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 49331 篇文献，本页显示第 18001 - 18020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18001 | 2025-12-17 |
MultiverseAD: Enhancing spatial-temporal synchronous attention networks with causal knowledge for multivariate time series anomaly detection
2025-Dec, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107903
PMID:40773781
|
研究论文 | 本文提出了一种名为MultiverseAD的时空同步注意力网络，结合因果知识以增强多元时间序列异常检测性能 | 通过动态时空同步注意力网络与静态时空因果图的结合，同步处理时空特征，并利用因果知识增强学习过程 | NA | 提高多元时间序列异常检测的准确性和鲁棒性 | 多元时间序列数据 | 机器学习 | NA | NA | 注意力网络 | 时间序列数据 | 八个公共数据集 | NA | 动态时空同步注意力网络, 静态时空因果图 | NA | NA |
| 18002 | 2025-12-17 |
Predicting the prognosis of symptomatic intracranial atherosclerotic stenosis (sICAS) patients using deep learning models: a multicenter study based on high-resolution magnetic resonance vessel wall imaging
2025-Dec, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2025.107092
PMID:41086706
|
研究论文 | 本研究基于高分辨率磁共振血管壁成像，开发深度学习模型以预测症状性颅内动脉粥样硬化性狭窄患者的卒中复发风险 | 首次将3D深度学习模型应用于高分辨率血管壁成像数据，以预测症状性颅内动脉粥样硬化性狭窄患者的卒中复发风险，并在多中心数据上验证了其优于2D模型和放射组学方法 | 研究为回顾性设计，样本量相对有限，且仅基于两个医疗中心的数据 | 开发并验证基于高分辨率血管壁成像的深度学习模型，以改善症状性颅内动脉粥样硬化性狭窄患者的卒中复发预测，识别高危患者并指导临床干预 | 症状性颅内动脉粥样硬化性狭窄患者 | 数字病理学 | 心血管疾病 | 高分辨率磁共振血管壁成像 | CNN, Transformer | 图像 | 363名患者（训练队列254名，外部验证队列109名） | NA | ResNet50, DenseNet169, Vision Transformer | AUC, 校准曲线, 决策曲线分析 | NA |
| 18003 | 2025-12-17 |
[Artificial intelligence for the diagnosis of acute coronary syndromes]
2025-Dec, Giornale italiano di cardiologia (2006)
DOI:10.1714/4599.46056
PMID:41287609
|
综述 | 本文综述了人工智能在急性冠状动脉综合征诊断中的应用，特别是通过深度学习分析心电图以提升诊断准确性和效率 | 利用深度学习算法自动分析心电图，包括纸质心电图的照片处理，在ST段抬高型心肌梗死中达到比经验丰富的心脏科医生更高的敏感性和特异性，并扩展应用至预测完全血管闭塞和识别责任冠状动脉 | 在非ST段抬高型心肌梗死中，临床异质性降低了诊断精度，AI的准确性有限 | 探索人工智能在急性心肌梗死诊断和管理中的作用，旨在实现更早、更准确的诊断并改善患者预后 | 急性冠状动脉综合征患者，特别是ST段抬高型和非ST段抬高型心肌梗死病例 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习算法 | 心电图数字追踪和纸质心电图照片 | NA | NA | NA | 敏感性, 特异性, 准确性 | NA |
| 18004 | 2025-12-17 |
Toward an Unbiased Deep Learning Classifier of Pediatric Middle Ear Disease
2025-Dec, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.70031
PMID:40955059
|
研究论文 | 本研究旨在开发一种基于深度学习的算法，利用廉价消费级耳镜捕获的儿童鼓膜图像，准确预测儿科患者中耳积液的存在和性质 | 首次使用廉价消费级数字耳镜捕获的多样化、年龄代表性图像训练深度学习模型，以高精度分类儿童中耳疾病，推动该技术在临床实践中的实际应用 | 研究样本量相对较小（219名儿童，737张图像），且图像采集于麻醉状态下的儿童，可能限制了模型在非麻醉或不同临床环境下的泛化能力 | 开发人工智能算法以准确预测儿科患者中耳积液的存在和性质，改善抗生素管理并支持远程医疗应用 | 6个月至10岁儿童的中耳鼓膜图像，采集自美国四家儿科医院接受鼓膜切开术和置管术的患者 | 数字病理学 | 中耳疾病 | 数字耳镜成像 | 深度学习分类器 | 图像 | 219名儿童（42.14%为黑人、西班牙裔、亚裔和其他种族），共737张图像 | NA | NA | 加权准确率 | NA |
| 18005 | 2025-12-17 |
CellSAM: a foundation model for cell segmentation
2025-Dec, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02879-w
PMID:41360960
|
研究论文 | 本文提出了一种名为CellSAM的通用细胞分割基础模型，该模型通过结合目标检测器和提示工程方法，能够在多种细胞成像数据上实现跨域泛化 | 基于Segment Anything Model（SAM）开发了针对细胞分割的提示工程方法，并训练了自动检测细胞的CellFinder检测器，实现了单一模型在多种成像模态和细胞类型上的通用分割能力 | 未明确说明模型在极端成像条件或高度重叠细胞场景下的性能限制，也未详细讨论计算效率方面的局限性 | 开发一个能够泛化到多种细胞成像数据的通用细胞分割模型 | 哺乳动物细胞、酵母和细菌的显微图像 | 数字病理学 | NA | 细胞成像 | 基础模型 | 图像 | NA | NA | Segment Anything Model（SAM） | 零样本性能、少样本学习性能 | NA |
| 18006 | 2025-12-17 |
Development of multi-sensing technologies for high-throughput morphological, physiological, and biochemical phenotyping of drought-stressed watermelon plants
2025-Dec, Plant physiology and biochemistry : PPB
IF:6.1Q1
DOI:10.1016/j.plaphy.2025.110577
PMID:41046739
|
研究论文 | 本研究开发了一种结合RGB、短波红外高光谱、多光谱荧光成像和热成像的全自动多模态高通量植物表型系统，用于分析干旱胁迫下西瓜植物的形态、生理和生化特征 | 整合了多种成像模态（RGB、SWIR高光谱、多光谱荧光、热成像）于一个全自动平台，实现了对干旱胁迫下植物表型的早期、全面分析，并应用先进机器学习和深度学习模型提升特征提取与分类能力 | 未明确提及系统在非实验室环境或大规模田间应用中的验证情况，以及成本效益分析 | 开发高通量植物表型技术，用于早期检测干旱胁迫并评估植物健康，以支持作物抗旱性和精准农业 | 干旱胁迫下的西瓜植物（Citrullus lanatus） | 机器视觉 | NA | RGB成像、短波红外高光谱成像、多光谱荧光成像、热成像 | 机器学习、深度学习 | 图像（RGB、高光谱、多光谱荧光、热成像） | 未明确提及具体样本数量 | NA | NA | 预测准确性 | NA |
| 18007 | 2025-12-17 |
Utilizing deep learning algorithms for the early identification and categorization of skin cancer
2025-Dec, Journal, genetic engineering & biotechnology
DOI:10.1016/j.jgeb.2025.100576
PMID:41386841
|
研究论文 | 本研究利用深度学习算法对皮肤癌进行早期识别和分类 | 结合EfficientNet-B0、VGG16和Inception-V3三种模型进行皮肤癌早期检测，并计划将模型集成到移动平台以提高可访问性 | 研究仅使用PH2和ISIC数据集，样本规模有限，且模型尚未在实际移动平台部署验证 | 通过图像处理和深度学习技术实现皮肤癌的早期识别与分类 | 皮肤癌图像数据，特别是黑色素瘤 | 计算机视觉 | 皮肤癌 | 图像处理 | CNN | 图像 | PH2和ISIC数据集，具体样本数未明确 | NA | EfficientNet-B0, VGG16, Inception-V3 | 准确率 | NA |
| 18008 | 2025-12-17 |
DeepBovC2H2-ZF: deep learning-guided prediction and molecular dynamics validation of C2H2 zinc finger transcription factors in Bovidae
2025-Dec, Journal, genetic engineering & biotechnology
DOI:10.1016/j.jgeb.2025.100620
PMID:41386884
|
研究论文 | 本研究开发了一个名为DeepBovC2H2-ZF的深度学习框架，用于预测牛科动物中的C2H2锌指转录因子，并通过分子动力学模拟验证了其预测结果 | 开发了首个专门针对牛科动物C2H2锌指转录因子预测的深度学习框架，结合了分子动力学模拟进行功能验证 | 模型仅基于蛋白质序列信息，可能未考虑其他调控因素；在牛科动物以外的物种中泛化能力未经验证 | 开发一个计算工具，用于全基因组范围内识别牛科动物中的C2H2锌指转录因子 | 牛科动物中的C2H2锌指转录因子 | 生物信息学 | NA | 蛋白质序列分析, 分子对接, 分子动力学模拟 | 深度学习 | 蛋白质序列 | 经过整理的已验证C2H2-ZF和非C2H2-ZF转录因子数据集 | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 18009 | 2025-12-17 |
Early diagnosis of transient ischemic attack facilitated by SERS-based artificial intelligence sensors
2025-Nov-27, Mikrochimica acta
DOI:10.1007/s00604-025-07699-5
PMID:41307575
|
研究论文 | 本研究开发了一种基于荷叶/铜/二氧化硅/银多层膜的表面增强拉曼散射检测平台，结合人工智能算法，用于早期诊断短暂性脑缺血发作 | 结合SERS多层膜传感器与多种深度学习模型，实现了对TIA血清炎症标志物的高特异性检测，其中LightGBM模型准确率达99.64% | 未提及样本量的具体限制或外部验证的广泛性 | 通过SERS与人工智能技术提高短暂性脑缺血发作的早期诊断准确率 | 短暂性脑缺血发作患者与健康对照者的血清样本 | 机器学习 | 心血管疾病 | 表面增强拉曼散射 | LightGBM, ANN, 1D-CNN, BiLSTM, Transformer, AlexNet | 血清SERS光谱 | TIA患者与健康对照者的血清样本（具体数量未明确） | NA | LightGBM, ANN, 1D-CNN, BiLSTM, Transformer, AlexNet4 | 准确率 | NA |
| 18010 | 2025-12-17 |
Deep Learning-Assisted Automated Diagnosis of Osteoporosis Based on Computed Tomography Scans: Systematic Review and Meta-Analysis
2025-Nov-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/77155
PMID:41284986
|
系统综述与荟萃分析 | 本文通过系统综述与荟萃分析，评估了基于CT扫描的深度学习模型在骨质疏松症诊断中的性能 | 首次对基于CT扫描的深度学习模型在骨质疏松症诊断中的性能进行系统综述与荟萃分析，并识别了影响模型性能的关键因素，如DenseNet变体、多切片输入、3D架构和CT作为参考标准 | 纳入研究间存在显著的异质性，外部验证有限，且缺乏完整的端到端流程，这限制了所提模型的普适性 | 调查基于CT扫描的深度学习模型在诊断骨质疏松症方面的诊断性能 | 接受CT扫描的成年参与者 | 计算机视觉 | 骨质疏松症 | 计算机断层扫描（CT） | 深度学习模型 | CT图像 | 24项研究，包含来自29,808名参与者的CT图像 | NA | DenseNet, 3D架构 | 灵敏度, 特异性, 曲线下面积 | NA |
| 18011 | 2025-12-17 |
Development of a deep learning model for guiding treatment decisions of acute variceal bleeding in patients with cirrhosis
2025-Nov-07, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v31.i41.111361
PMID:41257275
|
研究论文 | 本研究开发了一种基于深度学习的AI-AVB模型，用于预测肝硬化患者急性静脉曲张出血的治疗效果，并指导治疗决策 | 开发了一种新的AI模型，相比传统风险分层方法，在预测六周治疗失败和一年死亡率方面表现出更优的性能，并能有效识别可能从预防性TIPS中受益的高风险患者 | 研究基于回顾性多中心队列，可能存在选择偏倚；模型在外部验证中的性能略有下降，需要进一步前瞻性验证 | 开发人工智能模型以指导肝硬化患者急性静脉曲张出血的治疗决策，并识别适合预防性经颈静脉肝内门体分流术的患者 | 肝硬化合并急性静脉曲张出血的患者 | 数字病理学 | 肝硬化 | 深度学习 | 深度学习模型 | 临床基线数据 | 3090名患者（1227名接受内镜静脉曲张结扎加药物治疗，1863名接受预防性TIPS） | NA | NA | AUC | NA |
| 18012 | 2025-12-17 |
Integrating AI with Biosensors and Voltammetry for Neurotransmitter Detection and Quantification: A Systematic Review
2025-Nov-02, Biosensors
DOI:10.3390/bios15110729
PMID:41294740
|
系统综述 | 本文系统综述了人工智能与生物传感器和伏安法结合用于复杂生物流体中神经递质检测和定量的研究 | 整合人工智能方法（如机器学习和深度学习）以克服传统生物传感器在神经递质信号解卷积和实时监测中的局限性 | 传感器稳定性不足和神经递质间相互作用复杂性等挑战仍然存在 | 评估和综合人工智能在改进神经递质自动检测和定量方面的应用研究 | 复杂生物流体（如脑脊液）中的神经递质 | 机器学习 | 神经退行性疾病 | 伏安法 | 机器学习, 模式识别, 深度学习 | 信号数据 | NA | NA | NA | NA | NA |
| 18013 | 2025-12-17 |
Integrating explainable deep learning with multi-omics for screening progressive diagnostic biomarkers of hepatocellular carcinoma covering the "inflammation-cancer" transformation
2025-Sep, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101253
PMID:40919103
|
研究论文 | 本文通过整合可解释深度学习与多组学数据，筛选肝细胞癌进展性诊断生物标志物，覆盖“炎症-癌症”转化过程 | 结合可解释深度学习与多组学分析，系统性识别肝细胞癌从炎症到癌症转化过程中的诊断生物标志物 | NA | 筛选肝细胞癌的进展性诊断生物标志物，以覆盖“炎症-癌症”转化过程 | 肝细胞癌及其相关的炎症-癌症转化过程 | 机器学习 | 肝细胞癌 | 多组学 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 18014 | 2025-12-17 |
A Review on Deep Learning Methods for Glioma Segmentation, Limitations, and Future Perspectives
2025-08-11, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11080269
PMID:40863479
|
综述 | 本文全面综述了用于胶质瘤分割的深度学习方法，分析了其局限性并展望了未来研究方向 | 首次系统性地将80多种先进模型分为CNN、纯Transformer和混合架构三类进行评估，并特别关注模型在临床实际部署中的适用性，引入了基于鲁棒性、效率和肿瘤区域分割完整性的适用性分析 | 作为综述文章，主要基于已有文献进行分析，未提出新的分割模型或算法 | 评估深度学习模型在胶质瘤MRI图像分割中的性能，并分析其在临床环境中的适用性 | 胶质瘤的MRI图像 | 数字病理学 | 胶质瘤 | 磁共振成像 | CNN, Transformer | 图像 | 基于BraTS数据集的基准测试 | NA | CNN-based, Pure Transformer, Hybrid CNN-Transformer | 分割准确性, 计算效率 | NA |
| 18015 | 2025-12-17 |
Enhancing Pandemic Prediction: A Deep Learning Approach Using Transformer Neural Networks and Multi-Source Data Fusion for Infectious Disease Forecasting
2025-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.06.24.25330211
PMID:40666360
|
研究论文 | 本研究提出了一种基于Transformer神经网络和多源数据融合的深度学习模型，用于预测县级层面的Covid-19病例和死亡数 | 结合了多源数据（历史病例、死亡数据、社交媒体情感分析）并开发了多层级、多尺度的注意力机制进行自适应时频分析，以捕捉时间序列数据中的时空动态 | 未明确提及模型在其他传染病或不同地理区域的泛化能力测试，以及社交媒体数据质量对预测结果的具体影响分析 | 提高传染病大流行的预测准确性，以增强公共卫生准备和应对策略 | Covid-19大流行期间的县级病例和死亡数据 | 自然语言处理, 机器学习 | 传染病 | 社交媒体情感分析, 多源数据融合 | Transformer | 时间序列数据, 文本数据 | 三个Omicron变异波期间（2021年12月至2023年2月）的县级数据 | NA | Transformer | 中位数县级一致性准确率 | NA |
| 18016 | 2025-12-17 |
SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses
2025-Apr-29, ArXiv
PMID:40395941
|
研究论文 | 本研究介绍了首个公开的专家标注肩部病理数据集ScopeMRI，并开发了一个深度学习框架，用于在标准MRI和MRA上检测Bankart病变 | 首次公开了专家标注的肩部病理数据集ScopeMRI，并针对临床诊断挑战性的Bankart病变，开发了结合CNN和Transformer的深度学习模型，在标准MRI上达到了与放射科医生解读MRA相当或更优的性能 | 外部验证仅展示了初步的泛化能力，需要更多独立医院数据进一步验证模型在不同成像协议下的鲁棒性 | 开发深度学习模型以在标准MRI上检测Bankart病变，减少对侵入性MRA的依赖 | 肩部MRI图像，包括标准MRI和MRI关节造影（MRA） | 医学影像分析 | 肩部损伤（Bankart病变） | MRI成像 | CNN, Transformer | 3D医学影像（MRI） | 586个肩部MRI（335个标准MRI，251个MRA），来自558名患者 | NA | CNN, Transformer | AUC, 灵敏度, 特异性 | NA |
| 18017 | 2025-12-17 |
CellSAM: A Foundation Model for Cell Segmentation
2025-Feb-16, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.17.567630
PMID:38045277
|
研究论文 | 本文提出了一种名为CellSAM的通用细胞分割基础模型，该模型通过结合目标检测器和提示工程方法，能够在多种细胞成像数据上实现跨域泛化 | 基于Segment Anything Model (SAM)开发了一种提示工程方法，并结合自动细胞检测器CellFinder，构建了一个能够跨多种成像模态和细胞类型进行零样本和少样本学习的通用细胞分割模型 | 未明确提及模型在极端成像条件或高度异质性细胞样本上的性能限制 | 开发一个能够泛化到不同细胞成像数据的通用细胞分割模型 | 哺乳动物细胞、酵母和细菌的成像数据 | 数字病理学 | NA | 细胞成像 | 基础模型 | 图像 | NA | NA | Segment Anything Model (SAM), CellFinder | 人类水平性能 | NA |
| 18018 | 2025-12-17 |
Challenges and Opportunities in the Clinical Translation of High-Resolution Spatial Transcriptomics
2025-01, Annual review of pathology
|
综述 | 本文综述了高分辨率空间转录组学技术在临床转化中的挑战与机遇，重点讨论了其工作原理、在疾病机制识别和个性化治疗指导方面的潜力，以及临床研究设计的指导 | 强调了空间转录组学技术如何以亚细胞分辨率数字化基因表达，并结合多模态读数和深度学习方法来全面理解组织生物学和病理学 | 讨论了高分辨率空间转录组学技术快速转化中仍存在的挑战 | 探讨空间转录组学技术在临床病理学中的转化应用，以推动个性化医疗 | 常规收集和存档的临床样本（如组织切片） | 数字病理学 | NA | 空间转录组学技术, 下一代测序 | 深度学习 | 基因表达数据, 组织图像 | NA | NA | NA | NA | NA |
| 18019 | 2025-12-17 |
Relationship between Artificial Intelligence-Based Cell Detection and Cytomorphological Variations Induced by Cell Processing Solutions: Usefulness of Data Augmentation in Artificial Intelligence Cytology
2025, Acta cytologica
IF:1.6Q3
DOI:10.1159/000547485
PMID:40690907
|
研究论文 | 本研究探讨了细胞处理溶液引起的细胞形态学变化与基于AI的细胞检测准确性之间的关系，并展示了数据增强在AI细胞学中的有效性 | 首次系统分析了细胞处理溶液诱导的细胞形态学变化对AI细胞检测的影响，并验证了数据增强技术在此背景下的改进效果 | 研究仅使用MKN45人胃癌细胞系，未涵盖其他细胞类型或临床样本，可能限制结果的普适性 | 评估细胞处理溶液引起的细胞形态学变化如何影响AI细胞检测准确性，并探索数据增强技术的应用价值 | MKN45人胃癌细胞，包括未处理细胞及四种不同细胞处理溶液处理的细胞 | 数字病理学 | 胃癌 | Papanicolaou染色，HSB（色调、饱和度、亮度）值分析 | 深度学习模型 | 图像 | MKN45细胞样本，包括未处理组和四种处理组 | NA | NA | 细胞检测率 | NA |
| 18020 | 2025-12-17 |
A graph neural network-based approach for predicting SARS-CoV-2-human protein interactions from multiview data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0332794
PMID:40997149
|
研究论文 | 本文提出了一种基于多视图图神经网络的深度学习方法，用于预测SARS-CoV-2与人类蛋白质之间的相互作用 | 采用多视图图神经网络结合最优传输集成方法，扩展了实验验证的病毒-宿主相互作用数据，提高了预测准确性 | 初始实验数据集仅包含有限数量的高置信度相互作用，可能影响模型训练 | 开发准确的药物重定位模型，预测SARS-CoV-2与人类蛋白质的相互作用 | SARS-CoV-2病毒蛋白质与人类宿主蛋白质 | 机器学习 | COVID-19 | 深度学习方法，多视图图神经网络，最优传输集成 | 图神经网络 | 蛋白质序列数据、基因本体术语、物理相互作用信息 | 472个高置信度预测相互作用，涉及280个宿主蛋白质和27个SARS-CoV-2蛋白质 | NA | 图神经网络 | ROC-AUC, 平均精度 | NA |