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 1075 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2025-05-02 |
Usefulness of Artificial Intelligence in Traumatic Brain Injury: A Bibliometric Analysis and Mini-review
2024-08, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2024.05.065
PMID:38759786
|
综述 | 本文通过文献计量分析和迷你综述，探讨了人工智能在创伤性脑损伤（TBI）中的主要应用 | 结合文献计量分析和迷你综述，全面评估了人工智能在TBI领域的研究进展和应用潜力 | 主要基于Scopus数据库的文献，可能未涵盖所有相关研究 | 评估人工智能在创伤性脑损伤领域的应用和研究趋势 | 创伤性脑损伤（TBI）相关的科学出版物 | 人工智能 | 创伤性脑损伤 | 文献计量分析、知识图谱分析 | NA | 文献数据 | 495篇科学出版物（2000-2023年） | NA | NA | NA | NA |
| 202 | 2025-10-07 |
Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug-in modules
2024-Aug-13, Knee surgery & related research
IF:4.1Q1
DOI:10.1186/s43019-024-00228-3
PMID:39138550
|
研究论文 | 开发了一种基于插件模块的深度学习模型，用于自动分类膝关节骨关节炎的X线严重程度 | 首次将插件模块集成到深度学习网络中用于膝关节骨关节炎的细粒度分类，通过集成四个不同的插件模块提高了分类精度 | 未来仍需改进，某些KL分级准确率较低（如KL 1级仅为43%） | 开发自动膝关节骨关节炎严重程度分类模型 | 膝关节X线影像 | 计算机视觉 | 骨关节炎 | 深度学习 | CNN, Transformer | X线图像 | 训练集：骨关节炎倡议数据集；测试集：多中心骨关节炎研究数据集（17,040例） | NA | 插件模块集成模型 | 准确率 | NA |
| 203 | 2025-10-07 |
Quantitative Three-Dimensional Imaging Analysis of HfO2 Nanoparticles in Single Cells via Deep Learning Aided X-ray Nano-Computed Tomography
2024-08-20, ACS nano
IF:15.8Q1
DOI:10.1021/acsnano.4c06953
PMID:39115329
|
研究论文 | 开发基于深度学习的X射线纳米计算机断层扫描方法，用于单细胞内HfO2纳米颗粒的三维定量分析 | 建立了针对单细胞3D纳米CT图像的超小物体分割方法，能够高灵敏度分析微小纳米颗粒 | 方法需要专业知识且耗时，传统批量数据分析准确性不确定 | 开发自动化深度学习辅助的纳米CT方法，用于定量分析癌细胞对超小金属纳米颗粒的摄取 | 人乳腺癌细胞系MCF-7和HfO2纳米颗粒 | 计算机视觉 | 乳腺癌 | X射线纳米计算机断层扫描 | 深度学习 | 3D图像 | 单细胞水平的纳米颗粒分析 | NA | NA | 灵敏度，准确性 | NA |
| 204 | 2025-10-07 |
Sága, a Deep Learning Spectral Analysis Tool for Fungal Detection in Grains-A Case Study to Detect Fusarium in Winter Wheat
2024-08-13, Toxins
IF:3.9Q1
DOI:10.3390/toxins16080354
PMID:39195764
|
研究论文 | 开发了一种基于成像光谱和深度学习的镰刀菌感染小麦早期检测工具Sága | 结合预训练的YOLOv5和DeepMAC模型进行小麦穗部分割，并利用XGBoost分析高光谱信息实现镰刀菌感染检测 | 研究仅基于2021年单个实验田的数据，样本规模有限 | 开发可靠的现场特异性镰刀菌感染早期预警模型，确保粮食和饲料安全 | 冬小麦中的镰刀菌感染检测 | 计算机视觉 | 植物病害 | 成像光谱技术（高光谱成像） | YOLOv5, DeepMAC, XGBoost | 高光谱图像 | 两个实验田（接种镰刀菌的实验田52.5m×3m和对照组52.5m×3m） | NA | YOLOv5, DeepMAC | 准确率, F1分数 | NA |
| 205 | 2025-10-07 |
Precision in Prevention and Health Surveillance: How Artificial Intelligence May Improve the Time of Identification of Health Concerns through Social Media Content Analysis
2024-Aug, Yearbook of medical informatics
DOI:10.1055/s-0044-1800736
PMID:40199301
|
综述 | 探讨人工智能通过社交媒体内容分析提升预防和健康监测精准度的潜力 | 系统评估AI技术在社交媒体健康监测中的创新应用，包括基于Transformer的主题建模和联邦学习等先进技术 | 仅纳入2023年发表的文献，样本量有限（最终筛选10篇文献），可能存在发表偏倚 | 提升健康监测的及时性和准确性，实现更主动有效的健康干预 | 社交媒体健康相关内容，包括自杀预防、心理健康、电子烟使用等公共卫生议题 | 自然语言处理 | 公共卫生 | 文献计量分析，社交媒体内容分析 | 机器学习，深度学习，自然语言处理 | 文本数据（社交媒体内容） | 89篇文献初步分析，最终筛选10篇相关研究 | Bibliometrix | Transformer | NA | NA |
| 206 | 2025-10-07 |
Year 2023 in Biomedical Natural Language Processing: a Tribute to Large Language Models and Generative AI
2024-Aug, Yearbook of medical informatics
DOI:10.1055/s-0044-1800751
PMID:40199311
|
综述 | 对2023年生物医学自然语言处理领域的研究进展进行总结，重点分析大语言模型和生成式AI的应用趋势 | 系统梳理了2023年生物医学NLP领域的最佳论文评选过程，揭示了大语言模型在数据增强、领域适应和模型蒸馏方面的创新应用 | 仅基于两个文献数据库（Medline和ACL）进行分析，可能未覆盖该领域所有重要研究成果 | 总结2023年生物医学自然语言处理领域的研究趋势和最佳论文 | 2023年发表的2,148篇生物医学NLP研究论文 | 自然语言处理 | COVID-19, 癌症, 精神健康 | 自然语言处理, 深度学习 | 大语言模型, ChatGPT | 社交媒体内容, 电子健康记录 | 2,148篇论文 | NA | NA | NA | NA |
| 207 | 2025-04-24 |
Automatic Segmentation for Analysis of Murine Cardiac Ultrasound and Photoacoustic Image Data Using Deep Learning
2024-08, Ultrasound in medicine & biology
|
研究论文 | 利用深度学习技术自动分割小鼠心脏超声和光声图像数据以进行分析 | 结合超声和光声成像，使用U-Net深度神经网络进行分割，提高了前壁左心室区域的分割效率和准确性 | 研究仅针对小鼠图像数据集，未涉及人类或其他动物模型 | 改进心脏超声和光声图像的分割方法，以量化应变和氧饱和度 | 小鼠心脏的超声和光声图像 | 计算机视觉 | 心血管疾病 | 超声成像（US）和光声成像（PA） | U-Net | 图像 | 小鼠图像数据集（具体数量未提及） | NA | NA | NA | NA |
| 208 | 2025-04-24 |
A Deep Learning Model for Automatically Quantifying the Anterior Segment in Ultrasound Biomicroscopy Images of Implantable Collamer Lens Candidates
2024-08, Ultrasound in medicine & biology
|
research paper | 本研究开发并评估了一种基于深度学习的模型，用于自动测量植入式Collamer镜片（ICL）手术候选者术前超声生物显微镜（UBM）图像中的前段（AS）参数 | 利用UNet++网络自动分割AS组织，并结合图像处理技术和几何定位算法自动识别瞳孔直径（PD）、前房深度（ACD）、角到角距离（ATA）和沟到沟距离（STS）等解剖标志（ALs） | 研究仅使用了来自两个医疗中心的UBM图像，可能限制了模型的泛化能力 | 开发一种能够自动测量ICL手术候选者前段参数的深度学习模型 | 植入式Collamer镜片（ICL）手术候选者的术前超声生物显微镜（UBM）图像 | digital pathology | 眼科疾病 | 超声生物显微镜（UBM） | UNet++ | image | 1164张全景UBM图像来自321名患者，外加294张来自外部数据集的图像 | NA | NA | NA | NA |
| 209 | 2025-04-21 |
Recent Advances in Predictive Modeling with Electronic Health Records
2024-Aug, IJCAI : proceedings of the conference
DOI:10.24963/ijcai.2024/914
PMID:40248670
|
综述 | 本文系统回顾了基于电子健康记录（EHR）数据的深度学习预测模型的最新进展 | 总结了深度学习在EHR数据预测建模中的多种应用视角，并提出了未来的研究方向 | 未提及具体模型的性能比较或实际应用中的具体限制 | 探讨如何利用EHR数据进行预测建模 | 电子健康记录（EHR）数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 电子健康记录数据 | NA | NA | NA | NA | NA |
| 210 | 2025-04-06 |
Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering
2024-Aug, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2023.3263866
PMID:37030701
|
research paper | 提出了一种新颖的深度学习方法，用于联合估计点云法线和滤波点云 | 引入了基于3D块的对比学习框架，将噪声作为增强手段，训练能够生成鲁棒点云块表示的特征编码器，并通过联合损失同时估计点法线和位移 | NA | 解决点云滤波和法线估计这两个3D领域的基础研究问题 | 点云数据 | computer vision | NA | 对比学习 | 深度学习 | 3D点云 | NA | NA | NA | NA | NA |
| 211 | 2024-08-07 |
Trend Identification and Prediction of Worker Stress Rate Using Deep Learning Algorithm in Indonesia
2024-08, Workplace health & safety
IF:2.3Q1
DOI:10.1177/21650799241263623
PMID:38907692
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 212 | 2025-04-06 |
Neural Network Layer Algebra: A Framework to Measure Capacity and Compression in Deep Learning
2024-Aug, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2023.3241100
PMID:37027551
|
research paper | 提出了一种新的框架来测量深度神经网络的固有特性，特别是容量和压缩性 | 引入了层代数的概念，并提出了两个新的度量指标：层复杂度和层内在能力，这些指标仅依赖于网络结构而非参数 | 虽然框架可以推广到任何网络架构，但研究主要集中在卷积网络上 | 测量深度神经网络的固有特性，即容量和压缩性 | 深度神经网络，特别是卷积网络 | machine learning | NA | NA | CNN | image | NA | NA | NA | NA | NA |
| 213 | 2025-04-06 |
Probabilistic Attention Based on Gaussian Processes for Deep Multiple Instance Learning
2024-Aug, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2023.3245329
PMID:37027623
|
research paper | 提出了一种基于高斯过程的概率注意力机制（AGP），用于深度多实例学习（MIL），以提供预测的不确定性估计 | 首次将高斯过程引入MIL中的注意力机制，提供实例级可解释性和预测不确定性 | 未明确提及具体限制，但可能面临高斯过程计算复杂度高的问题 | 开发一种能够提供预测不确定性的深度MIL方法，特别适用于医学领域 | 多实例学习模型及其在医学图像分析中的应用 | machine learning | cancer | Gaussian processes | AGP (Attention Gaussian Process) | image | 小于100个标签的小型数据集以及MNIST和CIFAR-10合成数据 | NA | NA | NA | NA |
| 214 | 2025-04-06 |
Artificial Intelligence (AI)-Based Computer-Assisted Detection and Diagnosis for Mammography: An Evidence-Based Review of Food and Drug Administration (FDA)-Cleared Tools for Screening Digital Breast Tomosynthesis (DBT)
2024-Aug, AI in precision oncology
DOI:10.1089/aipo.2024.0022
PMID:40182614
|
综述 | 本文回顾了基于人工智能的计算机辅助检测和诊断工具在数字乳腺断层合成摄影筛查中的应用及其FDA批准情况 | 总结了新一代深度学习AI工具在乳腺筛查中的潜力，并评估了FDA批准的六种AI工具的性能 | 现有证据有限，仅包括两项小规模的实施后临床研究，需要更多前瞻性研究来全面评估影响 | 评估AI在数字乳腺断层合成摄影筛查中的应用效果 | FDA批准的六种基于AI的计算机辅助检测/诊断工具 | 数字病理学 | 乳腺癌 | 深度学习 | NA | 医学影像 | 多项多读者多病例研究、回顾性分析和两项真实世界评估 | NA | NA | NA | NA |
| 215 | 2025-10-07 |
Multiplex Detection of Foodborne Pathogens using 3D Nanostructure Swab and Deep Learning-Based Classification of Raman Spectra
2024-08, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202308317
PMID:38564785
|
研究论文 | 提出了一种结合3D纳米结构拭子和深度学习拉曼信号分类的多重食源性病原体检测方法 | 首次将3D纳米结构拭子捕获技术与便携式拉曼仪器及深度学习分类算法相结合，实现快速准确的多种食源性细菌检测 | NA | 开发简单、快速、灵敏的食源性病原体检测方法以支持食品安全监测 | 食源性细菌 | 机器学习 | 食源性疾病 | 拉曼光谱技术 | CNN | 光谱数据 | NA | NA | 1D卷积神经网络 | 准确率 | NA |
| 216 | 2025-10-07 |
Deep learning-based segmentation of subcellular organelles in high-resolution phase-contrast images
2024-Aug-30, Cell structure and function
IF:2.0Q4
DOI:10.1247/csf.24036
PMID:39085139
|
研究论文 | 本研究开发了基于深度学习的亚细胞器分割方法，用于高分辨率相差图像分析 | 使用荧光标记作为真实掩膜来源，在无标记活细胞图像中实现亚细胞器的精确分割 | NA | 开发高分辨率相差图像中亚细胞器的精确分割方法 | 未染色活细胞中的亚细胞器 | 计算机视觉 | NA | 无标记成像，荧光标记，高分辨率相差显微镜 | 深度学习 | 高分辨率相差图像，荧光图像 | NA | NA | NA | NA | NA |
| 217 | 2025-10-07 |
An end-to-end deep learning pipeline to derive blood input with partial volume corrections for automated parametric brain PET mapping
2024-Aug-19, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad6a64
PMID:39094595
|
研究论文 | 提出一种端到端深度学习流程，通过部分容积校正自动生成血液输入函数用于脑PET参数映射 | 首次结合3D U-Net和RNN实现非侵入性血液输入函数计算，无需动脉采血 | 仅基于50例FDG PET扫描进行验证，样本量有限 | 开发非侵入性定量分析动态脑FDG-PET的方法 | 人类脑部FDG PET扫描数据 | 医学影像分析 | 神经系统疾病 | 动态FDG-PET成像 | 3D U-Net, RNN | 3D PET影像 | 50例人类脑部FDG PET扫描 | NA | 3D U-Net, RNN | Dice系数, 交并比, 均方根误差 | NA |
| 218 | 2025-03-25 |
Community assessment of methods to deconvolve cellular composition from bulk gene expression
2024-Aug-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-50618-0
PMID:39191725
|
research paper | 评估从批量基因表达数据中解卷积细胞组成的方法，通过社区范围的DREAM挑战进行 | 评估了多种解卷积方法，包括深度学习方法的强表现，确立了该范式在解卷积中的适用性 | 部分方法未针对所有功能性CD8+ T细胞状态进行训练或准确度较低 | 评估解卷积方法在推断肿瘤样本中免疫浸润水平的效果 | 体外和计算机模拟的癌症与健康免疫细胞的混合转录谱 | machine learning | cancer | bulk gene expression analysis | deep learning | gene expression data | NA | NA | NA | NA | NA |
| 219 | 2025-03-25 |
Deep learning predicts postoperative opioids refills in a multi-institutional cohort of surgical patients
2024-08, Surgery
IF:3.2Q1
DOI:10.1016/j.surg.2024.03.054
PMID:38796387
|
research paper | 该研究探讨了深度学习模型在预测术后需要阿片类药物补充的患者中的应用 | 首次将深度学习模型应用于预测术后阿片类药物补充需求，并通过多机构队列验证其高准确性 | 研究为回顾性设计，且仅纳入单一医疗中心的患者数据 | 优化术后阿片类药物处方策略，平衡药物滥用风险与患者疼痛控制需求 | 接受择期手术的成年患者 | machine learning | NA | deep learning, random forest, eXtreme Gradient Boosting | 深度学习、随机森林、XGBoost | 临床医疗记录 | 9,731例择期手术患者（平均年龄62.1岁，51.4%为女性） | NA | NA | NA | NA |
| 220 | 2025-10-07 |
Deep learning structural insights into heterotrimeric alternatively spliced P2X7 receptors
2024-Aug, Purinergic signalling
IF:3.0Q2
DOI:10.1007/s11302-023-09978-3
PMID:38032425
|
研究论文 | 本研究应用AlphaFold2-Multimer深度学习方法预测异源三聚体选择性剪接P2X7受体的结构 | 首次验证AF2M在预测三聚体P2X7受体结构中的准确性，并成功生成多种异源三聚体剪接变体的结构模型 | 模型验证主要依赖计算指标和分子动力学模拟，缺乏实验结构直接验证异源三聚体模型 | 探索选择性剪接对P2X7受体结构和功能的影响 | P2X7受体及其剪接变体（P2X7B、P2X7E、P2X7J、P2X7L） | 结构生物信息学 | NA | 深度学习结构预测，冷冻电镜，分子动力学模拟 | AlphaFold2-Multimer | 蛋白质序列，结构数据 | 多种P2X7受体剪接变体组合 | AlphaFold2 | AlphaFold2-Multimer | 模型置信度评分，分子动力学稳定性，保守区域灵活性 | NA |