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 171 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2026-02-09 |
Deep learning site classification model for automated photodocumentation in upper GI endoscopy (with video)
2023-Mar, iGIE : innovation, investigation and insights
DOI:10.1016/j.igie.2023.01.002
PMID:41647956
|
研究论文 | 本文开发了一种深度学习模型，用于从上消化道内窥镜视频数据中提取高质量图像帧并进行解剖部位分类，以实现自动化的影像记录 | 提出了一种结合图像过滤器和解剖部位分类的深度学习模型，能够从包含大量低质量帧的内窥镜视频中自动提取高质量图像，并实现高精度的解剖部位分类 | 模型在视频数据上的整体准确率（89.7%至94.8%）略低于静态图像测试，且仅针对8个特定解剖部位进行了验证 | 开发一种深度学习模型，用于自动化上消化道内窥镜检查中的影像记录和标准化 | 上消化道内窥镜视频和静态图像数据 | 计算机视觉 | NA | 内窥镜检查 | 深度学习模型 | 图像, 视频 | 8231张内窥镜静态图像和26,103张视频衍生图像用于训练、测试和内部验证，2142张独立静态图像用于外部验证，5段内窥镜视频（共6308帧）用于性能分析 | NA | NA | 准确率, F1分数 | NA |
| 22 | 2026-02-09 |
Novel artificial intelligence-enabled deep learning system to enhance adenoma detection: a prospective randomized controlled study
2023-Mar, iGIE : innovation, investigation and insights
DOI:10.1016/j.igie.2023.01.013
PMID:41647953
|
研究论文 | 本研究评估了在结肠镜检查中使用新型AI辅助检测系统DEEP2对腺瘤检测率的提升效果 | 开发并验证了仅基于白光成像的AI系统DEEP2，在右半结肠检测中表现出显著优势，且误报率低于其他系统 | 单中心研究，未使用连续数字色素内镜，可能影响结果普适性 | 评估AI辅助检测系统在结肠镜检查中对腺瘤检测质量的影响 | 40至85岁接受结肠镜检查的参与者 | 计算机视觉 | 结直肠癌 | 白光结肠镜检查 | 深度学习 | 图像 | 674例结肠镜检查 | NA | NA | 腺瘤检测率, 每结肠镜腺瘤数, 息肉检测率, 误报率 | NA |
| 23 | 2026-01-11 |
Evidence for the role of transcription factors in the co-transcriptional regulation of intron retention
2023-03-22, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-023-02885-1
PMID:36949544
|
研究论文 | 本研究通过深度学习模型分析开放染色质区域，探索转录因子在共转录调控内含子保留中的作用 | 首次利用深度学习模型系统性地识别转录因子在调控内含子保留中的角色，并预测锌指家族转录因子为主要调控因子 | 研究主要基于计算预测和ChIP-seq数据验证，缺乏直接的实验机制验证 | 探究转录因子在共转录过程中调控内含子保留的机制 | 人类基因组中的内含子保留事件及相关转录因子 | 生物信息学 | NA | 深度学习, ChIP-seq | 深度学习模型 | 基因组序列数据, ChIP-seq数据 | NA | NA | NA | NA | NA |
| 24 | 2025-10-05 |
Combining pairwise structural similarity and deep learning interface contact prediction to estimate protein complex model accuracy in CASP15
2023-Mar-12, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.08.531814
PMID:36945536
|
研究论文 | 开发了一种结合成对结构相似性和深度学习界面接触预测的混合方法MULTICOM_qa，用于评估蛋白质复合物模型准确性 | 首次将成对结构相似性方法与深度学习界面接触预测相结合，解决了传统方法在低质量模型聚集时失效的问题 | 未明确说明方法在特定类型蛋白质复合物上的局限性 | 开发蛋白质复合物模型准确性评估方法 | 蛋白质复合物和组装体的四级结构模型 | 生物信息学 | NA | 深度学习界面接触预测 | 深度学习 | 蛋白质结构模型 | CASP15评估中的24个预测器参与比较 | NA | NA | 相关系数, 排序损失 | NA |
| 25 | 2025-10-06 |
Long-term care insurance purchase decisions of registered nurses: Deep learning versus logistic regression models
2023-03, Health policy (Amsterdam, Netherlands)
DOI:10.1016/j.healthpol.2023.104709
PMID:36725380
|
研究论文 | 本研究使用深度学习模型和传统逻辑回归模型预测注册护士的长期护理保险购买决策 | 首次将深度神经网络应用于预测医疗专业人员保险决策，并与传统统计方法进行对比 | 样本仅来自单一医疗中心，缺乏时间序列数据的充分训练 | 预测注册护士的长期护理保险购买决策行为 | 台湾某大型医疗中心的1,373名注册护士 | 机器学习 | NA | 问卷调查 | DNN, MLR | 调查数据 | 1,373名注册护士（615名已购买保险，332名无购买意向，426名有购买意向） | NA | 深度神经网络 | 准确率，精确率，召回率，F1分数 | NA |
| 26 | 2025-10-06 |
Federated Transfer Learning for Low-dose PET Denoising: A Pilot Study with Simulated Heterogeneous Data
2023-Mar, IEEE transactions on radiation and plasma medical sciences
IF:4.6Q1
DOI:10.1109/trpms.2022.3194408
PMID:37789946
|
研究论文 | 提出一种联邦迁移学习框架用于解决低剂量PET图像去噪问题 | 首次将联邦迁移学习应用于处理不同机构间低剂量PET协议差异导致的领域偏移问题 | 研究基于模拟数据，尚未在真实临床数据上验证 | 开发能够在保护数据隐私前提下利用异构低剂量PET数据进行去噪的方法 | 低剂量正电子发射断层扫描(PET)图像 | 医学影像处理 | NA | 正电子发射断层扫描(PET) | 深度学习 | 医学影像 | 模拟多机构数据 | NA | NA | NA | NA |
| 27 | 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 |
| 28 | 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 |
| 29 | 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 |
| 30 | 2025-10-06 |
Deep Learning for Detection of Periapical Radiolucent Lesions: A Systematic Review and Meta-analysis of Diagnostic Test Accuracy
2023-Mar, Journal of endodontics
IF:3.5Q1
DOI:10.1016/j.joen.2022.12.007
PMID:36563779
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估深度学习模型在检测牙科X线片中根尖周射线可透性病变方面的诊断准确性 | 首次对深度学习在根尖周病变检测中的诊断准确性进行系统评价和定量荟萃分析 | 大多数研究存在偏倚风险，缺乏前瞻性研究 | 比较深度学习模型与专家临床医生在检测根尖周射线可透性病变方面的诊断准确性 | 牙科X线片中的根尖周射线可透性病变 | 计算机视觉 | 牙科疾病 | 牙科影像学检查 | 深度学习模型 | 牙科X线影像 | 18项研究纳入系统综述，其中6项研究用于定量分析 | NA | NA | 敏感度,特异度,阳性似然比,阴性似然比,诊断比值比 | NA |
| 31 | 2025-10-06 |
Genetics and mechanisms of thoracic aortic disease
2023-03, Nature reviews. Cardiology
DOI:10.1038/s41569-022-00763-0
PMID:36131050
|
综述 | 本文回顾了胸主动脉疾病遗传学研究的技术进展，整合深度学习等新技术发现的遗传观察结果到当前生物学认知中 | 将机器学习技术与大型生物样本库影像数据集结合，实现了主动脉性状的大规模测量和基因分型，发现数十个新的遗传关联 | 胸主动脉疾病相对其他心血管疾病发病率较低，阻碍了大规模遗传关联的识别 | 探索胸主动脉疾病的遗传学机制和防治策略 | 胸主动脉疾病（包括主动脉瘤、主动脉夹层、主动脉缩窄等） | 机器学习 | 心血管疾病 | 深度学习, 遗传分析, 影像分析 | 深度学习 | 影像数据 | 生物样本库大型数据集 | NA | NA | NA | NA |
| 32 | 2025-10-06 |
Artificial Intelligence and Economic Development: An Evolutionary Investigation and Systematic Review
2023-Mar-11, Journal of the knowledge economy
IF:4.0Q1
DOI:10.1007/s13132-023-01183-2
PMID:40478928
|
系统综述 | 通过文献计量和内容分析方法研究人工智能与经济发展交叉领域的研究现状和发展趋势 | 首次系统性地研究人工智能与经济发展交叉领域，结合定量文献计量和定性内容分析的双重方法 | 基于文献分析，缺乏实证研究验证具体AI技术对经济发展的实际影响 | 探索人工智能技术在经济发展中的角色和地位，识别研究现状和知识缺口 | 人工智能与经济发展交叉领域的学术文献 | 机器学习 | NA | 文献计量分析，内容分析 | NA | 文本数据 | 2211篇文献 | Bibliometrix | NA | NA | NA |
| 33 | 2025-10-06 |
Deep ensemble learning for automated non-advanced AMD classification using optimized retinal layer segmentation and SD-OCT scans
2023-03, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2022.106512
PMID:36701964
|
研究论文 | 本研究开发了一种基于优化视网膜层分割和深度集成学习的非进展性年龄相关性黄斑变性自动分类方法 | 结合图割算法与三次样条自动标注11个视网膜边界，并采用集成Bagged Tree和端到端深度学习分类器的深度集成机制 | 仅针对非进展性AMD分类，未涵盖进展性AMD病例 | 改进年龄相关性黄斑变性的自动检测与分类 | SD-OCT扫描图像中的视网膜层结构 | 计算机视觉 | 年龄相关性黄斑变性 | SD-OCT扫描，图割算法，三次样条拟合 | 集成学习，深度学习 | 医学图像 | 内部和外部数据集（具体数量未明确说明） | NA | Bagged Tree，深度学习分类器 | 错误率，AUC，诊断准确率 | NA |
| 34 | 2025-06-07 |
A survey on recent trends in deep learning for nucleus segmentation from histopathology images
2023-Mar-06, Evolving systems
IF:2.7Q3
DOI:10.1007/s12530-023-09491-3
PMID:38625364
|
综述 | 本文系统综述了过去五年（2017-2021）中深度学习在组织病理学图像中细胞核分割的应用 | 总结了多种分割模型（如U-Net、SCPP-Net、Sharp U-Net和LiverNet）的相似性、优势、使用的数据集以及新兴研究领域 | 仅覆盖了过去五年的研究，可能未包括最新的技术进展 | 探讨深度学习在细胞核分割中的最新趋势和应用 | 组织病理学图像中的细胞核 | 数字病理学 | 癌症 | 深度学习 | U-Net, SCPP-Net, Sharp U-Net, LiverNet | 图像 | NA | NA | NA | NA | NA |
| 35 | 2025-10-07 |
Assessment of malalignment factors related to Invisalign treatment time aided by automated imaging processes
2023-Mar-01, The Angle orthodontist
DOI:10.2319/031622-225.1
PMID:36327333
|
研究论文 | 通过自动化成像流程评估与Invisalign治疗时间相关的错位因素 | 使用深度学习方法自动分割牙齿并识别标志点，结合复合评分系统预测治疗时间 | 样本量有限（116名患者），某些牙齿移动类型与治疗时间的关联性证据不足 | 识别影响Invisalign治疗持续时间的错位类型和严重程度预测因素 | 接受Invisalign治疗的116名患者的数字口腔扫描模型 | 计算机视觉 | 牙科错位畸形 | 数字口腔扫描，深度学习 | 深度学习 | 数字三维模型图像 | 116名患者 | NA | NA | P值，相关系数 | NA |
| 36 | 2025-04-06 |
Privacy-Aware Early Detection of COVID-19 Through Adversarial Training
2023-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2022.3230663
PMID:37015447
|
研究论文 | 本文探讨了通过对抗训练实现隐私保护的COVID-19早期检测方法 | 提出了具有内置保护机制的COVID-19检测模型，能选择性保护敏感属性免受对抗攻击 | 仅使用了英国四家医院的数据，可能影响模型的广泛适用性 | 开发能保护患者隐私的COVID-19早期检测模型 | COVID-19患者 | 机器学习 | COVID-19 | 对抗训练 | 神经网络 | 临床数据（血液检测和生命体征测量） | 来自牛津大学医院(OUH)、贝德福德郡医院NHS基金会信托(BH)、伯明翰大学医院NHS基金会信托(UHB)和朴茨茅斯医院大学NHS信托(PUH)的数据集 | NA | NA | NA | NA |
| 37 | 2025-04-06 |
Bi-CapsNet: A Binary Capsule Network for EEG-Based Emotion Recognition
2023-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2022.3232514
PMID:37015506
|
研究论文 | 提出了一种用于基于EEG情感识别的二进制胶囊网络（Bi-CapsNet），以降低计算成本和内存使用 | Bi-CapsNet将32位权重和激活二值化为1位，并用高效的位操作替换浮点操作，同时通过连续函数近似二值化过程解决反向传播中的函数不连续问题 | 识别准确率相比全精度模型有轻微下降（<1%） | 开发一种低计算成本和内存使用的EEG情感识别方法 | EEG信号 | 机器学习 | NA | 二进制神经网络 | Bi-CapsNet（二进制胶囊网络） | EEG信号 | 两个流行的EEG情感数据库（DEAP和DREAMER） | NA | NA | NA | NA |
| 38 | 2025-04-06 |
EEG Reconstruction With a Dual-Scale CNN-LSTM Model for Deep Artifact Removal
2023-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2022.3227320
PMID:37015612
|
研究论文 | 提出了一种名为DuoCL的双尺度CNN-LSTM模型，用于深度去除EEG信号中的伪迹 | 该模型通过双尺度CNN提取形态特征，并通过LSTM强化时间依赖性，能够有效去除未知和混合伪迹 | 未提及具体的数据集大小或实验条件的限制 | 提高EEG信号中伪迹去除的准确性和适应性 | EEG信号 | 机器学习 | NA | CNN, LSTM | 双尺度CNN-LSTM模型 | EEG信号 | 未提及具体样本数量 | NA | NA | NA | NA |
| 39 | 2025-04-06 |
Multimodal Fusion Network for Detecting Hyperplastic Parathyroid Glands in SPECT/CT Images
2023-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2022.3228603
PMID:37015701
|
研究论文 | 提出一种多模态融合网络用于SPECT/CT图像中增生甲状旁腺的检测 | 首次在SHPT疾病中使用SPECT/CT图像检测异常甲状旁腺，并提出了一种新型的三路径架构融合网络 | 未提及具体样本量及可能存在的泛化性问题 | 提高SPECT/CT图像中低摄取甲状旁腺的检测准确率 | 继发性甲状旁腺功能亢进症(SHPT)患者的增生甲状旁腺 | 数字病理 | 甲状旁腺疾病 | SPECT/CT双模态成像技术 | CNN（三路径架构融合网络） | 医学影像（SPECT/CT图像） | NA | NA | NA | NA | NA |
| 40 | 2025-04-06 |
A Hierarchical Attention-Based Method for Sleep Staging Using Movement and Cardiopulmonary Signals
2023-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2022.3228341
PMID:37015702
|
research paper | 提出了一种基于分层注意力机制的深度学习方法，利用身体运动、心电图和腹部呼吸信号进行睡眠分期 | 结合多头自注意力机制和CNN，实现了分层自注意力权重分配，改进了长序列处理和序列建模能力 | 仅使用了两个公共数据集进行评估，可能需要更多数据验证方法的泛化能力 | 开发一种非侵入式设备获取的运动和心肺信号进行长期睡眠监测的方法 | 睡眠分期 | machine learning | NA | NA | LSTM, CNN, 多头自注意力机制 | 身体运动信号、心电图(ECG)、腹部呼吸信号 | 两个公共数据集 | NA | NA | NA | NA |