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 1266 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2025-03-25 |
Gated SPECT-Derived Myocardial Strain Estimated From Deep-Learning Image Translation Validated From N-13 Ammonia PET
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.047
PMID:39095261
|
研究论文 | 本研究探讨了使用深度学习生成的虚拟PET样门控SPECT（SPECTVP）评估心肌应变的可行性，以克服传统SPECT的限制 | 利用深度学习技术将SPECT图像转换为PET样图像（SPECTVP），提高了心肌应变测量的准确性 | 研究样本量较小（18名患者在应激状态，23名患者在静息状态），且仅选择了射血分数无变化的患者进行训练 | 提高心肌应变测量的准确性，探索SPECTVP在临床中的应用价值 | 心肌应变 | 数字病理学 | 心血管疾病 | 深度学习图像转换 | 深度学习模型 | 医学图像（SPECT和PET） | 18名患者在应激状态（720对图像），23名患者在静息状态（920对图像） | NA | NA | NA | NA |
| 262 | 2025-03-25 |
Preoperative Contrast-Enhanced CT-Based Deep Learning Radiomics Model for Distinguishing Retroperitoneal Lipomas and Well‑Differentiated Liposarcomas
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.035
PMID:39003228
|
research paper | 评估基于术前增强CT的深度学习放射组学列线图在区分腹膜后高分化脂肪肉瘤和脂肪瘤中的效能 | 结合放射组学和深度学习特征开发的新型列线图模型，用于术前预测MDM2基因扩增，以区分两种疾病 | 研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限 | 开发术前影像学生物标志物以区分腹膜后高分化脂肪肉瘤和脂肪瘤 | 167例MDM2阳性高分化脂肪肉瘤或MDM2阴性脂肪瘤患者 | digital pathology | liposarcoma | contrast-enhanced CT (CECT) | deep learning radiomics nomogram (DLRN) | medical imaging | 167例患者（训练集104例/外部测试集63例） | NA | NA | NA | NA |
| 263 | 2025-03-25 |
Predicting the Prognosis of HIFU Ablation of Uterine Fibroids Using a Deep Learning-Based 3D Super-Resolution DWI Radiomics Model: A Multicenter Study
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.027
PMID:38969576
|
研究论文 | 评估基于深度学习的3D超分辨率扩散加权成像放射组学模型在预测高强度聚焦超声消融子宫肌瘤预后中的可行性和有效性 | 使用深度学习构建超分辨率DWI，并在预测HIFU消融子宫肌瘤预后方面优于高分辨率DWI模型和放射科专家评估 | 回顾性研究设计，样本量相对有限（360例患者） | 预测高强度聚焦超声（HIFU）消融子宫肌瘤的预后 | 子宫肌瘤患者 | 数字病理 | 子宫肌瘤 | 扩散加权成像（DWI），深度学习 | SVM, RF, LightGBM | 3D医学影像 | 360例患者（240例训练集，60例内部测试集，60例外部测试集） | NA | NA | NA | NA |
| 264 | 2025-03-25 |
DeepSAP: A Novel Brain Image-Based Deep Learning Model for Predicting Stroke-Associated Pneumonia From Spontaneous Intracerebral Hemorrhage
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.025
PMID:38955592
|
research paper | 开发了一种基于脑部CT扫描的深度学习模型DeepSAP，用于预测自发性脑出血后的卒中相关性肺炎 | 首次结合脑部CT图像和临床数据，通过MRI模板进行图像配准消除样本间结构差异，实现了脑出血的统计量化和空间标准化 | 研究为回顾性研究，样本量相对较小(n=244)，需要进一步前瞻性验证 | 开发快速可靠的模型及时预测卒中相关性肺炎(SAP) | 244例自发性脑出血(ICH)患者 | digital pathology | cardiovascular disease | CT扫描，MRI-template-based图像配准技术 | deep-learning neural network | image (脑部CT扫描)和临床数据 | 244例ICH患者(训练集170例，测试集74例) | NA | NA | NA | NA |
| 265 | 2025-03-25 |
Prospective Deployment of Deep Learning Reconstruction Facilitates Highly Accelerated Upper Abdominal MRI
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.044
PMID:38955591
|
研究论文 | 比较传统T1容积插值屏气检查（VIBE）与深度学习（DL）重建加速VIBE序列在上腹部MRI中的图像质量和诊断信心 | 使用深度学习重建技术将VIBE-SPAIR的屏气时间减少50%，同时提高图像质量 | 研究样本量较小（45例患者），且仅在单一三级中心进行 | 评估深度学习重建加速VIBE序列在上腹部MRI中的性能 | 上腹部MRI检查的患者 | 医学影像 | 上腹部疾病 | 深度学习重建技术 | DL | MRI图像 | 45例患者 | NA | NA | NA | NA |
| 266 | 2025-03-25 |
Super-resolution Deep Learning Reconstruction for 3D Brain MR Imaging: Improvement of Cranial Nerve Depiction and Interobserver Agreement in Evaluations of Neurovascular Conflict
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.010
PMID:38897913
|
research paper | 该研究探讨了超分辨率深度学习重建（SR-DLR）在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果 | 首次比较了SR-DLR与DLR在3D FASE脑部MR图像中对颅神经描绘和神经血管冲突评估的影响 | 研究样本量较小（37例患者），且SR-DLR显示出更高的主观图像噪声 | 评估SR-DLR在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果 | 37例患者的3D FASE脑部MR图像 | digital pathology | 神经血管疾病 | 3D fast asymmetric spin echo (3D FASE)脑部MR成像 | 深度学习重建（DLR）和超分辨率深度学习重建（SR-DLR） | 3D MR图像 | 37例患者 | NA | NA | NA | NA |
| 267 | 2025-03-25 |
Predicting Lymphovascular Invasion in Non-small Cell Lung Cancer Using Deep Convolutional Neural Networks on Preoperative Chest CT
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.010
PMID:38845293
|
研究论文 | 本研究利用术前胸部CT图像和深度学习技术，构建了一个非小细胞肺癌淋巴血管侵犯的无创预测诊断模型 | 结合2D和3D CT成像特征以及临床放射学数据，开发了四种不同的深度卷积神经网络预测模型，用于预测非小细胞肺癌的淋巴血管侵犯 | 研究为回顾性观察研究，样本中LVI阳性患者较少（106例），可能影响模型的泛化能力 | 开发非小细胞肺癌淋巴血管侵犯的无创预测方法 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | DCNN（包括Dual-head Res2Net_3D23F、Dual-head Res2Net_3D3F、Dual-head Res2Net_3D和EfficientNet-B0_2D） | 图像 | 3034例非小细胞肺癌患者（其中106例LVI阳性） | NA | NA | NA | NA |
| 268 | 2025-03-25 |
Value of CT-Based Deep Learning Model in Differentiating Benign and Malignant Solid Pulmonary Nodules ≤ 8 mm
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.021
PMID:38806374
|
研究论文 | 本研究探讨了基于CT的深度学习模型在区分≤8mm的良性和恶性实性肺结节中的有效性 | 使用MDANet构建的深度学习模型，结合结节和不同周围区域特征，优于传统算法 | 样本量有限（n=719），且所有患者均接受了手术切除，可能影响模型的泛化能力 | 评估基于CT的深度学习模型在区分小实性肺结节良恶性方面的性能 | ≤8mm的实性肺结节 | 数字病理学 | 肺癌 | CT扫描 | MDANet, VGG19, ResNet50, ResNeXt50, DenseNet121 | 医学影像 | 719例患者（内部训练、内部验证和外部验证队列） | NA | NA | NA | NA |
| 269 | 2025-10-07 |
Conceptual understanding and cognitive patterns construction for physical education teaching based on deep learning algorithms
2024-12-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83028-9
PMID:39732971
|
研究论文 | 本研究提出基于深度学习算法的体育教学概念理解与认知模式构建方法 | 结合关联图卷积神经网络和超图卷积神经认知诊断模型，挖掘学生长期学习序列数据 | NA | 提高学生对体育教学概念的理解，帮助教师分析学生认知模式 | 体育教学中的学生认知状态 | 机器学习 | NA | 深度学习算法 | CNN, 图卷积神经网络 | 图像, 学习序列数据 | 90000个训练样本 | NA | 关联图卷积神经网络, 超图卷积神经认知诊断模型 | 准确率 | NA |
| 270 | 2025-10-07 |
Explainable artificial intelligence for stroke prediction through comparison of deep learning and machine learning models
2024-12-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-82931-5
PMID:39733046
|
研究论文 | 本研究通过比较深度学习和机器学习模型在脑卒中预测中的表现，探索可解释人工智能在早期中风检测中的应用 | 首次系统比较八种主流机器学习和深度学习模型在中风预测中的性能，并结合SHAP方法提供模型可解释性 | 研究样本量相对有限（663条记录），仅来自伊朗德黑兰单一医疗中心的数据 | 比较深度学习和机器学习模型在中风预测中的效能，探索早期检测方法 | 来自伊朗Hazrat Rasool Akram医院的住院患者，包括401名健康个体和262名中风患者 | 机器学习 | 脑卒中 | NA | SVM, XGB, KNN, RF, DNN, FNN, LSTM, CNN | 医疗记录数据 | 663条患者记录（401健康，262中风） | NA | DNN, FNN, LSTM, CNN | 准确率, 特异性, 敏感性, F1分数, ROC曲线 | NA |
| 271 | 2025-03-22 |
On-board synthetic 4D MRI generation from 4D CBCT for radiotherapy of abdominal tumors: A feasibility study
2024-Dec, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17347
PMID:39137256
|
研究论文 | 本研究评估了基于人工智能方法从4D CBCT生成合成4D MRI的可行性，用于腹部肿瘤的放射治疗 | 提出了一种基于深度学习的合成4D MRI生成方法，利用4D CBCT图像和运动建模信息，为传统kV-based LINAC的腹部放射治疗提供潜在的改进方案 | 合成MRI的生成可能面临纹理生成的挑战，且容易产生幻觉，影响运动准确性 | 评估在传统放射治疗设备上生成合成4D MRI的可行性，以改善腹部肿瘤的治疗定位 | 腹部肿瘤 | 医学影像处理 | 腹部肿瘤 | 深度学习，卷积神经网络（CNN） | CNN | 4D CBCT图像，4D MRI图像 | 1000个参考CT的变形样本 | NA | NA | NA | NA |
| 272 | 2025-03-22 |
Prediction of Perceived Exertion Ratings in National Level Soccer Players Using Wearable Sensor Data and Machine Learning Techniques
2024-12, Journal of sports science & medicine
DOI:10.52082/jssm.2024.744
PMID:39649569
|
研究论文 | 本研究旨在通过可穿戴传感器数据和机器学习技术预测国家级足球运动员的主观感知运动强度评分（RPE） | 使用深度学习架构和多种机器学习算法预测RPE，并评估不同模型的效果和泛化能力 | 研究仅针对26名男性职业足球运动员，样本量相对较小 | 评估机器学习模型在预测国家级足球运动员RPE方面的效果 | 26名男性职业足球运动员 | 机器学习 | NA | 机器学习算法和深度学习架构 | 深度学习模型、树基机器学习模型（如ExtraTree） | 传感器数据（心率、GPS、加速度计数据）和RPE评分 | 5402次训练会话和732次比赛观察，涉及26名运动员 | NA | NA | NA | NA |
| 273 | 2025-10-07 |
Machine Learning-Based Prediction Model for ICU Mortality After Continuous Renal Replacement Therapy Initiation in Children
2024-Dec-01, Critical care explorations
DOI:10.1097/CCE.0000000000001188
PMID:39688905
|
研究论文 | 开发基于机器学习的预测模型，用于预测儿童和年轻成人接受连续肾脏替代治疗后ICU死亡率 | 首次开发用于预测儿童和年轻成人CRRT患者ICU和医院存活率的机器学习模型 | 样本量有限，输入变量需要扩展，特征选择方法需要优化 | 预测接受连续肾脏替代治疗的儿童和年轻患者的ICU和医院存活率 | 25岁以下因急性肾损伤和/或容量超负荷接受CRRT的儿童和年轻成人患者 | 机器学习 | 肾脏疾病 | 连续肾脏替代疗法 | 逻辑回归,决策树,随机森林,梯度提升机,支持向量机 | 临床数据 | 933名患者（80%训练集，20%测试集） | NA | NA | AUROC, AUPRC | NA |
| 274 | 2025-10-07 |
TPepRet: a deep learning model for characterizing T-cell receptors-antigen binding patterns
2024-Dec-26, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf022
PMID:39880376
|
研究论文 | 开发了一个名为TPepRet的深度学习模型，用于表征T细胞受体与抗原肽的结合模式 | 整合了子序列挖掘与语义集成能力，结合双向门控循环单元网络和大型语言模型框架，能够准确解读TCR与肽段的语义结合关系 | NA | 准确表征T细胞受体与抗原肽的结合模式，推进癌症免疫治疗、疫苗设计和自身免疫疾病管理 | T细胞受体与抗原肽的结合相互作用 | 自然语言处理 | 癌症免疫治疗 | 深度学习 | BiGRU, 大型语言模型 | 序列数据 | NA | NA | 双向门控循环单元网络 | NA | NA |
| 275 | 2025-10-07 |
Fine-Tuned Deep Transfer Learning Models for Large Screenings of Safer Drugs Targeting Class A GPCRs
2024-Dec-10, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.07.627102
PMID:39713468
|
研究论文 | 开发基于深度迁移学习的模型用于筛选靶向A类GPCRs的安全药物 | 结合迁移学习和自然语言处理技术，针对单个A类GPCRs分别构建低效能激动剂和偏向性激动剂预测模型 | 高质量数据可用性有限 | 预测具有低内在效能或配体偏向性的安全化合物以推进药物开发 | A类G蛋白偶联受体及其配体 | 自然语言处理 | NA | 深度迁移学习 | 神经网络 | 受体序列、配体数据集 | 所有A类GPCRs的受体序列和配体数据集 | NA | NA | NA | NA |
| 276 | 2025-10-07 |
Deep learning prediction of error and skill in robotic prostatectomy suturing
2024-Dec, Surgical endoscopy
DOI:10.1007/s00464-024-11341-5
PMID:39433583
|
研究论文 | 本研究利用深度学习技术从机器人前列腺切除术缝合视频中自动预测手术技能和错误 | 首个在真实机器人手术视频中应用详细错误检测方法和深度学习模型的研究 | 预测准确率有待提升，技能评估的Spearman相关系数仅为0.36-0.37 | 验证手术技能评级和错误标注，为AI模型开发提供基准评估 | 机器人辅助根治性前列腺切除术(RARP)缝合手势 | 计算机视觉 | 前列腺癌 | 视频分析 | 深度学习 | 手术视频 | 54个RARP视频(总时长266分钟) | NA | NA | Spearman相关系数, 平均绝对误差, 准确率, 精确率, AUC, Macro-F1 | NA |
| 277 | 2025-03-15 |
Magnetic resonance imaging-based machine learning classification of schizophrenia spectrum disorders: a meta-analysis
2024-Dec, Psychiatry and clinical neurosciences
IF:5.0Q1
DOI:10.1111/pcn.13736
PMID:39290174
|
meta-analysis | 本文通过元分析方法评估了基于磁共振成像的多变量模式识别在区分精神分裂症谱系障碍（SSD）患者与健康对照组（HCs）中的可靠性 | 采用多变量模式识别方法克服了传统单变量方法的局限性，并评估了研究特征对分类性能的影响 | 研究存在临床异质性，且分类性能受患者相关和方法学因素的影响 | 评估基于神经影像的生物标志物在区分SSD患者与HCs中的可靠性 | 精神分裂症谱系障碍（SSD）患者和健康对照组（HCs） | machine learning | schizophrenia | magnetic resonance imaging (MRI) | multivariate pattern analysis | neuroimaging data | 12,723 SSD患者和13,196 HCs | NA | NA | NA | NA |
| 278 | 2025-03-14 |
Hybridization of synergistic swarm and differential evolution with graph convolutional network for distributed denial of service detection and mitigation in IoT environment
2024-Dec-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-81116-4
PMID:39730632
|
研究论文 | 本文提出了一种结合协同群优化、差分进化和图卷积网络的网络攻击检测与缓解技术（SSODE-GCNDM），用于物联网环境中的分布式拒绝服务（DDoS）攻击检测与缓解 | 结合了协同群优化、差分进化和图卷积网络，提出了一种新的DDoS攻击检测与缓解技术，并通过北方苍鹰优化算法对GCN模型的超参数进行微调 | 未提及具体的数据集来源和样本量，可能影响方法的普适性验证 | 检测和缓解物联网环境中的DDoS攻击 | 物联网设备及其网络环境 | 机器学习 | NA | 协同群优化、差分进化、图卷积网络、北方苍鹰优化 | GCN（图卷积网络） | 网络数据 | NA | NA | NA | NA | NA |
| 279 | 2025-03-13 |
Deep Learning Based Shear Wave Detection and Segmentation Tool for Use in Point-of-Care for Chronic Liver Disease Assessments
2024-12, Ultrasound in medicine & biology
|
研究论文 | 本研究开发了一种基于深度学习的剪切波检测和分割工具，用于在慢性肝病评估的即时护理环境中提高肝脏组织的表征准确性 | 该研究创新地使用深度学习算法（U-Net架构）来检测和分割肝脏组织中的剪切波，以提高肝脏硬度和超声衰减测量的准确性 | 研究样本量相对较小，仅包含103名患者的15,045张图像和36名志愿者的4,429张图像，可能影响结果的普遍性 | 开发并测试一种新的软件工具，用于在即时护理环境中更准确地评估代谢功能障碍相关的脂肪性肝病（MASLD）患者的肝脏状况 | 代谢功能障碍相关的脂肪性肝病（MASLD）患者和志愿者 | 数字病理 | 慢性肝病 | 深度学习 | U-Net | 图像 | 103名患者的15,045张图像和36名志愿者的4,429张图像 | NA | NA | NA | NA |
| 280 | 2025-03-13 |
Enhancing Multi-Object Detection in Ultrasound Images Through Semi-Supervised Learning, Focal Loss and Relation of Frame
2024-12, Ultrasound in medicine & biology
|
研究论文 | 本文提出了一种基于深度学习的自动化注释系统，用于实时识别肌肉骨骼解剖结构，并通过半监督学习和焦点损失方法提高检测精度 | 引入了半监督学习（SSL）方法显著减少注释时间，采用焦点损失（FL）方法提高困难结构的检测精度，并在推理阶段利用视频帧的时间连续性提高检测效果 | 未提及具体的数据集规模或模型泛化能力的验证 | 通过深度学习技术实时识别肌肉骨骼解剖结构，提高检测精度和效率 | 肌肉骨骼解剖结构 | 计算机视觉 | 肌肉骨骼疾病 | 深度学习 | 深度学习神经网络 | 超声图像 | 仅使用30%的训练数据实现了与监督学习相当的性能 | NA | NA | NA | NA |