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 1941 - 1960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1941 | 2025-12-03 |
A deep learning system for predicting time to progression of diabetic retinopathy
2024-02, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-023-02742-5
PMID:38177856
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1942 | 2025-12-03 |
A deep learning system for predicting time to progression of diabetic retinopathy
2024-02, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-023-02702-z
PMID:38177850
|
研究论文 | 本文开发并验证了一个深度学习系统（DeepDR Plus），用于仅基于眼底图像预测糖尿病视网膜病变在5年内的进展时间 | 开发了首个基于深度学习预测糖尿病视网膜病变进展时间的系统，仅使用眼底图像，无需额外临床数据，并展示了在真实世界队列中的验证和个性化筛查间隔的潜力 | 未明确提及模型的可解释性、跨不同医疗中心的泛化能力或长期随访数据的局限性 | 预测糖尿病视网膜病变的进展时间，以实现个性化筛查间隔 | 糖尿病患者及其眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 眼底成像 | 深度学习系统 | 图像 | 预训练使用179,327名参与者的717,308张眼底图像；训练和验证使用29,868名参与者的118,868张眼底图像 | NA | NA | 一致性指数, 集成Brier分数 | NA |
| 1943 | 2025-12-03 |
Deep learning-aided decision support for diagnosis of skin disease across skin tones
2024-02, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-023-02728-3
PMID:38317019
|
研究论文 | 本研究通过大规模数字实验评估了医生与深度学习系统合作在皮肤疾病诊断中的效果，特别关注了不同肤色间的诊断准确性差异 | 首次在大规模实验中量化了医生与深度学习系统合作对皮肤疾病诊断准确性的影响，并揭示了系统支持可能加剧不同肤色间诊断差距的现象 | 实验基于存储转发式远程皮肤病学模拟，可能无法完全反映实际临床环境；仅使用图像数据，缺乏临床病史等信息 | 评估医生与深度学习系统合作在皮肤疾病诊断中的准确性，并分析不同肤色对诊断效果的影响 | 皮肤疾病图像及参与诊断的皮肤科医生和初级保健医生 | 计算机视觉 | 皮肤疾病 | 深度学习辅助诊断 | 深度学习系统 | 图像 | 364张图像，涵盖46种皮肤疾病；389名皮肤科医生和459名初级保健医生参与 | NA | NA | 诊断准确性 | NA |
| 1944 | 2025-12-03 |
A population-level digital histologic biomarker for enhanced prognosis of invasive breast cancer
2024-01, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-023-02643-7
PMID:38012314
|
研究论文 | 本文介绍了一种名为组织学预后特征（HiPS）的数字组织学生物标志物，用于增强浸润性乳腺癌的预后预测 | HiPS利用深度学习全面量化肿瘤微环境中的上皮、基质、免疫和空间交互特征，超越了传统定性病理分级方法 | 研究未明确讨论模型在不同种族或亚型乳腺癌人群中的泛化能力限制 | 开发一种基于数字病理学的预后生物标志物以改善乳腺癌生存预测 | 浸润性乳腺癌患者的组织切片 | 数字病理学 | 乳腺癌 | 深度学习 | 深度学习模型 | 组织病理学图像 | 基于癌症预防研究-II（CPS-II）的群体水平队列开发，并在三个独立队列（PLCO试验、CPS-3、TCGA）中验证 | NA | NA | 生存预测准确性 | NA |
| 1945 | 2025-12-03 |
Exploring Global Land Coarse-Mode Aerosol Changes from 2001-2021 Using a New Spatiotemporal Coaction Deep-Learning Model
2023-12-05, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.3c07982
PMID:37962866
|
研究论文 | 本文提出了一种新的时空协同深度学习模型（SCAM），用于反演2001-2021年全球陆地粗模态气溶胶光学厚度（cAOD），以更好地理解粗颗粒（特别是沙尘气溶胶）对气候的影响 | 提出的SCAM模型考虑了时空特征交互的影响，能同时描述反演中的线性和非线性关系，相比传统深度学习模型显著提高了全球每日cAOD的精度和覆盖率 | 未明确提及，但可能包括模型对特定区域或极端天气条件的适用性限制，以及依赖于输入卫星数据的质量 | 开发一种改进的深度学习模型，以更准确、长期地反演全球陆地粗模态气溶胶光学厚度，减少气候研究中相关的不确定性 | 全球陆地粗模态气溶胶（特别是沙尘气溶胶） | 机器学习 | NA | 卫星遥感（MISR, MODIS, POLDER） | 深度学习 | 卫星遥感数据 | 2001-2021年全球陆地每日数据 | NA | 时空协同深度学习模型（SCAM） | 相关系数（R），均方根误差（RMSE） | NA |
| 1946 | 2025-12-03 |
Modeling Indirect Greenhouse Gas Emissions Sources from Urban Wastewater Treatment Plants: Integrating Machine Learning Models to Compensate for Sparse Parameters with Abundant Observations
2023-12-05, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.3c06482
PMID:37976424
|
研究论文 | 本文提出整合梯度提升树和深度学习模型，以精确建模中国污水处理厂的电力消耗强度和污泥产量，作为间接温室气体排放源 | 通过整合机器学习模型（GBT和DL）来补偿稀疏参数，利用大量观测数据，分别关注运行条件和设计参数，实现全面建模 | NA | 预测污水处理厂的电力消耗和污泥产量，以支持技术相关政策决策，并管理间接温室气体排放 | 中国污水处理厂的电力消耗强度和污泥产量 | 机器学习 | NA | NA | 梯度提升树, 深度学习 | 观测数据 | NA | NA | NA | NA | NA |
| 1947 | 2025-12-03 |
Large-scale pancreatic cancer detection via non-contrast CT and deep learning
2023-12, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-023-02640-w
PMID:37985692
|
研究论文 | 本研究开发了一种名为PANDA的深度学习模型，能够通过非增强CT高精度检测和分类胰腺病变 | 首次证明利用常规非增强CT进行大规模胰腺癌筛查的可行性，打破了长期以来认为非增强CT无法识别胰腺癌的传统认知 | 模型训练数据主要来自单一中心，尽管在多中心验证中表现良好，但泛化能力仍需在更广泛人群中进一步验证 | 开发一种基于非增强CT和深度学习的大规模胰腺癌筛查工具 | 胰腺导管腺癌（PDAC）及其他胰腺病变 | 数字病理学 | 胰腺癌 | 非增强计算机断层扫描（CT） | 深度学习模型 | 医学影像（CT图像） | 训练集：3,208名患者（单中心）；多中心验证：6,239名患者（10个中心）；真实世界验证：20,530名连续患者 | NA | PANDA（具体架构未在摘要中说明） | AUC（曲线下面积），敏感性，特异性 | NA |
| 1948 | 2025-12-03 |
A Graph Neural Network Model with a Transparent Decision-Making Process Defines the Applicability Domain for Environmental Estrogen Screening
2023-11-21, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.3c04571
PMID:37749748
|
研究论文 | 本研究开发了一种基于图神经网络的模型，用于筛选环境雌激素，并提出了透明的决策过程描述和有效的适用域表征方法 | 通过基于模型特征的网络状相似图探索GNN模型的决策过程，并提出了能排除模型预测范围外预测的适用域表征方法，从而提高了预测可靠性 | 未明确说明模型在更广泛化学物质数据集上的泛化能力，以及适用域方法可能排除部分有效预测 | 开发具有透明决策过程和有效适用域表征的深度学习模型，用于环境雌激素的筛选 | 环境雌激素化合物 | 机器学习 | NA | 图神经网络 | GNN | 化学结构图数据 | 未明确说明具体样本数量，但涉及中国现有化学物质名录中的800种潜在环境雌激素 | NA | 图神经网络 | 准确率, F1分数 | NA |
| 1949 | 2025-12-03 |
Protein Language Models Uncover Carbohydrate-Active Enzyme Function in Metagenomics
2023-Oct-25, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.23.563620
PMID:37961379
|
研究论文 | 本研究开发了首个利用蛋白质语言模型嵌入构建深度学习框架的工具CAZyLingua，用于注释宏基因组数据集中的碳水化合物活性酶 | 首次将蛋白质语言模型嵌入应用于构建深度学习框架，以注释宏基因组中的CAZymes，相比传统基于序列同源性的方法（如dbCAN2）具有更高的F1分数，并在疾病相关数据集中发现先前被忽略的注释 | 未明确说明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细节 | 开发一种深度学习工具，以改进宏基因组中碳水化合物活性酶的功能注释 | 宏基因组数据集中的碳水化合物活性酶 | 自然语言处理 | 克罗恩病, IgG4相关疾病 | 蛋白质语言模型嵌入, 深度学习 | 深度学习框架 | 蛋白质序列数据 | 涉及配对母婴纵向数据集以及克罗恩病和IgG4相关疾病患者的宏基因组数据集，具体样本数量未明确说明 | NA | CAZyLingua | F1分数, 精确度, 召回率 | NA |
| 1950 | 2025-12-03 |
A population-level computational histologic signature for invasive breast cancer prognosis
2023-May-26, Research square
DOI:10.21203/rs.3.rs-2947001/v1
PMID:37293118
|
研究论文 | 本研究提出了一种基于深度学习的组织学预后签名（HiPS），用于评估乳腺癌肿瘤微环境的形态学特征并预测生存风险 | HiPS首次通过深度学习全面量化肿瘤微环境中的上皮、基质、免疫和空间交互特征，超越了传统病理学家基于诺丁汉标准的定性评估 | 研究未明确讨论模型在不同种族或地域人群中的泛化能力，且依赖于历史队列数据 | 开发一种计算组织学特征来改善浸润性乳腺癌的预后预测 | 乳腺癌患者的组织切片图像 | 数字病理学 | 乳腺癌 | 深度学习，组织图像分析 | 深度学习模型 | 组织病理学图像 | 基于癌症预防研究（CPS）-II的群体级队列开发，并在PLCO试验、CPS-3和癌症基因组图谱三个独立队列中验证 | NA | NA | 生存预测准确性 | NA |
| 1951 | 2025-05-08 |
Response to Letter: "Skin Cancer Detection Using Deep Learning Approaches" by Haque et al
2025-Dec, Cancer biotherapy & radiopharmaceuticals
DOI:10.1089/cbr.2025.0122
PMID:40329831
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1952 | 2025-12-02 |
Integrating pathology genomics and single-cell genomics to identify lactate metabolism-related prognostic features and therapeutic strategies for melanoma
2025-Dec, Apoptosis : an international journal on programmed cell death
IF:6.1Q1
DOI:10.1007/s10495-025-02190-1
PMID:41006685
|
研究论文 | 本研究整合病理基因组学和单细胞基因组学，构建了基于乳酸代谢的预后模型，并探索了黑色素瘤的治疗策略 | 首次整合多组学数据（包括病理影像特征、单细胞RNA测序、空间转录组学等）系统表征黑色素瘤乳酸代谢的分子特征，并构建了结合病理特征和基因特征的预后模型 | 研究主要基于回顾性数据，需要前瞻性临床验证；模型在外部队列中的泛化能力有待进一步评估 | 系统表征黑色素瘤中乳酸代谢的分子特征，构建有效的预后模型，并探索潜在的治疗策略 | 皮肤黑色素瘤（SKCM） | 数字病理学 | 黑色素瘤 | 单细胞RNA测序, 空间转录组学, 基因集变异分析（GSVA） | CNN, 机器学习算法 | 图像, 基因组数据, 转录组数据 | TCGA训练和验证队列（具体样本数未明确说明），涉及443个病理影像特征 | CellProfiler, 预训练的ResNet50（基于PyTorch或TensorFlow框架） | ResNet50 | 预后性能（如生存分析），未明确具体指标如AUC、准确率等 | NA |
| 1953 | 2025-12-02 |
Advances in artificial intelligence-based radiogenomics for lung cancer precision medicine
2025-Dec-01, Progress in biomedical engineering (Bristol, England)
DOI:10.1088/2516-1091/ae224a
PMID:41265027
|
综述 | 本文综述了基于人工智能的放射基因组学在肺癌精准医疗中的应用进展 | 整合医学影像、基因组学和临床数据，利用机器学习和深度学习技术非侵入性地预测关键致癌驱动突变，探索影像特征与基因表达之间的关联，并开发肺癌预后模型 | 在标准化、全面验证、模型可解释性、种族多样性以及多组学数据库构建方面仍面临挑战 | 提升肺癌精准医疗中放射基因组学模型的临床价值和普适性 | 肺癌患者 | 计算机视觉 | 肺癌 | 医学影像、基因组学 | 机器学习, 深度学习 | 图像, 基因组数据, 临床数据 | NA | NA | NA | NA | NA |
| 1954 | 2025-12-02 |
Development and evaluation of deep learning models for estimating the organ at-risk dose constraint from two-dimensional cine magnetic resonance imaging scans during irradiation
2025-Dec, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70403
PMID:41310917
|
研究论文 | 本研究开发并评估了一种深度学习模型，用于从二维电影磁共振成像扫描中估计放射治疗期间危及器官的剂量约束 | 利用深度学习从二维电影MRI中预测危及器官剂量约束，实现了实时剂量监测的创新方法 | 结果仅显示有限改进，且受多种限制约束 | 开发能够从二维电影MRI中估计危及器官剂量约束的深度学习模型 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 二维电影磁共振成像，MR-linear accelerator | 深度学习模型 | 图像 | 91名前列腺癌患者，381个治疗分次 | NA | NA | 相关系数，平均绝对误差，曲线下面积，灵敏度，特异度 | NA |
| 1955 | 2025-12-02 |
Paired PET-MRI Deep Learning Model for Translating [11C]PiB to [18F]Florbetaben Amyloid Images
2025-Dec, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70168
PMID:41310910
|
研究论文 | 本文提出了一种基于可变形卷积网络的U-Net模型，用于将[11C]PiB PET图像转换为[18F]Florbetaben淀粉样蛋白图像，以增强数据集并解决视觉评估与Centiloid量表不一致的问题 | 结合可变形卷积网络（DCNv3）与U-Net架构，实现长距离依赖捕捉和高效计算，用于PET图像间的跨示踪剂翻译 | 未明确提及模型在更广泛数据集或不同临床环境中的泛化能力限制 | 开发一种深度学习模型，用于标准化不同淀粉样蛋白PET示踪剂图像，以支持长期临床试验和多中心比较 | 阿尔茨海默病患者的淀粉样蛋白PET图像，具体为[11C]PiB和[18F]Florbetaben示踪剂图像 | 医学影像分析 | 阿尔茨海默病 | PET-MRI成像 | U-Net | 图像 | NA | NA | 基于DCNv3的U-Net | NA | NA |
| 1956 | 2025-12-02 |
A 25-year journey with protein blocks: Unveiling the versatility of a structural alphabet
2025-Dec, Biochimie
IF:3.3Q2
DOI:10.1016/j.biochi.2025.08.007
PMID:40789363
|
综述 | 本文回顾了蛋白质块作为一种结构字母表在25年发展历程中的广泛应用，包括其在蛋白质结构、动力学和功能分析中的关键作用 | 通过引入基于熵的指数（N）来区分蛋白质的刚性、柔性和无序区域，并结合深度学习显著提升了预测性能 | NA | 总结蛋白质块作为一种结构字母表在结构生物信息学中的多功能性和应用进展 | 蛋白质结构、动力学和功能 | 结构生物信息学 | NA | 蛋白质块分析、分子动力学分析、深度学习 | NA | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 1957 | 2025-12-02 |
AI-Driven Early Detection of Diabetic Glaucoma and Emerging Horizons in Bionic Eye Technology
2025-Dec-01, Zhongguo ying yong sheng li xue za zhi = Zhongguo yingyong shenglixue zazhi = Chinese journal of applied physiology
DOI:10.62958/j.cjap.2025.031
PMID:41320280
|
综述 | 本文综述了人工智能在糖尿病性青光眼早期检测中的应用以及仿生眼技术的最新进展 | 强调了将AI驱动的诊断与新兴仿生眼技术相结合，代表了管理糖尿病性青光眼的重要转变 | NA | 探讨人工智能在早期识别糖尿病性青光眼中的作用，并回顾旨在帮助受影响个体恢复视力的仿生眼技术进展 | 糖尿病性青光眼患者及相关诊断与视力恢复技术 | 计算机视觉, 自然语言处理 | 糖尿病性青光眼 | 深度学习 | NA | 视网膜图像（如眼底相机和光学相干断层扫描图像） | NA | NA | NA | NA | NA |
| 1958 | 2025-12-02 |
Artificial Intelligence in Cardiovascular MRI: From Imaging to Biomechanics and Diagnosis
2025-Dec-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000864
PMID:41321165
|
综述 | 本文综述了人工智能（特别是深度学习）如何重塑心血管磁共振成像的各个方面，从规划、采集到重建、分析及临床报告生成 | 全面概述了人工智能在心血管MRI领域的应用进展，包括提升采集速度、空间分辨率、抑制伪影和运动校正，以及自动化后处理和临床数据整合 | 作为综述文章，未提出具体的新模型或实验，主要基于现有文献总结，缺乏原创性研究数据 | 探讨人工智能在心血管磁共振成像中的应用，以提升成像效率、分析精度和临床管理能力 | 心血管磁共振成像技术及其在心血管疾病诊断与管理中的应用 | 计算机视觉 | 心血管疾病 | 磁共振成像（MRI） | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1959 | 2025-12-02 |
Automated evaluation of pulmonary lesion changes on chest radiograph during follow-up using semantic segmentation
2025-Dec-01, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2025.253567
PMID:41321291
|
研究论文 | 本文开发并验证了一种基于深度学习的模型，利用病灶特异性分割技术，通过配对胸部X光片自动评估肺实变和胸腔积液的变化状态 | 首次提出一种基于病灶特异性分割的深度学习模型，用于自动评估随访胸部X光片中肺实变和胸腔积液的变化状态 | 模型在ICU环境中对胸腔积液变化的评估准确性显著低于放射科医生，且研究数据仅来自单一机构，可能影响泛化能力 | 开发一种自动化工具，用于评估随访胸部X光片中肺病变的变化状态，以辅助临床决策 | 肺实变和胸腔积液在配对胸部X光片中的变化状态 | 数字病理学 | 肺疾病 | 胸部X光成像 | 深度学习模型 | 图像 | 训练集：5,178张胸部X光片（来自单一机构）；验证集：急诊科和重症监护室的配对胸部X光片 | NA | NA | AUC, 准确率 | NA |
| 1960 | 2025-12-02 |
Profiler: an open web platform for multi-omics analysis
2025-Dec-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf644
PMID:41324558
|
研究论文 | 介绍了一个名为Profiler的开源、模块化多组学分析平台，旨在整合数据导入、质量控制、预处理、统计测试、机器学习、生物标志物发现等多种功能于单一可复现环境中 | 开发了一个统一的、用户友好的、可扩展的多组学分析平台，支持多种组学数据类型，并提供了基于高性能计算的Web版本和本地桌面版本，实现了快速、可追溯的分析报告生成 | 未在摘要中明确说明 | 解决高通量多组学数据分析的碎片化和可访问性问题，为系统生物学和精准医学研究提供集成化工具 | 多组学数据，包括蛋白质组学、转录组学、脂质组学和脑电图数据 | 生物信息学 | 胶质母细胞瘤、泛癌 | 多组学分析技术 | 机器学习、深度学习 | 多组学数据（如蛋白质组、转录组、脂质组、脑电图） | 未在摘要中明确说明 | Python, Streamlit | 未在摘要中明确说明 | 未在摘要中明确说明 | 高性能计算（HPC） |