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 2592 篇文献，本页显示第 121 - 140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 121 | 2026-04-28 |
Lyme rashes disease classification using deep feature fusion technique
2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13519
PMID:38009027
|
研究论文 | 提出一种深度特征融合系统用于自动分类莱姆病皮疹 | 提出了一种新的深度特征融合机制，通过结合Densenet201、InceptionV3和Exception三个模型的深度特征，并利用元分类器进行整合，显著提升了分类准确率 | NA | 自动分类莱姆病皮疹以辅助临床医生和皮肤科医生进行有效诊断 | 莱姆病皮疹的红斑迁移图像 | 计算机视觉 | 莱姆病 | 深度学习特征融合 | Densenet201, InceptionV3, Exception, 元分类器（基础深度卷积神经网络） | 图像 | NA | NA | DenseNet201, InceptionV3, Exception, 基础深度卷积神经网络 | 分类准确率 | NA |
| 122 | 2026-04-28 |
Segmentation and classification of skin lesions using hybrid deep learning method in the Internet of Medical Things
2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13524
PMID:38009016
|
研究论文 | 提出一种结合Mask R-CNN和ResNet50的混合深度学习模型，用于皮肤病变的语义分割和分类，在IoMT环境中提升诊断准确性 | 首次将MRCNN语义分割与ResNet50病变检测相结合，在IoMT框架下实现端到端的皮肤病变细粒度分析，分割精度达95.49%，分类准确率达96.75% | 未提及算法在低质量图像或罕见病变类型上的泛化能力，也未讨论计算资源消耗和实时部署可行性 | 在医疗物联网背景下，利用混合深度学习方法提升皮肤病变分割与分类的准确性和效率 | 皮肤病变（痣、黑色素瘤等）的皮肤镜图像 | 计算机视觉, 数字病理学 | 皮肤癌 | 皮肤镜成像 | 卷积神经网络, 混合模型 | 皮肤镜图像 | ISIC 2020挑战数据集（大量标注图像） | PyTorch | Mask R-CNN, ResNet50 | 分割精度, 分类准确率 | NA |
| 123 | 2026-04-27 |
Clinical narratives as a predictor for prognosticating functional outcomes after intracerebral hemorrhage
2023-10-15, Journal of the neurological sciences
IF:3.6Q2
DOI:10.1016/j.jns.2023.120807
PMID:37717279
|
research paper | 研究临床叙述能否改善脑出血患者功能预后的预测性能 | 首次利用自然语言处理从临床叙述中提取文本标记，并将其与现有预后模型结合，显著提升脑出血患者功能结局的预测性能 | NA | 探讨临床叙述能否提升脑出血后功能结局的预测能力 | 脑出血患者的临床叙述记录和功能结局（改良Rankin量表评分） | natural language processing | intracerebral hemorrhage | NLP | machine learning and deep learning approaches | text | 1363例患者（训练集1023例，测试集340例） | NA | NA | area under the receiver operating characteristic curve, net reclassification improvement, integrated discrimination improvement | NA |
| 124 | 2026-04-27 |
Deep learning analysis of UPLC-MS/MS-based metabolomics data to predict Alzheimer's disease
2023-10-15, Journal of the neurological sciences
IF:3.6Q2
DOI:10.1016/j.jns.2023.120812
PMID:37776718
|
研究论文 | 利用深度学习分析基于UPLC-MS/MS的代谢组学数据来预测阿尔茨海默病 | 首次通过UPLC-MS/MS代谢组学数据结合深度学习模型，识别出一组新的诊断性代谢生物标志物用于预测阿尔茨海默病，其中胆汁酸代谢物与APOE-ε4等位基因和临床生物标志物相关 | 样本量较小，仅包含177名个体，且模型在单一数据集上验证，可能缺乏泛化能力 | 识别新的代谢生物标志物并开发深度学习工具以预测阿尔茨海默病 | 来自阿尔茨海默病神经影像学倡议队列的78名AD患者和99名认知正常个体，共177人 | 机器学习 | 阿尔茨海默病 | UPLC-MS/MS | 多层前馈神经网络 | 代谢组学数据 | 177名个体（78名AD患者和99名认知正常者） | H2O | 多层前馈神经网络（2层18个神经元） | 准确率、F1分数、AUC | NA |
| 125 | 2026-04-25 |
[Identification model of tooth number abnormalities on pediatric panoramic radiographs based on deep learning]
2023-Nov-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
研究论文 | 基于深度学习开发儿童全景X光片中牙齿数目异常的识别模型 | 首次应用ResNet-50作为骨干网络的深度学习模型，在儿科全景X光片上自动识别额外牙并定位缺失恒牙，辅助诊断牙齿数目异常 | 未提及限制 | 基于深度学习识别儿科全景X光片的牙齿数目异常 | 4至11岁儿童的全景X光片 | 计算机视觉 | 儿童牙齿数目异常 | 全景X光成像 | 卷积神经网络（CNN） | 图像 | 共1707张全景X光片，其中训练集480张、验证集160张、内部测试集160张、外部测试集907张 | PyTorch | ResNet-50 | 灵敏度、特异度、阳性预测值、阴性预测值、Kappa值 | NA |
| 126 | 2026-04-25 |
[Deep learning-assisted construction of three-dimensional face midsagittal plane based on point clouds]
2023-Nov-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
研究论文 | 基于深度学习的点云三维面部中矢面自动构建方法 | 提出动态图配准网络（DGRNet）实现智能配准，以构建三维面部中矢面，提高临床数字设计与分析效率 | 仅基于无明显面部畸形的患者数据，未探索严重畸形的适用性 | 建立智能配准算法，自动构建三维面部中矢面，为临床数字设计与分析提供参考 | 临床患者的面部点云数据 | 计算机视觉 | 无特定疾病 | 三维点云扫描 | 动态图配准网络（DGRNet） | 点云数据 | 200名临床患者（2020年10月至2022年10月收集） | NA | DGRNet | 决定系数（R），角度误差 | NA |
| 127 | 2026-04-25 |
Semantic segmentation of retinal exudates using a residual encoder-decoder architecture in diabetic retinopathy
2023-Nov, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.24345
PMID:37194727
|
研究论文 | 本文提出一种基于残差编码器-解码器架构的视网膜渗出物语义分割方法，用于糖尿病视网膜病变筛查 | 采用残差跳连接减少参数数量，并对比多种深度卷积神经网络架构，在大幅降低模型复杂度的同时保持高分割精度 | 未提及模型在不同成像设备或不同种族人群中的泛化能力，也未讨论实时处理能力 | 开发计算机辅助诊断方法以实现视网膜渗出物的自动分割，辅助糖尿病视网膜病变早期筛查 | 视网膜眼底图像中的渗出物病变区域 | 计算机视觉, 数字病理学 | 糖尿病视网膜病变 | 眼底照相 | 卷积神经网络, 残差网络 | 图像 | 三个基准数据库：E-ophtha, DIARETDB1, Hamilton眼科研究所黄斑水肿数据库 | NA | 残差编码器-解码器架构 | 精确率, 准确率, 灵敏度, 特异度, AUC | NA |
| 128 | 2026-04-25 |
Transfer learning enables predictions in network biology
2023-06, Nature
IF:50.5Q1
DOI:10.1038/s41586-023-06139-9
PMID:37258680
|
研究论文 | 开发了一种基于注意力机制的深度学习模型Geneformer，通过迁移学习在限量数据场景下预测基因网络 | 首次将大规模预训练深度学习模型（Geneformer）应用于网络生物学，通过自监督学习编码网络层次结构，支持限量数据下的下游任务微调 | NA | 利用迁移学习解决基因网络预测中数据稀缺的问题，加速发现网络关键调控因子和候选治疗靶点 | 基因网络和单细胞转录组数据 | 机器学习 | 心肌病 | 单细胞转录组测序 | 注意力神经网络 | 单细胞转录组数据 | 约3000万单细胞转录组样本 | PyTorch | Geneformer（基于Transformer架构） | 预测准确性 | NA |
| 129 | 2026-04-23 |
Spatiotemporal denoising of low-dose cardiac CT image sequences using RecycleGAN
2023-09-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acf223
PMID:37604139
|
研究论文 | 本研究开发了一种基于RecycleGAN的时空深度学习方法来增强低剂量心脏CT图像序列的质量 | 利用RecycleGAN结合循环网络处理时间序列图像，相比CycleGAN能更好地利用时空信息进行降噪 | 研究主要基于模拟数据和有限的患者样本，临床验证规模相对较小 | 开发一种深度学习方法来降低心脏CT图像序列的噪声，以减少辐射剂量 | 心电图门控多相计算机断层扫描血管造影（MP-CTA）图像序列 | 计算机视觉 | 心血管疾病 | 计算机断层扫描（CT） | GAN | 图像序列 | 模拟数据：18名患者（14训练，2验证，2测试）；临床数据：50名患者 | NA | RecycleGAN, CycleGAN | 视觉检查，定量指标 | NA |
| 130 | 2026-04-21 |
Human Alzheimer's disease reactive astrocytes exhibit a loss of homeostastic gene expression
2023-08-02, Acta neuropathologica communications
IF:6.2Q1
DOI:10.1186/s40478-023-01624-8
PMID:37533101
|
研究论文 | 本研究利用单核RNA测序数据，揭示了阿尔茨海默病患者反应性星形胶质细胞转录组变化，特别是稳态基因表达的显著丧失 | 首次在单细胞分辨率下系统描述人类阿尔茨海默病反应性星形胶质细胞的转录组特征，发现其反应性表现为稳态基因的显著下调而非传统认为的单纯上调 | 研究主要基于转录组数据，功能验证相对有限；样本来源为死后脑组织，可能存在死后变化影响 | 探究阿尔茨海默病中反应性星形胶质细胞的分子特征和功能变化 | 人类正常、病理性衰老和阿尔茨海默病脑组织中的星形胶质细胞 | 生物信息学 | 阿尔茨海默病 | 单核RNA测序, 共免疫荧光染色 | 深度学习聚类算法 | RNA测序数据, 图像数据 | 15,529个星形胶质细胞核 | NA | NA | NA | NA |
| 131 | 2026-04-19 |
Identifying Key Residues in Lysine Decarboxylase for Soluble Expression Using Consensus Design Soluble Mutant Screening (ConsenSing)
2023-05-19, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.2c00670
PMID:37071041
|
研究论文 | 本文提出了一种结合计算预测与实验筛选的混合方法，用于识别提高蛋白质溶解度的关键残基 | 开发了ConsenSing方法，通过共识序列预测热点残基，并利用分裂GFP报告系统快速验证突变体，从而有效提高蛋白质溶解度 | 方法可能不适用于所有蛋白质，且预测与实验结果之间仍可能存在不一致 | 提高目标蛋白质的溶解度，通过识别关键残基突变来优化蛋白质表达 | 赖氨酸脱羧酶（LdcC） | 蛋白质工程 | NA | 序列分析、分裂GFP报告系统、Darwin组装 | 深度学习 | 蛋白质序列 | NA | NA | NA | 溶解度增加 | NA |
| 132 | 2024-08-07 |
Correlating Deep Learning-Based Automated Reference Kidney Histomorphometry with Patient Demographics and Creatinine
2023-12-01, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000000000299
PMID:37966063
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 133 | 2026-04-17 |
An interpretable machine learning framework for measuring urban perceptions from panoramic street view images
2023-Mar-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2023.106132
PMID:36843850
|
研究论文 | 本文提出了一种可解释的机器学习框架，用于从全景街景图像中提取城市感知 | 强调特征和结果的可解释性，通过五步框架克服现有端到端“黑盒”模型的局限性 | 未明确提及具体限制，但暗示现有框架因缺乏可解释性而价值受限 | 测量城市感知，以支持城市规划 | 城市街景，特别是伦敦内城区的输出区域级别 | 计算机视觉 | NA | 深度学习 | NA | 全景街景图像 | 使用MIT Place Pulse数据集，具体样本数量未明确 | NA | NA | 通过犯罪率验证，未明确具体评估指标 | NA |
| 134 | 2026-04-11 |
Assessment of a deep learning model for COVID-19 classification on chest radiographs: a comparison across image acquisition techniques and clinical factors
2023-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.10.6.064504
PMID:38162317
|
研究论文 | 评估预训练的深度学习模型在胸部X光片上分类COVID-19阳性和阴性患者的表现，并考虑图像采集参数、临床因素和患者人口统计学 | 通过比较不同图像采集技术（标准与软组织X光）和临床因素（如病毒变体、免疫状态）来评估模型性能，并探讨了模型在新测试集上性能下降的原因 | 模型在新测试集上性能显著下降，且时间匹配、免疫状态、疾病严重程度、年龄和性别分布未能完全解释性能差异，表明模型可能存在过拟合和泛化能力不足 | 评估深度学习模型在COVID-19分类任务中的性能，并分析图像采集技术和临床因素对模型表现的影响 | 胸部X光片（标准与软组织图像） | 计算机视觉 | COVID-19 | 胸部X光成像 | CNN | 图像 | 原始数据集9860名患者，当前测试集5893名患者 | NA | DenseNet-121 | ROC AUC | NA |
| 135 | 2026-04-11 |
Weakly supervised perivascular spaces segmentation with salient guidance of Frangi filter
2023-06, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29593
PMID:36692103
|
研究论文 | 本文提出了一种结合Frangi滤波器与卷积神经网络的弱监督3D血管周围空间分割模型 | 通过条件随机场理论将基于规则的Frangi滤波器与U-Net深度学习算法结合，实现弱监督学习，减少对大规模标注数据的依赖 | 未明确说明模型在更广泛数据集上的泛化能力或计算效率的具体限制 | 开发用于血管周围空间分割的弱监督3D分割模型，提高分割准确性并区分PVS与白质高信号 | 人类连接组计划数据中的血管周围空间 | 数字病理学 | NA | Frangi滤波器，卷积神经网络 | CNN | 3D图像 | 人类连接组计划数据，具体样本数量未明确 | NA | U-Net | 真阳性率，假阳性率 | NA |
| 136 | 2026-04-10 |
Identifying Disease of Interest With Deep Learning Using Diagnosis Code
2023-Mar-20, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2023.38.e77
PMID:36942391
|
研究论文 | 本文提出了一种新型的端到端监督自编码器模型，用于仅使用诊断代码预测感兴趣疾病的共存情况 | 开发了一种端到端监督自编码器模型，该模型在学习过程中同时更新自编码器和分类器的参数，提高了预测性能 | 研究仅基于韩国国家健康信息数据库的数据，可能限制了模型的泛化能力 | 预测感兴趣疾病的共存诊断，仅使用诊断代码作为输入 | 来自韩国国家健康信息数据库的100万随机抽样患者的诊断代码 | 机器学习 | 胃癌 | 深度学习 | 自编码器, 多层感知机 | 诊断代码 | 100万患者 | NA | 自编码器, 多层感知机 | F1分数, AUC, 召回率, 精确率 | NA |
| 137 | 2026-04-10 |
Bipartite invariance in mouse primary visual cortex
2023-Mar-16, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.15.532836
PMID:36993218
|
研究论文 | 本研究通过扩展“inception loops”范式，系统性地表征了小鼠初级视皮层中单个神经元的感受野不变性，并发现了一种新颖的二分不变性 | 发现了小鼠初级视皮层神经元的一种新型二分不变性，即感受野的一部分编码相位不变的纹理样模式，另一部分编码固定的空间模式，且这种划分与自然图像中空间频率差异定义的物体边界对齐 | 研究主要集中于小鼠初级视皮层，尚未扩展到整个视觉层次、细胞类型或其他感觉模态；实验时间有限可能影响对自然刺激下神经元调谐和不变性的全面表征 | 理解大脑如何从高维感官输入中泛化并推断行为相关的潜在原因，特别是识别神经元选择性响应和不变性的特征 | 小鼠初级视皮层中的单个神经元 | 计算神经科学 | NA | 大规模记录、神经预测模型、实验验证 | 深度学习模型 | 神经活动记录数据、自然图像刺激 | NA | NA | NA | NA | NA |
| 138 | 2026-04-09 |
Usability and Clinician Acceptance of a Deep Learning-Based Clinical Decision Support Tool for Predicting Glaucomatous Visual Field Progression
2023-03-01, Journal of glaucoma
IF:2.0Q2
DOI:10.1097/IJG.0000000000002163
PMID:36877820
|
研究论文 | 本研究评估了临床医生对集成人工智能预测视觉场指标的临床决策支持工具GLANCE的可用性和接受度 | 更新并评估了集成深度学习预测视觉场指标的临床决策支持工具，并首次系统调查了临床医生对该工具中AI预测指标的信任度、实用性和降低检测频率意愿的接受程度 | 样本量较小（10名临床医生参与），仅评估了原型工具，尚未进行临床部署验证 | 评估临床医生对集成人工智能预测视觉场指标的临床决策支持工具的感知和接受度 | 眼科医生和验光师对临床决策支持工具GLANCE的使用体验和态度 | 数字病理 | 青光眼 | 深度学习 | 深度学习模型 | 视觉场指标数据 | 10名眼科医生和验光师，6个病例（11只眼睛） | NA | NA | Likert量表评分，系统可用性量表评分 | NA |
| 139 | 2026-04-07 |
Deep Learning of Coronary Calcium Scores From PET/CT Attenuation Maps Accurately Predicts Adverse Cardiovascular Events
2023-05, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2022.06.006
PMID:36284402
|
研究论文 | 本研究开发了一种深度学习模型，用于从PET/CT衰减校正扫描中自动量化冠状动脉钙化评分，以预测心血管不良事件 | 首次将原本为视频应用开发的深度学习模型应用于PET/CT衰减校正扫描，实现冠状动脉钙化评分的全自动快速量化，无需改变现有扫描协议 | 研究主要基于外部队列验证，且未详细讨论模型在不同人群或设备间的泛化能力 | 开发一种深度学习模型，从PET/CT衰减校正扫描中自动定义冠状动脉钙化评分，以预测心血管不良事件风险 | 接受PET/CT成像的患者，包括有心血管不良事件随访数据的队列 | 数字病理学 | 心血管疾病 | PET/CT成像，心电图门控CT扫描 | 深度学习模型 | CT扫描图像 | 训练集：9,543张专家标注的CT扫描；测试集：4,331名患者（其中2,737名有配对的心电图门控CAC扫描） | NA | NA | 风险比，净重分类改善，阴性预测值 | NA |
| 140 | 2026-04-05 |
Data-driven multimodal fusion: approaches and applications in psychiatric research
2023, Psychoradiology
DOI:10.1093/psyrad/kkad026
PMID:38143530
|
综述 | 本文全面概述了数据驱动的多模态融合方法及其在精神病学研究中的应用 | 强调了在无先验信息或有先验信息下，利用典型相关分析和独立成分分析等方法进行多模态融合的创新性，并讨论了N向多模态融合、深度学习方法和临床转化等新兴趋势 | 未具体说明方法在实际应用中可能面临的数据异质性、模型泛化能力或计算资源限制等挑战 | 整合多样化的神经影像视角，以更全面地理解复杂的精神疾病 | 神经影像数据，包括遗传、环境、认知和治疗结果等多因素 | 机器学习 | 精神疾病 | 神经影像分析，如磁共振成像 | 深度学习 | 多模态数据（如神经影像、遗传、环境数据） | NA | NA | NA | NA | NA |