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 12036 篇文献，本页显示第 1261 - 1280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1261 | 2025-10-07 |
DEEP IMAGE PRIOR WITH STRUCTURED SPARSITY (DISCUS) FOR DYNAMIC MRI RECONSTRUCTION
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635579
PMID:40352104
|
研究论文 | 提出一种基于结构化稀疏深度图像先验的自监督动态MRI重建方法DISCUS | 在深度图像先验基础上引入帧特定代码向量的组稀疏约束，无需预先指定流形维度即可发现描述时间变化的低维流形 | 未提及方法在大规模临床数据上的验证结果 | 解决动态MRI中高质量训练数据不足时的图像重建问题 | 动态MRI图像序列 | 医学影像处理 | 心血管疾病 | 动态MRI，晚期钆增强(LGE) | 深度学习 | 医学影像 | 5例患者的回顾性欠采样单次激发LGE数据 | NA | 深度图像先验(DIP) | NA | NA |
| 1262 | 2025-10-07 |
Lossless compression-based detection of osteoporosis using bone X-ray imaging
2024, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.3233/XST-230238
PMID:38393881
|
研究论文 | 提出一种基于深度学习和无损压缩的骨质疏松检测方法，通过骨X射线图像区分骨质疏松患者与健康个体 | 通过分离感兴趣区域和非感兴趣区域减少数据冗余，并增强空间和统计特征 | NA | 改进基于骨X射线图像的骨质疏松诊断方法 | 骨质疏松患者和健康个体的骨X射线图像 | 计算机视觉 | 骨质疏松症 | X射线成像 | SVM | 图像 | NA | NA | NA | AUC | NA |
| 1263 | 2025-10-07 |
[Coronary artery segmentation based on Transformer and convolutional neural networks dual parallel branch encoder neural network]
2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403058
PMID:40000209
|
研究论文 | 提出一种结合Transformer和CNN的双并行编码器神经网络DUNETR，用于冠状动脉CTA图像分割 | 首次将Transformer和CNN作为双并行编码器集成到分割网络中，通过NRFF模块融合全局和局部特征 | NA | 提高冠状动脉CTA图像分割的准确性和效率 | 冠状动脉CTA图像 | 计算机视觉 | 心血管疾病 | 计算机断层扫描血管成像(CTA) | CNN, Transformer | 三维医学图像 | NA | NA | U-Net, Transformer, DUNETR | Dice相似系数, 召回率 | NA |
| 1264 | 2025-10-07 |
Thoracic Aortic Three-Dimensional Geometry
2024-Oct-31, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.09.593413
PMID:38798566
|
研究论文 | 开发了一种基于深度学习的全自动方法，用于量化胸主动脉的三维几何结构参数 | 首次在大规模人群中全面表征胸主动脉的三维几何结构，并开发了全自动的主动脉几何表型提取方法 | 研究主要基于两个生物银行的数据，可能受到数据来源的限制 | 量化胸主动脉的三维几何结构，研究主动脉结构与心血管健康的关系 | 英国生物银行54,241名参与者和宾夕法尼亚医学生物银行8,456名参与者的影像扫描数据 | 医学影像分析 | 心血管疾病 | 医学影像分割，形态学图像处理 | 深度学习架构 | 医学影像扫描数据 | 英国生物银行54,241人，宾夕法尼亚医学生物银行8,456人 | NA | NA | NA | NA |
| 1265 | 2025-10-07 |
Leveraging Large Language Models for Knowledge-free Weak Supervision in Clinical Natural Language Processing
2024-Jun-28, Research square
DOI:10.21203/rs.3.rs-4559971/v1
PMID:38978609
|
研究论文 | 提出一种利用大语言模型进行无领域知识弱监督的方法，用于临床自然语言处理任务 | 通过微调LLM生成弱标注数据训练下游BERT模型，在几乎无需领域知识的情况下实现优越性能 | LLM推理计算量较大 | 解决临床自然语言处理中标注数据稀缺的问题 | 临床文本数据 | 自然语言处理 | NA | 弱监督学习, 上下文学习 | LLM, BERT | 文本 | 三个n2c2数据集，不超过10-50个黄金标注病历 | NA | Llama2-13B, PubMedBERT, BERT | F1分数 | NA |
| 1266 | 2025-10-07 |
Improved stent sharpness evaluation with super-resolution deep learning reconstruction in coronary CT angiography
2024-Jun-18, The British journal of radiology
DOI:10.1093/bjr/tqae094
PMID:38733576
|
研究论文 | 评估超分辨率深度学习重建在冠状动脉CT血管造影中对图像质量和支架锐度的改善效果 | 首次将超分辨率深度学习重建技术应用于冠状动脉CT血管造影，显著提升支架锐度评估 | 回顾性研究，样本量有限（66例患者），单中心数据 | 比较不同图像重建算法对冠状动脉CT血管造影图像质量和支架锐度的影响 | 冠状动脉CT血管造影图像和冠状动脉支架 | 医学影像分析 | 心血管疾病 | 冠状动脉CT血管造影 | 深度学习 | 医学影像 | 66例冠状动脉CT血管造影患者 | NA | 超分辨率深度学习重建 | 图像噪声, 信噪比, 对比噪声比, 边缘上升斜率, 边缘上升距离, 5分制定性评分 | NA |
| 1267 | 2025-05-13 |
Leverage Weakly Annotation to Pixel-wise Annotation via Zero-shot Segment Anything Model for Molecular-empowered Learning
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3006577
PMID:40343078
|
research paper | 该研究探讨了利用零样本学习的Segment Anything Model（SAM）从弱标注生成像素级标注，以降低病理图像分割的标注成本 | 提出SAM辅助的分子赋能学习（SAM-L），仅需弱框标注即可训练分割模型，减少非专业标注者的工作量 | 未明确说明SAM在不同细胞类型上的泛化能力及对IF图像依赖程度的影响 | 开发无需像素级标注的病理图像分割方法 | 高分辨率千兆像素全切片图像（WSI）中的多类细胞 | digital pathology | NA | immunofluorescence（IF）成像，零样本学习 | Segment Anything Model（SAM） | 病理图像 | NA | NA | NA | NA | NA |
| 1268 | 2025-05-13 |
High-performance Data Management for Whole Slide Image Analysis in Digital Pathology
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3006273
PMID:40343079
|
研究论文 | 本文介绍了一种针对数字病理学中全切片图像分析的高性能数据管理方法，使用ADIOS2系统优化数据访问和处理 | 首次在数字病理学领域应用ADIOS2系统，并开发了针对性的数据管理流程，显著提升了数据处理效率 | 仅针对特定两种场景(CPU和GPU)进行了性能评估，未涵盖更多可能的计算环境 | 解决数字病理学中全切片图像分析时的数据输入输出瓶颈问题 | 全切片图像(WSI)的数据管理流程 | 数字病理学 | NA | ADIOS2数据管理系统 | NA | 图像 | NA | NA | NA | NA | NA |
| 1269 | 2025-05-12 |
EEG Emotion Recognition Based on 3D-CTransNet
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782401
PMID:40031451
|
research paper | 提出了一种基于3D-CTransNet的EEG情绪识别方法，用于解决传统CNN-LSTM混合结构在长序列信号识别中的性能下降问题 | 采用混合CNN-Transformer结构（3D-CTransNet），引入自注意力机制和平行模式，提高了识别精度和处理速度 | 未提及具体局限性 | 改进脑机接口深度学习模型，提升EEG信号中复杂特征的识别能力 | EEG信号 | 脑机接口 | NA | EEG信号处理 | CNN-Transformer混合结构（3D-CTransNet） | 3D数据 | 公共数据集DEAP | NA | NA | NA | NA |
| 1270 | 2025-05-12 |
An Attention-Based Hybrid Deep Learning Approach for Patient-Specific, Cross-Patient, and Patient-Independent Seizure Detection
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782346
PMID:40031456
|
研究论文 | 提出了一种基于注意力机制的混合深度学习方法，用于患者特异性、跨患者和患者独立的癫痫发作检测 | 结合1D CNN、MLSTM和多注意力层（MAT）的混合深度学习框架，能够同时提取空间和时间特征，并进行特征融合 | 方法在临床应用中可能面临新患者数据适应性的挑战 | 开发一种适用于不同患者群体的自动癫痫发作检测方法 | 癫痫患者的EEG数据 | 机器学习 | 癫痫 | EEG信号分析 | 1D CNN, MLSTM, 多注意力层（MAT） | EEG信号数据 | CHB-MIT EEG数据集 | NA | NA | NA | NA |
| 1271 | 2025-05-12 |
Multi-dataset Collaborative Learning for Liver Tumor Segmentation
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781844
PMID:40031465
|
研究论文 | 提出一种利用外部公开数据集进行MRI肝脏和肿瘤分割的多数据集协作学习方法 | 采用伪标签、非配对图像到图像转换和自集成学习技术，显著提升了肝脏和肿瘤分割的性能 | 依赖于外部数据集的可用性，且未明确说明数据集的规模和多样性 | 提高MRI肝脏和肿瘤自动分割的准确性和鲁棒性 | MRI肝脏和肿瘤图像 | 数字病理 | 肝癌 | 伪标签、非配对图像到图像转换、自集成学习 | nnU-Net | MRI图像 | NA | NA | NA | NA | NA |
| 1272 | 2025-05-12 |
EEG-Based Tension Recognition Annotated with Electrodermal Activity
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782145
PMID:40031475
|
research paper | 提出了一种通过整合皮肤电活动（EDA）和脑电图（EEG）数据来精确标注情绪的新方法 | 利用EDA作为情绪唤醒的心理生理标记，为EEG数据提供高唤醒和低唤醒的精确标注 | 现有标注方法通常为整个视频分配统一标签，忽略了观看过程中受试者情绪唤醒的变化 | 提高情绪EEG数据集的标注精确度，增强情绪识别的准确性 | 情绪EEG数据集 | machine learning | NA | electrodermal activity (EDA), EEG | machine learning, deep learning | EEG数据 | 初始训练集中的71.75%数据 | NA | NA | NA | NA |
| 1273 | 2025-05-12 |
Channel Stacking: A Rapid Classification Method for Parkinson's Disease Based on EEG Data
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782619
PMID:40031483
|
research paper | 本文介绍了一种名为'通道堆叠'的技术，用于基于脑电图数据准确识别帕金森病 | 提出'通道堆叠'技术，结合多通道信息为模型准备输入信号，使深度学习架构能高效捕获跨通道信息 | NA | 开发一种快速分类方法，用于帕金森病的准确识别 | 帕金森病患者 | machine learning | 帕金森病 | EEG | ResNet18 | EEG信号 | NA | NA | NA | NA | NA |
| 1274 | 2025-05-12 |
RTA-Former: Reverse Transformer Attention for Polyp Segmentation
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782181
PMID:40031481
|
研究论文 | 本文提出了一种名为RTA-Former的新型网络，用于提高息肉分割的边缘准确性 | 创新性地在解码器中采用了反向注意力机制与Transformer阶段相结合的方法 | 未提及具体的局限性 | 提高基于Transformer的息肉分割准确性，以改善临床决策和患者结果 | 息肉分割 | 计算机视觉 | 结直肠癌 | 深度学习 | Transformer, RTA-Former | 图像 | 五个息肉分割数据集 | NA | NA | NA | NA |
| 1275 | 2025-05-12 |
Automated Basilar Artery Lumen Segmentation for High Resolution in Black Blood MRI
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781514
PMID:40031485
|
研究论文 | 开发了一种自动图像分割技术，用于在基底动脉的黑血MR血管壁图像中检测管腔和壁边界 | 利用Detectron2/Mask RCNN深度学习模型实现基底动脉管腔和壁的自动分割，通过迁移学习有效标记薄血管结构 | 研究数据集较小，仅包含26个MRI扫描 | 开发自动化图像分割技术以评估基底动脉疾病的管腔形状和壁厚 | 基底动脉的管腔和壁 | 数字病理学 | 脑血管疾病 | 黑血MR血管壁成像 | Detectron2/Mask RCNN | MRI图像 | 26个MRI扫描（20个用于训练，6个用于测试），169个基底动脉横截面图像 | NA | NA | NA | NA |
| 1276 | 2025-05-12 |
Via Multi-attention Guided UNet for Thyroid Nodule Segmentation of Ultrasound Images
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782780
PMID:40031497
|
research paper | 提出了一种多注意力引导的UNet（MAUNet）用于甲状腺结节超声图像分割 | 引入了多尺度交叉注意力（MSCA）模块和双注意力（DA）模块，减少了结节形状和大小对分割结果的影响 | 未提及具体的数据集大小或多样性限制 | 提高甲状腺结节超声图像分割的准确性 | 甲状腺结节超声图像 | computer vision | thyroid disease | deep learning | UNet with multi-attention modules | ultrasound images | 多中心超声图像，来自17家医院 | NA | NA | NA | NA |
| 1277 | 2025-05-12 |
A Method of Cross-Subject Transfer Learning for Ultra Short Time SSVEP Classification
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782593
PMID:40031504
|
研究论文 | 提出了一种名为CSA-GSDANN的新方法，用于超短时间SSVEP分类的跨主体迁移学习 | 结合了全局注意力机制(GAM)和优化的SSVEPNet以及预训练方法CSA，采用领域对抗神经网络(DANN)框架，显著提高了超短时间输入场景下的SSVEP特征提取性能 | 仅在包含12个受试者的IMUT数据集上进行了评估，样本量相对较小 | 提高超短时间(小于0.2秒)SSVEP分类的准确性和信息传输率(ITR) | 稳态视觉诱发电位(SSVEP)和脑机接口(BCIs) | 脑机接口 | NA | 迁移学习，领域对抗神经网络(DANN) | SSVEPNet，约束卷积网络 | 脑电图(EEG)数据 | 12名受试者的IMUT数据集 | NA | NA | NA | NA |
| 1278 | 2025-05-12 |
A Multi-branch Attention-based Deep Learning Method for ALS Identification with sMRI Data
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782847
PMID:40031506
|
research paper | 提出一种基于多分支注意力的深度学习方法，用于利用sMRI数据识别肌萎缩侧索硬化症（ALS） | 采用多分支框架提取脊髓各层次的通用特征，并结合注意力模块和多尺度模块，以更关注轴向平面中脊髓的重要区域 | NA | 提高利用脊髓sMRI数据识别ALS的准确性和效率 | 脊髓的结构性磁共振成像（sMRI）数据 | digital pathology | 肌萎缩侧索硬化症（ALS） | sMRI | 多分支注意力深度学习模型 | image | NA | NA | NA | NA | NA |
| 1279 | 2025-05-12 |
STFormer: Learning to Explore Spot Relationships for Spatial Transcriptomics Prediction from Histology of Colorectal Cancer
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782295
PMID:40031511
|
research paper | 提出了一种名为STFormer的深度学习方法，用于从结直肠癌组织学预测空间转录组学数据 | 引入了Style-Aug模块增强特征泛化能力，以及Cross-WSI Transformer模块有效捕捉跨WSI的spot关系 | 未明确提及具体局限性 | 开发一种更准确预测空间转录组学数据的深度学习方法 | 结直肠癌组织学数据和空间转录组学数据 | digital pathology | colorectal cancer | deep learning | Transformer | image (Whole Slide Image) and gene expression data | 内部和外部数据集（具体数量未提及） | NA | NA | NA | NA |
| 1280 | 2025-05-12 |
Biologically Interpretable Model for Precise Recurrence Prediction of Non-Small Cell Lung Cancer
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782336
PMID:40031520
|
research paper | 提出了一种名为BioPAN的新型生物信息通路感知神经网络，用于非小细胞肺癌（NSCLC）的精确复发预测 | 通过自动提取生物先验知识指导DNN模型架构，设计了一个基因-通路-生物过程-疾病的统一架构，赋予每个神经元实体意义，实现完全可解释的NSCLC复发预测 | 未提及具体样本量或数据集的局限性 | 提高非小细胞肺癌术前复发预测的精确性和临床适用性 | 非小细胞肺癌（NSCLC）患者 | digital pathology | lung cancer | deep learning | Biologically Informed Pathway-Aware Neural Network (BioPAN) | genomic data | NA | NA | NA | NA | NA |