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 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2026-03-05 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Sep-12, ArXiv
PMID:39314513
|
研究论文 | 本研究开发了一个基于多任务学习的统一计算框架，用于胎儿脑部扩散磁共振成像的精确组织分割、白质束分割和脑区划分 | 首次提出一个统一的多任务深度学习框架，能够同时完成胎儿脑部组织分割、白质束分割和脑区划分三项关键任务 | 研究仅基于97个胎儿脑部样本，样本量相对有限，且数据质量受胎儿运动等因素影响 | 开发自动化计算方法以解决胎儿脑部扩散磁共振成像数据分析的可靠性和可重复性问题 | 胎儿脑部扩散磁共振成像数据 | 医学影像分析 | 胎儿神经发育 | 扩散加权磁共振成像 | 深度学习 | 医学影像 | 97个胎儿脑部样本 | NA | 多任务深度学习模型 | Dice相似系数 | NA |
| 542 | 2026-03-05 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Aug-30, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.29.609697
PMID:39257731
|
研究论文 | 本文开发并验证了一个统一的计算框架，用于胎儿脑部扩散磁共振成像数据的多任务分析，包括组织分割、白质束分割和脑区划分 | 提出了一种多任务深度学习方法来同时执行胎儿脑部扩散磁共振成像数据的组织分割、白质束分割和脑区划分，解决了现有自动化方法缺失的问题 | 未明确提及，但可能包括数据质量低、脑部发育快速带来的挑战，以及标注数据的有限性 | 开发可靠的计算方法来分析胎儿脑部扩散磁共振成像数据，以促进胎儿神经影像学领域的发展 | 胎儿脑部扩散磁共振成像数据 | 医学影像分析 | NA | 扩散磁共振成像 | 深度学习 | 磁共振图像 | 97个胎儿脑部 | NA | NA | Dice相似系数 | NA |
| 543 | 2026-03-05 |
Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial
2024-Mar-19, ArXiv
PMID:38562444
|
研究论文 | 本研究提出了一种基于深度学习的PCCT图像重建方法，旨在在减半剂量和加倍速度下进行临床诊断 | 提出了一种基于块的体积细化网络以缓解GPU内存限制，使用合成数据训练网络，并采用基于模型的迭代细化来弥合合成数据与真实数据之间的差距 | GPU内存限制、训练数据稀缺以及领域差距问题 | 改进PCCT的辐射剂量和成像速度，以用于对比增强和其他研究 | 新西兰临床试验中的8名患者 | 计算机视觉 | NA | X射线光子计数计算机断层扫描 | 深度学习 | 图像 | 8名患者 | NA | 基于块的体积细化网络 | 诊断图像质量评分 | GPU内存限制 |
| 544 | 2026-03-03 |
LungHist700: A dataset of histological images for deep learning in pulmonary pathology
2024-10-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03944-3
PMID:39368979
|
研究论文 | 本文介绍了一个名为LungHist700的高分辨率肺部组织学图像数据集，用于支持深度学习在肺病理学中的应用 | 提出了一个包含691张高分辨率肺部组织学图像的数据集，覆盖腺癌、鳞状细胞癌和正常组织，并细分为三个分化等级，为深度学习模型提供了丰富的分类任务 | 数据集仅包含45名患者的图像，样本规模相对较小，可能限制了模型的泛化能力 | 旨在通过提供高质量数据集，促进深度学习在肺部恶性肿瘤检测和分类中的应用 | 肺部组织学图像，包括腺癌、鳞状细胞癌和正常组织 | 数字病理学 | 肺癌 | 组织病理学成像 | 深度神经网络, 多实例学习 | 图像 | 691张高分辨率图像，来自45名患者 | NA | NA | 准确率 | NA |
| 545 | 2026-03-03 |
A multicenter dataset for lymph node clinical target volume delineation of nasopharyngeal carcinoma
2024-10-04, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03890-0
PMID:39366975
|
研究论文 | 本研究构建了一个用于鼻咽癌淋巴结临床靶区勾画的多中心数据集，以支持深度学习模型的开发与评估 | 创建了首个用于自动淋巴结临床靶区勾画开发与评估的多中心数据集，整合了来自四个中心的262名患者数据，并基于专家共识提供了手动勾画的真实标签 | 数据集规模相对有限（262名患者），且依赖于专家手动勾画，可能存在主观差异 | 开发深度学习模型以准确预测鼻咽癌放疗中的淋巴结临床靶区 | 鼻咽癌患者的淋巴结临床靶区 | 数字病理学 | 鼻咽癌 | 计算机断层扫描 | 深度学习分割模型 | 医学图像 | 262名患者，包含440张计算机断层扫描图像 | NA | NA | NA | NA |
| 546 | 2026-03-03 |
High-resolution AI image dataset for diagnosing oral submucous fibrosis and squamous cell carcinoma
2024-09-27, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03836-6
PMID:39333529
|
研究论文 | 本文介绍了ORCHID数据库，一个用于口腔癌和癌前病变AI分析的高分辨率图像数据集 | 创建了一个专门针对口腔黏膜下纤维化和鳞状细胞癌的多中心高分辨率图像数据库，并包含分级亚类 | NA | 推动基于AI的口腔癌组织学图像分析研究，开发快速诊断工具 | 口腔癌和癌前病变的组织学图像，特别是口腔黏膜下纤维化（OSMF）和口腔鳞状细胞癌（OSCC） | 数字病理学 | 口腔癌 | 组织病理学成像 | 深度学习算法 | 图像 | NA | NA | NA | NA | NA |
| 547 | 2026-03-03 |
Deepdive: Leveraging Pre-trained Deep Learning for Deep-Sea ROV Biota Identification in the Great Barrier Reef
2024-09-03, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03766-3
PMID:39227607
|
研究论文 | 本文通过构建一个包含3994张图像、33个类别的深海生物数据集，并利用预训练的深度学习模型进行图像分类，以支持大堡礁深海生态系统的自动生物识别 | 贡献了一个新的深海ROV图像分类数据集，并首次在该数据集上应用了Inception-ResNet等深度学习模型进行基准测试，展示了模型在类别不平衡情况下的性能 | 数据集存在类别不平衡问题，且模型的平均分类准确率仅为65%，可能受限于样本数量和类别多样性 | 开发自动化的深海生物分类方法，以支持海洋生态系统保护和生物多样性评估 | 深海生物（通过ROV采集的图像数据） | 计算机视觉 | NA | 远程操作车辆（ROV）成像 | CNN | 图像 | 3994张图像，涵盖33个类别 | NA | ResNet, DenseNet, Inception, Inception-ResNet | 准确率, AUC | NA |
| 548 | 2026-03-03 |
Potential rapid intraoperative cancer diagnosis using dynamic full-field optical coherence tomography and deep learning: A prospective cohort study in breast cancer patients
2024-06-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.061
PMID:38702279
|
研究论文 | 本研究提出了一种结合动态全场光学相干断层扫描和深度学习的快速术中癌症诊断工作流程，用于乳腺癌患者的实时肿瘤诊断 | 首次将动态全场光学相干断层扫描与深度学习结合，实现无需组织准备或染色的非破坏性、近实时术中癌症诊断 | 研究样本量相对较小，且仅针对乳腺癌，未涵盖所有癌症类型 | 开发一种快速、自动化的术中癌症诊断方法，以替代传统耗时、资源密集的病理学评估 | 乳腺癌患者的良性及恶性乳腺组织 | 数字病理学 | 乳腺癌 | 动态全场光学相干断层扫描 | 深度学习模型 | 图像 | 建模组182例（48良性，114浸润性导管癌，10浸润性小叶癌，4导管原位癌，6罕见肿瘤），独立测试组42例（10良性，29浸润性导管癌，1导管原位癌，2罕见肿瘤） | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 549 | 2024-08-07 |
Deep learning-powered enzyme efficiency boosting with evolutionary information
2024-05-30, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.034
PMID:38531716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 550 | 2026-03-03 |
Deep learning-assisted intelligent wearable precise cardiovascular monitoring system
2024-05-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.03.035
PMID:38538462
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 551 | 2026-03-03 |
DeepWMH: A deep learning tool for accurate white matter hyperintensity segmentation without requiring manual annotations for training
2024-04-15, Science bulletin
IF:18.8Q1
DOI:10.1016/j.scib.2024.01.034
PMID:38320896
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 552 | 2026-03-03 |
Biometric contrastive learning for data-efficient deep learning from electrocardiographic images
2024-04-03, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocae002
PMID:38269618
|
研究论文 | 本文提出了一种名为生物特征对比学习（BCL）的自监督预训练方法，用于从心电图（ECG）图像中高效学习，以检测心房颤动、性别和左心室射血分数降低等疾病 | 开发了一种利用同一患者不同时间点、不同布局的ECG图像对进行自监督预训练的新方法，该方法在标签数据有限的情况下显著优于传统的ImageNet初始化和通用的图像对比学习方法 | 研究主要基于特定队列（耶鲁大学2000-2015年数据），外部验证队列有限；未详细探讨方法对其他类型心脏疾病的泛化能力 | 开发一种数据高效的深度学习模型，用于从心电图图像中检测心脏疾病 | 心电图（ECG）图像 | 计算机视觉 | 心血管疾病 | 心电图成像 | CNN | 图像 | 78,288名个体的心电图图像对（来自耶鲁大学2000-2015年数据），以及2015-2021年的心电图用于微调 | NA | NA | AUROC | NA |
| 553 | 2026-03-03 |
Artificial Intelligence: Fundamentals and Breakthrough Applications in Epilepsy
2024-Mar-31, Epilepsy currents
IF:5.8Q1
DOI:10.1177/15357597241238526
PMID:39554271
|
综述 | 本文综述了人工智能在癫痫研究和临床护理中的基础原理与突破性应用 | 系统整合了人工智能在癫痫领域的多个前沿应用方向，包括药物筛选、临床治疗预测和脑电信号分析 | NA | 传播人工智能在癫痫学中的知识、应用方法、优势及潜在限制 | 癫痫研究、临床护理及相关技术应用 | 机器学习 | 癫痫 | NA | NA | NA | NA | NA | NA | NA | NA |
| 554 | 2026-03-03 |
scMeFormer: a transformer-based deep learning model for imputing DNA methylation states in single cells enhances the detection of epigenetic alterations in schizophrenia
2024-Jan-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.25.577200
PMID:38328094
|
研究论文 | 本研究提出了一种基于Transformer的深度学习模型scMeFormer，用于在单细胞水平上推算DNA甲基化状态，以增强对精神分裂症中表观遗传改变的检测 | 开发了首个基于Transformer的深度学习模型scMeFormer，用于单细胞DNA甲基化状态的推算，即使在CpG位点覆盖率低至10%的情况下也能实现高保真推算 | 未明确提及模型在更广泛疾病或技术平台上的泛化能力，以及计算资源需求的具体细节 | 通过深度学习模型推算单细胞DNA甲基化状态，以提升对表观遗传改变（特别是精神分裂症相关改变）的检测能力 | 单细胞DNA甲基化数据，包括来自精神分裂症患者和神经典型对照的前额叶皮层样本 | 机器学习 | 精神分裂症 | 单细胞DNA甲基化测序 | Transformer | DNA甲基化状态数据 | 四个单核DNA甲基化数据集，包括来自4名精神分裂症患者和4名神经典型对照的前额叶皮层样本 | 未明确提及 | Transformer | 未明确提及具体指标，但强调了高保真推算和检测能力的提升 | 未明确提及 |
| 555 | 2026-03-02 |
Natural Language Processing of Clinical Documentation to Assess Functional Status in Patients With Heart Failure
2024-11-04, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究开发并验证了一种深度学习自然语言处理策略，用于从心力衰竭患者的非结构化临床文档中提取功能状态评估信息 | 提出了一种深度学习NLP方法，能够从临床文档中准确提取纽约心脏协会分级和心力衰竭症状，显著提升了从非结构化文本中识别功能状态的能力 | 研究数据来源于三个特定的医疗网络，可能限制了模型的泛化能力；模型性能依赖于专家标注的笔记质量 | 开发并验证一种自然语言处理策略，用于从临床文档中自动提取心力衰竭患者的功能状态评估，以支持质量改进和临床试验患者筛选 | 被诊断为心力衰竭并在门诊就诊的患者 | 自然语言处理 | 心血管疾病 | 自然语言处理 | 深度学习模型 | 文本 | 34,070名心力衰竭患者，涉及3000份专家标注的临床笔记和182,308份未标注笔记 | NA | NA | AUROC | NA |
| 556 | 2026-03-02 |
Clinical usability of deep learning-based saliency maps for occlusion myocardial infarction identification from the prehospital 12-Lead electrocardiogram
2024 Nov-Dec, Journal of electrocardiology
IF:1.3Q3
|
研究论文 | 本研究评估了基于深度学习的显著图在院前12导联心电图中识别闭塞性心肌梗死的临床可用性 | 首次在临床环境中评估显著图对深度学习心电图模型可解释性的增强作用，并揭示了模型与临床医生在关键心电图段认知上的差异 | 研究样本量较小（仅100例心电图），且仅涉及三位临床医生，可能限制结果的普遍性 | 评估深度学习显著图在辅助临床医生识别闭塞性心肌梗死中的临床相关性和帮助性 | 来自胸痛患者的100份心电图及其对应的深度学习显著图 | 机器学习 | 心血管疾病 | 心电图分析 | CNN | 心电图信号 | 100份心电图 | NA | 卷积神经网络 | AUC, F1分数 | NA |
| 557 | 2026-03-02 |
Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning
2024-09-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-52263-z
PMID:39266547
|
研究论文 | 本文提出了一种基于自发光显微镜和深度学习的虚拟双折射成像与虚拟刚果红染色方法，用于无标记组织中淀粉样蛋白沉积物的可视化 | 利用单个神经网络将无标记组织的自发光图像转换为亮场和偏振显微镜图像，实现虚拟双折射成像与虚拟刚果红染色，避免了传统化学染色的繁琐与误差 | 研究主要针对心脏组织，未涉及其他器官或组织类型，且可能受自发光图像质量影响 | 开发一种无标记、自动化的淀粉样蛋白沉积物成像方法，以替代传统刚果红染色 | 无标记人体组织中的淀粉样蛋白沉积物 | 数字病理学 | 系统性淀粉样变性 | 自发光显微镜 | 神经网络 | 图像 | 未明确指定样本数量，但涉及心脏组织 | NA | NA | 定量指标与病理学家评估 | NA |
| 558 | 2026-03-02 |
Deep Learning Segmentation of Infiltrative and Enhancing Cellular Tumor at Pre- and Posttreatment Multishell Diffusion MRI of Glioblastoma
2024-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.230489
PMID:39166970
|
研究论文 | 本研究开发并验证了一种基于深度学习的模型，用于在胶质母细胞瘤患者治疗前后的多壳层扩散MRI上分割增强和非增强的细胞肿瘤区域，并预测总生存期和无进展生存期 | 利用nnU-Net深度学习模型整合灌注和多壳层扩散MRI数据，实现了对胶质母细胞瘤中增强和非增强细胞肿瘤的自动分割，并验证了其在区分肿瘤复发与治疗后改变以及预测生存期方面的能力 | 研究为回顾性设计，可能存在选择偏倚；模型性能在不同外部测试队列中可能存在差异 | 开发并验证一种深度学习方法来检测和分割胶质母细胞瘤的细胞肿瘤区域，并预测患者的生存结局 | 胶质母细胞瘤患者 | 数字病理学 | 胶质母细胞瘤 | 多壳层扩散MRI, 灌注成像 | CNN | MRI图像 | 内部数据集包含1297名患者的1397次MRI扫描（其中243次用于训练和交叉验证），以及四个外部测试队列（分别包含55、70、610和419次MRI时间点） | nnU-Net | nnU-Net | Dice分数, AUC | NA |
| 559 | 2026-03-02 |
Deep learning enables accurate soft tissue tendon deformation estimation in vivo via ultrasound imaging
2024-08-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-68875-w
PMID:39117664
|
研究论文 | 本文提出了一种名为StrainNet的新型深度学习方法，用于通过超声成像在体内准确估计软组织肌腱的变形 | 开发了StrainNet，一种专门针对体内超声图像序列设计的深度学习模型，通过结合图像伪影的训练数据集，在挑战性体内环境中实现高性能变形估计，相比传统方法性能提升近90% | 研究主要针对人类屈肌腱，可能未涵盖其他组织类型；模型训练依赖于人工生成的图像序列，可能无法完全模拟所有体内复杂情况 | 开发一种能够准确测量体内组织变形的图像分析方法，以评估组织健康和疾病进展 | 人类屈肌腱 | 计算机视觉 | NA | 高频超声成像 | 深度学习模型 | 图像序列 | NA | NA | StrainNet | NA | NA |
| 560 | 2026-03-02 |
Current genomic deep learning models display decreased performance in cell type-specific accessible regions
2024-Aug-01, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-024-03335-2
PMID:39090688
|
研究论文 | 本文评估了基因组深度学习模型在细胞类型特异性染色质可及性区域的性能表现 | 揭示了基因组深度学习模型在细胞类型特异性可及区域的性能下降，并提出通过单任务学习或高容量多任务模型来提升性能的新策略 | 未详细说明模型在变异效应预测方面的改进策略，且性能提升方法可能受限于特定组织类型 | 评估基因组深度学习模型在不同细胞类型特异性染色质可及性区域的预测准确性 | 基因组深度学习模型（如Enformer和Sei）及其在染色质可及性预测中的应用 | 机器学习 | NA | 染色质可及性预测 | 深度学习模型 | DNA序列数据 | NA | NA | Enformer, Sei | 准确性 | NA |