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 12022 篇文献，本页显示第 2141 - 2160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2141 | 2025-10-07 |
Late-Life High Blood Pressure and Enlarged Perivascular Spaces in the Putaminal Regions of Community-Dwelling Japanese Older Persons
2024-01, Journal of geriatric psychiatry and neurology
IF:2.9Q2
DOI:10.1177/08919887231195235
PMID:37537887
|
研究论文 | 本研究探讨了日本社区老年人群晚期高血压与脑部豆状核区域血管周围间隙扩大的关联 | 首次在大型社区老年人群中系统分析血压水平与血管周围间隙体积的定量关系，并采用自主研发的深度学习软件进行精确测量 | 横断面研究设计无法确定因果关系，研究对象仅限于日本社区老年人群 | 确定血压与脑部血管周围间隙体积的关联并分析相关因素的交互作用 | 9296名65岁及以上社区居住的日本老年人 | 数字病理 | 老年疾病 | 脑磁共振成像 | 深度学习 | 医学影像 | 9296名社区老年受试者 | 自主研发软件 | NA | 协方差分析，多元回归分析，趋势P值 | NA |
| 2142 | 2025-10-07 |
MRI-based Deep Learning Models for Preoperative Breast Volume and Density Assessment Assisting Breast Reconstruction
2024-Dec, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-024-04074-2
PMID:38806828
|
研究论文 | 开发基于MRI的深度学习模型用于术前乳房体积和密度评估，辅助乳房重建手术 | 开发了三种自动分割乳房区域的算法（简单配准模型、动态编程模型和深度学习模型），实现了高度可重复的乳房区域分割和自动体积测量 | 研究样本量相对有限（249名受试者），未与其他现有方法进行广泛比较 | 开发人工智能模型实现乳房的自动分割和体积测量，优化乳房重建手术 | 接受乳房重建手术的249名患者 | 医学影像分析 | 乳腺癌 | MRI成像 | 深度学习模型 | MRI图像 | 249名接受乳房重建手术的患者 | NA | 简单配准模型,动态编程模型,深度学习模型 | 均方误差(MSE),组内相关系数(ICC) | NA |
| 2143 | 2025-02-12 |
Artificial Intelligence - Blessing or Curse in Dentistry? - A Systematic Review
2024-Dec, Journal of pharmacy & bioallied sciences
DOI:10.4103/jpbs.jpbs_1106_24
PMID:39926925
|
系统综述 | 本文系统综述了人工智能在牙科各个领域的多样化应用 | 全面分析了人工智能在牙科中的优势和挑战，涵盖了诊断、治疗和患者结果等多个方面 | 数据隐私、牙科专业人员的工作替代问题以及确保安全性和有效性的全面验证和监管需求仍是主要挑战 | 探讨人工智能在牙科中的应用及其影响 | 牙科领域的人工智能应用 | 机器学习 | NA | 机器学习、深度学习 | NA | 文本 | 607篇出版物中筛选出13篇相关文献 | NA | NA | NA | NA |
| 2144 | 2025-10-07 |
The Hydronephrosis Severity Index guides paediatric antenatal hydronephrosis management based on artificial intelligence applied to ultrasound images alone
2024-10-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-72271-9
PMID:39349526
|
研究论文 | 开发基于深度学习的水肾严重程度指数(HSI)，通过肾脏超声图像自动预测小儿产前水肾症患者是否需要手术干预 | 首次提出仅基于超声图像的人工智能系统来评估水肾严重程度，无需其他临床参数 | 研究仅在北美四家儿科医院进行，需要更多外部验证 | 开发自动化水肾严重程度评估系统以指导临床决策 | 小儿产前水肾症患者 | 计算机视觉 | 肾脏疾病 | 超声成像 | 深度学习 | 图像 | 202名患者测试集，来自四个大型儿科医院 | NA | NA | AUROC, AUPRC, 敏感性, 特异性 | NA |
| 2145 | 2025-02-12 |
Ensemble Learning for Three-dimensional Medical Image Segmentation of Organ at Risk in Brachytherapy Using Double U-Net, Bi-directional ConvLSTM U-Net, and Transformer Network
2024 Oct-Dec, Journal of medical physics
IF:0.7Q4
DOI:10.4103/jmp.jmp_160_24
PMID:39926139
|
研究论文 | 本文提出了一种新颖的方法，通过结合三种深度学习模型和集成学习技术，自动化分割高剂量率近距离放射治疗患者的风险器官（OAR），旨在提高分割的准确性和效率 | 结合了Double U-Net、双向ConvLSTM U-Net和Transformer网络三种深度学习模型，并采用集成学习技术，显著提高了分割的准确性和效率 | 由于内存限制，训练数据使用了降维后的CT扫描（240 × 240 × 128），可能影响模型的泛化能力 | 提高高剂量率近距离放射治疗中风险器官（OAR）分割的准确性和效率 | 高剂量率近距离放射治疗患者的风险器官（OAR） | 医学图像分割 | 癌症 | 深度学习 | Double U-Net (DUN), Bi-directional ConvLSTM U-Net (BCUN), Transformer Networks (TN) | CT扫描图像 | 70名患者（60名来自本机构，10名来自其他机构） | NA | NA | NA | NA |
| 2146 | 2024-08-07 |
Correction to: Omics-based deep learning approaches for lung cancer decision-making and therapeutics development
2024-Sep-27, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elad046
PMID:37721137
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2147 | 2025-10-07 |
Interpretation of SNP combination effects on schizophrenia etiology based on stepwise deep learning with multi-precision data
2024-Sep-27, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elad041
PMID:37738675
|
研究论文 | 提出一种基于多精度数据的逐步深度学习技术SLEM，用于探索SNP组合通过分子和细胞功能对精神分裂症病因的影响 | 首次结合多精度数据（精确但少量的多层级检测数据与不精确但大量的GWAS数据）构建逐步深度学习模型，从难以处理的大规模SNP组合空间中识别有效相互作用 | 未明确说明样本规模和数据来源的具体细节 | 探索SNP组合通过中间分子和细胞功能对精神分裂症易感性的影响机制 | 精神分裂症相关的SNP（单核苷酸多态性）组合 | 机器学习 | 精神分裂症 | GWAS（全基因组关联分析）, 多层级检测数据 | 深度学习 | 基因组数据, 多精度数据 | NA | NA | NA | 准确率 | NA |
| 2148 | 2025-10-07 |
CelloType: A Unified Model for Segmentation and Classification of Tissue Images
2024-Sep-19, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.15.613139
PMID:39345491
|
研究论文 | 提出CelloType统一模型，用于生物医学显微镜图像中的细胞分割与分类 | 采用多任务学习方法，将分割与分类任务相连接，替代传统的两阶段方法，同时提升两个任务的性能 | NA | 开发用于空间组学数据分析的细胞分割与分类统一模型 | 生物医学显微镜图像中的细胞和非细胞元素 | 数字病理学 | NA | 显微镜成像 | Transformer | 图像 | NA | NA | Transformer | 准确率 | NA |
| 2149 | 2025-10-07 |
Dynamic Projection of Medication Nonpersistence and Nonadherence Among Patients With Early Breast Cancer
2024-05-01, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究使用深度学习模型预测早期乳腺癌患者口服抗癌药物的不持续使用和不依从行为 | 首次使用基于门控循环单元的深度学习模型预测乳腺癌患者用药不持续和不依从事件，并分析不同特征对预测结果的贡献 | 研究基于法国医保报销数据，可能受数据来源限制，且模型预测性能有待进一步提升 | 预测乳腺癌患者口服抗癌治疗的持续性和依从性，识别相关风险因素 | 229,695名法国女性早期乳腺癌患者 | 医疗健康数据分析 | 乳腺癌 | 深度学习，特征重要性分析 | GRU | 医疗报销数据 | 229,695名女性患者 | NA | 门控循环单元 | AUC | NA |
| 2150 | 2025-02-12 |
Enhancing plant disease detection through deep learning: a Depthwise CNN with squeeze and excitation integration and residual skip connections
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1505857
PMID:39925367
|
研究论文 | 本研究提出了一种改进的深度卷积神经网络（CNN）结合压缩激励（SE）模块和改进的残差跳跃连接，用于植物病害检测 | 提出了一种结合SE模块和改进残差跳跃连接的深度CNN模型，增强了特征提取和分类性能，同时保持计算效率 | 未提及具体的数据集规模或模型在不同环境下的泛化能力 | 开发高效准确的自动化系统，用于植物病害检测，以增强作物保护和产量优化 | 多种植物物种和病害类别 | 计算机视觉 | 植物病害 | 深度卷积神经网络（CNN） | 深度CNN结合SE模块和残差跳跃连接 | 图像 | 未提及具体样本数量 | NA | NA | NA | NA |
| 2151 | 2025-02-12 |
Diagnosis and detection of bone fracture in radiographic images using deep learning approaches
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1506686
PMID:39927268
|
研究论文 | 本文探讨了使用深度学习算法在X光图像中自动检测和诊断骨折的方法 | 提出了结合DenseNet201和VGG16的深度学习模型，用于骨折检测，并在验证阶段达到了97%的准确率 | 现有骨折检测和诊断方法的局限性，需要进一步改进深度学习模型 | 开发一种自动化的骨折检测方法，以提高骨折诊断的准确性 | X光图像中的骨折 | 计算机视觉 | 骨折 | 深度学习 | VGG16, ResNet152V2, DenseNet201 | 图像 | 10,580张X光图像 | NA | NA | NA | NA |
| 2152 | 2025-02-12 |
NavBLIP: a visual-language model for enhancing unmanned aerial vehicles navigation and object detection
2024, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2024.1513354
PMID:39927288
|
研究论文 | 本文介绍了一种名为NavBLIP的视觉-语言模型，旨在通过利用多模态数据增强无人机的导航和物体检测能力 | NavBLIP模型引入了Nuisance-Invariant Multimodal Feature Extraction (NIMFE)模块和多模态控制策略，以在动态环境中提高适应性和计算效率 | NA | 提高无人机在复杂和多样化场景中的导航和物体检测能力 | 无人机 | 计算机视觉 | NA | 多模态数据融合 | 视觉-语言模型 | 图像和文本 | 在RefCOCO、CC12M和Openlmages等基准数据集上进行了广泛实验 | NA | NA | NA | NA |
| 2153 | 2025-02-11 |
RETRACTED: Lung cancer diagnosis of CT images using metaheuristics and deep learning
2024-Apr, Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine
DOI:10.1177/09544119221090725
PMID:35445619
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2154 | 2025-02-11 |
RETRACTION NOTICE: Lung cancer diagnosis of CT images using metaheuristics and deep learning
2024-Apr, Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine
DOI:10.1177/09544119221134231
PMID:36237147
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2155 | 2025-10-07 |
Self-Supervised Learning for Improved Optical Coherence Tomography Detection of Macular Telangiectasia Type 2
2024-Mar-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2023.6454
PMID:38329740
|
研究论文 | 本研究开发了一种基于自监督学习的光学相干断层扫描图像分析方法，用于2型黄斑毛细血管扩张症的自动检测 | 采用自监督学习方法在有限标注数据条件下实现了罕见疾病的准确分类，使用Bootstrap Your Own Latent算法进行预训练 | 研究为回顾性研究，需要进一步研究验证方法的普适性 | 开发在有限标注数据条件下自动检测2型黄斑毛细血管扩张症的方法 | 2型黄斑毛细血管扩张症患者和非患者的OCT图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描 | CNN | 图像 | 5200张OCT扫描图像，来自2549名患者（780名MacTel患者和1769名非MacTel患者） | NA | ResNet18, ResNet50 | 准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, AUPRC, AUROC | NA |
| 2156 | 2025-10-07 |
Cropformer: An interpretable deep learning framework for crop genomic prediction
2024-Dec-16, Plant communications
IF:9.4Q1
DOI:10.1016/j.xplc.2024.101223
PMID:39690739
|
研究论文 | 开发了一个名为Cropformer的可解释深度学习框架，用于作物基因组预测和表型预测 | 将卷积神经网络与多种自注意力机制相结合，提高了基因组选择的准确性和可解释性 | NA | 解决当前基因组选择中深度学习模型鲁棒性低和可解释性差的问题 | 玉米、水稻、小麦、谷子和番茄五种主要作物 | 机器学习 | NA | 基因组选择 | CNN, Transformer | 基因组数据 | 超过20个性状的基因组数据 | NA | Cropformer（CNN与自注意力机制结合） | 预测准确率 | NA |
| 2157 | 2025-10-07 |
De novo designed proteins neutralize lethal snake venom toxins
2024-May-17, Research square
DOI:10.21203/rs.3.rs-4402792/v1
PMID:38798548
|
研究论文 | 利用深度学习方法设计能够中和蛇毒三指毒素的新型蛋白质 | 首次使用深度学习计算设计针对三指毒素家族多种亚型的高亲和力中和蛋白 | 实验筛选规模有限，尚未进行大规模临床验证 | 开发新一代安全、经济、易生产的蛇毒解毒疗法 | 蛇毒三指毒素家族（包括短链和长链α-神经毒素及细胞毒素） | 机器学习 | 蛇咬伤中毒 | 深度学习 | NA | 蛋白质结构数据 | 小鼠实验 | NA | NA | 热稳定性、结合亲和力、结构一致性、中和效果、存活率 | NA |
| 2158 | 2025-10-07 |
Longitudinal single-cell transcriptional dynamics throughout neurodegeneration in SCA1
2024-Feb-07, Neuron
IF:14.7Q1
DOI:10.1016/j.neuron.2023.10.039
PMID:38016472
|
研究论文 | 通过纵向单细胞转录组测序研究SCA1神经退行性疾病过程中不同细胞类型的动态变化 | 首次建立小鼠和人类SCA1小脑组织的连续动态轨迹，发现浦肯野细胞丢失前的精确转录变化，并识别出单极刷细胞和少突胶质细胞的早期转录失调 | NA | 解析异质组织中不同细胞类型在神经退行性疾病发病机制和进展中的作用 | 小鼠和人类脊髓小脑性共济失调1型(SCA1)小脑组织 | 生物信息学 | 神经退行性疾病 | 单核RNA测序, 深度学习 | 深度学习模型 | 单细胞转录组数据 | NA | NA | NA | 疾病状态预测准确度 | NA |
| 2159 | 2025-10-07 |
Ensemble Deep Learning Object Detection Fusion for Cell Tracking, Mitosis, and Lineage
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2023.3288470
PMID:39906165
|
研究论文 | 提出了一种基于集成深度学习的细胞检测、追踪和运动分析方法EDNet | 采用深度架构无关的集成方法进行2D细胞检测，在细胞追踪和谱系分析方面超越YOLO和FasterRCNN等单一模型 | NA | 开发更鲁棒的细胞检测、追踪和运动分析方法 | 细胞检测、追踪、有丝分裂事件和细胞谱系图 | 计算机视觉 | NA | 深度学习 | CNN, 集成学习 | 图像 | CTMCv1数据集和外部肌肉干细胞数据 | NA | YOLO, FasterRCNN | MOTA, TRA | NA |
| 2160 | 2025-10-07 |
Deep learning in microbiome analysis: a comprehensive review of neural network models
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1516667
PMID:39911715
|
综述 | 本文全面回顾了深度学习在微生物组分析中的应用，重点介绍了神经网络模型在微生物组研究中的优势和挑战 | 系统梳理了深度学习在微生物组研究中的最新进展，强调了其在模式识别、特征提取和预测建模方面的独特优势 | 微生物组数据的生物学变异性需要定制化方法，深度学习模型在微生物组研究中仍面临显著挑战 | 回顾深度学习在微生物组研究中的应用现状和发展前景 | 微生物群落及其在不同环境中的组成 | 机器学习 | NA | 组学数据分析 | 深度学习神经网络 | 组学数据 | NA | NA | NA | NA | NA |