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 1161 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2025-10-06 |
Artificial intelligence-assisted grading for tear trough deformity
2024-10, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2024.07.048
PMID:39151284
|
研究论文 | 本研究开发了一种基于智能手机摄影和人工智能深度学习技术的泪沟畸形数字图像分级模型 | 首次证明可通过智能手机内置摄像头结合AI深度学习程序对泪沟畸形进行分类 | 训练模型敏感度56%、测试模型敏感度49.3%相对较低，样本量有限(504患者983张照片) | 建立可靠精确的泪沟畸形数字图像分级模型，辅助外科医生临床决策 | 泪沟畸形患者的面部照片 | 计算机视觉 | 面部整形 | 智能手机摄影，深度学习 | 深度学习 | 图像 | 504名患者，983张照片 | MAIA™医疗AI助手软件 | NA | 敏感度, 特异度, F1分数, AUROC, 混淆矩阵, 热力图 | NA |
| 162 | 2025-10-06 |
Downgrading Breast Imaging Reporting and Data System categories in ultrasound using strain elastography and computer-aided diagnosis system: a multicenter, prospective study
2024-Oct-01, The British journal of radiology
DOI:10.1093/bjr/tqae136
PMID:39102827
|
研究论文 | 通过结合应变弹性成像和深度学习辅助诊断系统，对乳腺超声BI-RADS分类进行降级评估的前瞻性多中心研究 | 首次将应变弹性成像比值与深度学习CAD系统联合应用于乳腺超声BI-RADS分类的重新评估 | 研究仅针对BI-RADS 3和4a-c类别，未包含其他类别；样本来源限于特定时间段的多中心数据 | 评估结合弹性成像和CAD系统是否能减少乳腺病变的不必要活检 | 1049个乳腺肿块（691个良性，358个恶性） | 医学影像分析 | 乳腺癌 | 超声成像，应变弹性成像，深度学习 | 深度学习 | 超声图像 | 1049个肿块（来自2020-2022年多中心研究） | NA | NA | 不必要活检减少率，恶性肿瘤漏诊率 | NA |
| 163 | 2025-10-06 |
Exploring the Role of Mobile Apps for Insomnia in Depression: Systematic Review
2024-10-18, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/51110
PMID:39423009
|
系统评价 | 系统评价针对抑郁和失眠的移动应用，分析其功能、效果和研究空白 | 首次系统评价同时针对抑郁和失眠的移动应用，特别关注AI和深度学习技术整合 | 仅纳入2017-2023年发表的18篇研究，样本量有限 | 系统评估针对抑郁和失眠的移动应用的有效性和研究现状 | 针对抑郁和失眠的移动应用研究 | 自然语言处理 | 精神疾病 | 自然语言处理, 机器学习, 生成对话 | 深度学习 | 文本交互数据 | 18篇符合条件的研究文章 | NA | 聊天机器人 | 可行性, 可接受性, 潜在有效性 | NA |
| 164 | 2025-10-06 |
Automated High-Throughput Atomic Force Microscopy Single-Cell Nanomechanical Assay Enabled by Deep Learning-Based Optical Image Recognition
2024-10-02, Nano letters
IF:9.6Q1
DOI:10.1021/acs.nanolett.4c03861
PMID:39302697
|
研究论文 | 开发了一种基于深度学习光学图像识别的自动化高通量原子力显微镜单细胞纳米力学检测方法 | 首次将深度学习图像识别技术应用于AFM单细胞纳米力学检测，实现了操作员独立的高通量自动化测量 | NA | 提高原子力显微镜单细胞纳米力学检测的效率和自动化程度 | 活体单细胞 | 计算机视觉 | NA | 原子力显微镜，光学明场成像 | 深度学习 | 光学图像 | NA | NA | NA | NA | NA |
| 165 | 2025-10-06 |
Intra-arterial Pressure-Enabled Drug Delivery Significantly Increases Penetration of Glass Microspheres in a Porcine Liver Tumor Model
2024-10, Journal of vascular and interventional radiology : JVIR
IF:2.6Q2
DOI:10.1016/j.jvir.2024.06.030
PMID:38969336
|
研究论文 | 本研究验证了压力驱动药物递送技术能显著提高玻璃微球在猪肝肿瘤模型中的穿透效果 | 首次在转基因猪肝肿瘤模型中比较压力驱动药物递送与传统微导管在肝动脉灌注中的效果差异 | 研究样本量有限（PEDD组10例/9例，传统组7例/8例），且仅在猪模型中进行验证 | 评估压力驱动药物递送技术对肝肿瘤靶向治疗的改善效果 | 转基因猪（Oncopigs）诱导的肝肿瘤模型 | 数字病理 | 肝癌 | 肝动脉灌注、近红外成像、荧光标记 | 深度学习 | 图像 | 叶段灌注：PEDD组10例，传统组7例；选择性灌注：PEDD组9例，传统组8例 | Visiopharm | 自定义深度学习算法 | 信号强度定量分析、统计学显著性（P值） | NA |
| 166 | 2024-10-02 |
Clarifications on the Differentiation of Vertebral Fractures Using Deep Learning Models
2024-Oct, Radiology
IF:12.1Q1
DOI:10.1148/radiol.241162
PMID:39352286
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 167 | 2025-10-06 |
Bone scintigraphy based on deep learning model and modified growth optimizer
2024-10-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-73991-8
PMID:39465262
|
研究论文 | 提出一种基于深度学习模型和改进生长优化器的骨闪烁成像分析方法 | 结合MobileViT模型和基于算术优化算法改进的生长优化器进行特征提取和选择 | NA | 开发自动化的骨闪烁成像分析系统以减少人工分析的负担 | 骨闪烁成像图像 | 计算机视觉 | 骨转移癌 | 骨闪烁成像 | Transformer, CNN | 医学图像 | 2800张骨扫描图像（1400正常，1400异常）和18个UCI数据集 | NA | MobileViT | NA | NA |
| 168 | 2025-07-25 |
Halted medical education in Korea amid Nobel Prizes in deep learning and machine learning research, tribute to a leader of Ewha Womans University College of Medicine, and highlights from this issue
2024-Oct, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2024.e71
PMID:40703983
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 169 | 2025-10-06 |
Automatic detection of midfacial fractures in facial bone CT images using deep learning-based object detection models
2024-10, Journal of stomatology, oral and maxillofacial surgery
DOI:10.1016/j.jormas.2024.101914
PMID:38750725
|
研究论文 | 本研究开发了一种基于深度学习的目标检测模型，用于在面部骨CT图像中自动检测中面部骨折 | 首次将SSD和YOLOv8两种目标检测算法应用于中面部骨折的自动检测，为急诊医疗提供快速准确的诊断解决方案 | 研究样本量有限（仅100例CT图像），需要更大规模的数据验证模型泛化能力 | 开发自动检测中面部骨折的系统，实现准确快速的骨折诊断 | 包含中面部骨折（如上颌骨、颧骨、鼻骨和眼眶骨折）的面部CT图像 | 计算机视觉 | 面部骨折 | CT成像 | 深度学习目标检测模型 | CT图像 | 100例CT图像（训练集80例3736张切片，验证集20例883张切片） | NA | SSD, YOLOv8 | 精确率, 召回率, F1分数, 平均精确率 | NA |
| 170 | 2025-10-06 |
Automated image transcription for perinatal blood pressure monitoring using mobile health technology
2024-Oct, PLOS digital health
DOI:10.1371/journal.pdig.0000588
PMID:39356720
|
研究论文 | 开发一种基于深度学习的自动化图像转录技术，用于从血压设备图像中提取读数，以改善围产期血压监测 | 提出结合YOLO目标检测和CNN数字识别的两阶段深度学习模型，并应用色彩校正和阈值处理技术减少反射和伪影影响 | 研究主要针对特定血压设备和特定人群（低资源环境和低文化水平人群），在其他设备和人群中的适用性需进一步验证 | 解决血压数据从示波设备向医疗记录系统传输的挑战，特别是在低文化水平人群中 | 围产期妇女（孕期和产后）的血压监测数据 | 计算机视觉 | 心血管疾病 | 移动健康技术，图像处理 | CNN, YOLO | 图像 | 来自危地马拉的2281名孕妇（1697+584）和来自乔治亚州的72名产后非洲裔美国参与者（23+49） | NA | YOLO, 卷积神经网络 | 平均绝对误差 | NA |
| 171 | 2025-07-23 |
Overcoming artificial structures in resolution-enhanced Hi-C data by signal decomposition and multi-scale attention
2024-Oct-24, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.21.619560
PMID:39484541
|
研究论文 | 提出了一种名为SHARP的新方法，通过信号分解和多尺度注意力机制来克服分辨率增强Hi-C数据中的人工结构问题 | SHARP方法首次将Hi-C数据分解为三种信号类型，并仅对第三种信号类型应用深度学习，同时结合局部和全局注意力机制以捕获多尺度上下文信息 | 未明确提及具体限制，但可能涉及对新型数据类型的泛化能力或计算资源需求 | 提高Hi-C数据的分辨率增强准确性，避免人工结构的产生 | 基因组范围内的染色体构象捕获(Hi-C)数据 | 生物信息学 | NA | Hi-C技术、深度学习 | 多尺度注意力机制 | 基因组接触矩阵数据 | 未明确提及具体样本数量，但包括新样本和另一物种的数据 | NA | NA | NA | NA |
| 172 | 2025-07-23 |
Postoperative facial prediction for mandibular defect based on surface mesh deformation
2024-10, Journal of stomatology, oral and maxillofacial surgery
DOI:10.1016/j.jormas.2024.101973
PMID:39089509
|
研究论文 | 本研究介绍了一种基于表面网格变形的新型预测模型，用于预测下颌骨缺损患者的术后面部轮廓 | 采用表面网格理论和深度学习，区别于传统的点云方法，使用表面三角网格网格，通过MCRBM模型提取潜在变量生成三维变形场，提高了几何信息保存和可解释性 | NA | 提高下颌骨缺损重建术后面部轮廓预测的准确性 | 下颌骨缺损患者 | 计算机视觉 | 口腔颌面疾病 | 深度学习 | MCRBM | 三维网格数据 | NA | NA | NA | NA | NA |
| 173 | 2025-07-23 |
A deep learning approach to detection of oral cancer lesions from intra oral patient images: A preliminary retrospective study
2024-10, Journal of stomatology, oral and maxillofacial surgery
DOI:10.1016/j.jormas.2024.101975
PMID:39043293
|
research paper | 本研究评估了一种基于深度学习的计算机软件在检测口腔癌病变中的性能 | 使用YOLOv5架构开发的人工智能模型首次应用于口腔癌病变的检测 | 样本量较小（仅65张图像），且为回顾性研究 | 评估深度学习算法在口腔癌病变检测中的应用潜力 | 口腔鳞状细胞癌（OSCC）病变 | digital pathology | oral cancer | deep learning | YOLOv5 | image | 65张匿名回顾性口腔内患者图像（53张训练集，6张验证集，6张测试集） | NA | NA | NA | NA |
| 174 | 2025-10-06 |
Disentangling Interpretable Factors with Supervised Independent Subspace Principal Component Analysis
2024-Oct-31, ArXiv
PMID:39575118
|
研究论文 | 提出一种用于多子空间学习的监督独立子空间主成分分析方法，旨在解决高维数据表示中可解释性问题 | 将希尔伯特-施密特独立性准则(HSIC)融入PCA框架，同时实现监督学习和子空间解缠 | 未明确说明方法在大规模数据集上的计算效率限制 | 开发能够捕获人类可理解概念的高维数据表示方法 | 高维数据表示和可解释性分析 | 机器学习 | 乳腺癌, 疟疾, 衰老相关疾病 | 主成分分析, 希尔伯特-施密特独立性准则 | 线性模型, 自编码器 | 图像特征, DNA甲基化数据, 单细胞数据 | NA | NA | sisPCA | NA | NA |
| 175 | 2025-10-06 |
The gene expression signature of electrical stimulation in the human brain
2024-Oct-22, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.21.558812
PMID:37790527
|
研究论文 | 本研究通过转录组和表观基因组测序技术揭示了人脑电刺激对基因表达的分子影响，重点关注小胶质细胞的反应 | 首次发现临床常用电刺激主要影响小胶质细胞特异性细胞因子活性相关基因表达，而非神经元基因表达 | 研究样本量有限，仅针对前颞叶电刺激，未涵盖其他脑区 | 探索人脑电刺激的分子机制及其对基因表达的影响 | 接受神经外科手术患者的前颞叶脑组织 | 生物信息学 | 神经系统疾病 | 转录组测序, 表观基因组测序, 单细胞测序 | 深度学习 | 基因表达数据, 表观遗传数据 | 神经外科手术患者脑组织样本 | NA | NA | NA | NA |
| 176 | 2025-10-06 |
Enhancing personalized gene expression prediction from DNA sequences using genomic foundation models
2024-Oct-10, HGG advances
DOI:10.1016/j.xhgg.2024.100347
PMID:39205391
|
研究论文 | 本研究通过使用基因组基础模型的预训练嵌入，开发了能够从DNA序列预测个性化基因表达的深度学习模型 | 首次将Nucleotide Transformer基础模型的预训练嵌入应用于个性化基因表达预测，显著缩小了与仅使用遗传变异的弹性网络回归方法的性能差距 | 训练数据规模有限（290个个体），需要更多训练数据和计算资源改进方法 | 提高从DNA序列预测个性化基因表达的准确性 | 人类基因组DNA序列和基因表达数据 | 基因组学 | NA | 基因表达分析，基因型分析 | Transformer | DNA序列数据，基因表达数据，基因型数据 | 290个个体的基因型和表达数据 | NA | Transformer | 相关性 | NA |
| 177 | 2025-10-06 |
Integrated image-based deep learning and language models for primary diabetes care
2024-Oct, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-024-03139-8
PMID:39030266
|
研究论文 | 开发集成图像和语言模型的DeepDR-LLM系统，用于改善基层糖尿病管理和糖尿病视网膜病变筛查 | 首次将基于图像的深度学习模型与大型语言模型集成，为基层医生提供个性化糖尿病管理建议 | 仅进行了单中心前瞻性研究，样本量有限，需要在更广泛人群中验证 | 解决基层糖尿病管理和DR筛查资源不足的问题 | 糖尿病患者和基层医生 | 计算机视觉,自然语言处理 | 糖尿病,糖尿病视网膜病变 | 深度学习,大型语言模型 | Transformer | 图像,文本 | 回顾性评估未明确样本量，前瞻性研究769名患者（397名无辅助组，372名辅助组） | NA | Transformer | 准确率,依从性改善统计显著性 | NA |
| 178 | 2025-10-06 |
Graph-Based Spatial Proximity of Super-Resolved Protein-Protein Interactions Predicts Cancer Drug Responses in Single Cells
2024-Oct, Cellular and molecular bioengineering
IF:2.3Q3
DOI:10.1007/s12195-024-00822-1
PMID:39513000
|
研究论文 | 开发基于图结构的超分辨率蛋白质-蛋白质相互作用技术，用于预测单细胞水平的癌症药物反应 | 首次将图神经网络与超分辨率显微镜结合，实现单细胞水平蛋白质相互作用空间网络的三维解析 | 研究样本数量有限（约10,000个细胞），仅针对EGFR突变细胞系进行验证 | 开发空间信号网络解析技术以理解癌症耐药机制 | EGFR突变PC9和HCC827癌细胞、临床肺组织样本、T细胞 | 计算生物学 | 肺癌 | 空间邻近连接分析、超分辨率显微镜、3D空间蛋白质组分子像素化 | 图神经网络 | 蛋白质相互作用图像、3D空间蛋白质数据 | 超过10,000个EGFR突变细胞 | 深度学习框架 | 图神经网络架构 | 准确率、AUC、F1分数 | NA |
| 179 | 2025-10-06 |
N2GNet tracks gait performance from subthalamic neural signals in Parkinson's disease
2024-Oct-31, Research square
DOI:10.21203/rs.3.rs-5112726/v1
PMID:39574884
|
研究论文 | 提出一种基于深度学习的回归模型N2GNet，能够从帕金森病患者丘脑底核局部场电位实时追踪步态表现 | 首次开发能够直接从STN LFP信号追踪步态性能的深度学习模型，利用全面频带信息而非仅限于beta波段 | 研究样本量较小（18名患者），仅在原地踏步任务中验证 | 开发用于帕金森病自适应脑深部电刺激的实时步态性能追踪算法 | 帕金森病患者 | 机器学习 | 帕金森病 | 局部场电位记录，地面反作用力测量 | 深度学习回归模型 | 神经信号，生物力学数据 | 18名帕金森病患者 | NA | N2GNet | 相关性分析 | NA |
| 180 | 2025-10-06 |
PheW2P2V: a phenome-wide prediction framework with weighted patient representations using electronic health records
2024-Oct, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooae084
PMID:39282083
|
研究论文 | 开发了一个基于电子健康记录的疾病全表型预测框架PheW2P2V，通过加权患者向量实现个性化预测 | 提出加权患者向量计算方法，通过提升与特定表型相关的医疗记录权重来实现个性化预测 | 需要进一步研究嵌入表示在不同数据库间的可迁移性 | 开发基于电子健康记录的计算预测工具，实现疾病全表型的风险预测 | 电子健康记录中的患者医疗数据 | 机器学习 | 多种疾病 | Phecode映射，国际疾病分类代码 | 嵌入表示模型 | 电子健康记录 | MIMIC-III数据库中的942个全表型预测 | NA | 加权患者向量 | AUC-ROC, F1-score, AUC-PR | NA |