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 37772 篇文献，本页显示第 1821 - 1840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1821 | 2025-12-17 |
Self identity mapping
2026-Feb, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108132
PMID:41077025
|
研究论文 | 提出了一种名为自身份映射（SIM）的数据内在正则化框架，通过逆映射机制增强表示学习，并实例化为ρSIM以降低计算复杂度 | 提出了一种模型无关、任务无关的即插即用正则化模块，通过重构输入来减少前向传播中的信息损失并促进更平滑的梯度流 | NA | 开发一种通用的正则化框架以增强深度学习的泛化能力并缓解过拟合 | 深度学习模型的正则化 | 机器学习 | NA | NA | NA | 图像, 音频, 时间序列 | NA | NA | NA | NA | NA |
| 1822 | 2025-12-17 |
Spatial single-cell proteomics landscape decodes the tumor microenvironmental ecosystem of intrahepatic cholangiocarcinoma
2026-Jan-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001283
PMID:39999448
|
研究论文 | 本研究利用人工智能辅助的空间多组学技术，生成了肝内胆管癌的全面空间图谱，揭示了肿瘤微环境的空间特征与预后及免疫治疗的关系 | 首次结合多种空间多组学技术（如成像质谱流式、空间蛋白质组学、空间转录组学等）和深度学习系统，系统解析了肝内胆管癌肿瘤微环境的细胞空间拓扑结构，并识别出与预后相关的空间亚型 | 空间转录组学样本量较小（n=4），部分数据依赖公共数据库，可能影响结果的普遍性 | 生成肝内胆管癌的空间肿瘤微环境图谱，识别与预后和免疫治疗相关的空间特征 | 肝内胆管癌患者的肿瘤组织样本 | 数字病理学 | 肝内胆管癌 | 成像质谱流式、空间蛋白质组学、空间转录组学、多重免疫荧光、单细胞RNA测序、批量RNA测序、批量蛋白质组学 | 深度学习 | 图像、蛋白质组数据、转录组数据 | 超过106万个细胞，包括155个内部成像质谱流式样本、155个内部空间蛋白质组学样本、4个内部空间转录组学样本、20个内部多重免疫荧光样本、9个内部和34个公共单细胞RNA测序样本、244个公共批量RNA测序样本、110个内部和214个公共批量蛋白质组学样本 | NA | NA | 高准确度 | NA |
| 1823 | 2025-12-17 |
Deep learning analysis of MRI accurately detects early-stage perihilar cholangiocarcinoma in patients with primary sclerosing cholangitis
2026-Jan-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001314
PMID:40112296
|
研究论文 | 本研究开发了一个基于3D DenseNet-121的深度学习模型，用于分析MRI图像以检测原发性硬化性胆管炎患者的早期肝门部胆管癌 | 首次将3D DenseNet-121深度学习模型应用于MRI图像分析，以检测原发性硬化性胆管炎患者的早期肝门部胆管癌，并在多中心国际队列中验证其性能优于专家放射科医生 | 研究为回顾性设计，可能受限于数据选择和潜在偏差；模型在无肿块情况下的特异性虽好但非完美 | 创建并验证一个深度学习模型，通过分析MRI图像来检测原发性硬化性胆管炎患者的早期肝门部胆管癌，并与专家放射科医生的诊断性能进行比较 | 患有大胆管原发性硬化性胆管炎的成年患者，包括训练队列150人和测试队列248人，其中肝门部胆管癌患者共230人 | 医学影像分析 | 肝门部胆管癌 | 对比增强MRI | 深度学习 | MRI图像 | 398名患者（训练队列150人，测试队列248人），其中肝门部胆管癌患者230人 | NA | 3D DenseNet-121 | 敏感性, 特异性, 受试者工作特征曲线下面积 | NA |
| 1824 | 2025-12-17 |
Clinical Translation of Integrated PET-MRI for Neurodegenerative Disease
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70046
PMID:40679171
|
综述 | 本文综述了集成PET-MRI在神经退行性疾病临床实践中的转化应用，包括技术进展、临床益处及未来前景 | 总结了集成PET-MRI在神经退行性疾病中的最新技术革新，如基于MRI的衰减校正、运动校正方法以及深度学习在疾病分类和预测中的应用 | NA | 探讨集成PET-MRI在神经退行性疾病临床诊断和研究中的应用价值及技术发展 | 阿尔茨海默病及其他神经退行性疾病患者 | 数字病理学 | 神经退行性疾病 | 集成PET-MRI, MRI, PET | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1825 | 2025-12-17 |
A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70113
PMID:40916364
|
研究论文 | 本文评估了基于深度学习的模型用于法洛四联症患者心脏磁共振图像的左心室、右心室和左心室心肌的自动分割 | 采用MultiResUNet模型在混合数据集（包含法洛四联症和非法洛四联症病例）上训练，实现了对法洛四联症患者心脏结构的准确自动分割，并进行了内部和外部验证 | 研究为回顾性设计，样本量有限（特别是外部验证仅12例），且仅使用了一种成像序列 | 评估深度学习模型在法洛四联症患者心脏磁共振图像自动分割中的性能，以替代耗时且存在变异性的手动分割 | 427名患有不同心脏疾病的患者（包括122名法洛四联症患者和305名非法洛四联症患者）的心脏磁共振图像 | 数字病理学 | 心血管疾病 | 稳态自由进动电影序列 | CNN | 图像 | 427名患者（395名用于训练/验证，32名法洛四联症患者用于内部测试，12名外部法洛四联症患者用于泛化性评估） | NA | U-Net, Deep U-Net, MultiResUNet | Dice相似系数, 交并比, F1分数 | NA |
| 1826 | 2025-09-11 |
Editorial for "A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients"
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70114
PMID:40928233
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1827 | 2025-12-17 |
Innovative Learning in Anatomy Education: Assessing the Impact of Low-Cost 3D Deep Learning Anatomical Models in Museum-Based Instruction
2026-Jan, Journal of surgical education
IF:2.6Q1
DOI:10.1016/j.jsurg.2025.103748
PMID:41187606
|
研究论文 | 本研究评估了基于低成本3D深度学习解剖模型的虚拟解剖博物馆教学方法对医学生临床推理和解剖学理解的影响 | 将低成本的交互式3D模型与深度学习技术（PointNeXt和AnatoVision Block）结合，创建了一个虚拟解剖博物馆平台，用于增强医学生的临床相关性和空间定向能力 | 研究样本量较小（40名学生），且为概念验证性研究；技术困难报告率为25%；对照组采用传统授课加3D打印模型，与实验组的数字交互方法存在质性差异，并非直接比较 | 评估虚拟解剖博物馆教学方法在提升医学生临床推理和解剖学熟练度方面的有效性 | 沙特阿拉伯国王哈立德大学应用医学科学学士课程的40名本科医学生 | 数字病理 | NA | 虚拟解剖博物馆、交互式3D可视化 | 深度学习 | 3D模型、问卷数据 | 40名本科医学生（实验组20人，对照组20人） | NA | PointNeXt, AnatoVision Block | 平均分、标准差、p值、百分比 | NA |
| 1828 | 2025-12-17 |
Predicting Radiation Pneumonitis Integrating Clinical Information, Medical Text, and 2.5D Deep Learning Features in Lung Cancer
2026-Jan-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.07.1437
PMID:40844448
|
研究论文 | 本文构建了一个基于临床信息、医学文本和2.5D深度学习特征的肺癌患者放射性肺炎预测模型 | 提出了一种结合临床信息、医学文本和2.5D多实例学习特征的放射性肺炎预测模型，为预测放疗副作用提供了新思路 | 模型在不同测试队列中的最优模型类型存在差异，可能影响泛化能力 | 构建放射性肺炎的预测模型以评估放疗副作用 | 肺癌患者 | 数字病理学 | 肺癌 | CT成像, 放射治疗剂量切片 | 深度学习模型 | 图像, 文本 | 594名患者（356名来自一个中心，238名来自三个其他中心） | NA | DenseNet121, DenseNet201, Twins-SVT | AUC | NA |
| 1829 | 2025-12-17 |
An Explainable 3D-Deep Learning Model for EEG Decoding in Brain-Computer Interface Applications
2025-Dec-30, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S012906572550073X
PMID:41109958
|
研究论文 | 本文提出了一种用于脑机接口应用中EEG解码的多维可解释深度学习框架 | 提出了一种基于三维卷积神经网络的可解释深度学习模型，通过全局到特定用户的微调策略减少校准时间，并引入三维遮挡敏感性分析增强模型透明度 | 模型在跨用户泛化方面可能存在限制，需要进一步验证在不同EEG数据集上的性能 | 开发一种快速、可解释的EEG解码方法，以降低脑机接口系统的用户特定校准时间 | 运动脑机接口实验中的EEG信号，特别是手部张开和手部闭合运动规划与静息状态的区分 | 机器学习 | NA | EEG信号处理 | CNN | EEG信号 | NA | NA | 3D Convolutional Neural Network | 准确率 | NA |
| 1830 | 2025-12-17 |
Usefulness of Data Simulation for Training Deep Learning Denoising Algorithms in Infrared Spectral Histology
2025-Dec-16, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02174
PMID:41337468
|
研究论文 | 本研究探讨了使用模拟数据训练深度学习模型，以去噪临床应用中石蜡包埋组织切片的红外光谱图像 | 提出了一种基于模拟线性生成模型的方法，结合不同谱带形状（Voigt、高斯和洛伦兹）和噪声类型（加性和乘性高斯噪声以及泊松噪声），以增强训练数据的多样性并提高模型泛化能力 | 模拟光谱的具体配置显著影响模型性能，且模拟数据的特性导致不同程度的成功 | 开发用于红外光谱图像去噪的深度学习技术，以减少扫描时间并促进临床部署 | 石蜡包埋组织切片的红外光谱图像 | 数字病理学 | NA | 傅里叶变换红外光谱 | CNN | 图像 | NA | NA | ResUNet-1D-CNN | NA | NA |
| 1831 | 2025-12-17 |
BayesOpGAN: A Bayesian-Optimized GAN Framework with Fourier-Based Evaluation for Quality-Controlled Raman Spectral Data Augmentation
2025-Dec-16, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c04540
PMID:41344223
|
研究论文 | 本文提出了一种名为BayesOpGAN的生成对抗网络框架，用于从小样本（少于30个）中生成高质量的拉曼光谱数据，以解决深度学习模型在小数据集上过拟合和泛化能力差的问题 | 创新点包括引入了贝叶斯优化的损失函数（BayesOpLoss）和平滑上采样模块，并采用傅里叶距离这一频域度量来定量评估生成的一维光谱质量 | 生成数据存在最优增强范围，过量的生成数据会降低分类器性能 | 研究目的是开发一种可靠且可扩展的小样本光谱数据增强方法，以提升拉曼光谱分类模型的性能 | 研究对象为拉曼光谱数据，具体来自RRUFF拉曼数据库的混合质量数据集 | 机器学习 | NA | 拉曼光谱 | GAN | 光谱数据（一维信号） | 少于30个样本 | NA | GAN, ResNet-50 | 准确率, 傅里叶距离 | NA |
| 1832 | 2025-12-17 |
The intratumor microbiome and cancer immunity: from pathogenesis to therapeutic opportunities through artificial intelligence
2025-Dec-16, Expert review of clinical immunology
IF:3.9Q2
DOI:10.1080/1744666X.2025.2602537
PMID:41368873
|
综述 | 本文综述了肿瘤内微生物组与癌症免疫之间的相互作用，探讨了其在肿瘤发生发展中的作用，并评估了人工智能在整合多组学数据以推动精准肿瘤学方面的应用潜力 | 系统性地将肿瘤内微生物组（包括细菌、真菌和病毒）与癌症免疫调控及免疫治疗反应联系起来，并强调了人工智能在整合空间多组学数据以解析微生物功能空间定位方面的创新应用 | 面临数据异质性、模型可解释性、伦理问题以及缺乏标准化协议和高分辨率空间图谱等挑战 | 探讨肿瘤内微生物组在癌症发生、发展和治疗中的作用，并评估人工智能技术如何推动基于微生物组的精准肿瘤学发展 | 肿瘤内微生物组（细菌、真菌、病毒）及其与宿主免疫系统的相互作用 | 数字病理学 | 癌症 | 下一代测序, 空间转录组学 | 机器学习, 深度学习 | 多组学数据, 空间数据 | NA | NA | NA | NA | NA |
| 1833 | 2025-12-17 |
Discovery of Tetrahydroisoquinoline-Based SARS-CoV-2 Helicase Inhibitors with Iterative, Deep Learning-Enhanced Virtual Screening
2025-Dec-16, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02059
PMID:41400222
|
研究论文 | 本研究通过结合深度学习的虚拟筛选方法，发现了基于四氢异喹啉的SARS-CoV-2解旋酶抑制剂 | 在虚拟筛选中引入深度神经网络模型，提高了21%的命中识别效率，并揭示了THIQ衍生物通过变构机制抑制SARS-CoV-2解旋酶的新作用位点 | 研究仍处于早期阶段，化合物需进一步优化和体内验证 | 开发针对SARS-CoV-2解旋酶的新型抗病毒药物 | SARS-CoV-2解旋酶（Nsp13）及其抑制剂 | 药物发现 | COVID-19 | 虚拟筛选、分子动力学模拟 | 深度神经网络 | 化学分子结构数据 | 18个THIQ衍生物 | NA | 深度神经网络 | 命中识别效率、选择性指数（CC/EC）、抗病毒活性（EC值） | NA |
| 1834 | 2025-12-17 |
Deep learning-enhanced digital-BGO versus TOF PET/CT: comparative assessment of detection, quantitation, and overall image quality
2025-Dec-16, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-025-00814-8
PMID:41400899
|
研究论文 | 本研究评估了采用深度学习算法增强的数字BGO PET/CT系统（OMNI6R）与TOF PET/CT系统（DMI5R）在病灶检测灵敏度、定量分析和整体图像质量方面的性能比较 | 首次将深度学习算法（Precision Deep Learning, PDL）应用于数字BGO PET/CT系统，模拟TOF增强效果，并在减少采集时间和活度的情况下实现非劣效性能 | 样本量较小（30例患者），仅使用[18F]-FDG示踪剂，未评估其他病理类型或示踪剂 | 比较深度学习增强的数字BGO PET/CT与TOF PET/CT系统的诊断性能 | PET/CT系统（OMNI6R与DMI5R）、合成病灶（ISL）、临床图像质量指标 | 医学影像分析 | NA | PET/CT成像、深度学习图像重建 | 深度学习算法 | 医学影像（PET/CT图像） | 30例患者，150个插入合成病灶 | NA | Precision Deep Learning (PDL) | 真阳性率、恢复系数（SUVmean, SUVmax）、5点Likert量表评分 | NA |
| 1835 | 2025-12-17 |
Deep Learning-Driven Innovations in Echocardiography: Taxonomy, Clinical Impact, Challenges, and Opportunities
2025-Dec-16, Annals of biomedical engineering
IF:3.0Q3
DOI:10.1007/s10439-025-03944-3
PMID:41400904
|
综述 | 本文全面分析了深度学习在超声心动图领域的应用，重点关注其临床影响、挑战和发展机遇 | 提供了深度学习在超声心动图中应用的系统分类，并强调了其在心血管疾病自动诊断和监测中的变革性影响，同时指出了未充分探索的挑战和潜在解决方案 | 作为综述文章，未提出新的实验数据或模型，主要基于现有文献进行分析 | 分析深度学习如何重塑超声心动图领域，并探讨其临床影响、挑战和未来机会 | 超声心动图图像数据及相关深度学习研究 | 计算机视觉 | 心血管疾病 | NA | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1836 | 2025-12-17 |
Deep learning predicts microsatellite instability status in colorectal carcinoma in an ethnically heterogeneous population in South Africa
2025-Dec-15, Journal of clinical pathology
IF:2.5Q2
DOI:10.1136/jcp-2025-210053
PMID:40393786
|
研究论文 | 本研究评估了基于深度学习的模型在南非多民族结直肠癌患者队列中预测微卫星不稳定状态的性能 | 首次在非洲多民族人群中验证了基于Transformer的深度学习模型对结直肠癌错配修复缺陷的预测能力，并进行了区域特异性校准 | 样本量相对较小（197例），且假阴性病例主要位于左侧结肠，缺乏典型的dMMR/MSI-H组织学表型 | 评估深度学习模型在资源有限环境中作为结直肠癌错配修复缺陷预筛查工具的可行性和准确性 | 南非多民族结直肠癌患者的切除标本 | 数字病理学 | 结直肠癌 | 全玻片图像扫描 | 深度学习 | 图像 | 197例结直肠癌切除标本 | 未明确说明 | Transformer | AUROC, 敏感性, 特异性, Youden's J指数 | NA |
| 1837 | 2025-12-17 |
SSIF-Affinity: Multimodal Deep Learning of Sequence-Structure Features for Precise Protein-Protein Binding Affinity Prediction
2025-Dec-15, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01734
PMID:41392472
|
研究论文 | 本文提出了一种名为SSIF-affinity的多模态深度学习框架，用于高精度预测蛋白质-蛋白质复合物的结合亲和力 | 创新性地结合了结合界面定位、几何约束区域构建、结构引导的跨模态注意力机制，以及全序列特征的卷积和长短期记忆网络融合，有效平衡界面相互作用和远程相互作用的贡献 | NA | 定量预测蛋白质-蛋白质相互作用的结合亲和力，以解析生物机制并推动治疗性抗体开发 | 蛋白质-蛋白质复合物，特别是抗体-抗原复合物 | 机器学习 | NA | 深度学习 | CNN, LSTM, MLP | 序列数据, 结构数据 | NA | NA | 卷积神经网络, 长短期记忆网络, 多层感知机 | NA | NA |
| 1838 | 2025-12-17 |
Towards Robust Assessment of Pathological Voices via Combined Low-Level Descriptors and Foundation Model Representations
2025-Dec-15, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3644692
PMID:41396745
|
研究论文 | 本研究提出了一种结合低层声学特征与语音基础模型表示的新型深度学习框架VOQANet及VOQANet+，用于客观、鲁棒地评估病理嗓音 | 首次将自监督语音基础模型嵌入与低层声学描述符（抖动、振幅微扰、谐噪比）相结合，并在句子级别语音上进行评估，增强了模型在真实场景和远程医疗应用中的鲁棒性 | 未明确说明模型在跨语言或不同病理类型间的泛化能力，也未详细讨论计算复杂度 | 开发一种客观、准确的病理嗓音质量评估方法，以减少传统主观评估方法中评估者间的变异性 | 病理嗓音（声音障碍） | 自然语言处理 | NA | 语音信号处理，深度学习 | 深度学习框架（基于注意力机制） | 语音数据（元音级别和句子级别） | NA | NA | VOQANet, VOQANet+ | 均方根误差, 皮尔逊相关系数 | NA |
| 1839 | 2025-12-17 |
Memory-Efficient Intrinsic Gating Adaptation for Enhanced On-Device Epilepsy Diagnosis
2025-Dec-15, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3643602
PMID:41396749
|
研究论文 | 本文提出了一种用于资源受限边缘设备上癫痫诊断的内存高效内在门控适应框架（MEIGA） | 提出MEIGA框架，通过轻量级适配器网络和直接反馈对齐（DFA）技术，在低内存和计算开销下有效适应患者特异性生物标志物的会话间变异性 | 未明确说明模型在不同癫痫亚型或更广泛临床环境中的泛化能力，以及长期部署的稳定性验证 | 增强资源受限边缘设备上癫痫诊断的实用性和适应性 | 癫痫患者的脑电图（EEG）数据 | 机器学习 | 癫痫 | 脑电图（EEG） | Vision Transformer, 适配器网络 | 时序信号（EEG） | CHB-MIT癫痫数据集和AES数据集（具体样本数未在摘要中提供） | 未明确指定 | Vision Transformer | 准确率 | 边缘设备（资源受限环境） |
| 1840 | 2025-12-17 |
DriverMONI: Cancer Driver Gene Prediction with Multimodal Deep Learning Integrating Multiomics Data and Condition-specific Network Information
2025-Dec-15, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3643887
PMID:41396756
|
研究论文 | 提出了一种名为DriverMONI的多模态深度学习方法，用于整合多组学数据和条件特异性网络信息以预测癌症驱动基因 | 利用条件特异性蛋白质相互作用子网络生成图注意力网络的输入图和节点属性，使模型具有条件特异性并提高预测准确性，同时通过多模态方法缓解蛋白质相互作用网络的不完整性问题 | 未明确说明模型在独立验证集上的泛化性能或对罕见癌症类型的适用性 | 开发一种更准确的癌症驱动基因预测方法 | 癌症驱动基因 | 机器学习 | 癌症 | 多组学数据整合 | 图注意力网络 | 多组学数据、生物网络 | 使用癌症基因组图谱数据，具体样本量未明确说明 | NA | 图注意力网络 | 预测准确性 | NA |