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 32843 篇文献，本页显示第 17481 - 17500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17481 | 2025-10-07 |
Preoperatively Predicting PIT1 Expression in Pituitary Adenomas Using Habitat, Intra-tumoral and Peri-tumoral Radiomics Based on MRI
2025-Feb-04, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01376-4
PMID:39904941
|
研究论文 | 本研究基于MRI影像，利用栖息地、瘤内和瘤周放射组学模型预测垂体腺瘤中PIT1的表达 | 首次结合栖息地、瘤内和瘤周放射组学特征，并构建深度学习放射组学列线图(DLRN)用于预测PIT1表达 | 回顾性研究，样本量相对有限(129例患者)，需要外部验证 | 术前预测垂体腺瘤中PIT1转录因子的表达 | 129例垂体腺瘤患者(训练集103例，测试集26例) | 医学影像分析 | 垂体腺瘤 | MRI影像分析，放射组学 | 逻辑回归(LR), 支持向量机(SVM), 多层感知器(MLP) | MRI影像 | 129例垂体腺瘤患者 | NA | 深度学习放射组学列线图(DLRN) | AUC | NA |
| 17482 | 2025-10-07 |
UniLF: A novel short-term load forecasting model uniformly considering various features from multivariate load data
2025-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88566-4
PMID:39905068
|
研究论文 | 提出了一种新型短期负荷预测模型UniLF，统一考虑多元负荷数据的多种特征 | 首次统一考虑多元负荷数据的三个特征：协变量影响、多尺度特征和局部-全局变化，提出卷积增强融合嵌入方法、特征重构分解块和掩码引导多尺度交互自注意力机制 | 仅在三个国家的负荷数据集上进行验证，需要更多地区数据验证泛化能力 | 提高短期负荷预测的准确性 | 电力系统负荷数据 | 机器学习 | NA | 深度学习 | Transformer | 多元时间序列数据 | 三个负荷数据集（澳大利亚、巴拿马、奥地利） | NA | Transformer | 预测精度、实用效率 | NA |
| 17483 | 2025-02-06 |
Author Correction: Sentiment analysis of the Hamas-Israel war on YouTube comments using deep learning
2025-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-80821-4
PMID:39905118
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17484 | 2025-10-07 |
Ensemble of feature augmented convolutional neural network and deep autoencoder for efficient detection of network attacks
2025-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88243-6
PMID:39905125
|
研究论文 | 提出一种结合特征增强卷积神经网络和深度自编码器的集成方法，用于高效检测网络攻击 | 首次将特征增强CNN与深度自编码器集成，通过互信息选择增强特征，提高了少数类攻击的检测率 | 仅在NSL-KDD和CICIDS2017基准数据集上进行了验证，需要更多数据集验证泛化能力 | 提升网络入侵检测系统中数据包流分类的效率 | 网络流量数据 | 机器学习 | NA | 网络流量分析 | CNN, Autoencoder | 网络流量数据 | NSL-KDD和CICIDS2017数据集 | NA | 特征增强卷积神经网络(FA-CNN), 深度自编码器 | 准确率 | NA |
| 17485 | 2025-02-06 |
Author Correction: Synthetic augmentation of cancer cell line multi-omic datasets using unsupervised deep learning
2025-Feb-04, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56686-0
PMID:39905123
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17486 | 2025-10-07 |
Using deep learning model integration to build a smart railway traffic safety monitoring system
2025-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88830-7
PMID:39905256
|
研究论文 | 本研究通过集成多种深度学习模型构建智能铁路交通安全监控系统 | 整合Mask R-CNN、YOLO v3和XGBoost模型，结合LINE通知系统，实现铁路入侵检测与预警 | 未提及系统在极端天气条件下的性能表现和误报率数据 | 构建智能铁路交通安全监控系统以预防事故 | 铁路区域入侵检测，特别是人体入侵 | 计算机视觉 | NA | 深度学习，目标检测，图像分割 | CNN | 图像 | NA | NA | Mask R-CNN, YOLO v3 | IOU, 总体准确率, MAE, R2分数 | NA |
| 17487 | 2025-10-07 |
Functional feature extraction and validation from twelve-lead electrocardiograms to identify atrial fibrillation
2025-Feb-02, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-00749-2
PMID:39894874
|
研究论文 | 提出一种从12导联心电图中提取功能性特征以识别心房颤动的非参数方法 | 采用功能性主成分分析从原始心电图追踪中提取可解释特征，相比深度学习黑箱方法更直观 | 研究基于特定队列（CRIC研究），需要进一步验证在其他人群中的适用性 | 识别与心房颤动发展相关的心电图特征 | 慢性肾功能不全队列研究参与者的心电图数据 | 生物医学信号处理 | 心房颤动 | 功能性主成分分析，Cox比例风险模型 | 统计模型 | 心电图信号 | CRIC研究第一阶段（2003-2008）和第三阶段（2013-2015）参与者的心电图数据 | NA | NA | 风险比，置信区间 | NA |
| 17488 | 2025-10-07 |
Structure-based computational design of antibody mimetics: challenges and perspectives
2025-Feb, FEBS open bio
IF:2.8Q3
DOI:10.1002/2211-5463.13855
PMID:38925955
|
综述 | 本文综述了基于结构的抗体模拟物计算设计方法，涵盖设计策略、计算技术进展及当前挑战 | 整合机器学习和深度学习方法到抗体模拟物设计框架中，增强设计流程 | 高通量计算机设计与实验实现之间存在转化挑战 | 开发抗体模拟物的计算设计方法以革新治疗干预手段 | 抗体模拟物和抗原结合基序 | 计算生物学 | NA | 结构计算设计 | 机器学习,深度学习 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 17489 | 2025-10-07 |
Efficient labeling for fine-tuning chest X-ray bone-suppression networks for pediatric patients
2025-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17516
PMID:39546640
|
研究论文 | 提出一种用于儿科胸部X射线图像骨抑制网络微调的高效标注方法 | 开发了基于距离变换的骨边缘检测和传统图像处理相结合的自动标注方法，无需专用设备即可生成儿科CXR标注数据 | 仅在260例儿科CXR图像上验证，样本量相对有限 | 开发儿科胸部X射线图像的自动骨抑制方法以改善肺炎诊断 | 儿科患者的胸部X射线图像 | 医学影像分析 | 肺炎 | 距离变换、传统图像处理、深度学习 | CNN | 胸部X射线图像 | 240张成人CXR图像和260张儿科CXR图像 | NA | NA | 平均边界距离、相对韦伯对比度、相对平均绝对误差、峰值信噪比、结构相似性指数、骨抑制比 | NA |
| 17490 | 2025-10-07 |
An automated toolbox for microcalcification cluster modeling for mammographic imaging
2025-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17521
PMID:39569820
|
研究论文 | 开发了一个用于乳腺成像中微钙化簇建模的自动化工具箱 | 提出了两种微钙化簇生成方法：基于几何形状的三维建模方法和考虑局部纹理的二维建模方法，后者通过影像组学分析确保模拟微钙化簇与现有乳腺组织的自然融合 | 需要进一步验证生成模型在不同临床场景下的适用性 | 开发能够生成定制化微钙化簇模型的自动化工具箱，以支持乳腺成像技术的研究和优化 | 乳腺微钙化簇 | 数字病理 | 乳腺癌 | 影像组学分析，计算机模拟 | NA | 乳腺X线图像 | NA | Python, Jupyter Notebook | NA | 真实性评估，恶性程度评估 | NA |
| 17491 | 2024-12-18 |
Correction: Deep learning assists early-detection of hypertension-mediated heart change on ECG signals
2025-Feb, Hypertension research : official journal of the Japanese Society of Hypertension
IF:4.3Q1
DOI:10.1038/s41440-024-01980-5
PMID:39681651
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17492 | 2025-10-07 |
Deep Learning and Numerical Analysis for Bladder Outflow Obstruction and Detrusor Underactivity Diagnosis in Men: A Novel Urodynamic Evaluation Scheme
2025-Feb, Neurourology and urodynamics
IF:1.8Q3
DOI:10.1002/nau.25665
PMID:39803869
|
研究论文 | 开发基于深度学习与短时傅里叶变换的尿动力学评估方案，用于自动诊断男性膀胱出口梗阻和逼尿肌活动不足 | 首次将短时傅里叶变换与深度卷积神经网络结合应用于五通道尿动力学数据诊断 | 研究仅限于男性患者，样本来源仅来自两家医院 | 通过尿动力学检查自动识别和诊断男性下尿路症状患者的膀胱出口梗阻和逼尿肌活动不足 | 1949名接受尿动力学研究的男性患者 | 医疗人工智能 | 泌尿系统疾病 | 尿动力学检查 | CNN | 五通道尿动力学数据（尿流率、尿量、膀胱内压、腹压、逼尿肌压力） | 1949名男性患者（1725名来自武汉大学人民医院，224名来自武汉市中心医院） | NA | 深度卷积神经网络 | AUC | NA |
| 17493 | 2025-10-07 |
Explainable deep learning and virtual evolution identifies antimicrobial peptides with activity against multidrug-resistant human pathogens
2025-Feb, Nature microbiology
IF:20.5Q1
DOI:10.1038/s41564-024-01907-3
PMID:39825096
|
研究论文 | 开发可解释深度学习模型EvoGradient预测抗菌肽活性并通过虚拟进化优化肽序列 | 结合可解释AI与虚拟进化技术，从低丰度口腔细菌中识别并优化抗菌肽 | 仅测试了6种最有效的合成肽，样本量有限 | 识别和优化具有抗多重耐药病原体活性的抗菌肽 | 人类口腔低丰度细菌编码的抗菌肽 | 机器学习 | 多重耐药细菌感染 | 深度学习，虚拟进化 | 深度学习 | 肽序列数据 | 32种虚拟进化肽，其中6种合成测试 | NA | EvoGradient | 细菌载量减少率 | NA |
| 17494 | 2025-10-07 |
Advancing forecasting capabilities: A contrastive learning model for forecasting tropical cyclone rapid intensification
2025-Jan-28, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2415501122
PMID:39835899
|
研究论文 | 开发了一种基于对比学习的热带气旋快速增强预测模型，显著提升了预测性能 | 首次将对比学习应用于热带气旋快速增强预测，解决了样本不平衡问题并整合了热带气旋结构特征 | 研究仅针对西北太平洋区域2020-2021年的数据，尚未验证在其他区域和时期的泛化能力 | 提高热带气旋快速增强的预测准确性 | 热带气旋快速增强事件 | 机器学习 | NA | 卫星红外成像、大气和海洋数据采集 | 对比学习模型 | 卫星图像、大气数据、海洋数据 | 1,149个热带气旋时期（西北太平洋2020-2021年） | NA | RITCF-contrastive | POD（检测概率）, FARate（误报率） | NA |
| 17495 | 2025-10-07 |
Modeling gene interactions in polygenic prediction via geometric deep learning
2025-Jan-22, Genome research
IF:6.2Q1
DOI:10.1101/gr.279694.124
PMID:39562137
|
研究论文 | 提出一种基于几何深度学习的可解释框架PRS-Net，用于建模基因相互作用以提升多基因风险预测 | 首次将几何深度学习应用于多基因风险评分，在单基因分辨率下解卷积全基因组PRS并显式建模基因-基因相互作用 | NA | 开发能够捕捉基因型与表型复杂非线性关系的多基因风险预测方法 | 复杂疾病和性状的多基因风险预测 | 机器学习 | 复杂疾病 | 基因组数据分析 | 图神经网络(GNN) | 基因组数据 | NA | NA | 图神经网络,注意力机制 | 预测性能 | NA |
| 17496 | 2025-10-07 |
A deep learning method for predicting interactions for intrinsically disordered regions of proteins
2025-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.19.629373
PMID:39763873
|
研究论文 | 开发了一种名为Disobind的深度学习方法，用于预测蛋白质内在无序区域与伴侣蛋白之间的相互作用 | 相比现有方法，Disobind考虑了结合伴侣的上下文环境，且不依赖于蛋白质结构和多序列比对 | AlphaFold-multimer和AlphaFold3在基准置信度阈值下预测IDR结合位点的准确性较低 | 预测蛋白质内在无序区域与伴侣蛋白之间的相互作用界面 | 蛋白质内在无序区域(IDRs)及其伴侣蛋白 | 生物信息学 | NA | 深度学习 | NA | 蛋白质序列 | NA | NA | NA | 界面残基预测准确性 | NA |
| 17497 | 2025-10-07 |
Estimating Task-based Performance Bounds for Accelerated MRI Image Reconstruction Methods by Use of Learned-Ideal Observers
2025-Jan-16, ArXiv
PMID:39876930
|
研究论文 | 本研究探索了在加速MRI图像重建中应用学习理想观察者来估计基于任务的性能界限 | 将卷积神经网络近似的理想观察者(CNN-IO)分析方法扩展到多线圈MRI系统，为加速数据采集技术提供任务性能界限指导 | 研究基于风格化多线圈SENSE MRI系统和深度生成随机脑模型，可能无法完全代表真实临床场景 | 为加速MRI图像重建方法建立基于任务的性能界限，指导欠采样数据采集技术设计 | 多线圈磁共振成像系统 | 医学影像分析 | NA | 多线圈磁共振成像，灵敏度编码 | CNN | MRI图像数据 | NA | NA | 卷积神经网络 | 理想观察者性能，任务性能界限 | NA |
| 17498 | 2025-10-07 |
Reusable specimen-level inference in computational pathology
2025-Jan-10, ArXiv
PMID:39867428
|
研究论文 | 开发了一个名为SpinPath的工具包，旨在通过提供预训练模型库和推理平台来普及计算病理学中的标本级深度学习 | 首个专门针对计算病理学标本级推理的完整工具包，包含预训练模型库、Python推理引擎和JavaScript推理平台 | NA | 解决计算病理学中标本级模型不可用的问题，促进该领域深度学习的广泛应用 | 计算病理学中的标本级任务 | 数字病理学 | NA | 深度学习 | 基础模型 | 病理图像 | NA | Python, JavaScript | NA | 在转移瘤检测任务中进行了验证 | NA |
| 17499 | 2025-10-07 |
Counterfactual Diffusion Models for Mechanistic Explainability of Artificial Intelligence Models in Pathology
2025-Jan-08, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.29.620913
PMID:39554184
|
研究论文 | 开发用于病理学AI模型机制可解释性的反事实扩散模型MoPaDi | 首次将扩散自编码器应用于病理图像反事实解释生成，通过改变形态学特征翻转生物标志物状态 | 用户研究中原始图像正确识别率为63.3-73.3%，表明生成图像与真实图像仍存在一定差距 | 提高病理学中深度学习模型的可解释性 | 组织病理学全切片图像 | 数字病理学 | 癌症 | 扩散模型，多实例学习 | 扩散自编码器 | 图像 | 四个数据集（组织类型、不同器官癌症类型、切片中心来源、微卫星不稳定性生物标志物） | NA | MoPaDi | 多尺度结构相似性指数，AUC，用户研究评估 | NA |
| 17500 | 2025-10-07 |
TIPPo: A User-Friendly Tool for De Novo Assembly of Organellar Genomes with High-Fidelity Data
2025-Jan-06, Molecular biology and evolution
IF:11.0Q1
DOI:10.1093/molbev/msae247
PMID:39800935
|
研究论文 | 介绍TIPPo——一种使用PacBio高保真长读长数据进行细胞器基因组从头组装的用户友好工具 | 首个不依赖相关物种基因组或核基因组信息的参考无关组装工具，采用深度学习模型进行初始读长分类并利用k-mer计数进行优化 | NA | 开发用于植物细胞器基因组组装的新工具 | 植物叶绿体和线粒体基因组 | 生物信息学 | NA | PacBio高保真长读长测序 | 深度学习模型 | 基因组测序数据 | 54个完整叶绿体基因组 | NA | NA | 组装完整性 | NA |