深度学习在生物医药领域中的应用
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，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10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 30919 篇文献，本页显示第 141 - 160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 141 | 2025-09-15 |
Detecting Oral Cancer Using Tabular Deep Learning
2025-Aug, IEEE International Conference on Omni-layer Intelligent Systems : COINS. IEEE International Conference on Omni-layer Intelligent Systems
DOI:10.1109/coins65080.2025.11125786
PMID:40933553
|
研究论文 | 本研究探索使用表格深度学习模型基于临床结构化数据检测口腔癌 | 首次将深度学习网络应用于口腔癌相关的表格医学数据，填补了该领域的研究空白 | 研究基于1791名患者的子集数据，样本规模相对有限 | 可靠预测需要活检的癌前病变和癌性病变 | 口腔癌患者和癌前病变患者 | 机器学习 | 口腔癌 | 深度学习 | tabular deep learning methods | 表格数据（电子表格格式的结构化文本数据） | 1791名患者 |
| 142 | 2025-09-15 |
Characterizing the ADPKD-IFT140 Phenotypic Signature With Deep Learning and Advanced Imaging Biomarkers
2025-Aug, Kidney international reports
IF:5.7Q1
DOI:10.1016/j.ekir.2025.04.062
PMID:40814641
|
研究论文 | 本研究利用深度学习和先进影像生物标志物，对ADPKD-IFT140的表型特征进行详细表征 | 开发了结合囊肿-实质表面积和囊肿指数的深度学习模型，以及基于最大囊肿体积占比的实用模型，用于区分ADPKD-IFT140表型 | 回顾性研究设计，样本量有限（开发队列n=81），外部验证队列较小（n=36） | 表征ADPKD-IFT140的临床表现、进展和独特的影像表型 | 携带IFT140、非截短PKD1或PKD2致病变异的患者 | 数字病理学 | 常染色体显性多囊肾病 | 深度学习，影像生物标志物分析 | 深度学习分割模型 | 影像数据 | 开发队列81例患者，内部特异性队列569例，外部敏感性队列36例 |
| 143 | 2025-09-15 |
Navigating real-world challenges: A case study on federated learning in computational pathology
2025-Aug, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100464
PMID:40822323
|
研究论文 | 本研究通过一个真实世界的临床计算病理学案例，透明地分享了联邦学习应用过程中遇到的实际挑战 | 首次在跨四国机构的真实临床环境中系统性地揭示联邦学习在计算病理学中的实施挑战，而非仅关注模拟环境中的性能提升 | 实验频率受系统和数据异质性限制，基础设施设计受医院和企业网络限制，且实施需要较高的IT专业知识和NVIDIA FLARE熟悉度 | 探索联邦学习在真实世界计算病理学应用中的实际挑战与解决方案 | 转移性黑色素瘤的数字免疫表型分析 | 计算病理学 | 黑色素瘤 | 联邦学习 (FL), NVIDIA FLARE | 深度学习模型 | 病理图像数据 | 三个客户端机构（来自四个国家）参与联合训练 |
| 144 | 2025-09-15 |
Generating 2.5D pathology for enhanced viewing and AI diagnosis
2025-Aug, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100463
PMID:40822324
|
研究论文 | 提出一种通过形态保持对齐框架构建2.5D活检核心的新方法，用于增强病理学家观察和AI诊断 | 开发了新颖的形态保持对齐框架，能够提取和共对齐连续组织切片以构建2.5D活检核心，并首次将视频transformer模型应用于病理图像分析 | NA | 改善病理活检样本的三维组织结构评估，增强AI模型捕捉空间信息的能力 | 前列腺活检、乳腺活检和肾脏活检样本 | 数字病理 | 前列腺癌、乳腺癌、肾脏疾病 | 组织切片对齐技术 | 视频transformer、深度学习分级模型 | 病理图像 | 10210例前列腺活检、156例乳腺活检、1869例肾脏活检 |
| 145 | 2025-09-15 |
Preparing Generation Z of Health Professions for Artificial Intelligence Revolution Through Hacking Education: An Interventional Study
2025-Aug, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.71169
PMID:40831685
|
研究论文 | 本研究评估基于黑客教育理念的创新AI课程对Z世代健康专业学生人工智能能力的提升效果 | 采用黑客教育模式结合翻转课堂、实践社区和游戏化等创新教学方法，针对数字原生代Z世代学生设计AI课程 | 单组前后测试设计，缺乏对照组，样本量有限（81人） | 探索适合健康专业学生的AI教育方法，为医疗AI革命培养人才 | Z世代健康专业学生 | 医学教育 | NA | 翻转课堂、小组讨论、实践社区、同伴教学、游戏化 | NA | 问卷数据 | 81名健康专业学生 |
| 146 | 2025-09-15 |
The Motion Picture: Leveraging Movement to Enhance AI Object Detection in Ecology
2025-Aug, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.71996
PMID:40837535
|
研究论文 | 本研究探讨利用运动信息提升生态学中AI目标检测性能的方法 | 首次在生态学领域系统比较多种运动信息利用方法（帧差分、背景减除、光流和多目标跟踪）在多样化数据集上的效果 | 对于标注充分的研究（每类超过400个标注），运动信息提升效果有限；跟踪方法表现不佳 | 提高生态影像中隐蔽物种的自动检测准确率 | 陆地、海洋和淡水生境中的生物类群 | 计算机视觉 | NA | 帧差分、背景减除、光流、多目标跟踪 | 深度学习目标检测算法 | 图像、视频 | 超过35,000张标注图像，来自四个多样化数据集 |
| 147 | 2025-09-15 |
LocPro: A deep learning-based prediction of protein subcellular localization for promoting multi-directional pharmaceutical research
2025-Aug, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101255
PMID:40837854
|
研究论文 | 提出名为LocPro的深度学习框架，用于预测蛋白质亚细胞定位以支持多方向药物研究 | 结合预训练大语言模型ESM2和专家驱动工具PROFEAT的蛋白质表示，采用混合深度神经网络架构（CNN、FC层和BiLSTM模块），并开发多标签框架以预测多粒度水平的蛋白质亚细胞定位 | NA | 开发深度学习框架以提升蛋白质亚细胞定位预测精度，促进药物靶点识别、治疗开发和药物递送系统设计 | 蛋白质序列及其亚细胞定位 | 生物信息学 | NA | 深度学习、同源性策略数据划分 | CNN、FC、BiLSTM混合架构 | 蛋白质序列数据 | NA |
| 148 | 2025-09-15 |
Deep learning unlocks global prediction of earthquake-triggered landslides
2025-Aug, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf282
PMID:40842863
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 149 | 2025-09-15 |
An automated ATAC-seq method reveals sequence determinants of transcription factor dose response in the open chromatin
2025-Jul-27, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.24.666684
PMID:40777328
|
研究论文 | 开发自动化ATAC-seq平台RoboATAC，系统研究转录因子剂量对染色质可及性和基因表达的定量影响 | 首次建立可扩展的自动化ATAC-seq方法，系统揭示DNA序列单独预测剂量敏感性的能力，并发现新型剂量敏感 motif 排列 | 研究仅在HEK293T细胞中进行，未验证其他细胞类型或体内环境 | 探究转录因子剂量与染色质可及性及基因表达的定量关系 | 22种转录因子在HEK293T细胞中的梯度过表达效应 | 表观基因组学 | NA | ATAC-seq，高通量可及性分析 | 可解释深度学习模型 | 基因组可及性数据，基因表达数据 | 246个样本（22种TF的梯度表达实验） |
| 150 | 2025-09-15 |
CellFuse Enables Multi-modal Integration of Single-cell and Spatial Proteomics data
2025-Jul-26, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.23.665976
PMID:40777394
|
研究论文 | 提出CellFuse，一种基于深度学习的多模态整合框架，用于整合单细胞和空间蛋白质组学数据 | 专门针对特征重叠有限的场景设计，利用监督对比学习实现跨模态和实验条件的无缝整合，在整合质量和运行效率上优于现有方法 | NA | 开发一个模态无关的整合框架，以解决单细胞和空间蛋白质组学数据整合中的挑战 | 健康PBMCs、骨髓、CAR-T治疗的淋巴瘤、健康及肿瘤组织 | 机器学习 | 淋巴瘤 | 单细胞蛋白质组学、空间蛋白质组学 | 深度学习、监督对比学习 | 蛋白质组数据 | 多个数据集（具体样本数量未明确说明） |
| 151 | 2025-07-26 |
Comments on "deep learning for kidney trauma detection: CT image algorithm performance and external validation. - experimental study"
2025-Jul-25, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002703
PMID:40705511
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 152 | 2025-09-15 |
Deep-learning triage of 3D pathology datasets for comprehensive and efficient pathologist assessments
2025-Jul-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.20.665804
PMID:40777412
|
研究论文 | 提出一种基于深度学习的3D病理数据集分流框架CARP3D，用于高效识别高风险二维切片以辅助病理学家评估 | 利用相邻深度层面的上下文信息为整个组织体积内的所有2D层面分配风险评分，优于基于孤立2D层面的预测模型 | NA | 开发AI分流系统以提高3D病理数据的评估效率并优化病理学家工作量 | 前列腺癌活检和Barrett食管内镜活检组织 | 数字病理 | 前列腺癌，Barrett食管相关 dysplasia/癌症 | open-top light-sheet microscopy (OTLS) | 深度学习 | 3D病理图像 | NA |
| 153 | 2025-09-15 |
Cascaded Multimodal Deep Learning in the Differential Diagnosis, Progression Prediction, and Staging of Alzheimer's and Frontotemporal Dementia
2025-Jul-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.09.23.24314186
PMID:40778154
|
研究论文 | 本研究开发了一种基于级联多模态深度学习的系统TelDem，用于阿尔茨海默病和额颞叶痴呆的鉴别诊断、进展预测和分期 | 采用级联多模态混合变换器(CMT)和跨模态融合规范(CMFN)，首次在大型异构数据集(n=7,159)上实现多模态数据融合分析 | NA | 提升痴呆症的诊断准确性、预后预测和疾病分期能力 | 阿尔茨海默病(AD)、额颞叶变性亚型患者及健康对照个体 | 数字病理学 | 老年性疾病 | 多模态深度学习 | CMT (Cascaded Multi-Modal Mixing Transformer) | 多模态临床数据 | 7,159名患者 |
| 154 | 2025-09-15 |
Combining Real and Synthetic Data to Overcome Limited Training Datasets in Multimodal Learning
2025-Jul-17, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.07.16.25331662
PMID:40791679
|
研究论文 | 提出一种结合真实与合成数据的多模态学习策略，用于皮肤病变图像分类 | 利用大型语言模型从图像元数据合成文本描述，并与原始图像配对以增强多模态表示 | 依赖图像元数据生成合成文本，可能受限于元数据的质量和完整性 | 克服多模态生物医学数据中配对样本不足的挑战，提升临床决策支持 | 皮肤病变图像及配对文本描述 | 多模态机器学习 | 皮肤疾病 | 多模态深度学习，大型语言模型（LLM） | 多模态架构（未指定具体模型类型） | 图像和文本 | 九个内部和外部数据源（未提供具体样本数量） |
| 155 | 2025-09-15 |
Learning Biophysical Dynamics with Protein Language Models
2025-Jul-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.11.617911
PMID:39464109
|
研究论文 | 提出两种蛋白质语言模型SeqDance和ESMDance，用于学习蛋白质的生物物理动力学特性 | 首次将蛋白质动态特性整合到语言模型中，通过分子动力学模拟和正态模式分析数据训练模型 | NA | 开发能够捕捉蛋白质动态特性的深度学习模型，以更好地预测蛋白质行为和突变效应 | 蛋白质的结构动力学和突变效应 | 自然语言处理 | NA | 分子动力学模拟，正态模式分析 | 蛋白质语言模型（SeqDance, ESMDance, ESM2） | 序列数据，结构数据，动态生物物理特性数据 | 超过64,000个蛋白质的分子动力学模拟和正态模式分析数据 |
| 156 | 2025-09-15 |
mamp-ml: A deep learning approach to epitope immunogenicity in plants
2025-Jul-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.11.664399
PMID:40791437
|
研究论文 | 开发了一个基于深度学习的机器学习框架mamp-ml，用于预测植物受体-配体相互作用和表位免疫原性 | 结合了二十多年的功能数据和大型蛋白质语言模型ESM-2，构建了能够预测免疫原性结果的管道和模型，即使缺乏实验结构也能实现73%的预测准确率 | NA | 预测植物受体-配体相互作用和表位免疫原性，实现植物免疫系统的高通量筛选和工程化 | 植物受体和配体，特别是LRR受体-配体组合 | 机器学习 | NA | 蛋白质语言模型ESM-2，机器学习 | 深度学习 | 蛋白质序列数据 | NA |
| 157 | 2025-09-15 |
Expanding the DNA Motif Lexicon of the Transcriptional Regulatory Code
2025-Jul-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.09.662874
PMID:40791531
|
研究论文 | 开发了一个集成框架，用于扩展转录因子复合元件（CEs）的发现和功能表征 | 结合计算预测、实验测试和深度学习，在单核苷酸分辨率下学习复合元件词典，并与染色质可及性模型进行对比分析 | NA | 扩展转录调控代码中DNA motif词典，增强DNA-蛋白质相互作用特异性 | 后生动物转录调控序列中的转录因子（TF）motif组合 | 计算生物学 | NA | 深度学习和定制化大规模并行报告基因检测 | 深度学习模型GRACE和神经网络模型 | DNA序列数据和染色质可及性数据 | NA |
| 158 | 2025-09-15 |
EZpred: improving deep learning-based enzyme function prediction using unlabeled sequence homologs
2025-Jul-14, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.09.663945
PMID:40791336
|
研究论文 | 提出首个利用未标记序列同源物进行酶功能预测的深度学习模型EZpred | 首次在深度学习模型中整合未标记序列同源物特征进行酶功能预测，突破现有方法依赖标注数据的限制 | NA | 提升基于深度学习的酶功能预测准确性 | 酶蛋白及其序列同源物 | 生物信息学 | NA | 蛋白质语言模型(ESMC)，同源序列搜索(MMseqs2) | 深度学习模型 | 蛋白质序列数据 | 753种酶蛋白 |
| 159 | 2025-09-15 |
Deep learning predicts cardiac output from seismocardiographic signals in heart failure
2025-Jul-14, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.07.11.25331386
PMID:40791697
|
研究论文 | 本研究开发了一种深度学习模型，利用心震图（SCG）、心电图（ECG）和身体质量指数（BMI）非侵入性预测心力衰竭患者的心输出量 | 首次将深度学习与可穿戴SCG传感器结合，实现无创心输出量估计，尤其在低输出状态下表现优异 | 样本量较小（73例患者），需多中心前瞻性验证以确认普适性和临床影响 | 开发并评估基于深度学习的无创心输出量估计方法，以替代侵入性右心导管检查 | 心力衰竭患者 | 机器学习 | 心血管疾病 | 心震图（SCG）、心电图（ECG） | 深度卷积神经网络（CNN） | 生理信号（SCG和ECG）、数值数据（BMI） | 73例心力衰竭患者 |
| 160 | 2025-09-15 |
Reg2ST: recognizing potential patterns from gene expression for spatial transcriptomics prediction
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf425
PMID:40825238
|
研究论文 | 提出Reg2ST深度学习模型，通过对比学习从基因表达中识别潜在模式以预测空间转录组数据 | 采用对比学习最小化空间转录组与组织学图像间的距离，并创新性地使用非K近邻方法捕获spots间关系 | NA | 开发高效的空间转录组预测方法以克服传统测序技术成本高、耗时长的问题 | 人类乳腺癌和皮肤鳞状细胞癌数据集 | 数字病理学 | 乳腺癌 | 空间转录组测序，H&E染色全切片成像 | 深度学习，对比学习 | 基因表达数据，组织学图像 | 使用人类乳腺癌和皮肤鳞状细胞癌数据集进行验证 |