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 12186 篇文献，本页显示第 2441 - 2460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2441 | 2025-10-07 |
Spatial Heterogeneity of PD-1/PD-L1 Defined Osteosarcoma Microenvironments at Single-Cell Spatial Resolution
2024-11, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2024.102143
PMID:39321925
|
研究论文 | 本研究通过深度学习与多重荧光免疫组化技术，在单细胞空间分辨率下分析骨肉瘤微环境中PD-1/PD-L1定义的细胞空间异质性 | 开发了新型TAM/破骨细胞分化算法，结合深度学习与多重荧光免疫组化首次在单细胞层面揭示PD-1/PD-L1定义骨肉瘤微环境的空间异质性 | 未明确说明样本数量和研究人群特征，缺乏多中心验证 | 探究骨肉瘤肿瘤微环境中细胞亚型的空间分布特征及其与免疫治疗的关系 | 骨肉瘤肿瘤微环境中的肿瘤相关巨噬细胞、T细胞、成骨细胞和破骨细胞 | 数字病理学 | 骨肉瘤 | 多重荧光免疫组化，深度学习数字图像分析 | 深度学习 | 病理图像 | NA | NA | NA | NA | NA |
| 2442 | 2025-10-07 |
Assessing the Tumor Immune Landscape Across Multiple Spatial Scales to Differentiate Immunotherapy Response in Metastatic Non-Small Cell Lung Cancer
2024-11, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2024.102148
PMID:39389312
|
研究论文 | 通过多空间尺度分析肿瘤免疫微环境以区分转移性非小细胞肺癌患者对免疫治疗的响应差异 | 引入多种计算分析方法在多重荧光免疫组化数据集上量化肿瘤-免疫细胞相互作用，并定义肿瘤亚区域进行局部空间分析 | 样本量相对有限（52名患者），模型性能有待进一步提升 | 识别影响免疫治疗响应的肿瘤微环境关键特征 | 转移性非小细胞肺癌患者 | 数字病理学 | 肺癌 | 多重荧光免疫组化 | 深度学习 | 图像 | 52名患者的1,269张多重荧光免疫组化图像 | NA | 可解释深度学习模型 | AUC | NA |
| 2443 | 2025-10-07 |
Prostate Cancer Risk Stratification in NRG Oncology Phase III Randomized Trials Using Multimodal Deep Learning With Digital Histopathology
2024-Oct, JCO precision oncology
IF:5.3Q1
DOI:10.1200/PO.24.00145
PMID:39447096
|
研究论文 | 本研究开发了一种基于多模态深度学习的前列腺癌风险分层系统，通过数字组织病理学图像和临床数据改善局部前列腺癌的风险评估 | 首次在NRG Oncology III期随机试验中应用多模态人工智能模型进行前列腺癌风险分层，相比现有NCCN风险分组显示出更好的预后分层能力 | 研究基于特定临床试验队列，需要在更广泛的人群中进行外部验证 | 开发优于当前NCCN风险分组的临床可用前列腺癌风险分层系统 | 9,787名来自8项NRG Oncology III期随机试验的局部前列腺癌患者 | 数字病理学 | 前列腺癌 | 数字组织病理学成像 | 多模态深度学习 | 数字组织病理学图像, 临床数据 | 9,787名患者 | NA | 多模态人工智能模型 | 10年远处转移率, 风险重分类率 | NA |
| 2444 | 2024-09-10 |
Validation of a fully automated deep learning-enabled solution for CCTA atherosclerotic plaque and stenosis quantification in a diverse real-world cohort
2024 Sep-Oct, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2024.03.012
PMID:38553402
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2445 | 2025-10-07 |
An end-to-end deep learning pipeline to derive blood input with partial volume corrections for automated parametric brain PET mapping
2024-Aug-19, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad6a64
PMID:39094595
|
研究论文 | 提出一种端到端深度学习流程，通过部分容积校正自动生成血液输入函数用于脑PET参数映射 | 首次结合3D U-Net和RNN实现非侵入性血液输入函数计算，无需动脉采血 | 仅基于50例FDG PET扫描进行验证，样本量有限 | 开发非侵入性定量分析动态脑FDG-PET的方法 | 人类脑部FDG PET扫描数据 | 医学影像分析 | 神经系统疾病 | 动态FDG-PET成像 | 3D U-Net, RNN | 3D PET影像 | 50例人类脑部FDG PET扫描 | NA | 3D U-Net, RNN | Dice系数, 交并比, 均方根误差 | NA |
| 2446 | 2025-10-07 |
Mechanical evolution of metastatic cancer cells in three-dimensional microenvironment
2024-Jul-02, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.27.601015
PMID:39005477
|
研究论文 | 本研究利用光学布里渊显微镜和机器学习方法探索三维微环境中转移性癌细胞的机械特性演化 | 首次在三维生理环境中对癌细胞球体进行长期机械特性成像，并发现机械特征可作为癌症分类的新生物标志物 | 研究局限于实验室培养的癌细胞球体模型，尚未在真实人体组织中进行验证 | 探索癌细胞在三维微环境中的机械特性演化及其在癌症分类中的应用 | 癌细胞球体和正常细胞球体 | 生物医学工程 | 癌症 | 光学布里渊显微镜 | 深度学习 | 机械图像 | 八天生长周期的癌细胞球体 | NA | NA | 分类准确率 | NA |
| 2447 | 2025-10-07 |
Deep learning based detection of osteophytes in radiographs and magnetic resonance imagings of the knee using 2D and 3D morphology
2024-07, Journal of orthopaedic research : official publication of the Orthopaedic Research Society
IF:2.1Q2
DOI:10.1002/jor.25800
PMID:38323840
|
研究论文 | 本研究开发了基于深度学习的骨赘检测方法，通过X射线和MRI数据分析膝关节形态特征 | 首次结合2D和3D形态学分析，系统比较X射线和MRI在膝关节骨赘检测中的性能差异，并探索软组织形态对检测效果的影响 | 骨赘评估标准仍需进一步完善，特别是针对早期骨赘变化的检测标准 | 开发自动检测膝关节骨赘的深度学习方法 | 膝关节骨赘 | 计算机视觉 | 骨关节炎 | X射线成像, 磁共振成像 | 深度学习模型 | X射线图像, MRI图像 | NA | NA | NA | 平衡准确度 | NA |
| 2448 | 2025-10-07 |
Autosurv: interpretable deep learning framework for cancer survival analysis incorporating clinical and multi-omics data
2024-Jan-05, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-023-00494-6
PMID:38182734
|
研究论文 | 开发了一个可解释的深度学习框架Autosurv，整合临床和多组学数据用于癌症生存分析 | 结合多组学数据和临床信息进行癌症预后预测，并采用解释方法解决深度神经网络的“黑箱”问题 | 已识别特征的重要性仅得到先前研究的部分支持 | 提高癌症患者的预后预测准确性，优化治疗计划 | 乳腺癌和卵巢癌患者 | 机器学习 | 乳腺癌,卵巢癌 | 基因表达分析,miRNA表达分析 | 深度神经网络 | 基因表达数据,miRNA表达数据,临床数据,人口统计学数据 | 多个独立多组学数据集 | NA | Autosurv | 预后预测准确性 | NA |
| 2449 | 2025-03-26 |
DLAAD-deep learning algorithms assisted diagnosis of chest disease using radiographic medical images
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1511389
PMID:40124976
|
研究论文 | 本研究开发了一种基于深度学习的算法，用于通过胸部X光图像辅助诊断胸部疾病 | 应用深度学习算法提升胸部疾病诊断的准确性和效率，整合现代技术到医疗设备中 | 数据集仅包含5,863张胸部X光图像，且仅分为肺炎和正常两类，可能限制了模型的泛化能力 | 提高计算机辅助诊断系统（CADs）在胸部疾病诊断中的效率和准确性 | 胸部X光图像 | 计算机视觉 | 肺炎 | 迁移学习 | MobileNetV2, VGG-16, ResNet50V2 | 图像 | 5,863张胸部X光图像 | NA | NA | NA | NA |
| 2450 | 2025-03-25 |
Deep learning models reveal the link between dynamic brain connectivity patterns and states of consciousness
2024-12-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76695-1
PMID:39738114
|
研究论文 | 该研究利用深度学习模型探索动态脑功能连接模式与意识状态之间的关系 | 使用低维变分自编码器(VAE)研究脑动力学，扩展了潜在空间表征和建模方法，并提出了可解释的脑计算模型 | 未明确说明样本量或数据收集的具体限制 | 解码脑活动中的意识状态，研究动态脑功能连接与意识的关系 | 人脑动态功能连接模式 | 神经科学 | 意识障碍 | 静息态fMRI，变分自编码器(VAE) | VAE | fMRI图像数据 | NA | NA | NA | NA | NA |
| 2451 | 2025-03-25 |
Deep learning radiomics on grayscale ultrasound images assists in diagnosing benign and malignant of BI-RADS 4 lesions
2024-12-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83347-x
PMID:39733121
|
研究论文 | 本研究探索了一种基于灰度超声图像的深度学习放射组学（DLR）模型，用于辅助放射科医生区分乳腺良性病变（BBL）和恶性病变（MBL） | 提出了一个名为CLDLR的模型，结合临床参数和DLR，通过灰度超声图像诊断乳腺病变，并通过AI评分和热图提升放射科医生的诊断性能 | 研究样本量相对较小（382例患者），且未提及模型在其他数据集上的泛化能力 | 开发一种非侵入性影像生物标志物，用于预测BI-RADS 4类乳腺病变的良恶性 | 乳腺病变患者（183例良性，199例恶性） | 数字病理 | 乳腺癌 | 深度学习放射组学（DLR） | CLDLR（结合临床参数和DLR的模型） | 灰度超声图像 | 382例患者（183例良性，199例恶性） | NA | NA | NA | NA |
| 2452 | 2025-03-25 |
Development and Validation of a Biparametric MRI Deep Learning Radiomics Model with Clinical Characteristics for Predicting Perineural Invasion in Patients with Prostate Cancer
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.013
PMID:39043515
|
研究论文 | 开发并验证了一种结合双参数MRI深度学习和临床特征的模型，用于预测前列腺癌患者的神经周围侵犯 | 整合了临床特征、放射组学和深度学习特征，构建了一个综合预测模型DLRC | 研究样本量有限，且仅基于术前MRI和根治性前列腺切除术的数据 | 非侵入性预测前列腺癌患者的神经周围侵犯(PNI) | 557名接受术前MRI和根治性前列腺切除术的前列腺癌患者 | 数字病理学 | 前列腺癌 | 双参数MRI | 深度学习放射组学模型(DLRC) | MRI图像和临床数据 | 557名患者，按7:3比例分为训练集和验证集 | NA | NA | NA | NA |
| 2453 | 2025-03-25 |
Gated SPECT-Derived Myocardial Strain Estimated From Deep-Learning Image Translation Validated From N-13 Ammonia PET
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.047
PMID:39095261
|
研究论文 | 本研究探讨了使用深度学习生成的虚拟PET样门控SPECT（SPECTVP）评估心肌应变的可行性，以克服传统SPECT的限制 | 利用深度学习技术将SPECT图像转换为PET样图像（SPECTVP），提高了心肌应变测量的准确性 | 研究样本量较小（18名患者在应激状态，23名患者在静息状态），且仅选择了射血分数无变化的患者进行训练 | 提高心肌应变测量的准确性，探索SPECTVP在临床中的应用价值 | 心肌应变 | 数字病理学 | 心血管疾病 | 深度学习图像转换 | 深度学习模型 | 医学图像（SPECT和PET） | 18名患者在应激状态（720对图像），23名患者在静息状态（920对图像） | NA | NA | NA | NA |
| 2454 | 2025-03-25 |
Preoperative Contrast-Enhanced CT-Based Deep Learning Radiomics Model for Distinguishing Retroperitoneal Lipomas and Well‑Differentiated Liposarcomas
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.035
PMID:39003228
|
research paper | 评估基于术前增强CT的深度学习放射组学列线图在区分腹膜后高分化脂肪肉瘤和脂肪瘤中的效能 | 结合放射组学和深度学习特征开发的新型列线图模型，用于术前预测MDM2基因扩增，以区分两种疾病 | 研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限 | 开发术前影像学生物标志物以区分腹膜后高分化脂肪肉瘤和脂肪瘤 | 167例MDM2阳性高分化脂肪肉瘤或MDM2阴性脂肪瘤患者 | digital pathology | liposarcoma | contrast-enhanced CT (CECT) | deep learning radiomics nomogram (DLRN) | medical imaging | 167例患者（训练集104例/外部测试集63例） | NA | NA | NA | NA |
| 2455 | 2025-03-25 |
Predicting the Prognosis of HIFU Ablation of Uterine Fibroids Using a Deep Learning-Based 3D Super-Resolution DWI Radiomics Model: A Multicenter Study
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.027
PMID:38969576
|
研究论文 | 评估基于深度学习的3D超分辨率扩散加权成像放射组学模型在预测高强度聚焦超声消融子宫肌瘤预后中的可行性和有效性 | 使用深度学习构建超分辨率DWI，并在预测HIFU消融子宫肌瘤预后方面优于高分辨率DWI模型和放射科专家评估 | 回顾性研究设计，样本量相对有限（360例患者） | 预测高强度聚焦超声（HIFU）消融子宫肌瘤的预后 | 子宫肌瘤患者 | 数字病理 | 子宫肌瘤 | 扩散加权成像（DWI），深度学习 | SVM, RF, LightGBM | 3D医学影像 | 360例患者（240例训练集，60例内部测试集，60例外部测试集） | NA | NA | NA | NA |
| 2456 | 2025-03-25 |
DeepSAP: A Novel Brain Image-Based Deep Learning Model for Predicting Stroke-Associated Pneumonia From Spontaneous Intracerebral Hemorrhage
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.025
PMID:38955592
|
research paper | 开发了一种基于脑部CT扫描的深度学习模型DeepSAP，用于预测自发性脑出血后的卒中相关性肺炎 | 首次结合脑部CT图像和临床数据，通过MRI模板进行图像配准消除样本间结构差异，实现了脑出血的统计量化和空间标准化 | 研究为回顾性研究，样本量相对较小(n=244)，需要进一步前瞻性验证 | 开发快速可靠的模型及时预测卒中相关性肺炎(SAP) | 244例自发性脑出血(ICH)患者 | digital pathology | cardiovascular disease | CT扫描，MRI-template-based图像配准技术 | deep-learning neural network | image (脑部CT扫描)和临床数据 | 244例ICH患者(训练集170例，测试集74例) | NA | NA | NA | NA |
| 2457 | 2025-03-25 |
Prospective Deployment of Deep Learning Reconstruction Facilitates Highly Accelerated Upper Abdominal MRI
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.044
PMID:38955591
|
研究论文 | 比较传统T1容积插值屏气检查（VIBE）与深度学习（DL）重建加速VIBE序列在上腹部MRI中的图像质量和诊断信心 | 使用深度学习重建技术将VIBE-SPAIR的屏气时间减少50%，同时提高图像质量 | 研究样本量较小（45例患者），且仅在单一三级中心进行 | 评估深度学习重建加速VIBE序列在上腹部MRI中的性能 | 上腹部MRI检查的患者 | 医学影像 | 上腹部疾病 | 深度学习重建技术 | DL | MRI图像 | 45例患者 | NA | NA | NA | NA |
| 2458 | 2025-03-25 |
Super-resolution Deep Learning Reconstruction for 3D Brain MR Imaging: Improvement of Cranial Nerve Depiction and Interobserver Agreement in Evaluations of Neurovascular Conflict
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.010
PMID:38897913
|
research paper | 该研究探讨了超分辨率深度学习重建（SR-DLR）在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果 | 首次比较了SR-DLR与DLR在3D FASE脑部MR图像中对颅神经描绘和神经血管冲突评估的影响 | 研究样本量较小（37例患者），且SR-DLR显示出更高的主观图像噪声 | 评估SR-DLR在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果 | 37例患者的3D FASE脑部MR图像 | digital pathology | 神经血管疾病 | 3D fast asymmetric spin echo (3D FASE)脑部MR成像 | 深度学习重建（DLR）和超分辨率深度学习重建（SR-DLR） | 3D MR图像 | 37例患者 | NA | NA | NA | NA |
| 2459 | 2025-03-25 |
Predicting Lymphovascular Invasion in Non-small Cell Lung Cancer Using Deep Convolutional Neural Networks on Preoperative Chest CT
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.010
PMID:38845293
|
研究论文 | 本研究利用术前胸部CT图像和深度学习技术，构建了一个非小细胞肺癌淋巴血管侵犯的无创预测诊断模型 | 结合2D和3D CT成像特征以及临床放射学数据，开发了四种不同的深度卷积神经网络预测模型，用于预测非小细胞肺癌的淋巴血管侵犯 | 研究为回顾性观察研究，样本中LVI阳性患者较少（106例），可能影响模型的泛化能力 | 开发非小细胞肺癌淋巴血管侵犯的无创预测方法 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | DCNN（包括Dual-head Res2Net_3D23F、Dual-head Res2Net_3D3F、Dual-head Res2Net_3D和EfficientNet-B0_2D） | 图像 | 3034例非小细胞肺癌患者（其中106例LVI阳性） | NA | NA | NA | NA |
| 2460 | 2025-03-25 |
Value of CT-Based Deep Learning Model in Differentiating Benign and Malignant Solid Pulmonary Nodules ≤ 8 mm
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.021
PMID:38806374
|
研究论文 | 本研究探讨了基于CT的深度学习模型在区分≤8mm的良性和恶性实性肺结节中的有效性 | 使用MDANet构建的深度学习模型，结合结节和不同周围区域特征，优于传统算法 | 样本量有限（n=719），且所有患者均接受了手术切除，可能影响模型的泛化能力 | 评估基于CT的深度学习模型在区分小实性肺结节良恶性方面的性能 | ≤8mm的实性肺结节 | 数字病理学 | 肺癌 | CT扫描 | MDANet, VGG19, ResNet50, ResNeXt50, DenseNet121 | 医学影像 | 719例患者（内部训练、内部验证和外部验证队列） | NA | NA | NA | NA |