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 12185 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2026-05-08 |
Developing a Continuous Severity Scale for Macular Telangiectasia Type 2 Using Deep Learning and Implications for Disease Grading
2024-02, Ophthalmology
IF:13.1Q1
DOI:10.1016/j.ophtha.2023.09.016
PMID:37739233
|
研究论文 | 将深度学习分类模型与UMAP结合，为2型黄斑毛细血管扩张症开发连续严重程度量表 | 首次利用无监督UMAP将离散疾病标签映射为连续严重程度量表，无需连续训练标签，可推广至其他疾病 | 该信息在标题和摘要中未明确提及 | 利用深度学习与UMAP创建连续的MacTel严重程度量表，以提高诊断准确率和疾病进展理解 | 2型黄斑毛细血管扩张症（MacTel）患者的OCT影像 | 计算机视觉, 数字病理学 | 黄斑毛细血管扩张症2型 | OCT成像 | 多视图深度学习分类器, UMAP | OCT体积图像 | 从1089名MacTel患者获取的2003个OCT体积 | NA | 多视图深度学习分类器（具体架构未指定） | 准确率, Spearman秩相关系数, κ一致性系数 | NA |
| 222 | 2026-05-08 |
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 | 评估乌干达医学院教师对ChatGPT及其他人工智能工具的使用情况 | 首次在乌干达医学院教师中开展AI工具使用情况的横断面研究，揭示了年龄与AI使用率之间的关联 | 仅基于自我报告数据，可能存在回忆偏倚；样本来自四所公立大学，推广性有限 | 评估乌干达医学院教师对ChatGPT及其他人工智能工具的使用现状 | 乌干达四所公立大学的医学院教师 | 机器学习 | NA | NA | ChatGPT（大语言模型） | 问卷数据 | 224名医学院教师 | NA | NA | NA | NA |
| 223 | 2026-05-08 |
Developing a clinician-friendly rubric for assessing history-taking skills in medical undergraduates speaking English as a foreign language
2024, MedEdPublish (2016)
DOI:10.12688/mep.19911.3
PMID:39534518
|
研究论文 | 评估乌干达医学院教师对ChatGPT等人工智能工具的使用情况 | 首次在乌干达医学院教师中调查ChatGPT等AI工具的使用率及影响因素 | 横断面研究设计，无法确定因果关系；样本仅来自四所公立大学，可能不具有全国代表性 | 评估乌干达医学院教师对ChatGPT及其他AI工具的使用情况 | 乌干达四所公立大学的医学院教师 | 机器学习 | NA | NA | ChatGPT | 问卷数据 | 224名医学院教师 | NA | NA | NA | NA |
| 224 | 2026-05-08 |
Superpixel-ComBat modeling: A joint approach for harmonization and characterization of inter-scanner variability in T1-weighted images
2024, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/imag_a_00306
PMID:40800451
|
研究论文 | 提出一种基于超像素与ComBat建模的联合方法，用于表征和协调T1加权图像中的跨扫描仪变异 | 将统计ComBat方法扩展到图像域，结合3D超像素分割算法，实现可解释的跨扫描仪变异表征和协调 | NA | 开发一种可解释的跨扫描仪变异表征与协调策略，提升多中心研究的图像一致性 | 来自四个3T MRI扫描仪的匹配T1加权图像 | 计算机视觉 | NA | T1加权成像 | ComBat模型 | 图像 | NA | NA | 超像素分割算法 | 信号噪声比, 对比度噪声比, 信号不均匀性指数, 结构相似性指数 | NA |
| 225 | 2026-05-07 |
Validation of SynthSeg segmentation performance on CT using paired MRI from radiotherapy patients
2024-12-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2024.120922
PMID:39557139
|
研究论文 | 本研究利用来自放射治疗患者的配对CT和MRI数据集，验证了深度学习模型SynthSeg在CT图像上进行脑部分割的性能 | 首次在多中心临床数据上系统评估SynthSeg用于CT脑部分割的可行性，并引入质量评分阈值以提升分割准确性 | SynthSeg在CT上分割精度低于MRI，仅适用于对精度要求不高的应用场景 | 验证SynthSeg模型在CT图像上的脑部分割性能，并探讨其与MRI分割的一致性 | 来自5个医疗中心的260名放射治疗患者的配对CT和MRI图像 | 计算机视觉 | NA | CT成像, MRI成像 | 深度学习模型 (SynthSeg) | 医学图像 (CT和MRI) | 260对CT和MRI图像 | Freesurfer | SynthSeg | Dice系数, Hausdorff 95距离 (HD95) | NA |
| 226 | 2026-05-07 |
Delineating yeast cleavage and polyadenylation signals using deep learning
2024-08-20, Genome research
IF:6.2Q1
DOI:10.1101/gr.278606.123
PMID:38914436
|
research paper | 利用深度学习模型解析酵母裂解与聚腺苷酸化信号的退化解码机制 | 首次通过深度学习量化退化调控元件的位置重要性，揭示裂解异质性与位点强度的关联机制，以及远缘物种中聚腺苷酸信号的差异 | 未明确提及模型在不同酵母菌株或环境条件下的泛化能力评估 | 解析酵母裂解与聚腺苷酸化信号的退化解码机制及其在替代聚腺苷酸化调控中的作用 | 酵母（包括酿酒酵母等物种）的mRNA 3'端裂解与聚腺苷酸化位点 | machine learning | NA | 深度学习模型 | 深度学习模型（未指定具体类型，可能包含卷积神经网络或循环神经网络） | 基因组序列数据 | NA | NA | NA | NA | NA |
| 227 | 2026-05-07 |
The scope of artificial intelligence in retinopathy of prematurity (ROP) management
2024-07-01, Indian journal of ophthalmology
IF:2.1Q2
DOI:10.4103/IJO.IJO_2544_23
PMID:38454859
|
综述 | 探讨人工智能在早产儿视网膜病变管理中的应用范围 | 聚焦印度背景下AI在ROP筛查中的应用潜力，并讨论其作为流行病学工具的客观优势 | AI实施存在医法律问题，可能遗漏视网母细胞瘤等致命疾病 | 评估AI在ROP管理中的角色与未来方向 | AI系统在ROP筛查、风险预测及流行病学分析中的性能 | 机器学习 | 早产儿视网膜病变 | NA | 卷积神经网络 | 图像 | NA | NA | CNN | NA | NA |
| 228 | 2026-05-07 |
Tailored Intraoperative MRI Strategies in High-Grade Glioma Surgery: A Machine Learning-Based Radiomics Model Highlights Selective Benefits
2024-06-01, Operative neurosurgery (Hagerstown, Md.)
DOI:10.1227/ons.0000000000001023
PMID:38289331
|
研究论文 | 通过机器学习放射组学模型预测高级别胶质瘤手术中5-ALA单独使用的效果，识别需要联合术中MRI的复杂病例 | 首次利用基于U2-Net深度学习的放射组学预测模型，鉴别在HGG手术中5-ALA效果欠佳而需联合iMRI的特定场景，提出选择性使用iMRI的策略 | 样本量较小（73例），且未达到统计学显著性差异，需进一步外部验证 | 评估5-ALA联合iMRI在HGG手术中的效果，并开发预测模型识别需要iMRI的病例 | 高级别胶质瘤（HGG）患者 | 机器学习 | 高级别胶质瘤 | MRI, 5-氨基乙酰丙酸（5-ALA）荧光引导手术 | U2-Net, 二元逻辑回归 | 图像（术前MRI影像） | 73例HGG患者 | PyTorch | U2-Net | Nagelkerke R², 受试者工作特征曲线下面积 | NA |
| 229 | 2026-05-07 |
Unsupervised deep learning with convolutional neural networks for static parallel transmit design: A retrospective study
2024-06, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30014
PMID:38247050
|
研究论文 | 提出了一种基于无监督深度学习与卷积神经网络的静态并行发射设计方法，用于减轻7T磁场下的B1+不均匀性 | 首次将CNN用于多通道B1+图的无监督训练，通过物理驱动的损失函数避免参考RF权重的计算 | 该研究为回顾性研究，未提及在临床数据集上的验证或实时应用中的计算效率 | 利用无监督深度学习方法改善7T磁共振成像中多通道发射阵列的B1+均匀性 | 健康人脑的B1+映射数据 | 机器学习 | NA | 7T磁共振成像 | 卷积神经网络 | 磁共振B1+映射图像 | 包含143名受试者的3824张二维矢状面多通道B1+图 | NA | CNN | 均方根误差、变异系数、能耗 | NA |
| 230 | 2026-05-07 |
Applications of artificial intelligence in the utilisation of imaging modalities in dentistry: A systematic review and meta-analysis of in-vitro studies
2024-Feb-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2024.e24221
PMID:38317889
|
系统综述与荟萃分析 | 系统评价人工智能在牙科影像模态应用中的体外研究，并分析其准确性 | 首次通过荟萃分析综合评估AI在牙科影像多项任务中的准确性，包括牙齿分割分类、龋齿检测、颌骨分割及三维模型创建 | 仅纳入体外研究，缺乏临床试验验证，且现有研究存在异质性 | 全面评估AI在牙科影像模态中的应用效果与潜力 | 牙科影像数据（包括X光片、三维扫描图像等） | 计算机视觉 | 牙科疾病 | 卷积神经网络、深度学习 | CNN | 图像 | 9项研究 | NA | 卷积神经网络 | 真阳性率、真阴性率、阳性预测值、阴性预测值 | NA |
| 231 | 2026-05-07 |
3D CNN for neuropsychiatry: Predicting Autism with interpretable Deep Learning applied to minimally preprocessed structural MRI data
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0276832
PMID:39432512
|
研究论文 | 利用3D深度学习对最小预处理的结构性MRI数据预测自闭症诊断，并提高模型可解释性 | 直接在原始空间（而非模板空间）训练3D CNN模型，减少偏差且提升对结构变化的敏感性，同时实现模型可解释性以识别关键脑区 | 受限于自闭症的临床异质性和数据站点效应，模型预测准确率仍需提升 | 开发一种可解释的3D深度学习流程，用于从结构MRI推断自闭症诊断 | 自闭症患者与健康对照组的脑结构MRI扫描数据 | 计算机视觉 | 自闭症 | MRI | 3D CNN | 影像 | 1329例（ABIDE I和II数据集，分为训练集、验证集和测试集） | NA | 3D CNN | 准确率 | NA |
| 232 | 2026-05-07 |
W-WaveNet: A multi-site water quality prediction model incorporating adaptive graph convolution and CNN-LSTM
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0276155
PMID:38442101
|
研究论文 | 提出一种结合自适应图卷积和CNN-LSTM的多站点水质预测模型W-WaveNet | 首次处理多站点水质数据中的非对齐空间相关性，并通过交错堆叠集成时间和空间模型 | 未提及模型的局限性，如计算复杂度或应用范围限制 | 提高多站点水质预测的准确性，考虑时空相关性 | 两个真实河流断面上的多个站点水质数据 | 机器学习 | NA | 自适应图卷积 | CNN-LSTM | 水质数据 | 两个真实河流断面多站点数据 | NA | 自适应图卷积网络, CNN-LSTM | 平均绝对误差 | NA |
| 233 | 2026-05-06 |
Applicability of Deep Learning to Dynamically Identify the Different Organs of the Pelvic Floor in the Midsagittal Plane
2024-12, International urogynecology journal
IF:1.8Q3
DOI:10.1007/s00192-024-05841-0
PMID:38913129
|
研究论文 | 利用卷积神经网络对动态超声中盆底不同器官进行自动识别 | 首次验证深度学习在动态超声中实时识别盆底不同器官的可行性，比较了UNet、FPN和LinkNet三种架构，并通过Dice相似指数评估性能 | 样本量较小（仅86例训练和24例测试），膀胱和子宫的Dice系数较低（约0.71和0.70），可能受器官变形或标记差异影响 | 创建并验证卷积神经网络在中矢面动态超声中识别盆底不同器官的实用性 | 110例患者的盆底器官（包括膀胱、子宫、肛门、提肛肌等） | 数字病理学 | 盆底功能障碍疾病 | 动态超声 | 卷积神经网络 | 视频 | 110例患者（86例训练，24例测试） | NA | UNet, FPN, LinkNet | Dice相似指数 | NA |
| 234 | 2026-05-06 |
Leveraging the Capabilities of AI: Novice Neurology-Trained Operators Performing Cardiac POCUS in Patients with Acute Brain Injury
2024-10, Neurocritical care
IF:3.1Q2
DOI:10.1007/s12028-024-01953-z
PMID:38506968
|
研究论文 | 利用深度学习算法引导神经科初级医生对急性脑损伤患者进行心脏床旁超声检查，评估图像质量及对临床决策的影响 | 首次在神经重症监护病房中评估深度学习引导下非心脏专科医生进行心脏床旁超声的可行性与临床价值 | 单中心研究、样本量有限、未与正式超声心动图进行随机对照比较 | 评估神经科初级医生使用深度学习引导的心脏床旁超声获取诊断质量图像的频率及其对临床管理和正式超声检查时间的影响 | 神经重症监护病房中接受心脏床旁超声检查的急性脑损伤患者 | 计算机视觉 | 急性脑损伤 | 深度学习 | CNN（深度学习模型） | 超声图像 | 153名患者，184次扫描，共943个图像视图 | NA | 深度学习算法（未具体说明架构） | 图像可解释性比例、管理变化比例、首次获得合格图像时间 | NA |
| 235 | 2026-05-06 |
Machine learning and deep learning tools for the automated capture of cancer surveillance data
2024-08-01, Journal of the National Cancer Institute. Monographs
DOI:10.1093/jncimonographs/lgae018
PMID:39102883
|
研究论文 | 应用机器学习和深度学习模型自动化从非结构化临床文本中提取癌症监测数据 | 利用先进计算能力自动化数据提取，弥补关键信息空白，创建灵活平台以便添加基因组学等新信息源 | NA | 自动化癌症监测数据捕获，提高报告及时性，加深对癌症驱动因素和结果的理解 | 病理报告、放射学报告、生物标志物信息、复发识别 | 自然语言处理 | 癌症 | NA | 机器学习，深度学习 | 文本 | NA | NA | NA | NA | NA |
| 236 | 2026-05-06 |
HisCl1 regulates gustatory habituation in sweet taste neurons and mediates sugar ingestion in Drosophila
2024-May-08, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.06.592591
PMID:38765964
|
研究论文 | 本研究利用深度学习姿态估计和光遗传学刺激，发现果蝇甜味神经元中的HisCl1基因调控味觉习惯化，并影响糖分摄取 | 首次揭示HisCl1基因在甜味神经元中通过调节尖峰频率适应来介导味觉习惯化，为研究昆虫味觉习惯化提供了新方向 | 未提及 | 探究甜味神经元在果蝇味觉习惯化中的细胞自主机制及其对糖分摄取的调控 | 果蝇（Drosophila）的甜味神经元 | 机器学习， 数字病理学 | NA | RNA干扰筛选， 单感器电生理， 光遗传学刺激 | 深度学习姿态估计模型 | 行为数据， 电生理数据 | 果蝇样本，具体数量未提及 | NA | NA | NA | NA |
| 237 | 2026-05-06 |
Panoramic Radiography in the Evaluation of the Relationship of Maxillary Molar Teeth and Maxillary Sinuses on the Deep Learning Models Improved with the Findings Obtained by Cone Beam Computed Tomography
2024-May-01, Nigerian journal of clinical practice
IF:0.7Q3
DOI:10.4103/njcp.njcp_220_24
PMID:38842718
|
研究论文 | 利用深度学习模型评估全景放射片中上颌磨牙与上颌窦的关系，并通过锥束计算机断层扫描结果进行验证 | 首次利用锥束计算机断层扫描确认的数据来提升深度学习模型在全景放射片上判断上颌磨牙与上颌窦关系的诊断性能 | 未提及 | 评估深度学习应用在全景放射片上评估上颌磨牙与上颌窦关系的诊断性能 | 上颌第一磨牙和上颌第二磨牙与上颌窦底的接触关系 | 数字病理学 | 口腔疾病 | 全景放射摄影，锥束计算机断层扫描 | 卷积神经网络 | 图像 | 2162颗上颌第一磨牙和上颌第二磨牙 | 未提及 | GoogLeNet, VGG16, VGG19, DarkNet19, DarkNet53 | 准确率 | NA |
| 238 | 2026-05-06 |
Use of artificial intelligence in determination of bone age of the healthy individuals: A scoping review
2024-04, Journal of the World federation of orthodontists
IF:2.6Q1
DOI:10.1016/j.ejwf.2023.10.001
PMID:37968159
|
综述 | 系统梳理人工智能在健康个体骨龄测定中的应用 | 首次采用范围综述方法全面总结AI、ML、DL在健康个体骨龄评估中的应用，并发现自动化方法可靠性与手动方法相当 | 样本在不同成熟阶段的分布不均，缺乏三维影像输入（如MRI和CBCT），影响模型泛化能力 | 评估AI、ML、DL在健康个体骨骼年龄或骨龄测定中的作用 | 健康个体 | 机器学习 | NA | NA | CNN, 深度学习模型, 机器学习模型 | 图像 | 19篇文章 | NA | BoneXpert, 深度学习模型, 机器学习模型 | 可靠性 | NA |
| 239 | 2026-05-06 |
Predicting recovery following stroke: Deep learning, multimodal data and feature selection using explainable AI
2024, NeuroImage. Clinical
DOI:10.1016/j.nicl.2024.103638
PMID:39002223
|
research paper | 本研究评估了基于深度学习的多种特征选择策略，结合MRI影像和表格数据（如人口统计学和临床特征）预测中风后言语恢复情况 | 提出将MRI提取的感兴趣区域（ROI）图像与表格数据的符号表示结合，训练卷积神经网络的新方法，并利用可解释AI进行特征选择 | 数据集规模相对较小，样本量仅758人，且受限于特定的中风后言语评估指标 | 开发并评估结合多模态数据（MRI影像和表格数据）的深度学习方法，提高中风后恢复预测的准确性 | 758名英语中风幸存者，来自PLORAS研究，分为五组（其中四组用于训练验证，一组作为锁箱测试集） | machine learning | stroke | MRI | CNN, ResNet | image, tabular | 758名中风幸存者 | PyTorch | 2D ResNet, 3D CNN | accuracy, area under the curve, F1 score | NA |
| 240 | 2026-05-06 |
MHCII-peptide presentation: an assessment of the state-of-the-art prediction methods
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1293706
PMID:38646540
|
研究论文 | 对MHCII-肽段结合预测方法的现状进行全面评估 | 通过独立测试集系统评估11种预测方法，揭示深度学习算法和数据增长带来的性能提升，为研究者选择预测工具提供指导 | 仅评估了截至2022年1月的11种预测方法，未涵盖最新进展；仅使用人类MHCII蛋白数据，未包含其他物种 | 评估现有MHCII-肽段结合预测方法的性能，为免疫治疗和癌症疫苗设计提供方法选择指导 | 20种人类MHCII蛋白亚型的结合与非结合肽段 | 机器学习 | 癌症相关免疫疾病 | 免疫肽组学 | 深度学习模型 | 氨基酸序列 | 来自免疫表位数据库的20种人类MHCII蛋白亚型的结合与非结合肽段 | NA | MixMHC2pred, NetMHCIIpan-4.1 | 预测性能 | NA |