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 174 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 | 2025-11-24 |
Spatial Omics Driven Crossmodal Pretraining Applied to Graph-based Deep Learning for Cancer Pathology Analysis
2023-Jul-31, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.30.551187
PMID:37577686
|
研究论文 | 本研究探索利用空间转录组学数据通过对比跨模态预训练机制生成深度学习模型，以增强基于图的癌症病理分析 | 首次将空间组学数据与组织学成像配对，通过对比跨模态预训练机制提升图深度学习模型在病理分析中的性能 | NA | 开发能够同时提取分子和组织学信息的深度学习模型，用于基于图的病理学习任务 | 癌症病理全切片图像和空间转录组学数据 | 数字病理 | 癌症 | 空间转录组学，组织学成像 | 图神经网络 | 图像，空间转录组数据 | NA | NA | 图神经网络 | 癌症分期准确率，淋巴结转移预测准确率，生存预测准确率，组织聚类分析 | NA |
| 22 | 2025-10-05 |
Comprehensive tissue deconvolution of cell-free DNA by deep learning for disease diagnosis and monitoring
2023-07-11, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2305236120
PMID:37399400
|
研究论文 | 通过深度学习对血浆游离DNA进行组织溯源分析，用于疾病诊断和治疗监测 | 构建了基于521个非癌组织样本的全面高分辨率甲基化图谱，开发了基于深度学习的监督组织反卷积方法 | 仅包含29种主要人体组织类型，可能未覆盖所有组织类型 | 开发高灵敏度和准确性的组织来源cfDNA定量方法，用于疾病检测和监测 | 血浆游离DNA和组织特异性甲基化模式 | 数字病理 | 多种疾病 | 甲基化测序 | 深度学习 | 甲基化数据 | 521个非癌组织样本，涵盖29种主要人体组织类型 | NA | NA | 灵敏度, 准确度 | NA |
| 23 | 2025-10-05 |
BTCRSleep: a boundary temporal context refinement-based fully convolutional network for sleep staging with single-channel EEG
2023-07-13, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/acdb46
PMID:37267988
|
研究论文 | 提出一种基于边界时序上下文优化的全卷积网络BTCRSleep，用于单通道脑电信号的睡眠分期 | 引入边界时序上下文优化模块，捕获睡眠阶段转换时的脑电波特征，解决传统方法在跨时段脑电波特征提取中的边界信息丢失问题 | NA | 提高单通道脑电信号睡眠分期的性能 | 睡眠脑电信号 | 医疗人工智能 | 睡眠障碍 | 脑电图(EEG) | 全卷积网络 | 单通道脑电信号 | 四个公共数据集：Sleep-EDF Expanded 2013版和2018版、Sleep Heart Health Study、CAP Sleep Database | NA | 全卷积网络 | 准确率,kappa分数 | NA |
| 24 | 2025-10-05 |
CS-based multi-task learning network for arrhythmia reconstruction and classification using ECG signals
2023-07-05, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/acdfb5
PMID:37336244
|
研究论文 | 提出一种结合压缩感知与卷积神经网络的多任务网络CSML-Net，用于心电信号的压缩重建与心律失常分类 | 首次将压缩感知与深度学习结合，在压缩域同时实现心电信号重建和心律失常分类的多任务学习框架 | 仅在MIT-BIH心律失常数据集上进行验证，未在其他数据集测试泛化能力 | 解决长期ECG监测产生的大量数据对有限带宽和实时系统的挑战 | 心电图信号和心律失常分类 | 机器学习 | 心血管疾病 | 压缩感知技术 | CNN | 心电信号 | MIT-BIH心律失常数据集 | NA | 多尺度特征模块的多任务网络 | 重建质量, 分类性能 | NA |
| 25 | 2025-10-06 |
DeXtrusion: automatic recognition of epithelial cell extrusion through machine learning in vivo
2023-07-01, Development (Cambridge, England)
DOI:10.1242/dev.201747
PMID:37283069
|
研究论文 | 提出基于深度学习的DeXtrusion方法，用于自动识别活体荧光成像中的上皮细胞挤出事件 | 首次开发无需分割即可精确定位细胞事件的深度学习方法，可检测多种细胞事件且易于训练 | 需要针对不同上皮组织进行重新训练 | 开发自动检测活体成像中细胞事件的方法 | 果蝇蛹背板上皮细胞 | 计算机视觉 | NA | 活体荧光显微镜成像 | RNN | 荧光成像视频 | NA | NA | 循环神经网络 | NA | NA |
| 26 | 2025-10-06 |
Tools to analyze the organization and formation of the germline cyst in zebrafish oogenesis
2023-07-01, Development (Cambridge, England)
DOI:10.1242/dev.201349
PMID:37272421
|
研究论文 | 本文提供了用于斑马鱼卵巢中生殖细胞囊三维结构和功能分析的工具集 | 开发了结合连续块面扫描电子显微镜、深度学习分析流程和激光消融技术的综合方法，首次实现生殖细胞囊的三维超微结构解析和体内功能操作 | 方法主要针对斑马鱼模型，在其他物种中的适用性需要进一步验证 | 研究脊椎动物生殖细胞囊的形成机制和功能 | 斑马鱼卵巢中的生殖细胞囊 | 发育生物学 | NA | 连续块面扫描电子显微镜(SBF-SEM), 激光消融技术, 共聚焦显微镜 | 深度学习 | 三维电子显微镜图像, 三维共聚焦图像 | NA | NA | NA | NA | NA |
| 27 | 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 |
| 28 | 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 |
| 29 | 2025-10-06 |
Pulmonary nodules segmentation based on domain adaptation
2023-07-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace498
PMID:37406634
|
研究论文 | 提出一种基于背景掩码对抗域适应的肺结节分割方法 | 结合背景掩码生成和梯度反转层传播的对抗域适应框架，增强对目标域数据的分割能力 | 未明确说明样本规模和数据来源的具体限制 | 解决医学图像分割中的域偏移问题并提高分割精度 | CT图像中的肺结节 | 计算机视觉 | 肺癌 | CT成像 | 对抗域适应网络 | 医学图像 | NA | NA | ADAB（基于背景掩码的对抗域适应网络） | 分割精度 | NA |
| 30 | 2025-10-06 |
Unsupervised deep learning-based displacement estimation for vascular elasticity imaging applications
2023-07-24, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace0f0
PMID:37348487
|
研究论文 | 提出一种基于无监督深度学习的血管弹性成像位移估计方法 | 首次将无监督深度学习应用于血管位移估计，能够提供高时空分辨率的动脉壁位移数据 | NA | 改进血管弹性成像技术中的位移估计质量 | 动脉壁位移和脉搏波传播 | 医学影像分析 | 心血管疾病 | 超声弹性成像 | 深度学习 | 超声RF信号，B模式图像 | 体模实验和人类颈总动脉测试 | NA | NA | 信噪比，对比噪声比，平均相对误差，决定系数 | NA |
| 31 | 2025-10-06 |
Low-count PET image reconstruction based on truncated inverse radon layer and U-shaped network
2023-07-19, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace240
PMID:37369236
|
研究论文 | 提出一种基于截断逆拉东层和U型网络的低计数PET图像重建方法 | 结合截断逆拉东层实现域变换和U型网络进行图像增强，能够直接从低计数正弦图重建PET图像 | NA | 解决低剂量PET图像重建中传统迭代重建方法耗时长、信噪比低的问题 | 正电子发射断层扫描(PET)图像 | 计算机视觉 | 肿瘤检测 | 正电子发射断层扫描(PET) | CNN | 图像, 正弦图 | 模拟数据和真实数据 | NA | U-Net | 结构相似性, 峰值信噪比 | NA |
| 32 | 2025-10-06 |
A simulation study of 1D U-Net-based inter-crystal scatter event recovery of PET detectors
2023-07-10, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ace1d1
PMID:37364572
|
研究论文 | 本研究提出一种基于1D U-Net的卷积神经网络，用于预测PET探测器中的晶体间散射事件首次相互作用位置 | 首次将1D U-Net结构应用于PET晶体间散射恢复问题，相比传统方法和全连接网络方法具有更好的稳定性和更少的网络参数 | 基于模拟数据训练，尚未在真实临床数据上验证 | 解决正电子发射断层扫描中晶体间散射导致的首次相互作用位置确定问题 | PET探测器中的晶体间散射事件 | 医学影像处理 | NA | GATE蒙特卡洛模拟 | CNN | 模拟数据 | NA | NA | 1D U-Net | 准确率, 灵敏度, 对比噪声比, 空间分辨率 | NA |
| 33 | 2025-10-06 |
HyperTDP-Net: A Hyper-densely Connected Compression-and-Decomposition Network Based on Trident Dilated Perception for PET and MRI Image Fusion
2023-07-05, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acdec3
PMID:37321243
|
研究论文 | 提出一种基于三叉戟扩张感知的超密集连接压缩分解网络，用于PET和MRI医学图像融合 | 构建双残差超密集模块充分利用中间层信息，建立三叉戟扩张感知模块精确定位特征位置，并提出包含结构相似性损失和梯度损失的内容感知损失函数 | NA | 提高医学图像融合质量，生成包含更全面多模态特征的融合图像 | PET和MRI医学图像 | 计算机视觉 | NA | 医学图像融合 | CNN | 医学图像 | 来自哈佛医学院发布的多模态医学图像数据集 | NA | 超密集连接网络,残差网络 | 结构相似性,梯度保持,边缘信息保持,纹理细节保持 | NA |
| 34 | 2025-10-06 |
The 2022 n2c2/UW shared task on extracting social determinants of health
2023-07-19, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocad012
PMID:36795066
|
研究论文 | 介绍2022年n2c2/UW共享任务，专注于从临床文本中提取健康社会决定因素信息 | 首次系统性地探索健康社会决定因素(SDOH)的临床文本信息提取，包含三个子任务评估信息提取、泛化性和学习迁移能力 | 提取性能因SDOH类型而异，对物质使用和无家可归等风险因素的提取效果较差 | 推进自然语言处理信息提取技术在健康社会决定因素和临床信息领域的应用 | 临床文本中的健康社会决定因素事件，包括酒精、药物、烟草、就业和生活状况等 | 自然语言处理 | NA | 自然语言处理 | 预训练语言模型,序列到序列模型 | 文本 | 使用Social History Annotated Corpus (SHAC)语料库，15个团队参与 | NA | 预训练语言模型 | F1分数 | NA |
| 35 | 2025-10-06 |
Quantitative Assessment of Myocardial Ischemia With Positron Emission Tomography
2023-Jul-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000579
PMID:33492046
|
综述 | 本文综述了利用正电子发射断层扫描技术定量评估心肌缺血的最新进展和方法 | 系统比较了多种PET心肌灌注显像放射性药物的特性，并介绍了现代PET技术（如PET/CT、PET/MR和机器学习）在心肌缺血定量评估中的应用 | NA | 探讨PET技术在心肌缺血定量评估中的应用和发展 | 心肌缺血患者 | 数字病理 | 心血管疾病 | PET, PET/CT, PET/MR, 心肌灌注显像 | NA | 医学影像数据 | NA | NA | NA | NA | NA |
| 36 | 2025-10-06 |
Deep learning-based Fast Volumetric Image Generation for Image-guided Proton FLASH Radiotherapy
2023-Jul-26, Research square
DOI:10.21203/rs.3.rs-3112632/v1
PMID:37546731
|
研究论文 | 开发基于深度学习的快速体积图像生成框架，用于质子FLASH放疗的图像引导 | 首次将深度学习应用于质子FLASH放疗的快速体积图像重建，通过正交X射线投影生成高精度三维解剖图像 | 研究仅针对肺部靶区患者，样本量相对有限（30例患者） | 开发快速体积图像重建框架以支持质子FLASH放疗的精确靶区定位 | 肺部肿瘤患者的三维解剖结构，包括肿瘤和危及器官 | 医学影像分析 | 肺癌 | 千伏X射线投影，四维计算机断层扫描 | 深度学习模型 | X射线投影图像，CT图像 | 30例肺部靶区患者，每人包含十个呼吸时相的四维CT数据集 | NA | NA | 平均绝对误差，峰值信噪比，结构相似性指数，水等效厚度误差 | NA |
| 37 | 2025-10-06 |
Leveraging spatial transcriptomics data to recover cell locations in single-cell RNA-seq with CeLEry
2023-07-08, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-39895-3
PMID:37422469
|
研究论文 | 提出CeLEry深度学习算法，利用空间转录组学数据恢复单细胞RNA测序中细胞的空间位置信息 | 开发首个利用空间转录组学数据通过监督深度学习恢复scRNA-seq细胞空间位置的算法，并提供位置不确定性估计 | NA | 解决单细胞RNA测序中细胞空间位置信息缺失的问题 | 大脑和癌组织中的细胞 | 生物信息学 | 癌症 | 单细胞RNA测序, 空间转录组学, Visium, MERSCOPE, MERFISH, Xenium | 监督深度学习, 变分自编码器 | 基因表达数据, 空间位置数据 | 多个数据集（具体数量未说明） | NA | 变分自编码器 | NA | NA |
| 38 | 2025-06-19 |
Coronary X-ray angiography segmentation using Artificial Intelligence: a multicentric validation study of a deep learning model
2023-07, The international journal of cardiovascular imaging
DOI:10.1007/s10554-023-02889-9
PMID:37253900
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 39 | 2025-10-06 |
Combined genome-wide association study of 136 quantitative ear morphology traits in multiple populations reveal 8 novel loci
2023-07, PLoS genetics
IF:4.0Q1
DOI:10.1371/journal.pgen.1010786
PMID:37459304
|
研究论文 | 通过多人群全基因组关联研究，识别了影响人类耳部形态的16个遗传位点，其中8个为新发现位点 | 首次使用深度学习定量评估136个耳部形态特征，并采用C-GWAS方法整合多性状GWAS分析，发现了8个新的耳部形态相关遗传位点 | 研究样本主要来自欧洲、亚洲和拉丁美洲人群，可能不适用于其他人群 | 探索人类耳部形态的遗传结构 | 14,921名来自欧洲、亚洲和拉丁美洲五个不同队列的个体 | 机器学习 | NA | 全基因组关联研究(GWAS)、C-GWAS、基因编辑 | 深度学习 | 数字面部图像 | 14,921名个体 | NA | NA | NA | NA |
| 40 | 2025-10-06 |
Deep Learning Based Metabolite Annotation
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/EMBC40787.2023.10341007
PMID:38082953
|
研究论文 | 本研究探索基于深度学习的代谢物注释方法，通过高维光谱数据表示提升分子指纹预测精度 | 研究高维光谱数据和分子指纹表示以改进分子指纹预测准确性 | NA | 改进非靶向代谢组学中代谢物注释的准确性 | 代谢物分子指纹 | 机器学习 | NA | 液相色谱-质谱联用(LC-MS), 串联质谱(MS/MS) | CNN | 质谱数据 | 来自MoNA存储库和NIST 20的MS/MS光谱数据 | NA | 卷积神经网络 | 准确率 | NA |