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 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2025-10-06 |
Systematic analysis of the relationship between fold-dependent flexibility and artificial intelligence protein structure prediction
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0313308
PMID:39591473
|
研究论文 | 系统分析蛋白质折叠依赖的灵活性与人工智能蛋白质结构预测之间的关系 | 首次大规模评估AlphaFold v2在预测柔性蛋白质结构时的表现，揭示预测结构倾向于特定构象而非平均构象 | 仅基于已有实验结构数据库进行分析，未涵盖所有蛋白质类型 | 探究AI蛋白质结构预测模型对柔性蛋白质的预测准确性及其与蛋白质折叠类型的关系 | 2878个具有至少十个不同实验结构的蛋白质 | 机器学习 | NA | 蛋白质结构预测 | 深度学习 | 蛋白质结构数据 | 2878个蛋白质，涵盖628种不同的折叠类型 | AlphaFold v2 | NA | RMSD（均方根偏差） | NA |
| 82 | 2025-10-06 |
A Hybrid 2D Gaussian Filter and Deep Learning Approach with Visualization of Class Activation for Automatic Lung and Colon Cancer Diagnosis
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241301297
PMID:39632623
|
研究论文 | 提出一种结合2D高斯滤波和深度学习的方法，用于自动诊断肺癌和结肠癌 | 采用2D高斯滤波进行图像预处理，结合三种CNN模型，并使用类激活映射进行可视化解释 | 未明确说明模型的计算复杂度和实时性能限制 | 通过自动化诊断系统提高肺癌和结肠癌的检测率 | 肺癌和结肠癌的组织病理学图像 | 计算机视觉 | 肺癌,结肠癌 | 组织病理学成像 | CNN | 图像 | 25000张组织病理学图像 | NA | MobileNet,VGG16,ResNet50 | 准确率 | NA |
| 83 | 2025-10-06 |
Predicting High-Grade Patterns in Stage I Solid Lung Adenocarcinoma: A Study of 371 Patients Using Refined Radiomics and Deep Learning-Guided CatBoost Classifier
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241308610
PMID:39692551
|
研究论文 | 开发了一种结合优化影像组学和深度学习特征的RRDLC-Classifier算法，用于预测临床I期实性肺腺癌的高级别病理模式 | 首次提出融合优化影像组学和深度学习特征的CatBoost分类器，在预测肺腺癌高级别模式方面表现出优越性能 | 回顾性研究设计，样本量相对有限（371例患者），需要进一步外部验证 | 预测临床I期实性肺腺癌的病理高级别模式 | 371例临床I期实性肺腺癌患者 | 医学影像分析 | 肺癌 | 影像组学分析，深度学习 | CatBoost分类器 | 医学影像数据 | 371例患者，按7:3比例随机分为训练集和验证集 | CatBoost | RRDLC-Classifier（优化影像组学和深度学习特征引导的CatBoost分类器） | AUC, 准确率, 敏感性, 特异性, 受试者工作特征曲线 | NA |
| 84 | 2025-10-06 |
The Application of Artificial Intelligence to Cancer Research: A Comprehensive Guide
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241250324
PMID:38775067
|
综述 | 本文全面探讨了人工智能在癌症研究中的应用，重点介绍了机器学习、软计算和深度学习在肿瘤学中的作用 | 以清晰易懂的方式解释AI关键概念和算法，并提供文献中重要进展的表格总结 | NA | 使广大读者能够理解AI在癌症研究中的进展和应用 | 各种癌症类型的诊断、分类和预测 | 机器学习 | 癌症 | NA | SVM, Naïve Bayes, CNN | NA | NA | NA | NA | NA | NA |
| 85 | 2025-10-06 |
Deep Learning-Based Prediction of Radiation Therapy Dose Distributions in Nasopharyngeal Carcinomas: A Preliminary Study Incorporating Multiple Features Including Images, Structures, and Dosimetry
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241256594
PMID:38808514
|
研究论文 | 本研究开发了一种结合剂量信息的深度学习模型，用于预测鼻咽癌放射治疗的剂量分布 | 首次将靶区适形计划剂量信息通过多通道输入方式整合到卷积神经网络中，提高了预测精度 | 对于小体积或邻近的危及器官预测存在差异，且为初步研究需要进一步验证 | 提高鼻咽癌调强放射治疗剂量分布的预测准确性 | 鼻咽癌患者的放射治疗计划 | 医学影像分析 | 鼻咽癌 | 调强放射治疗，容积旋转调强放疗 | CNN | 医学图像，结构轮廓，剂量分布数据 | NA | NA | 深度卷积神经网络 | 3D伽马通过率，剂量体积直方图相似性指数，D98%指标 | NA |
| 86 | 2025-10-06 |
A 3 M Evaluation Protocol for Examining Lymph Nodes in Cancer Patients: Multi-Modal, Multi-Omics, Multi-Stage Approach
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241277389
PMID:39267420
|
综述 | 提出针对癌症患者淋巴结评估的多模态、多组学、多阶段标准化评估方案 | 整合影像组学与深度学习模型，建立系统化的淋巴结管理协议，涵盖术前评估到术后免疫影响的全流程 | 基于文献综述提出方案，尚未经过大规模临床验证 | 建立标准化淋巴结评估协议以优化癌症治疗 | 癌症患者的淋巴结转移与手术切除 | 数字病理 | 癌症 | 多模态成像、多组学分析、深度学习 | 深度学习模型 | 医学影像、临床数据、统计资料 | NA | NA | NA | NA | NA |
| 87 | 2025-10-06 |
The Value of Topological Radiomics Analysis in Predicting Malignant Risk of Pulmonary Ground-Glass Nodules: A Multi-Center Study
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241287089
PMID:39363876
|
研究论文 | 本研究通过拓扑数据分析和纹理分析两种影像组学方法，预测肺磨玻璃结节(GGNs)的恶性风险 | 首次将基于同调性的拓扑特征应用于GGNs的影像组学分析，捕捉结节内复杂的几何和空间关系 | 回顾性研究设计，数据来自两个中心，需要更多外部验证 | 预测肺CT扫描中磨玻璃结节的恶性风险 | 肺磨玻璃结节(GGNs) | 医学影像分析 | 肺癌 | CT扫描，拓扑数据分析，纹理分析 | 机器学习，深度学习 | 医学影像(CT图像) | 3223名患者(来自两个中心，2018年1月至2023年6月) | NA | NA | AUC, 敏感度 | NA |
| 88 | 2025-10-06 |
Trends and Hotspots in Global Radiomics Research: A Bibliometric Analysis
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241235769
PMID:38465611
|
文献计量分析 | 通过文献计量分析方法总结放射组学知识结构并探索潜在趋势和研究重点 | 首次对2012-2022年全球放射组学研究进行全面的文献计量分析，识别未来研究方向 | 仅基于Web of Science数据库，可能未涵盖所有相关文献 | 探索放射组学领域的研究现状、发展趋势和热点方向 | 2012-2022年期间发表的6428篇放射组学相关文献 | 医学影像分析 | NA | 文献计量分析 | NA | 文献元数据 | 6428篇文章 | VOSviewer, CiteSpace, Tableau, Microsoft Excel, Rstudio | NA | NA | 免费在线平台 |
| 89 | 2025-10-06 |
A Comparative Study of Deep Learning Dose Prediction Models for Cervical Cancer Volumetric Modulated Arc Therapy
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241242654
PMID:38584413
|
研究论文 | 比较四种深度学习模型在宫颈癌VMAT治疗中体素级剂量分布的预测性能 | 首次系统比较四种先进三维深度学习模型在宫颈癌VMAT剂量预测中的表现 | 回顾性研究，样本量相对有限（261例患者） | 评估不同深度学习模型在放射治疗剂量预测中的性能 | 宫颈癌患者的VMAT治疗计划 | 医学影像分析 | 宫颈癌 | 容积旋转调强放疗(VMAT) | 3D CNN | CT图像, 解剖结构掩膜 | 261例宫颈癌患者治疗计划 | NA | 3D U-Net, UNETR | 平均绝对误差(MAE), 剂量图差异, 临床剂量学指标, Dice相似系数(DSC) | NA |
| 90 | 2025-10-06 |
Automatic dental age calculation from panoramic radiographs using deep learning: a two-stage approach with object detection and image classification
2024-01-31, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-024-03928-0
PMID:38291396
|
研究论文 | 提出一种基于全景X光片和深度学习的两阶段自动牙龄计算方法 | 首次将目标检测和图像分类相结合的全自动牙龄计算方法，无需人工干预 | 仅使用单一类型影像数据，未考虑其他可能影响牙龄的因素 | 开发自动牙龄计算系统以替代耗时的手工方法 | 牙齿发育阶段的牙胚 | 计算机视觉 | 口腔疾病 | 全景X光摄影 | CNN | X光图像 | 8,023张全景X光片，18,485个单根牙胚图像，16,313个多根牙胚图像 | PyTorch | Scaled-YOLOv4, EfficientNetV2 M | 平均精度均值, Top-3准确率, 平均绝对误差 | NA |
| 91 | 2025-10-06 |
Child face detection on front passenger seat through deep learning
2024, Traffic injury prevention
IF:1.6Q4
DOI:10.1080/15389588.2024.2346811
PMID:38717829
|
研究论文 | 本研究开发了一种基于深度学习的儿童面部检测系统，用于监测汽车前排乘客座位上的儿童并提醒驾驶员 | 使用专门生成的数据集和MobileNetV2架构，在树莓派4B上实现实时儿童检测系统 | 实验环境较为理想化，传感器未受阳光直射遮挡，也未考虑车辆中常见的污垢覆盖情况 | 通过车内监控系统检测前排乘客座位上的儿童，降低汽车事故中儿童的伤亡风险 | 汽车前排乘客座位上的乘客（儿童和成人） | 计算机视觉 | NA | 深度学习，面部检测 | CNN | 图像 | 原始数据集：102张空座位，71名儿童（0-13岁），96名成人（14-75岁）；数据增强后：2,496张成人图像，2,310张儿童图像 | TensorFlow, Keras | MobileNetV2 | 准确率，精确率 | 树莓派4 Model B |
| 92 | 2025-10-06 |
ADHD detection based on human action recognition
2024, Neuroscience applied
DOI:10.1016/j.nsa.2024.104093
PMID:40656101
|
研究论文 | 提出了一种基于人体动作识别的注意力缺陷多动障碍检测系统 | 首次录制真实多模态ADHD数据集，设计新型多动测试捕获ADHD特征，使用简单非穿戴式传感器实现低成本检测 | 依赖视频数据质量，未与其他神经影像数据直接比较 | 开发基于人体动作识别的低成本ADHD检测方法 | 注意力缺陷多动障碍患者的行为特征 | 计算机视觉 | 注意力缺陷多动障碍 | 视频动作分析 | 深度学习 | RGB视频 | 真实多模态ADHD数据集 | NA | NA | 准确率, AUC | NA |
| 93 | 2025-10-06 |
Investigating mental workload caused by NDRTs in highly automated driving with deep learning
2024, Traffic injury prevention
IF:1.6Q4
DOI:10.1080/15389588.2023.2276657
PMID:38240567
|
研究论文 | 本研究通过深度学习模型分析高度自动驾驶中非驾驶相关任务对驾驶员脑力负荷的影响 | 使用LSTM和BLSTM深度学习模型对EEG信号进行脑力负荷分类，并发现特定频段数据能提升分类准确率 | 样本量较小（28名参与者），实验环境为模拟驾驶场景 | 研究高度自动驾驶中非驾驶相关任务对驾驶员脑力负荷的影响并开发分类模型 | 驾驶员在高度自动驾驶场景下的脑力负荷 | 机器学习 | NA | 脑电图（EEG）信号采集，NASA任务负荷指数量表（NASA-TLX） | LSTM, BLSTM | EEG信号 | 28名参与者 | NA | 长短期记忆网络（LSTM），双向长短期记忆网络（BLSTM） | 分类准确率 | NA |
| 94 | 2025-10-06 |
A week in the life of the human brain: stable states punctuated by chaotic transitions
2024-Jan-15, Research square
DOI:10.21203/rs.3.rs-2752903/v3
PMID:37034705
|
研究论文 | 通过连续多电极颅内记录研究人类自然行为期间大脑网络的动态变化 | 结合深度学习与动力系统方法揭示大脑网络在自然行为中的稳定状态和混沌转换机制 | 样本量较小（20名人类受试者），记录时长有限（3-12天） | 研究真实世界中大脑网络的动态变化与行为关系 | 人类大脑网络动态 | 计算神经科学 | NA | 多电极颅内记录 | 深度学习 | 颅内电生理信号 | 20名人类受试者，连续记录3-12天 | NA | NA | NA | NA |
| 95 | 2025-10-06 |
Review of Deep Learning Performance in Wireless Capsule Endoscopy Images for GI Disease Classification
2024, F1000Research
DOI:10.12688/f1000research.145950.2
PMID:39464781
|
综述 | 本文综述了深度学习在无线胶囊内镜图像中用于胃肠道疾病分类的性能表现 | 重点关注迁移学习、注意力机制、多模态学习、自动病变检测、可解释性、数据增强和边缘计算等最新进展 | 当前深度学习方法存在挑战和局限性，如图像分辨率低、伪影多等问题 | 回顾深度学习在无线胶囊内镜图像分析中的现状和未来方向 | 无线胶囊内镜图像 | 计算机视觉 | 胃肠道疾病 | 无线胶囊内镜 | NA | 医学图像 | NA | NA | NA | NA | 边缘计算 |
| 96 | 2025-10-06 |
Utilisation of ChatGPT and other Artificial Intelligence tools among medical faculty in Uganda: a cross-sectional study
2024, MedEdPublish (2016)
DOI:10.12688/mep.20554.3
PMID:39911314
|
研究论文 | 评估乌干达医学教师对ChatGPT及其他人工智能工具的使用情况 | 首次在乌干达医学教师群体中调查AI工具使用现状及年龄差异影响 | 横断面研究设计无法确定因果关系，仅纳入四所公立大学可能存在选择偏倚 | 评估医学教师对AI工具的认知和使用模式 | 乌干达四所公立大学的医学教师 | 自然语言处理 | NA | 问卷调查 | 大型语言模型 | 调查数据 | 224名医学教师 | NA | ChatGPT | 患病率比，置信区间 | Stata version 17.0 |
| 97 | 2025-10-06 |
Quantifying Interpretation Reproducibility in Vision Transformer Models with TAVAC
2024-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.18.576252
PMID:38328179
|
研究论文 | 提出一种名为TAVAC的新指标，用于评估Vision Transformer模型在图像数据集上的过拟合程度并量化解释的可重复性 | 首次提出TAVAC指标，能够定量评估ViT模型解释的可重复性，并在像素级别监控模型解释的稳定性 | 未明确说明样本量的具体数值和计算资源需求 | 解决Vision Transformer模型在有限标注生物医学图像数据集上容易过拟合导致解释不可靠的问题 | Vision Transformer模型在图像分类任务中的解释可重复性 | 计算机视觉 | 乳腺癌 | 数字病理图像分析 | Vision Transformer (ViT) | 图像 | 四个公开图像分类数据集和两个独立乳腺癌组织学图像数据集 | NA | Vision Transformer | TAVAC, 预测准确率 | NA |
| 98 | 2025-10-06 |
DSMT-Net: Dual Self-Supervised Multi-Operator Transformation for Multi-Source Endoscopic Ultrasound Diagnosis
2024-01, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2023.3289859
PMID:37368810
|
研究论文 | 提出一种双自监督多操作变换网络(DSMT-Net)，用于多源内镜超声(EUS)图像的胰腺癌和乳腺癌诊断 | 设计了多操作变换方法标准化EUS图像感兴趣区域提取，并开发了基于Transformer的双自监督网络整合未标记数据进行预训练 | 未明确说明模型在更广泛疾病类型或数据源上的泛化能力 | 解决多源EUS图像数据分布差异大和标注数据有限的问题，提高癌症诊断准确性 | 胰腺癌和乳腺癌的内镜超声图像 | 计算机视觉 | 胰腺癌,乳腺癌 | 内镜超声(EUS) | Transformer,自监督学习 | 图像 | 3,500张病理证实的标记EUS图像(包含胰腺癌和非胰腺癌)和8,000张未标记EUS图像 | NA | DSMT-Net,Transformer | 准确率 | NA |
| 99 | 2025-10-06 |
Multi-modal deep learning from imaging genomic data for schizophrenia classification
2024, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2024.1384842
PMID:39006822
|
研究论文 | 提出一种基于多模态成像基因组数据的深度学习框架用于精神分裂症分类 | 首次结合结构MRI、功能MRI和遗传标记(SNP)三种模态数据，采用可解释AI技术识别关键特征 | NA | 开发改进的精神分裂症检测方法 | 精神分裂症患者和健康对照个体 | 机器学习 | 精神分裂症 | sMRI, fMRI, SNP基因分型 | CNN, DenseNet, XGBoost | 图像, 基因组数据 | NA | NA | DenseNet, 1D-CNN, XGBoost | 准确率 | NA |
| 100 | 2025-10-06 |
Neural network in food analytics
2024, Critical reviews in food science and nutrition
IF:7.3Q1
DOI:10.1080/10408398.2022.2139217
PMID:36322538
|
综述 | 首次全面概述神经网络在食品分析领域的应用，包括基础方法、最新进展及挑战 | 首次系统综述神经网络在食品分析中的跨领域应用，强调食品专家与技术社区的合作潜力 | 存在食品科学家友好型软件接口缺失、模型行为难以解释、多源异构数据整合等挑战 | 系统梳理神经网络在食品分析中的应用现状与发展前景 | 食品识别、食品安全供应链、组学分析等食品科学领域 | 机器学习 | NA | 光谱分析、色谱分析、组学分析 | 神经网络 | 多源异构数据 | NA | NA | NA | 模式识别准确率 | NA |