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 1801 - 1820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1801 | 2025-11-03 |
Deep learning-based Fast Volumetric Image Generation for Image-guided Proton Radiotherapy
2024-Nov, IEEE transactions on radiation and plasma medical sciences
IF:4.6Q1
DOI:10.1109/trpms.2024.3439585
PMID:40385936
|
研究论文 | 开发基于深度学习的快速体积图像生成框架，用于图像引导质子放疗中的肺癌治疗 | 提出结合正交kV X射线投影采集和深度学习的新型体积图像重建框架，专门针对FLASH超高剂量率放射治疗场景 | 研究仅基于30例肺癌患者数据，样本量相对有限；仅评估了肺部靶区 | 开发快速体积图像重建方法以提高图像引导质子放疗的精准度 | 肺癌患者 | 医学影像分析 | 肺癌 | kV X射线投影，四维计算机断层扫描 | 深度学习 | X射线投影图像，CT图像 | 30例肺癌患者，每人包含十个呼吸时相的四维CT数据集 | NA | NA | 平均绝对误差，峰值信噪比，结构相似性指数，水等效厚度误差 | NA |
| 1802 | 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 |
| 1803 | 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) |
| 1804 | 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 |
| 1805 | 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 |
| 1806 | 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 |
| 1807 | 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 |
| 1808 | 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 |
| 1809 | 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 |
| 1810 | 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 |
| 1811 | 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 |
| 1812 | 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 |
| 1813 | 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 |
| 1814 | 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 |
| 1815 | 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 |
| 1816 | 2025-10-13 |
Characterization of arteriosclerosis based on computer-aided measurements of intra-arterial thickness
2024-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.5.057501
PMID:39398866
|
研究论文 | 开发基于计算机视觉的动脉内厚度测量方法，用于量化肾脏活检数字病理图像中的动脉粥样硬化 | 首次提出结合多类深度学习分割和径向采样的动脉内形态量化方法，通过数值模拟验证测量技术的鲁棒性 | 研究样本量有限（仅33个全切片图像），仅使用三色染色图像，未验证其他染色类型 | 开发计算生物标志物用于动脉粥样硬化的量化表征 | 肾脏活检数字病理图像中的动脉结构 | 计算机视觉 | 动脉粥样硬化 | 数字病理成像 | 深度学习分割模型 | 图像 | 33个三色染色全切片图像中的753条动脉（训练集：24个WSI的648条动脉；测试集：9个WSI的105条动脉） | NA | NA | Dice系数 | NA |
| 1817 | 2025-10-06 |
A medical image classification method based on self-regularized adversarial learning
2024-Nov, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17320
PMID:39078069
|
研究论文 | 提出一种基于自正则化对抗学习的医学图像分类框架GAN-DL，通过对抗网络提供补充正则化来提升分类性能 | 创新性地将GAN模型作为补充正则化项来支持分类任务，无需额外数据标注即可自动生成正则化损失函数 | 未明确说明计算资源需求和模型训练时间，在两个数据集上的验证需要扩展到更多医学影像类型 | 开发一种能够应对医学图像小样本、类别不平衡和质量变异等挑战的分类方法 | COVID-19胸部X光图像和口咽鳞状细胞癌PET图像 | 计算机视觉 | COVID-19, 口咽鳞状细胞癌 | 医学影像分析 | GAN, CNN | 图像 | COVID-19数据集13,958张胸部X光图像，OPSCC数据集3,255张PET图像 | NA | 特征提取网络(F-Net), 分类器, 重建网络(R-Net), 判别器网络(D-Net) | 精确率, 敏感度, 特异度, F1分数 | NA |
| 1818 | 2025-10-05 |
Evaluating the Quality of Brain MRI Generators
2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-72117-5_28
PMID:40364898
|
研究论文 | 提出一个评估脑部MRI生成模型质量的框架，重点关注生成图像的解剖结构合理性 | 开发了一个专门针对脑部MRI生成模型的评估框架，通过标准化处理和自动分割来量化解剖结构合理性，解决了传统自然图像评估指标的不足 | 仅评估了6种生成模型，样本量相对有限；框架依赖于分割结果的可靠性 | 改进脑部MRI生成模型的评估方法，使其更好地反映解剖结构的合理性 | 脑部结构MRI图像 | 医学影像分析 | 脑部疾病 | 深度学习生成模型 | 生成模型 | MRI图像 | 超过3000个脑部MRI | NA | 6种最先进的生成模型 | 解剖结构合理性量化指标 | NA |
| 1819 | 2025-10-05 |
Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning
2024-Sep-12, ArXiv
PMID:39314499
|
研究论文 | 本研究提出一种基于深度学习的数字体积活检核心方法，用于改进前列腺癌的Gleason分级 | 提出新型数字病理数据源'体积核心'，通过形态保持对齐框架从连续组织切片中提取并对齐，并采用改进的视频变换器处理体积数据 | NA | 开发深度学习方法来改进前列腺癌的Gleason分级 | 前列腺癌活检组织 | 数字病理学 | 前列腺癌 | 数字病理学，连续组织切片 | 注意力多实例学习(ABMIL)，视频变换器 | 体积图像数据 | 10,210个体积核心 | PyTorch | 改进的视频变换器，注意力多实例学习框架 | AUC，F1分数，精确度，召回率 | NA |
| 1820 | 2025-10-05 |
Optimizing mammography interpretation education: leveraging deep learning for cohort-specific error detection to enhance radiologist training
2024-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.11.5.055502
PMID:39372519
|
研究论文 | 本研究探索利用卷积神经网络和迁移学习对乳腺X线摄影中的假阳性区域进行分类，以优化放射科医师培训 | 首次针对具有相似地理特征的放射科医师群体，开发基于深度学习的假阳性错误检测方法 | 概念验证研究，样本量有限，仅包含两个地理群体 | 通过深度学习技术优化乳腺X线摄影解读培训 | 乳腺X线摄影图像中的假阳性区域 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | 两个地理群体（群体A和B）的放射科医师评估的乳腺X线摄影测试集 | NA | ResNet-50 | AUC | NA |