6 | 准确率, 灵敏度, 特异性, AUC, 阳性似然比, 阴性似然比 | NA |
| 15091 | 2025-10-07 |
nnU-Net-Based Pancreas Segmentation and Volume Measurement on CT Imaging in Patients with Pancreatic Cancer
2024-07, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.01.004
PMID:38350812
|
研究论文 | 基于nnU-Net开发用于胰腺癌患者CT影像中胰腺分割和体积测量的深度学习方法 | 首次将3D nnU-Net架构应用于胰腺癌患者的胰腺自动分割和体积测量 | 回顾性研究设计，样本量相对有限 | 开发并验证基于深度学习的胰腺分割和体积自动测量方法 | 胰腺癌患者和正常人的胰腺CT影像 | 医学影像分析 | 胰腺癌 | CT成像 | CNN | 3D CT图像 | 851例门静脉期CT图像（499例胰腺癌，352例正常胰腺） | nnU-Net | 3D nnU-Net | Dice相似系数 | NA |
| 15092 | 2025-10-07 |
Improving Image Quality and Nodule Characterization in Ultra-low-dose Lung CT with Deep Learning Image Reconstruction
2024-07, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.01.010
PMID:38429189
|
研究论文 | 本研究探讨深度学习图像重建在超低剂量肺部CT中对图像质量和肺结节定量分析的影响 | 首次在超低剂量肺部CT中比较深度学习图像重建与传统迭代重建对肺结节特征分析的影响 | 样本量较小（56例患者），仅使用单一CAD软件进行分析 | 评估深度学习图像重建在超低剂量肺部CT中对图像质量和结节特征分析的影响 | 疑似肺结节患者（56例）和检测到的104个肺结节 | 计算机视觉 | 肺癌 | CT成像 | 深度学习图像重建 | 医学影像 | 56例患者，104个肺结节（51个实性结节，26个钙化结节，27个亚实性结节） | NA | NA | 结节长度、宽度、密度、体积、风险评分、分类准确性、图像质量评分 | NA |
| 15093 | 2024-08-07 |
Correction: Displacement detection with sub-pixel accuracy and high spatial resolution using deep learning
2024-Jul, Journal of medical ultrasonics (2001)
DOI:10.1007/s10396-024-01460-w
PMID:38787517
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15094 | 2025-10-07 |
DeepLabCut-based daily behavioural and posture analysis in a cricket
2024-04-15, Biology open
IF:1.8Q3
DOI:10.1242/bio.060237
PMID:38533608
|
研究论文 | 使用DeepLabCut深度学习技术对蟋蟀日常行为和姿势进行长期自动分析 | 首次将DeepLabCut应用于蟋蟀行为分析，实现多行为同步量化并通过姿势而非传统静止时间评估睡眠样状态 | 仅针对单个蟋蟀进行验证，未涉及群体行为交互分析 | 开发自动化系统研究昆虫昼夜节律调控的神经机制 | 蟋蟀（Gryllus bimaculatus）个体 | 计算机视觉 | NA | 深度学习行为分析 | 监督机器学习 | 视频图像 | 单个蟋蟀（具体数量未明确说明） | DeepLabCut | NA | 置信度评分 | NA |
| 15095 | 2025-10-07 |
Examining evolutionary scale modeling-derived different-dimensional embeddings in the antimicrobial peptide classification through a KNIME workflow
2024-Apr, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.4928
PMID:38501511
|
研究论文 | 本研究通过KNIME工作流评估ESM-2模型生成的不同维度嵌入在抗菌肽分类中的效果 | 首次系统比较ESM-2模型不同维度嵌入在抗菌肽分类中的表现，并开发可复现的KNIME工作流确保方法公平性 | 研究发现ESM-2嵌入中43%-66%的特征未被使用，存在特征冗余问题 | 评估进化尺度建模衍生的不同维度嵌入在抗菌肽分类中的有效性 | 抗菌肽(AMPs) | 生物信息学 | NA | 进化尺度建模(ESM-2), QSAR建模 | QSAR模型 | 蛋白质序列嵌入 | NA | KNIME | ESM-2(30层和33层变体) | 统计性能指标 | NA |
| 15096 | 2025-03-21 |
A full-stack platform for spiking deep learning
2023-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00565-5
PMID:38177599
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15097 | 2025-03-21 |
Accurately predicting molecular spectra with deep learning
2023-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00553-9
PMID:38177595
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15098 | 2025-10-07 |
A deep learning model for predicting selected organic molecular spectra
2023-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00550-y
PMID:38177591
|
研究论文 | 开发了一种结合E(3)等变群和自注意力机制的深度学习模型DetaNet，用于高效预测分子光谱 | 结合E(3)等变群和自注意力机制，能够生成包括标量、向量及高阶张量在内的多种分子性质，达到量子化学计算精度 | 基于QM9S数据集进行验证，尚未在其他数据集上测试泛化能力 | 提高分子光谱预测的效率和准确性 | 有机分子光谱 | 机器学习 | NA | 深度学习 | 图神经网络 | 分子结构数据 | 130,000个分子物种 | NA | E(3)-等变网络,自注意力机制 | 量子化学计算精度 | NA |
| 15099 | 2025-10-07 |
High-throughput property-driven generative design of functional organic molecules
2023-Feb, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-022-00391-1
PMID:38177626
|
研究论文 | 本研究开发了一种结合生成式深度学习与监督式深度学习的分子设计方法，用于高效发现具有优化电子特性的有机分子 | 通过将预测分子三维构象的生成模型与预测电子特性的监督模型相结合，实现了对多个分子特性的帕累托优化，无需在预测过程中进行量子化学计算 | 方法主要针对有机电子学应用进行验证，在其他材料领域的适用性需要进一步测试 | 开发高效的功能性有机分子生成设计方法 | 有机分子 | 机器学习 | NA | 深度学习 | 生成式深度学习模型, 监督式深度学习模型 | 分子三维构象数据, 电子结构数据 | NA | NA | NA | 帕累托最优性 | NA |
| 15100 | 2025-10-07 |
Dimensionally consistent learning with Buckingham Pi
2022-Dec, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-022-00355-5
PMID:38177386
|
研究论文 | 提出基于白金汉π定理的数据驱动方法，通过对称性和自相似结构自动发现最优无量纲群 | 将白金汉π定理作为约束条件，开发了三种数据驱动技术来发现最优无量纲群 | 方法在三个示例问题中验证但需进一步测试更复杂系统 | 开发自动发现物理系统最优无量纲群的数据驱动方法 | 物理系统的测量数据和参数 | 机器学习 | NA | 无量纲分析 | 深度学习, 稀疏识别 | 物理测量数据 | NA | NA | BuckiNet | 准确度, 鲁棒性, 计算复杂度 | NA |