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 1833 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2025-11-13 |
Impact of Artificial Intelligence on Miss Rate of Colorectal Neoplasia
2022-07, Gastroenterology
IF:25.7Q1
DOI:10.1053/j.gastro.2022.03.007
PMID:35304117
|
研究论文 | 本研究评估人工智能在降低结肠镜检查中结直肠肿瘤漏诊率的效果 | 首次通过随机对照试验验证深度学习辅助诊断系统在结肠镜检查中降低腺瘤漏诊率的有效性 | 样本量相对有限（230例），仅纳入8个医疗中心 | 评估人工智能对结直肠肿瘤漏诊率的影响 | 接受结直肠癌筛查或监测的患者 | 计算机视觉 | 结直肠癌 | 深度学习计算机辅助诊断内窥镜 | 深度学习 | 内窥镜图像 | 230名患者 | NA | NA | 腺瘤漏诊率, 假阴性率, 比值比 | NA |
| 62 | 2025-11-13 |
AI-Driven Model for Automatic Emphysema Detection in Low-Dose Computed Tomography Using Disease-Specific Augmentation
2022-06, Journal of digital imaging
IF:2.9Q2
DOI:10.1007/s10278-022-00599-7
PMID:35182291
|
研究论文 | 本研究开发了一种基于最小强度投影的深度学习模型，用于在低剂量CT扫描中自动检测肺气肿 | 采用疾病特异性数据增强方法，通过调整minIP板厚度优化模型性能 | 样本量相对有限，外部验证集性能有所下降 | 评估基于minIP的深度学习模型在低剂量CT中自动检测肺气肿的可行性 | 来自荷兰ImaLife研究的240名个体和美国NLST研究的125名个体的低剂量CT扫描 | 医学影像分析 | 肺气肿 | 低剂量计算机断层扫描，最小强度投影 | 深度学习模型 | CT影像 | 365名个体（240名训练+内部验证，125名独立测试） | NA | NA | AUC, 敏感度 | NA |
| 63 | 2025-11-13 |
Artificial Intelligence-based Detection of FGFR3 Mutational Status Directly from Routine Histology in Bladder Cancer: A Possible Preselection for Molecular Testing?
2022-03, European urology focus
IF:4.8Q1
DOI:10.1016/j.euf.2021.04.007
PMID:33895087
|
研究论文 | 开发基于人工智能的系统直接从膀胱癌常规组织学切片中预测FGFR3基因突变状态 | 首次使用深度学习直接从H&E染色的常规组织学切片预测FGFR3基因突变，无需额外分子检测 | 需要更大规模、多中心的肌层浸润性膀胱癌队列验证研究结果 | 探索人工智能系统能否直接从常规组织学预测膀胱癌FGFR3突变状态 | 膀胱癌患者的组织学切片 | 数字病理学 | 膀胱癌 | 组织学染色（H&E） | 深度学习网络 | 数字化病理切片图像 | TCGA队列327例，Aachen队列182例（121例pT2-4，34例间质浸润pT1，27例非浸润性pTa） | NA | NA | AUROC | NA |
| 64 | 2025-11-12 |
Characterisation of urban environment and activity across space and time using street images and deep learning in Accra
2022-11-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-022-24474-1
PMID:36443345
|
研究论文 | 利用街景图像和深度学习技术分析加纳阿克拉城市环境特征与人类活动的时空模式 | 首次在非洲城市阿克拉构建大规模时间序列街景图像数据集，并开发针对当地环境特征的物体检测模型 | 仅覆盖145个采样点，手动标注样本数量有限（1250张图像），可能无法完全代表整个城市区域的多样性 | 通过智能感知和分析方法研究城市环境特征对健康、宜居性、安全性和可持续性的影响 | 加纳阿克拉大都会区的城市环境和人类活动 | 计算机视觉 | NA | 街景图像采集、迁移学习、数据增强 | CNN | 图像 | 210万张延时摄影图像（日夜），其中1250张手动标注 | NA | 卷积神经网络 | NA | NA |
| 65 | 2025-11-12 |
A Lightweight Hybrid Dilated Ghost Model-Based Approach for the Prognosis of Breast Cancer
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/9325452
PMID:39262920
|
研究论文 | 提出一种基于轻量级混合扩张Ghost模型的乳腺癌预后方法，实现恶性细胞检测和家族分类 | 采用改进的随机通道注意力机制和DenseNet模型，结合轻量级深度学习架构，在保持高精度的同时满足严格的执行、训练和能耗限制 | NA | 开发自动化的乳腺癌恶性细胞检测和家族分类系统 | 数字乳腺X线摄影图像中的肿瘤 | 计算机视觉 | 乳腺癌 | 数字乳腺X线摄影 | CNN, DenseNet | 图像 | NA | NA | Ghost模型, DenseNet | 准确率 | NA |
| 66 | 2025-11-12 |
Pneumonia Detection in Chest X-Ray Images Using Enhanced Restricted Boltzmann Machine
2022, Journal of healthcare engineering
DOI:10.1155/2022/1678000
PMID:35991297
|
研究论文 | 提出一种增强型受限玻尔兹曼机模型用于胸部X射线图像中的肺炎检测 | 通过计算特定特征向量均值与所有输入特征均值的差异来改进权重初始化方法，解决了标准RBM随机权重初始化导致的特征学习不充分问题 | NA | 开发更准确的肺炎自动检测方法 | 胸部X射线图像 | 计算机视觉 | 肺炎 | NA | 受限玻尔兹曼机 | 图像 | 三个不同的肺炎数据集 | NA | 增强型受限玻尔兹曼机 | 准确率, 灵敏度, 特异性, F1分数, ROC曲线 | NA |
| 67 | 2025-11-12 |
A Method for Extracting Building Information from Remote Sensing Images Based on Deep Learning
2022, Computational intelligence and neuroscience
DOI:10.1155/2022/9968665
PMID:36275958
|
研究论文 | 提出一种基于深度学习的遥感图像建筑物信息提取方法，结合DeepLabv3+与Mixconv2d提升轮廓捕捉能力 | 将DeepLabv3+与Mixconv2d结合，使用不同尺寸卷积核进行特征识别，并采用基于Rdrop Loss的正则化方法 | 基于自建数据集验证，未与其他公开数据集进行对比验证 | 提高遥感图像中建筑物信息提取的精度和效率 | 遥感图像中的建筑物 | 计算机视觉 | NA | 遥感成像 | 深度学习,语义分割 | 遥感图像 | 自建数据集（具体数量未说明） | NA | DeepLabv3+,Mixconv2d | 准确率,效率,分割性能 | NA |
| 68 | 2025-11-11 |
Facial Mask Detection Using Depthwise Separable Convolutional Neural Network Model During COVID-19 Pandemic
2022, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2022.855254
PMID:35321193
|
研究论文 | 提出基于MobileNet的深度可分离卷积神经网络模型用于面部口罩检测 | 采用深度可分离卷积层替代传统2D卷积层，在有限数据集上实现高性能的轻量化网络 | NA | 解决面部图像中口罩识别问题，提升移动场景下人脸图像分类效率 | 面部图像数据 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | NA | NA | MobileNet, Depthwise Separable Convolution | 准确率, 精确率, 召回率, F1分数 | NA |
| 69 | 2025-10-19 |
Multicenter Validation of a Deep Learning Detection Algorithm for Focal Cortical Dysplasia
2022-May-24, Neurology
IF:7.7Q1
DOI:10.1212/WNL.0000000000200293
PMID:35513003
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 70 | 2025-10-09 |
3D bi-directional transformer U-Net for medical image segmentation
2022, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2022.1080715
PMID:36687770
|
研究论文 | 提出一种名为3DTU的新型三维医学图像分割框架，结合3D Transformer和3D DCNN的优势 | 设计了新颖的3D注意力机制，在编码器端使用3D Transformer、解码器端使用3D DCNN，充分挖掘自注意力能力 | NA | 解决传统深度卷积神经网络在医学图像分割中全局关系处理能力不足的问题 | 三维医学图像分割 | 医学图像分析 | NA | NA | Transformer, CNN | 3D MRI图像, 3D CT图像 | 两个独立数据集 | NA | U-Net, Transformer | 多种评估指标 | NA |
| 71 | 2025-10-05 |
Validation of Deep Learning-based Sleep State Classification
2022, microPublication biology
DOI:10.17912/micropub.biology.000643
PMID:36277479
|
研究论文 | 本研究验证了混合z-score标准化与深度学习结合在小鼠睡眠状态分类中的有效性 | 验证了混合z-score预处理方法结合深度学习在独立数据集上的睡眠状态分类性能 | 仅使用12个三小时EEG/EMG记录，样本量有限 | 验证混合z-score标准化与深度学习方法在睡眠状态分类中的有效性 | 小鼠脑电图(EEG)和肌电图(EMG)记录 | 机器学习 | 睡眠障碍 | EEG/EMG信号记录 | CNN | EEG/EMG信号 | 12个三小时EEG/EMG记录 | NA | 卷积神经网络 | 准确率, Cohen's κ | NA |
| 72 | 2025-10-05 |
Exploration of Despair Eccentricities Based on Scale Metrics with Feature Sampling Using a Deep Learning Algorithm
2022-Nov-17, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics12112844
PMID:36428903
|
研究论文 | 提出一种基于深度学习算法的音频预测技术，用于检测后冠状病毒症状和抑郁倾向 | 首次将音频特征采样与深度学习算法结合用于后冠状病毒症状的抑郁特征识别，性能指标较传统方法提升约67% | NA | 通过音频分析早期识别后冠状病毒症状和抑郁风险，防止心理健康恶化 | 受冠状病毒疫情影响的人群及其心理健康状态 | 机器学习 | 精神疾病 | 音频预测技术 | 深度学习算法 | 音频数据 | NA | NA | NA | 性能指标 | NA |
| 73 | 2025-10-05 |
Segmenting Skin Biopsy Images with Coarse and Sparse Annotations using U-Net
2022-10, Journal of digital imaging
IF:2.9Q2
DOI:10.1007/s10278-022-00641-8
PMID:35501416
|
研究论文 | 提出一种使用粗糙稀疏标注的两阶段分割管道，用于皮肤活检图像分割 | 使用全切片图像小区域的粗糙稀疏标注作为训练集，开发了两阶段分割管道 | 依赖专家标注作为金标准，标注过程仍然需要专业人工参与 | 开发能够使用粗糙稀疏标注训练的分割方法，降低医学图像标注成本 | 皮肤活检图像中的黑色素细胞病变组织 | 数字病理 | 黑色素瘤 | 全切片图像分析 | U-Net | 医学图像 | NA | NA | U-Net | NA | NA |
| 74 | 2025-10-06 |
A multimodal deep learning model for cardiac resynchronisation therapy response prediction
2022-07, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2022.102465
PMID:35487111
|
研究论文 | 提出一种新颖的多模态深度学习框架，用于从2D超声心动图和心脏磁共振数据预测心脏再同步化治疗反应 | 首次提出用于CRT反应预测的多模态深度学习方法，能够仅使用2D超声心动图数据时仍利用学习到的CMR与超声心动图特征间的隐含关系 | 研究队列规模较小（仅50名患者），需要进一步验证 | 开发心脏再同步化治疗反应预测模型 | 接受心脏再同步化治疗的患者 | 医学影像分析 | 心血管疾病 | 2D超声心动图，心脏磁共振成像 | 深度学习 | 医学影像 | 50名CRT患者，配对的超声心动图/CMR数据 | nnU-Net | U-Net | 准确率，敏感性，特异性 | NA |
| 75 | 2025-10-06 |
Machine Learning and Deep Learning in Cardiothoracic Imaging: A Scoping Review
2022-Oct-17, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics12102512
PMID:36292201
|
综述 | 对心胸影像领域中机器学习和深度学习应用的范围综述 | 系统性地梳理了心胸影像领域ML/DL研究的整体格局，特别关注了COVID-19大流行对该领域的影响 | 作为范围综述，主要提供领域概览而非深入的技术分析 | 了解ML/DL在快速发展的心胸影像领域中的应用现状 | 心胸影像相关的医学文献 | 医学影像分析 | 心胸疾病 | NA | 机器学习,深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 76 | 2025-10-06 |
Computed cancer interactome explains the effects of somatic mutations in cancers
2022-12, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.4479
PMID:36261849
|
研究论文 | 本研究应用AlphaFold预测癌症蛋白质相互作用网络，并分析体细胞错义突变在相互作用界面的分布规律 | 首次系统性地应用AlphaFold构建癌症蛋白质相互作用组，为1,087个缺乏三维结构信息的蛋白质复合体提供结构模型 | 预测的蛋白质相互作用需要实验验证，分析方法主要基于计算预测 | 研究癌症中蛋白质相互作用网络及其与体细胞突变的关系 | 癌症驱动蛋白及其相互作用网络 | 计算生物学 | 癌症 | AlphaFold深度学习，蛋白质结构预测 | 深度学习 | 蛋白质序列，三维结构数据 | 1,798个预测的蛋白质相互作用，1,087个新结构模型 | AlphaFold | 深度学习架构（具体未指明） | 富集分析，缺失分析 | NA |
| 77 | 2025-10-06 |
GPU Accelerated Estimation of a Shared Random Effect Joint Model for Dynamic Prediction
2022-Oct, Computational statistics & data analysis
IF:1.5Q2
DOI:10.1016/j.csda.2022.107528
PMID:39257897
|
研究论文 | 提出一种GPU加速的共享随机效应联合模型估计方法，用于动态预测临床终点事件风险 | 结合新颖的两阶段估计算法和GPU编程技术，显著加速联合模型的估计过程 | 未明确说明模型在特定疾病类型或小样本场景下的适用性 | 解决纵向和生存数据联合模型计算效率低的问题，提高动态预测准确性 | 纵向队列研究中具有临床终点事件风险的受试者 | 机器学习 | NA | 纵向数据分析，生存分析 | 共享随机效应联合模型 | 纵向数据，生存数据 | NA | PyTorch | NA | 预测准确度 | GPU |
| 78 | 2025-10-06 |
Fast and scalable search of whole-slide images via self-supervised deep learning
2022-12, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-022-00929-8
PMID:36217022
|
研究论文 | 提出一种基于自监督深度学习的全切片图像快速检索方法SISH | 开发了检索速度与数据库大小无关的WSI检索算法，仅需切片级别标注即可训练 | NA | 开发无需监督训练的全切片图像快速检索方法 | 全切片图像(WSI) | 数字病理学 | 癌症 | 自监督深度学习 | 深度学习 | 图像 | 超过22,000例患者病例，56种疾病亚型 | NA | SISH | NA | NA |
| 79 | 2025-10-06 |
Detection of signs of disease in external photographs of the eyes via deep learning
2022-12, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-022-00867-5
PMID:35352000
|
研究论文 | 本研究开发了一种基于深度学习的外部眼部照片分析系统，用于检测糖尿病视网膜病变等眼部疾病 | 首次使用外部眼部照片而非视网膜底片照片，通过深度学习检测多种糖尿病相关眼部疾病和血糖控制不良 | 需要进一步验证在不同相机设备和患者群体中的适用性 | 开发基于外部眼部照片的疾病检测深度学习模型 | 糖尿病患者的外部眼部照片 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 深度学习模型 | 图像 | 145,832名糖尿病患者用于训练，48,644名患者用于验证 | NA | NA | 预测性能 | NA |
| 80 | 2025-10-06 |
Derivation of prognostic contextual histopathological features from whole-slide images of tumours via graph deep learning
2022-Dec, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-022-00923-0
PMID:35982331
|
研究论文 | 通过图深度学习从肿瘤全切片图像中提取具有预后价值的上下文组织病理学特征 | 首次在半监督方式下使用图深度神经网络考虑肿瘤微环境中的上下文特征，提供可解释的预后生物标志物 | 方法仅在四种癌症类型上验证，需要进一步扩展到更多癌症类型 | 开发能够从全切片图像中提取预后相关上下文特征的计算病理学方法 | 肾脏癌、乳腺癌、肺癌和子宫癌患者的全切片图像 | 数字病理学 | 多癌种（肾脏癌、乳腺癌、肺癌、子宫癌） | 全切片图像分析 | 图神经网络 | 图像 | 3,950名患者用于模型训练和验证，1,333名肾透明细胞癌患者用于风险分层 | NA | 图深度神经网络，注意力机制 | 预后预测准确性，风险分层能力 | NA |