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 2564 篇文献，本页显示第 501 - 520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 501 | 2025-10-06 |
Deep Learning from Phylogenies for Diversification Analyses
2023-12-30, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syad044
PMID:37556735
|
研究论文 | 本文提出一种基于深度学习的系统发育树多样化分析方法，用于推断物种多样化动态 | 将病原体系统动力学中的深度学习方法首次应用于多样化推断，并扩展至基于性状数据的状态依赖多样化模型 | 目前仅验证了时间恒定同质出生-死亡模型和二元状态物种形成与灭绝模型的准确性 | 开发一种通用且高效的多样化模型推断方法 | 物种系统发育树和性状数据 | 机器学习 | NA | 系统发育分析 | 深度神经网络 | 系统发育树数据, 性状数据 | NA | NA | NA | 准确性, 时间效率 | NA |
| 502 | 2025-10-06 |
Developing and deploying deep learning models in brain magnetic resonance imaging: A review
2023-12, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.5014
PMID:37539775
|
综述 | 本文系统回顾了脑部磁共振成像中深度学习模型的开发与临床部署流程 | 整合了从数据收集到临床部署的全流程指南，并基于认证机构标准提供了可解释性机器学习实践框架 | 未涉及具体模型性能比较，主要聚焦方法论和部署挑战 | 促进脑部MRI深度学习模型在临床环境中的实际应用 | 脑部磁共振成像数据及深度学习模型 | 医学影像分析 | 神经系统疾病 | 磁共振成像 | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 503 | 2025-10-06 |
Deep learning based correction of RF field induced inhomogeneities for T2w prostate imaging at 7 T
2023-12, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.5019
PMID:37622473
|
研究论文 | 提出基于深度学习的偏置场校正方法，用于改善7T磁场下T2加权前列腺图像的射频场不均匀性问题 | 首次将深度学习应用于7T超高场强下T2加权前列腺图像的偏置场校正，通过合成数据训练神经网络 | 偶尔在前列腺区域内观察到对比度变化，特别是t-Image网络较为明显 | 解决超高场强磁共振成像中的射频场不均匀性问题 | 7T磁场下的T2加权前列腺图像 | 医学影像处理 | 前列腺癌 | 磁共振成像，T2加权成像 | 神经网络 | 医学影像 | 合成训练数据集、7T志愿者和患者图像、3T患者图像四个测试集 | NA | t-Image神经网络, t-Biasf神经网络 | 结构相似性指数, Wasserstein距离, 均方根误差, GLCM均匀性, GLCM能量 | NA |
| 504 | 2025-10-06 |
Predicting individual cases of major adolescent psychiatric conditions with artificial intelligence
2023-10-10, Translational psychiatry
IF:5.8Q1
DOI:10.1038/s41398-023-02599-9
PMID:37816706
|
研究论文 | 利用人工智能和多领域高维数据预测青少年主要精神疾病的个体病例 | 首次在相同研究设计中比较不同类别黄金标准算法对多种青少年精神健康状况的预测能力，使用超过100个候选预测因子 | 需要在纵向数据中进一步探索发现并在外部数据集中验证结果 | 稳健识别有精神疾病风险的青少年以进行针对性干预 | 青少年精神疾病病例（焦虑症、抑郁症、注意力缺陷、破坏性行为、创伤后应激） | 机器学习 | 精神疾病 | 多领域高维数据分析 | 人工神经网络,XGBoost,逻辑回归 | 多领域数据（神经、产前、发育、生理、社会文化、环境、情绪和认知特征） | 大型跨诊断青少年样本 | NA | 人工神经网络,树基学习,ElasticNet逻辑回归 | AUC | NA |
| 505 | 2025-10-06 |
A Large-Scale Clinical Benchmark of ResNet-based Deep Models for Newborn Face Recognition
2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC40787.2023.10340883
PMID:38082835
|
研究论文 | 本研究通过构建大规模新生儿面部数据集并评估四种基于ResNet的深度模型，探索新生儿面部识别的临床应用 | 创建了目前医院场景下最大的新生儿面部数据集NEWBORN200，并首次系统评估了多种先进ResNet模型在新生儿面部识别中的性能 | 模型对新生儿不同姿态的鲁棒性仍需改进，数据集规模虽为当前最大但仍有限 | 开发适用于医院产科的新生儿面部识别系统，防止婴儿调换和绑架 | 200名新生儿的面部图像数据 | 计算机视觉 | NA | 面部识别技术 | CNN | 图像 | 200名新生儿的面部图像，采集于出生后一小时内 | NA | ResNet, ArcFace, CurricularFace, MagFace, AdaFace | 验证准确率, 错误接受率, Rank-1识别准确率 | NA |
| 506 | 2025-10-06 |
Comprehensive assessment methods are key to progress in deep learning
2023-12-06, The Behavioral and brain sciences
DOI:10.1017/S0140525X23001668
PMID:38054334
|
评论 | 本文对Bowers等人关于深度神经网络评估方法和模型本身存在缺陷的观点表示认同，但提出了不同的改进方案 | 针对现有深度神经网络评估问题提出了与原文不同的解决方案路径 | NA | 探讨深度神经网络评估方法的改进方向 | 深度神经网络模型 | 机器学习 | NA | NA | 深度神经网络 | NA | NA | NA | NA | NA | NA |
| 507 | 2025-10-06 |
Thinking beyond the ventral stream: Comment on Bowers et al
2023-12-06, The Behavioral and brain sciences
DOI:10.1017/S0140525X23001723
PMID:38054346
|
评论 | 对Bowers等人研究的评论文章，探讨深度学习模型在视觉感知研究中的局限性及改进方向 | 提出不应完全抛弃深度学习，而应通过设计更符合生物视觉进化目标的刺激和任务来改进模型 | NA | 探讨如何改进深度学习模型以更好地模拟生物视觉系统 | 视觉感知的深度学习模型 | 计算机视觉 | NA | NA | 深度学习 | 视觉刺激 | NA | NA | NA | NA | NA |
| 508 | 2025-10-06 |
De-identification of free text data containing personal health information: a scoping review of reviews
2023, International journal of population data science
DOI:10.23889/ijpds.v8i1.2153
PMID:38414537
|
综述 | 对包含个人健康信息的自由文本数据去识别化方法的范围综述 | 首次对自由文本数据去识别化方法进行范围综述并系统分类 | 仅纳入截至2022年5月9日的综述文献，可能遗漏最新原始研究 | 识别和分类自由文本数据的去识别化方法 | 已发表的综述文献中描述的去识别化方法 | 自然语言处理 | NA | 文本数据去识别化技术 | 机器学习,深度学习 | 自由文本数据 | 18篇符合纳入标准的出版物 | NA | NA | NA | NA |
| 509 | 2025-10-06 |
Federated learning for generating synthetic data: a scoping review
2023, International journal of population data science
DOI:10.23889/ijpds.v8i1.2158
PMID:38414544
|
综述 | 本文通过范围综述系统梳理了使用联邦学习生成合成数据的研究现状与方法 | 首次系统综述联邦学习与合成数据生成的交叉领域（联邦合成），识别研究空白与发展趋势 | 该领域尚处于早期阶段，隐私风险评估方法仍需完善 | 评估使用联邦学习生成合成数据的研究现状、方法与评估实践 | 69篇相关学术文献（2018-2023年） | 机器学习 | NA | 联邦学习，合成数据生成 | GAN, 深度学习 | 表格数据，多种数据类型 | 69篇文献 | NA | 生成对抗网络 | 效用评估，隐私风险评估 | NA |
| 510 | 2025-09-09 |
Deep learning in endoscopy: the importance of standardisation
2023-12, Acta otorhinolaryngologica Italica : organo ufficiale della Societa italiana di otorinolaringologia e chirurgia cervico-facciale
IF:2.1Q2
DOI:10.14639/0392-100X-N2580
PMID:37814976
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 511 | 2025-10-06 |
MARGANVAC: metal artifact reduction method based on generative adversarial network with variable constraints
2023-10-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf8ac
PMID:37696272
|
研究论文 | 提出一种基于变约束生成对抗网络的金属伪影减少方法MARGANVAC，用于改善CT成像中的金属伪影问题 | 引入变约束机制作为时变成本函数，在训练初期放松保真度约束并逐步加强，同时开发了金属伪影迁移方法生成具有真实伪影特征的配对训练数据 | 未明确说明模型在更广泛临床场景中的泛化能力及计算效率的具体评估 | 开发适用于实际临床场景的高性能金属伪影减少方法 | CT图像中的金属伪影 | 医学影像处理 | NA | CT成像 | GAN | CT图像 | NA | NA | 生成对抗网络 | 定量指标，定性评估 | NA |
| 512 | 2025-10-06 |
Deep learning for fast denoising filtering in ultrasound localization microscopy
2023-10-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf98f
PMID:37703894
|
研究论文 | 本研究提出基于对比半监督网络的深度学习去噪方法，用于超声定位显微镜中的快速去噪滤波 | 首次将对比半监督网络(CS-Net)应用于超声定位显微镜去噪，显著缩短数据处理时间 | 神经网络主要使用模拟微泡数据进行训练，可能对真实数据的适应性存在局限 | 开发快速去噪方法以实现超声定位显微镜的实时成像 | 微泡信号、流场体模、新西兰兔肿瘤模型 | 医学影像处理 | 肿瘤 | 超声定位显微镜(ULM)、超分辨率超声成像(SR-US) | 深度学习 | 超声图像 | 流场体模实验和动物实验(新西兰兔肿瘤模型) | NA | 对比半监督网络(CS-Net) | 信噪比(SNR)、对比噪声比(CNR)、处理速度 | NA |
| 513 | 2025-10-06 |
AC-Faster R-CNN: an improved detection architecture with high precision and sensitivity for abnormality in spine x-ray images
2023-09-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf7a8
PMID:37678268
|
研究论文 | 提出一种改进的AC-Faster R-CNN检测架构，用于脊柱X射线图像中异常部位的精确定位和分类 | 开发了可变形卷积特征金字塔网络的特征融合结构和异常捕获头结构，结合扩张卷积与可变形卷积更好捕捉病灶多尺度信息 | NA | 开发能够准确定位和分类脊柱X射线照片中异常部位的物体检测网络 | 脊柱X射线图像中的异常部位 | 计算机视觉 | 脊柱疾病 | X射线成像 | Faster R-CNN | 图像 | 1007张脊柱X射线图像 | NA | Faster R-CNN, Deformable Convolution Feature Pyramid Network, Abnormality Capture Head | mAP@IoU=50%, Precision, Sensitivity | NA |
| 514 | 2025-10-06 |
Color-guided deformable convolution network for intestinal metaplasia severity classification using endoscopic images
2023-09-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf3ca
PMID:37619578
|
研究论文 | 提出一种基于颜色引导可变形卷积网络的肠化生严重程度分类方法 | 首次提出基于颜色特征生成偏移量来引导可变形卷积的方法，能够自适应调整卷积采样位置以符合IM病变的不规则形状 | NA | 准确诊断肠化生严重程度并预防胃癌发生 | 胃镜图像中的肠化生病变 | 计算机视觉 | 胃癌 | 内窥镜成像 | CNN, DCN | 图像 | 自建IM严重程度数据集 | NA | 颜色引导可变形卷积网络(CDCN) | 准确率 | NA |
| 515 | 2025-10-06 |
Unsupervised learning-based dual-domain method for low-dose CT denoising
2023-09-08, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acefa2
PMID:37567225
|
研究论文 | 提出一种基于无监督学习的双域方法用于低剂量CT去噪 | 采用无监督学习方法解决监督学习中数据精确配对的挑战，结合投影域去噪和迭代增强的双域处理策略 | 在标记数据集可用性有限的情况下表现更优，但未明确说明在充足标记数据下的性能比较 | 开发无监督学习的低剂量CT成像方法以解决数据配对问题 | 低剂量CT图像 | 医学影像处理 | NA | CT成像 | 生成模型 | CT投影数据和重建图像 | NA | NA | Noise2Self | SSIM | NA |
| 516 | 2025-10-06 |
Enhanced PET imaging using progressive conditional deep image prior
2023-09-01, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf091
PMID:37582392
|
研究论文 | 提出一种渐进式条件深度图像先验的无监督学习方法，用于增强PET成像质量 | 将单步无监督学习分解为两个无监督学习步骤，通过渐进式学习策略缩小输入图像与目标PET图像之间的差距 | 当输入图像与目标PET图像差距较大时仍可能存在挑战 | 开发新的无监督学习方法来提高患者研究中病灶的可检测性 | PET图像，包括体模研究和患者研究 | 医学影像处理 | NA | PET成像，迭代重建方法 | 深度神经网络 | 医学图像（PET图像，解剖图像） | 体模和患者研究（具体数量未明确说明） | NA | 深度图像先验 | 图像噪声性能，病灶可检测性 | NA |
| 517 | 2025-10-06 |
MCSF-Net: a multi-scale channel spatial fusion network for real-time polyp segmentation
2023-08-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf090
PMID:37582393
|
研究论文 | 提出一种用于实时息肉分割的多尺度通道空间融合网络MCSF-Net | 结合多尺度融合模块与空间通道注意力机制，采用特征补充模块提取边界线索，并引入形状块增强边界特征监督 | NA | 开发实时自动息肉分割框架以辅助结肠镜检查 | 结肠镜图像中的息肉 | 计算机视觉 | 结直肠癌 | 结肠镜检查 | CNN | 图像 | 五个公开基准数据集 | NA | MCSF-Net | 多种评估指标，FPS | NA |
| 518 | 2025-10-06 |
Multimodality deep learning radiomics nomogram for preoperative prediction of malignancy of breast cancer: a multicenter study
2023-08-18, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acec2d
PMID:37524093
|
研究论文 | 本研究构建并验证了一种基于放射组学和深度学习的列线图模型，用于术前预测乳腺癌恶性程度 | 首次结合多模态超声影像（B模式和彩色多普勒血流成像）与深度学习技术构建预测模型，并在多中心数据集上进行验证 | 回顾性研究设计，样本量相对有限（611例患者） | 术前预测乳腺癌恶性程度，实现精准医疗 | 乳腺癌患者 | 医学影像分析 | 乳腺癌 | 超声成像（B模式、彩色多普勒血流成像） | 深度学习 | 超声影像、临床数据 | 611例乳腺癌患者，分为主要队列、验证队列和两个测试队列 | NA | 多模态深度学习放射组学列线图（DLRN） | AUC, 校准曲线, 决策曲线分析 | NA |
| 519 | 2025-10-06 |
ULS4US: universal lesion segmentation framework for 2D ultrasound images
2023-08-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace09b
PMID:37343585
|
研究论文 | 提出一种用于2D超声图像的通用病灶分割框架ULS4US，能够在不同器官中有效识别和分割各种大小的病灶 | 首次开发适用于多器官的通用超声病灶分割框架，提出多输入多输出UNet架构、两阶段病灶感知学习算法和病灶自适应损失函数 | 仅在三种特定器官类型的数据集上进行验证，需要更多器官类型数据证明其通用性 | 开发适用于多器官的超声图像通用病灶分割框架 | 超声图像中的各种器官病灶 | 计算机视觉 | 多器官病变 | 超声成像 | 深度学习 | 2D超声图像 | 超过2200张图像，包含三个特定器官类型 | NA | MIMO-UNet | 准确率,DSC,HD,mIoU | NA |
| 520 | 2025-10-06 |
Fast dose calculation in x-ray guided interventions by using deep learning
2023-07-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace678
PMID:37433326
|
研究论文 | 本研究开发了一种基于深度学习的方法，用于在X射线引导介入手术中快速计算患者剂量分布 | 提出了一种改进的3D U-Net架构，能够结合患者CT扫描和成像参数快速生成蒙特卡罗剂量图，显著缩短了计算时间 | 研究仅针对腹部区域进行验证，样本量相对有限（82例患者CT扫描） | 开发快速准确的剂量计算方法，用于X射线引导介入手术中的患者剂量监测 | 接受X射线引导介入手术的患者，特别是腹部血管修复手术患者 | 医学影像分析 | 血管疾病 | 蒙特卡罗模拟，X射线成像 | CNN | CT图像，成像参数 | 82例患者CT扫描，其中65例用于训练，17例用于测试 | NA | 3D U-Net | 平均误差，峰值皮肤剂量误差，平均皮肤剂量误差，区域剂量误差 | NA |