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 12391 篇文献，本页显示第 1341 - 1360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1341 | 2026-04-02 |
Development of learning-based predictive models for radiation-induced atrial fibrillation in non-small cell lung cancer patients by integrating patient-specific clinical, dosimetry, and diagnostic information
2024-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110566
PMID:39362606
|
研究论文 | 本研究开发了基于学习的预测模型，用于预测非小细胞肺癌患者放疗后心房颤动的发生率，整合了患者特异性临床、剂量学和诊断信息 | 通过整合多源患者特异性信息，采用混合深度学习架构处理不同类型输入特征，并在内部和外部验证中表现一致 | 样本量有限，心房颤动事件数量较少（内部17例，外部6例），可能影响模型泛化能力 | 预测非小细胞肺癌患者放化疗后心房颤动的发生率 | 非小细胞肺癌患者 | 机器学习 | 肺癌 | 放疗剂量学 | 机器学习模型, 深度学习模型 | 临床数据, 剂量学数据, 诊断数据 | 内部数据集321例（含17例心房颤动），外部数据集187例（含6例心房颤动） | NA | 混合深度学习架构 | AUC | NA |
| 1342 | 2026-04-02 |
Development and comprehensive evaluation of a national DBCG consensus-based auto-segmentation model for lymph node levels in breast cancer radiotherapy
2024-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110567
PMID:39374675
|
研究论文 | 本文开发并评估了一个基于丹麦乳腺癌协作组共识的深度学习自动分割模型，用于乳腺癌放疗中淋巴结水平的自动分割 | 首次基于全国多机构共识数据集训练深度学习模型，用于乳腺癌放疗中淋巴结临床靶区的自动分割，并在全国范围内进行临床实施评估 | 模型中CTVn胸肌间淋巴结的Dice相似系数中位数低于0.7，且存在两个例外情况未达到专家组间观察者变异水平 | 开发并验证一个多机构深度学习自动分割模型，用于高风险乳腺癌患者淋巴结临床靶区的自动分割，以实现全国临床实施 | 高风险乳腺癌患者的淋巴结临床靶区 | 数字病理学 | 乳腺癌 | 深度学习 | 深度学习模型 | 医学图像 | 由丹麦所有放疗中心的21名乳腺癌勾画专家创建的金标准数据集和高质量训练数据集 | NA | NA | Dice相似系数 | NA |
| 1343 | 2026-04-02 |
Enhancing quantitative imaging to study DNA damage response: A guide to automated liquid handling and imaging
2024-12, DNA repair
IF:3.0Q2
DOI:10.1016/j.dnarep.2024.103769
PMID:39395383
|
研究论文 | 本文提出了一种自动化免疫荧光染色与定量高内涵成像的工作流程，用于研究DNA损伤信号响应 | 开发了一种结合自动液体处理系统和定量高内涵成像的自动化工作流程，提高了实验效率和可重复性 | NA | 提升生命科学实验室的高内涵定量成像能力，通过自动化技术研究DNA损伤响应 | DNA损伤信号响应 | 数字病理学 | NA | 免疫荧光染色，高内涵成像 | 深度学习 | 图像 | NA | NA | NA | NA | 高效计算资源 |
| 1344 | 2026-04-02 |
Digital Response to Physical Crises: The Role of an E-Health Platform in the 2023 Southern Turkey Earthquakes
2024-04-09, Disaster medicine and public health preparedness
IF:1.9Q3
DOI:10.1017/dmp.2024.63
PMID:38591261
|
评论 | 本文分析了2023年土耳其南部地震中一个电子健康平台在支持非专业急救人员方面的应用，探讨了数字健康技术在灾害响应中的整合潜力 | 首次评估了电子健康平台在重大自然灾害中支持非专业急救人员的实际效果，并引入了深度学习模型用于儿科X射线分析 | 评论性文章，缺乏实证数据支持平台的具体效果，可能未全面考虑所有实施障碍 | 探讨数字健康技术在灾害管理中的应用，特别是支持非专业急救人员 | 2023年土耳其南部地震中的急救响应情况 | 数字病理学 | NA | 深度学习 | NA | X射线图像 | NA | NA | NA | NA | NA |
| 1345 | 2026-04-02 |
Artificial intelligence-powered pharmacovigilance: A review of machine and deep learning in clinical text-based adverse drug event detection for benchmark datasets
2024-04, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2024.104621
PMID:38447600
|
综述 | 本文综述了机器学习和深度学习方法在临床文本基准数据集中用于药物不良事件检测的有效性，重点关注命名实体识别和关系分类任务 | 系统比较了机器学习和深度学习在药物不良事件提取任务中的优缺点，并扩展了数据源范围至生物医学文献、社交媒体数据和药品标签 | 仅纳入了12篇文献进行综述，可能未覆盖所有相关研究 | 评估机器学习和深度学习方法在药物不良事件提取中的效果，推动药物警戒领域发展 | 临床文本基准数据集中的药物不良事件 | 自然语言处理 | NA | 命名实体识别, 关系分类 | 机器学习, 深度学习 | 文本 | NA | NA | BERT, 梯度提升, 多层感知机, 随机森林 | NA | NA |
| 1346 | 2026-04-01 |
Deep learning for contour quality assurance for RTOG 0933: In-silico evaluation
2024-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110519
PMID:39222847
|
研究论文 | 本研究验证了基于CT的深度学习海马分割模型在单机构数据集上的训练效果，并探索其在多机构轮廓质量保证中的应用 | 利用单机构训练的深度学习模型进行多机构临床试验的轮廓质量保证，展示了模型在跨机构数据上的泛化能力 | 模型在单机构数据上训练，可能对多机构数据的适应性有限；假阴性率较高，特别是在轮廓QA任务中 | 验证深度学习模型在海马分割中的性能，并评估其在多机构轮廓质量保证中的实用性 | 海马分割轮廓 | 数字病理学 | NA | 深度学习 | CNN | CT图像, MRI图像 | 单机构队列的脑部MRI数据集和RTOG 0933数据集 | NA | NA | Dice系数, Haussdorf距离, AUC, 特异性, 敏感性, 假阴性率 | NA |
| 1347 | 2026-04-01 |
Quantifying and visualising uncertainty in deep learning-based segmentation for radiation therapy treatment planning: What do radiation oncologists and therapists want?
2024-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110545
PMID:39326521
|
研究论文 | 本研究通过结构化访谈收集了临床医生对深度学习分割中不确定性可视化选项的偏好，以优化放射治疗计划中的分割评估流程 | 首次在多机构临床环境中系统评估了不同层次（结构、切片或体素）和类型（二进制或连续值）的不确定性可视化方法，并探讨了剂量信息整合的潜在价值 | 样本量较小（16名临床医生），且仅针对已使用深度学习分割的机构，结果可能无法推广到所有临床环境 | 探索如何通过不确定性可视化减轻临床医生评估和校正深度学习分割的负担，优化放射治疗计划流程 | 放射肿瘤学家和放射治疗师 | 数字病理学 | NA | 深度学习分割 | NA | 医学图像（如CT、MRI） | 16名临床医生（来自四个机构） | NA | NA | 总体评分、可用性、所需培训时间、预期时间增益 | NA |
| 1348 | 2026-04-01 |
Accelerated Cardiac MRI with Deep Learning-based Image Reconstruction for Cine Imaging
2024-12, Radiology. Cardiothoracic imaging
DOI:10.1148/ryct.230419
PMID:39540821
|
研究论文 | 本研究评估了基于深度学习的图像重建在心脏MRI电影序列中对采集时间、体积结果和图像质量的影响 | 首次系统比较了不同心跳周期（1RR、3RR、6RR）的深度学习重建电影序列与标准序列在心脏MRI中的性能，确定了三心跳周期为最优折衷方案 | 研究仅纳入健康志愿者，未涉及心脏病患者；样本量较小（55人）；未评估长期临床影响 | 评估深度学习重建在加速心脏MRI电影成像中的应用效果 | 55名健康志愿者的左心室短轴电影序列 | 医学影像分析 | 心血管疾病 | 心脏MRI电影成像 | 深度学习 | 医学影像 | 55名健康志愿者 | NA | NA | 采集时间、主观图像质量、边缘锐度、左心室射血分数 | NA |
| 1349 | 2026-04-01 |
Machine learning and deep learning prediction of patient specific quality assurance in breast IMRT radiotherapy plans using Halcyon specific complexity indices
2024-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110483
PMID:39159677
|
研究论文 | 本研究开发了一种基于机器学习和深度学习的AI解决方案，用于预测Halcyon放疗设备中乳腺癌IMRT计划的患者特异性质量保证结果 | 首次针对Halcyon放疗设备开发AI预测模型，并确定了适用于该设备的复杂性指标（SAS10、BA、BM） | 研究样本量相对较小（56名患者的318个射束），且仅针对乳腺癌患者，未涵盖其他癌症类型 | 开发能够预测Halcyon放疗设备患者特异性质量保证结果的AI解决方案 | 乳腺癌患者的IMRT放疗计划 | 机器学习 | 乳腺癌 | 放射治疗计划质量保证 | 机器学习,深度学习 | 复杂性指标数据 | 56名乳腺癌患者的318个射束 | TensorFlow | NA | AUC,特异性,敏感性 | NA |
| 1350 | 2026-04-01 |
Robust localization of poorly visible tumor in fiducial free stereotactic body radiation therapy
2024-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110514
PMID:39214256
|
研究论文 | 本文提出了一种名为SAFE Track的深度学习框架，用于在无基准标记的立体定向放射治疗中定位难以可见的肺部肿瘤 | 开发了一种无需模板的深度学习跟踪框架，能够在无基准标记的情况下准确定位小尺寸或位置挑战性的肺部肿瘤 | 研究仅基于94名患者的内部数据集，且测试集规模相对较小（n=28），可能影响模型的泛化能力 | 开发一种无基准标记的实时运动跟踪方法，以改善肺部立体定向放射治疗中对难以可见肿瘤的定位精度 | 肺部肿瘤患者，特别是肿瘤尺寸小于15毫米或位于挑战性位置的患者 | 计算机视觉 | 肺癌 | X射线成像 | CNN | 图像 | 94名患者（415个治疗分次；40,348帧图像） | PyTorch, TensorFlow | Faster R-CNN, ResNet50 | 3D距离误差（毫米） | NA |
| 1351 | 2026-04-01 |
Deep learning-assisted interactive contouring of lung cancer: Impact on contouring time and consistency
2024-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110500
PMID:39236985
|
研究论文 | 本研究评估了深度学习辅助交互式勾画工具在肺癌肿瘤轮廓勾画中对观察者间变异性和勾画时间的影响 | 开发并测试了一种深度学习辅助的交互式勾画工具，能显著减少主动勾画时间并降低观察者间在肿瘤特定区域的轮廓变异性 | 样本量较小（仅10名非小细胞肺癌患者和9名临床医生），且研究设计可能受学习效应影响 | 评估深度学习辅助工具在肺癌肿瘤体积勾画中对效率和一致性的影响 | 非小细胞肺癌患者的PET-CT扫描图像 | 数字病理学 | 肺癌 | PET-CT扫描 | 深度学习模型 | 医学图像 | 10名非小细胞肺癌患者的PET-CT扫描，由9名临床医生进行勾画 | NA | NA | 勾画时间减少百分比，观察者间变异性 | NA |
| 1352 | 2026-04-01 |
Clinical implementation of deep learning robust IMPT planning in oropharyngeal cancer patients: A blinded clinical study
2024-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110522
PMID:39243863
|
研究论文 | 本研究评估了基于深度学习的自动化治疗计划方法在口咽癌患者中用于稳健优化强度调制质子治疗计划的质量，通过盲法临床研究比较手动计划与深度学习计划 | 结合深度学习模型进行IMPT剂量预测与稳健模仿优化算法，实现自动化治疗计划，显著缩短计划时间至平均2.5小时，而手动计划通常需约2天 | 研究样本量相对较小（总计95例患者，其中测试集25例），且为单中心研究，可能限制结果的普遍适用性 | 评估深度学习自动化治疗计划方法在口咽癌患者中用于稳健优化强度调制质子治疗计划的质量与临床可行性 | 口咽癌患者 | 数字病理学 | 口咽癌 | 强度调制质子治疗 | 深度学习模型 | 医疗影像数据（如CT扫描）与治疗计划数据 | 95例口咽癌患者（训练集60例，配置集10例，回顾性测试集10例，前瞻性测试集15例） | NA | NA | 视觉检查、临床目标评估、正常组织并发症概率值比较 | NA |
| 1353 | 2026-04-01 |
Deformation-encoding Deep Learning Transformer for High-Frame-Rate Cardiac Cine MRI
2024-06, Radiology. Cardiothoracic imaging
DOI:10.1148/ryct.230177
PMID:38722232
|
研究论文 | 开发了一种基于Transformer的深度学习模型，用于提高心脏电影MRI的帧率，同时保持空间分辨率和扫描时间 | 首次将Transformer架构应用于心脏电影MRI的帧率提升任务，实现了高帧率图像的生成且无需增加扫描时间 | 研究主要基于特定厂商和场强的MRI扫描仪数据，模型在不同设备间的泛化能力需进一步验证 | 提高心脏电影MRI的帧率以改善时间分辨率，同时保持图像质量和扫描效率 | 心脏电影MRI图像 | 计算机视觉 | 心血管疾病 | 心脏电影MRI | Transformer | 图像 | 5840名患者的回顾性数据（训练/测试）和61名参与者（49名临床患者+12名健康者）的前瞻性数据 | NA | Transformer | 均方根误差, 读者偏好分析 | NA |
| 1354 | 2024-08-07 |
Seeing between Time: Higher Frame Rate Cardiac Cine MRI using Deep Learning
2024-06, Radiology. Cardiothoracic imaging
DOI:10.1148/ryct.240140
PMID:38842457
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1355 | 2026-04-01 |
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
2024-05-10, Journal of visualized experiments : JoVE
DOI:10.3791/64833
PMID:38801262
|
研究论文 | 本文报告了一种结合RPA、CRISPR/Cas12a系统、智能手机显微镜和深度学习模型的快速、便携、高灵敏度的DNA病毒即时检测系统 | 将RPA-CRISPR/Cas12a检测技术与智能手机显微镜(SPM)及深度学习辅助分类相结合，构建了一个完整的便携式即时检测系统，无需专业操作人员和大型仪器 | 仅以蛙病毒3(FV3)作为示例进行了测试，未展示对其他DNA病毒的广泛适用性 | 开发一种用于DNA病毒快速、高灵敏度检测的即时诊断系统 | DNA病毒（以蛙病毒3为例） | 机器学习 | 病毒感染 | 重组酶聚合酶扩增(RPA), CRISPR/Cas12a系统, 荧光检测 | 深度学习模型 | 荧光图像 | NA | NA | NA | 准确率, 检测限(LoD) | 智能手机（用于图像采集和处理） |
| 1356 | 2026-04-01 |
Measurement Variability of Same-Day CT Quantification of Interstitial Lung Disease: A Multicenter Prospective Study
2024-04, Radiology. Cardiothoracic imaging
DOI:10.1148/ryct.230287
PMID:38483245
|
研究论文 | 本研究通过分析同一天两次CT扫描的数据，评估了基于深度学习的定量CT在测量间质性肺疾病纤维化范围时的变异性 | 首次在前瞻性多中心研究中，使用同一天两次CT扫描来量化QCT测量间质性肺疾病纤维化范围的变异性，并评估了不同重建参数对变异性的影响 | 样本量相对较小（65名参与者），且仅评估了短期（同一天内）的测量变异性，未评估长期变异性 | 评估定量CT在测量间质性肺疾病纤维化范围时的测量变异性 | 间质性肺疾病患者 | 数字病理学 | 间质性肺疾病 | CT扫描，基于深度学习的纹理分析软件 | 深度学习 | CT图像 | 65名参与者（47名男性，18名女性） | NA | NA | Bland-Altman分析，95%一致性界限，特异性 | NA |
| 1357 | 2026-04-01 |
Uncovering prostate cancer aggressiveness signal in T2-weighted MRI through a three-reference tissues normalization technique
2024-Mar, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.5069
PMID:37990759
|
研究论文 | 本文开发了一种基于深度学习的自动化方法，用于前列腺T2加权MRI强度归一化，以揭示前列腺癌侵袭性信号 | 提出了一种利用三种参考组织（臀大肌、股骨和膀胱）的自动化归一化技术，通过MASK R-CNN进行自动分割，并结合样条函数拟合，显著提升了T2W强度在区分前列腺癌与正常组织及评估肿瘤侵袭性方面的定量利用 | 方法依赖于手动轮廓数据进行MASK R-CNN训练，样本量有限（32例患者），且归一化效果在独立数据集（83例患者）中验证，但未涉及更大规模或多中心验证 | 开发自动化前列腺T2W MRI强度归一化方法，以改善定量评估前列腺癌及其侵袭性 | 前列腺癌患者的前列腺T2加权MRI图像，包括癌变区域和正常前列腺组织 | 数字病理学 | 前列腺癌 | T2加权MRI | CNN | 图像 | 训练集：32例患者；独立测试集：83例患者；共231个活检感兴趣区域 | PyTorch | MASK R-CNN | Spearman相关系数, t检验 | NA |
| 1358 | 2024-10-30 |
Publisher Correction: Reliable deep learning in anomalous diffusion against out-of-distribution dynamics
2024-Nov, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-024-00729-x
PMID:39468341
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1359 | 2026-03-31 |
Deep generative design of RNA aptamers using structural predictions
2024-11, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-024-00720-6
PMID:39506080
|
研究论文 | 本文开发了一个基于结构预测的深度生成学习平台，用于从头设计RNA适配体 | 利用深度学习将RNA三维结构预测与序列生成结合，实现结构引导的RNA适配体设计 | 未明确说明实验验证的样本规模及设计方法的通用性限制 | 开发一种结构引导的RNA适配体生成设计方法 | RNA适配体，特别是与荧光小分子结合的发光适配体 | 自然语言处理 | NA | RNA三维结构预测，深度学习生成模型 | 深度学习生成模型 | RNA结构数据，序列数据 | NA | NA | NA | 结构相似性，序列差异性，荧光活性 | NA |
| 1360 | 2026-03-31 |
A deep learning approach for rational ligand generation with toxicity control via reactive building blocks
2024-11, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-024-00718-0
PMID:39516375
|
研究论文 | 本文提出了一种名为DeepBlock的深度学习方法，用于基于目标蛋白质序列生成配体分子，并通过反应性构建块实现毒性控制 | 受DNA编码化合物库技术启发，将生成过程分为构建块生成和分子重建两步，结合优化算法与深度学习以精确调控生成分子的性质 | 未在摘要中明确说明 | 开发一种能够针对新靶点理性设计配体分子并控制其性质的深度生成模型 | 配体分子 | 机器学习 | NA | 深度学习 | 神经网络 | 序列数据 | NA | NA | NA | 亲和力、合成可及性、药物相似性、毒性 | NA |