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 33008 篇文献，本页显示第 18521 - 18540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18521 | 2025-01-19 |
NON-CARTESIAN SELF-SUPERVISED PHYSICS-DRIVEN DEEP LEARNING RECONSTRUCTION FOR HIGHLY-ACCELERATED MULTI-ECHO SPIRAL FMRI
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635551
PMID:39669313
|
研究论文 | 本文提出了一种基于物理驱动的深度学习（PD-DL）重建方法，用于加速多回波螺旋fMRI的10倍重建 | 本文的创新点在于将自监督学习算法修改并应用于非笛卡尔轨迹的优化训练，以实现高时空分辨率的多回波螺旋fMRI重建 | NA | 研究目的是通过深度学习技术加速多回波螺旋fMRI的重建，以提高时空分辨率 | 多回波螺旋fMRI数据 | 医学影像处理 | NA | 深度学习 | PD-DL网络 | fMRI图像数据 | NA | NA | NA | NA | NA |
| 18522 | 2025-10-07 |
Mapping cell-to-tissue graphs across human placenta histology whole slide images using deep learning with HAPPY
2024-Mar-28, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-46986-2
PMID:38548713
|
研究论文 | 开发了一种名为HAPPY的深度学习分层方法，用于量化胎盘组织学全切片图像中细胞和微观组织结构的变化 | 采用可解释的生物层次结构，在全切片图像上以单细胞分辨率表示细胞和组织内的细胞群落，不同于基于斑块的特征或分割方法 | NA | 量化胎盘组织学变异并建立健康胎盘基线指标 | 人类胎盘组织学全切片图像 | 数字病理学 | 胎盘疾病 | 组织学全切片成像 | 深度学习 | 组织学图像 | 健康足月胎盘和具有临床显著胎盘梗死的胎盘 | NA | 分层方法 | 与临床专家和胎盘生物学文献的预测一致性 | NA |
| 18523 | 2025-10-07 |
Using deep learning to quantify neuronal activation from single-cell and spatial transcriptomic data
2024-Jan-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-44503-5
PMID:38278804
|
研究论文 | 开发深度学习模型NEUROeSTIMator，通过整合转录组信号量化神经元激活 | 提出首个能够整合转录组信号估计神经元激活的深度学习模型，且对物种、细胞类型和脑区差异具有鲁棒性 | 目前主要在小鼠模型中验证，人类数据验证尚需进一步研究 | 开发量化神经元激活的计算工具 | 神经元细胞 | 机器学习 | NA | 单细胞RNA测序, 空间转录组学, Patch-seq电生理记录 | 深度学习 | 转录组数据, 电生理数据 | 已发表研究中的单细胞数据及雄性小鼠脑区数据 | NA | NA | 与电生理特征的关联性, 检测准确性 | NA |
| 18524 | 2025-10-07 |
New Technologies for Monitoring Coastal Ecosystem Dynamics
2025-Jan, Annual review of marine science
IF:14.3Q1
|
综述 | 本文综述了用于海岸带生态系统动态监测的新兴技术及其在应对气候变化和人为压力中的应用 | 系统整合了卫星监测、无人机、原位传感器网络、光纤系统和社区科学观测站等多种新兴监测技术，并强调了人工智能和深度学习在数据处理中的核心作用 | 海岸带生态系统监测仍存在重大空白，需要进一步解决以应对全球变化的加速 | 综合评估海岸带生态系统监测技术的最新进展 | 海岸带生态系统 | 环境监测 | NA | 卫星监测、空中和水下无人机、原位传感器网络、光纤系统、社区科学观测站 | 深度学习 | 多源遥感数据、传感器数据、社区观测数据 | NA | NA | NA | NA | NA |
| 18525 | 2025-10-07 |
Brief Review and Primer of Key Terminology for Artificial Intelligence and Machine Learning in Hypertension
2025-Jan, Hypertension (Dallas, Tex. : 1979)
|
综述 | 本文介绍了人工智能和机器学习在高血压领域应用的关键术语和基本概念 | 系统梳理了AI和机器学习在高血压医疗场景中的术语体系和应用框架 | NA | 为医疗专业人员提供人工智能在高血压管理中应用的基础知识 | 人工智能和机器学习技术及其在高血压管理中的应用 | 自然语言处理,计算机视觉 | 高血压 | NA | 神经网络,深度学习 | 血压数据,生物特征数据,文本数据,图像数据 | NA | NA | 大语言模型(如ChatGPT) | NA | NA |
| 18526 | 2025-10-07 |
Predicting therapeutic response to neoadjuvant immunotherapy based on an integration model in resectable stage IIIA (N2) non-small cell lung cancer
2025-Jan, The Journal of thoracic and cardiovascular surgery
IF:4.9Q1
DOI:10.1016/j.jtcvs.2024.05.006
PMID:38763304
|
研究论文 | 本研究开发了一种整合深度学习评分、血液肿瘤突变负荷和临床因素的模型，用于预测可切除IIIA期非小细胞肺癌新辅助免疫化疗的治疗反应 | 首次将基于CT的深度学习评分与血液肿瘤突变负荷及临床因素相结合构建集成预测模型 | 样本量较小（45例患者），且为单中心研究 | 预测可切除非小细胞肺癌患者对新辅助免疫化疗的治疗反应 | 45例IIIA期（N2）非小细胞肺癌患者 | 数字病理 | 肺癌 | ctDNA检测，深度学习方法 | 深度学习模型 | CT图像，血液样本，临床数据 | 45例IIIA期（N2）非小细胞肺癌患者 | NA | NA | AUC，疾病无进展生存期，总生存期 | NA |
| 18527 | 2025-10-07 |
TransEBUS: The interpretation of endobronchial ultrasound image using hybrid transformer for differentiating malignant and benign mediastinal lesions
2025-Jan, Journal of the Formosan Medical Association = Taiwan yi zhi
DOI:10.1016/j.jfma.2024.04.016
PMID:38702216
|
研究论文 | 开发基于混合Transformer的深度学习系统TransEBUS，用于支气管内超声图像中良恶性纵隔病变的分类 | 提出首个能自动提取和整合多成像模式时空特征的EBUS图像分析模型，无需人工选择代表性帧 | 在数据不足的情况下进行训练，可能影响模型泛化能力 | 建立EBUS图像的良恶性纵隔病变自动辅助诊断系统 | 支气管内超声图像中的纵隔病变 | 计算机视觉 | 纵隔病变 | 支气管内超声成像 | Transformer, CNN | 视频图像 | NA | NA | 混合Transformer, 双流模块 | 准确率, AUC | NA |
| 18528 | 2025-01-18 |
A deep learning-based method for modeling of RNA structures from cryo-EM maps
2025-Jan, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-024-02162-x
PMID:38396076
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18529 | 2025-01-16 |
Deep learning radiomics analysis for prediction of survival in patients with unresectable gastric cancer receiving immunotherapy
2025-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2024.100626
PMID:39807092
|
研究论文 | 本研究旨在通过结合影像学和临床病理变量，利用深度学习放射组学分析预测接受免疫治疗的不可切除胃癌患者的生存期 | 采用多模态集成方法，结合CT影像数据和临床病理变量，构建深度学习模型预测患者生存期，并构建了列线图进行验证 | 样本量相对较小，且仅在中国人民解放军总医院的两个医疗中心进行，可能限制了结果的普适性 | 预测接受免疫治疗的不可切除胃癌患者的生存期 | 不可切除胃癌患者 | 数字病理 | 胃癌 | 深度学习 | 多模态集成模型 | CT影像数据和临床病理数据 | 训练队列79名患者，外部验证队列97名患者 | NA | NA | NA | NA |
| 18530 | 2025-01-16 |
Automated Detection of Filamentous Fungal Keratitis on Whole Slide Images of Potassium Hydroxide Smears with Multiple Instance Learning
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100653
PMID:39811263
|
研究论文 | 本研究评估了深度学习框架双流多实例学习（DSMIL）在自动化分析氢氧化钾（KOH）涂片全片成像（WSI）中的有效性，以快速准确检测真菌感染 | 使用双流多实例学习（DSMIL）处理高分辨率WSI数据，自动检测真菌感染，并通过热图提供视觉解释 | 研究为回顾性观察研究，可能受限于样本选择和人类专家解释的一致性 | 自动化分析KOH涂片WSI，以快速准确检测真菌感染 | 568名疑似真菌性角膜炎患者的角膜刮片 | 数字病理学 | 真菌性角膜炎 | 双流多实例学习（DSMIL） | DSMIL | 图像 | 568名患者的角膜刮片 | NA | NA | NA | NA |
| 18531 | 2025-01-16 |
Frontal plane mechanical leg alignment estimation from knee x-rays using deep learning
2025-Mar, Osteoarthritis and cartilage open
DOI:10.1016/j.ocarto.2024.100551
PMID:39811691
|
研究论文 | 本研究开发并验证了一种深度学习模型，用于从膝关节前后位（AP）/后前位（PA）X光片中分类腿部对齐为“正常”或“错位”，使用可调的髋-膝-踝（HKA）角度阈值 | 该模型首次从膝关节X光片中分类腿部对齐，提供了一种实用的替代全腿X光片的方法 | 模型的性能依赖于X光片的质量和定位框架的使用 | 提高研究人群选择和患者管理的精确性 | 膝关节前后位（AP）/后前位（PA）X光片 | 计算机视觉 | 膝骨关节炎 | 深度学习 | 深度学习模型 | 图像 | 8878张数字X光片，包括6181张全腿X光片和2697张膝关节X光片 | NA | NA | NA | NA |
| 18532 | 2025-10-07 |
Predicting intraoperative 5-ALA-induced tumor fluorescence via MRI and deep learning in gliomas with radiographic lower-grade characteristics
2025-Feb, Journal of neuro-oncology
IF:3.2Q2
DOI:10.1007/s11060-024-04875-0
PMID:39560696
|
研究论文 | 本研究开发了一种基于MRI和深度学习的模型，用于预测具有影像学低级别特征的胶质瘤术中5-ALA诱导的肿瘤荧光 | 首次将预训练的U-Net模型与随机森林分类器结合，利用变分自编码器提取特征来预测胶质瘤荧光，为术前决策提供新方法 | 模型性能仍有提升空间，样本量相对有限（163例患者） | 分析深度学习模型是否能基于术前MRI预测胶质瘤术中荧光 | 163例胶质瘤患者（荧光组83例，非荧光组80例） | 医学影像分析 | 胶质瘤 | 磁共振成像（MRI） | CNN, 随机森林 | 医学影像 | 163例胶质瘤患者 | NA | U-Net, 变分自编码器（VAE） | 平衡准确率, 敏感性, 特异性 | NA |
| 18533 | 2025-10-07 |
A survey on deep learning in medical image registration: New technologies, uncertainty, evaluation metrics, and beyond
2025-Feb, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103385
PMID:39612808
|
综述 | 本文系统综述了深度学习在医学图像配准领域的最新进展，涵盖网络架构、损失函数、不确定性估计和评估指标 | 全面总结了深度学习在医学图像配准中的创新技术，包括新型网络架构、配准专用损失函数和不确定性估计方法 | 作为综述文章，主要整合现有研究而非提出原创方法 | 概述深度学习在医学图像配准领域的技术发展和应用前景 | 医学图像配准技术及其在医学影像中的应用 | 医学图像处理 | NA | 深度学习 | U-Net, 回归网络 | 医学图像 | NA | NA | U-Net | 配准评估指标 | NA |
| 18534 | 2025-01-16 |
Money plant disease atlas: A comprehensive dataset for disease classification in ornamental horticulture
2025-Feb, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2024.111216
PMID:39811518
|
研究论文 | 本文介绍了一个用于观赏园艺中疾病分类的综合数据集，重点关注金钱植物的疾病 | 提供了一个全面的金钱植物疾病图像数据集，支持深度学习在观赏园艺中的应用 | 数据集仅限于金钱植物的疾病，未涵盖其他植物种类 | 提高观赏园艺中植物疾病的诊断准确性 | 金钱植物（Epipremnum aureum） | 计算机视觉 | 植物疾病 | 图像处理 | 深度学习 | 图像 | 224 × 224像素的图像数据集 | NA | NA | NA | NA |
| 18535 | 2025-10-07 |
Deep learning-driven prediction of chemical addition patterns for carboncones and fullerenes
2025-Jan-15, Physical chemistry chemical physics : PCCP
IF:2.9Q1
DOI:10.1039/d4cp03238a
PMID:39718318
|
研究论文 | 提出一种基于深度学习的增量方法预测碳锥和富勒烯的化学加成模式 | 仅使用基于图的特征，无需3D分子坐标输入或迭代优化，能处理高度扭曲的加成产物 | 目前仅验证于氢化碳锥和氯化富勒烯体系 | 预测功能化碳锥和富勒烯的化学加成区域选择性 | 碳锥和富勒烯纳米材料 | 机器学习 | NA | 深度学习 | DNN | 图结构数据 | CH和CH碳锥（分别最多40和30个H原子加成），CCl富勒烯（n=18,24,28） | NA | 深度神经网络 | 预测准确性 | NA |
| 18536 | 2025-10-07 |
Deep Learning-Driven Optimization of Antihypertensive Properties from Whey Protein Hydrolysates: A Multienzyme Approach
2025-Jan-15, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.4c10830
PMID:39721995
|
研究论文 | 本研究利用深度学习优化乳清蛋白水解物中的降压肽，通过多酶组合方法获得高效ACE抑制活性的水解产物 | 首次将大型语言模型应用于多酶组合优化，显著提高ACE抑制率，并验证其体内降压效果和分子机制 | 研究仅限于大鼠模型，尚未进行人体临床试验 | 开发有效的膳食干预方法用于高血压治疗 | 乳清蛋白水解物中的降压肽 | 自然语言处理 | 心血管疾病 | 蛋白质水解，分子对接 | LLM | 生物化学数据 | 高血压大鼠模型 | NA | 大型语言模型 | ACE抑制率，血压测量值，炎症标志物水平，抗氧化酶活性 | NA |
| 18537 | 2025-10-07 |
Active Physics-Informed Deep Learning: Surrogate Modeling for Nonplanar Wavefront Excitation of Topological Nanophotonic Devices
2025-Jan-15, Nano letters
IF:9.6Q1
DOI:10.1021/acs.nanolett.4c05120
PMID:39754588
|
研究论文 | 提出一种结合物理约束深度学习与代理建模的方法，用于设计拓扑纳米光子器件 | 将物理约束嵌入神经网络训练，利用非平面波前激发探测拓扑保护等离激元模式，实现非线性设计和训练过程 | 未明确说明模型泛化能力和对不同拓扑结构的适用性 | 开发高效设计拓扑纳米光子器件的方法 | 拓扑等离激元器件 | 机器学习 | NA | 非平面波前激发 | 深度学习 | 仿真数据 | NA | NA | NA | 精度 | NA |
| 18538 | 2025-01-16 |
Correction: Mathematical Model-Driven Deep Learning Enables Personalized Adaptive Therapy
2025-Jan-15, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-24-4438
PMID:39810588
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18539 | 2025-01-16 |
Enhancing safety with an AI-empowered assessment and monitoring system for BSL-3 facilities
2025-Jan-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e40855
PMID:39811271
|
研究论文 | 本文介绍了一种AI赋能的评估和监控系统，用于增强BSL-3实验室的安全性，确保人员遵守个人防护装备（PPE）规定 | 开发了一种基于深度学习的系统，用于实时检测和监控BSL-3实验室中PPE的使用情况，并通过实时通知系统提高安全性 | 系统的准确性和召回率虽然较高，但仍存在一定的误报和漏报风险，且数据集规模有限 | 提高BSL-3实验室的安全性，减少病原体暴露风险 | BSL-3实验室中的人员及其PPE使用情况 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 外部检测系统使用4112张图像，内部管理系统使用3347张图像 | NA | NA | NA | NA |
| 18540 | 2025-10-07 |
Deep Learning-Enabled Rapid Metabolic Decoding of Small Extracellular Vesicles via Dual-Use Mass Spectroscopy Chip Array
2025-Jan-14, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c04106
PMID:39711466
|
研究论文 | 开发了一种高通量双用途质谱芯片阵列，用于快速分离和检测血浆小细胞外囊泡，并结合深度学习模型实现克罗恩病的高性能诊断 | 开发了双用途质谱芯片阵列，相比传统方法速度提升50%以上，实现了稳健存储、重复使用、高效解吸/电离和代谢物定量 | NA | 开发高通量技术用于小细胞外囊泡的快速分离检测和疾病诊断 | 血浆小细胞外囊泡及其代谢物 | 机器学习 | 克罗恩病 | 质谱分析，串联质谱实验 | 深度学习 | 代谢数据矩阵 | NA | NA | NA | 诊断性能 | NA |