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 27 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-04-03 |
Deep learning enables automated volumetric assessments of cardiac function in zebrafish
2019-10-25, Disease models & mechanisms
IF:4.0Q1
DOI:10.1242/dmm.040188
PMID:31548281
|
研究论文 | 本文开发了一个基于深度学习的图像分析平台，用于自动从斑马鱼胚胎心脏的动态光片荧光显微镜图像中提取心脏功能的体积参数 | 开发了名为心脏功能成像网络的深度学习平台，首次实现了对斑马鱼胚胎心脏功能的自动化体积评估，相比现有方法具有更高的敏感性和准确性 | NA | 开发自动化工具以精确评估斑马鱼胚胎模型中的心脏功能 | 斑马鱼胚胎心脏 | 计算机视觉 | 心血管疾病 | 动态光片荧光显微镜 | 深度学习 | 图像 | NA | NA | NA | 敏感性, 准确性 | NA |
| 2 | 2026-03-15 |
A novel hybrid deep learning scheme for four-class motor imagery classification
2019-10-16, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ab3471
PMID:31341093
|
研究论文 | 本文提出了一种新颖的混合深度学习方案，用于四类运动想象脑电信号的分类 | 提出了一种结合CNN和LSTM的混合深度网络，能够同时提取和学习MI信号的空间与时间特征，并构建了一个独立于受试者的共享神经网络模型 | NA | 提高四类运动想象脑电信号的分类准确率 | 运动想象脑电信号 | 脑机接口 | NA | 脑电图 | CNN, LSTM | 脑电信号 | 使用BCI竞赛IV数据集2a | NA | CNN, LSTM | 准确率, Cohen's kappa值 | NA |
| 3 | 2026-03-06 |
Machine learning in cardiovascular magnetic resonance: basic concepts and applications
2019-10-07, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1186/s12968-019-0575-y
PMID:31590664
|
综述 | 本文综述了机器学习（尤其是深度学习）在心血管磁共振（CMR）中的应用，涵盖图像采集、重建、分析、诊断评估及预后信息推导等领域 | 系统性地总结了ML在CMR中的最新进展，特别是在自动化心室量化、图像采集效率提升及多中心数据应用方面的创新 | ML算法可能存在不可预测的失败风险，且应用需谨慎扩展至特定患者群体；缺乏多中心对照试验验证 | 探讨ML如何辅助临床医生和工程师提升CMR的成像效率、质量、分析及患者评估 | 心血管磁共振（CMR）图像及相关临床数据 | 机器学习 | 心血管疾病 | 心血管磁共振（CMR） | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 4 | 2026-03-06 |
Unsupervised Deep Learning for Bayesian Brain MRI Segmentation
2019-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-030-32248-9_40
PMID:32432231
|
研究论文 | 本文提出了一种结合概率图谱先验与深度学习的无监督方法，用于脑部MRI分割，无需手动标注数据 | 将传统概率图谱分割与深度学习结合，实现无需手动标注图像即可训练新MRI对比度下的分割模型 | NA | 开发一种无需手动标注的深度学习脑部MRI分割模型，适用于不同MRI对比度 | 脑部MRI扫描 | 医学图像分析 | NA | MRI | 深度学习模型 | 图像 | 数千个脑部MRI扫描 | NA | NA | 准确性 | GPU |
| 5 | 2026-02-14 |
A deep learning model for pediatric patient risk stratification
2019-10-01, The American journal of managed care
PMID:31622071
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于分析儿科患者的临床和财务数据，以预测住院风险并进行风险分层 | 采用无监督的深度学习Skip-Gram方法进行预测建模，无需人工输入，相比传统模型在住院风险预测中表现更优 | 研究仅基于医疗索赔数据，可能未涵盖所有临床因素；样本局限于特定儿科责任医疗组织成员 | 比较深度学习与传统风险预测模型在儿科患者住院风险预测中的性能 | 112,641名儿科责任医疗组织成员的医疗索赔数据 | 机器学习 | 儿科疾病 | 医疗索赔数据分析 | 深度学习 | 医疗索赔数据 | 112,641名儿科患者 | NA | Skip-Gram | AUC | NA |
| 6 | 2026-02-08 |
Evaluation of a deep learning-based pelvic synthetic CT generation technique for MRI-based prostate proton treatment planning
2019-10-21, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ab41af
PMID:31487698
|
研究论文 | 本研究评估了一种基于深度学习的盆腔合成CT生成技术，用于MRI引导的前列腺质子治疗计划 | 将密集块最小化集成到3D循环一致性生成对抗网络（cycleGAN）框架中，有效学习MRI与CT对之间的非线性映射 | 样本量较小（仅17名患者），采用留一法交叉验证，可能限制模型的泛化能力评估 | 验证深度学习生成的合成CT在前列腺质子束治疗计划中的应用可行性 | 前列腺癌患者的共配准CT和MRI图像对 | 数字病理 | 前列腺癌 | MRI, CT成像 | GAN | 图像 | 17名患者的共配准CT和MRI图像对 | NA | 3D cycle-consistent GAN | 平均绝对误差, 剂量-体积直方图指标相对差异, 剂量差异百分比, 伽马分析通过率, 绝对最大射程差异, 布拉格峰位移 | NA |
| 7 | 2026-02-08 |
Gross tumor volume segmentation for head and neck cancer radiotherapy using deep dense multi-modality network
2019-10-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ab440d
PMID:31514173
|
研究论文 | 本研究提出了一种基于深度密集多模态网络的自动GTV分割框架，用于头颈癌放疗中的肿瘤体积勾画 | 利用多模态PET/CT图像，结合3D密集连接卷积网络，实现了更好的信息传播和特征利用，相比传统方法在分割性能上有所提升 | 研究仅针对头颈癌患者，未在其他癌症类型上进行验证，且样本量相对有限 | 开发一种自动、快速且一致的GTV分割方法，以改善头颈癌放疗计划 | 头颈癌患者的GTV分割 | 数字病理学 | 头颈癌 | PET/CT成像 | CNN | 图像 | 250名头颈癌患者 | NA | 3D Dense-Net, 3D U-Net | Dice系数, 平均表面距离, 95百分位Hausdorff距离, 质心位移 | NA |
| 8 | 2024-10-16 |
Model-Based Deep Learning PET Image Reconstruction Using Forward-Backward Splitting Expectation Maximisation
2019-Oct, IEEE Nuclear Science Symposium conference record. Nuclear Science Symposium
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9 | 2024-10-11 |
Illuminating Clues of Cancer Buried in Prostate MR Image: Deep Learning and Expert Approaches
2019-10-30, Biomolecules
IF:4.8Q1
DOI:10.3390/biom9110673
PMID:31671711
|
研究论文 | 本文通过可解释模型比较了深度学习和人类专家在前列腺MR图像中识别癌症区域的方法 | 本文首次通过3D重建病理图像，比较了深度学习关注的区域与放射科医生和病理学家识别的癌症位置的重叠情况 | 本文仅使用了307张前列腺MR图像和896张病理图像，样本量有限 | 比较深度学习和人类专家在前列腺MR图像中识别癌症区域的方法，并探讨深度学习在癌症诊断中的潜力 | 前列腺MR图像和病理图像 | 计算机视觉 | 前列腺癌 | 深度学习 | 深度神经网络 | 图像 | 307张前列腺MR图像和896张病理图像 | NA | NA | NA | NA |
| 10 | 2024-10-04 |
Prediction of BAP1 Expression in Uveal Melanoma Using Densely-Connected Deep Classification Networks
2019-Oct-16, Cancers
IF:4.5Q1
DOI:10.3390/cancers11101579
PMID:31623293
|
研究论文 | 本文研究了使用密集连接的深度分类网络预测葡萄膜黑色素瘤中BAP1表达水平 | 提出了一种基于深度学习的密集连接分类网络，用于预测BAP1表达，具有高灵敏度、特异性和准确性 | 研究样本仅来自两个中心，可能存在地域偏差 | 验证人工智能是否能准确预测葡萄膜黑色素瘤中BAP1表达水平 | 葡萄膜黑色素瘤中的BAP1表达水平 | 数字病理学 | 葡萄膜黑色素瘤 | 深度学习 | 密集连接分类网络 | 图像 | 47个摘除的眼球样本，分为6800个训练补丁和1376个验证补丁 | NA | NA | NA | NA |
| 11 | 2024-09-11 |
DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation
2019-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-030-32245-8_47
PMID:39247524
|
研究论文 | 提出了一种联合学习图像配准和分割的深度学习框架 | 该框架能够利用现有分割数据进行弱监督，并在没有分割数据时通过分割网络计算，从而提高配准和分割的准确性 | NA | 提高医学图像配准和分割的准确性，特别是在训练数据有限的情况下 | 膝关节和脑部的3D磁共振图像 | 计算机视觉 | NA | 深度卷积神经网络 (CNN) | CNN | 图像 | 膝关节和脑部的3D磁共振图像，具体数量未明确 | NA | NA | NA | NA |
| 12 | 2024-08-18 |
Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions
2019-10-02, JAMA network open
IF:10.5Q1
|
研究论文 | 评估人工智能算法在皮肤病变图像中检测黑色素瘤的准确性 | 该研究展示了人工智能算法在识别皮肤镜图像中的黑色素瘤方面的能力，其准确性与专业人员相当 | 研究中部分图像缺失或不适合分析，可能影响算法的训练和评估 | 确定人工智能算法在智能手机和数码单反相机拍摄的皮肤镜图像中识别黑色素瘤的准确性 | 使用三种不同相机拍摄的514名至少有一个可疑色素性皮肤病变患者的皮肤镜图像 | 计算机视觉 | 皮肤癌 | 深度学习 | 深度学习算法 | 图像 | 514名患者，共1550张皮肤病变图像 | NA | NA | NA | NA |
| 13 | 2024-08-07 |
Toward predicting the evolution of lung tumors during radiotherapy observed on a longitudinal MR imaging study via a deep learning algorithm
2019-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.13765
PMID:31410855
|
研究论文 | 本研究旨在通过深度学习算法预测放射治疗期间肺肿瘤在纵向MRI研究中的空间和时间演变，以促进自适应放射治疗（ART）。 | 开发了一种预测神经网络（P-net），该网络结合卷积神经网络、门控循环单元和注意力模型，用于预测肿瘤的空间分布和时间演变。 | 研究样本量较小，需要进一步的前瞻性研究以验证算法的有效性。 | 预测放射治疗期间肺肿瘤的空间和时间演变，以支持自适应放射治疗决策。 | 肺肿瘤在放射治疗期间的空间和时间演变。 | 机器学习 | 肺肿瘤 | MRI-T2w扫描 | 卷积神经网络、门控循环单元、注意力模型 | 图像 | 10名肺肿瘤患者 | NA | NA | NA | NA |
| 14 | 2024-08-07 |
Classification of brain tumor isocitrate dehydrogenase status using MRI and deep learning
2019-Oct, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.6.4.046003
PMID:31824982
|
研究论文 | 本文提出了一种使用深度学习和T2加权磁共振成像（MRI）自动预测脑肿瘤异柠檬酸脱氢酶（IDH）状态的方法 | 首次展示了仅使用T2w MRI通过深度学习方法预测IDH突变状态的可行性 | 需要解决随机化过程中的数据泄露问题，以避免分类准确性的向上偏差 | 开发一种非侵入性的方法来预测脑肿瘤的IDH突变状态 | 脑肿瘤的IDH突变状态 | 计算机视觉 | 脑肿瘤 | MRI | 二维密集连接模型 | 图像 | 260名受试者（120名高级别和140名低级别胶质瘤） | NA | NA | NA | NA |
| 15 | 2024-08-07 |
Using deep learning for a diffusion-based segmentation of the dentate nucleus and its benefits over atlas-based methods
2019-Oct, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.6.4.044007
PMID:31824980
|
研究论文 | 本文介绍了一种使用深度学习技术自动分割齿状核的方法，并比较了其与基于图谱方法的优势 | 提出的深度学习方法在自动分割齿状核时，与手动标签的吻合度高于传统的基于图谱的分割方法 | NA | 开发一种能够更准确地自动分割齿状核的方法 | 齿状核的自动分割 | 计算机视觉 | NA | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 16 | 2024-08-07 |
Machine Friendly Machine Learning: Interpretation of Computed Tomography Without Image Reconstruction
2019-10-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-019-51779-5
PMID:31664075
|
研究论文 | 本文开发了一种直接处理原始计算机断层扫描（CT）数据而不进行图像重建的系统，通过在正弦图空间中进行机器学习，实现了身体区域识别和颅内出血（ICH）检测。 | 本文提出的SinoNet模型，是一种针对正弦图优化的卷积神经网络，能够在正弦图空间中直接处理CT数据，无需图像重建，且在稀疏采样正弦图上表现优于传统图像空间网络。 | NA | 开发一种新的机器学习系统，直接处理原始CT数据，跳过图像重建步骤，以提高医疗图像分析的效率和准确性。 | 身体区域识别和颅内出血（ICH）检测 | 机器学习 | 颅内出血 | NA | 卷积神经网络（CNN） | 正弦图 | NA | NA | NA | NA | NA |
| 17 | 2024-08-07 |
Deep learning-based optical field screening for robust optical diffraction tomography
2019-10-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-019-51363-x
PMID:31645595
|
研究论文 | 本文提出了一种基于深度学习的光场筛选方法，用于提高光学衍射断层成像（ODT）的鲁棒性和高吞吐量 | 通过将专家知识融入深度卷积神经网络，实现了对缺陷2D图像的高效自动筛选 | NA | 提高光学衍射断层成像的图像质量和处理效率 | 光学场图像的质量控制 | 计算机视觉 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | 包含清洁和噪声标注的大量光学场图像数据集 | NA | NA | NA | NA |
| 18 | 2024-08-07 |
QM-sym, a symmetrized quantum chemistry database of 135 kilo molecules
2019-10-18, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-019-0237-9
PMID:31628326
|
研究论文 | 本文构建了一个名为QM-sym的新量子化学数据库，包含135k个具有Ch对称性的有机分子，并计算了这些分子的几何、电子、能量和热力学性质。 | QM-sym数据库包含了罕见的对称性信息，可以显著降低结构计算的复杂性，并简化为最小对称单元。 | NA | 解决传统从头算量子化学方法耗时的问题，并提供一个包含对称性信息的量子化学数据库。 | 135k个具有Ch对称性的有机分子及其量子化学性质。 | 量子化学 | NA | Gaussian 09 | NA | 数据库 | 135k个有机分子 | NA | NA | NA | NA |
| 19 | 2024-08-07 |
Hands-Free User Interface for AR/VR Devices Exploiting Wearer's Facial Gestures Using Unsupervised Deep Learning
2019-Oct-14, Sensors (Basel, Switzerland)
DOI:10.3390/s19204441
PMID:31614988
|
研究论文 | 本研究提出了一种利用佩戴者面部表情识别用户意图的无手操作界面，适用于增强现实（AR）头戴设备 | 设计了一种基于红外扩散特性的人体皮肤变形检测传感器，并开发了一种无监督深度学习方法来识别面部表情 | NA | 开发适用于头戴环境的增强现实技术用户界面 | 增强现实头戴设备的用户界面 | 计算机视觉 | NA | 无监督深度学习 | 时空自编码器和深度嵌入聚类算法 | 皮肤变形数据 | NA | NA | NA | NA | NA |
| 20 | 2024-08-07 |
Deep learning based topology guaranteed surface and MME segmentation of multiple sclerosis subjects from retinal OCT
2019-Oct-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.10.005042
PMID:31646029
|
研究论文 | 本文提出了一种基于深度学习的网络，用于从视网膜OCT图像中提取连续、平滑且保证拓扑结构的表面和MME分割 | 该网络在训练过程中自动学习形状先验，而不是像图方法那样硬编码。此外，该方法通过两个级联的深度网络在一次前向传播中同时分割视网膜表面和MME，提高了分割的准确性和速度 | NA | 开发一种新的深度学习框架，用于从视网膜OCT图像中准确快速地分割多发性硬化症患者的视网膜层和MME | 多发性硬化症患者的视网膜层和微囊性黄斑水肿（MME） | 计算机视觉 | 多发性硬化症 | 深度学习 | 深度网络 | 图像 | 3D体积数据 | NA | NA | NA | NA |