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 218 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2025-10-06 |
AC-Faster R-CNN: an improved detection architecture with high precision and sensitivity for abnormality in spine x-ray images
2023-09-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf7a8
PMID:37678268
|
研究论文 | 提出一种改进的AC-Faster R-CNN检测架构，用于脊柱X射线图像中异常部位的精确定位和分类 | 开发了可变形卷积特征金字塔网络的特征融合结构和异常捕获头结构，结合扩张卷积与可变形卷积更好捕捉病灶多尺度信息 | NA | 开发能够准确定位和分类脊柱X射线照片中异常部位的物体检测网络 | 脊柱X射线图像中的异常部位 | 计算机视觉 | 脊柱疾病 | X射线成像 | Faster R-CNN | 图像 | 1007张脊柱X射线图像 | NA | Faster R-CNN, Deformable Convolution Feature Pyramid Network, Abnormality Capture Head | mAP@IoU=50%, Precision, Sensitivity | NA |
| 42 | 2025-10-06 |
Color-guided deformable convolution network for intestinal metaplasia severity classification using endoscopic images
2023-09-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf3ca
PMID:37619578
|
研究论文 | 提出一种基于颜色引导可变形卷积网络的肠化生严重程度分类方法 | 首次提出基于颜色特征生成偏移量来引导可变形卷积的方法，能够自适应调整卷积采样位置以符合IM病变的不规则形状 | NA | 准确诊断肠化生严重程度并预防胃癌发生 | 胃镜图像中的肠化生病变 | 计算机视觉 | 胃癌 | 内窥镜成像 | CNN, DCN | 图像 | 自建IM严重程度数据集 | NA | 颜色引导可变形卷积网络(CDCN) | 准确率 | NA |
| 43 | 2025-10-06 |
Unsupervised learning-based dual-domain method for low-dose CT denoising
2023-09-08, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acefa2
PMID:37567225
|
研究论文 | 提出一种基于无监督学习的双域方法用于低剂量CT去噪 | 采用无监督学习方法解决监督学习中数据精确配对的挑战，结合投影域去噪和迭代增强的双域处理策略 | 在标记数据集可用性有限的情况下表现更优，但未明确说明在充足标记数据下的性能比较 | 开发无监督学习的低剂量CT成像方法以解决数据配对问题 | 低剂量CT图像 | 医学影像处理 | NA | CT成像 | 生成模型 | CT投影数据和重建图像 | NA | NA | Noise2Self | SSIM | NA |
| 44 | 2025-10-06 |
Enhanced PET imaging using progressive conditional deep image prior
2023-09-01, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/acf091
PMID:37582392
|
研究论文 | 提出一种渐进式条件深度图像先验的无监督学习方法，用于增强PET成像质量 | 将单步无监督学习分解为两个无监督学习步骤，通过渐进式学习策略缩小输入图像与目标PET图像之间的差距 | 当输入图像与目标PET图像差距较大时仍可能存在挑战 | 开发新的无监督学习方法来提高患者研究中病灶的可检测性 | PET图像，包括体模研究和患者研究 | 医学影像处理 | NA | PET成像，迭代重建方法 | 深度神经网络 | 医学图像（PET图像，解剖图像） | 体模和患者研究（具体数量未明确说明） | NA | 深度图像先验 | 图像噪声性能，病灶可检测性 | NA |
| 45 | 2025-10-06 |
Automated diagnosis and management of follicular thyroid nodules based on the devised small-dataset interpretable foreground optimization network deep learning: a multicenter diagnostic study
2023-09-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000000506
PMID:37204464
|
研究论文 | 开发基于小数据集可解释前景优化网络深度学习的滤泡性甲状腺结节自动诊断系统 | 针对小数据集设计可解释前景优化网络，并首次系统评估结节边缘纹理信息对滤泡性甲状腺癌预测的影响 | 样本量相对有限（总样本503例），外部验证仅包含71例患者 | 开发可靠的术前滤泡性甲状腺癌检测系统，减少侵入性诊断需求 | 滤泡性甲状腺结节患者 | 数字病理 | 甲状腺癌 | 超声成像 | 深度学习 | 超声图像 | 训练和内部验证队列432例（来自瑞金医院），外部验证队列71例（来自四个临床中心） | NA | FThyNet（可解释前景优化网络） | AUC, 准确率 | NA |
| 46 | 2025-10-06 |
Automated Radiomic Analysis of Vestibular Schwannomas and Inner Ears Using Contrast-Enhanced T1-Weighted and T2-Weighted Magnetic Resonance Imaging Sequences and Artificial Intelligence
2023-09-01, Otology & neurotology : official publication of the American Otological Society, American Neurotology Society [and] European Academy of Otology and Neurotology
IF:1.9Q2
DOI:10.1097/MAO.0000000000003959
PMID:37464458
|
研究论文 | 本研究开发了一种基于深度学习的自动分割系统，用于在MRI图像中分割前庭神经鞘瘤和内耳结构 | 首次使用三维卷积神经网络结合对比增强T1加权和T2加权MRI序列对前庭神经鞘瘤和内耳结构进行自动分割分析 | 研究仅限于前庭神经鞘瘤患者，未包含其他类型肿瘤或病变 | 通过深度学习客观评估前庭神经鞘瘤及其与同侧内耳的空间关系 | 490名成年前庭神经鞘瘤患者的高分辨率MRI扫描数据 | 医学影像分析 | 前庭神经鞘瘤 | 磁共振成像 | CNN | 医学影像 | 490名患者（390名训练集，100名测试集），外加100名外部验证集患者 | NA | 三维卷积神经网络 | Dice分数, 相对体积误差, 平均对称表面距离, 95% Hausdorff距离, 质心位置 | NA |
| 47 | 2025-10-06 |
Correlation Between Intranodular Vessels and Tumor Invasiveness of Lung Adenocarcinoma Presenting as Ground-glass Nodules: A Deep Learning 3-Dimensional Reconstruction Algorithm-based Quantitative Analysis on Noncontrast Computed Tomography Images
2023-Sep-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000731
PMID:37531613
|
研究论文 | 基于深度学习三维重建算法定量分析非增强CT图像中肺腺癌磨玻璃结节内血管特征与肿瘤侵袭性的相关性 | 首次采用深度学习三维重建技术对非增强CT图像中磨玻璃结节内血管进行定量分析，建立血管特征与肺腺癌侵袭性的关联 | 回顾性研究设计，样本来源单一机构，未进行外部验证 | 评估基于深度学习的结节内血管定量特征在区分肺腺癌侵袭性中的作用 | 474例患者的512个确诊磨玻璃结节（包括241个前驱腺体病变、126个微浸润腺癌和145个浸润性腺癌） | 计算机视觉 | 肺癌 | 非增强计算机断层扫描 | 深度学习 | 医学影像 | 512个磨玻璃结节（来自474例患者） | NA | 基于区域分割和区域生长技术的三维重建算法 | 血管检出率、血管体积百分比、Mantel-Haenszel χ²检验、χ²检验、方差分析 | NA |
| 48 | 2025-10-06 |
Bering: joint cell segmentation and annotation for spatial transcriptomics with transferred graph embeddings
2023-Sep-22, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.19.558548
PMID:37786667
|
研究论文 | 提出一种基于图深度学习的模型Bering，用于空间转录组学数据中的联合细胞分割与分子注释 | 利用转录共定位关系进行噪声感知的细胞分割，通过转移图嵌入增强基因关系学习 | 未明确说明模型在特定组织类型或技术平台上的潜在适应性限制 | 解决空间转录组学中细胞边界确定和身份注释的准确性挑战 | 二维和三维空间转录组学数据中的单个细胞 | 数字病理学 | NA | 空间转录组学测序技术 | 图深度学习 | 空间转录组数据 | 多种空间技术平台和组织类型的数据集 | NA | 基于图嵌入的深度学习架构 | 细胞分割准确率, 检测到的转录本数量 | NA |
| 49 | 2025-07-23 |
Machine Learning for the Prediction of Procedural Case Durations Developed Using a Large Multicenter Database: Algorithm Development and Validation Study
2023-Sep-08, JMIR AI
DOI:10.2196/44909
PMID:38875567
|
研究论文 | 本研究开发并验证了一种基于机器学习的算法，用于预测手术案例的持续时间，以提高手术室资源规划和患者沟通的效率 | 利用非线性预测模型和机器学习方法，开发了一个可扩展至多中心的预测算法，显著提高了手术持续时间的预测准确性 | 研究依赖于历史数据，可能无法完全适应未来手术技术或流程的变化 | 开发一个可扩展的机器学习算法，以准确预测手术案例的持续时间，优化手术室资源管理 | 手术案例的持续时间 | 机器学习 | NA | 深度学习、梯度提升和集成机器学习 | 梯度提升机 | 手术室数据 | 1,177,893例手术案例，来自13家学术和私立医院（2016-2019年） | NA | NA | NA | NA |
| 50 | 2025-10-06 |
Spatially aware deep learning reveals tumor heterogeneity patterns that encode distinct kidney cancer states
2023-09-19, Cell reports. Medicine
DOI:10.1016/j.xcrm.2023.101189
PMID:37729872
|
研究论文 | 开发空间感知深度学习模型分析肾透明细胞癌的肿瘤异质性模式及其与免疫治疗反应的关系 | 首次通过空间感知深度学习识别出传统病理分析无法发现的肿瘤微异质性模式，并揭示其与PBRM1功能缺失和免疫检查点抑制剂反应的相关性 | 研究样本量有限（1,102例患者），且主要针对肾透明细胞癌，结果在其他癌症类型中的普适性有待验证 | 探索肾透明细胞癌中肿瘤-免疫联合状态与免疫检查点抑制剂治疗反应的关系 | 肾透明细胞癌患者（n=1,102）的全切片图像和多重免疫荧光图像 | 数字病理学 | 肾癌 | 全切片图像分析，多重免疫荧光 | 深度学习 | 病理图像 | 1,102例患者 | NA | 图神经网络 | NA | NA |
| 51 | 2025-10-06 |
T1dCteGui: A User-Friendly Clinical Trial Enrichment Tool to Optimize T1D Prevention Studies by Leveraging AI/ML Based Synthetic Patient Population
2023-09, Clinical pharmacology and therapeutics
DOI:10.1002/cpt.2976
PMID:37326252
|
研究论文 | 开发了一个用户友好的临床试验富集工具，利用基于AI/ML的合成患者群体优化1型糖尿病预防研究 | 首次开发了结合加速失效时间模型和深度学习生成模型的临床试验富集图形用户界面工具 | 工具基于合成患者数据，可能与真实患者数据存在差异 | 优化1型糖尿病预防临床试验的受试者富集策略 | 1型糖尿病高风险人群 | 数字病理 | 1型糖尿病 | 深度学习生成模型 | 生成模型 | 临床数据 | 来自多个观察性研究的患者水平数据 | NA | 加速失效时间模型 | NA | NA |
| 52 | 2025-10-06 |
Self-Supervised Contrastive Learning to Predict the Progression of Alzheimer's Disease with 3D Amyloid-PET
2023-Sep-28, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering10101141
PMID:37892871
|
研究论文 | 提出一种自监督对比学习方法SMoCo，基于3D淀粉样蛋白PET预测轻度认知障碍向阿尔茨海默病的转化 | 在预训练阶段同时利用标记和未标记数据，并结合标签信息生成针对下游分类任务的专用表示，不同于传统生成任务无关表示的自监督学习方法 | 仅使用ADNI数据集进行验证，需要更多外部数据集验证泛化能力 | 预测轻度认知障碍患者向阿尔茨海默病的转化进程 | 轻度认知障碍患者 | 计算机视觉 | 阿尔茨海默病 | 淀粉样蛋白PET成像 | 深度学习模型 | 3D医学图像 | ADNI数据集 | NA | SMoCo | AUROC, 准确率, 灵敏度, 特异性 | NA |
| 53 | 2025-10-06 |
The Swin-Transformer network based on focal loss is used to identify images of pathological subtypes of lung adenocarcinoma with high similarity and class imbalance
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04795-y
PMID:37097394
|
研究论文 | 提出基于Focal Loss的Swin-Transformer网络(FL-STNet)用于肺腺癌病理亚型分类 | 首次开发基于11分类的深度学习分类器，结合Focal Loss解决类别不平衡问题，融合Swin-Transformer模型优势 | NA | 改进肺腺癌病理分类的临床问题，提供辅助诊断 | 肺腺癌及其他肺部疾病亚型 | 数字病理 | 肺腺癌 | 全切片图像(WSI)组织病理学 | Transformer | 图像 | 360例确诊肺腺癌及其他肺部疾病患者样本 | NA | Swin-Transformer | 准确率,F1-score,AUC | NA |
| 54 | 2025-10-06 |
Deep learning-based methods for classification of microsatellite instability in endometrial cancer from HE-stained pathological images
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04838-4
PMID:37150803
|
研究论文 | 本研究开发了一种基于注意力机制的深度学习架构，用于从子宫内膜癌HE染色病理图像中分类微卫星不稳定性状态 | 提出结合注意力模块的新架构来提取病理图像特征，并采用词袋方法聚合预测概率获得切片级微卫星状态 | NA | 开发快速、低成本的微卫星不稳定性自动检测方法，替代传统劳动密集且昂贵的检测方式 | 子宫内膜癌患者的HE染色全切片图像 | 数字病理 | 子宫内膜癌 | HE染色 | 深度学习 | 图像 | 来自癌症基因组图谱子宫内膜癌队列的HE染色全切片图像 | NA | 基于注意力模块的架构 | AUC, 准确率, 灵敏度, F1分数 | NA |
| 55 | 2025-10-06 |
A novel staging system based on deep learning for overall survival in patients with esophageal squamous cell carcinoma
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04842-8
PMID:37154930
|
研究论文 | 开发基于深度学习的食管鳞癌患者总生存期预测模型及新型分期系统 | 提出基于深度学习模型风险评分的新型分期系统，相比传统列线图具有更好的预测性能 | 回顾性研究设计，数据来源于单一数据库 | 预测食管鳞癌患者总生存期并建立新型分期系统 | 食管鳞癌患者 | 机器学习 | 食管癌 | 深度学习 | DeepSurv | 临床数据 | 6020例食管鳞癌患者 | NA | DeepSurv | C-index, AUC, 校准曲线, 决策曲线分析 | NA |
| 56 | 2025-10-06 |
Segmentation and classification of brain tumors using fuzzy 3D highlighting and machine learning
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04754-7
PMID:37166578
|
研究论文 | 提出结合模糊3D高亮分割与机器学习的方法用于脑肿瘤的自动分割和分类 | 采用模糊3D高亮方法进行脑肿瘤分割，并结合两种优化算法（GOA-SVM和GA-DNN）进行肿瘤分类 | NA | 开发有效的脑肿瘤自动诊断方法 | 脑肿瘤MRI图像 | 医学影像分析 | 脑肿瘤 | MRI扫描 | SVM, DNN | 3D医学图像 | NA | MATLAB | GA-DNN, GOA-SVM | 敏感度, 准确率, 特异性, Youden指数 | NA |
| 57 | 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 |
| 58 | 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 |
| 59 | 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 |
| 60 | 2025-10-06 |
Decoding biological age from face photographs using deep learning
2023-Sep-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.09.12.23295132
PMID:37745558
|
研究论文 | 开发并验证了从面部照片估计生物年龄的深度学习系统FaceAge | 首次使用深度学习从面部照片客观量化生物年龄，并验证其在癌症预后和临终决策中的临床价值 | 研究主要基于癌症患者，在其他疾病中的适用性需要进一步验证 | 开发能够从面部照片估计生物年龄的深度学习系统，并评估其临床效用 | 健康人群和癌症患者的面部照片 | 计算机视觉 | 癌症 | 深度学习 | 深度学习模型 | 图像 | 58,851名健康个体和6,196名癌症患者 | NA | FaceAge | 生存分析，临床预测模型性能 | NA |