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 2513 篇文献，本页显示第 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2025-10-06 |
Differential diagnosis of hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on spatial and channel attention mechanisms
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04935-4
PMID:37268850
|
研究论文 | 开发基于通道和空间注意力机制的深度学习模型CSAM-Net，用于肝细胞癌和肝内胆管癌的术前非侵入性鉴别诊断 | 首次将通道和空间注意力机制结合应用于肝脏肿瘤的CT图像鉴别诊断，显著提高了诊断准确率 | 研究为回顾性设计，样本量相对有限（共494例患者），需要进一步前瞻性验证 | 建立有效的术前非侵入性方法用于肝细胞癌和肝内胆管癌的鉴别诊断 | 395例肝细胞癌患者和99例肝内胆管癌患者的CT图像 | 计算机视觉 | 肝癌 | CT成像 | 深度学习,注意力机制 | 医学图像 | 494例患者（395例HCC，99例ICC） | NA | CSAM-Net（基于通道和空间注意力机制） | AUC,准确率 | NA |
| 542 | 2025-10-06 |
A deep-learning-based clinical risk stratification for overall survival in adolescent and young adult women with breast cancer
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04955-0
PMID:37277578
|
研究论文 | 本研究构建了一种基于深度学习的临床风险分层模型，用于预测青少年和年轻成年女性乳腺癌患者的总生存期 | 首次将DeepSurv深度学习算法应用于青少年和年轻成年女性乳腺癌患者的生存预测，并开发了用户友好的网络计算器 | 研究数据仅来源于SEER数据库，缺乏外部验证 | 开发乳腺癌青少年和年轻成年女性患者的总生存期预测模型 | 14,243名来自SEER数据库的青少年和年轻成年女性乳腺癌患者 | 机器学习 | 乳腺癌 | 深度学习 | DeepSurv | 临床数据和人口统计学数据 | 14,243名患者 | NA | DeepSurv | C-index, ROC曲线, 校准图, 决策曲线分析 | NA |
| 543 | 2025-10-06 |
Machine learning and deep learning techniques for breast cancer diagnosis and classification: a comprehensive review of medical imaging studies
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04956-z
PMID:37278831
|
综述 | 本文全面回顾了机器学习和深度学习技术在乳腺癌诊断和分类中应用于医学影像的研究 | 系统性地比较了五种医学影像模态（乳腺X线摄影、超声、MRI、组织学和热成像）和多种机器学习及深度学习技术的应用效果 | 作为综述文章，不涉及原始研究数据的分析，主要基于已有文献进行总结 | 评估机器学习和深度学习技术在乳腺癌诊断和分类中的应用效果 | 乳腺癌医学影像数据 | 计算机视觉 | 乳腺癌 | 医学影像分析 | CNN, ANN, SVM, DT | 医学影像（乳腺X线摄影、超声、MRI、组织学、热成像） | NA | NA | 卷积神经网络 | 准确率 | NA |
| 544 | 2025-10-06 |
Clinical concept and relation extraction using prompt-based machine reading comprehension
2023-08-18, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocad107
PMID:37316988
|
研究论文 | 开发基于提示的机器阅读理解统一架构，用于临床概念抽取和关系抽取任务 | 提出统一的提示式机器阅读理解架构同时解决临床概念抽取和关系抽取任务，在跨机构应用中展现良好泛化能力 | 未明确说明模型在更广泛临床文本类型上的性能表现 | 开发具有良好泛化能力的自然语言处理系统，用于临床概念和关系抽取 | 临床文本中的医疗概念和关系 | 自然语言处理 | NA | 自然语言处理 | Transformer | 文本 | 使用2018年n2c2挑战赛（药物和不良药物事件）和2022年n2c2挑战赛（社会健康决定因素关系）的两个基准数据集 | NA | GatorTron-MRC, BERT-MIMIC-MRC | F1-score | NA |
| 545 | 2025-10-06 |
The Objective Dementia Severity Scale Based on MRI with Contrastive Learning: A Whole Brain Neuroimaging Perspective
2023-Aug-02, Sensors (Basel, Switzerland)
DOI:10.3390/s23156871
PMID:37571654
|
研究论文 | 提出基于MRI和对比学习的客观痴呆严重程度评分系统，用于自动评估阿尔茨海默病患者的神经功能 | 首次将对比学习策略应用于全脑结构MRI数据，开发无需人工干预的客观痴呆评估方法 | 仅使用ADNI数据集进行验证，未在其他独立数据集上测试 | 开发客观的痴呆严重程度评估方法以改进阿尔茨海默病的诊断和治疗 | 阿尔茨海默病患者 | 医学影像分析 | 阿尔茨海默病 | 结构磁共振成像 | 深度学习 | 脑部MRI图像 | ADNI数据集样本 | NA | 对比学习框架 | 相关性分析，阶段区分准确率 | NA |
| 546 | 2025-10-06 |
Invasiveness assessment by artificial intelligence against intraoperative frozen section for pulmonary nodules ≤ 3 cm
2023-Aug, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04713-2
PMID:37016100
|
研究论文 | 本研究开发了一种基于3D卷积神经网络的人工智能系统，用于评估≤3cm肺结节的恶性程度和侵袭性 | 首次在多中心队列中验证AI系统在肺结节侵袭性评估方面的性能，并与术中冰冻切片检查进行对比 | AI系统对直径大于1cm的实性结节存在误诊情况，与冰冻切片检查的一致性有待提高 | 评估人工智能算法在肺结节恶性肿瘤和侵袭性判断方面的性能 | 直径不超过3cm的肺结节 | 计算机视觉 | 肺癌 | CT成像 | CNN | CT图像 | 466个切除的肺结节 | NA | 3D卷积神经网络 | AUC, 敏感性, 特异性, 一致性率 | NA |
| 547 | 2025-10-06 |
Noise Suppression With Similarity-Based Self-Supervised Deep Learning
2023-06, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2022.3231428
PMID:37015446
|
研究论文 | 提出一种基于相似性的自监督深度学习去噪方法Noise2Sim，用于抑制CT图像中的独立和相关噪声 | 首个基于相似性的自监督深度去噪方法，能以非局部和非线性方式处理相关噪声，理论上在温和条件下与监督学习方法渐近等价 | 未明确说明方法在极端噪声条件下的性能表现 | 开发无需配对干净样本的自监督图像去噪方法 | 低剂量CT和光子计数CT图像 | 计算机视觉 | NA | CT成像 | 深度学习 | 医学图像 | NA | NA | NA | 视觉评估,定量分析,统计分析 | NA |
| 548 | 2025-10-06 |
Combined diagnosis of multiparametric MRI-based deep learning models facilitates differentiating triple-negative breast cancer from fibroadenoma magnetic resonance BI-RADS 4 lesions
2023-Jun, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-022-04142-7
PMID:35771263
|
研究论文 | 本研究开发基于多参数MRI的深度学习模型组合诊断方法，用于区分三阴性乳腺癌与纤维腺瘤BI-RADS 4类病变 | 首次将多参数MRI（增强T1加权、扩散加权和T2加权成像）的深度学习模型组合应用于三阴性乳腺癌与纤维腺瘤的鉴别诊断 | 回顾性研究设计，样本量有限（319例），缺乏外部验证 | 评估多参数MRI深度学习模型组合在区分三阴性乳腺癌与纤维腺瘤BI-RADS 4类病变中的价值 | 319例女性患者的319个病理证实的BI-RADS 4类乳腺病变 | 医学影像分析 | 乳腺癌 | 多参数MRI（增强T1加权成像、扩散加权成像、T2加权成像） | 深度学习模型 | 医学影像 | 319例女性患者，随机分为训练集、验证集和测试集 | NA | NA | AUC, 敏感度, 特异度, 准确度, 加权kappa值 | NA |
| 549 | 2025-10-06 |
Three-dimensional genome rewiring in loci with human accelerated regions
2023-04-28, Science (New York, N.Y.)
DOI:10.1126/science.abm1696
PMID:37104607
|
研究论文 | 本研究通过比较基因组学和三维基因组建模揭示了人类加速区域在人类特异性性状进化中的作用机制 | 结合深度学习与染色质构象捕获实验，首次发现人类加速区域在改变三维基因组组织的人类特异性变异中的富集现象 | 研究主要聚焦于神经祖细胞，可能无法完全代表其他细胞类型或发育阶段的情况 | 探索人类加速区域在人类特异性基因组进化中的作用机制 | 人类和黑猩猩的神经祖细胞 | 基因组学, 生物信息学 | NA | 染色质构象捕获实验, 深度学习, 哺乳动物基因组比对 | 深度学习模型 | 基因组序列数据, 染色质相互作用数据, 基因表达数据 | 241个哺乳动物基因组 | NA | NA | NA | NA |
| 550 | 2025-10-06 |
Integrating structured and unstructured data for timely prediction of bloodstream infection among children
2023-03, Pediatric research
IF:3.1Q1
DOI:10.1038/s41390-022-02116-6
PMID:35854085
|
研究论文 | 本研究开发了一种结合结构化和非结构化电子健康记录数据的深度学习模型，用于预测儿童中心静脉导管相关血流感染 | 首次将临床笔记中的上下文词嵌入与结构化EHR数据相结合，显著提升了儿童血流感染预测性能 | 单中心回顾性研究，外部验证尚未进行 | 开发及时预测儿童中心静脉导管相关严重血流感染的深度学习模型 | 住院儿童中心静脉导管患者 | 医疗人工智能 | 血流感染 | 深度学习，上下文词嵌入 | 深度学习模型 | 结构化EHR数据，临床笔记文本 | 24,351例患者就诊记录 | NA | NA | 特异性，阳性预测值，敏感性 | NA |
| 551 | 2025-10-06 |
Multiple generation distinct toxicant exposures induce epigenetic transgenerational inheritance of enhanced pathology and obesity
2023, Environmental epigenetics
IF:4.8Q1
DOI:10.1093/eep/dvad006
PMID:38162685
|
研究论文 | 研究多代不同毒物暴露对大鼠表观遗传跨代遗传的影响，发现会增强病理变化和肥胖 | 首次研究连续多代暴露于不同毒物对表观遗传跨代遗传的复合影响，并采用深度学习进行组织病理学分析 | 研究仅限于大鼠模型，人类相关性需要进一步验证 | 评估多代不同毒物暴露对表观遗传和疾病易感性的跨代影响 | 多代大鼠（F0-F5代） | 数字病理学 | 肥胖 | 表观遗传分析，DNA甲基化检测 | 深度学习 | 组织病理学图像，表观遗传数据 | 多代大鼠群体（F0-F5代） | NA | NA | NA | NA |
| 552 | 2025-10-06 |
Deep learning models for cancer stem cell detection: a brief review
2023, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2023.1214425
PMID:37441078
|
综述 | 本文简要回顾了深度学习在癌症干细胞检测领域的研究进展 | 系统梳理了基于卷积神经网络的深度学习模型在癌症干细胞研究中的新兴应用趋势 | 作为简要综述，未深入探讨具体技术细节和全面性能比较 | 探索深度学习在癌症干细胞研究领域的应用现状和发展前景 | 癌症干细胞及其生物图像数据 | 数字病理学 | 癌症 | 生物图像分析 | CNN | 图像 | NA | NA | 卷积神经网络 | NA | NA |
| 553 | 2025-10-06 |
Computer-aided detection and prognosis of colorectal cancer on whole slide images using dual resolution deep learning
2023-Jan, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-022-04435-x
PMID:36331654
|
研究论文 | 提出基于弱监督学习的双分辨率深度学习网络，用于结直肠癌的识别和预后预测 | 采用双分辨率深度学习网络同时利用局部和全局图像信息，无需病理学家标注感兴趣区域 | NA | 实现结直肠癌的快速诊断和风险分层 | 结直肠癌患者 | 数字病理学 | 结直肠癌 | 全切片图像分析 | 深度学习 | 组织病理学图像 | TCGA数据集和广州医科大学附属肿瘤医院外部数据集 | NA | 双分辨率深度学习网络(WDRNet) | 准确率,C-index,风险比(HR),p值 | NA |
| 554 | 2025-10-06 |
Deep learning-based automated pipeline for blood vessel detection and distribution analysis in multiplexed prostate cancer images
2023, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2023.1296667
PMID:38323039
|
研究论文 | 提出基于深度学习的自动化流程，用于前列腺癌多重图像中血管检测和分布分析 | 开发结合CD31、CD34和胶原蛋白IV图像的深度学习模型，实现血管自动分割和分布模式分析 | 模型性能存在一定标准差，分割精度有待进一步提升 | 开发自动化血管分析流程以替代人工分割 | 前列腺癌患者的多重显微镜图像 | 数字病理学 | 前列腺癌 | 多重免疫荧光成像 | 深度学习分割模型 | 显微镜图像 | 215名前列腺癌患者 | NA | NA | 精确度,召回率,Dice相似系数 | NA |
| 555 | 2025-10-06 |
Analysis of ultrasonographic images using a deep learning-based model as ancillary diagnostic tool for diagnosing gallbladder polyps
2023-12, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2023.06.023
PMID:37407319
|
研究论文 | 本研究开发基于深度学习的超声图像分析模型，作为胆囊息肉诊断的辅助工具 | 首次将深度学习模型应用于胆囊息肉的超声图像分类，并评估其对不同经验水平医生的辅助诊断效果 | 回顾性研究设计，样本量相对有限（263名患者），需进一步前瞻性验证 | 评估深度学习模型在鉴别肿瘤性胆囊息肉与非肿瘤性胆囊息肉中的效能 | 胆囊息肉患者的超声图像 | 计算机视觉 | 胆囊疾病 | 超声成像 | 深度学习 | 图像 | 263名患者的3,754张超声图像 | NA | NA | 准确率, 敏感性, 特异性 | NA |
| 556 | 2025-10-06 |
Identification of gastric signet ring cell carcinoma based on endoscopic images using few-shot learning
2023-12, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2023.07.005
PMID:37455154
|
研究论文 | 本研究提出了一种基于小样本学习的胃印戒细胞癌内镜图像识别方法 | 采用双重预训练策略（ImageNet和食管内镜图像）结合小样本学习框架解决胃印戒细胞癌样本稀缺问题 | 每类新类别仅使用50个样本，样本量较小 | 开发基于内镜图像的胃印戒细胞癌计算机辅助诊断方法 | 胃良性溃疡、腺癌和印戒细胞癌的内镜图像 | 计算机视觉 | 胃癌 | 内镜成像 | CNN | 图像 | 每类50个样本（胃良性溃疡、腺癌和SRCC），共150个样本 | TensorFlow/PyTorch（未明确指定） | EfficientNetV2-S | 准确率, 灵敏度, 召回率, 精确率, F1-score, 特异性, AUC | NA |
| 557 | 2025-10-06 |
Artificial intelligence-enabled penicillin allergy delabelling: an implementation study
2023-11, Internal medicine journal
IF:1.8Q2
DOI:10.1111/imj.16266
PMID:37997266
|
研究论文 | 本研究实施了一种基于深度学习AI算法的青霉素过敏标签去除系统 | 使用深度学习人工智能算法识别适合进行青霉素过敏评估的患者，并通过电子邮件通知系统实现过敏标签去除 | 需要进一步研究优化此类方法 | 通过人工智能技术实现青霉素过敏标签的准确去除 | 被标记为青霉素过敏的患者 | 医疗人工智能 | 药物过敏 | 深度学习 | 深度学习算法 | 医疗记录数据 | 干预组59人，对照组未明确数量 | NA | NA | 统计学显著性(P值) | NA |
| 558 | 2025-10-06 |
FocA: A deep learning tool for reliable, near-real-time imaging focus analysis in automated cell assay pipelines
2023-10, SLAS discovery : advancing life sciences R & D
IF:2.7Q2
DOI:10.1016/j.slasd.2023.08.004
PMID:37573010
|
研究论文 | 开发用于自动化细胞检测流程中图像聚焦分析的深度学习工具FocA | 提出能够在近实时条件下识别聚焦/失焦图像的深度学习工具，使用下采样图像小块训练以最大化计算效率而不影响准确性 | NA | 确保自动化细胞检测中图像数据的质量和一致性 | 自动化细胞生物学研究平台生成的图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | 准确率 | 最小计算资源 |
| 559 | 2025-10-06 |
When liver disease diagnosis encounters deep learning: Analysis, challenges, and prospects
2023-Mar, ILIVER..
DOI:10.1016/j.iliver.2023.02.002
PMID:40636411
|
综述 | 本文系统综述了深度学习在肝脏疾病诊断研究中的应用现状、挑战与前景 | 使用桑基图展示数据模态、肝脏研究主题与应用之间的关系，并总结了各主题的深度学习方法及其趋势 | 基于139篇文献的分析可能未涵盖该领域所有研究，且综述性质文章缺乏原始实验验证 | 探讨深度学习在肝脏疾病诊断研究中的应用与发展前景 | 肝脏疾病诊断相关研究 | 数字病理学 | 肝脏疾病 | NA | 深度学习 | 多模态数据 | 基于139篇文献的分析 | NA | NA | NA | NA |
| 560 | 2025-10-06 |
Application of biological big data and radiomics in hepatocellular carcinoma
2023-Mar, ILIVER..
DOI:10.1016/j.iliver.2023.01.003
PMID:40636408
|
综述 | 本文综述了生物大数据和影像组学在肝细胞癌研究中的应用进展 | 整合多组学数据与影像组学技术，为肝细胞癌提供新的诊断、预后和治疗思路 | NA | 总结生物大数据和影像组学在肝细胞癌领域的研究进展 | 肝细胞癌 | 数字病理学 | 肝癌 | 基因组学,转录组学,蛋白质组学,液体活检,超声,CT,MRI | NA | 组学数据,医学影像 | NA | NA | NA | NA | NA |