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 32372 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 | 2025-09-20 |
An MRI Histopathology-based Deep Learning Approach for the Classification of Prostate Cancer
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.250466
PMID:40970800
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1822 | 2025-10-06 |
Deep Learning Classification of Prostate Cancer Using MRI Histopathologic Data
2025-Sep, Radiology. Imaging cancer
DOI:10.1148/rycan.240381
PMID:40970801
|
研究论文 | 本研究通过深度学习对前列腺癌MRI组织病理学数据进行分类，评估MR组织病理学在前列腺癌诊断中的能力 | 开发了新型人工智能分析方法，通过整合空间上下文信息提高分类性能，并能够估计病灶大小 | 回顾性研究，使用2009-2011年收集的数据集，样本时间范围有限 | 评估MR组织病理学在前列腺癌诊断中的能力，并指导临床MRH采集的成像参数选择 | 前列腺癌根治术标本的组织学切片 | 数字病理学 | 前列腺癌 | MR组织病理学，MR光谱学 | 神经网络 | 光谱强度数据，组织学图像 | 2009-2011年间收集的前列腺癌根治术标本数据集 | NA | NA | ROC曲线下面积 | NA |
| 1823 | 2025-10-06 |
CircCode3: integrating deep learning to mine and evaluate translatable circular RNAs from ribosome profiling sequencing and mass spectrometry data
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf458
PMID:40966647
|
研究论文 | 开发了CircCode3集成分析流程，通过深度学习技术从核糖体分析测序和质谱数据中挖掘可翻译环状RNA | 整合了深度学习工具DeepCircm6A和DLMSC，新增了跨越反向剪接位点的开放阅读框识别与评估功能 | 未提及具体性能验证数据或与其他工具的对比结果 | 准确识别可翻译环状RNA及其开放阅读框 | 可翻译环状RNA及其编码潜力 | 生物信息学 | NA | 核糖体分析测序, 质谱分析, 高通量测序 | 深度学习 | 测序数据, 质谱数据 | NA | NA | NA | NA | NA |
| 1824 | 2025-10-06 |
Single-View Echocardiographic Analysis for Left Ventricular Outflow Tract Obstruction Prediction in Hypertrophic Cardiomyopathy: A Deep Learning Approach
2025-Aug-16, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2025.08.008
PMID:40825382
|
研究论文 | 开发并验证一种仅使用经胸超声心动图胸骨旁长轴视图的深度学习模型，用于预测肥厚型心肌病患者的严重左心室流出道梗阻 | 首次提出仅使用单一超声视图（PLAX）通过深度学习同时捕捉形态学和动态运动特征来预测LVOTO，无需传统多视图、多普勒和激发测试 | 研究样本主要来自特定医疗机构，需要进一步多中心验证；模型性能在外部验证集中略有下降 | 开发一种简化的LVOTO评估方法，解决资源有限环境下传统评估方法不可行的问题 | 肥厚型心肌病患者 | 医学影像分析 | 心血管疾病 | 经胸超声心动图 | 深度学习模型 | 超声视频 | 开发数据集1007例，内部测试集87例，外部验证集1334例，治疗数据集156例 | NA | NA | AUC, 特异性, 阴性预测值 | NA |
| 1825 | 2025-10-06 |
Learning in PINNs: Phase transition, diffusion equilibrium, and generalization
2025-Aug-14, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107983
PMID:40884895
|
研究论文 | 通过神经梯度信噪比研究全连接神经网络的学习动态，发现扩散平衡相及其对泛化能力的影响 | 首次识别出扩散平衡相这一稳定训练阶段，并提出基于样本重加权的优化方法改善残差同质性和泛化能力 | 主要基于物理信息神经网络进行实验验证，在其他类型网络中的普适性需进一步研究 | 研究非凸目标函数中一阶优化器的学习动态和泛化机制 | 全连接神经网络的学习过程 | 机器学习 | NA | NA | 全连接神经网络 | NA | NA | NA | 全连接神经网络 | 神经梯度信噪比, 收敛速度, 泛化能力 | NA |
| 1826 | 2025-10-06 |
Intelligent deep learning-based disease monitoring system in 5G network using multi-disease big data
2025-Aug, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2310785
PMID:38334127
|
研究论文 | 提出了一种基于智能深度学习的5G网络疾病监测系统，使用多疾病大数据进行疾病预测 | 开发了改进的MPPP-SSGSO优化算法用于参数调优和模糊分类器优化，并采用集成提升模型与模糊分类器结合的混合方法 | 仅针对五种特定疾病进行监测，未明确说明具体疾病类型 | 开发高效的实时疾病监测系统以降低死亡率 | 通过可穿戴医疗设备收集的患者数据 | 机器学习 | 多疾病监测 | 可穿戴设备数据采集，5G网络传输 | 1D-CNN, 集成学习, 模糊分类器 | 传感器数据 | NA | NA | 一维卷积神经网络，AdaBoost，XGBoost，CatBoost | 准确率 | 5G网络框架 |
| 1827 | 2025-10-06 |
Role of Artificial Intelligence in Critical Care Medicine: A Literature Review
2025-Aug, Cureus
DOI:10.7759/cureus.90149
PMID:40959327
|
文献综述 | 本文综述了人工智能在重症监护医学领域的应用现状与发展前景 | 系统总结了人工智能在ICU中预测患者恶化事件和提升诊断准确性的最新证据 | 作为综述文章未进行原始数据收集和实证分析 | 评估人工智能在重症监护医学中的应用效果与发展潜力 | 重症监护病房(ICU)产生的多模态医疗数据 | 医疗人工智能 | 重症监护疾病(脓毒症、器官衰竭、急性呼吸窘迫综合征等) | 机器学习、深度学习 | ML, DL | 生命体征波形、实验室结果、临床记录、医学影像 | NA | NA | NA | 预测准确性、诊断准确性 | NA |
| 1828 | 2025-10-06 |
A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT
2025-Jul-24, ArXiv
PMID:40969484
|
研究论文 | 本研究系统评估解剖学先验知识对基于深度学习的腹部CT中嗜铬细胞瘤分割性能的影响 | 提出了基于器官特异性解剖先验的新型多类别标注方案，首次系统比较了11种标注策略对嗜铬细胞瘤分割的影响 | 研究样本量相对有限（105个CT扫描，91名患者），所有数据均来自单一医疗中心（NIH临床中心） | 提高腹部CT中嗜铬细胞瘤的自动分割精度，为肿瘤负荷评估和疾病监测提供工具 | 嗜铬细胞瘤患者及其腹部CT影像 | 医学影像分析 | 嗜铬细胞瘤 | CT成像 | 深度学习 | 3D CT影像 | 105个增强CT扫描，来自91名患者 | nnU-Net | U-Net | Dice相似系数, 归一化表面距离, F1分数, IoU, R平方 | NA |
| 1829 | 2025-10-06 |
Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis
2025-Jul-16, ArXiv
PMID:40969490
|
研究论文 | 提出一个用于多发性硬化症皮质病变MRI分割的深度学习基准测试框架 | 首次建立多中心皮质病变检测与分割基准，针对皮质病变检测优化了nnU-Net框架，并分析了模型决策机制 | 皮质病变在MRI中表现细微，专家标注存在挑战，缺乏标准化自动方法 | 开发并评估深度学习模型在多发性硬化症皮质病变MRI分割中的性能 | 多发性硬化症患者的皮质病变 | 医学影像分析 | 多发性硬化症 | MRI, MP2RAGE, MPRAGE序列 | 深度学习 | MRI图像 | 656个MRI扫描，来自4个机构的临床试验和研究数据 | nnU-Net | nnU-Net | F1-score | NA |
| 1830 | 2025-10-06 |
MuST: multiple-modality structure transformation for single-cell spatial transcriptomics
2025-Jul-02, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf405
PMID:40874816
|
研究论文 | 提出一种名为MuST的多模态结构转换方法，用于解决单细胞空间转录组学中的模态偏差问题 | 通过拓扑发现策略和拓扑融合损失函数学习内在局部结构，协调不同模态间的不一致性 | NA | 缓解空间转录组数据中的模态偏差现象，为各种下游任务提供统一基础 | 单细胞空间转录组数据 | 生物信息学 | NA | 空间转录组学 | 深度学习 | 多模态数据（转录组、空间、形态学） | NA | NA | NA | 性能指标，生物意义评估 | NA |
| 1831 | 2025-10-06 |
Remaining Useful Life Prediction for Rolling Bearings Based on TCN-Transformer Networks Using Vibration Signals
2025-Jun-05, Sensors (Basel, Switzerland)
DOI:10.3390/s25113571
PMID:40719529
|
研究论文 | 提出一种基于TCN-Transformer网络和振动信号的滚动轴承剩余使用寿命预测方法 | 开发了TCN-Transformer混合网络，通过专门设计的特征融合注意力模块有效整合振动信号的局部和全局特征 | NA | 提高滚动轴承剩余使用寿命预测的准确性 | 滚动轴承 | 机器学习 | NA | 振动信号分析 | TCN, Transformer | 振动信号 | IEEE PHM 2012数据挑战数据集 | NA | TCN-Transformer | RMSE, MAE, SCORE | NA |
| 1832 | 2025-10-06 |
Harnessing Deep Learning for Accurate Pathological Assessment of Brain Tumor Cell Types
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01107-9
PMID:39150595
|
研究论文 | 本研究开发了一种基于深度学习的脑肿瘤病理图像分类方法，用于区分原发性弥漫性中枢神经系统大B细胞淋巴瘤和高级别胶质瘤 | 结合预训练CNN网络提取深度特征与支持向量机分类器，解决了医学影像数据有限的问题 | 基于相对有限的医学影像数据集 | 提高脑肿瘤病理诊断的准确性和效率 | 脑肿瘤病理图像 | 数字病理学 | 脑肿瘤 | 病理图像分析 | CNN, SVM | 图像 | NA | NA | ResNet50 | 准确率 | NA |
| 1833 | 2025-10-06 |
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 | 本研究通过单细胞多组学分析和深度学习模型，揭示了转录因子MEF2C在心脏管形态发生过程中调控节段特异性基因调控网络的作用机制 | 首次构建了心脏流出道、心室和流入道不同节段的发育轨迹，并发现MEF2C缺失导致心脏后部化基因特征和染色质景观改变 | 研究主要基于小鼠胚胎模型，在人类心脏发育中的直接适用性需要进一步验证 | 解析早期心脏形成过程中谱系特异性基因调控网络 | 野生型和MEF2C缺失型胚胎的心脏发育过程 | 发育生物学 | 先天性心脏病 | 单核RNA测序, ATAC测序, 多组学数据整合 | 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-null胚胎的时间序列样本 | NA | NA | NA | NA |
| 1834 | 2025-10-06 |
High-Risk Sequence Prediction Model in DNA Storage: The LQSF Method
2025-01, IEEE transactions on nanobioscience
IF:3.7Q3
DOI:10.1109/TNB.2024.3424576
PMID:38976468
|
研究论文 | 提出一种基于深度学习的DNA存储高风险序列预测方法LQSF，通过主动过滤低质量序列提高存储效率 | 首次将深度学习模型应用于DNA存储的序列质量预测，在编码阶段实现主动序列过滤而非传统被动纠错 | NA | 开发高效的DNA存储序列质量预测方法以减少合成和测序过程中的错误 | DNA存储中的易错序列 | 机器学习 | NA | DNA存储技术，Illumina测序 | 深度学习，分类模型 | DNA序列数据 | NA | NA | AlexNet, VGG16, VGG19 | AUC, ROC曲线, PR曲线 | NA |
| 1835 | 2025-10-06 |
Unlocking the potential of AI: Machine learning and deep learning models for predicting carcinogenicity of chemicals
2025, Journal of environmental science and health. Part C, Toxicology and carcinogenesis
DOI:10.1080/26896583.2024.2396731
PMID:39228157
|
综述 | 本文综述了利用机器学习和深度学习模型预测化学物质致癌性的研究进展 | 系统比较了传统机器学习与深度学习算法在化学致癌性预测中的表现，并指出深度学习模型受限于数据集规模的问题 | 深度学习模型受限于可用的致癌性数据集规模 | 开发有效的化学物质致癌性预测方法 | 化学物质的致癌性 | 机器学习 | 癌症 | 机器学习，深度学习 | SVM,随机森林,集成学习,前馈神经网络,CNN,图卷积神经网络,胶囊神经网络,混合神经网络 | 化学数据 | NA | NA | 前馈神经网络,卷积神经网络,图卷积神经网络,胶囊神经网络,混合神经网络 | NA | NA |
| 1836 | 2025-10-06 |
Automated Brain Tumor segmentation using hybrid YOLO and SAM
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种结合YOLO和SAM的混合深度学习框架用于脑肿瘤自动分割 | 首次将YOLOv11实时目标检测与SAM精确分割模型相结合，并通过加深CNN卷积层增强特征提取能力 | 仅使用896张MRI图像进行验证，样本规模有限 | 开发自动化脑肿瘤分割方法以实现早期诊断 | 脑部MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, YOLO, SAM | 医学图像 | 896张脑部MRI图像（包含肿瘤和健康脑部图像） | NA | YOLOv11, SAM, 增强型CNN | 精确率, 召回率, mAP50(B) | NA |
| 1837 | 2025-10-06 |
Explainable AI to unveil cellular autophagy dynamics
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0331045
PMID:40934250
|
研究论文 | 开发了一个结合深度学习和可解释AI的计算流程，用于自动化分析细胞自噬动态过程 | 首次将目标检测、细胞分割、分类、跟踪和可解释性方法集成到自噬分析流程中，无需标注跟踪数据即可处理细胞分裂和形态变化 | 未提及模型在更大规模数据集或不同实验条件下的泛化能力 | 开发自动化分析细胞自噬动态的计算方法 | 细胞自噬过程 | 计算机视觉 | 癌症,神经退行性疾病 | 荧光显微镜成像 | CNN,Transformer | 图像 | 6,240张荧光显微镜图像 | NA | YOLOv8,U-Net++,Vision Transformer | mAP50,IoU,准确率 | NA |
| 1838 | 2025-10-06 |
Enhanced gallbladder cancer detection via active and self-supervised learning integration: Innovating B-ultrasound image analysis
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0330781
PMID:40956796
|
研究论文 | 本文提出了一种结合主动学习和自监督学习的新型分类算法ASGBC，用于改进B超图像中胆囊癌的检测 | 结合主动学习与自监督学习降低标注数据依赖，提出MsHop模块整合多尺度高阶信息，开发双分支损失函数增强特征提取和模型稳定性 | 需要进一步优化算法以适应更广泛的临床应用，可能还存在其他可提升诊断准确性的特征未被发掘 | 开发高效算法提升B超图像中胆囊癌的早期检测准确率 | 胆囊癌B超图像 | 计算机视觉 | 胆囊癌 | B超成像 | 深度学习 | 医学图像 | 胆囊超声数据集（具体数量未明确说明） | NA | ASGBC（包含MsHop模块的双分支架构） | 准确率, 特异性, 敏感性 | NA |
| 1839 | 2025-10-06 |
A deep learning approach to gender equality: Forecasting educational indicators with 1D-CNN aligned with SDG 5
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0332273
PMID:40956848
|
研究论文 | 提出基于1D-CNN的时间序列预测模型，用于预测五个国家性别相关的教育指标 | 首次将1D-CNN应用于性别平等教育指标的时间序列预测，能够揭示时序模式和差异 | 仅针对五个特定国家进行研究，模型普适性有待验证 | 预测性别相关教育结果以促进可持续发展目标5（性别平等）的实现 | 美国、沙特阿拉伯、中国、埃及和瑞典的性别分类教育数据 | 机器学习 | NA | 时间序列分析 | CNN | 时间序列数据 | 五个国家的历史性别分类数据 | NA | 1D-CNN | NA | NA |
| 1840 | 2025-10-06 |
In-silico tool for predicting and scanning rheumatoid arthritis-inducing peptides in an antigen
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1630863
PMID:40959057
|
研究论文 | 开发了一种用于预测和扫描抗原中类风湿关节炎诱导肽的计算工具 | 结合了基于基序的方法和机器学习方法，开发了集成模型RAIpred，显著提高了预测性能 | 数据集规模有限（291个RA诱导肽和165个非诱导肽），模型性能仍有提升空间 | 开发预测HLA II类结合RA诱导肽的计算工具，用于评估蛋白质治疗剂的安全性 | 类风湿关节炎诱导肽和非诱导肽 | 生物信息学 | 类风湿关节炎 | 蛋白质语言模型，机器学习，深度学习 | XGBoost, ProtBERT, 集成模型 | 肽序列数据 | 456个肽（291个RA诱导肽和165个非诱导肽） | NA | ProtBERT, XGBoost | AUC, MCC | NA |