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 33074 篇文献，本页显示第 17801 - 17820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17801 | 2025-02-04 |
DeepAptamer: Advancing high-affinity aptamer discovery with a hybrid deep learning model
2025-Mar-11, Molecular therapy. Nucleic acids
DOI:10.1016/j.omtn.2024.102436
PMID:39897584
|
研究论文 | 本文提出了一种名为DeepAptamer的混合深度学习模型，用于从早期未富集的SELEX轮次中识别高亲和力的寡核苷酸适配体 | DeepAptamer结合了卷积神经网络和双向长短期记忆网络，整合了序列组成和结构特征来预测适配体结合亲和力和潜在结合基序，显著提高了高亲和力适配体的发现效率 | NA | 解决SELEX过程中实验偏差和非特异性相互作用导致的高失败率问题，提高高亲和力适配体的发现效率 | 寡核苷酸适配体 | 机器学习 | NA | SELEX | CNN, LSTM | 序列数据 | NA | NA | NA | NA | NA |
| 17802 | 2025-10-07 |
Dongting Lake algal bloom forecasting: Robustness and accuracy analysis of deep learning models
2025-Mar-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2024.136804
PMID:39672063
|
研究论文 | 本研究开发了一种基于深度学习的洞庭湖藻华早期预警系统，通过集成时间序列分析和iTransformer模型提高预测精度 | 首次将iTransformer模型应用于藻华预测，利用其强大的预处理能力处理缺失数据，并通过注意力权重分析识别影响藻密度的关键因素 | 未来工作需要探索更多环境变量以增强模型的预测能力和泛化性 | 开发有效的有害藻华早期预警系统，支持水质管理决策 | 洞庭湖的水质数据和藻华发生情况 | 机器学习 | NA | 水质监测，时间序列分析 | iTransformer | 时间序列水质数据 | NA | NA | iTransformer | 预测准确性，鲁棒性 | NA |
| 17803 | 2025-10-07 |
Automated Quantitative Assessment of Retinal Vascular Tortuosity in Patients with Sickle Cell Disease
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100658
PMID:39886358
|
研究论文 | 本研究使用自动化深度学习流程定量评估镰状细胞病患者的视网膜血管迂曲度 | 首次采用深度学习算法自动量化镰状细胞病视网膜病变患者的累积血管迂曲度指数 | 样本量相对有限，且为横断面研究无法确定因果关系 | 评估镰状细胞病患者的视网膜血管迂曲度与疾病严重程度的关系 | 镰状细胞病患者和匹配的健康对照者 | 数字病理学 | 镰状细胞病 | 超广角伪彩色眼底成像 | 深度学习算法 | 眼底图像 | 64名患者（119只眼）和57名对照（106只眼） | NA | NA | 累积迂曲度指数 | NA |
| 17804 | 2025-02-05 |
A Low Complexity Efficient Deep Learning Model for Automated Retinal Disease Diagnosis
2025-Mar, Journal of healthcare informatics research
IF:5.4Q1
DOI:10.1007/s41666-024-00182-5
PMID:39897099
|
研究论文 | 本文提出了一种低复杂度高效的深度学习模型，用于自动视网膜疾病诊断 | 开发了一种轻量级优化的紧凑卷积变压器（OCCT）模型，并通过消融研究改进了初始CCT模型，用于分类视网膜疾病 | NA | 通过深度学习技术提高视网膜疾病的早期诊断准确率 | 人类视网膜OCT图像 | 计算机视觉 | 视网膜疾病 | 光学相干断层扫描（OCT） | 紧凑卷积变压器（OCCT），生成对抗网络（GAN） | 图像 | 130,649张图像 | NA | NA | NA | NA |
| 17805 | 2025-02-05 |
Enhancing unsupervised learning in medical image registration through scale-aware context aggregation
2025-Feb-21, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.111734
PMID:39898031
|
研究论文 | 本文介绍了一种名为ScaMorph的无监督学习模型，用于医学图像配准，通过尺度感知的上下文聚合来提高配准效果 | ScaMorph模型结合了多尺度混合卷积和轻量级多尺度上下文融合，有效整合了卷积网络和视觉变换器，解决了多种配准任务 | NA | 提高医学图像配准的无监督学习效果 | 3D医学图像 | 计算机视觉 | NA | 无监督学习 | 卷积网络和视觉变换器 | 3D医学图像 | 五个应用场景的3D医学图像数据集 | NA | NA | NA | NA |
| 17806 | 2025-10-07 |
NIRFluor: A Deep Learning Platform for Rapid Screening of Small Molecule Near-Infrared Fluorophores with Desired Optical Properties
2025-Feb-04, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c01953
PMID:39818744
|
研究论文 | 开发了一个名为NIRFluor的深度学习平台，用于快速筛选具有理想光学性质的小分子近红外荧光团 | 提出了结合摩根指纹、理化性质和溶剂性质的新型混合指纹，并设计了多任务指纹增强图卷积网络(MT-FinGCN)模型 | NA | 加速小分子近红外荧光团的开发和设计 | 小分子近红外荧光团 | 机器学习 | NA | 深度学习 | GCN | 化学结构数据 | 5179个实验大数据 | NA | 多任务指纹增强图卷积网络(MT-FinGCN) | NA | NA |
| 17807 | 2025-10-07 |
Advanced Distance-Resolved Evaluation of the Perienhancing Tumor Areas with FLAIR Hyperintensity Indicates Different ADC Profiles by MGMT Promoter Methylation Status in Glioblastoma
2025-Feb-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8493
PMID:39848779
|
研究论文 | 通过新型距离分辨3D评估方法分析胶质母细胞瘤周围浸润区ADC值与MGMT启动子甲基化状态的关系 | 首次采用距离分辨的3D体积分析方法评估胶质母细胞瘤周围FLAIR高信号区的ADC分布特征 | 回顾性研究，样本量有限(n=101)，仅关注IDH野生型胶质母细胞瘤 | 探索MGMT启动子甲基化状态在胶质母细胞瘤MRI标记物中的差异表现 | 101例IDH野生型胶质母细胞瘤患者(mMGMT=43, uMGMT=58) | 数字病理 | 胶质母细胞瘤 | MRI, FLAIR序列, ADC分析, 深度学习分割 | 深度学习 | 3D医学影像 | 101例IDH野生型胶质母细胞瘤患者 | NA | NA | Wilcoxon符号秩检验, P值 | NA |
| 17808 | 2025-02-05 |
The Present State and Potential Applications of Artificial Intelligence in Cancer Diagnosis and Treatment
2025-Feb-03, Recent patents on anti-cancer drug discovery
IF:2.5Q3
|
综述 | 本文综述了人工智能在癌症诊断和治疗中的现状和潜在应用 | 探讨了人工智能在癌症管理中的多方面应用，包括早期检测、诊断、分类、分子特征分析、患者结果预测和治疗反应预测等 | 未提及具体的技术限制或数据限制 | 增强癌症的早期检测和管理 | 癌症患者 | 机器学习 | 癌症 | 深度学习 | NA | 医疗数据集 | NA | NA | NA | NA | NA |
| 17809 | 2025-10-07 |
Multi-task aquatic toxicity prediction model based on multi-level features fusion
2025-Feb, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2024.06.002
PMID:38844122
|
研究论文 | 提出一种基于多级特征融合的多任务水生毒性预测模型ATFPGT-multi，用于同时预测有机化合物对四种鱼类的急性毒性 | 融合分子指纹和分子图表征分子结构，采用多任务学习框架同时预测多种鱼类毒性，并利用注意力机制识别毒性相关分子片段 | 仅针对四种鱼类进行验证，未涵盖更广泛的水生生物种类 | 开发高精度、高效率的水生毒性预测模型以支持环境保护 | 有机化合物及其对水生生物的毒性效应 | 机器学习 | NA | 深度学习 | 深度神经网络 | 分子指纹、分子图 | 四种鱼类数据集 | NA | 多任务深度学习网络 | AUC | NA |
| 17810 | 2025-10-07 |
Diagnosis and typing of leukemia using a single peripheral blood cell through deep learning
2025-Feb, Cancer science
IF:4.5Q1
DOI:10.1111/cas.16374
PMID:39555724
|
研究论文 | 本研究开发了一种基于深度学习的模型，能够通过单个外周血细胞图像实现白血病的诊断和分型 | 首次提出使用分割增强残差网络结合渐进多粒度训练方法，仅需单个外周血细胞即可完成白血病诊断和分型，避免了侵入性骨髓穿刺 | 模型在非APL病例中的召回率相对较低(74.63%)，样本量有限(237名患者) | 开发非侵入性的白血病诊断和分型方法 | 外周血细胞图像，包括五种良性白细胞和八种白血病细胞 | 数字病理学 | 白血病 | 细胞形态学分析 | CNN | 图像 | 237名患者的21,208张图像 | NA | 增强残差网络 | 精确率,召回率,F1分数 | NA |
| 17811 | 2025-10-07 |
Current status and future direction of cancer research using artificial intelligence for clinical application
2025-Feb, Cancer science
IF:4.5Q1
DOI:10.1111/cas.16395
PMID:39557634
|
综述 | 介绍基于人工智能的癌症研究现状，重点讨论临床应用视角下的挑战与未来方向 | 聚焦生成式AI技术在癌症研究中的最新进展，特别关注AI医疗软件设备的监管审批现状 | NA | 促进利用有效AI技术的癌症研究发展 | 人工智能在癌症研究中的应用 | 机器学习 | 癌症 | 深度学习 | NA | 大数据 | NA | NA | NA | NA | NA |
| 17812 | 2025-10-07 |
Artificial Intelligence In Health And Health Care: Priorities For Action
2025-Feb, Health affairs (Project Hope)
DOI:10.1377/hlthaff.2024.01003
PMID:39841940
|
评论 | 本文阐述了在医疗健康领域应用人工智能的优先行动方向，重点关注安全性、有效性和公平性 | 提出了医疗AI发展的四个战略重点领域，为2025年总统政府提供政策指导 | NA | 为医疗健康领域人工智能的安全有效应用提供战略指导 | 医疗健康领域的人工智能应用 | 机器学习 | NA | 深度学习，生成式AI | NA | NA | NA | NA | NA | NA | NA |
| 17813 | 2025-10-07 |
Informatics strategies for early detection and risk mitigation in pancreatic cancer patients
2025-Feb, Neoplasia (New York, N.Y.)
DOI:10.1016/j.neo.2025.101129
PMID:39842383
|
综述 | 全面概述胰腺癌筛查、诊断和早期检测的现状，重点关注高危人群筛查策略和新兴检测技术 | 强调人工智能驱动方法在早期检测中的潜力，整合液体活检技术和传统诊断方法 | 主要基于现有文献综述，缺乏原始实验数据验证 | 改善胰腺癌早期检测和风险缓解策略 | 胰腺癌高危人群，特别是有家族遗传倾向和基因突变（BRCA1、BRCA2、PALB2）的个体 | 数字病理 | 胰腺癌 | 内镜超声（EUS）、对比增强谐波成像（CEH-EUS）、液体活检、循环肿瘤DNA（ctDNA）分析 | 深度学习 | 医学影像、生物标志物数据、基因数据 | NA | NA | NA | 灵敏度 | NA |
| 17814 | 2025-10-07 |
Deep learning methods for proteome-scale interaction prediction
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2024.102981
PMID:39848140
|
综述 | 本文综述了深度学习在蛋白质组规模相互作用预测中的最新进展与应用 | 系统总结基于结构的深度学习方法在克服当前预测局限性方面的潜力 | 数据质量和验证偏差等挑战仍然存在 | 推动蛋白质相互作用预测以促进生物学研究和药物发现 | 蛋白质-蛋白质和蛋白质-配体相互作用 | 机器学习 | NA | 深度学习 | NA | 蛋白质相互作用数据、结构信息 | NA | NA | NA | NA | NA |
| 17815 | 2025-10-07 |
Challenges and compromises: Predicting unbound antibody structures with deep learning
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.102983
PMID:39862761
|
研究论文 | 本文探讨了利用深度学习预测未结合抗体结构的挑战与折衷方案 | 提出生成模型可能解决未结合抗体结构预测中的构象异质性挑战 | 结构数据偏向抗体-抗原复合物导致类别不平衡，可能限制模型对未结合形式的泛化能力 | 改进未结合抗体结构的预测方法以优化抗体开发流程 | 治疗性抗体及其未结合形式的结构 | 机器学习 | NA | 深度学习 | 生成模型 | 结构数据 | NA | NA | NA | NA | NA |
| 17816 | 2025-10-07 |
Development and evaluation of a deep learning model to reduce exomass-related metal artefacts in cone-beam CT: an ex vivo study using porcine mandibles
2025-Feb-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae062
PMID:39589904
|
研究论文 | 开发并评估用于减少锥形束CT中外源性金属伪影的深度学习模型 | 首次使用条件去噪扩散概率模型校正锥形束CT中的外源性金属伪影 | 仅使用猪下颌骨进行体外研究，样本量较小 | 减少锥形束CT中外源性金属植入物引起的伪影 | 猪下颌骨及钛、钛锆、氧化锆牙科种植体 | 医学影像处理 | 口腔疾病 | 锥形束CT扫描 | 条件去噪扩散概率模型 | CT影像 | 5个猪下颌骨，每个含6个放射不透明溶液管，最多植入3个种植体 | 深度学习 | 条件去噪扩散概率模型 | 对比噪声比, 图像质量评分 | NA |
| 17817 | 2025-02-05 |
HEDDI-Net: heterogeneous network embedding for drug-disease association prediction and drug repurposing, with application to Alzheimer's disease
2025-Feb-01, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-024-05938-6
PMID:39891114
|
研究论文 | 本文介绍了一种名为HEDDI-Net的异质网络嵌入架构，用于预测药物-疾病关联和药物再利用，特别是在阿尔茨海默病中的应用 | HEDDI-Net能够直接应用于新的疾病和药物，无需重新训练，这是大多数基于GCN的方法所不具备的。此外，HEDDI-Net提供了详细的亲和力模式，有助于理解候选药物的生理效应 | 尽管HEDDI-Net在预测药物-疾病关联方面表现出色，但其在稀疏网络中的表现仍需进一步验证 | 开发一种能够准确预测药物-疾病关联并保持生物机制可解释性的方法，以支持药物再利用 | 药物和疾病，特别是阿尔茨海默病 | 机器学习 | 阿尔茨海默病 | 图神经网络（GCN）和浅层学习技术 | 多层感知机（MLP） | 网络数据 | NA | NA | NA | NA | NA |
| 17818 | 2025-02-05 |
Predicting carbon dioxide emissions using deep learning and Ninja metaheuristic optimization algorithm
2025-Feb-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86251-0
PMID:39893234
|
研究论文 | 本文提出了一种基于深度学习和Ninja元启发式优化算法的高精度预测二氧化碳排放的新方法 | 使用DPRNNs模型结合NiOA优化算法，能够有效捕捉数据中的短期和长期时间依赖性，并通过PCA和BSS技术进行数据预处理以提高预测精度 | 研究仅针对二氧化碳排放，未涵盖其他温室气体，且未实现实时跟踪 | 开发一种高精度的二氧化碳排放预测方法 | 二氧化碳排放数据 | 机器学习 | NA | PCA, BSS, NiOA | DPRNNs | 时间序列数据 | NA | NA | NA | NA | NA |
| 17819 | 2025-02-05 |
Observational study of sudden cardiac arrest risk (OSCAR): Rationale and design of an electronic health records cohort
2025-Feb, International journal of cardiology. Heart & vasculature
DOI:10.1016/j.ijcha.2025.101614
PMID:39897418
|
研究论文 | 本文描述了基于电子健康记录（EHR）的队列研究OSCAR，旨在评估心脏骤停（SCA）的预测因素 | 利用电子健康记录（EHR）和人工智能技术（如自然语言处理和深度学习）来定义患者表型，并结合生物统计学和机器学习方法进行分析 | 研究依赖于电子健康记录的数据质量，可能存在数据缺失或不准确的问题 | 评估心脏骤停（SCA）的预测因素，改进风险预测模型 | 洛杉矶县居民，特别是那些在Cedars-Sinai健康系统（CSHS）接受常规医疗的患者 | 机器学习 | 心血管疾病 | 自然语言处理，深度学习 | NA | 电子健康记录（EHR） | 379,833名洛杉矶县居民 | NA | NA | NA | NA |
| 17820 | 2025-02-05 |
Enhancing cybersecurity via attribute reduction with deep learning model for false data injection attack recognition
2025-Jan-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82566-6
PMID:39890851
|
研究论文 | 本文提出了一种基于深度学习的属性减少技术，用于识别虚假数据注入攻击，以提高电网系统的安全性 | 引入了改进的深度信念网络（IDBN）模型和基于鲸鱼优化算法（COA）的超参数调优过程，以提高虚假数据注入攻击的检测性能 | 未提及具体的数据集大小或实验环境的具体细节 | 提高电网系统对虚假数据注入攻击的检测能力，增强电网的安全性和韧性 | 电网系统中的虚假数据注入攻击 | 机器学习 | NA | Z-score归一化，改进的Lemrus优化算法（MLOA），改进的深度信念网络（IDBN），鲸鱼优化算法（COA） | 改进的深度信念网络（IDBN） | 电网测量数据 | 未提及具体样本数量 | NA | NA | NA | NA |