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 37404 篇文献，本页显示第 15961 - 15980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15961 | 2025-05-17 |
Zero Echo Time and Similar Techniques for Structural Changes in the Sacroiliac Joints
2025-Apr, Seminars in musculoskeletal radiology
IF:0.9Q4
DOI:10.1055/s-0045-1802660
PMID:40164079
|
综述 | 本文探讨了基于MRI的合成CT（sCT）技术在评估骶髂关节结构变化中的潜在作用，特别是在轴向脊柱关节炎（axSpA）的背景下 | 介绍了合成CT（sCT）技术，该技术通过MRI数据生成类似CT的图像，结合了MRI和CT的优势，能够在无电离辐射的情况下同时评估炎症和结构病变 | NA | 探索MRI-based sCT在评估骶髂关节结构变化中的潜在作用，特别是在axSpA的早期检测和监测中 | 骶髂关节的结构变化，特别是在轴向脊柱关节炎（axSpA）患者中 | 数字病理学 | 脊柱关节炎 | 合成CT（sCT）、深度学习、零回波时间（ZTE）、超短回波时间（UTE）、梯度回波序列 | NA | MRI和CT图像数据 | NA | NA | NA | NA | NA |
| 15962 | 2025-05-17 |
Improved gated recurrent unit-based osteosarcoma prediction on histology images: a meta-heuristic-oriented optimization concept
2025-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85149-1
PMID:40169634
|
research paper | 该研究提出了一种基于改进门控循环单元（IGRU）的深度学习方法来预测组织学图像中的骨肉瘤 | 使用改进的门控循环单元（IGRU）和鱼鹰优化算法（OOA）进行参数调优，以提高预测准确性 | 未提及具体的数据集大小或模型在其他数据集上的泛化能力 | 通过深度学习技术提高骨肉瘤的早期诊断和个体化治疗 | 骨肉瘤患者的组织学图像 | digital pathology | osteosarcoma | Weiner filter, 2D Otsu's method, linear discriminant analysis (LDA) | improved gated recurrent unit (IGRU) | image | NA | NA | NA | NA | NA |
| 15963 | 2025-05-17 |
Detection of kidney bean leaf spot disease based on a hybrid deep learning model
2025-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93742-7
PMID:40169647
|
研究论文 | 本研究构建了首个菜豆叶斑病数据集，并提出了一种结合深度学习和机器学习的混合模型框架，显著提高了病害检测效率和准确率 | 构建了首个高质量的菜豆叶斑病数据集，并开发了一种结合深度学习和机器学习的新型框架 | 深度学习方法的计算成本较高，且可靠的菜豆叶斑病数据集仍然稀缺 | 提高菜豆叶斑病的检测效率和准确率，为精准农业中的作物病害智能诊断和管理提供新方法 | 菜豆叶斑病 | 计算机视觉 | 植物病害 | 深度学习与机器学习结合 | EfficientNet-B7, MobileNetV3, ResNet50, VGG16, Logistic Regression, Random Forest, AdaBoost, Stochastic Gradient Boosting | 图像 | NA | NA | NA | NA | NA |
| 15964 | 2025-05-17 |
An efficient graph attention framework enhances bladder cancer prediction
2025-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93059-5
PMID:40169776
|
research paper | 提出了一种基于图注意力机制的高效框架，用于增强膀胱癌的预测 | 提出了一种新型的图神经网络结构MSL-GAT，利用注意力机制识别和预测与膀胱癌进展相关的关键驱动基因 | 未提及具体的数据集限制或模型泛化能力的验证 | 通过个性化驱动基因检测提高膀胱癌的预测准确性 | 膀胱癌患者及其相关的编码和非编码基因 | machine learning | bladder cancer | graph attention mechanisms (GAT), RNA interference (RNAi) | Multi Stacked-Layered GAT (MSL-GAT) | genomic, transcriptomic, and epigenomic metadata | benchmark TCGA-BLCA数据集，具体样本数量未提及 | NA | NA | NA | NA |
| 15965 | 2025-05-17 |
Automatic detection of developmental stages of molar teeth with deep learning
2025-Apr-01, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-05827-4
PMID:40169944
|
research paper | 该研究旨在通过深度学习模型全自动检测全景X光片中磨牙的发育阶段 | 首次全面比较了9种不同深度学习模型在全景X光片上自动检测磨牙发育阶段的性能 | 样本量较小(仅210张全景X光片)，且为回顾性研究 | 开发自动化系统辅助牙医进行磨牙发育阶段分类 | 5-25岁患者的磨牙发育阶段 | digital pathology | NA | panoramic radiography | Cascade R-CNN, YOLOv3, HTC, DetectorRS, SSD, EfficientNet, NAS-FPN, Deformable DETR, PAA | image | 210张全景X光片 | NA | NA | NA | NA |
| 15966 | 2025-05-17 |
Comparative analysis of deep learning architectures for thyroid eye disease detection using facial photographs
2025-Apr-01, BMC ophthalmology
IF:1.7Q3
DOI:10.1186/s12886-025-03988-y
PMID:40169995
|
research paper | 比较两种深度学习模型ResNet-50和ResNet-101在使用面部照片筛查甲状腺眼病（TED）中的表现 | 首次比较ResNet-50和ResNet-101在TED筛查中的性能，并在临床条件下测试模型 | 样本量相对较小，且仅在特定临床条件下测试 | 评估深度学习模型在甲状腺眼病筛查中的应用效果 | 甲状腺眼病患者和健康个体的面部照片 | computer vision | thyroid eye disease | deep learning | ResNet-50, ResNet-101 | image | 1601张面部照片（643 TED患者和643健康个体用于训练，81 TED患者和74健康个体用于验证，80 TED患者和80健康个体用于测试，25 TED患者和25健康个体用于临床测试） | NA | NA | NA | NA |
| 15967 | 2025-05-17 |
DconnLoop: a deep learning model for predicting chromatin loops based on multi-source data integration
2025-Apr-01, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06092-6
PMID:40170155
|
研究论文 | 开发了一种名为DconnLoop的深度学习方法，通过整合多源数据预测染色质环 | 整合Hi-C、ChIP-seq和ATAC-seq多源数据，结合残差机制、方向性连接激励模块和交互特征空间解码器进行特征提取与融合 | 未明确提及具体局限性 | 提高染色质环预测的准确性和召回率，以更好地理解疾病调控机制 | 染色质环 | 深度学习 | NA | Hi-C、ChIP-seq、ATAC-seq | 深度学习模型（含残差机制、方向性连接激励模块、交互特征空间解码器） | 基因组多源测序数据 | 未明确提及具体样本量 | NA | NA | NA | NA |
| 15968 | 2025-05-17 |
Breast cancer histopathology image classification using transformer with discrete wavelet transform
2025-Apr, Medical engineering & physics
IF:1.7Q3
DOI:10.1016/j.medengphy.2025.104317
PMID:40180530
|
research paper | 提出了一种基于离散小波变换和邻域注意力Transformer的乳腺癌组织病理学图像分类网络DWNAT-Net | 首次将离散小波变换引入邻域注意力Transformer，同时提取空间和频率特征 | 未明确说明模型的计算复杂度或实时性能 | 提高乳腺癌组织病理学图像的分类准确率 | 乳腺癌组织病理学图像 | digital pathology | breast cancer | Discrete Wavelet Transform (DWT) | Transformer (NAT) | image | BreakHis和BACH数据集 | NA | NA | NA | NA |
| 15969 | 2025-05-17 |
TissueProf: An ImageJ/Fiji Plugin for Tissue Profiling Based on Fluorescent Signals
2025-Apr, The European journal of neuroscience
DOI:10.1111/ejn.70094
PMID:40180584
|
research paper | 开发了一个名为TissueProf的ImageJ/Fiji插件，用于基于荧光信号的组织分析 | 提供了一个半自动化的图像分析流程，具有用户输入灵活性，结合了深度学习网络和空间分析 | 需要手动校正细胞分割，可能仍存在一定的用户工作量 | 减少研究人员在多通道显微镜图像分析中的工作量和时间消耗 | 荧光免疫组织化学图像中的细胞群体 | digital pathology | NA | 荧光免疫组织化学 | deep learning networks | image | NA | NA | NA | NA | NA |
| 15970 | 2025-05-17 |
AI/ML modeling to enhance the capability of in vitro and in vivo tests in predicting human carcinogenicity
2025-Apr, Mutation research. Genetic toxicology and environmental mutagenesis
DOI:10.1016/j.mrgentox.2025.503858
PMID:40185541
|
研究论文 | 本研究旨在开发一种基于深度学习的计算机模型，通过多任务学习方法预测人类致癌性 | 采用图神经网络(GNN)结合多任务学习框架，整合多种辅助任务提升人类致癌性预测能力 | 未提及具体的数据集规模限制或模型泛化能力测试 | 提高人类致癌性预测的准确性 | 化学物质的致癌性预测 | 机器学习 | 癌症 | 深度学习 | GNN, MTL | 化学物质数据 | NA | NA | NA | NA | NA |
| 15971 | 2025-10-07 |
Automated Detection of Oral Malignant Lesions Using Deep Learning: Scoping Review and Meta-Analysis
2025-Apr, Oral diseases
IF:2.9Q1
DOI:10.1111/odi.15188
PMID:39489724
|
综述与荟萃分析 | 通过范围综述和荟萃分析评估深度学习在口腔恶性病变自动检测领域的研究进展 | 首次对深度学习在口腔病变自动检测领域进行系统性范围综述和定量荟萃分析 | 仅纳入14项研究，其中仅3项符合荟萃分析条件，样本量有限 | 评估深度学习在口腔恶性病变自动检测中的效果和应用进展 | 口腔恶性病变的临床图像数据 | 计算机视觉 | 口腔癌 | 深度学习 | 深度学习算法 | 临床图像 | 14项研究（其中3项用于荟萃分析） | NA | NA | 灵敏度, 特异度 | NA |
| 15972 | 2025-05-17 |
Clinical implications of deep learning based image analysis of whole radical prostatectomy specimens
2025-Mar-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95267-5
PMID:40164701
|
研究论文 | 本研究评估了基于深度学习的图像分析（DLIA）算法在前列腺癌根治术（RP）标本中Gleason分级和肿瘤定量的临床应用和预后价值 | 首次将DLIA算法应用于全RP标本的Gleason分级和肿瘤定量，并评估其临床可行性和预后价值 | 研究样本量相对有限（992例患者），且DLIA算法与病理学家评估的一致性仅为中等水平（Cohen's kappa: 0.374） | 提高前列腺癌诊断的准确性和临床决策支持 | 前列腺癌根治术标本 | 数字病理学 | 前列腺癌 | 深度学习图像分析 | DLIA算法 | H&E染色数字切片图像 | 992例患者的29,646张数字化H&E染色切片 | NA | NA | NA | NA |
| 15973 | 2025-05-17 |
A novel network-level fused deep learning architecture with shallow neural network classifier for gastrointestinal cancer classification from wireless capsule endoscopy images
2025-Mar-31, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02966-0
PMID:40165262
|
research paper | 提出了一种新型深度学习框架，用于从无线胶囊内窥镜图像中分类和定位胃肠道疾病 | 融合了两种新型架构SC-DSAN和CNN-GRU，采用深度连接层进行网络级融合，避免了特征级融合的计算成本，并利用贝叶斯优化和熵控海洋捕食者算法进行动态超参数调优和特征选择 | 未来工作将探索其对其他数据集的适应性，并优化其计算复杂性以实现更广泛的部署 | 解决胃肠道疾病分类和定位中的挑战，如类间和类内相似性、类别不平衡和计算效率低下 | 无线胶囊内窥镜图像 | computer vision | gastrointestinal cancer | deep learning | SC-DSAN, CNN-GRU, SWNN | image | Kvasir-V1和Kvasir-V2数据集 | NA | NA | NA | NA |
| 15974 | 2025-05-17 |
Ant-Inspired Ion Gel Sensor for Dual-Mode Detection of Force and Humidity via Magnetic Induction
2025-03-28, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.5c00032
PMID:40016092
|
research paper | 介绍了一种受蚂蚁感官机制启发的双模式离子凝胶传感器，能够同时检测环境湿度和压力 | 采用磁感应技术开发的双模式传感器，结合了湿度传感器和压力传感器的高灵敏度和宽范围检测能力，并通过深度学习算法实现高精度物体识别 | 未明确提及传感器的长期稳定性测试或在极端环境下的性能表现 | 开发多功能、高灵敏度、宽范围和耐用的柔性传感器，用于智能传感领域 | 环境湿度和压力的检测，以及人体生理信号和物体识别 | 智能传感 | NA | 磁感应技术，深度学习算法 | NA | 湿度信号，压力信号，生理信号 | 未明确提及具体样本数量，但涉及人体生理信号测试和物体识别实验 | NA | NA | NA | NA |
| 15975 | 2025-05-17 |
Penalized factorial regression as a flexible and computationally attractive reaction norm model for prediction in the presence of GxE
2025-Mar-28, TAG. Theoretical and applied genetics. Theoretische und angewandte Genetik
DOI:10.1007/s00122-025-04865-4
PMID:40155554
|
研究论文 | 本文提出了一种惩罚性因子回归方法，作为预测基因型与环境互作（GxE）的计算高效替代方案 | 该方法在预测精度上与基于核方法和深度学习的替代方法相当，但计算需求和耗时明显更低 | 仅在小麦和玉米两个代表性数据集上进行了验证，未在其他作物或更大规模数据上测试 | 解决植物育种和遗传学中长期存在的挑战，即在存在基因型与环境互作的情况下预测新环境中的产量 | 小麦和玉米的候选品种 | 植物育种与遗传学 | NA | 惩罚性因子回归 | 线性反应规范模型 | 基因型与环境互作数据 | 两个代表性数据集（小麦和玉米） | NA | NA | NA | NA |
| 15976 | 2025-05-17 |
[Research progress in mutation effect prediction based on protein language models]
2025-Mar-25, Sheng wu gong cheng xue bao = Chinese journal of biotechnology
DOI:10.13345/j.cjb.240683
PMID:40170306
|
综述 | 本文综述了基于蛋白质语言模型（PLMs）的蛋白质突变效应预测的研究进展 | 总结了PLMs在预测蛋白质突变效应中的应用，包括序列模型、结构模型及序列与结构结合模型，并分析了无监督和监督学习在模型训练中的应用 | 当前面临的主要挑战包括高质量数据集的获取和数据噪声的处理 | 推动蛋白质突变效应预测的进一步发展 | 蛋白质突变效应预测 | 生物信息学 | NA | 蛋白质语言模型（PLMs） | 序列模型、结构模型、序列与结构结合模型 | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 15977 | 2025-05-17 |
[Intelligent mining, engineering, and de novo design of proteins]
2025-Mar-25, Sheng wu gong cheng xue bao = Chinese journal of biotechnology
DOI:10.13345/j.cjb.240629
PMID:40170309
|
综述 | 本文综述了人工智能在蛋白质发现、评估、工程和设计方面的最新研究进展 | 探讨了人工智能在蛋白质工程和设计中的应用及其对生物制造的潜在影响 | 未提及具体的技术限制或数据局限性 | 探索和改造酶以适应特定的生物制造过程 | 蛋白质，特别是酶 | 机器学习 | NA | 机器学习和深度学习算法 | NA | 生物信息学数据 | NA | NA | NA | NA | NA |
| 15978 | 2025-05-17 |
Kolmogorov-Arnold networks for genomic tasks
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf129
PMID:40163820
|
research paper | 本文研究了Kolmogorov-Arnold网络（KANs）在基因组任务中替代多层感知机（MLPs）的潜力 | 首次将KANs整合到基因组任务的深度学习模型中，并测试了线性KANs（LKANs）和卷积KANs（CKANs）的性能 | CKANs在参数规模较大时表现不佳，且KANs在不同深度学习架构中的潜力需要进一步研究 | 探索KANs在基因组任务中的性能表现 | 基因组序列的分类与生成 | machine learning | NA | deep learning | Kolmogorov-Arnold networks (KANs), linear KANs (LKANs), convolutional KANs (CKANs) | genomic sequences | 三个基因组基准数据集：Genomic Benchmarks, Genome Understanding Evaluation, Flipon Benchmark | NA | NA | NA | NA |
| 15979 | 2025-05-17 |
DOMSCNet: a deep learning model for the classification of stomach cancer using multi-layer omics data
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf115
PMID:40178281
|
研究论文 | 提出了一种名为DOMSCNet的深度学习模型，用于利用多层组学数据对胃癌进行分类 | 提出了一种混合特征选择（HFS）技术和基于深度循环神经网络的DOMSCNet模型，能够处理多层组学数据并有效提取信息特征 | 未明确提及具体局限性 | 改进胃癌的分类方法，支持癌症的分子过程理解和临床诊断 | 胃癌的多层组学数据 | 机器学习 | 胃癌 | NGS | 深度循环神经网络（DOMSCNet） | 多层组学数据 | 使用了八个外部数据集进行验证 | NA | NA | NA | NA |
| 15980 | 2025-05-17 |
Data imbalance in drug response prediction: multi-objective optimization approach in deep learning setting
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf134
PMID:40178282
|
research paper | 该研究提出了一种多目标优化方法，用于解决药物反应预测中的数据集不平衡问题，以提高深度学习模型的泛化能力 | 通过构建多目标优化损失函数（Multi-Objective Optimization Regularized by Loss Entropy）并将其应用于深度学习模型，解决了药物反应预测中的数据集不平衡问题 | 数据深度仍然不足，与计算机视觉或自然语言处理等领域相比，限制了当前的学习能力 | 提高药物反应预测模型的泛化能力 | 药物反应预测模型 | machine learning | NA | deep learning | Deep Learning | genomic data, drug screening data | NA | NA | NA | NA | NA |