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 36434 篇文献，本页显示第 1801 - 1820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1801 | 2025-12-03 |
Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI
2025-Nov-24, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3636745
PMID:41284461
|
研究论文 | 本研究利用Swin Transformer深度学习框架，结合多壳层扩散MRI数据，旨在支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 首次将Swin Transformer应用于多壳层扩散MRI数据，并集成低秩适应技术以在有限标记神经影像数据下有效适应模型 | 研究基于有限标记数据，可能影响模型泛化能力，且性能在淀粉样蛋白检测任务中仍有提升空间 | 支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常个体 | 计算机视觉 | 阿尔茨海默病 | 多壳层扩散MRI | Transformer | 图像 | 未明确指定 | PyTorch | Swin Transformer | 平衡准确率 | NA |
| 1802 | 2025-12-03 |
BoneVisionNet: A deep learning approach for the classification of bone tumours from radiographs using a triple fusion attention network of transformer and CNNs with XAI visualizations
2025-Nov-19, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种名为BoneVisionNet的深度学习架构，用于从X光片中自动分类骨肿瘤 | 首次提出了一种结合Transformer和CNN的三轨融合注意力网络，并利用可解释人工智能技术验证模型决策 | 模型在BTXRD数据集上的准确率为84.35%，仍有提升空间，且未在更大规模或更多样化的数据集上进行验证 | 开发一种准确、自动化的骨肿瘤分类方法，以辅助医疗专业人员诊断 | 骨肿瘤X光片 | 计算机视觉 | 骨肿瘤 | X射线成像 | CNN, Transformer | 图像 | BTXRD数据集 | NA | Convolution-Enhanced Image Transformer, DenseNet-169, 自定义ABMLFE-Net | 准确率 | NA |
| 1803 | 2025-12-03 |
Formaldehyde emissions in tanker truck cabins: Observation, deep learning prediction and health risk assessment
2025-Nov-15, The Science of the total environment
DOI:10.1016/j.scitotenv.2025.180740
PMID:41130112
|
研究论文 | 本研究首次量化了油罐车驾驶室内甲醛排放动态，并开发了深度学习模型进行长期预测，同时评估了健康风险 | 首次提供了油罐车驾驶室内甲醛排放的真实世界数据与建模，识别了材料表面温度为关键影响因素，并开发了优于传统模型的深度学习预测方法 | 研究仅基于一个月的数据，且未详细探讨其他潜在影响因素如通风条件或驾驶行为 | 评估油罐车驾驶室内甲醛排放动态、预测长期浓度并评估驾驶员健康风险 | 油罐车驾驶室内的甲醛浓度 | 机器学习 | NA | 现场监测、特征重要性分析 | 深度学习模型 | 时间序列数据 | 一个月内的现场监测数据 | NA | NA | 预测准确性 | NA |
| 1804 | 2025-12-03 |
An Open-source Protocol for Deep Learning-based Segmentation of Tubular Structures in 3D Fluorescence Microscopy Images
2025-Nov-14, Journal of visualized experiments : JoVE
DOI:10.3791/68004
PMID:41325317
|
研究论文 | 本文介绍了一个用于3D荧光显微镜图像中管状结构分割的开源、用户友好工具箱 | 提出了基于模拟的数据增强策略，可在极少训练数据（如仅一张3D图像）下提升模型性能，并整合了两种高效的深度学习架构 | 未明确说明该方法在其他组织类型或成像模式中的泛化能力 | 开发一个易于使用的端到端分割工具，用于研究复杂生物组织中的管状结构 | 小鼠肝组织中的胆管网络和正弦网络 | 数字病理学 | NA | 3D荧光显微镜成像 | CNN | 3D图像 | 至少一张3D图像（通过数据增强扩展） | NA | 3D U-Net, 3D U-Net with attention mechanisms | 定性评估、定量评估 | 本地GPU、高性能计算集群、云平台 |
| 1805 | 2025-12-03 |
Discovery and artificial intelligence-guided mechanistic elucidation of a narrow-spectrum antibiotic
2025-Nov, Nature microbiology
IF:20.5Q1
DOI:10.1038/s41564-025-02142-0
PMID:41044363
|
研究论文 | 本研究通过筛选小分子化合物发现了一种针对肠杆菌科细菌的窄谱抗生素enterololin，并利用深度学习技术揭示了其通过干扰脂蛋白转运机制发挥抗菌作用 | 首次发现enterololin作为肠杆菌科特异性抗生素，结合深度学习预测分子相互作用机制，并验证其与SPR741联用可克服临床耐药性 | 耐药突变频率约10⁻¹⁰，需进一步评估长期使用下的耐药演化风险 | 开发针对肠杆菌科细菌的窄谱抗生素以保护肠道微生物群 | 粘附侵袭性大肠杆菌（AIEC）及肠杆菌科细菌 | 机器学习 | 炎症性肠病 | 小分子筛选、深度学习、分子相互作用预测 | 深度学习模型 | 化学结构数据、抗菌活性数据 | 10,747种生物活性小分子 | NA | NA | 半数抑制浓度（IC50）、耐药频率 | NA |
| 1806 | 2025-12-03 |
Physics-informed deep learning for infectious disease forecasting
2025-Nov, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2025.0379
PMID:41290140
|
研究论文 | 本文实现了一种基于物理信息神经网络（PINNs）的传染病预测方法，通过整合流行病学理论和数据来改善预测准确性 | 将动力学系统表示的疾病传播模型融入损失函数，并引入子网络处理移动性、疫苗剂量等协变量，以防止过拟合并提升预测性能 | 仅使用加利福尼亚州级COVID-19数据进行验证，未在其他地区或疾病上广泛测试 | 提高传染病预测方法的准确性和能力，以支持公共卫生决策 | 传染病（如COVID-19）的病例数、死亡数和住院数预测 | 机器学习 | 传染病 | NA | 物理信息神经网络（PINNs） | 时间序列数据（病例、死亡、住院数） | 加利福尼亚州级COVID-19数据 | NA | 物理信息神经网络（PINNs） | 与基准模型比较的预测一致性 | NA |
| 1807 | 2025-12-03 |
Dual-center study on AI-driven multi-label deep learning for X-ray screening of knee abnormalities
2025-Oct-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-21895-6
PMID:41168262
|
研究论文 | 本研究开发了一种基于AI的多标签深度学习模型，用于从X射线图像中直接检测膝关节软组织异常 | 创新性地利用X射线图像实现了传统上仅能通过MRI或关节镜检查的软组织异常检测 | 研究为回顾性设计，且仅基于两个医疗中心的数据，可能存在选择偏倚 | 提高膝关节异常（特别是软组织损伤）在X射线筛查中的检测精度和效率 | 膝关节X射线图像 | 计算机视觉 | 膝关节异常 | X射线成像 | CNN | 图像 | 来自两个医疗中心的4,215名患者 | PyTorch, Flask | YOLOv11, ResNet152, DenseNet121, MobileNetV3, ShuffleNetV2, VGG19 | mAP, F1-score, AUC | NA |
| 1808 | 2025-12-03 |
Accuracy and reliability of 3D cephalometric landmark detection with deep learning
2025-Oct-21, European journal of medical research
IF:2.8Q2
DOI:10.1186/s40001-025-03198-8
PMID:41121304
|
研究论文 | 本研究开发并验证了一种用于口腔颌面部三维标志点自动检测的深度学习模型 | 采用优化的轻量级3D U-Net网络架构，在螺旋CT和锥形束CT两种扫描方式上验证了模型的高精度、鲁棒性和泛化能力，并显著提升了专家的标注效率和速度 | 模型的鲁棒性和泛化能力仍需前瞻性临床验证以确保在不同经验水平用户中的实用性 | 开发并验证用于口腔颌面部三维标志点自动检测的AI模型，以辅助正畸、正颌、创伤和整形等手术规划 | 口腔颌面部三维影像（螺旋CT和锥形束CT）中的解剖标志点 | 计算机视觉 | NA | 螺旋计算机断层扫描（SCT），锥形束计算机断层扫描（CBCT） | CNN | 三维医学影像 | 训练和测试集：480例SCT和240例CBCT；额外推理集：320例SCT和150例CBCT | NA | 3D U-Net | 平均径向误差（MRE），2毫米、3毫米、4毫米误差阈值内的成功检测率（SDR） | NA |
| 1809 | 2025-12-03 |
Adaptive Neuro-Symbolic framework with dynamic contextual reasoning: A novel framework for semantic understanding
2025-Oct-17, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2025112
PMID:41327946
|
研究论文 | 提出了一种新颖的自适应神经符号框架（ANS-DCR），用于实现类人的语义理解和可解释性 | 提出了一个集成了神经网络与符号推理的新颖架构，包含四个关键创新：上下文嵌入层、分层知识图谱、自适应推理引擎和可解释决策模块 | NA | 解决当前深度学习模型在关系推理、上下文解释和透明决策方面的不足，实现更深层次的语义理解 | 图像数据，特别是复杂场景如自动驾驶中的交通场景 | 计算机视觉 | NA | NA | 神经符号模型 | 图像 | NA | NA | ANS-DCR（自适应神经符号框架与动态上下文推理） | 语义分割，上下文推理，可解释性 | NA |
| 1810 | 2025-12-03 |
Improving Colorectal Cancer Screening and Risk Assessment through Predictive Modeling on Medical Images and Records
2025-Oct-16, The American journal of pathology
DOI:10.1016/j.ajpath.2025.09.016
PMID:41109668
|
研究论文 | 本研究通过整合病理切片图像和临床记录，开发了一种基于Transformer的多模态深度学习模型，用于预测结直肠息肉5年进展风险 | 首次将Transformer架构应用于结直肠息肉病理图像分析，并创新性地通过预测中间临床变量来提升长期风险预测性能，同时探索了多模态融合策略 | 研究数据来源于单一注册中心（新罕布什尔州结肠镜注册库），可能限制模型的泛化能力；未详细说明模型在不同亚组人群中的表现差异 | 通过整合多模态数据提升结直肠癌筛查和风险分层的准确性 | 结直肠息肉患者及其病理切片图像、临床记录 | 数字病理学 | 结直肠癌 | 数字病理全切片成像 | Transformer | 图像, 文本 | 新罕布什尔州结肠镜注册库的纵向随访数据（具体样本量未明确说明） | NA | Transformer | AUC | NA |
| 1811 | 2025-12-03 |
Exploiting correlations across trials and behavioral sessions to improve neural decoding
2025-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.14.613047
PMID:39314484
|
研究论文 | 本文提出两种互补模型，利用跨试验和跨行为会话的神经活动相关性来改进神经解码性能 | 引入多会话降秩回归模型和多会话状态空间模型，首次系统性地利用跨试验和跨会话的神经活动与行为相关性，相比传统单试验解码方法显著提升解码精度 | 模型主要基于线性假设，可能无法完全捕捉神经活动中的非线性动态；在极端稀疏数据场景下的泛化能力未充分验证 | 通过开发新型解码模型，提高从大规模神经数据中解码动物行为的准确性和可解释性 | 国际脑实验室公开的小鼠Neuropixels数据集，涵盖433个会话、270个脑区域的神经活动数据 | 机器学习 | NA | Neuropixels神经记录技术 | 降秩回归模型, 状态空间模型 | 神经电生理信号 | 433个实验会话，覆盖270个脑区域 | NA | 多会话降秩回归模型, 多会话状态空间模型 | 解码准确率 | NA |
| 1812 | 2025-12-03 |
Assessment of resolution and noise in magnetic resonance images reconstructed by data driven approaches
2025-Aug, Zeitschrift fur medizinische Physik
IF:2.4Q2
DOI:10.1016/j.zemedi.2023.08.007
PMID:37684119
|
研究论文 | 本文评估了数据驱动方法重建加速MRI扫描时的分辨率和噪声增强 | 首次为典型模型和数据驱动的MRI重建方法提供了空间分辨率和噪声增强（g因子）的详细地图分析 | 仅基于单个患者的常规脑部扫描数据，样本量有限 | 评估数据驱动MRI重建方法在分辨率和噪声方面的性能 | MRI图像重建方法 | 医学影像 | NA | MRI | 深度学习, 变分网络, U-Net | 图像 | 单个患者的脑部MRI数据 | NA | U-Net | 局部分辨率, g因子 | NA |
| 1813 | 2025-12-03 |
Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks
2025-Aug, Zeitschrift fur medizinische Physik
IF:2.4Q2
DOI:10.1016/j.zemedi.2024.01.002
PMID:38302292
|
研究论文 | 提出一种基于上下文感知深度网络的增强直接联合衰减和散射校正方法，用于无CT或MR辅助的全身PET图像定量重建 | 通过上下文感知卷积核调制实现受试者和区域特异性滤波，以处理PET成像中的摄取变异，并利用大规模数据集（910例全身研究）进行训练 | 未明确说明模型在极端病理情况或罕见解剖变异下的泛化能力 | 开发一种无需结构信息（如CT或MR）的直接衰减和散射校正方法，以提高PET图像的定量准确性 | 全身PET图像 | 医学影像分析 | NA | PET成像 | CNN | 图像 | 910例全身研究 | NA | 上下文感知卷积网络 | 绝对相对误差, 相对误差 | NA |
| 1814 | 2025-12-03 |
Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI
2025-Jul-14, ArXiv
PMID:40709302
|
研究论文 | 本研究利用基于Swin Transformer的深度学习框架，结合多壳层扩散MRI数据，旨在支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 首次将Swin Transformer应用于多壳层扩散MRI数据，并集成低秩适应技术以在有限标记神经影像数据上高效微调模型 | 研究在数据有限的生物医学环境中进行，可能影响模型的泛化能力 | 支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常个体 | 计算机视觉 | 阿尔茨海默病 | 多壳层扩散MRI | Transformer | 图像 | 未明确说明具体样本数量 | PyTorch | Swin Transformer | 平衡准确率 | NA |
| 1815 | 2025-12-03 |
Multicycle Dosimetric Behavior and Dose-Effect Relationships in [177Lu]Lu-DOTATATE Peptide Receptor Radionuclide Therapy
2025-Jun-02, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.269389
PMID:40274371
|
研究论文 | 本研究探讨了[177Lu]Lu-DOTATATE肽受体放射性核素治疗在转移性神经内分泌肿瘤中的多周期剂量学行为及剂量-效应关系，旨在为个性化剂量引导治疗提供策略 | 首次系统分析了多周期治疗中肿瘤与肾脏的剂量学模式变化，并建立了基于估计肾小球滤过率的剂量-效应预测模型 | 样本量较小（30例患者），且肿瘤吸收剂量与疗效指标无显著关联 | 开发个性化剂量学引导的肽受体放射性核素治疗策略 | 转移性神经内分泌肿瘤患者 | 数字病理学 | 神经内分泌肿瘤 | SPECT/CT成像、蒙特卡洛剂量率模拟、深度学习分割 | 深度学习算法 | 医学影像（CT、SPECT、MRI） | 30例患者（22例完成全周期成像） | NA | NA | RECIST、改良RECIST、[Ga]Ga-DOTATATE PET标准、估计肾小球滤过率 | NA |
| 1816 | 2025-12-03 |
Boltz-1 Democratizing Biomolecular Interaction Modeling
2025-May-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.19.624167
PMID:39605745
|
研究论文 | 本文介绍了开源深度学习模型Boltz-1，该模型在预测生物分子复合物3D结构方面达到了AlphaFold3级别的精度，并提出了新的推理时间引导技术Boltz-steering | 提出了创新的模型架构、速度优化和数据处理方法，实现了与最先进商业模型相当的预测精度，并开发了能修正模型幻觉和非物理预测的Boltz-steering技术 | 未在摘要中明确说明 | 推动生物分子相互作用建模的民主化，为药物发现和蛋白质设计等领域提供强大工具 | 生物分子复合物的3D结构 | 结构生物学 | NA | 深度学习 | 深度学习模型 | 生物分子结构数据 | 未在摘要中明确说明 | 未在摘要中明确说明 | Boltz-1 | 结构预测精度 | 未在摘要中明确说明 |
| 1817 | 2025-12-03 |
scRegulate: Single-Cell Regulatory-Embedded Variational Inference of Transcription Factor Activity from Gene Expression
2025-May-05, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.17.649372
PMID:40654959
|
研究论文 | 本文提出了scRegulate，一种基于变分推断的生成式深度学习框架，用于从单细胞RNA测序数据中推断转录因子活性和基因调控网络 | 通过整合结构化生物先验知识与概率潜在空间模型，scRegulate能够捕捉新颖、动态和上下文特异的调控相互作用，超越了依赖确定性假设和静态数据库的现有方法 | 未明确提及具体局限性，但可能依赖于先验调控网络的准确性以及模型对数据噪声的敏感性 | 开发一个可扩展且生物可解释的框架，用于从单细胞RNA测序数据中准确推断转录因子活性和基因调控网络 | 单细胞RNA测序数据中的转录因子活性和基因调控网络 | 计算生物学 | NA | 单细胞RNA测序 | 变分自编码器 | 基因表达数据 | 多个公共实验和合成数据集，包括Perturb-seq数据集和PBMC单细胞RNA测序数据 | PyTorch | 变分推断模型 | AUROC, AUPRC, 平均log2倍数变化 | 未明确指定，但提及了可扩展性 |
| 1818 | 2025-12-03 |
Physics-informed deep learning for infectious disease forecasting
2025-Apr-29, ArXiv
PMID:39876937
|
研究论文 | 本研究提出了一种基于物理信息神经网络（PINN）的新型传染病预测模型，通过将疾病传播的动力学系统表示融入损失函数，结合流行病学理论和数据，以改进预测能力 | 将物理信息神经网络（PINN）应用于传染病预测，通过整合动力学系统表示和协变量子网络，防止过拟合并提升预测准确性 | 模型仅在加州州级COVID-19数据上进行了验证，未在其他地区或疾病上广泛测试 | 改进传染病预测方法，以更好地应对未来大流行病 | 传染病传播动态，特别是COVID-19的病例数、死亡数和住院数 | 机器学习 | 传染病 | 物理信息神经网络（PINN） | PINN, RNN, LSTM, GRU, Transformer | 时间序列数据 | 加州州级COVID-19数据 | NA | 物理信息神经网络（PINN），包含协变量子网络 | 预测一致性，与基准模型比较 | NA |
| 1819 | 2025-12-03 |
One-click image reconstruction in single-molecule localization microscopy via deep learning
2025-Apr-18, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.13.648574
PMID:40376092
|
研究论文 | 本文介绍了AutoDS和AutoDS3D两种基于深度学习的软件，用于单分子定位超分辨率显微镜数据的自动重建，显著减少了人工干预 | 通过自动从原始成像数据中提取实验参数，减少了模型训练中的人工调参需求，并优化了计算效率，实现了单点击图像重建 | 未明确提及模型的泛化能力在极端实验条件下的表现或潜在的数据偏差问题 | 开发自动化软件以简化单分子定位超分辨率显微镜的图像重建过程，提高成像通量和减少人工干预 | 单分子定位超分辨率显微镜数据，特别是复杂生物样本的成像数据 | 计算机视觉 | NA | 单分子定位超分辨率显微镜 | 深度神经网络 | 图像 | NA | NA | Deep-STORM, DeepSTORM3D | NA | NA |
| 1820 | 2025-12-03 |
MEF2C controls segment-specific gene regulatory networks that direct heart tube morphogenesis
2025-Mar-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.01.621613
PMID:39554149
|
研究论文 | 本文通过单核RNA测序和ATAC测序技术，结合深度学习模型，研究了转录因子MEF2C在早期心脏管形态发生中调控的基因调控网络，揭示了其在心脏节段特异性发育中的作用 | 首次整合多组学数据于深度学习模型中，构建了心脏流出道、心室和流入道节段的发育轨迹，并识别了MEF2C依赖的节段特异性增强子 | 研究主要基于小鼠胚胎模型，结果在人类或其他物种中的普适性有待验证，且深度学习模型的解释性可能有限 | 解析早期心脏管形态发生中由MEF2C控制的节段特异性基因调控网络 | 野生型和MEF2C缺失型小鼠胚胎的心脏组织 | 计算生物学 | 心脏发育异常 | 单核RNA测序, ATAC测序 | 深度学习模型 | 基因组学数据, 表观基因组学数据 | 野生型和MEF2C缺失型胚胎的时间序列样本 | NA | NA | NA | NA |