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 36465 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 | 2025-12-03 |
Non-invasive hemoglobin estimation with outcome prediction via deep learning analysis of ECG-derived cardiac micro-dynamics
2025-Dec-02, Internal and emergency medicine
IF:3.2Q1
DOI:10.1007/s11739-025-04209-6
PMID:41329232
|
研究论文 | 本研究开发了一种基于心电图和深度学习的非侵入性血红蛋白估计模型，用于贫血检测并评估其对全因死亡率和新发心力衰竭的预测能力 | 首次利用深度学习分析心电图衍生的心脏微动力学特征来非侵入性估计血红蛋白水平，并验证其在心血管风险预测中的预后价值 | 研究为回顾性设计，可能受到选择偏倚的影响；模型性能在轻度贫血检测中相对较低；外部验证仅来自两家医院 | 开发一种非侵入性、低成本的贫血筛查工具，并评估其与心血管结局的关联 | 心电图信号与对应的血红蛋白水平数据 | 数字病理学 | 心血管疾病 | 心电图分析 | 深度学习模型 | 心电图信号 | 训练集：187,202名患者的388,166份心电图；内部测试集：24,279名患者；外部测试集：29,247名患者 | NA | NA | AUC, 敏感性, 特异性, Pearson相关系数, 风险比 | NA |
| 1822 | 2025-12-03 |
CNN-Powered Dual-Path Network with Adaptive Attention for Red Blood Cell Classification
2025-Dec-02, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01759-1
PMID:41329245
|
研究论文 | 提出一种结合EfficientNetB3和DenseNet201的双路径卷积神经网络架构，并集成CBAM注意力机制，用于红细胞形态亚型的准确分类 | 设计了一种新颖的CNN-DP-Att架构，通过双路径（高分辨率细节路径和上下文特征路径）结合双主干网络（EfficientNetB3和DenseNet201）以及CBAM注意力机制，有效提取红细胞形态的细微特征 | 未明确说明模型在外部验证集上的泛化能力、计算效率或临床部署的可行性 | 开发一种基于深度学习的自动化系统，以准确分类红细胞形态亚型，辅助血液学疾病的诊断和监测 | 红细胞（RBC）的形态亚型，包括多种红细胞异常 | 计算机视觉 | 血液学疾病 | 医学成像 | CNN | 图像 | NA | NA | EfficientNetB3, DenseNet201 | 精度 | NA |
| 1823 | 2025-12-03 |
A deep learning model to reduce agent dose for contrast-enhanced MRI of the cerebellopontine angle cistern
2025-Dec-02, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12187-8
PMID:41329327
|
研究论文 | 本研究评估了一种深度学习模型，用于减少桥小脑角池对比增强T1加权MRI的造影剂剂量 | 首次在桥小脑角池MRI中广泛评估了用于减少造影剂剂量的深度学习模型，并证明了该模型能使低剂量图像恢复至足以用于前庭神经鞘瘤诊断和管理的质量 | 这是一项多中心回顾性研究，样本量相对有限（72名患者，203项MRI研究），且仅针对前庭神经鞘瘤患者 | 评估深度学习模型在减少桥小脑角池对比增强MRI造影剂剂量方面的效果 | 前庭神经鞘瘤患者的MRI图像 | 数字病理学 | 前庭神经鞘瘤 | 对比增强T1加权MRI | 深度学习模型 | MRI图像 | 72名前庭神经鞘瘤患者，共203项MRI研究 | NA | NA | 结构相似性指数，峰值信噪比，Dice系数，95% Hausdorff距离，平均表面距离 | NA |
| 1824 | 2025-12-03 |
Exploring potential gene signatures in dengue through machine learning and deep learning approaches
2025-Dec-02, Virus genes
IF:1.9Q4
DOI:10.1007/s11262-025-02204-9
PMID:41329415
|
研究论文 | 本研究通过机器学习和深度学习技术分析登革热微阵列数据，以识别潜在的生物标志物和诊断基因特征 | 结合递归特征消除和遗传算法的机器学习与深度学习方法来识别登革热相关差异表达基因，并确定了与血小板功能和硬腭形态异常相关的七个枢纽基因 | 研究结果需要在更大、更多样化的队列中进行进一步验证以确认其预后效用 | 识别登革热临床条件下的潜在生物标志物和诊断基因特征 | 登革热患者微阵列数据中的差异表达基因 | 机器学习 | 登革热 | 微阵列 | Random Forest, Support Vector Machine | 基因表达数据 | 四个微阵列数据集（GSE84331, GSE18090, GSE43777, E-MTAB-3162） | NA | NA | NA | NA |
| 1825 | 2025-12-03 |
Bioinformatics Portal for Predicting Binding Regions and Modes in Protein-Nucleic Acid Interactions
2025-Dec-02, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf114
PMID:41329480
|
研究论文 | 本文介绍了一个用于预测蛋白质-核酸相互作用（PNIs）结合区域和模式的生物信息学门户网站，该门户整合了数据库、机器学习/深度学习预测工具及潜在应用分析 | 开发了一个集成的在线生物信息学门户，系统整合了PNIs数据库、多种ML/DL预测算法，并提供了用户友好的交互界面 | 未在摘要中明确说明具体的技术局限性 | 通过计算建模预测PNIs的结合位点和构象动力学，以理解其分子机制并促进核酸药物设计 | 蛋白质-核酸相互作用（PNIs） | 生物信息学 | NA | 机器学习（ML）、深度学习（DL） | NA | 蛋白质-核酸相互作用数据 | NA | NA | NA | NA | 在线平台（http://rv.agroda.cn/pni_portal） |
| 1826 | 2025-12-03 |
HGCPep: Hypergraph Deep Learning Identifies Cancer-associated Non-coding Peptides
2025-Dec-02, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf093
PMID:41329495
|
研究论文 | 本研究开发了一个名为HGCPep的深度学习框架，利用超图建模非编码RNA与其编码的多肽之间的内在关系，以更准确地识别癌症相关的非编码多肽 | 首次提出利用超图神经网络建模非编码RNA转录本与其编码的多肽群体之间的关系，将转录背景信息融入多肽特征表示，突破了传统仅基于序列分析方法的局限 | 未明确说明模型在跨癌症类型泛化能力、实验验证规模以及计算复杂度方面的具体限制 | 开发一种能够系统识别癌症相关非编码多肽的计算方法，为癌症免疫治疗发现新的治疗靶点 | 非编码RNA编码的小肽 | 生物信息学, 机器学习 | 癌症 | 深度学习, 超图神经网络 | 超图神经网络, 卷积神经网络 | 序列数据, 图结构数据 | NA | NA | 超图神经网络与卷积神经网络的集成架构 | NA | NA |
| 1827 | 2025-12-03 |
Profiling Cell-state Fingerprints Based on Deep Learning Model with Meta-programs of Pan-cancer
2025-Dec-02, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf123
PMID:41329499
|
研究论文 | 本研究基于深度学习模型StateNet，利用泛癌元程序生成细胞状态指纹，以揭示癌症细胞的共同特征和个体差异 | 开发了深度学习模型StateNet，首次基于泛癌元程序生成细胞状态指纹，用于分析癌症细胞的共享机制和个体特性 | 未明确说明模型在独立验证集上的泛化能力或计算效率的具体限制 | 研究泛癌中细胞状态的共享机制和个体差异，以开发癌症分析工具 | 159,372个细胞，来自245个细胞系，覆盖14种组织类型 | 机器学习 | 泛癌 | 单细胞RNA测序 | 深度学习模型 | 单细胞RNA测序数据 | 159,372个细胞，245个细胞系，14种组织类型 | NA | StateNet | NA | NA |
| 1828 | 2025-12-03 |
Deep-ELA: Deep Exploratory Landscape Analysis with Self-Supervised Pretrained Transformers for Single- and Multiobjective Continuous Optimization Problems
2025-Dec-01, Evolutionary computation
IF:4.6Q1
DOI:10.1162/evco_a_00367
PMID:39903851
|
研究论文 | 本文提出了一种名为Deep-ELA的混合方法，结合深度学习和探索性景观分析特征，用于单目标和多目标连续优化问题的表征 | 通过自监督预训练Transformer模型，在数百万随机生成的优化问题上学习深度表示，解决了传统ELA特征的相关性限制并扩展至多目标问题 | 未明确提及具体性能限制或数据偏差问题 | 开发一种能有效表征连续优化问题景观的混合框架，以支持算法选择、配置及问题理解等任务 | 单目标和多目标连续优化问题 | 机器学习 | NA | 探索性景观分析（ELA）、深度学习 | Transformer | 数值特征、点云数据 | 数百万随机生成的优化问题 | NA | Transformer | NA | NA |
| 1829 | 2025-12-03 |
Advancing Optical Coherence Tomography Diagnostic Capabilities: Machine Learning Approaches to Detect Autoimmune Inflammatory Diseases
2025-12-01, Journal of neuro-ophthalmology : the official journal of the North American Neuro-Ophthalmology Society
IF:2.0Q2
DOI:10.1097/WNO.0000000000002322
PMID:39910704
|
研究论文 | 本研究利用机器学习方法分析光学相干断层扫描（OCT）图像，以区分自身免疫性炎症疾病、其他眼病及健康对照 | 首次应用支持向量机（SVM）模型基于OCT测量的pRNFL、GCIPL和INL层厚度，区分多种自身免疫性炎症疾病（如NMOSD、MOGAD、MS）及其他眼病与健康对照 | 样本量相对有限，特别是其他眼病组（n=16）；MS与NMOSD比较的准确率较低（0.53），模型泛化能力需进一步验证 | 评估机器学习分析OCT测量数据以区分不同自身免疫性炎症疾病、其他眼病及健康对照的可行性 | 来自Mangalore脱髓鞘疾病登记库的MS（99例患者）、NMOSD（40例）、MOGAD（74例）、其他眼病（16例）及健康对照（54例）的眼部OCT图像 | 机器学习 | 自身免疫性炎症疾病 | 光学相干断层扫描（OCT） | SVM | 图像 | MS（99例患者）、NMOSD（40例）、MOGAD（74例）、其他眼病（16例）、健康对照（54例） | NA | 支持向量机（SVM） | 准确率, AUROC | NA |
| 1830 | 2025-12-03 |
DSMR: Dual-Stream Networks with Refinement Module for Unsupervised Multi-modal Image Registration
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00707-5
PMID:40252168
|
研究论文 | 提出一种新颖的无监督双流多模态图像配准框架DSMR，结合双流配准网络与细化模块，以提升多模态医学图像配准性能 | 首次提出结合双流配准网络与细化模块的无监督多模态配准框架，利用移动图像、固定图像和转换图像生成两个形变场，并通过伪真值细化机制缓解翻译网络引入的人工特征问题 | 未明确讨论算法对极端模态差异或噪声数据的鲁棒性，也未与其他最新无监督多模态配准方法进行系统性比较 | 解决无监督多模态医学图像配准中因缺乏显式参考关系而导致的挑战 | 多模态医学图像（如不同成像设备获取的医学影像） | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | PyTorch | 双流网络 | 配准误差 | NA |
| 1831 | 2025-12-03 |
Semantic Consistency Network with Edge Learner and Connectivity Enhancer for Cervical Tumor Segmentation from Histopathology Images
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00691-w
PMID:40268829
|
研究论文 | 提出一种用于宫颈肿瘤组织病理学图像分割的端到端语义一致性网络ERNet，包含边缘学习器和连通性增强器 | 提出结合边缘学习器和连通性增强器的语义一致性网络，通过自适应耦合边缘特征与像素级特征，并利用肿瘤分类任务优化分割结果 | 未明确说明模型在更大规模数据集上的泛化能力，且仅额外在喉部肿瘤图像上进行了泛化实验 | 提高宫颈肿瘤组织病理学图像分割的准确性和边缘相似度 | 宫颈肿瘤组织病理学图像 | 数字病理学 | 宫颈癌 | 组织病理学成像 | CNN | 图像 | NA | NA | ERNet（包含堆叠的浅层卷积神经网络） | 结构相似性，平均交并比 | NA |
| 1832 | 2025-12-03 |
WDGBANDTI: A Deep Graph Convolutional Network-Based Bilinear Attention Network for Drug-Target Interaction Prediction with Domain Adaptation
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00714-6
PMID:40410523
|
研究论文 | 本文提出了一种基于深度图卷积网络和双线性注意力网络的药物-靶点相互作用预测框架WDGBANDTI，用于在子结构层面分析并预测药物-靶点相互作用 | 通过结合深度图卷积网络和双线性注意力网络，在子结构层面进行药物-靶点相互作用预测，并利用双线性注意力网络增强模型的可解释性，识别影响相互作用的关键子结构 | 未明确提及具体局限性 | 预测药物-靶点相互作用，以支持新药开发和副作用机制分析 | 药物和靶点分子 | 机器学习 | NA | 深度学习 | 深度图卷积网络, 双线性注意力网络 | 分子图数据 | 多个常用且覆盖广泛的公开数据集 | NA | Deep-GCN, BAN | 准确率, 灵敏度, 特异性 | NA |
| 1833 | 2025-12-03 |
A Multi-modal Drug Target Affinity Prediction Based on Graph Features and Pre-trained Sequence Embeddings
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00713-7
PMID:40455402
|
研究论文 | 本文提出了一种名为MGSDTA的多模态药物-靶点亲和力预测方法，整合了药物分子和靶蛋白的图特征与序列特征 | 首次将药物分子图和靶蛋白图的特征与基于自监督预训练模型生成的序列嵌入相结合，通过加权融合模块进行多模态DTA预测 | 未在摘要中明确提及 | 开发一种准确的计算方法来预测药物-靶点亲和力，以减少生化实验并快速筛选潜在可药物化合物 | 药物分子和靶蛋白 | 机器学习 | NA | 自监督预训练模型 | 深度学习模型 | 图数据, 序列数据 | NA | NA | MGSDTA | NA | NA |
| 1834 | 2025-12-03 |
Enhancing the Feature Representation of Protein Sequence Descriptors in Protein-Protein Interaction Prediction
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00723-5
PMID:40457163
|
研究论文 | 本研究开发了基于六种已知蛋白质序列描述符的新描述符，以增强蛋白质序列在蛋白质-蛋白质相互作用预测中的特征表示能力 | 提出改进空间相关性以更好捕获序列相似性的新描述符，并开发了包含51种特征向量的灵活Python软件包ProtSeqDesc | NA | 提高蛋白质序列描述符在蛋白质-蛋白质相互作用预测中的特征表示质量 | 蛋白质序列数据 | 生物信息学 | NA | 机器学习, 深度学习 | NA | 序列数据 | NA | Python | NA | NA | NA |
| 1835 | 2025-12-03 |
Deep learning model for differentiating thyroid eye disease and orbital myositis on computed tomography (CT) imaging
2025-Dec, Orbit (Amsterdam, Netherlands)
DOI:10.1080/01676830.2025.2510587
PMID:40459922
|
研究论文 | 本研究开发了一种基于深度学习模型，利用眼眶CT图像准确区分甲状腺眼病和眼眶肌炎的诊断方法 | 首次采用深度学习模型基于单张冠状位眼眶CT图像实现甲状腺眼病与眼眶肌炎的高精度鉴别诊断，并发现模型能够识别除眼外肌增大外的其他显著特征 | 回顾性单中心研究，样本量有限（192例患者），未进行外部验证 | 开发能够准确区分甲状腺眼病和眼眶肌炎的自动化诊断工具 | 甲状腺眼病患者、眼眶肌炎患者及正常对照者的眼眶CT图像 | 计算机视觉 | 甲状腺眼病 | 眼眶计算机断层扫描 | CNN | 图像 | 192例患者（110例甲状腺眼病、51例眼眶肌炎、31例对照）的1628张图像 | NA | VGG-16 | 准确率, AUC, 灵敏度, 特异性, F1分数 | NA |
| 1836 | 2025-12-03 |
MOPSOGAT: Predicting CircRNA-Disease Associations via Improved Multi-objective Particle Swarm Optimization and Graph Attention Network
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00725-3
PMID:40514639
|
研究论文 | 本文提出了一种名为MOPSOGAT的新方法，通过改进的多目标粒子群优化算法和图注意力网络预测circRNA与疾病之间的关联 | 首次将多目标粒子群优化算法应用于图注意力网络的参数优化，以解决深度学习模型中参数调优的挑战，并针对异质图中节点类型分布不均的问题提出了改进策略 | 未明确说明模型在处理大规模数据集时的计算效率或泛化能力的具体限制 | 预测circRNA与疾病之间的关联，以支持生物医学研究 | circRNA和疾病 | 机器学习 | NA | 深度学习, 多目标优化 | 图注意力网络 | 图数据, 序列数据 | NA | NA | 图注意力网络 | NA | NA |
| 1837 | 2025-12-03 |
iALP: Identification of Allergenic Proteins Based on Large Language Model and Gate Linear Unit
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00734-2
PMID:40652417
|
研究论文 | 本文提出了一种基于大型语言模型ProtT5和门控线性单元(GLU)的新型方法iALP，用于高效识别过敏原蛋白 | 首次结合大型语言模型ProtT5和门控线性单元(GLU)来捕捉过敏原蛋白的复杂特征，提高了识别准确率 | 未详细讨论模型在特定蛋白质家族或结构类型上的性能差异，也未涉及模型在临床实际应用中的验证 | 开发一种高效准确的过敏原蛋白识别方法，以支持过敏症状预防和治疗策略的实施 | 过敏原蛋白(ALPs) | 自然语言处理 | 过敏性疾病 | 蛋白质序列分析 | 大型语言模型,门控线性单元 | 蛋白质序列 | NA | NA | ProtT5,GLU | 准确率,F1分数 | NA |
| 1838 | 2025-12-03 |
DNA Methylation Recognition Using Hybrid Deep Learning with Dual Nucleotide Visualization Fusion Feature Encoding
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00737-z
PMID:40670806
|
研究论文 | 本文提出了一种名为DeepDNA-DNVFF的新型高效DNA甲基化预测方法，通过改进和整合二维DNA可视化技术，开发了双核苷酸视觉融合特征编码（DNVFF）方法，并结合CNN、BiLSTM和注意力机制的混合深度学习模型来提升预测性能 | 提出了一种新的双核苷酸视觉融合特征编码（DNVFF）方法，改进了传统特征编码，能更有效地从DNA序列中提取潜在特征信息；并设计了一个结合CNN、BiLSTM和注意力机制的混合深度学习模型，增强了模型捕捉长距离依赖的能力 | 未在摘要中明确提及 | 开发一种稳健的通用预测器，用于预测DNA甲基化位点，以帮助理解基因调控机制和识别潜在的疾病生物标志物 | DNA序列及其甲基化位点 | 机器学习 | NA | DNA甲基化预测 | CNN, BiLSTM, 注意力机制 | DNA序列数据 | 涉及17个物种的数据集 | NA | CNN, BiLSTM | 马修斯相关系数（Matthews correlation coefficient） | NA |
| 1839 | 2025-12-03 |
Prediction of Epilepsy Seizure Based on Cepstrum Analysis and Deep Learning
2025-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00741-3
PMID:40670805
|
研究论文 | 本文提出了一种基于梅尔频率倒谱系数和线性预测编码倒谱系数处理脑电图信号，并结合卷积神经网络与长短期记忆网络提取特征的癫痫发作预测模型 | 通过将脑电图信号转换至梅尔频率域以突出癫痫相关频率特征，并整合CNN和LSTM网络来适应非平稳信号，从而提升预测准确性和稳定性 | 未明确提及模型在更广泛或多样化数据集上的泛化能力，以及计算资源需求的具体分析 | 开发一种能够适应非平稳脑电图信号的癫痫发作预测方法，以提高预测的准确性和稳定性 | 癫痫患者的脑电图信号 | 机器学习 | 癫痫 | 梅尔频率倒谱系数分析，线性预测编码倒谱系数分析 | CNN, LSTM | 脑电图信号 | 使用公开的CHB-MIT癫痫脑电图数据集，具体样本数量未明确说明 | 未明确指定，但可能基于TensorFlow或PyTorch等深度学习框架 | 未指定具体架构，但结合了CNN和LSTM | 准确率，灵敏度，特异性 | 未明确说明 |
| 1840 | 2025-12-03 |
Automated Assessment of Test of Masticating and Swallowing Solids Using a Neck-Worn Electronic Stethoscope: A Pilot Study
2025-Dec, Journal of oral rehabilitation
IF:3.1Q1
DOI:10.1111/joor.70030
PMID:40751301
|
研究论文 | 本研究探索使用颈部佩戴电子听诊器（NWES）半自动化评估固体咀嚼和吞咽测试（TOMASS）参数，并分析年龄和性别的影响 | 首次将颈部佩戴电子听诊器与深度学习技术结合，实现TOMASS参数的客观自动化测量，克服了传统方法依赖操作员的主观局限性 | 研究样本仅包括健康成年人，未涵盖吞咽困难或咀嚼功能障碍的多样化人群，且为初步研究，需要进一步验证和扩展 | 开发一种客观、高效的自动化工具来评估咀嚼和吞咽功能，并探究年龄和性别对TOMASS参数的影响 | 123名健康成年人（平均年龄58.7岁） | 数字病理学 | 老年疾病 | 深度学习分析 | NA | 音频数据, 视觉数据 | 123名健康成年人 | NA | NA | NA | NA |