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 841 - 860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 841 | 2025-10-07 |
A Deep Learning Approach to Improve Retinal Structural Predictions and Aid Glaucoma Neuroprotective Clinical Trial Design
2023 Mar-Apr, Ophthalmology. Glaucoma
DOI:10.1016/j.ogla.2022.08.014
PMID:36038107
|
研究论文 | 开发深度学习回归方法预测青光眼患者视网膜结构厚度，以优化神经保护临床试验设计 | 首次利用深度学习模型预测视网膜GCIPL和RNFL厚度，并提出基于个体化半视网膜预测的临床试验样本量优化方法 | 研究为横断面设计，仅包含特定人群（非裔后裔青光眼患者）的数据 | 改进青光眼神经保护临床试验设计，通过预测视网膜结构厚度降低样本量需求 | 青光眼患者的视网膜GCIPL和RNFL厚度 | 医学影像分析 | 青光眼 | 光谱域OCT扫描 | 深度学习回归模型 | 视网膜OCT图像 | 1096只眼（550名患者）的3327对GCIPL/RNFL扫描数据 | NA | NA | 平均绝对误差, 皮尔逊相关系数平方 | NA |
| 842 | 2025-10-07 |
Mapping the topography of spatial gene expression with interpretable deep learning
2023-Oct-13, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.10.561757
PMID:37873258
|
研究论文 | 开发了一种名为GASTON的无监督可解释深度学习算法，用于分析空间转录组数据中的基因表达模式 | 提出了一种称为等深度的新概念，能够同时学习等深度、空间基因表达梯度以及模拟单个基因表达变化的分段线性函数 | NA | 解决空间转录组数据稀疏性问题，分析空间基因表达模式如基因表达梯度 | 空间转录组数据中的基因表达模式 | 生物信息学 | 肿瘤 | 空间转录组技术 | 深度学习 | 空间转录组数据 | NA | NA | GASTON | NA | NA |
| 843 | 2025-10-07 |
Capturing continuous, long timescale behavioral changes in Drosophila melanogaster postural data
2023-Sep-07, ArXiv
PMID:37731659
|
研究论文 | 本研究通过连续长期记录果蝇姿势数据，探索其跨时间尺度的行为变化模式 | 首次实现连续7天100帧/秒的果蝇长期行为记录，创建包含近20亿个姿势实例的数据集，揭示行为在昼夜节律和衰老过程中的变化规律 | 实验在无特征环境中进行，可能无法完全反映自然状态下的行为模式；样本量相对有限（47个个体） | 探索果蝇在长时间尺度下的行为变化规律，特别是昼夜节律和衰老过程中的行为模式演变 | 黑腹果蝇（Drosophila melanogaster） | 计算机视觉 | NA | 深度学习姿态估计 | 深度学习 | 视频图像 | 47只果蝇个体 | SLEAP | NA | NA | NA |
| 844 | 2025-10-07 |
Kenichi Harumi Plenary Address at Annual Meeting of the International Society of Computers in Electrocardiology: "What Should ECG Deep Learning Focus on? The diagnosis of acute coronary occlusion!"
2023 Jan-Feb, Journal of electrocardiology
IF:1.3Q3
|
综述 | 本文探讨心电图深度学习应从STEMI范式转向OMI范式以识别急性冠状动脉闭塞 | 提出深度学习应聚焦于识别闭塞性心肌梗死而非传统STEMI标准，可能彻底改变患者护理 | 基于单一专家演讲观点，缺乏具体实验验证 | 推动心电图深度学习关注急性冠状动脉闭塞诊断 | 心电图数据和急性冠状动脉闭塞患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | 深度学习 | 心电图信号 | NA | NA | 神经网络 | NA | NA |
| 845 | 2025-10-07 |
Novel breath biomarkers identification for early detection of hepatocellular carcinoma and cirrhosis using ML tools and GCMS
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0287465
PMID:37967076
|
研究论文 | 本研究通过GCMS技术和机器学习方法识别用于早期检测肝细胞癌和肝硬化的呼吸生物标志物 | 开发了基于R语言的机器学习模型，能够自动从原始数据中发现挥发性有机化合物，无需人工干预 | GC-MS分析耗时且容易出错，需要专家操作；样本量较小（共100个样本） | 开发早期检测肝细胞癌和肝硬化的精确诊断模型 | 肝细胞癌患者、肝硬化患者和健康对照者的呼吸样本 | 机器学习 | 肝细胞癌,肝硬化 | GCMS, SPME, 气相色谱-质谱联用 | 深度学习 | 质谱数据 | 肝细胞癌35例，肝硬化35例，对照30例，共100个呼吸样本 | R | NA | 灵敏度,特异性,准确率,AUC | NA |
| 846 | 2025-02-07 |
Graph Neural Networks in Cancer and Oncology Research: Emerging and Future Trends
2023-Dec-15, Cancers
IF:4.5Q1
DOI:10.3390/cancers15245858
PMID:38136405
|
综述 | 本文综述了图神经网络（GNNs）在癌症和肿瘤学研究中的应用，并探讨了未来的研究趋势 | 本文首次系统性地总结了2020年以来GNN在癌症和肿瘤学研究中的应用，并提出了未来研究的方向 | 本文主要基于现有文献进行综述，未涉及具体的实验验证 | 探讨图神经网络在癌症和肿瘤学研究中的应用及其未来趋势 | 癌症和肿瘤学研究中的多模态图数据 | 机器学习 | 癌症 | 图神经网络（GNNs） | GNN | 图数据（分子结构、空间分辨成像、数字病理学、生物网络、知识图谱等） | NA | NA | NA | NA | NA |
| 847 | 2025-10-07 |
Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering
2023-Jun, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2022-0789
PMID:39633750
|
研究论文 | 提出一种基于深度学习的可重构超表面天线，实现实时全息波束控制 | 将自编码器与电磁散射方程结合，替代传统迭代方法，实现实时确定超原子状态 | 需验证玻恩近似在具体应用场景中的有效性 | 开发实时全息波束控制技术 | 可重构偶极子阵列超表面天线 | 机器学习 | NA | 深度学习，电磁散射计算 | 自编码器 | 电磁场模式数据 | NA | NA | 自编码器 | 计算时间（200微秒） | NA |
| 848 | 2025-10-07 |
A deep neural network for general scattering matrix
2023-Jun, Nanophotonics (Berlin, Germany)
DOI:10.1515/nanoph-2022-0770
PMID:39633768
|
研究论文 | 开发了一种深度神经网络用于快速计算任意散射体的散射矩阵 | 首次使用深度神经网络计算非对称散射体的散射矩阵，速度比有限元求解器快数千倍，且自动满足能量守恒、时间反演和互易性等基本物理原理 | NA | 解决散射矩阵计算的高计算成本问题 | 任意形状的散射体 | 机器学习 | NA | 深度神经网络 | DNN | 数值模拟数据 | NA | NA | 深度神经网络 | 计算速度比较 | NA |
| 849 | 2025-10-07 |
Deep-learning CT reconstruction in clinical scans of the abdomen: a systematic review and meta-analysis
2023-08, Abdominal radiology (New York)
DOI:10.1007/s00261-023-03966-2
PMID:37280374
|
系统综述与荟萃分析 | 对腹部CT扫描中两种商用深度学习重建算法进行系统评价和荟萃分析 | 首次对商用深度学习CT重建算法(True Fidelity和AiCE)在腹部扫描中的应用进行系统性评估 | 仅评估了单一厂商的双能量CT，需要更多剂量水平和临床适应症的评估 | 评估深度学习CT重建算法在腹部扫描中的图像质量和辐射剂量优化效果 | 人体腹部CT扫描 | 医学影像分析 | 腹部疾病 | CT扫描 | 深度学习重建算法 | CT图像 | 44篇符合纳入标准的研究(32篇评估TF，12篇评估AiCE) | NA | True Fidelity, Advanced intelligent Clear-IQ Engine (AiCE) | 噪声降低率, 对比噪声比, 病灶检测能力, 辐射剂量降低潜力 | NA |
| 850 | 2025-10-07 |
Predicting pathological complete response to neoadjuvant systemic therapy for triple-negative breast cancers using deep learning on multiparametric MRIs
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/EMBC40787.2023.10340987
PMID:38083160
|
研究论文 | 开发基于深度学习的多参数MRI模型预测三阴性乳腺癌新辅助系统治疗的病理完全缓解 | 首次结合治疗前和治疗中多个时间点的多参数MRI序列（DCE-MRI和DWI），利用深度学习早期预测TNBC患者对新辅助系统治疗的反应 | NA | 预测三阴性乳腺癌患者对新辅助系统治疗的病理完全缓解反应 | 三阴性乳腺癌患者 | 计算机视觉 | 乳腺癌 | 动态对比增强MRI, 扩散加权成像 | 深度学习 | 医学影像 | NA | NA | NA | AUC | NA |
| 851 | 2025-10-07 |
Digital labeling for 3D histology: segmenting blood vessels without a vascular contrast agent using deep learning
2023-Jun-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.480230
PMID:37342724
|
研究论文 | 提出一种基于深度学习的数字标记方法，可在无需血管造影剂的情况下对3D组织中的血管进行分割 | 使用回归损失而非传统分割损失训练U-net架构，仅依赖自发荧光信号和DAPI核染色实现血管分割 | 方法目前仅验证于血管结构，未来需扩展至其他生物结构 | 开发无需血管造影剂的3D组织血管分割方法 | 完整组织样本中的血管结构 | 数字病理学 | NA | 光学组织透明化，3D荧光显微镜，自发荧光成像 | CNN | 3D荧光显微镜图像 | NA | NA | U-net | 血管检测准确率，血管长度密度，血管方向准确性 | NA |
| 852 | 2025-10-07 |
Near-lifespan longitudinal tracking of brain microvascular morphology, topology, and flow in male mice
2023-05-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-38609-z
PMID:37221202
|
研究论文 | 开发了一套在小鼠中纵向追踪大脑血管动态和解剖结构的方法 | 首次实现了在相同视野下对小鼠大脑微血管形态、拓扑结构和血流进行近生命周期的长期追踪 | 仅使用雄性小鼠进行研究，未包括雌性小鼠 | 研究年龄相关神经退行性疾病中的血管衰退过程 | 野生型和3xTg雄性小鼠 | 生物医学成像 | 阿尔茨海默病 | 光学相干断层扫描(OCT), 深度学习 | 深度学习 | 图像 | 野生型和3xTg雄性小鼠 | NA | NA | NA | NA |
| 853 | 2025-10-07 |
Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study
2023-09-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acf3ed
PMID:37625388
|
研究论文 | 本研究比较两种深度学习图像分割方法在腹主动脉瘤计算血流动力学分析中的应用效果 | 首次系统比较ARU-Net和CACU-Net两种最新深度学习分割方法在腹主动脉瘤模型创建中的性能 | 样本量较小（仅30例CTA扫描），需要更大规模验证 | 评估基于深度学习的图像分割方法在腹主动脉瘤计算血流动力学分析中的可行性 | 腹主动脉瘤患者的计算机断层扫描血管造影图像 | 计算机视觉 | 腹主动脉瘤 | 计算机断层扫描血管造影 | CNN | 医学图像 | 30例CTA扫描 | NA | ARU-Net, CACU-Net | DICE分数, 相关系数, Bland-Altman分析 | NA |
| 854 | 2025-10-07 |
Evolution of Breast Cancer Recurrence Risk Prediction: A Systematic Review of Statistical and Machine Learning-Based Models
2023-08, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.23.00049
PMID:37566789
|
系统综述 | 本文系统回顾了2008-2022年间乳腺癌复发风险预测模型的发展，比较统计方法与机器学习模型的性能差异 | 首次系统比较统计与机器学习方法在乳腺癌复发预测中的表现，并特别关注患者种族多样性问题 | 纳入分析的研究数量有限（仅23篇），且存在模型可解释性不足和泛化能力有限的问题 | 系统评估乳腺癌复发风险预测模型的发展历程和性能表现 | 乳腺癌患者复发风险预测模型 | 机器学习 | 乳腺癌 | 统计方法，机器学习 | 支持向量机，决策树，逻辑回归，朴素贝叶斯，深度学习，集成学习 | 临床数据 | 基于23篇研究论文的汇总分析 | NA | NA | AUC | NA |
| 855 | 2025-10-07 |
Dual-sensory fusion self-powered triboelectric taste-sensing system towards effective and low-cost liquid identification
2023-08, Nature food
IF:23.6Q1
DOI:10.1038/s43016-023-00817-7
PMID:37563492
|
研究论文 | 开发了一种基于液滴动态形态变化和液固接触带电的双感官融合自供电味觉传感系统，用于液体识别 | 结合摩擦电指纹信号和深度学习实现液体识别，并集成图像传感器提取液体视觉特征，通过双感官融合提高识别能力 | NA | 开发有效且低成本的液体传感技术，用于液体食品安全识别和管理 | 液体物质 | 智能传感 | NA | 液固接触带电，图像传感 | 深度学习 | 摩擦电信号，图像 | NA | NA | NA | 准确率 | NA |
| 856 | 2025-10-07 |
Shape-Aware 3D Small Vessel Segmentation with Local Contrast Guided Attention
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43901-8_34
PMID:38500803
|
研究论文 | 提出一种新型自监督网络用于3D小血管分割，通过形状感知通量测量和局部对比度引导注意力机制提升小血管检测性能 | 提出形状感知通量测量方法增强非圆形不规则小血管估计，开发局部对比度引导注意力和增强模块提升低对比度血管区域的血管性响应 | 未明确说明样本数量和数据来源的具体限制 | 改进3D成像数据中小血管的自动分割和检测 | 3D成像数据中的小血管结构 | 计算机视觉 | NA | 3D成像技术 | 自监督深度学习网络 | 3D图像数据 | NA | NA | LCNetVesselSeg | NA | NA |
| 857 | 2025-10-07 |
Early diagnosis of COVID-19-affected patients based on X-ray and computed tomography images using deep learning algorithm
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-020-05275-y
PMID:32904395
|
研究论文 | 本研究使用深度学习算法基于X射线和CT图像对COVID-19患者进行早期诊断 | 采用改进的VGG-19、Inception_V2和决策树模型进行肺炎二分类，在COVID-19早期诊断中实现高准确率 | 数据集规模较小（仅360张图像），模型性能在不同架构间存在较大差异 | 开发基于医学影像的COVID-19早期诊断方法 | COVID-19患者和肺炎患者的X射线及CT图像 | 计算机视觉 | COVID-19 | X射线成像，计算机断层扫描 | CNN，决策树 | 图像 | 360张X射线和CT图像 | NA | VGG-19，Inception_V2，决策树 | 准确率 | NA |
| 858 | 2025-10-07 |
COVID-CheXNet: hybrid deep learning framework for identifying COVID-19 virus in chest X-rays images
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-020-05424-3
PMID:33250662
|
研究论文 | 开发了一种混合深度学习框架COVID-CheXNet，用于在胸部X光图像中识别COVID-19病毒 | 提出了一种结合ResNet34和高分辨率网络模型的并行架构，采用加权求和规则在分数级融合两个预训练模型的结果 | NA | 快速准确诊断COVID-19感染，减轻放射科医生压力并控制疫情传播 | 胸部X光图像中的COVID-19病毒识别 | 计算机视觉 | COVID-19 | 胸部X光成像 | 深度学习 | 图像 | NA | NA | ResNet34,高分辨率网络 | 准确率,灵敏度,特异性,精确率,F1分数,均方误差,均方根误差 | NA |
| 859 | 2025-10-07 |
Performance evaluation of deep learning techniques for lung cancer prediction
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-023-08313-7
PMID:37255920
|
研究论文 | 评估多种深度学习技术在肺癌预测中的性能表现 | 系统比较不同深度学习模型在肺癌预测任务中的表现，确定最优技术方案 | NA | 识别用于肺部疾病预测的最佳深度学习技术 | 肺部疾病患者 | 计算机视觉 | 肺癌 | 胸部X光成像, CT扫描 | 深度学习 | 图像 | NA | NA | NA | 精确率, 召回率, 准确率, Jaccard指数 | NA |
| 860 | 2025-10-07 |
Deep Learning Models for Predicting Left Heart Abnormalities From Single-Lead Electrocardiogram for the Development of Wearable Devices
2023-12-25, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-23-0216
PMID:37967949
|
研究论文 | 开发基于单导联心电图的深度学习模型用于预测左心异常 | 首次使用单导联（Lead I）心电图数据开发能够检测多种左心异常的深度学习模型，并在多中心数据集上验证其性能优于或等同于心脏病专家对12导联心电图的判读 | 研究仅基于特定医疗设施的数据，模型在更广泛人群中的泛化能力需要进一步验证 | 开发适用于可穿戴设备的左心异常检测算法 | 左心异常患者的心电图数据 | 机器学习 | 心血管疾病 | 心电图 | 深度学习 | 心电图信号 | 229,439组心电图和超声心动图配对数据，来自8个医疗设施 | NA | NA | AUC, 准确率 | NA |