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 1869 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 |
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 |
| 42 | 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 |
| 43 | 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 |
| 44 | 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 |
| 45 | 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 |
| 46 | 2025-10-06 |
A population-level digital histologic biomarker for enhanced prognosis of invasive breast cancer
2024-Jan, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-023-02643-7
PMID:38012314
|
研究论文 | 开发了一种基于数字病理的预后生物标志物HiPS，用于提高浸润性乳腺癌的预后预测能力 | 首次提出综合量化肿瘤微环境中上皮、间质、免疫和空间相互作用特征的深度学习模型，超越了传统诺丁汉标准的定性评估 | NA | 开发能够改善乳腺癌预后评估的数字组织学生物标志物 | 浸润性乳腺癌患者 | 数字病理 | 乳腺癌 | 深度学习 | 深度学习 | 组织病理图像 | 基于癌症预防研究-II的人群水平队列开发，并在三个独立队列中验证（包括前列腺、肺、结直肠和卵巢癌试验，癌症预防研究-3，癌症基因组图谱） | NA | NA | 生存结果预测准确性 | NA |
| 47 | 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 |
| 48 | 2025-10-06 |
Survival Analysis for Multimode Ablation Using Self-Adapted Deep Learning Network Based on Multisource Features
2024-01, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3260776
PMID:37015120
|
研究论文 | 开发了一种基于多源特征的自适应深度学习网络，用于肝癌多模式消融治疗后的生存分析预测 | 提出结合MRI影像组学特征、视觉Transformer深度学习特征和免疫特征的多源特征融合方法，并改进了深度Cox混合模型和自适应全连接层 | 方法仅在单一临床数据集上验证，需要更大规模的多中心研究确认泛化能力 | 开发生存分析框架用于肝癌消融治疗后的生存预测和疗效评估 | 接受多模式热疗（冷冻后射频加热）的肝癌患者 | 医学影像分析 | 肝癌 | MRI影像组学、流式细胞术、常规血液检测 | 深度Cox混合模型、随机生存森林 | 医学影像、血液检测数据 | 临床数据集（具体样本数未明确说明） | NA | 视觉Transformer、自适应全连接层 | C-index、综合Brier评分 | NA |
| 49 | 2025-10-06 |
Deep learning-based diagnosis of aortic dissection using an electrocardiogram: Development, validation, and clinical implications of the AADE score
2024, Kardiologia polska
IF:3.7Q1
DOI:10.33963/v.phj.98880
PMID:38230465
|
研究论文 | 开发基于心电图和深度学习技术的主动脉夹层诊断模型及AADE评分系统 | 首次将卷积神经网络应用于心电图分析以实现主动脉夹层的自动检测，并创新性地提出AI衍生的AADE评分系统 | 研究样本量相对有限（共1878例患者），需要更大规模的多中心验证 | 开发基于心电图的深度学习AI模型用于主动脉夹层检测和严重程度评估 | 主动脉夹层患者和胸痛对照患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | CNN | 心电图信号 | 1878例患者（313例主动脉夹层，313例胸痛对照，其余为训练验证集） | NA | 卷积神经网络 | 准确率,F1分数 | NA |
| 50 | 2025-10-06 |
Using Artificial Intelligence for Rheumatic Heart Disease Detection by Echocardiography: Focus on Mitral Regurgitation
2024-Jan-16, Journal of the American Heart Association
IF:5.0Q1
DOI:10.1161/JAHA.123.031257
PMID:38226515
|
研究论文 | 本研究开发了一种基于人工智能的自动化方法，通过超声心动图检测儿童风湿性心脏病，特别关注二尖瓣反流分析 | 首次将卷积神经网络与注意力机制相结合，用于超声心动图中二尖瓣反流射流分析和风湿性心脏病检测 | 研究样本量有限（511例），需要更多数据验证模型性能 | 开发自动化人工智能系统用于儿童风湿性心脏病的早期筛查 | 儿童超声心动图，特别关注二尖瓣区域 | 计算机视觉 | 风湿性心脏病 | 超声心动图 | CNN, 深度学习 | 图像 | 511例儿童超声心动图（229例正常，282例风湿性心脏病） | NA | 带有注意力机制的深度学习模型 | 准确率,Dice系数,ROC曲线下面积,精确率,召回率,F1分数 | NA |
| 51 | 2025-10-06 |
Alzheimer's Disease Prediction Using Fly-Optimized Densely Connected Convolution Neural Networks Based on MRI Images
2024, The journal of prevention of Alzheimer's disease..
DOI:10.14283/jpad.2024.66
PMID:39044523
|
研究论文 | 提出一种基于果蝇算法优化的密集连接卷积神经网络，用于从MRI图像中预测阿尔茨海默病 | 结合果蝇优化算法与密集连接卷积神经网络，采用自适应直方图处理和加权中值滤波进行图像预处理，通过相关信息理论提取纹理和统计特征 | 仅使用Kaggle数据集进行验证，未提及在其他数据集上的泛化能力 | 开发自动化的阿尔茨海默病检测方法，提高早期诊断准确率 | 阿尔茨海默病影响的脑部区域 | 计算机视觉 | 阿尔茨海默病 | MRI成像 | CNN | 图像 | NA | NA | 密集连接卷积神经网络 | 敏感度, 特异度, 准确率, 错误率, F-measure | NA |
| 52 | 2025-10-06 |
ADVANCING THE UNDERSTANDING OF CLINICAL SEPSIS USING GENE EXPRESSION-DRIVEN MACHINE LEARNING TO IMPROVE PATIENT OUTCOMES
2024-01-01, Shock (Augusta, Ga.)
DOI:10.1097/SHK.0000000000002227
PMID:37752080
|
研究论文 | 本研究探索利用基因表达数据驱动的机器学习技术来改善脓毒症患者的临床预后 | 整合临床数据与基因表达信息，应用神经网络、深度学习和集成方法等机器学习技术来预测和理解脓毒症 | 模型可解释性存在挑战，可能存在数据偏差 | 通过机器学习技术改善脓毒症患者预后，推进精准医疗方法 | 脓毒症患者及其基因表达数据 | 机器学习 | 脓毒症 | 基因表达分析 | 神经网络,深度学习,集成方法 | 基因表达数据,临床数据 | NA | NA | NA | 预测准确性 | NA |
| 53 | 2025-10-06 |
Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study
2024-01, The Lancet. Digital health
DOI:10.1016/S2589-7500(23)00220-0
PMID:38065778
|
研究论文 | 开发并验证一种基于心电图深度学习的模型，用于预测患者术后死亡率 | 首次利用深度学习分析心电图波形信号来预测术后死亡率，相比传统Revised Cardiac Risk Index评分系统具有显著更好的预测性能 | 研究数据来源于特定医疗中心，需要在更广泛人群中进一步验证 | 开发能够准确预测接受医疗程序患者术后死亡率的预后模型 | 接受术前心电图检查的患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | 深度学习算法 | 心电图波形图像 | 45,969名患者，包含59,975次住院程序和112,794份心电图 | NA | NA | AUC, 95%置信区间, 未调整优势比 | NA |
| 54 | 2025-10-06 |
An interpretable deep learning framework identifies proteomic drivers of Alzheimer's disease
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1379984
PMID:39355118
|
研究论文 | 开发了一种可解释的深度学习框架EnsembleOmicsAE，用于识别阿尔茨海默病的蛋白质组学驱动因素 | 使用集成自编码器将蛋白质组数据降维为少量潜在特征，并开发了基于迭代扰动的特征重要性评分算法，识别出线性方法遗漏的AD分子驱动因素 | 研究基于三个队列的559名个体，样本量相对有限，且主要关注蛋白质组层面 | 识别阿尔茨海默病的蛋白质组学驱动因素并建立可解释的深度学习框架 | 559名健康或阿尔茨海默病诊断个体的脑蛋白质组数据 | 机器学习 | 阿尔茨海默病 | 蛋白质组学 | 自编码器 | 蛋白质组数据 | 来自三个AD队列的559名个体 | NA | 集成自编码器 | 特征稳定性，蛋白质-蛋白质相互作用富集分析 | NA |
| 55 | 2025-10-06 |
Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods
2024-Jan, BJR open
DOI:10.1093/bjro/tzae039
PMID:39583148
|
综述 | 本文为临床医生提供放射肿瘤学中人工智能研究与开发的实用指南 | 从临床医生视角系统阐述AI在放射肿瘤学中的应用流程与评估方法 | 主要面向临床医生视角，未涉及具体技术细节和算法实现 | 提升临床医生对AI在放射肿瘤学中开发与应用的理解 | 放射肿瘤学临床医生和AI研究人员 | 医疗人工智能 | 肿瘤疾病 | 深度学习 | NA | 医学影像, 临床数据 | NA | NA | NA | NA | NA |
| 56 | 2025-10-06 |
Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida
2024, Genetics in medicine open
DOI:10.1016/j.gimo.2024.101894
PMID:39669613
|
研究论文 | 通过整合计算方法识别导致脊柱裂的调控基因组元件 | 采用无偏倚的全基因组方法结合深度学习优先排序框架，首次系统鉴定脊柱裂相关的罕见调控变异及其靶基因 | 研究主要依赖计算预测，需要后续实验验证调控变异的生物学功能 | 阐明脊柱裂病理生理学的全基因组调控特征 | 脊柱裂患者与健康对照的基因组调控区域 | 计算生物学 | 脊柱裂 | 全基因组测序，深度学习优先排序 | 深度学习 | 基因组序列数据，调控元件数据 | 脊柱裂患者与健康对照组（具体样本数量未明确说明） | 深度学习优先排序框架 | NA | NA | NA |
| 57 | 2025-07-22 |
Radiologic imaging biomarkers in triple-negative breast cancer: a literature review about the role of artificial intelligence and the way forward
2024-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubae016
PMID:40201726
|
review | 本文综述了人工智能在放射影像学中作为三阴性乳腺癌（TNBC）成像生物标志物的应用现状与未来发展 | 整合了过去十年（2013-2024）基于放射组学和深度学习的AI技术在TNBC诊疗中的最新进展，并探讨了未来发展方向 | 作为综述文章，未涉及原始数据或实验验证 | 开发更有效和个性化的TNBC影像生物标志物，推进TNBC的诊断、治疗和预后评估 | 三阴性乳腺癌（TNBC）的放射影像数据 | digital pathology | breast cancer | radiomics, deep learning | deep learning-based models | radiologic breast images | NA | NA | NA | NA | NA |
| 58 | 2025-10-06 |
Computational staining of CD3/CD20 positive lymphocytes in human tissues with experimental confirmation in a genetically engineered mouse model
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1451261
PMID:39530103
|
研究论文 | 提出一种知识引导的深度学习框架，用于在人类H&E组织上测量淋巴细胞空间结构，并通过基因工程小鼠模型进行实验验证 | 通过单细胞分辨率图像配准实现H&E到IHC的像素级完美标注，并整合计算科学与基础科学进行实验验证 | 模型在外部测试数据集上的AUC为0.71，性能有待进一步提升 | 量化淋巴细胞空间炎症结构，促进空间系统生物学研究 | 人类H&E组织样本和基因工程Rag2小鼠模型 | 数字病理学 | 癌症 | H&E染色，IHC染色，单细胞分辨率图像配准 | 深度学习 | 组织图像 | 超过111,000个人类细胞核（45,611个CD3/CD20阳性淋巴细胞） | NA | NA | AUC, 结构相似性 | NA |
| 59 | 2025-10-06 |
Brain Age Estimation from Overnight Sleep Electroencephalography with Multi-Flow Sequence Learning
2024, Nature and science of sleep
IF:3.0Q2
DOI:10.2147/NSS.S463495
PMID:38974693
|
研究论文 | 本研究开发了一种基于整夜睡眠脑电图的多流程深度学习模型，用于提高大脑年龄估计的准确性 | 提出多流程学习框架，结合一维Swin Transformer和带注意力机制的卷积神经网络，并设计DecadeCE损失函数解决年龄分布不均问题 | NA | 改进大脑年龄估计方法，开发更准确的脑龄预测模型 | 整夜睡眠脑电图数据 | 机器学习 | 精神疾病,神经系统疾病 | 脑电图,多导睡眠图 | Transformer,CNN | 脑电图信号 | 13,616名受试者的18,767个多导睡眠图 | NA | 一维Swin Transformer,带注意力机制的卷积神经网络 | 平均绝对误差,相关系数 | NA |
| 60 | 2025-10-06 |
Deep learning uncertainty quantification for clinical text classification
2024-01, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2023.104576
PMID:38101690
|
研究论文 | 本研究开发了基于深度学习的临床文本分类不确定性量化方法，用于自动化提取癌症登记系统中的疾病信息 | 提出了多种选择性分类方法，在保证目标准确率的同时最小化拒绝数量，且无需重新训练模型 | 对于分布外测试数据的解释较为复杂，性能表现存在一定不确定性 | 开发可靠的临床文本分类不确定性量化方法以支持癌症登记自动化 | 美国国家癌症研究所SEER癌症登记系统的电子病理报告文本 | 自然语言处理 | 癌症 | 电子病理报告文本分析 | 深度神经网络 | 文本 | NA | NA | 深度神经网络 | 准确率, 拒绝率 | NA |