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 33293 篇文献，本页显示第 15861 - 15880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15861 | 2025-10-07 |
Autosurv: interpretable deep learning framework for cancer survival analysis incorporating clinical and multi-omics data
2024-Jan-05, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-023-00494-6
PMID:38182734
|
研究论文 | 开发了一个可解释的深度学习框架Autosurv，整合临床和多组学数据用于癌症生存分析 | 结合多组学数据和临床信息进行癌症预后预测，并采用解释方法解决深度神经网络的“黑箱”问题 | 已识别特征的重要性仅得到先前研究的部分支持 | 提高癌症患者的预后预测准确性，优化治疗计划 | 乳腺癌和卵巢癌患者 | 机器学习 | 乳腺癌,卵巢癌 | 基因表达分析,miRNA表达分析 | 深度神经网络 | 基因表达数据,miRNA表达数据,临床数据,人口统计学数据 | 多个独立多组学数据集 | NA | Autosurv | 预后预测准确性 | NA |
| 15862 | 2025-03-26 |
DLAAD-deep learning algorithms assisted diagnosis of chest disease using radiographic medical images
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1511389
PMID:40124976
|
研究论文 | 本研究开发了一种基于深度学习的算法，用于通过胸部X光图像辅助诊断胸部疾病 | 应用深度学习算法提升胸部疾病诊断的准确性和效率，整合现代技术到医疗设备中 | 数据集仅包含5,863张胸部X光图像，且仅分为肺炎和正常两类，可能限制了模型的泛化能力 | 提高计算机辅助诊断系统（CADs）在胸部疾病诊断中的效率和准确性 | 胸部X光图像 | 计算机视觉 | 肺炎 | 迁移学习 | MobileNetV2, VGG-16, ResNet50V2 | 图像 | 5,863张胸部X光图像 | NA | NA | NA | NA |
| 15863 | 2025-10-07 |
Deep Learning Methods for Omics Data Imputation
2023-Oct-07, Biology
DOI:10.3390/biology12101313
PMID:37887023
|
综述 | 本文全面概述了基于深度学习的组学数据插补方法，重点关注多组学数据插补 | 从深度生成模型架构角度系统梳理组学数据插补方法，包括自编码器、变分自编码器、生成对抗网络和Transformer | 作为综述文章未提出新算法，主要总结现有方法面临的挑战 | 解决组学数据分析中的缺失值问题 | 组学数据（特别是多组学数据） | 机器学习 | NA | 组学技术 | 自编码器, 变分自编码器, 生成对抗网络, Transformer | 组学数据 | NA | NA | 自编码器, 变分自编码器, 生成对抗网络, Transformer | NA | NA |
| 15864 | 2025-10-07 |
CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data
2023-May-02, Research square
DOI:10.21203/rs.3.rs-2768563/v1
PMID:37205427
|
研究论文 | 提出一种用于不完整多组学数据整合的深度学习模型CLCLSA | 结合跨组学对比学习和自注意力机制，能够处理不完整的多组学数据并动态识别最具信息量的特征 | NA | 解决不完整多组学数据整合问题，提高疾病分类性能 | 多组学数据 | 机器学习 | NA | 多组学技术 | 自编码器, 自注意力机制 | 多组学数据 | 四个公共多组学数据集 | NA | 跨组学自编码器 | 分类准确率 | NA |
| 15865 | 2025-10-07 |
Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors
2023-Mar-24, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.22.533829
PMID:36993233
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法，在AlphaFold预测的PPM1D磷酸酶结构中发现了隐式结合口袋，解释了其变构抑制剂的结合位点和效力机制 | 首次在AI预测的PPM1D结构中发现隐式结合口袋，结合分子动力学模拟和深度学习方法来解释变构抑制剂的结合机制 | 研究基于预测的蛋白质结构而非实验晶体结构，虚拟筛选的预测能力仍受限于可用结构数据的数量 | 提高虚拟筛选在有限结构数据情况下的预测能力，探索蛋白质动力学在药物发现中的应用 | PPM1D/Wip1磷酸酶及其变构抑制剂 | 计算生物学 | 癌症 | 分子动力学模拟, 深度学习, 虚拟筛选 | Markov状态模型, 深度学习模型 | 蛋白质结构数据, 分子对接数据 | NA | NA | NA | Kendall's τ相关系数 | NA |
| 15866 | 2025-10-07 |
Artificial intelligence-based locoregional markers of brain peritumoral microenvironment
2023-01-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-26448-9
PMID:36653382
|
研究论文 | 开发基于人工智能的脑肿瘤周围微环境标记物，用于评估肿瘤浸润异质性并预测患者生存和分子特征 | 首次提出基于深度学习的肿瘤周围微环境指数(PMI)，通过DTI自由水体积分数图量化肿瘤浸润异质性 | 研究样本量有限(275例)，需要进一步验证在更大多中心队列中的适用性 | 开发定量评估脑肿瘤周围区域浸润异质性的AI标记物，用于临床决策支持 | 275例成人型弥漫性胶质瘤(CNS WHO 4级)患者 | 医学影像分析 | 脑肿瘤 | 弥散张量成像(DTI), 自由水体积分数图谱 | 深度学习 | 医学影像 | 275例成人弥漫性胶质瘤患者 | NA | NA | t检验, Wilcoxon秩和检验, 线性回归, logrank检验, Cox风险比 | NA |
| 15867 | 2025-10-07 |
Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors
2023, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2023.1171143
PMID:37143823
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法，在AlphaFold预测的PPM1D磷酸酶结构中发现了隐式结合口袋，解释了其变构抑制剂的结合位点和效力机制 | 结合AlphaFold预测结构、分子动力学模拟和深度学习，首次揭示了PPM1D磷酸酶中隐式结合口袋的存在及其与变构抑制剂的作用机制 | 研究基于计算预测和模拟，缺乏实验结构验证；仅针对PPM1D特定蛋白进行研究 | 提高虚拟筛选在有限结构数据情况下的预测能力，探索蛋白质动力学在药物发现中的应用 | PPM1D/Wip1磷酸酶及其变构抑制剂 | 计算生物学 | 癌症 | 分子动力学模拟, 虚拟筛选, 深度学习 | 马尔可夫状态模型, 深度学习模型 | 蛋白质结构数据, 分子对接数据 | 多个PPM1D变构抑制剂化合物 | NA | NA | Kendall τ相关系数 | NA |
| 15868 | 2025-10-07 |
Self-Supervised Adversarial Learning with a Limited Dataset for Electronic Cleansing in Computed Tomographic Colonography: A Preliminary Feasibility Study
2022-Aug-26, Cancers
IF:4.5Q1
DOI:10.3390/cancers14174125
PMID:36077662
|
研究论文 | 本研究评估了一种新型自监督对抗学习方案在有限训练数据集下实现计算机断层扫描结肠成像中电子清洗的可行性 | 提出了一种自监督对抗学习方案，能够在无需图像标注的小型数据集上实现亚体素精度的电子清洗 | 仅进行了初步可行性研究，样本量有限（18个临床病例） | 解决计算机断层扫描结肠成像中电子清洗的技术问题 | 计算机断层扫描结肠成像数据 | 计算机视觉 | 结肠疾病 | 计算机断层扫描结肠成像 | GAN | 三维医学图像 | 18个临床CTC病例 | NA | 3D GAN | 视觉感知质量 | NA |
| 15869 | 2025-10-07 |
Genome-wide association analysis reveals insights into the genetic architecture of right ventricular structure and function
2022-06, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-022-01083-2
PMID:35697868
|
研究论文 | 通过全基因组关联分析研究右心室结构与功能的遗传基础 | 首次大规模分析右心室测量指标的遗传结构，发现25个与右心室表型相关的基因位点 | 研究样本主要来自英国生物银行，可能存在人群特异性限制 | 探索右心室结构与功能的遗传基础 | 29,506名英国生物银行参与者的右心室表型 | 生物信息学 | 心血管疾病 | 全基因组关联分析(GWAS), 心血管磁共振成像 | 深度学习算法 | 医学影像数据, 基因组数据 | 29,506名UK Biobank参与者，验证样本41,830人 | NA | NA | P值(P < 2.27×10^-8) | NA |
| 15870 | 2025-03-25 |
Ink classification in historical documents using hyperspectral imaging and machine learning methods
2025-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.125916
PMID:40049019
|
研究论文 | 本研究探索了使用高光谱成像和机器学习技术对历史文献中的墨水进行分类 | 结合高光谱成像和多种机器学习方法（包括传统算法和深度学习模型）进行墨水分类，并在具有挑战性的条件下实现高准确率 | 仅针对三种特定类型的墨水进行分类，可能不适用于其他类型的墨水 | 开发非侵入性的墨水识别和映射方法，以促进历史文献的保护和分析 | 历史文献中的墨水（纯金属没食子酸墨水、含碳墨水和非含碳墨水） | 计算机视觉 | NA | 高光谱成像 | SVM, KNN, LDA, Random Forest, PLS-DA, DL-based model | 图像 | 模拟样本和历史文献样本 | NA | NA | NA | NA |
| 15871 | 2025-03-25 |
Evaluation of a novel ensemble model for preoperative ovarian cancer diagnosis: Clinical factors, O-RADS, and deep learning radiomics
2025-Apr, Translational oncology
IF:4.5Q1
DOI:10.1016/j.tranon.2025.102335
PMID:40048985
|
research paper | 本研究开发了一种结合临床变量、O-RADS和深度学习放射组学的集成模型，用于术前卵巢癌诊断，并评估其对超声医师诊断能力的提升效果 | 首次将临床变量、O-RADS评分和深度学习放射组学特征相结合，构建集成模型，显著提高了卵巢癌的诊断准确性和超声医师的诊断能力 | 研究仅基于两个中心的数据，可能需要更多外部验证以确认模型的泛化能力 | 提高术前卵巢癌诊断的准确性并评估模型对超声医师诊断能力的提升效果 | 卵巢癌患者 | digital pathology | ovarian cancer | deep learning radiomics, LASSO method | ensemble model | transvaginal ultrasound images | 来自两个中心的数据（具体样本量未明确说明） | NA | NA | NA | NA |
| 15872 | 2025-03-25 |
Gran canaria vegetation segmentation dataset from multi-year aerial imagery for environmental monitoring and conservation
2025-Apr, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111419
PMID:40124302
|
research paper | 介绍了一个针对Gran Canaria（加那利群岛，西班牙）的新数据集，旨在通过计算机视觉技术自动生成植被地图 | 该数据集在基于航拍图像的语义分割领域中独特，提供了20个明确定义的植被群落的详细注释，超越了现有数据集的广泛分类 | NA | 开发并测试能够自动生成植被地图的深度学习模型，以支持环境监测和保护 | Gran Canaria的植被群落 | computer vision | NA | deep learning, computer vision | NA | aerial imagery | 20个明确定义的植被群落，以及五个非植被类别（如水体、道路或建筑物） | NA | NA | NA | NA |
| 15873 | 2025-03-25 |
Thermal conductivity of the layered titanate K0.8Li0.27Ti1.73O4 explored by a deep learning interatomic potential
2025-Mar-28, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0255515
PMID:40125679
|
研究论文 | 本研究通过深度学习原子间势能预测层状钛酸盐K0.8Li0.27Ti1.73O4的热导率 | 采用深度神经网络模型构建原子间势能，克服了传统方法的局限性，为层状材料的热导率研究提供了新方法 | 研究仅针对K0.8Li0.27Ti1.73O4一种材料，未验证其他层状材料的适用性 | 预测层状氧化物材料的热导率 | 层状钛酸盐K0.8Li0.27Ti1.73O4 (KLTO) | 材料科学 | NA | 深度学习 | 深度神经网络 | 原子力、能量和弹性性质数据 | NA | NA | NA | NA | NA |
| 15874 | 2025-03-25 |
Deep learning for cardiac abnormalities in chest X-rays: performance metrics with imbalanced data and extracardiac objects
2025-Mar-24, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehae759
PMID:39776179
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15875 | 2025-03-25 |
Transforming wearable sensor data for robust feature selection in human activity recognition using reinforcement learning approach
2025-Mar-24, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2480686
PMID:40125899
|
研究论文 | 本文提出了一种利用深度强化学习方法处理可穿戴传感器数据，以提高人体活动识别的准确性和鲁棒性 | 结合生成式演员-评论家（GAC）方法和循环生成对抗网络，增强了类间差异并减少了类内变化，提高了噪声环境下的识别准确率 | 未提及该方法在实时处理或计算资源消耗方面的表现 | 提高可穿戴传感器数据在人体活动识别中的准确性和鲁棒性 | 可穿戴传感器收集的人体活动数据 | 机器学习 | NA | 深度强化学习（GAC）、循环生成对抗网络 | GAC、GAN | 时间序列传感器数据 | UCI-HAR和Motion Sense数据集（具体样本量未提及） | NA | NA | NA | NA |
| 15876 | 2025-03-25 |
Parallel convolutional SpinalNet: A hybrid deep learning approach for breast cancer detection using mammogram images
2025-Mar-24, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2480299
PMID:40125951
|
研究论文 | 提出了一种并行卷积SpinalNet混合深度学习模型，用于通过乳腺X光图像高效检测乳腺癌 | 结合并行卷积神经网络(PCNN)和SpinalNet开发了PConv-SpinalNet模型，在乳腺癌检测中表现出色 | NA | 通过深度学习技术提高乳腺癌检测的准确率 | 乳腺X光图像中的肿瘤检测 | 计算机视觉 | 乳腺癌 | Gabor滤波器、LadderNet、图像增强技术(图像操作、图像擦除、图像混合)、多种特征提取方法(CNN特征、Texton、LGBP、SIFT、LMP与DCT) | PConv-SpinalNet (PCNN与SpinalNet的集成) | 图像 | NA | NA | NA | NA | NA |
| 15877 | 2025-03-25 |
HUNHODRL: Energy efficient resource distribution in a cloud environment using hybrid optimized deep reinforcement model with HunterPlus scheduler
2025-Mar-24, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2480294
PMID:40126006
|
研究论文 | 提出一种基于深度学习的签名验证方法，用于增强教育安全和合法性 | 采用VGG19架构处理学生签名的独特特征，提供灵活性和可扩展性 | 未提及对不同签名风格和文化差异的适应性 | 解决学生签名验证问题，提升学术机构的安全性和合法性 | 学生签名 | 机器学习 | NA | 深度学习 | CNN (VGG19) | 图像 | 未明确提及 | NA | NA | NA | NA |
| 15878 | 2025-03-25 |
Leveraging the internet of things and optimized deep residual networks for improved foliar disease detection in apple orchards
2025-Mar-24, Network (Bristol, England)
DOI:10.1080/0954898X.2025.2472626
PMID:40126079
|
研究论文 | 本文提出了一种基于深度学习的苹果叶部病害分类方法，结合了Tunicate Swarm Sine Cosine算法优化的深度残差网络（TSSCA-based DRN） | 提出了TSSCA-based DRN模型，结合了Tunicate Swarm算法和Sine Cosine算法，显著提高了分类器的性能 | NA | 提高苹果叶部病害的检测准确率 | 苹果树的叶部病害 | 计算机视觉 | 植物病害 | 深度残差网络（DRN）、Tunicate Swarm算法（TSA）、Sine Cosine算法（SCA） | TSSCA-based DRN | 图像 | Plant Pathology 2020 - FGVC7数据集 | NA | NA | NA | NA |
| 15879 | 2025-03-25 |
Correlation of point-wise retinal sensitivity with localized features of diabetic macular edema using deep learning
2025-Mar-23, Canadian journal of ophthalmology. Journal canadien d'ophtalmologie
DOI:10.1016/j.jcjo.2025.02.013
PMID:40090368
|
research paper | 本研究使用深度学习技术评估糖尿病黄斑水肿（DME）局部特征与点状视网膜敏感度（RS）之间的关联 | 首次使用深度学习算法自动量化OCT扫描中的视网膜内液（IRF）和椭圆体区（EZ）厚度，并分析其与点状视网膜敏感度的关联 | 样本量较小（20名患者的20只眼），且EZ厚度在硬性渗出物（HEs）下方的值被排除 | 评估糖尿病黄斑水肿（DME）的局部特征与点状视网膜敏感度（RS）之间的关联 | 20名临床显著DME患者的20只眼 | digital pathology | diabetic macular edema | OCT, microperimetry (MP), deep learning (DL) | DL-based algorithms | OCT scans, microperimetry data | 20 eyes of 20 patients with clinically significant DME | NA | NA | NA | NA |
| 15880 | 2025-03-25 |
Enhancing Schizophrenia Diagnosis Through Multi-View EEG Analysis: Integrating Raw Signals and Spectrograms in a Deep Learning Framework
2025-Mar-23, Clinical EEG and neuroscience
IF:1.6Q3
DOI:10.1177/15500594251328068
PMID:40123224
|
research paper | 该研究提出了一种深度学习框架，通过整合原始多通道EEG信号及其频谱图来增强精神分裂症的诊断 | 创新点在于采用双分支模型处理互补数据视图，结合深度卷积有效整合EEG通道间的空间依赖性，同时捕捉时间动态和频率特定特征 | 研究样本量较小（分别为84和28名受试者），可能影响模型的泛化能力 | 开发精确且自动化的精神分裂症检测工具，改善临床诊断效果 | 精神分裂症患者的多通道EEG信号及其频谱图 | digital pathology | 精神分裂症 | EEG信号分析 | 深度学习框架（双分支模型） | EEG信号（原始信号和频谱图） | 两个数据集（84名和28名受试者） | NA | NA | NA | NA |