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 43614 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 | 2025-10-06 |
HDXRank: A Deep Learning Framework for Ranking Protein Complex Predictions with Hydrogen-Deuterium Exchange Data
2025-Jul-22, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c00175
PMID:40367339
|
研究论文 | 开发了一种基于图神经网络的蛋白质复合物预测排名框架HDXRank，利用氢-氘交换数据提高结构预测准确性 | 首次将氢-氘交换数据转化为模型质量指标，开发了能够捕捉局部结构特征的图神经网络框架 | NA | 提高蛋白质复合物结构预测的准确性 | 蛋白质复合物结构预测 | 机器学习 | NA | 氢-氘交换实验 | 图神经网络 | 蛋白质结构数据，氢-氘交换数据 | 新策划的氢-氘交换数据集 | PyTorch, DGL | GNN | 模型排名准确性，预测质量改进 | NA |
| 17802 | 2025-10-06 |
Analysis of the carotenoid cycle during microbial growth by combining fluorescence imaging and deep learning
2025-Jul-10, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126641
PMID:40712219
|
研究论文 | 结合荧光成像和深度学习分析微生物生长过程中的类胡萝卜素循环 | 首次检测两种海洋芽孢杆菌菌株生长过程中相对类胡萝卜素含量的动态实时变化 | 仅研究两种海洋芽孢杆菌菌株，样本范围有限 | 分析微生物生长过程中类胡萝卜素循环的动态变化 | 两种海洋芽孢杆菌孢子（编号#2430和#2966） | 计算机视觉 | NA | 拉曼光镊，活细胞动态成像，荧光显微镜 | 深度学习 | 图像 | 两种海洋芽孢杆菌菌株 | NA | UNet,VGG16 | 分析精度 | NA |
| 17803 | 2025-10-06 |
Monochromatic LeafAdaptNet (MLAN): an adaptive approach to spinach leaf disease detection using monochromatic imaging
2025-Jul-08, World journal of microbiology & biotechnology
IF:4.0Q2
DOI:10.1007/s11274-025-04442-3
PMID:40627236
|
研究论文 | 提出一种基于单色成像的自适应深度学习方法用于菠菜叶部病害检测 | 开发了基于DenseNet-121-DO的自定义单色叶片自适应网络(MLAN)，专门针对菠菜叶部病害检测进行优化 | NA | 通过深度学习目标检测技术改进菠菜叶部细菌和真菌病害的识别与分类 | 菠菜叶片（包括半菠菜、咖喱叶、辣木叶和生菜） | 计算机视觉 | 植物病害 | 单色成像 | CNN | 图像 | NA | Google Colaboratory | DenseNet-121-DO, Custom Monochromatic LeafAdaptNet (MLAN) | 准确率, 平均精度均值(mAP) | Google Colaboratory云平台 |
| 17804 | 2025-10-06 |
Deep Learning Based Models for CRISPR/Cas Off-Target Prediction
2025-Jul, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202500122
PMID:40468633
|
综述 | 本文综述了基于深度学习的CRISPR/Cas脱靶效应预测工具，并评估了六种深度学习模型的性能 | 首次系统评估六种深度学习模型在CRISPR/Cas脱靶预测中的表现，并验证整合高质量验证数据对模型性能的提升 | 没有模型在所有场景下都表现最优，模型性能受数据集特性影响 | 改进CRISPR/Cas基因组编辑技术的脱靶效应预测 | CRISPR/Cas脱靶位点(OTS) | 机器学习 | NA | CRISPR/Cas基因组编辑技术 | 深度学习 | 基因组序列数据 | 六个公共数据集和CRISPRoffT数据库的验证数据 | NA | CRISPR-Net, CRISPR-IP, R-CRISPR, CRISPR-M, CrisprDNT, Crispr-SGRU | Precision, Recall, F1 score, MCC, AUROC, PRAUC | NA |
| 17805 | 2025-10-06 |
A deep learning phenome wide association study of the electrocardiogram
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf047
PMID:40703109
|
研究论文 | 本研究使用深度学习模型从心电图波形中检测1243种不同疾病表型，并探索心电图特征对疾病分类的贡献 | 首次通过深度学习表型全关联研究系统评估心电图可检测的疾病范围，发现多种新的可检测非心脏疾病 | 研究基于两家医疗中心的数据，可能存在选择偏倚；部分疾病检测机制仍需进一步解释 | 确定心电图可检测的心脏和非心脏疾病全谱系，并理解支持疾病分类的心电图特征 | 心电图波形和连接的电子健康记录数据 | 机器学习 | 心血管疾病 | 心电图分析 | 多任务深度学习模型 | 心电图波形数据 | 来自两家医疗中心的大规模数据集 | NA | PheWASNet | AUC | NA |
| 17806 | 2025-10-06 |
Novel artificial intelligence model using electrocardiogram for detecting acute myocardial infarction needing revascularization
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf049
PMID:40703113
|
研究论文 | 开发基于心电图的人工智能模型用于检测需要血运重建的急性心肌梗死 | 采用基于Transformer的深度学习模型，通过自监督学习在约一百万未标记心电图上进行预训练，显著提升急性心肌梗死检测性能 | 研究数据来自单中心推导队列和独立中心外部验证，可能存在选择偏倚 | 开发人工智能模型用于及时诊断需要血运重建的急性心肌梗死 | 急性心肌梗死患者的心电图数据 | 机器学习 | 心血管疾病 | 心电图 | Transformer | 心电图信号 | 推导队列：300,627名患者的723,389份心电图（含5,872例AMI）；外部验证：259,454名患者的261,429份心电图（含1,095例AMI） | NA | Transformer | AUROC | NA |
| 17807 | 2025-10-06 |
Development and multinational validation of an ensemble deep learning algorithm for detecting and predicting structural heart disease using noisy single-lead electrocardiograms
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf034
PMID:40703117
|
研究论文 | 开发并验证了一种基于单导联心电图的集成深度学习算法，用于检测和预测结构性心脏病 | 首次开发了能够适应噪声的单导联AI-ECG算法，可在便携/可穿戴设备上使用 | 研究主要基于医院数据，社区筛查应用仍需进一步验证 | 开发适用于社区筛查的结构性心脏病检测和预测算法 | 来自多个医疗机构的患者心电图和超声心动图数据 | 机器学习 | 心血管疾病 | 心电图 | 深度学习 | 心电图信号 | 266,740份心电图，来自99,205名患者 | NA | 集成深度学习 | AUROC, 校准曲线 | NA |
| 17808 | 2025-10-06 |
Detection of subclinical atherosclerosis by image-based deep learning on chest X-ray
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf033
PMID:40703133
|
研究论文 | 开发基于胸部X光片的深度学习系统用于检测亚临床动脉粥样硬化 | 首次利用常规胸部X光片通过深度学习预测冠状动脉钙化评分，为无创检测亚临床动脉粥样硬化提供新方法 | 需要在前瞻性研究中进一步验证，样本量相对有限（540例） | 开发基于深度学习的冠状动脉钙化评分预测系统 | 一级预防患者群体 | 计算机视觉 | 心血管疾病 | 胸部X光摄影，胸部计算机断层扫描 | 深度学习 | 医学影像 | 460例训练和内部验证，90例外部验证，总计540例 | NA | AI-CAC模型 | AUC, 敏感性, 阴性预测值 | NA |
| 17809 | 2025-10-06 |
Explainable AI for Cotton Leaf Disease Classification: A Metaheuristic-Optimized Deep Learning Approach
2025-Jul, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.70658
PMID:40703612
|
研究论文 | 提出一种结合元启发式优化的可解释深度学习框架用于棉花叶部病害分类 | 结合EfficientNetB3和InceptionResNetV2的混合架构，并集成LIME和SHAP等可解释AI技术增强模型透明度 | NA | 开发可靠、可解释且适用于田间应用的棉花叶部病害诊断工具 | 棉花叶部病害图像 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | NA | NA | EfficientNetB3,InceptionResNetV2 | 准确率,精确率,召回率,F1分数,AUC-ROC | NA |
| 17810 | 2025-10-06 |
Multistage attention-based extraction and fusion of protein sequence and structural features for protein function prediction
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf374
PMID:40569190
|
研究论文 | 提出一种基于多阶段注意力机制的蛋白质功能预测框架MAEF-GO，通过融合蛋白质序列和结构特征提升预测性能 | 创新性地整合图卷积网络和图注意力网络提取结构特征，引入频域注意力机制捕获长程依赖，并采用交叉注意力模块实现多模态交互融合 | 未明确说明模型在特定蛋白质家族或功能类别上的泛化能力限制 | 开发能够更全面描述蛋白质功能的深度学习预测模型 | 蛋白质功能预测 | 生物信息学 | NA | 蛋白质序列分析，结构特征提取 | 图卷积网络(GCN)，图注意力网络(GAT)，注意力机制 | 蛋白质序列数据，结构数据 | NA | PyTorch | 多阶段注意力机制，交叉注意力模块 | 准确性，精确度，召回率，F1分数，AUC | NA |
| 17811 | 2025-10-06 |
DeepFace: A High-Precision and Scalable Deep Learning Pipeline for Predicting Large-Scale Brain Activity from Facial Dynamics in Mice
2025-Jun-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.10.658952
PMID:40661434
|
研究论文 | 介绍DeepFace这一新一代面部分析流程，用于提升小鼠面部动态追踪和皮层活动预测能力 | 在DeepLabCut和Facemap基础上构建，解决可扩展性瓶颈并改进行为量化，提供高精度、关键点定制化以及跨多种GCaMP系列的稳健性能 | NA | 开发高精度可扩展的深度学习流程，从小鼠面部动态预测大规模脑活动 | 小鼠 | 计算机视觉 | NA | 深度学习，面部动态分析 | 深度学习模型 | 面部动态视频数据 | 大规模小鼠样本 | NA | NA | 精度，稳健性 | 高性能计算兼容，可扩展批处理 |
| 17812 | 2025-10-06 |
Comparative evaluation of deep learning architectures, including UNet, TransUNet, and MIST, for left atrium segmentation in cardiac computed tomography of congenital heart diseases
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00087
PMID:40703371
|
研究论文 | 比较UNet、TransUNet和MIST三种深度学习架构在先天性心脏病心脏CT图像左心房分割中的性能 | 首次系统比较三种深度学习架构在先天性心脏病左心房分割中的表现，并深入分析MIST模型中空间注意力机制的有效性 | MIST模型计算开销较大，临床实际部署存在困难 | 评估不同深度学习模型在心脏CT图像左心房分割中的性能差异 | 先天性心脏病患者的左心房 | 计算机视觉 | 心血管疾病 | 心脏计算机断层扫描 | 深度学习 | 医学图像 | 108个公开可用的CT体积数据，其中97例用于训练验证，11例用于测试 | NA | UNet, TransUNet, MIST | Dice分数, HD95 | NA |
| 17813 | 2025-10-06 |
Development of automatic organ segmentation based on positron-emission tomography analysis system using Swin UNETR in breast cancer patients in Korea
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00094
PMID:40703367
|
研究论文 | 开发基于Swin UNETR的PET自动器官分割系统，用于韩国乳腺癌患者的标准化SUV评估 | 首次将Swin UNETR模型应用于乳腺癌患者PET影像的自动器官分割，实现全器官SUV分析的标准化 | 样本量有限（总样本60例），仅针对韩国人群进行研究 | 通过深度学习标准化核医学影像中的SUV评估，提高乳腺癌诊断和预后准确性 | 乳腺癌患者的关键器官（乳腺、肝脏、脾脏和骨髓） | 数字病理 | 乳腺癌 | PET（正电子发射断层扫描） | Swin UNETR | 医学影像 | 60例患者（训练集40例，验证集10例，独立测试集10例） | PyTorch | Swin UNETR | 分割准确度 | NA |
| 17814 | 2025-10-06 |
Cyclic dual latent discovery for improved blood glucose prediction through patient-provider interaction modeling: a prediction study
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00332
PMID:40703385
|
研究论文 | 提出一种循环双潜在发现(CDLD)深度学习框架，通过建模患者-医护人员交互来改进血糖水平预测 | 首次将患者-医护人员交互建模引入血糖预测框架，采用循环训练机制交替更新患者和医护人员的潜在表示 | 仅使用ICU患者数据，可能限制模型在普通糖尿病患者的泛化能力 | 提高血糖变异性预测准确性以改善糖尿病管理 | ICU患者及其与医护人员的交互记录 | 机器学习 | 糖尿病 | 深度学习 | 深度学习框架 | 电子健康记录，患者-医护人员交互数据 | 来自MIMIC-IV v3.0数据库的约5,014个患者-医护人员交互实例 | NA | 循环双潜在发现(CDLD) | 均方根误差(RMSE) | NA |
| 17815 | 2025-10-06 |
Real-time intraoperative ultrasound registration for accurate surgical navigation in patients with pelvic malignancies
2025-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03299-5
PMID:39633142
|
研究论文 | 本研究开发并评估了多种实时术中超声配准方法，用于盆腔恶性肿瘤手术导航 | 开发了基于深度学习的实时术中超声骨骼和动脉分割方法，实现了快速准确的术中配准 | 术中超声存在用户依赖性，需要直观的软件支持才能达到最佳临床实施效果 | 开发准确快速的术中配准方法以改善盆腔恶性肿瘤手术导航效果 | 盆腔恶性肿瘤患者 | 医学影像分析 | 盆腔恶性肿瘤 | 术中超声，深度学习分割 | 深度学习 | 超声图像 | 30名患者 | NA | NA | Dice系数，平均表面距离，目标配准误差 | NA |
| 17816 | 2025-10-06 |
Data augmentation of time-series data in human movement biomechanics: A scoping review
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327038
PMID:40591732
|
综述 | 对生物力学时间序列数据增强技术进行范围综述，分析当前方法并评估其有效性 | 首次系统综述生物力学领域时间序列数据增强技术的应用现状与挑战 | 仅纳入21篇相关文献，缺乏对数据增强方法的统一评估标准 | 评估生物力学时间序列数据增强技术的现状、效果和应用建议 | 2013-2024年间发表的生物力学时间序列数据增强研究 | 生物力学 | NA | 数据增强技术 | NA | 时间序列数据 | 21篇相关出版物 | NA | NA | NA | NA |
| 17817 | 2025-10-06 |
Closed-Loop Transcranial Ultrasound Stimulation Based on Deep Learning Effectively Suppresses Epileptic Seizures in Mice
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3589089
PMID:40658582
|
研究论文 | 本研究开发了一种基于深度学习的闭环经颅超声刺激系统，用于实时检测并抑制小鼠癫痫发作 | 首次将深度学习与经颅超声刺激结合构建闭环系统，实现癫痫信号的实时识别与动态干预 | 研究仅使用青霉素诱导的癫痫小鼠模型，未验证其他癫痫模型的有效性 | 开发能动态响应癫痫发作的闭环神经调控系统 | 青霉素诱导的癫痫小鼠海马区 | 机器学习 | 癫痫 | 经颅超声刺激 | 深度学习网络 | 神经信号 | 未明确说明具体样本数量的小鼠实验 | NA | NA | 癫痫信号识别准确率、发作放电率、功率强度、相位-幅度耦合、样本熵 | NA |
| 17818 | 2025-10-06 |
Detecting early gastrointestinal polyps in histology and endoscopy images using deep learning
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1571075
PMID:40703309
|
研究论文 | 提出一种基于深度学习的三阶段方法用于早期胃肠道息肉检测 | 开发了结合编码器-解码器网络、预训练模型和SVM分类器的三阶段深度学习框架 | InceptionV3模型性能略低于其他模型，未说明具体原因 | 早期胃肠道癌变检测 | 胃肠道息肉 | 计算机视觉 | 胃肠道癌 | 深度学习 | CNN, SVM | 图像 | 5个数据集（CRC-VAL-HE-7K、CRC-VAL-HE-100K、Kvasir_v2、北京肿瘤医院数据集、弱标注数据集） | NA | 编码器-解码器网络, VGG16, VGG19, ResNet50, InceptionV3 | 准确率 | NA |
| 17819 | 2025-10-06 |
Integrating pathomics and deep learning for subtyping uveal melanoma: identifying high-risk immune infiltration profiles
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1585097
PMID:40703526
|
研究论文 | 本研究结合病理组学和深度学习技术对葡萄膜黑色素瘤进行亚型分型，识别高风险免疫浸润特征 | 首次将无监督学习技术与深度学习模型相结合，识别出葡萄膜黑色素瘤的高免疫浸润亚型，并基于死亡率风险改进患者分层方法 | 样本量相对有限（训练集70例，验证集68例），需要更大规模的多中心研究验证 | 利用无监督学习技术识别葡萄膜黑色素瘤的高免疫浸润亚型，基于死亡率风险改进患者分层 | 葡萄膜黑色素瘤患者 | 数字病理学 | 葡萄膜黑色素瘤 | H&E染色全玻片图像分析，基因组数据分析 | 深度学习，无监督学习 | 病理图像，基因组数据，临床数据 | 训练集70例（来自GDC数据库），验证集68例（来自华西医院） | CellProfiler | Inception-V3 | 生存预测准确性，患者分类准确性 | NA |
| 17820 | 2025-10-06 |
Supervised contrastive loss helps uncover more robust features for photoacoustic prostate cancer identification
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1592815
PMID:40703547
|
研究论文 | 本研究将监督对比学习引入光声光谱分析，用于前列腺癌识别 | 提出SCL-adjust模型，在光声光谱特征提取中应用监督对比损失函数，显著提升特征鲁棒性和模型迁移性能 | 个体异质性仍然是影响判别性能的重要因素 | 从复杂生物组织中提取更可靠特征，提升前列腺癌的判别准确率 | 前列腺癌的光声光谱数据 | 医学影像分析 | 前列腺癌 | 光声光谱分析 | CNN, 监督对比学习 | 光谱数据 | NA | NA | CNN-based模型, SC模型, SCL-adjust模型 | 准确率 | NA |