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 18121 - 18140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18121 | 2025-10-07 |
From Voxel to Gene: A Scoping Review on MRI Radiogenomics' Artificial Intelligence Predictions in Adult Gliomas and Glioblastomas-The Promise of Virtual Biopsy?
2024-Sep-23, Biomedicines
IF:3.9Q1
DOI:10.3390/biomedicines12092156
PMID:39335670
|
综述 | 评估深度学习在成人胶质瘤和胶质母细胞瘤MRI影像基因组学中遗传特征预测的应用现状 | 系统分析从全卷积网络到ResNet、DenseNet等先进架构在胶质瘤虚拟活检中的演变 | 研究存在数据集规模小、同质性强以及验证方法不一致的问题，缺乏稳健的外部验证 | 评估深度学习技术在胶质瘤遗传特征表征中的应用潜力，探索虚拟活检的可能性 | 成人胶质瘤和胶质母细胞瘤患者 | 医学影像分析 | 胶质瘤,胶质母细胞瘤 | MRI影像基因组学 | 深度学习 | 医学影像(MRI) | 基于17项研究的综合分析 | NA | 全卷积网络,ResNet,DenseNet | k折交叉验证,外部数据集验证 | NA |
| 18122 | 2025-10-07 |
Advances in Protein-Ligand Binding Affinity Prediction via Deep Learning: A Comprehensive Study of Datasets, Data Preprocessing Techniques, and Model Architectures
2024, Current drug targets
IF:3.0Q2
|
综述 | 本文全面分析了蛋白质-配体结合亲和力预测领域的深度学习技术，包括常用数据集、数据预处理方法和模型架构 | 填补了先前研究的空白，对常用数据集进行了全面质量分析，并对最新深度学习方法提供了全新分类视角 | 基于文献调研的方法可能无法涵盖所有最新进展，数据质量和模型可解释性问题仍是挑战 | 加速开发更有效可靠的蛋白质-配体结合亲和力预测深度学习模型 | 蛋白质-配体相互作用 | 机器学习 | NA | 深度学习 | 图神经网络,卷积神经网络,Transformer | 分子结构数据 | NA | NA | GNN,CNN,Transformer | NA | NA |
| 18123 | 2025-10-07 |
The application of explainable artificial intelligence (XAI) in electronic health record research: A scoping review
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241272657
PMID:39493635
|
综述 | 本文对电子健康记录研究中可解释人工智能方法的应用范围进行了系统性评述 | 首次系统性地评估了XAI方法在电子健康记录研究中的应用现状和发展趋势 | 纳入研究的方法报告不完整，缺乏对有效性和稳健性的严格评估 | 评估可解释人工智能方法在电子健康记录数据分析中的应用效果 | 使用电子健康记录数据并应用机器学习和深度学习模型的研究 | 机器学习 | NA | 可解释人工智能 | Extreme Gradient Boosting, Random Forest | 表格型电子健康记录数据 | 76篇纳入分析的出版物（来自3220篇初始文献） | NA | NA | NA | NA |
| 18124 | 2025-01-31 |
A scoping review of magnetic resonance angiography and perfusion image synthesis
2024, Frontiers in dementia
DOI:10.3389/frdem.2024.1408782
PMID:39588202
|
综述 | 本文探讨了人工智能在从现有神经解剖和神经血管采集数据中生成合成TOF-MRA和灌注相关图像的应用，以研究脑血管系统 | 利用深度学习技术从现有对比度生成合成医学图像，特别是TOF-MRA和灌注MRI图像，为脑血管研究提供新的视角 | 需要进一步研究以评估这些合成图像的敏感性和特异性，并确保其在不同人群中的适用性 | 研究人工智能在生成合成TOF-MRA和灌注相关图像中的应用，以增强脑血管研究 | 脑血管系统及其与阿尔茨海默病等疾病的关联 | 医学影像 | 阿尔茨海默病 | 深度学习 | NA | 医学影像 | 729项研究中的13项符合标准 | NA | NA | NA | NA |
| 18125 | 2025-01-31 |
Past, present, and future of electrical impedance tomography and myography for medical applications: a scoping review
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1486789
PMID:39726983
|
综述 | 本文综述了两种新兴的电阻抗技术：电阻抗肌电图（EIM）和电阻抗断层扫描（EIT），并探讨了它们在医学应用中的过去、现在和未来 | 总结了EIM和EIT技术的最新进展，特别是数字采集、处理算法和重建工具的应用，以及机器学习和深度学习在诊断、治疗计划和监测中的作用 | 未具体提及研究的局限性 | 探讨电阻抗技术在医学应用中的发展、算法、工具和数据集，为研究人员和临床医生提供有效使用和创新研究的信息 | 电阻抗肌电图（EIM）和电阻抗断层扫描（EIT）技术 | 医学成像 | 癌症、肺部疾病、神经肌肉疾病 | 电阻抗技术、电压控制电流源（VCCS） | NA | 电阻抗数据 | NA | NA | NA | NA | NA |
| 18126 | 2025-01-31 |
Recent advances in deep learning and language models for studying the microbiome
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1494474
PMID:39840283
|
综述 | 本文综述了深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 探讨了将大型语言模型（LLMs）应用于微生物蛋白质和基因组序列分析的新方法，以及这些方法在微生物生态学研究中的贡献 | NA | 研究深度学习和语言模型在微生物组和宏基因组数据分析中的应用 | 微生物蛋白质和基因组序列 | 自然语言处理 | NA | 大型语言模型（LLMs） | LLMs | 蛋白质和基因组序列 | NA | NA | NA | NA | NA |
| 18127 | 2025-01-31 |
LWheatNet: a lightweight convolutional neural network with mixed attention mechanism for wheat seed classification
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1509656
PMID:39866319
|
研究论文 | 本文提出了一种轻量级的卷积神经网络LWheatNet，用于小麦种子分类，结合了混合注意力机制和堆叠的倒置残差卷积网络 | 提出了混合注意力机制，结合了通道注意力和空间注意力，并设计了堆叠的倒置残差网络，使用深度可分离卷积、通道混洗和通道分割技术来减少模型参数和计算量 | 未提及具体局限性 | 提高小麦种子分类的准确性和实时性 | 小麦种子图像 | 计算机视觉 | NA | 深度可分离卷积、通道混洗、通道分割 | CNN | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 18128 | 2025-01-28 |
Editorial: Deep learning for high-dimensional sense, non-linear signal processing and intelligent diagnosis
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1538534
PMID:39866684
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18129 | 2025-01-31 |
Who is WithMe? EEG features for attention in a visual task, with auditory and rhythmic support
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1434444
PMID:39867449
|
研究论文 | 本研究探讨了与注意力最密切相关的EEG数据表示或特征，并评估了它们在处理跨被试变异性方面的能力 | 研究了单通道EEG时间序列的特征，包括时域特征和递归图，以及从多变量时间序列中直接获得的表示，如全局场功率或功能性脑网络，并探索了对不同类型噪声具有鲁棒性的持久同调特征 | 研究结果仅限于WithMe实验范式，需要进一步研究不同任务以提供更全面的理解 | 研究哪些EEG数据表示或特征与注意力最密切相关，并评估它们在处理跨被试变异性方面的能力 | EEG数据 | 脑机接口 | NA | EEG | 支持向量机(SVM), 深度学习架构 | 时间序列数据 | NA | NA | NA | NA | NA |
| 18130 | 2025-01-31 |
A stacking ensemble system for identifying the presence of histological variants in bladder carcinoma: a multicenter study
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1469427
PMID:39868365
|
研究论文 | 本研究旨在构建一个堆叠集成系统，用于简单、高效且非侵入性地识别膀胱癌的组织学变异 | 使用Swin UNETR算法构建交互式深度学习膀胱癌图像分割框架，并结合放射组学特征和深度学习特征构建堆叠集成系统 | 样本量相对较小，且仅基于CT图像进行分析，未涉及其他影像学或分子生物学数据 | 开发一种非侵入性方法，用于早期识别膀胱癌的组织学变异 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | CT成像、放射组学分析、深度学习 | Swin UNETR、堆叠集成模型 | CT图像 | 训练集410名患者，测试集60名患者 | NA | NA | NA | NA |
| 18131 | 2025-10-07 |
Detecting autism in children through drawing characteristics using the visual-motor integration test
2025-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-025-00338-6
PMID:39877430
|
研究论文 | 通过视觉-运动整合测试中的绘画特征检测儿童自闭症 | 提出基于绘画特征的自闭症分类新方法，采用集成学习显著提升分类准确率至0.934，并识别出5个最具区分度的绘画模式 | 样本量较小（50名儿童），性别分布不均衡（44男6女），仅针对台湾地区学龄儿童 | 开发通过绘画特征区分自闭症儿童与正常发育儿童的分类方法 | 台湾6-12岁学龄儿童（含自闭症儿童和正常发育儿童） | 计算机视觉 | 自闭症 | 视觉-运动整合测试 | 深度学习 | 绘画图像 | 50名儿童（44名男孩，6名女孩） | NA | NA | 准确率 | NA |
| 18132 | 2025-10-07 |
Deep learning driven silicon wafer defect segmentation and classification
2025-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103158
PMID:39877475
|
研究论文 | 本研究开发了一种基于深度学习的硅晶圆缺陷分割与分类系统，并集成大型语言模型提供交互式缺陷分析 | 将深度学习缺陷分割分类与大型语言模型问答能力相结合，实现自动化检测与交互式指导的双重功能 | NA | 实现硅晶圆缺陷的自动化检测与分类，提高集成电路制造质量 | 硅晶圆上的缺陷 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | 平均绝对误差,均方根误差,Dice系数,交并比,准确率,精确率,召回率,F1分数 | NA |
| 18133 | 2025-10-07 |
EyeLiner: A Deep Learning Pipeline for Longitudinal Image Registration Using Fundus Landmarks
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100664
PMID:39877463
|
研究论文 | 提出名为EyeLiner的深度学习流程，用于基于眼底标志点的纵向图像配准 | 结合CNN关键点检测与基于Transformer的匹配算法，在三个独立数据集上超越现有最先进方法 | 未明确说明计算资源需求和模型处理速度 | 开发用于纵向眼底图像配准的深度学习方法，以改善疾病进展监测 | 眼底彩色照片(CFPs) | 计算机视觉 | 眼科疾病（青光眼、黄斑变性） | 眼底成像 | CNN, Transformer | 图像 | 三个纵向数据集：FIRE、SIGF和CORIS | NA | NA | 平均距离(MD), 曲线下面积(AUC) | NA |
| 18134 | 2025-10-07 |
A deep learning framework for in silico screening of anticancer drugs at the single-cell level
2025-Feb, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwae451
PMID:39872221
|
研究论文 | 开发名为Shennong的深度学习框架，用于在单细胞水平进行抗癌药物的计算机筛选 | 利用泛癌种和泛组织的单细胞转录图谱揭示细胞异质性，并开发可预测单细胞药物反应和组织损伤效应的深度学习框架 | NA | 加速药物发现过程并提高药物筛选的准确性和效率 | 恶性细胞、癌前细胞、癌症相关基质细胞和内皮细胞 | 数字病理学 | 癌症 | 单细胞RNA测序(scRNA-seq) | 深度学习 | 单细胞转录组数据 | 泛癌种和泛组织的单细胞转录图谱 | NA | NA | NA | NA |
| 18135 | 2025-10-07 |
Re-locative guided search optimized self-sparse attention enabled deep learning decoder for quantum error correction
2025-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87782-2
PMID:39875564
|
研究论文 | 提出一种结合重定位引导搜索优化的自稀疏注意力深度学习解码器用于量子纠错 | 集成自稀疏注意力机制和RIGS自然启发算法，增强特征学习能力并避免局部最优问题 | NA | 开发高效的量子纠错解码器 | 量子纠错码 | 量子计算 | NA | 量子纠错编码 | CNN, LSTM | 量子代码 | NA | NA | 自稀疏注意力卷积神经网络与长短期记忆网络结合 | 最小均方误差, 均方根误差, 平均绝对误差, 相关系数, R² | NA |
| 18136 | 2025-01-30 |
Correction: Deep learning model for automated detection of fresh and old vertebral fractures on thoracolumbar CT
2025-Jan-29, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-024-08636-5
PMID:39875623
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18137 | 2025-10-07 |
Whole slide image based deep learning refines prognosis and therapeutic response evaluation in lung adenocarcinoma
2025-Jan-29, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01470-z
PMID:39875799
|
研究论文 | 基于全切片图像开发深度学习模型预测肺腺癌患者复发风险并指导辅助化疗选择 | 首次将全切片图像与深度学习结合构建预后模型，能够识别可从辅助化疗中获益的高风险II期和III期患者亚组 | NA | 改进肺腺癌患者预后评估和治疗反应评价 | 肺腺癌患者 | 数字病理学 | 肺腺癌 | 全切片图像分析 | 深度学习 | 组织病理学图像 | 多中心队列研究 | NA | NA | 疾病无生存期, Cox回归分析 | NA |
| 18138 | 2025-10-07 |
Virtual biopsy for non-invasive identification of follicular lymphoma histologic transformation using radiomics-based imaging biomarker from PET/CT
2025-Jan-29, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-025-03893-7
PMID:39875864
|
研究论文 | 本研究开发了一种基于放射组学的影像生物标志物，用于通过PET/CT图像无创识别滤泡性淋巴瘤的组织学转化 | 提出结合无监督EMFusion方法融合PET/CT图像，并整合深度学习提取的放射组学特征与手工特征构建放射组学标签 | NA | 开发无创识别滤泡性淋巴瘤组织学转化的影像生物标志物 | 784名滤泡性淋巴瘤、弥漫大B细胞淋巴瘤和转化型滤泡性淋巴瘤患者 | 数字病理 | 淋巴瘤 | PET/CT成像，放射组学分析 | 深度学习 | 医学影像（PET/CT图像） | 784名患者，来自5个独立医疗中心 | NA | ResNet18 | AUC, 准确率, 灵敏度, 特异性 | NA |
| 18139 | 2025-10-07 |
Deep Learning-Based Precontrast CT Parcellation for MRI-Free Brain Amyloid PET Quantification
2025-Jan-29, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005652
PMID:39876079
|
研究论文 | 开发基于深度学习的CT脑区分割模型，用于无MRI的淀粉样蛋白PET定量分析 | 首次使用深度学习直接从CT图像进行脑区分割，无需高分辨率MRI即可实现淀粉样蛋白PET定量 | 回顾性研究，样本量相对有限(226人)，仅使用单一数据集 | 开发不依赖MRI的淀粉样蛋白PET定量方法 | 226名受试者(157名轻度认知障碍或痴呆患者，69名健康对照) | 医学影像分析 | 阿尔茨海默病 | PET/CT成像，T1加权MRI | UNet | CT图像，PET图像，MRI图像 | 226人(训练/验证集60%，测试集40%) | NA | UNet | Dice相似系数，线性回归分析，组内相关系数，SUVR | NA |
| 18140 | 2025-10-07 |
Multiplex Detection and Quantification of Virus Co-Infections Using Label-free Surface-Enhanced Raman Spectroscopy and Deep Learning Algorithms
2025-Jan-28, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.4c03209
PMID:39874586
|
研究论文 | 开发了一种结合表面增强拉曼光谱和深度学习的无标记诊断平台，用于快速定量检测呼吸道病毒共感染 | 首次将表面增强拉曼光谱与深度学习算法结合，实现病毒共感染的无标记快速检测和定量分析 | NA | 开发快速检测和定量分析呼吸道病毒共感染的新方法 | 11种病毒、9种双病毒混合物和4种三病毒混合物 | 机器学习 | 呼吸道感染 | 表面增强拉曼光谱 | 深度学习 | 光谱数据 | 超过120万条SERS光谱，来自唾液样本中的多种病毒组合 | NA | MultiplexCR | 准确率, 平均绝对误差 | NA |