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 12022 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2025-11-03 |
DeepSomatic: Accurate somatic small variant discovery for multiple sequencing technologies
2024-Aug-19, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.16.608331
PMID:39229187
|
研究论文 | 提出一种名为DeepSomatic的深度学习方法，用于从短读长和长读长测序数据中准确检测体细胞小变异 | 首个能够同时处理短读长和长读长测序数据的体细胞变异检测方法，并提供了公开的训练和基准数据集 | 未提及方法在特定癌症类型或复杂基因组区域的性能限制 | 开发高精度的体细胞变异检测工具，支持多种测序技术 | 体细胞单核苷酸变异(SNVs)和插入缺失(indels) | 生物信息学 | 癌症 | Illumina短读长测序, PacBio HiFi长读长测序, Oxford Nanopore长读长测序 | 深度学习 | 基因组测序数据 | 5对匹配的肿瘤-正常细胞系样本 | NA | NA | NA | NA |
| 42 | 2025-11-03 |
Overcoming Limitations to Deep Learning in Domesticated Animals with TrioTrain
2024-Apr-20, bioRxiv : the preprint server for biology
DOI:10.1101/2024.04.15.589602
PMID:38659907
|
研究论文 | 提出TrioTrain方法解决深度学习在驯养动物基因组分析中的局限性，开发首个多物种DeepVariant模型 | 首创多物种DeepVariant模型，通过TrioTrain方法自动化扩展非人类物种的变异检测，使用区域重排技术优化SLURM集群计算 | 受限于动物基因组的不完美标签数据 | 克服深度学习在驯养动物基因组分析中的限制，开发通用变异检测算法 | 牛、牦牛和野牛的三重基因组数据 | 生物信息学 | NA | 基因组测序，变异检测 | 深度学习 | 基因组序列数据 | 牛、牦牛和野牛的三重样本，共30个模型迭代 | DeepVariant | NA | 孟德尔遗传错误率，SNP F1分数 | SLURM集群 |
| 43 | 2025-11-03 |
Comparison of deep learning approaches to estimate injury severity from the International Classification of Diseases codes
2024, Traffic injury prevention
IF:1.6Q4
DOI:10.1080/15389588.2024.2356663
PMID:39485495
|
研究论文 | 比较不同深度学习方法从ICD编码估计损伤严重程度的性能 | 首次系统比较前馈神经网络与神经机器翻译模型在损伤严重程度估计中的表现，并对比直接与间接估计方法的优劣 | 仅使用美国国家创伤数据库数据，可能在其他医疗系统中泛化性有限 | 开发从ICD编码准确估计损伤严重程度的方法 | 创伤患者的ICD编码数据 | 自然语言处理 | 创伤 | 深度学习方法 | 前馈神经网络,神经机器翻译 | 医疗编码文本数据 | 训练集2,031,793例(2017-2018年)，测试集1,091,792例(2019年) | NA | 编码器-解码器架构 | ISS≥16正确分类百分比,ISS精确匹配百分比 | GPU(具体型号未指定) |
| 44 | 2025-10-31 |
AI-Powered Telemedicine for Automatic Scoring of Neuromuscular Examinations
2024-Sep-20, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering11090942
PMID:39329684
|
研究论文 | 开发基于人工智能的远程医疗工具，用于自动化重症肌无力神经肌肉检查的评分 | 首次将计算机视觉、深度学习和自然语言处理技术结合，用于远程医疗视频的自动分段和神经肌肉检查的定量评估 | NA | 提高重症肌无力评估的效率和准确性，减少人为评估的主观性 | 重症肌无力患者的远程医疗视频检查 | 计算机视觉,自然语言处理 | 重症肌无力 | 远程医疗视频分析 | 深度学习模型 | 视频,临床评估数据 | NA | NA | NA | NA | NA |
| 45 | 2025-10-29 |
A Robust and Data-Efficient Deep Learning Model for Cardiac Assessment without Segmentation
2024-Oct-28, Research square
DOI:10.21203/rs.3.rs-5290766/v1
PMID:39574901
|
研究论文 | 提出一种无需心室分割的鲁棒且数据高效深度学习模型用于心脏评估 | 通过分解和转换卷积编码器输出估计与心动周期相关的帧级权重，无需分割模型即可处理噪声输入 | 未明确说明模型在极端噪声条件下的性能表现 | 开发无需心室分割的鲁棒心脏评估深度学习算法 | 经胸超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 深度学习 | R(2+1)D CNN | 视频 | NA | NA | R(2+1)D卷积编码器 | NA | NA |
| 46 | 2025-10-29 |
Predicting the effort required to manually mend auto-segmentations
2024-Jun-13, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.12.24308779
PMID:38947045
|
研究论文 | 本研究探讨如何评估医学图像自动分割结果所需的人工修正工作量 | 提出混合指标Mendability Index (MI)评估修正工作量，并探索使用深度学习模型预测修正工作量的可行性 | 研究仅基于7个对象的数据集，样本量相对有限 | 探索评估医学图像自动分割结果临床适用性的合适方法 | 医学图像自动分割结果及其人工修正过程 | 医学图像分析 | NA | CT成像 | 深度学习模型 | CT图像, 分割掩码 | 来自三个不同机构的7个对象数据集 | NA | NA | Dice系数, Hausdorff距离, 表面Dice系数, 添加路径长度, Mendability指数 | NA |
| 47 | 2025-10-28 |
Deep learning analysis of histopathological images predicts immunotherapy prognosis and reveals tumour microenvironment features in non-small cell lung cancer
2024-Dec, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-024-02856-8
PMID:39455880
|
研究论文 | 本研究开发了一种基于深度学习分析H&E组织病理图像的免疫检查点抑制剂预后预测模型 | 首次基于H&E染色图像开发免疫相关病理预后特征，采用改进的ResNet模型结合渐进式增长策略和AdamW优化器 | 样本量相对有限，仅包含本地队列106例和TCGA队列899例患者 | 预测非小细胞肺癌患者对免疫检查点抑制剂的治疗反应和预后 | 非小细胞肺癌患者的H&E染色组织病理图像 | 数字病理 | 肺癌 | H&E染色 | CNN | 图像 | 本地队列106例，TCGA队列899例 | PyTorch | ResNet18-PG | AUC, 召回率, 风险比, 对数秩检验P值 | NA |
| 48 | 2025-10-27 |
Deep learning-based automatic contour quality assurance for auto-segmented abdominal MR-Linac contours
2024-Oct-25, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad87a6
PMID:39413822
|
研究论文 | 开发基于深度学习的自动轮廓质量评估模型，用于评估腹部MR-Linac中自动分割的胰腺和十二指肠轮廓质量 | 首次提出基于3D卷积神经网络的自动轮廓质量评估模型，能够快速识别需要编辑的自动分割轮廓 | 训练数据集规模有限（103个数据集），且使用内部开发的轮廓分类工具进行质量标注 | 优化MR引导在线自适应放疗中自动分割轮廓的质量保证流程 | 腹部MRI中的胰腺和十二指肠自动分割轮廓 | 数字病理 | 腹部恶性肿瘤 | MRI | CNN | 3D医学图像 | 103个训练数据集，34个独立测试数据集 | NA | 3D卷积神经网络 | 准确率 | NA |
| 49 | 2025-10-25 |
Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation
2024, The journal of machine learning for biomedical imaging
DOI:10.59275/j.melba.2024-g93a
PMID:40453064
|
研究论文 | 本研究通过降维和最近邻方法改进医学图像分割中的分布外检测 | 将马氏距离和k近邻距离应用于分割模型的瓶颈特征，结合PCA和UMAP降维技术，显著提升分布外检测性能 | 方法仅在肝脏分割任务上验证，需要扩展到其他器官和模态 | 提高医学图像分割模型对分布外数据的检测能力 | T1加权磁共振成像和计算机断层扫描的肝脏图像 | 计算机视觉 | 肝脏疾病 | 医学图像分割 | Swin UNETR, nnU-net | 医学图像 | NA | NA | Swin UNETR, nnU-net | 检测性能 | NA |
| 50 | 2025-10-23 |
Bayesian-Edge system for classification and segmentation of skin lesions in Internet of Medical Things
2024-Aug, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13878
PMID:39081158
|
研究论文 | 提出一种结合贝叶斯推理和边缘智能的皮肤病变分割模型 | 首次将贝叶斯推理与边缘智能相结合用于皮肤病变分割，在不增加计算参数的情况下提升诊断性能 | NA | 开发高效的皮肤病变分类和分割系统 | 皮肤病变图像 | 计算机视觉 | 皮肤疾病 | 深度学习 | 贝叶斯-边缘网络 | 图像 | NA | NA | 贝叶斯-边缘网络 | 分割性能 | 边缘计算 |
| 51 | 2025-10-23 |
Artificial Intelligence Models Are Limited in Predicting Clinical Outcomes Following Hip Arthroscopy: A Systematic Review
2024-Aug-01, JBJS reviews
IF:1.7Q2
DOI:10.2106/JBJS.RVW.24.00087
PMID:39172870
|
系统评价 | 系统评价分析了人工智能模型在预测髋关节镜术后临床结局方面的应用现状和局限性 | 首次系统评估AI模型在髋关节镜手术预后预测领域的应用效果和泛化能力 | 纳入研究数量有限（13项），所有模型均未经过外部验证，限制了临床适用性 | 评估基于AI的预测模型在髋关节镜手术中的结局预测性能、有效性和泛化能力 | 接受髋关节镜手术的患者 | 机器学习 | 骨科疾病 | 人工智能预测模型 | NA | 临床数据 | 13项研究（共6,568例患者） | NA | NA | AUC, 准确率 | NA |
| 52 | 2025-10-23 |
Machine Learning-Assisted Decision Making in Orthopaedic Oncology
2024-Jul-01, JBJS reviews
IF:1.7Q2
DOI:10.2106/JBJS.RVW.24.00057
PMID:38991098
|
综述 | 探讨机器学习在骨肿瘤科临床决策辅助中的应用现状与前景 | 系统阐述机器学习在骨肿瘤影像评估和生存预测中的创新应用 | 面临数据多样性不足、伦理问题和模型可解释性等挑战 | 评估机器学习在骨肿瘤临床决策支持中的潜力 | 原发性肉瘤和转移性骨病患者 | 机器学习 | 骨肿瘤 | 影像组学 | 机器学习算法 | 医学影像, 临床数据 | NA | NA | NA | 准确率 | NA |
| 53 | 2025-10-19 |
Exploring the uncertainty principle in neural networks through binary classification
2024-Nov-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-79028-4
PMID:39551816
|
研究论文 | 通过不确定性原理探索神经网络在准确性与鲁棒性之间的内在权衡关系 | 首次将量子力学中的不确定性原理引入神经网络分析，为理解模型脆弱性提供理论框架 | 研究主要基于理论分析，缺乏大规模实验验证 | 揭示神经网络准确性与对抗攻击鲁棒性之间的内在矛盾关系 | 神经网络模型 | 机器学习 | NA | 理论分析 | 神经网络 | NA | NA | NA | NA | 准确率, 鲁棒性 | NA |
| 54 | 2025-10-19 |
Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Color Images
2024-Nov-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2024.4269
PMID:39418057
|
研究论文 | 开发深度学习系统通过彩色眼底图像区分动脉炎性前部缺血性视神经病变与非动脉炎性前部缺血性视神经病变 | 首个基于彩色眼底图像的深度学习系统，能在急性期无需临床或生物标志物信息的情况下区分AAION与NAION | 研究仅使用彩色眼底图像，未整合临床症状和实验室检查数据 | 开发能够准确区分动脉炎性与非动脉炎性缺血性视神经病变的深度学习系统 | 802名患者的961只眼睛的彩色眼底图像 | 计算机视觉 | 缺血性视神经病变 | 彩色眼底成像 | 深度学习系统 | 图像 | 802名患者的961只眼睛，来自21个神经眼科中心的训练集和5个中心的测试集 | NA | NA | AUC, 敏感度, 特异度, 准确度 | NA |
| 55 | 2025-10-19 |
Decoding the brain: From neural representations to mechanistic models
2024-Oct-17, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2024.08.051
PMID:39423801
|
综述 | 本文详细阐述神经编码与解码的核心概念及其在运动、视觉和语言处理领域的应用 | 整合深度学习等数学工具系统解析神经编码与解码机制，推动基础与转化神经科学发展 | NA | 探讨大脑分布式计算中神经编码与解码的数学原理及其应用 | 大脑神经元网络与分布式神经回路 | 神经科学 | NA | 深度学习 | NA | 神经信号数据 | NA | NA | NA | NA | NA |
| 56 | 2025-10-16 |
Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images
2024, Npj imaging
DOI:10.1038/s44303-024-00021-7
PMID:38948152
|
研究论文 | 提出基于深度学习的虚拟H&E染色方法，可从无标记荧光寿命图像生成临床级虚拟染色图像 | 首次将荧光寿命信息作为额外维度整合到深度学习模型中，实现从无标记FLIM图像到虚拟H&E染色图像的准确重建 | 未明确说明模型在跨癌症类型应用时的泛化能力评估 | 开发无需生物标志物的组织病理学分析方法，实现FLIM图像的即时准确解读 | 肿瘤微环境中的七种常见细胞类型 | 数字病理学 | 多癌种 | 荧光寿命成像显微镜(FLIM) | 深度学习 | 无标记荧光寿命图像，强度图像 | NA | NA | NA | 图像质量指标 | NA |
| 57 | 2025-10-15 |
An optimal deep learning approach for breast cancer detection and classification with pre-trained CNN-based feature learning mechanism
2024-Nov-27, Journal of biomolecular structure & dynamics
IF:2.7Q2
DOI:10.1080/07391102.2024.2430454
PMID:39601679
|
研究论文 | 提出一种基于最优深度学习的乳腺癌检测系统，通过预训练迁移学习模型实现超声图像分割和特征学习 | 结合扩张卷积U型网络进行分割、空间通道注意力密集网络进行特征学习，以及增强布谷鸟搜索优化算法进行特征选择和LSTM分类器调优 | 仅使用BUSI数据集进行验证，未在其他数据集上测试泛化能力 | 开发高精度的乳腺癌自动检测和分类系统 | 乳腺超声图像中的肿瘤区域 | 计算机视觉 | 乳腺癌 | 超声成像 | CNN, LSTM | 图像 | BUSI数据集中的乳腺超声图像 | NA | DCUNet, DenseNet-121, LSTM | 准确率 | NA |
| 58 | 2025-10-15 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Sep-12, ArXiv
PMID:39314513
|
研究论文 | 开发了一种基于多任务学习的深度学习框架，用于胎儿脑部扩散MRI数据的自动分割和分区分析 | 提出了首个统一计算框架，可同时完成胎儿脑组织分割、白质束分割和脑区划分三项任务 | 数据质量较低且胎儿大脑发育迅速，目前缺乏专门的计算方法 | 开发可靠的胎儿脑部扩散MRI数据分析方法 | 胎儿大脑 | 医学影像分析 | 胎儿神经发育 | 扩散加权MRI | 深度学习 | 扩散MRI图像 | 97个胎儿大脑 | NA | 多任务学习架构 | Dice相似系数 | NA |
| 59 | 2025-10-15 |
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 | 开发了一种基于多任务学习的深度学习框架，用于胎儿脑部扩散MRI数据的自动分析 | 提出了首个统一的计算框架，能够同时完成胎儿脑组织分割、白质束分割和脑区划分三项任务 | 数据质量较低且胎儿大脑发育迅速，现有方法在处理此类数据时存在挑战 | 开发可靠的胎儿脑部扩散MRI数据分析方法 | 胎儿大脑 | 医学影像分析 | 神经发育 | 扩散加权MRI | 深度学习 | 扩散MRI图像 | 97个胎儿大脑 | NA | 多任务学习网络 | Dice相似系数 | NA |
| 60 | 2025-10-15 |
Automated classification of cellular expression in multiplexed imaging data with Nimbus
2024-Jun-03, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.02.597062
PMID:38895405
|
研究论文 | 开发了名为Nimbus的深度学习模型，用于从多重成像数据中自动分类细胞标记物表达 | 创建了包含1.97亿个标记物表达注释的Pan-M数据集，并开发了无需重新训练即可跨不同细胞类型、组织和显微镜平台应用的预训练模型 | NA | 开发自动化工具来准确表征组织空间拓扑结构中的细胞表型 | 多重成像数据中的细胞标记物表达 | 数字病理学 | NA | 多重成像 | 深度学习 | 图像 | 包含1.97亿个标记物表达注释，涵盖15种不同细胞类型 | NA | NA | NA | NA |