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 2821 - 2840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2821 | 2025-10-07 |
Application of machine-learning model to optimize colonic adenoma detection in India
2024-10, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology
IF:2.0Q3
DOI:10.1007/s12664-024-01530-4
PMID:38758433
|
研究论文 | 开发机器学习模型优化印度人群结肠腺瘤检测 | 首次在印度次大陆建立结肠腺瘤预测模型，采用梯度提升树模型并实现92.2%的AUC | 排除了结肠腺瘤高风险患者，研究人群存在选择性偏倚 | 优化结肠腺瘤检测以预防结直肠癌 | 接受诊断性结肠镜检查的成年患者 | 机器学习 | 结直肠癌 | 结肠镜检查 | 梯度提升机,深度学习,决策树,随机森林,逻辑回归 | 临床数据 | 10320名患者（平均年龄45.18±14.82岁，69%男性） | NA | 梯度提升树 | AUC | NA |
| 2822 | 2025-10-07 |
Deep-learning models for differentiation of xanthogranulomatous cholecystitis and gallbladder cancer on ultrasound
2024-08, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology
IF:2.0Q3
DOI:10.1007/s12664-023-01483-0
PMID:38110782
|
研究论文 | 本研究利用深度学习模型在超声图像上区分黄色肉芽肿性胆囊炎和胆囊癌 | 首次将最先进的深度学习模型（GBCNet-CNN和RadFormer-Transformer）应用于超声图像中XGC和GBC的鉴别诊断 | 单中心研究，样本量有限（80例患者），缺乏外部验证 | 开发基于深度学习的超声图像分类模型，用于区分黄色肉芽肿性胆囊炎和胆囊癌 | 黄色肉芽肿性胆囊炎和胆囊癌患者的术前超声图像 | 计算机视觉 | 胆囊疾病 | 超声成像 | CNN, Transformer | 超声图像 | 80例患者（25例XGC，55例GBC） | NA | GBCNet, RadFormer, DenseNet-121, ViT, DeiT | 灵敏度, 特异度, AUC | NA |
| 2823 | 2025-10-07 |
Independent Associations of Aortic Calcification with Cirrhosis and Liver Related Mortality in Veterans with Chronic Liver Disease
2024-Jul, Digestive diseases and sciences
IF:2.5Q2
DOI:10.1007/s10620-024-08450-5
PMID:38653948
|
研究论文 | 本研究评估腹主动脉钙化与慢性肝病患者肝硬化发展和肝相关死亡率的独立关联 | 首次利用自动化深度学习方法量化腹主动脉钙化评分，并系统评估其与多种慢性肝病类型临床结局的关联 | 研究对象仅限于退伍军人群体，可能存在选择偏倚；样本来源单一 | 评估腹主动脉钙化与慢性肝病患者肝硬化发展、肝脏失代偿、肝相关死亡和总体死亡的关联 | 患有三种慢性肝病（非酒精性脂肪肝、丙型肝炎、酒精相关性肝病）的退伍军人 | 数字病理 | 肝硬化 | 腹部CT扫描 | 深度学习 | 医学影像 | 3604名退伍军人 | NA | NA | 风险比(HR), 置信区间(CI) | NA |
| 2824 | 2025-10-07 |
Unraveling trends in schistosomiasis: deep learning insights into national control programs in China
2024, Epidemiology and health
IF:2.2Q2
DOI:10.4178/epih.e2024039
PMID:38514196
|
研究论文 | 本研究使用深度学习模型分析中国血吸虫病控制项目的进展和时空变化趋势 | 提出基于分层积分差分方程框架的卷积神经网络模型(CNN-IDE)用于血吸虫病时空动态建模 | 研究仅基于安徽省的数据，可能无法完全代表其他地区的血吸虫病流行情况 | 评估中国国家血吸虫病控制项目的效果并预测疾病流行趋势 | 中国安徽省长江沿岸血吸虫病流行区的村级流行病学数据 | 机器学习 | 血吸虫病 | 横断面调查 | CNN | 寄生虫学数据,环境数据 | 1997-2015年安徽省村级调查数据 | NA | CNN-IDE | MSPE,CRPS | NA |
| 2825 | 2025-10-07 |
Deep Learning Estimation of 10-2 Visual Field Map Based on Macular Optical Coherence Tomography Angiography Measurements
2024-01, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2023.09.014
PMID:37734638
|
研究论文 | 开发基于深度学习模型从黄斑OCTA血管密度测量估计中心视野的方法 | 首次使用深度学习模型从OCTA血管密度图像直接估计10-2视野图参数，相比传统线性回归模型显著提升预测精度 | 样本量相对有限（1051个样本），仅针对中心视野评估，未包含周边视野数据 | 开发能够从OCTA图像准确估计视野损失的深度学习模型 | 健康眼、青光眼疑似者和青光眼患者的10-2视野和OCTA配对数据 | 医学影像分析 | 青光眼 | 光学相干断层扫描血管成像（OCTA） | 深度学习模型 | 黄斑en face血管密度图像 | 1051个10-2视野OCTA配对样本（包含健康眼、青光眼疑似者和青光眼患者） | NA | NA | 平均绝对误差（MAE）, R2（皮尔逊相关系数平方） | NA |
| 2826 | 2025-02-14 |
Blinking characteristics analyzed by a deep learning model and the relationship with tear film stability in children with long-term use of orthokeratology
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1517240
PMID:39935789
|
研究论文 | 本研究使用深度学习模型观察长期使用角膜塑形镜（ortho-K）儿童的眨眼特征，并评估其与泪膜稳定性的相关性 | 提出了一种基于U-Net和Swin-Transformer的深度学习系统，用于观察眨眼特征，并首次定义了相对IPH%来量化不完全眨眼的程度 | 样本量较小（31名儿童，58只眼），且为回顾性研究，可能存在选择偏倚 | 研究长期使用角膜塑形镜儿童的眨眼特征及其与泪膜稳定性的关系 | 长期使用角膜塑形镜的儿童 | 计算机视觉 | 眼科疾病 | 深度学习 | U-Net, Swin-Transformer | 视频 | 31名儿童（58只眼） | NA | NA | NA | NA |
| 2827 | 2025-02-14 |
End-to-end 3D instance segmentation of synthetic data and embryo microscopy images with a 3D Mask R-CNN
2024, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2024.1497539
PMID:39944885
|
研究论文 | 本文介绍了一种3D Mask R-CNN的改进版本，用于3D实例分割，并在合成数据和胚胎显微镜图像上进行了验证 | 开发了自定义的TensorFlow操作，用于3D非最大抑制和3D裁剪与调整大小，从而实现了对3D数据的高效训练和推理 | 在最嘈杂的对象上，3D Mask R-CNN的表现存在局限性 | 解决3D图像分析中的实例分割问题，特别是在医学和显微镜图像中的应用 | 合成数据和胚胎显微镜图像 | 计算机视觉 | NA | 3D Mask R-CNN | CNN | 3D图像 | 合成数据和胚胎显微镜图像 | NA | NA | NA | NA |
| 2828 | 2025-02-14 |
Application of deep learning for real-time detection, localization, and counting of the malignant invasive weed Solanum rostratum Dunal
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1486929
PMID:39944948
|
研究论文 | 本文介绍了一种名为TrackSolanum的深度学习网络模型，用于实时检测、定位和计数恶性入侵杂草Solanum rostratum Dunal（SrD） | 设计了TrackSolanum网络模型，结合了检测、跟踪、定位和计数四个模块，实现了对SrD的实时检测和精确管理 | 模型在不同高度的无人机视频中表现有所差异，特别是在3米高度时，精度和召回率有所下降 | 开发一种能够实时检测、定位和计数SrD的技术，以支持对SrD的危害评估和精确管理 | 恶性入侵杂草Solanum rostratum Dunal（SrD） | 计算机视觉 | NA | 深度学习 | YOLO_EAND, DeepSort | 视频 | 无人机视频（2米和3米高度） | NA | NA | NA | NA |
| 2829 | 2025-10-07 |
Artificial Intelligence to Facilitate Clinical Trial Recruitment in Age-Related Macular Degeneration
2024 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100566
PMID:39139546
|
研究论文 | 本研究开发了一种基于深度学习的人工智能系统，用于自动筛选符合地理萎缩临床试验资格的患者 | 利用AI生成的视网膜组织分割来识别临床试验合格患者，相比传统电子健康记录搜索方法具有更高精度 | 研究基于单一医疗中心的回顾性数据，需要进一步外部验证 | 探索人工智能在年龄相关性黄斑变性临床试验招募中的应用 | 地理萎缩(GA)患者，作为年龄相关性黄斑变性的晚期阶段 | 数字病理 | 年龄相关性黄斑变性 | OCT成像, FAF成像 | 深度学习 | 医学图像 | 306,651名患者(602,826只眼睛) | NA | NA | 阳性预测值, 组内相关系数 | NA |
| 2830 | 2025-10-07 |
Generative artificial intelligence in ophthalmology: current innovations, future applications and challenges
2024-Sep-20, The British journal of ophthalmology
DOI:10.1136/bjo-2024-325458
PMID:38925907
|
综述 | 探讨生成式人工智能在眼科领域的当前创新、未来应用与挑战 | 系统阐述生成对抗网络和扩散模型在眼科影像生成中的应用，以及多模态基础模型在眼科的多场景应用潜力 | 该技术仍处于发展初期，存在数据偏差、安全问题和临床实施挑战 | 分析生成式AI在眼科领域的应用前景与技术挑战 | 眼科医疗影像与相关文本数据 | 计算机视觉, 自然语言处理 | 眼科疾病 | 生成对抗网络, 扩散模型, 多模态基础模型 | GAN, 扩散模型 | 图像, 文本, 视频 | NA | NA | NA | NA | NA |
| 2831 | 2024-08-08 |
Commentary: Detection of Endoleak After Endovascular Aortic Repair Through Deep Learning Based on Non-contrast CT
2024-Sep, Cardiovascular and interventional radiology
IF:2.8Q2
DOI:10.1007/s00270-024-03830-w
PMID:39110204
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2832 | 2025-10-07 |
Applications of artificial intelligence in biliary tract cancers
2024-08, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology
IF:2.0Q3
DOI:10.1007/s12664-024-01518-0
PMID:38427281
|
综述 | 本文综述人工智能在胆道癌诊断和预后改善中的应用策略 | 系统总结AI技术在胆道癌这一具有地域特异性的恶性肿瘤中的应用现状 | NA | 探讨人工智能技术在胆道癌诊疗中的应用价值 | 胆道癌（包括胆管癌和胆囊癌） | 医学影像分析 | 胆道癌 | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 2833 | 2025-10-07 |
Attribute-guided prototype network for few-shot molecular property prediction
2024-Jul-25, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae394
PMID:39133096
|
研究论文 | 提出一种属性引导原型网络(APN)用于解决小样本分子性质预测的挑战 | 引入分子属性提取器提取多种指纹属性，并设计属性引导双通道注意力模块学习分子图与属性间的关系 | NA | 解决小样本分子性质预测问题，提升药物发现过程中的分子评估和筛选效率 | 分子性质预测中的小样本学习场景 | 机器学习 | NA | 分子指纹属性提取，自监督学习 | 原型网络 | 分子图数据，指纹属性数据 | NA | NA | 属性引导原型网络(APN)，属性引导双通道注意力模块 | NA | NA |
| 2834 | 2025-10-07 |
Predicting dynamic, motion-related changes in B0 field in the brain at a 7T MRI using a subject-specific fine-trained U-net
2024-May, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29980
PMID:38193276
|
研究论文 | 提出一种基于深度学习的方法，通过头部位置变化预测7T MRI中大脑B0场的动态变化 | 使用针对特定受试者精细训练的3D U-net网络，仅需有限头部位置测量即可预测B0场变化，无需传统导航序列 | 需要外部跟踪硬件配合，且依赖于刚性运动假设 | 开发无需导航器的B0场动态变化预测方法，提高MRI数据质量 | 大脑B0场在头部运动时的动态变化 | 医学影像分析 | NA | 7T MRI，梯度回波序列 | CNN | 3D MRI图像，B0场图 | NA | NA | 3D U-net | 定性比较，定量比较 | NA |
| 2835 | 2025-10-07 |
Deep IDA: a deep learning approach for integrative discriminant analysis of multi-omics data with feature ranking-an application to COVID-19
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae060
PMID:39027641
|
研究论文 | 提出一种用于多组学数据整合判别分析的深度学习方法Deep IDA，通过非线性变换实现最大关联和最大分离，并应用于COVID-19研究 | 开发了能够处理两个或更多数据视图复杂非线性关系的深度学习方法，并提出基于集成学习的特征排序方法以提高结果可解释性 | 未明确说明样本量的具体限制或模型在其他疾病数据集上的泛化能力 | 开发多组学数据整合分析方法以更好理解复杂疾病的病理生物学 | COVID-19患者的多组学数据 | 机器学习 | COVID-19 | RNA测序，代谢组学，蛋白质组学 | 深度学习 | 多组学数据 | 两个大型真实世界数据集 | PyTorch | Deep IDA | NA | NA |
| 2836 | 2025-10-07 |
Automated recognition of emotional states of horses from facial expressions
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0302893
PMID:39008504
|
研究论文 | 本研究开发了首个基于马匹面部表情自动识别情绪状态的AI模型 | 首次将AI模型应用于马匹情绪状态识别，探索了深度学习和机器学习两种方法，并比较了视频输入与EquiFACS注释输入的差异 | 积极期待和挫折两种情绪状态难以区分，准确率仅为61% | 开发自动识别马匹情绪状态的AI模型 | 马匹 | 计算机视觉 | NA | EquiFACS注释 | 深度学习, 机器学习 | 视频, 注释数据 | NA | NA | NA | 准确率 | NA |
| 2837 | 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 |
| 2838 | 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 |
| 2839 | 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 |
| 2840 | 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 |