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 12108 篇文献，本页显示第 2381 - 2400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2381 | 2025-03-03 |
2024-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16965
PMID:38319676
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2382 | 2025-10-07 |
Improved outcome models with denoising diffusion
2024-Mar, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2024.103307
PMID:38325221
|
研究论文 | 本研究使用去噪扩散概率模型生成合成放疗计划数据，以改善类别不平衡的肿瘤局部控制预测模型性能 | 首次将条件3D DDPM模型应用于放疗结果建模，通过生成合成治疗计划数据解决类别不平衡问题 | 研究仅基于535例NSCLC患者数据，样本量相对有限 | 改善放疗结果建模中的类别不平衡问题，提高肿瘤局部控制预测模型的性能 | 535例接受SBRT治疗的NSCLC患者 | 医学影像分析 | 肺癌 | 放射治疗计划数据生成 | DDPM, 深度学习 | 3D医学影像（计划CT图像、3D计划剂量分布）、患者人口统计学数据 | 535例NSCLC患者，其中6-7%发生局部失败 | NA | 条件3D DDPM | Fréchet inception distance (FID) | NA |
| 2383 | 2025-10-07 |
Machine learning based prediction of image quality in prostate MRI using rapid localizer images
2024-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.2.026001
PMID:38435711
|
研究论文 | 本研究开发了一种基于机器学习的预测方法，仅使用快速定位序列图像即可预测前列腺MRI图像质量 | 首次仅基于几秒钟即可获取的MRI快速定位序列图像，预测尚未采集的T2W、DWI和ADC序列图像质量 | 样本量相对较小（213例），测试集中优质与次优检查比例不平衡 | 开发前列腺MRI图像质量早期预测方法，以便及时干预或重新安排检查 | 前列腺MRI快速定位图像和直肠内容物 | 医学影像分析 | 前列腺癌 | MRI | 深度学习 | 医学图像 | 213例前列腺矢状T2加权MRI定位图像（147例训练，64例测试） | NA | 2D U-Net, ResNet-34 | AUC, ICC | NA |
| 2384 | 2025-10-07 |
Automated detection of nine infantile fundus diseases and conditions in retinal images using a deep learning system
2024-Mar, The EPMA journal
DOI:10.1007/s13167-024-00350-y
PMID:38463622
|
研究论文 | 开发了一种基于深度学习的婴儿视网膜智能诊断系统，用于自动检测九种婴儿眼底疾病和状况 | 结合卷积神经网络和Transformer结构，开发了首个能够同时识别九种婴儿眼底疾病的自动化诊断系统 | 研究数据来自四家医院，可能存在地域局限性；需要进一步验证在更广泛人群中的适用性 | 开发自动化系统辅助婴儿眼底疾病的早期诊断和监测 | 婴儿视网膜图像 | 计算机视觉 | 眼科疾病 | 深度学习 | CNN, Transformer | 视网膜图像 | 7697张视网膜图像（来自1089名婴儿） | NA | ResNet-18, Multi-Axis Vision Transformer (MaxViT) | 准确率, 精确率, 召回率, F1分数, kappa系数, AUC | NA |
| 2385 | 2025-10-07 |
RETRACTED ARTICLE: Sustainable strategy for online physical education teaching using ResNet34 and big data
2024-12, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-023-08524-y
PMID:37362298
|
研究论文 | 提出一种基于ResNet34和注意力机制的在线体育教学支持系统，用于实时分析和纠正学生运动动作 | 将注意力机制模块与ResNet34结合提升检测精度，系统具备可持续扩展数据集的能力以适应新运动类别 | NA | 开发可持续的在线体育教学支持系统，解决远程教学中运动动作指导和纠正的难题 | 在线体育教学中的学生运动动作（体操、舞蹈、篮球等） | 计算机视觉 | NA | 大数据分析 | CNN | 图像 | NA | NA | ResNet34 | 准确率,精确率,召回率 | NA |
| 2386 | 2025-03-02 |
Deep learning models using intracranial and scalp EEG for predicting sedation level during emergence from anaesthesia
2024-Dec, BJA open
DOI:10.1016/j.bjao.2024.100347
PMID:40018289
|
研究论文 | 本研究探讨了使用颅内和头皮脑电图（EEG）预测麻醉苏醒期间镇静水平的深度学习模型 | 结合颅内和头皮EEG数据，利用深度学习模型预测镇静水平，显著提高了预测准确性 | 样本量较小，仅涉及7名患者，且验证集仅包含5名患者的头皮EEG数据 | 研究目的是通过EEG监测预测麻醉苏醒期间的镇静水平，以提高麻醉管理的安全性 | 研究对象为接受颅内电极植入手术的7名难治性癫痫患者，以及5名仅提供头皮EEG数据的患者 | 机器学习 | 癫痫 | EEG | 深度学习模型 | EEG数据 | 7名患者（颅内和头皮EEG数据），5名患者（仅头皮EEG数据） | NA | NA | NA | NA |
| 2387 | 2025-10-07 |
Predicting phage-host interactions via feature augmentation and regional graph convolution
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae672
PMID:39727002
|
研究论文 | 提出一种名为MI-RGC的新方法，通过特征增强和区域图卷积来预测噬菌体-宿主相互作用 | 引入互信息进行特征增强，并设计区域图卷积模型来学习有意义的表示，通过区域级注意力机制处理不同距离邻居节点的贡献差异 | 未明确说明方法在高度稀疏数据下的过拟合风险控制效果 | 预测噬菌体-宿主相互作用，为噬菌体疗法开发提供支持 | 噬菌体及其宿主细菌 | 机器学习 | 细菌感染 | 深度学习 | 图卷积网络 | 序列数据, 环境样本数据 | 三个基准数据集 | NA | 区域图卷积模型 | NA | NA |
| 2388 | 2025-10-07 |
Automatic Segmentation and Radiomics for Identification and Activity Assessment of CTE Lesions in Crohn's Disease
2024-11-04, Inflammatory bowel diseases
IF:4.5Q1
DOI:10.1093/ibd/izad285
PMID:38011673
|
研究论文 | 开发用于克罗恩病CTE图像病灶自动分割的深度学习模型，并基于影像组学特征构建机器学习分类器评估疾病活动性 | 结合nnU-Net自动分割模型与影像组学特征分析，构建端到端的克罗恩病活动性评估系统 | 回顾性研究，样本量有限（分割数据集84例，分类数据集193例） | 开发自动分割模型并构建分类器评估克罗恩病活动性 | 克罗恩病患者的CTE图像 | 医学影像分析 | 克罗恩病 | CTE成像，影像组学分析 | nnU-Net，机器学习分类器 | CTE图像 | 分割数据集：84例CTE检查（平均年龄31±13岁，60名男性）；分类数据集：193例CTE检查（平均年龄31±12岁，136名男性） | NA | nnU-Net | Dice相似系数，AUC，敏感度，特异度，准确度 | NA |
| 2389 | 2025-03-02 |
A Deep Learning Framework for End-to-End Control of Powered Prostheses
2024-May, IEEE robotics and automation letters
IF:4.6Q2
DOI:10.1109/lra.2024.3374189
PMID:40012860
|
研究论文 | 本文提出了一种深度学习框架，用于端到端控制动力假肢，消除了传统任务分类、状态机和中级控制方程的需求 | 通过将整个控制问题压缩到一个深度神经网络中，消除了传统任务分类、状态机和中级控制方程的需求 | 研究仅针对五种运动模式进行，样本量为12名经股截肢者，可能需要更多样化的数据和更大的样本量来验证模型的普适性 | 探索深度学习在动力假肢控制中的应用，以实现端到端的关节级辅助 | 动力膝踝假肢（OSL）及其传感器数据 | 机器学习 | NA | 深度学习 | 时间卷积网络（TCN） | 传感器数据 | 12名经股截肢者 | NA | NA | NA | NA |
| 2390 | 2024-08-24 |
Editorial for "Deep Learning Nomogram for the Identification of Deep Stromal Invasion in Patients With Early-Stage Cervical Adenocarcinoma and Adenosquamous Carcinoma: A Multicenter Study"
2024-04, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.28881
PMID:37410077
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2391 | 2025-10-07 |
Deep Learning Identifies High-Quality Fundus Photographs and Increases Accuracy in Automated Primary Open Angle Glaucoma Detection
2024-01-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.1.23
PMID:38285462
|
研究论文 | 开发并评估用于评估眼底照片质量的深度学习模型，并定量测量其在独立研究人群中自动化原发性开角型青光眼检测中的影响 | 首次开发专门用于评估眼底照片质量的深度学习模型，并证明通过自动质量评估筛选低质量照片可显著提高青光眼检测模型的准确性 | 研究数据来源于特定研究队列，需要在更广泛的人群中验证模型的泛化能力 | 提高自动化原发性开角型青光眼检测的准确性 | 眼底照片 | 计算机视觉 | 青光眼 | 眼底摄影 | 深度学习 | 图像 | 2815张来自DIGS/ADAGES研究的眼底照片和11350张来自OHTS研究的眼底照片 | NA | NA | AUROC | NA |
| 2392 | 2025-03-02 |
Rapid and accurate classification of mung bean seeds based on HPMobileNet
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1474906
PMID:40017618
|
研究论文 | 本研究提出了一种基于深度学习的绿豆种子快速准确分类方法，通过改进MobileNetV2模型，引入了DMS块、ECA块和Mish激活函数，构建了高精度网络模型HPMobileNet | 提出了HPMobileNet模型，结合DMS块、ECA块和Mish激活函数，显著提升了绿豆种子分类的准确率 | 研究未涉及模型在其他作物种子分类中的泛化能力，且未来优化和应用潜力仍需进一步探索 | 开发一种高效准确的绿豆种子分类方法，推动智能农业技术的发展 | 八种不同品种的绿豆种子 | 计算机视觉 | NA | 深度学习 | HPMobileNet（基于MobileNetV2改进） | 图像 | 34,890张绿豆种子图像 | NA | NA | NA | NA |
| 2393 | 2025-03-02 |
A method of deep network auto-training based on the MTPI auto-transfer learning and a reinforcement learning algorithm for vegetation detection in a dry thermal valley environment
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1448669
PMID:40017619
|
研究论文 | 本文提出了一种基于MTPI自动迁移学习和强化学习算法的深度网络自动训练方法，用于干旱热谷环境中的植被检测 | 结合了MTPI（最大迁移潜力指数方法）和MTSA（多汤普森采样算法）强化学习，用于数据集自动增强和网络自动训练，减少了人工经验和试错成本 | 现有自动训练方法适应于简单数据集和网络结构，在非结构化环境（如干旱热谷环境）中实用性较低 | 减少深度学习中的手动干预，提高复杂植被信息收集的效率 | 干旱热谷环境中的植被 | 计算机视觉 | NA | 深度学习，强化学习，迁移学习 | FCN, Seg-Net, U-Net, Seg-Res-Net 50 | 图像 | NA | NA | NA | NA | NA |
| 2394 | 2025-10-07 |
Serum Potassium Monitoring Using AI-Enabled Smartwatch Electrocardiograms
2024-Dec, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2024.07.023
PMID:39387744
|
研究论文 | 开发了一种基于AI的心电图算法，通过智能手表心电图预测终末期肾病患者血清钾水平 | 首次利用智能手表单导联心电图数据开发深度学习模型预测血清钾水平，实现无创连续监测 | 研究主要针对终末期肾病患者，模型在其他人群中的适用性需要进一步验证 | 开发AI-ECG算法预测血清钾水平，实现高钾血症的远程监测 | 终末期肾病（ESRD）患者 | 医疗人工智能 | 肾脏疾病 | 心电图（ECG）监测 | 深度学习 | 心电图波形数据 | 训练集：152,508名患者的293,557份心电图；微调集：1,463名ESRD患者的4,337份心电图；验证集：40名ESRD患者的智能手表心电图 | NA | Kardio-Net | AUC, 平均绝对误差（MAE） | NA |
| 2395 | 2025-10-07 |
Prediction and design of transcriptional repressor domains with large-scale mutational scans and deep learning
2024-Sep-24, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.21.614253
PMID:39386603
|
研究论文 | 本研究通过大规模突变扫描和深度学习模型预测和设计转录抑制结构域 | 开发了整合序列、结构和生化表征的深度学习模型TENet，能够准确预测抑制活性并指导合成调控蛋白的精确设计 | 模型在具有不同同源性的结构域之间的泛化能力仍需系统测试 | 研究序列变异如何影响转录抑制结构域的功能活性 | 人类细胞中50多个抑制结构域的115,000个变异序列 | 机器学习 | Saethre-Chotzen综合征，Rett综合征 | 高通量突变扫描，深度学习 | 深度学习 | 序列数据，结构数据，生化数据 | 115,000个变异序列 | NA | TENet | NA | NA |
| 2396 | 2025-10-07 |
Discovery and characterization of novel FGFR1 inhibitors in triple-negative breast cancer via hybrid virtual screening and molecular dynamics simulations
2024-09, Bioorganic chemistry
IF:4.5Q1
DOI:10.1016/j.bioorg.2024.107553
PMID:38901279
|
研究论文 | 本研究通过混合虚拟筛选和分子动力学模拟发现并表征了新型FGFR1抑制剂，用于三阴性乳腺癌治疗 | 开发了结合深度学习与分子对接的混合虚拟筛选方法，发现了具有纳摩尔级抑制活性的新型化合物 | 研究主要基于计算机模拟和体外实验，尚未进行体内动物模型验证 | 开发针对三阴性乳腺癌FGFR1靶点的有效抑制剂 | FGFR1蛋白及其V561M突变体，三阴性乳腺癌细胞系 | 计算生物学 | 三阴性乳腺癌 | 虚拟筛选，分子对接，分子动力学模拟，HTRF生物测定 | 深度学习，分子对接 | 分子结构数据，生物活性数据 | NA | KarmaDock, Schrödinger | NA | IC50值 | NA |
| 2397 | 2025-10-07 |
Simple models vs. deep learning in detecting low ejection fraction from the electrocardiogram
2024-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztae034
PMID:39081946
|
研究论文 | 比较简单模型与深度学习模型在心电图检测低射血分数方面的性能 | 证明基于标准心电图测量的简单模型可以达到与深度学习模型相近的性能，且更易于临床部署和解释 | 研究基于观察性数据集，需要进一步验证在更广泛人群中的适用性 | 评估简单模型与深度学习模型在检测左心室收缩功能障碍方面的准确性和可移植性 | 心电图波形和经胸超声心动图匹配数据 | 机器学习 | 心血管疾病 | 心电图测量，超声心动图 | 随机森林, 逻辑回归, 深度学习 | 心电图波形，测量数据 | 40,994对匹配的心电图和超声心动图（斯坦福大学医学中心），外加哥伦比亚医学中心和英国生物银行的外部验证数据 | NA | NA | AUC | NA |
| 2398 | 2025-10-07 |
Fluorescence excitation-scanning hyperspectral imaging with scalable 2D-3D deep learning framework for colorectal cancer detection
2024-06-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-64917-5
PMID:38926431
|
研究论文 | 开发用于结直肠癌检测的荧光激发扫描高光谱成像与可扩展深度学习框架 | 提出新型荧光激发扫描高光谱成像方法，结合可调节速度/性能权衡的端到端AI框架，提供AI决策过程的可解释性可视化 | 高维数据带来的处理、解释和分类挑战 | 提升结直肠癌病变检测的准确性和实时分析能力 | 结直肠癌组织样本 | 计算机视觉 | 结直肠癌 | 荧光激发扫描高光谱成像 | 深度学习 | 高光谱图像 | NA | NA | NA | 分类准确率 | NA |
| 2399 | 2025-10-07 |
Deep Learning Phenotyping of Tricuspid Regurgitation for Automated High Throughput Assessment of Transthoracic Echocardiography
2024-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.22.24309332
PMID:38978651
|
研究论文 | 开发用于经胸超声心动图自动高通量评估三尖瓣反流的深度学习表型分析流程 | 首个用于三尖瓣反流自动检测和分层的深度学习流程，在两个不同医疗系统中验证 | 研究数据来自特定医疗中心，需在更广泛人群中验证 | 开发自动化三尖瓣反流评估系统，实现高通量筛查 | 经胸超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 超声心动图，彩色多普勒 | 深度学习 | 视频 | 训练集：47,312项研究（2,079,898个视频）；测试集：CSMC 2,462项研究（108,138个视频），SHC 5,549项研究（278,377个视频） | NA | NA | AUC, 敏感性, 特异性 | NA |
| 2400 | 2025-10-07 |
Deep learning evaluation of echocardiograms to identify occult atrial fibrillation
2024-Apr-13, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-024-01090-z
PMID:38615104
|
研究论文 | 使用深度学习算法分析经胸超声心动图视频来识别隐匿性心房颤动 | 开发了两阶段深度学习算法，不仅能区分窦性心律和房颤，还能预测窦性心律患者90天内发生房颤的风险 | 模型在预测隐匿性房颤时的AUPRC相对较低(0.19)，表明在正样本较少的情况下性能有限 | 通过深度学习技术实现房颤的早期筛查和识别 | 经胸超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 经胸超声心动图 | CNN | 视频 | 111,319个TTE视频用于训练，10,203个TTE视频用于外部验证 | NA | 基于视频的卷积神经网络 | AUC, AUPRC | NA |