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 15461 - 15480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15461 | 2025-10-07 |
Automated Euler number of the alveolar capillary network based on deep learning segmentation with verification by stereological methods
2025-Apr, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.13390
PMID:39887731
|
研究论文 | 本研究开发基于深度学习的自动化方法用于肺泡毛细血管网络的图像分割和定量分析 | 首次将2D深度学习方法应用于SBF-SEM数据的肺泡毛细血管网络分割，并与传统体视学方法进行验证比较 | 训练数据量有限，采用2D而非3D分割方法，分析数据量不足以获得BPD诱导的ACN改变的代表性数据 | 开发自动化的肺泡毛细血管网络定量分析方法 | 肺泡毛细血管网络 | 数字病理学 | 支气管肺发育不良 | 连续块面扫描电子显微镜 | 深度学习 | 电子显微镜图像 | 有限数量的SBF-SEM数据 | NA | NA | 分割质量评估，结果可靠性验证 | NA |
| 15462 | 2025-03-11 |
Accelerating polymer self-consistent field simulation and inverse DSA-lithography with deep neural networks
2025-Mar-14, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0255288
PMID:40062757
|
研究论文 | 本文提出了一种基于深度学习的方法，用于加速自洽场理论（SCFT）模拟，并通过深度神经网络（DNN）直接映射早期SCFT结果到平衡结构，显著减少了模拟时间 | 通过深度神经网络直接映射早期SCFT结果到平衡结构，避免了耗时的SCFT迭代，显著提高了模拟效率 | 需要生成训练数据集，且训练网络的成本可能较高 | 加速自洽场理论（SCFT）模拟，提高计算效率 | 嵌段共聚物（BCP）自组装 | 机器学习 | NA | 深度神经网络（DNN） | DNN | 模拟数据 | NA | NA | NA | NA | NA |
| 15463 | 2025-10-07 |
AI-Driven Drug Discovery for Rare Diseases
2025-Mar-10, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c01966
PMID:39689164
|
综述 | 探讨人工智能在罕见病药物发现领域的应用潜力与最新进展 | 系统阐述AI技术如何通过药物重定位、生物标志物发现等方法突破传统药物研发模式，填补罕见病研究领域的文献空白 | 作为综述文章，未涉及具体实验验证和原始数据 | 加速罕见病的治疗开发并改善患者预后 | 罕见病及其治疗方法的开发 | 机器学习 | 罕见病 | 机器学习(ML), 深度学习(DL) | NA | NA | 全球3亿患者（基于流行病学数据） | NA | NA | NA | NA |
| 15464 | 2025-03-11 |
Obtaining full-arch implant scan with smartphone video and deep learning: An in vitro investigation on trueness and precision
2025-Mar-08, Journal of prosthodontics : official journal of the American College of Prosthodontists
DOI:10.1111/jopr.14041
PMID:40055947
|
研究论文 | 本研究探讨了使用智能手机摄像头和深度学习模型生成的全牙弓种植体扫描的准确性 | 结合智能手机视频和深度学习模型生成全牙弓种植体扫描，展示了与口腔内扫描仪相似的准确性 | 该方法的准确性尚不足以用于临床应用 | 研究智能手机摄像头和深度学习模型生成全牙弓种植体扫描的准确性 | 上颌无牙模型上的6个种植体和扫描体 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 视频 | 10次重复实验 | NA | NA | NA | NA |
| 15465 | 2025-03-11 |
Systematic Review and Meta-Analysis of Radiation Dose Reduction Studies in Pediatric Head CT
2025-Mar-07, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8730
PMID:40054878
|
系统综述与荟萃分析 | 本文综述了降低儿童头部CT扫描中辐射剂量的研究，并提供了这些研究中辐射剂量减少百分比的荟萃分析 | 本文通过系统综述和荟萃分析，识别了降低儿童头部CT辐射剂量的最常用参数，并强调了临床适应症在比较剂量减少研究中的重要性 | 研究方案的异质性、不完整的方案/结果报告以及机构、扫描仪、患者人口统计和临床适应症的变异性限制了研究结果的普遍性 | 评估和总结降低儿童头部CT扫描中辐射剂量的策略和效果 | 儿童头部CT扫描 | 医学影像 | 儿科疾病 | CT扫描、迭代重建技术 | NA | 医学影像数据 | 20项研究 | NA | NA | NA | NA |
| 15466 | 2025-10-07 |
Impact of Downsampling Size and Interpretation Methods on Diagnostic Accuracy in Deep Learning Model for Breast Cancer Using Digital Breast Tomosynthesis Images
2025-Mar-06, The Tohoku journal of experimental medicine
DOI:10.1620/tjem.2024.J071
PMID:39048348
|
研究论文 | 研究下采样尺寸和图像插值方法对基于数字乳腺断层摄影的深度学习模型诊断准确性的影响 | 首次系统评估不同下采样尺寸和五种插值方法对乳腺癌症诊断深度学习模型性能的影响 | 回顾性研究，样本量相对有限（499例患者） | 优化深度学习模型的预处理步骤以提高乳腺癌症诊断准确性 | 接受乳腺断层摄影检查的患者 | 计算机视觉 | 乳腺癌 | 数字乳腺断层摄影 | 深度学习模型 | 医学图像 | 499例患者（29-90岁，平均50.5岁） | NA | NA | AUC, 95%置信区间 | NA |
| 15467 | 2025-10-07 |
Multimodal optimal matching and augmentation method for small sample gesture recognition
2025-Mar-06, Bioscience trends
IF:5.7Q1
DOI:10.5582/bst.2024.01370
PMID:39864830
|
研究论文 | 提出一种用于小样本手势识别的多模态最优匹配与增强方法，通过结合运动信息和表面肌电信号实现仅需单次采集的高效手势识别 | 引入运动信息到基于表面肌电信号的手势识别中，提出多模态最优匹配信号选择模块和相似度计算增强模块，显著减少数据采集需求 | 方法在特定患者群体和数据集上验证，通用性有待进一步验证 | 提高小样本手势识别的准确率并减少数据采集负担 | 手势识别，特别是针对非健康用户的手势识别 | 人机交互 | 中风 | 表面肌电信号(sEMG)，运动信息 | 深度学习模型 | 生理信号数据，多模态数据 | 自收集中风患者数据，Ninapro DB1数据集，Ninapro DB5数据集 | NA | 多模态最优匹配信号选择模块，相似度计算增强模块，模态类型嵌入模块 | 准确率 | NA |
| 15468 | 2025-10-07 |
MetAssimulo 2.0: a web app for simulating realistic 1D and 2D metabolomic 1H NMR spectra
2025-Mar-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf045
PMID:39862393
|
研究论文 | 介绍MetAssimulo 2.0——一个用于模拟真实1D和2D代谢组学1H NMR光谱的Python网络应用程序 | 扩展了模拟功能至尿液、血液和脑脊液样本，增加了2D J-resolved和关联光谱模拟能力，并增强了血液光谱的真实性 | NA | 解决代谢组学中标记光谱数据有限的问题，支持深度学习算法开发 | 代谢组学NMR光谱模拟 | 机器学习 | NA | 核磁共振光谱 | NA | 光谱数据 | NA | Python | NA | 皮尔逊相关系数 | 网络应用程序 |
| 15469 | 2025-10-07 |
The utility and reliability of a deep learning algorithm as a diagnosis support tool in head & neck non-melanoma skin malignancies
2025-Mar, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-024-08951-z
PMID:39242415
|
研究论文 | 评估深度学习算法作为头颈部非黑色素瘤皮肤恶性肿瘤诊断支持工具的性能 | 使用CE认证的医疗设备作为诊断支持工具，特别关注三种关键诊断的分类性能 | 样本量相对有限（135例患者），需要未来进一步研究验证 | 评估深度学习算法在头颈部皮肤恶性肿瘤诊断中的性能 | 头颈部可疑皮肤病变患者 | 计算机视觉 | 皮肤癌 | 深度学习 | Vision Transformer | 皮肤病变图像 | 135例患者（108例恶性病变，27例良性病变） | NA | Vision Transformer | top-5准确率 | NA |
| 15470 | 2025-10-07 |
gRNAde: Geometric Deep Learning for 3D RNA inverse design
2025-Feb-25, ArXiv
PMID:38827456
|
研究论文 | 介绍了一种基于几何深度学习的3D RNA逆向设计方法gRNAde | 首次将几何深度学习应用于3D RNA逆向设计，考虑结构构象多样性而非单一二级结构 | NA | 开发能够考虑3D结构和动力学的RNA序列设计方法 | RNA分子 | 计算生物学 | NA | 几何深度学习 | 图神经网络 | 3D结构数据 | 14个PDB RNA结构+10个结构化RNA骨架 | PyTorch Geometric | 多状态图神经网络，自回归解码器 | 天然序列恢复率，成功率 | NA |
| 15471 | 2025-03-11 |
ralphi: a deep reinforcement learning framework for haplotype assembly
2025-Feb-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.17.638151
PMID:40027721
|
研究论文 | 本文介绍了一种名为ralphi的深度强化学习框架，用于单倍型组装，该框架结合了深度学习的表示能力和强化学习，以准确地将读取片段分配到各自的单倍型集合中 | ralphi框架首次将深度学习和强化学习结合用于单倍型组装，通过片段图的经典问题简化来设定强化学习的奖励目标 | NA | 研究目的是开发一种新的方法，以更准确地组装个体二倍体基因组的单倍型 | 个体二倍体基因组的单倍型 | 机器学习 | NA | ONT读取 | 深度强化学习 | 基因读取数据 | 来自1000 Genomes Project的基因组数据 | NA | NA | NA | NA |
| 15472 | 2025-10-07 |
Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging
2025-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.12.09.24318661
PMID:39711698
|
研究论文 | 本研究利用深度学习分割技术分析纵向血管壁成像，评估斑块内出血对颈动脉斑块长期进展的影响 | 首次使用深度学习分割管道在长期纵向血管壁成像中量化斑块内出血体积及其对斑块负荷进展的动态影响 | 样本量较小（28名无症状受试者），研究人群仅限于无症状颈动脉粥样硬化患者 | 评估斑块内出血对颈动脉斑块负荷长期进展的影响 | 28名无症状颈动脉粥样硬化受试者的50条动脉 | 数字病理学 | 心血管疾病 | 多对比磁共振血管壁成像 | 深度学习分割模型 | 磁共振图像 | 28名受试者，50条动脉，平均4.7次扫描/人，随访5.8年 | NA | NA | 相关系数，p值 | NA |
| 15473 | 2025-10-07 |
Global Deep Forecasting with Patient-Specific Pharmacokinetics
2025-Feb-12, ArXiv
PMID:37965077
|
研究论文 | 提出一种结合全局-局部架构和药代动力学编码器的深度学习方法，用于患者特异性血糖预测 | 开发了新型混合全局-局部架构和患者特异性药代动力学编码器，能够将个体患者的药物治疗效果信息整合到深度学习模型中 | NA | 解决因可变药物管理和个体药代动力学特性带来的医疗时间序列数据预测挑战 | 患者血糖水平时间序列数据 | 机器学习 | 糖尿病 | 深度学习 | 混合全局-局部模型 | 时间序列数据 | 模拟数据和真实世界数据 | NA | 混合全局-局部架构 | 预测准确率 | NA |
| 15474 | 2025-10-07 |
gRNAde: A Geometric Deep Learning Pipeline for 3D RNA Inverse Design
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4079-1_8
PMID:39312140
|
研究论文 | 介绍gRNAde——一种基于几何深度学习的3D RNA逆设计流程，能够根据RNA骨架结构设计序列 | 首个考虑RNA三维结构和构象多样性的几何深度学习逆设计方法，使用SE(3)等变编码器-解码器框架 | NA | 开发能够考虑RNA三维结构和动力学的序列设计方法 | RNA骨架结构、核糖开关、适配体、核酶 | 计算生物学 | NA | 几何深度学习 | 图神经网络 | 3D结构数据 | 来自PDB的现有RNA结构 | PyTorch Geometric | SE(3)等变编码器-解码器 | 天然序列恢复率、计算速度 | NA |
| 15475 | 2025-10-07 |
Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning
2024-Dec-09, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.05.592587
PMID:38979147
|
研究论文 | 提出基于深度学习的ICoN模型，用于采样高度动态蛋白质的构象集合 | 首次开发能够从分子动力学模拟数据中学习构象变化物理原理的生成式深度学习模型，并能在潜在空间中快速识别具有复杂侧链和骨架排列的新构象 | 模型训练依赖于可用的分子动力学模拟数据，未明确说明计算资源需求 | 研究高度动态蛋白质的构象集合采样方法，理解蛋白质结构-功能关系 | 内在无序蛋白质（IDPs），特别是淀粉样β蛋白（Aβ42）单体 | 机器学习 | 神经退行性疾病 | 分子动力学模拟，生成式深度学习，EPR光谱，氨基酸取代研究 | 生成模型 | 分子动力学模拟轨迹数据 | NA | NA | Internal Coordinate Net (ICoN) | 构象聚类分析，实验验证（EPR和氨基酸取代研究） | NA |
| 15476 | 2025-10-07 |
Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning
2024-Jun-28, Research square
DOI:10.21203/rs.3.rs-4301803/v1
PMID:38978607
|
研究论文 | 开发了一种基于无监督深度学习的生成模型ICoN，用于高效采样高动态蛋白质的构象集合 | 首次提出ICoN模型从分子动力学模拟数据中学习构象变化的物理原理，并通过潜在空间插值快速生成具有复杂侧链和骨架排列的新型合成构象 | 模型训练依赖于可用的分子动力学模拟数据，生成构象的质量受训练数据覆盖范围限制 | 开发深度学习方法来高效采样高动态蛋白质的构象空间，特别是针对内在无序蛋白质 | 淀粉样β蛋白单体（Aβ42）和其他高动态蛋白质 | 机器学习 | 神经退行性疾病 | 分子动力学模拟，EPR光谱，氨基酸取代研究 | 生成模型 | 分子构象数据 | 基于分子动力学模拟生成的构象数据集 | 深度学习框架 | ICoN（Internal Coordinate Net） | 构象聚类分析，实验验证（EPR和氨基酸取代研究） | NA |
| 15477 | 2025-10-07 |
Adapting physics-informed neural networks to improve ODE optimization in mosquito population dynamics
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315762
PMID:39715201
|
研究论文 | 提出改进的物理信息神经网络框架，用于优化蚊子种群动态的常微分方程建模 | 通过逐步扩展训练时间域解决PINNs中的时间因果关系问题，并针对梯度不平衡和刚性问题的改进方法 | 目前仅使用模拟数据进行实验验证，尚未应用于真实世界数据 | 改进物理信息神经网络在常微分方程优化中的应用，特别是针对具有极端多尺度行为的系统 | 蚊子种群动态建模 | 机器学习 | NA | 物理信息神经网络 | PINN | 模拟数据 | NA | NA | 物理信息神经网络 | NA | NA |
| 15478 | 2025-03-11 |
Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020218
PMID:37258226
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15479 | 2025-03-11 |
Response to 'Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis'
2023-10, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-020804
PMID:37714539
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15480 | 2025-03-11 |
Letter re: Integration of deep learning-based image analysis and genomic data in cancer pathology: A systematic review: Label-free diagnostic technique to differentiate cancer cells from healthy cells
2022-09, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2022.04.032
PMID:35717368
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |