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 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 |
Electrophysiological brain imaging based on simulation-driven deep learning in the context of epilepsy
2024-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2023.120490
PMID:38103624
|
研究论文 | 提出一种基于仿真驱动深度学习的电生理源成像方法，用于癫痫背景下的脑源定位和电活动重建 | 结合仿真驱动深度学习，采用患者特异性头模型和神经质量模型生成训练数据，创新性地融合时序卷积网络和多尺度策略捕获空间特征，并利用LSTM提取时序依赖关系 | 仅在3名耐药性部分性癫痫患者的真实数据上验证，样本量有限 | 解决癫痫背景下脑电信号源成像的逆问题，精确定位癫痫脑区并重建其电活动 | 癫痫患者的脑电信号和脑源活动 | 医学影像分析 | 癫痫 | 高分辨率256通道头皮脑电图 | TCN, LSTM | 脑电信号 | 3名耐药性部分性癫痫患者的真实脑电数据，以及多种场景的仿真数据 | NA | 时序卷积网络，长短期记忆网络 | 偶极子定位误差，归一化汉明距离 | NA |
| 42 | 2025-10-06 |
Enhanced Partial Fourier MRI With Zero-Shot Deep Untrained Priors
2024, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2024.3508761
PMID:40766109
|
研究论文 | 提出一种基于零样本无监督深度学习的部分傅里叶重建新方法 | 将传统相位约束与零样本深度学习技术相结合，无需训练数据即可实现图像重建和先验学习 | 未明确说明方法在特定病理条件下的适用性限制 | 提升部分傅里叶磁共振成像的重建质量 | 磁共振图像 | 医学影像处理 | NA | 部分傅里叶磁共振成像 | 无训练生成先验网络 | 磁共振图像数据 | fastMRI数据集、QALAS多对比度数据集和低场数据集 | NA | 未训练人工神经网络 | NRMSE（归一化均方根误差） | NA |
| 43 | 2025-10-06 |
Deep learning in computed tomography to predict endotype in chronic rhinosinusitis with nasal polyps
2024-01-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01203-w
PMID:38267881
|
研究论文 | 本研究开发了一种基于鼻窦CT影像的深度学习模型，用于预测慢性鼻窦炎伴鼻息肉的内型分类 | 首次使用深度学习技术通过鼻窦CT影像无创预测CRSwNP的内型分类 | 回顾性研究设计，样本量相对有限（251例患者） | 构建深度学习模型预测慢性鼻窦炎伴鼻息肉的内型分类 | 慢性鼻窦炎伴鼻息肉患者 | 医学影像分析 | 慢性鼻窦炎 | 计算机断层扫描 | CNN | CT影像 | 251例患者，29,993张CT图像 | NA | ResNet-18 | AUC,准确率,Kappa分数,混淆矩阵,ROC曲线 | NA |
| 44 | 2025-10-06 |
Recognition of eye diseases based on deep neural networks for transfer learning and improved D-S evidence theory
2024-01-18, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-023-01176-2
PMID:38238662
|
研究论文 | 提出基于深度神经网络和改进D-S证据理论的融合模型，用于多种眼部疾病的识别 | 提出改进的D-S证据理论(ID-SET)消除模型决策偏差，并应用于眼部疾病识别模型的决策融合 | 未具体说明研究的眼部疾病种类和数量限制 | 提高眼部疾病识别的准确性和鲁棒性 | 眼部疾病 | 计算机视觉 | 眼部疾病 | 深度学习 | 深度神经网络 | 图像 | NA | NA | NA | 准确率,Kappa系数,F1分数,精确率,召回率,AUC | NA |
| 45 | 2025-10-06 |
Development of HepatIA: A computed tomography annotation platform and database for artificial intelligence training in hepatocellular carcinoma detection at a Brazilian tertiary teaching hospital
2024, Clinics (Sao Paulo, Brazil)
DOI:10.1016/j.clinsp.2024.100512
PMID:39388738
|
研究论文 | 开发用于肝细胞癌人工智能检测的CT标注平台和数据库HepatIA | 创建了巴西首个整合MONAI Label预标注分割模型的肝脏CT标注平台和数据库 | 数据来源单一（仅来自一家医院），样本量相对有限 | 支持肝脏疾病特别是肝细胞癌的人工智能研究 | 肝细胞癌患者和健康个体的腹部CT扫描数据 | 医学影像分析 | 肝细胞癌 | 计算机断层扫描（CT） | 深度学习分割模型 | CT医学影像 | 656名患者的692个CT扫描体积 | Django, Vue.js, MONAI | NA | NA | NA |
| 46 | 2025-10-06 |
Comparative study of the glistening between four intraocular lens models assessed by OCT and deep learning
2024-01-01, Journal of cataract and refractive surgery
IF:2.6Q1
DOI:10.1097/j.jcrs.0000000000001316
PMID:37702457
|
研究论文 | 本研究使用光学相干断层扫描和深度学习算法对四种不同类型人工晶状体的微泡现象进行量化评估和比较 | 开发了基于深度学习的原创量化算法，首次系统比较四种人工晶状体模型的微泡严重程度 | 横断面研究设计，样本量相对有限（325只眼睛） | 评估四种人工晶状体模型中微泡现象的存在和严重程度 | 人工晶状体植入患者的325只眼睛 | 医学影像分析 | 眼科疾病 | 光学相干断层扫描 | 深度学习 | OCT图像 | 325只眼睛（ReSTOR+3 SN6AD1: 41例，SN60WF: 110例，PanOptix TFNT: 128例，Vivity DFT015: 46例） | NA | NA | 组内相关系数（≥0.829） | NA |
| 47 | 2025-10-06 |
Deep Learning-based Assessment of Facial Asymmetry Using U-Net Deep Convolutional Neural Network Algorithm
2024 Jan-Feb 01, The Journal of craniofacial surgery
IF:1.0Q3
DOI:10.1097/SCS.0000000000009862
PMID:37973054
|
研究论文 | 本研究开发了一种基于深度卷积神经网络的计算机辅助诊断系统，用于评估后前位头颅X光片中的面部不对称性 | 首次将U-Net深度卷积神经网络算法应用于面部不对称性评估，实现了自动化的面部不对称诊断 | 样本量相对有限（1020例训练，25例测试），需要更大规模验证 | 评估基于深度学习的计算机辅助诊断系统在面部不对称检测中的诊断性能 | 接受正畸治疗的1020名患者的后前位头颅X光片 | 计算机视觉 | 面部不对称 | 后前位头颅X光成像 | CNN | 医学图像 | 1020例训练样本，25例测试样本 | NA | U-Net | 独立t检验，Bland-Altman图 | NA |
| 48 | 2025-10-06 |
Development of AI-Based Diagnostic Algorithm for Nasal Bone Fracture Using Deep Learning
2024 Jan-Feb 01, The Journal of craniofacial surgery
IF:1.0Q3
DOI:10.1097/SCS.0000000000009856
PMID:38294297
|
研究论文 | 开发基于深度学习的AI算法用于鼻骨骨折诊断 | 首次将深度学习技术应用于鼻骨骨折的CT影像诊断 | 初步研究阶段，样本量有限，特异性有待提升 | 开发鼻骨骨折的自动化诊断算法 | 面部骨骼CT影像 | 计算机视觉 | 鼻骨骨折 | CT成像 | 深度学习 | 医学影像 | 未明确具体样本数量 | NA | NA | 灵敏度, 特异度 | NA |
| 49 | 2025-10-06 |
Identifying primary tumor site of origin for liver metastases via a combination of handcrafted and deep learning features
2024-01, The journal of pathology. Clinical research
DOI:10.1002/cjp2.344
PMID:37822044
|
研究论文 | 本研究结合手工特征和深度学习特征识别肝转移瘤的原发部位 | 首次将手工病理形态特征与深度学习分类器相结合用于肝转移瘤原发部位识别，并开发了决策融合策略 | 样本量较小（114例患者），属于初步研究 | 开发计算机辅助方法识别肝转移瘤的原发部位 | 肝转移瘤患者组织切片 | 数字病理 | 肝转移瘤 | 全玻片图像分析 | 随机森林,深度学习网络 | 病理图像 | 114例患者，175张玻片 | NA | NA | AUC | NA |
| 50 | 2025-10-06 |
Chest CT Image based Lung Disease Classification - A Review
2024, Current medical imaging
IF:1.1Q3
|
综述 | 本文对基于胸部CT图像的肺部疾病分类方法进行了全面回顾与分析 | 提供了肺部疾病分类方法的系统性综述，特别关注机器学习技术的最新进展 | 作为综述文章，不包含原始实验数据或新模型开发 | 分析肺部疾病分类的现有方法，为研究人员构建更先进系统提供指导 | 肺部疾病分类的机器学习方法 | 计算机视觉 | 肺部疾病 | CT扫描 | 深度学习 | CT图像 | NA | NA | NA | NA | NA |
| 51 | 2025-10-06 |
Retracted: Deep Learning-Based Glaucoma Detection Using CNN and Digital Fundus Images: A Promising Approach for Precise Diagnosis
2024, Current medical imaging
IF:1.1Q3
|
撤稿声明 | 关于一篇基于深度学习的青光眼检测论文的撤稿说明 | NA | 原论文需要大幅修改以提高清晰度、连贯性和科学严谨性 | NA | NA | 计算机视觉 | 青光眼 | NA | CNN | 数字眼底图像 | NA | NA | NA | NA | NA |
| 52 | 2025-10-06 |
Motion-resolved 3D Pulmonary MRI Reconstruction using Sinusoidal Representation Networks
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于正弦表示网络的运动分辨3D肺部MRI重建方法 | 使用正弦表示网络学习配准映射，实现仅依赖欠采样数据的无监督学习重建 | 仅在十个数据集上进行了验证，样本量有限 | 开发自由呼吸状态下肺部MRI的深度学习重建方法 | 肺部MRI图像 | 医学影像处理 | 肺部疾病 | MRI | SIREN | 3D医学图像 | 十个数据集 | NA | 正弦表示网络 | 视觉比较,定量比较 | NA |
| 53 | 2025-10-06 |
An Evaluation Analysis for Computed Tomography Image Quality of Primary Liver Cancer Lesions Based on Deep Learning Image Reconstruction
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 基于深度学习图像重建技术评估原发性肝癌病灶的计算机断层扫描图像质量 | 首次将深度学习图像重建(DLIR)与滤波反投影(FBP)和自适应统计迭代重建-V(ASIR-V)在原发性肝癌动态增强CT成像质量方面进行系统比较 | 样本量较小(48例肝癌患者)，部分评价指标的Kappa值一致性一般 | 评估深度学习图像重建技术对原发性肝癌病灶动态增强CT成像质量的影响 | 48例肝癌患者的CT图像数据 | 计算机视觉 | 肝癌 | 多层螺旋CT、对比增强扫描、深度学习图像重建 | 深度学习重建模型 | CT医学图像 | 48例肝癌患者 | NA | NA | 图像噪声、信噪比(SNR)、对比信噪比(CNR)、Kappa一致性系数 | NA |
| 54 | 2025-10-06 |
Machine Learning in Magnetic Resonance Images of Glioblastoma: A Review
2024, Current medical imaging
IF:1.1Q3
|
综述 | 本文综述了机器学习在胶质母细胞瘤磁共振图像中的应用现状、成果与趋势 | 提出了基于机器学习的胶质母细胞瘤问题分类体系，涵盖肿瘤区域特征提取、鉴别诊断、表征分析和遗传学基础四大类别 | 机器学习方法的主要局限在于可解释性和泛化能力 | 识别可通过磁共振成像和机器学习技术解决的胶质母细胞瘤相关问题 | 胶质母细胞瘤磁共振图像及相关临床数据 | 医学影像分析 | 胶质母细胞瘤 | 磁共振成像 | 支持向量机,随机森林,卷积神经网络 | 医学影像 | 基于50篇最相关文献的分析 | NA | NA | 准确率 | NA |
| 55 | 2025-10-06 |
Automated Diagnosis of Bone Metastasis by Classifying Bone Scintigrams Using a Self-defined Deep Learning Model
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于自定义深度学习模型的骨扫描图像分类方法，用于自动诊断肺癌骨转移 | 设计了包含特征提取和特征分类子网络的自定义卷积神经网络，并采用膀胱区域排除的图像预处理策略 | 仅针对肺癌骨转移进行二分类，未验证对其他癌症类型骨转移的适用性 | 开发自动诊断骨转移的深度学习系统 | SPECT骨扫描图像 | 计算机视觉 | 肺癌 | SPECT骨显像 | CNN | 图像 | NA | NA | 自定义卷积神经网络 | 准确率,精确率,召回率,特异性,F1分数,AUC | NA |
| 56 | 2025-10-06 |
Computational Model for the Detection of Diabetic Retinopathy in 2-D Color Fundus Retina Scan
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于卷积神经网络的计算模型，用于从2D彩色眼底扫描中检测糖尿病视网膜病变 | 开发了专门用于糖尿病视网膜病变检测的DRCNN模型，结合VGG-16架构和自适应矩估计优化器 | NA | 利用2D彩色眼底视网膜扫描确定个体是否患有糖尿病视网膜病变 | 糖尿病视网膜病变患者的眼底扫描图像 | 计算机视觉 | 糖尿病视网膜病变 | 眼底扫描 | CNN | 图像 | NA | NA | VGG-16, DRCNN | 准确率 | NA |
| 57 | 2025-10-06 |
Research Progress in Tumor Diagnosis Based on Raman Spectroscopy
2024, Current medical imaging
IF:1.1Q3
|
综述 | 本文综述了拉曼光谱在肿瘤诊断中的应用研究进展 | 探讨了深度学习与拉曼光谱结合在肿瘤诊断中的优势 | 指出了基于拉曼光谱的肿瘤诊断方法存在的相关问题 | 介绍拉曼光谱在肿瘤检测中的应用 | 人体不同部位的肿瘤 | 医学光谱分析 | 癌症 | 拉曼光谱技术 | 深度学习 | 光谱数据 | NA | NA | NA | NA | NA |
| 58 | 2025-10-06 |
Application Exploration of Medical Image-aided Diagnosis of Breast Tumour Based on Deep Learning
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究探索基于深度学习的医学图像辅助诊断在乳腺肿瘤诊断中的应用 | 结合二维CNN训练模式构建三维CNN模型，并建立诊断结果评估指标 | NA | 研究医学图像辅助诊断在乳腺肿瘤诊断中的应用 | 乳腺肿瘤患者的医学图像数据 | 计算机视觉 | 乳腺肿瘤 | 磁共振成像(MRI) | CNN | 医学图像 | NA | NA | 3D CNN | 准确率 | NA |
| 59 | 2025-10-06 |
Advancements and Applications of Artificial Intelligence in Pharmaceutical Sciences: A Comprehensive Review
2024 Jan-Dec, Iranian journal of pharmaceutical research : IJPR
IF:1.8Q3
DOI:10.5812/ijpr-150510
PMID:39895671
|
综述 | 本文全面回顾了人工智能在药物科学领域的进展与应用 | 系统整合了AI在药物科学多个子领域的最新应用，包括药物化学、药剂学、药理学与毒理学等 | 作为综述文章，未涉及原始实验数据验证 | 阐明人工智能在药物科学各领域的实际应用和潜力 | 药物发现、开发过程和个性化患者护理 | 机器学习 | NA | 机器学习，深度学习，自然语言处理，机器人自动化 | NA | NA | NA | NA | NA | NA | NA |
| 60 | 2025-07-23 |
End-to-end deep learning method for predicting hormonal treatment response in women with atypical endometrial hyperplasia or endometrial cancer
2024-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.1.017502
PMID:38370423
|
研究论文 | 本研究开发了一种端到端的深度学习方法，用于预测非典型子宫内膜增生或子宫内膜癌患者对激素治疗的反应 | 首次将混合监督的深度学习模型应用于全切片图像，以预测激素治疗反应 | 样本量较小（112例患者），且仅来自两个临床中心 | 探索利用深度学习模型预测子宫内膜疾病患者对激素治疗反应的可行性 | 非典型子宫内膜增生（AEH）或子宫内膜癌（EC）患者 | 数字病理学 | 子宫内膜癌 | 全切片图像（WSI）分析 | Autoencoder或ResNet50 | 图像 | 112例患者 | NA | NA | NA | NA |