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 1879 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 | 2025-10-16 |
Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images
2024, Npj imaging
DOI:10.1038/s44303-024-00021-7
PMID:38948152
|
研究论文 | 提出基于深度学习的虚拟H&E染色方法，可从无标记荧光寿命图像生成临床级虚拟染色图像 | 首次将荧光寿命信息作为额外维度整合到深度学习模型中，实现从无标记FLIM图像到虚拟H&E染色图像的准确重建 | 未明确说明模型在跨癌症类型应用时的泛化能力评估 | 开发无需生物标志物的组织病理学分析方法，实现FLIM图像的即时准确解读 | 肿瘤微环境中的七种常见细胞类型 | 数字病理学 | 多癌种 | 荧光寿命成像显微镜(FLIM) | 深度学习 | 无标记荧光寿命图像，强度图像 | NA | NA | NA | 图像质量指标 | NA |
| 22 | 2025-10-05 |
Improved robustness for deep learning-based segmentation of multi-center myocardial perfusion cardiovascular MRI datasets using data-adaptive uncertainty-guided space-time analysis
2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101082
PMID:39142567
|
研究论文 | 提出一种数据自适应不确定性引导时空分析方法，用于提高多中心心肌灌注心血管MRI数据集分割的鲁棒性 | 利用空间-时间滑动补丁分析自动生成像素级不确定性图，并通过DNN池选择最优分割方案 | 训练数据有限，仅包含三个医疗中心的150名受试者数据 | 开发能够分析多中心数据集的深度学习技术，克服训练数据有限和软硬件差异的挑战 | 心肌灌注心血管磁共振成像数据集 | 医学影像分析 | 心血管疾病 | 心血管磁共振成像 | 深度神经网络 | 医学影像 | 150名受试者（21,150张首过图像），包含内部数据集（95名）和外部数据集（55名） | NA | 时空U-Net | Dice系数 | NA |
| 23 | 2025-10-05 |
Accelerated chemical shift encoded cardiovascular magnetic resonance imaging with use of a resolution enhancement network
2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101090
PMID:39243889
|
研究论文 | 开发基于深度学习的快速化学位移编码技术，用于加速心血管磁共振成像 | 提出基于超分辨率生成对抗网络的FastCSE方法，首次将复杂值图像锐化增强应用于化学位移编码心血管成像 | 研究样本量有限，前瞻性研究仅包含21名参与者 | 开发加速心血管磁共振化学位移编码成像的深度学习技术 | 心肌脂肪成像 | 医学影像分析 | 心血管疾病 | 化学位移编码磁共振成像，两点Dixon重建 | GAN | 磁共振图像 | 训练集1519名患者，前瞻性研究21名参与者（16名患者+5名健康人） | NA | 超分辨率生成对抗网络 | 模糊度量指标，方差分析 | NA |
| 24 | 2025-10-06 |
PseudoCell: Hard Negative Mining as Pseudo Labeling for Deep Learning-Based Centroblast Cell Detection
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3407351
PMID:39050971
|
研究论文 | 提出一种名为PseudoCell的目标检测框架，用于在数字病理全切片图像中自动检测中心母细胞 | 通过将困难负样本挖掘作为伪标记策略，减少对病理学家精细标注的依赖 | 未明确说明模型在多样化数据集上的泛化能力 | 开发自动化的中心母细胞检测方法以辅助滤泡性淋巴瘤分级 | 数字病理全切片图像中的中心母细胞 | 数字病理 | 滤泡性淋巴瘤 | 深度学习，细胞形态特征分析 | 目标检测模型 | 全切片图像 | NA | NA | NA | 组织区域排除率(58.18-99.35%) | NA |
| 25 | 2025-10-06 |
UKSSL: Underlying Knowledge Based Semi-Supervised Learning for Medical Image Classification
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3305190
PMID:38899016
|
研究论文 | 提出一种基于底层知识的半监督学习框架UKSSL，用于医学图像分类 | 通过MedCLR从未标记数据中提取特征表示，结合UKMLP利用有限标记数据进行微调，在仅使用50%标记数据的情况下性能优于完全监督方法 | NA | 解决医学图像分析中标记数据稀缺的问题，提高有限标记数据下的分类性能 | 医学图像分类 | 计算机视觉 | 肺癌 | 深度学习 | 半监督学习 | 医学图像 | LC25000和BCCD数据集，使用50%标记数据 | NA | MedCLR, UKMLP | 准确率, 精确率, 召回率, F1分数 | NA |
| 26 | 2025-10-06 |
Simultaneous EEG-fNIRS Data Classification Through Selective Channel Representation and Spectrogram Imaging
2024, IEEE journal of translational engineering in health and medicine
IF:3.7Q2
DOI:10.1109/JTEHM.2024.3448457
PMID:39247844
|
研究论文 | 提出一种多模态DenseNet融合模型，通过将EEG数据转换为二维图像并与fNIRS特征融合，提升脑机接口中EEG-fNIRS数据的分类性能 | 通过短时傅里叶变换将EEG数据转换为二维图像，结合选择性通道表示和频谱图成像技术，有效整合EEG的时间丰富性和fNIRS的空间特异性 | NA | 解决EEG-fNIRS数据融合中特征选择效率低的问题，提升脑机接口的分类准确性和多功能性 | 脑电图（EEG）和功能性近红外光谱（fNIRS）数据 | 脑机接口 | 神经诊断与康复 | 短时傅里叶变换，频谱熵特征提取 | 深度学习 | EEG信号，fNIRS信号，二维图像 | 两个公共数据集 | NA | 多模态DenseNet融合模型（MDNF） | 分类准确率 | NA |
| 27 | 2025-10-06 |
Deep Learning and fMRI-Based Pipeline for Optimization of Deep Brain Stimulation During Parkinson's Disease Treatment: Toward Rapid Semi-Automated Stimulation Optimization
2024, IEEE journal of translational engineering in health and medicine
IF:3.7Q2
DOI:10.1109/JTEHM.2024.3448392
PMID:39247846
|
研究论文 | 提出一种基于深度学习和fMRI的深度脑刺激优化流程，用于帕金森病治疗 | 将深度脑刺激优化时间从约1年缩短至数小时，实现快速半自动化参数优化 | 研究基于39名先前临床优化的患者数据，样本量有限 | 优化帕金森病治疗中的深度脑刺激参数设置 | 39名接受深度脑刺激治疗的帕金森病患者 | 医学影像分析 | 帕金森病 | fMRI，血氧水平依赖功能磁共振成像 | 自编码器，多层感知机 | fMRI影像数据 | 122个fMRI数据集，来自39名患者 | NA | 自编码器，多层感知机 | 准确率，精确率，召回率，F1分数，AUC | NA |
| 28 | 2025-10-06 |
Masked Modeling-Based Ultrasound Image Classification via Self-Supervised Learning
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3374966
PMID:38606402
|
研究论文 | 提出一种基于掩码建模的自监督学习方法用于超声图像分类 | 设计了三种掩码策略（随机、垂直、水平掩码）的预训练方法，并提出新的困难样本挖掘策略 | 未提及方法在更大规模数据集上的泛化能力 | 解决超声图像分类中标注数据稀缺和困难样本问题 | 超声图像数据 | 计算机视觉 | NA | 自监督学习 | 深度学习 | 图像 | 在两个数据集上进行实验 | NA | 掩码建模 | 分类性能 | NA |
| 29 | 2025-10-06 |
The global research of magnetic resonance imaging in Alzheimer's disease: a bibliometric analysis from 2004 to 2023
2024, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2024.1510522
PMID:39882364
|
文献计量分析 | 通过文献计量学方法分析2004-2023年间阿尔茨海默病磁共振成像研究的全球发展趋势和研究热点 | 首次对AD领域MRI研究进行长达20年的文献计量分析，识别出深度学习等新兴研究热点 | 仅基于Web of Science数据库，可能遗漏其他数据库的相关文献 | 总结AD领域MRI研究的现状并预测未来研究方向 | 2004-2023年间WoSCC数据库中13,659篇AD-MRI相关研究文献 | 医学影像分析 | 阿尔茨海默病 | 磁共振成像(MRI), 文献计量分析 | NA | 文献元数据 | 13,659篇研究文章 | CiteSpace, VOSviewer | NA | NA | NA |
| 30 | 2025-09-12 |
Toward a deep learning-based magnetic resonance imaging only workflow for postimplant dosimetry in I-125 seed brachytherapy for prostate cancer
2024 Jan-Feb, Brachytherapy
IF:1.7Q3
DOI:10.1016/j.brachy.2023.09.009
PMID:38008648
|
研究论文 | 本研究开发了一种基于深度学习的MRI-only工作流，用于前列腺癌I-125粒子植入后剂量计算，旨在替代当前CT标准方法 | 首次结合深度学习与定量磁敏感图（QSM）和DIXON序列，实现MRI自动粒子分割，避免CT额外辐射并提升软组织对比度 | 研究样本量较小（20例患者），且仅使用1.5T MRI设备，未验证更高场强或更多样人群的适用性 | 建立无需CT的MRI-only工作流，提高前列腺癌粒子治疗后剂量计算的准确性和安全性 | 接受I-125粒子植入治疗的前列腺癌患者 | 数字病理 | 前列腺癌 | MRI（DIXON序列、3D梯度回波序列）、深度学习QSM生成 | 3D nnU-net | 医学影像（MRI、CT） | 20例患者 | NA | NA | NA | NA |
| 31 | 2025-10-06 |
Adversarial Information Bottleneck
2024-Jan, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2022.3172986
PMID:35594234
|
研究论文 | 提出一种对抗性信息瓶颈方法，通过解决最小-最大优化问题学习更具不变性的表示并减轻对抗性扰动 | 无需对表示的基础分布进行显式假设，通过对抗训练优化信息瓶颈原理，在对抗鲁棒性方面优于现有方法 | NA | 优化信息瓶颈原理以提高模型鲁棒性，研究压缩与预测之间的权衡关系 | 信息瓶颈方法在对抗扰动下的表现 | 机器学习 | NA | 对抗训练 | 信息瓶颈模型 | 合成数据集和真实世界数据集 | NA | NA | 对抗信息瓶颈(AIB) | 对抗鲁棒性，IB曲线分析 | NA |
| 32 | 2025-10-06 |
Clinical utility of a rapid two-dimensional balanced steady-state free precession sequence with deep learning reconstruction
2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101069
PMID:39079600
|
研究论文 | 本研究评估了采用深度学习重建的加速二维心脏磁共振电影序列在缩短采集时间同时保持定量容积测量和图像质量的临床效用 | 首次将深度学习重建技术(Sonic DL)应用于二维平衡稳态自由进动序列，实现了37%的采集时间减少且不影响诊断质量 | 左心室质量和纵向应变测量存在轻微高估(质量高估3.36 g/m²，纵向应变高估1.97%) | 评估深度学习重建加速技术在心脏磁共振电影成像中的临床实用性 | 124名参与者(16名预研究+108名前瞻性研究) | 医学影像分析 | 心血管疾病 | 心血管磁共振(CMR)，二维平衡稳态自由进动序列 | 深度学习 | 医学影像 | 124名参与者 | NA | Sonic DL | Bland-Altman分析，Pearson相关系数，配对t检验，Wilcoxon符号秩检验 | NA |
| 33 | 2025-10-06 |
Impact of training data composition on the generalizability of convolutional neural network aortic cross-section segmentation in four-dimensional magnetic resonance flow imaging
2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101081
PMID:39127260
|
研究论文 | 研究训练数据组成对四维磁共振血流成像中主动脉横截面分割卷积神经网络泛化能力的影响 | 首次系统分析训练数据中病理特征、技术因素等组成对4D flow CMR分割模型泛化性能的影响 | 研究样本量有限（260个数据集），未涵盖所有可能的病理类型和技术变体 | 开发自动分割模型并分析训练数据组成对模型跨中心、扫描仪厂商、序列和病理泛化能力的影响 | 260个4D flow CMR数据集，包括无主动脉病理受试者、健康志愿者和二叶式主动脉瓣患者 | 医学影像分析 | 心血管疾病 | 四维心血管磁共振血流成像 | CNN | 医学影像 | 260个4D flow CMR数据集 | NA | 增强型三维U-net with residual units | Dice score, Hausdorff distance, average symmetric surface distance, Bland-Altman分析, interclass correlation | NA |
| 34 | 2025-10-06 |
Automated biventricular quantification in patients with repaired tetralogy of Fallot using a three-dimensional deep learning segmentation model
2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2024.101092
PMID:39270800
|
研究论文 | 开发用于法洛四联症修复患者双心室自动分割的三维深度学习模型 | 首个专门针对先天性心脏病（法洛四联症）患者的三维深度学习分割模型，能够处理训练图像中缺失标签的问题 | 模型主要针对法洛四联症修复患者，在其他先天性心脏病中的泛化能力有待验证 | 开发专门用于法洛四联症修复患者左心室和右心室量化分析的自动分割模型 | 法洛四联症修复患者的心脏磁共振图像 | 医学图像分析 | 先天性心脏病 | 心血管磁共振成像 | CNN | 三维短轴心脏磁共振图像 | 训练集：196例（100例正常或获得性心脏病，96例法洛四联症）；测试集：36例法洛四联症 | NA | 三维卷积神经网络 | Dice相似系数, 平均绝对误差, Wilcoxon符号秩检验 | NA |
| 35 | 2025-10-06 |
LST-AI: A deep learning ensemble for accurate MS lesion segmentation
2024, NeuroImage. Clinical
DOI:10.1016/j.nicl.2024.103611
PMID:38703470
|
研究论文 | 提出了一种基于深度学习集成方法的LST-AI工具，用于精确分割多发性硬化症脑白质病变 | 开发了包含三个3D U-Net的集成模型，采用复合损失函数解决病变与非病变区域不平衡问题，并包含病变位置标注功能 | 训练数据仅来自单一机构的3T MRI扫描仪，样本多样性可能有限 | 开发精确的脑白质病变自动分割工具，支持多发性硬化症的临床评估和科学研究 | 多发性硬化症患者的脑部MRI图像中的白质病变 | 医学影像分析 | 多发性硬化症 | 3T MRI扫描，T1加权和FLAIR成像 | 深度学习集成模型 | 3D医学影像 | 491对T1加权和FLAIR图像用于训练，103个测试案例 | NA | 3D U-Net | Dice系数，F1分数，病变检测率 | NA |
| 36 | 2025-10-06 |
Geodesic shape regression based deep learning segmentation for assessing longitudinal hippocampal atrophy in dementia progression
2024, NeuroImage. Clinical
DOI:10.1016/j.nicl.2024.103623
PMID:38821013
|
研究论文 | 提出一种基于测地线形状回归的深度学习分割方法GeoLongSeg，用于评估痴呆症进展中的纵向海马体萎缩 | 将测地线形状回归整合到两阶段分割网络中，通过增强个体内形态一致性来减少与疾病无关的纵向变异 | 未明确说明方法在其他类型脑部疾病或不同MRI设备上的泛化能力 | 准确分割纵向海马体形态以评估痴呆症进展 | 阿尔茨海默病神经影像倡议(ADNI)的纵向数据中的海马体 | 医学图像分析 | 痴呆症 | 3T T1加权MRI | 深度学习 | 纵向3D MRI图像 | ADNI数据库中的纵向数据 | NA | 3D U-Net | 重测信度, 方差比, 萎缩轨迹, 判别能力 | NA |
| 37 | 2025-10-06 |
Cortical thickness and grey-matter volume anomaly detection in individual MRI scans: Comparison of two methods
2024, NeuroImage. Clinical
DOI:10.1016/j.nicl.2024.103624
PMID:38823248
|
研究论文 | 比较两种脑MRI形态测量方法在个体扫描中检测皮质厚度和灰质体积异常的性能 | 首次系统比较开源工具ScanOMetrics在FreeSurfer和深度学习工具DL+DiReCT两种脑形态测量方法上的异常检测性能 | 仅使用公开OASIS3数据集，临床评估仍处于早期阶段 | 开发高效的脑MRI异常检测方法以支持神经放射学诊断决策 | 阿尔茨海默病患者和健康对照者的脑MRI扫描 | 医学影像分析 | 阿尔茨海默病 | 脑MRI形态测量分析 | 深度学习 | 脑MRI图像 | OASIS3公共数据集中的阿尔茨海默病患者和健康对照者 | NA | DL+DiReCT | 异常检测准确性, 计算效率 | NA |
| 38 | 2025-10-06 |
Self-supervised multimodal learning for group inferences from MRI data: Discovering disorder-relevant brain regions and multimodal links
2024-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2023.120485
PMID:38110045
|
研究论文 | 提出一种自监督多模态学习框架，从多模态神经影像数据中提取表征以增强群体推断并发现与脑部疾病相关的脑区及多模态关联 | 将Deep InfoMax（DIM）自监督方法扩展到多模态神经影像数据，无需预训练标签即可识别疾病相关脑区和探索多模态链接 | 未明确说明样本量的具体数值和多样性限制 | 开发无需标签数据的自监督多模态学习框架，用于脑部疾病预测和脑区发现 | 多模态神经影像数据（MRI）和阿尔茨海默症表型谱系 | 医学影像分析 | 阿尔茨海默症 | MRI神经影像技术 | 自监督学习 | 多模态神经影像数据 | NA | Deep InfoMax（DIM） | DIM | 分类性能，联合信息捕获能力，可解释性 | 无解码器策略节省计算资源 |
| 39 | 2025-10-06 |
Accuracy of TrUE-Net in comparison to established white matter hyperintensity segmentation methods: An independent validation study
2024-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2023.120494
PMID:38086495
|
研究论文 | 本研究对TrUE-Net与六种已建立的白质高信号分割方法进行了独立验证比较 | 首次对新型深度学习模型TrUE-Net进行严格的独立验证，并在全局和区域水平评估其检测WMH负担与年龄关系的能力 | 使用半手动分割作为参考标准可能存在一定主观性 | 验证TrUE-Net在白质高信号自动分割中的准确性和可靠性 | 白质高信号区域 | 医学影像分析 | 老年疾病 | 深度学习分割 | 深度学习模型 | 医学影像数据 | NA | NA | TrUE-Net | 假阳性率 | NA |
| 40 | 2025-10-06 |
BASE: Brain Age Standardized Evaluation
2024-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2023.120469
PMID:38065279
|
研究论文 | 提出脑年龄标准化评估框架(BASE)，用于标准化评估基于深度学习的脑年龄预测模型 | 首次提出包含标准化数据集、评估协议和统计框架的脑年龄预测综合评估体系 | 仅针对T1加权磁共振图像数据，未涵盖其他脑影像模态 | 解决脑年龄预测研究中数据集、评估方法和指标不一致导致的比较困难问题 | 脑年龄预测模型 | 医学影像分析 | 脑部疾病 | T1加权磁共振成像(T1w MRI) | 深度学习神经网络 | 磁共振图像 | 包含多中心、新未见站点、重测和纵向数据的标准化T1w MRI数据集 | NA | NA | 准确性、鲁棒性、可重复性、一致性 | NA |