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 3708 篇文献，本页显示第 2141 - 2160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2141 | 2025-05-12 |
High-yield spidroin mimics for bioinspired fibers via computational design
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1587546
PMID:40343205
|
研究论文 | 通过计算设计高产的蜘蛛丝蛋白模拟物，用于仿生纤维的生产 | 结合深度学习和生物工程技术，设计出适合原核表达的水溶性、富含β-折叠的蜘蛛丝蛋白模拟物，克服了传统表达系统的瓶颈 | NA | 解决蜘蛛丝蛋白在大规模生产中的表达难题，推动高性能仿生纤维的应用 | 蜘蛛丝蛋白模拟物 | 生物工程 | NA | 深度学习、生物工程、静电纺丝、粗粒化分子动力学模拟 | NA | NA | 设计了五种功能性蜘蛛丝蛋白，并在原核系统中表达，产量高达0.99克/升 | NA | NA | NA | NA |
| 2142 | 2025-05-12 |
Brain tumor classification using MRI images and deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322624
PMID:40344143
|
research paper | 本研究开发了一种基于深度学习和MRI图像的自动化脑肿瘤分类系统 | 采用预训练的VGG16作为基础模型的CNN架构，结合数据增强技术和微调策略，实现了99.24%的高准确率 | 未提及模型在临床环境中的实际应用效果验证 | 开发一个能够准确检测和分类不同类型脑肿瘤的模型 | 脑MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和正常脑扫描 | digital pathology | brain tumor | MRI | CNN (VGG16) | image | 17,136张脑MRI图像 | NA | NA | NA | NA |
| 2143 | 2025-10-07 |
[Research Progress and Prospects of Minimally Invasive Surgical Instrument Segmentation Methods Based on Artificial Intelligence]
2025-Jan-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation
DOI:10.12455/j.issn.1671-7104.240436
PMID:39993977
|
综述 | 本文系统综述了基于人工智能的微创手术器械分割方法的研究进展与发展前景 | 深入分析了基于Segment Anything Model的方法，并对训练算法监督方法、网络结构改进和注意力机制进行了系统总结 | NA | 总结微创手术器械分割技术的研究现状并展望未来发展 | 微创手术器械分割方法 | 计算机视觉 | NA | 深度学习 | NA | 内窥镜图像，手术视频 | NA | NA | Segment Anything Model | NA | NA |
| 2144 | 2025-10-07 |
Impact of Deep Learning 3D CT Super-Resolution on AI-Based Pulmonary Nodule Characterization
2025-Jan-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11020013
PMID:39997996
|
研究论文 | 本研究提出基于深度学习的超分辨率技术，将厚层CT图像转换为薄层CT图像，以提高肺结节表征的准确性 | 首次将深度学习超分辨率技术应用于CT图像层厚优化，显著提升AI肺结节分类准确率 | 未说明研究样本的具体来源和多样性，缺乏多中心验证 | 提高肺结节体积测量和分类的准确性 | 肺结节 | 计算机视觉 | 肺癌 | CT成像 | 深度学习 | CT图像 | NA | NA | 超分辨率网络 | 分类准确率 | NA |
| 2145 | 2025-10-07 |
Improving spleen segmentation in ultrasound images using a hybrid deep learning framework
2025-01-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85632-9
PMID:39799236
|
研究论文 | 提出一种用于超声图像脾脏分割的混合深度学习框架 | 首次提出结合SegFormer和Pix2Pix的两阶段训练方法，并创建了该领域首个脾脏超声图像数据集Spleenex | NA | 改进超声图像中的脾脏分割精度 | 脾脏超声图像 | 计算机视觉 | NA | 超声成像 | CNN, GAN | 图像 | 450张脾脏超声图像 | NA | SegFormerB0, Pix2Pix | mIoU, mDice, MPLE | NA |
| 2146 | 2025-10-07 |
Advanced deep learning algorithms in oral cancer detection: Techniques and applications
2025, Journal of environmental science and health. Part C, Toxicology and carcinogenesis
DOI:10.1080/26896583.2024.2445957
PMID:39819195
|
综述 | 本文全面分析了基于人工智能的口腔癌检测方法，重点关注深度学习模型和图像处理技术 | 提供了对最新AI方法在口腔癌检测中的综合分析，包括卷积神经网络等深度学习模型 | NA | 推进口腔癌的早期诊断，改善患者预后并减轻医疗系统负担 | 口腔癌检测方法和技术 | 计算机视觉 | 口腔癌 | 图像预处理，图像分割，特征提取 | CNN | 医学图像 | NA | NA | 卷积神经网络 | 分类准确率 | NA |
| 2147 | 2025-10-07 |
Evaluation of stroke sequelae and rehabilitation effect on brain tumor by neuroimaging technique: A comparative study
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317193
PMID:39992898
|
研究论文 | 本研究开发了一种基于深度学习的SWI-BITR-UNet模型，用于脑卒中后遗症评估和脑肿瘤康复效果的神经影像分析 | 结合SWIN Transformer的局部感受野和移位机制与U-Net架构的有效特征融合策略，专门针对3D医学影像数据设计 | 未提及具体样本量大小和外部验证结果 | 提高脑损伤区域在多模态MRI扫描中的分割精度，改善脑卒中后遗症评估和康复效果监测 | 脑卒中损伤区域和脑肿瘤区域 | 医学影像分析 | 脑卒中,脑肿瘤 | 多模态MRI扫描,神经影像技术 | CNN,Transformer,U-Net | 3D医学影像 | NA | NA | SWI-BITR-UNet,3D CNN编码器-解码器,SWIN Transformer,U-Net | 召回率,精确率,F1分数,Kappa系数,平均交并比,ROC-AUC,豪斯多夫距离,DICE系数 | NA |
| 2148 | 2025-10-07 |
Optimizing Bi-LSTM networks for improved lung cancer detection accuracy
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316136
PMID:39992919
|
研究论文 | 本研究比较了传统手工特征和深度学习Bi-LSTM网络在肺癌检测中的性能 | 结合手工特征提取与优化的双向长短期记忆网络(Bi-LSTM)进行肺癌检测，在准确率和AUC指标上均取得优异表现 | 未提及具体数据集规模和多样性限制 | 提高肺癌检测准确率，改进计算机辅助诊断系统 | 肺癌医学图像 | 计算机视觉 | 肺癌 | 医学图像分析 | Bi-LSTM, SVM | 医学图像 | NA | NA | Bidirectional Long Short-Term Memory | 准确率, AUC | NA |
| 2149 | 2025-10-07 |
Trustworthy diagnosis of Electrocardiography signals based on out-of-distribution detection
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317900
PMID:39999066
|
研究论文 | 提出一种基于分布外检测的心电图信号可信诊断方法 | 结合CNN和注意力机制增强特征提取，并采用Energy和ReAct技术识别分布外心脏病 | NA | 提高心电图诊断的可靠性，特别是对未知类型心脏病的识别能力 | 心电图信号 | 机器学习 | 心血管疾病 | 心电图信号分析 | CNN, Attention机制 | 心电图信号 | MIT-BIH心律失常数据库和INCART 12导联心律失常数据库 | NA | CNN结合注意力机制 | 灵敏度, 特异性 | NA |
| 2150 | 2025-10-07 |
Author name disambiguation based on heterogeneous graph neural network
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0310992
PMID:40009590
|
研究论文 | 提出基于异构图注意力神经网络的作者姓名消歧方法，通过改进特征表示和聚类算法提升消歧性能 | 提出结合关系图异质注意力神经网络的作者消歧方法，引入多重注意力机制改进节点交互学习，并优化传统层次聚类算法 | 未明确说明方法在其他数据集上的泛化能力，实验仅基于Aminer数据集进行验证 | 解决学术论文作者姓名消歧问题，准确将新发表论文分配给对应作者 | 学术论文作者及其发表文献 | 自然语言处理 | NA | 图神经网络，注意力机制 | GNN, 注意力神经网络 | 文本数据，图结构数据 | Aminer数据集 | NA | 关系图异质注意力神经网络，图卷积嵌入模块 | F1-score | NA |
| 2151 | 2025-10-07 |
Untrained perceptual loss for image denoising of line-like structures in MR images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0318992
PMID:40009630
|
研究论文 | 本研究提出一种用于3D MR图像中线状结构去噪的未训练感知损失方法 | 将感知损失扩展到3D数据，使用未训练网络的特征图进行比较，特别适用于线状结构的图像去噪 | 主要针对线状结构图像，对其他类型图像效果未验证 | 开发适用于线状结构MR图像去噪的深度学习方法 | 脑部血管MR图像和植物根系MR图像 | 计算机视觉 | 脑血管疾病 | 磁共振成像 | CNN | 3D图像 | 536张植物根系MR图像和450张脑部血管MR图像 | NA | 自定义CNN, VGG19 | SSIM | NA |
| 2152 | 2025-10-07 |
Deep learning algorithms enable MRI-based scapular morphology analysis with values comparable to CT-based assessments
2025-01-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84107-7
PMID:39794358
|
研究论文 | 本研究开发了基于深度学习的MRI肩胛骨形态分析方法，其准确性可与CT评估相媲美 | 首次开发能够从各向异性分辨率和有限视野的MRI中自动进行肩胛骨三维形态分析的深度学习方法 | 方法依赖于配对CT数据进行训练，且样本量未明确说明 | 开发从诊断性MRI自动分析肩胛骨形态的方法，克服传统MRI评估的局限性 | 肩胛骨形态特征，包括关键肩角、关节盂倾角和版本角 | 医学影像分析 | 肩袖损伤 | MRI, CT | 深度学习分割网络 | 医学影像（MRI和CT） | NA | NA | NA | 角度测量精度，组内相关系数 | NA |
| 2153 | 2025-05-10 |
Unsupervised neural network-based image stitching method for bladder endoscopy
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311637
PMID:39964991
|
研究论文 | 提出了一种基于无监督神经网络的膀胱内窥镜图像拼接方法 | 无需标记数据集，采用无监督学习方法进行图像拼接，解决了医学数据标记困难的问题 | 未提及具体的数据集规模或多样性限制 | 开发一种无需标记数据的膀胱内窥镜图像拼接方法，以扩展视野并辅助诊断 | 膀胱内窥镜图像 | 计算机视觉 | 膀胱疾病 | 无监督深度学习 | 无监督对齐网络和无监督融合网络 | 图像 | NA | NA | NA | NA | NA |
| 2154 | 2025-05-10 |
A Robust Approach to Early Glaucoma Identification from Retinal Fundus Images using Dirichlet-based Weighted Average Ensemble and Bayesian
Optimization
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于Dirichlet加权平均集成和贝叶斯优化的稳健方法，用于从视网膜眼底图像中早期识别青光眼 | 采用集成学习方法结合多个深度学习模型，并利用贝叶斯优化自动调整超参数，显著提高了诊断准确性和模型泛化能力 | 研究仅使用了两个公开数据集，可能无法涵盖所有临床场景 | 提高青光眼早期诊断的准确性和可靠性 | 视网膜眼底图像 | 数字病理 | 青光眼 | 深度学习 | CNN, MobileNet, DenseNet201 | 图像 | 1,355张视网膜眼底图像 | NA | NA | NA | NA |
| 2155 | 2025-05-10 |
Application of machine learning in predicting consumer behavior and precision marketing
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321854
PMID:40327711
|
research paper | 研究机器学习在消费者行为预测和精准营销中的应用 | 比较了四种机器学习模型（SVM、XGBoost、CatBoost和BPANN）在预测消费者购买意愿方面的性能，并提出了优化营销策略的具体应用 | 未来研究可以通过引入更多种类的非结构化数据（如消费者评论、图像、视频和社交媒体数据）来提高模型的预测能力 | 研究机器学习在消费者行为预测和精准营销中的应用 | 消费者的购买行为 | machine learning | NA | NA | SVM, XGBoost, CatBoost, BPANN | 结构化数据 | NA | NA | NA | NA | NA |
| 2156 | 2025-05-10 |
Deep learning for accurate B-line detection and localization in lung ultrasound imaging
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1560523
PMID:40330027
|
研究论文 | 该研究开发了基于YOLOv5和YOLOv8的改进模型YOLOv5-PBB和YOLOv8-PBB，用于肺部超声图像中B线的精确检测和定位 | 提出了两种改进的深度学习模型YOLOv5-PBB和YOLOv8-PBB，采用多边形边界框(PBBs)进行B线定位，并整合了图像预处理技术以提高图像质量 | 研究主要基于公开数据集和乌干达医疗设施的数据，可能在其他地区或人群中的泛化性有待验证 | 开发自动化的B线检测和定位方法，以解决资源有限地区专业人员不足的问题 | 肺部超声图像中的B线伪影 | 计算机视觉 | COVID-19肺炎、心力衰竭、慢性肾病、间质性肺病 | 深度学习 | YOLOv5-PBB, YOLOv8-PBB | 图像 | 来自公开数据库和乌干达医疗设施的多样化数据集 | NA | NA | NA | NA |
| 2157 | 2025-05-10 |
Enhanced breast cancer diagnosis using modified InceptionNet-V3: a deep learning approach for ultrasound image classification
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1558001
PMID:40330252
|
research paper | 该研究通过改进的InceptionNet-V3深度学习模型，提高了超声图像在乳腺癌诊断中的分类准确性 | 提出了一种集成改进InceptionV3特征的深度神经网络模型，显著提高了乳腺癌分类的准确率 | 模型训练依赖于预训练模型和特定数据集，可能在不同数据分布下表现不同 | 开发自动化且可靠的乳腺癌诊断方法，提高诊断准确性和效率 | 乳腺癌的超声图像 | digital pathology | breast cancer | deep learning, transfer learning | modified InceptionV3, GoogLeNet, ShuffleNet, AlexNet, VGG-16, SqueezeNet | image | NA | NA | NA | NA | NA |
| 2158 | 2025-05-10 |
High-resolution automated free-breathing coronary magnetic resonance angiography in comparison with coronary computed tomography angiography
2025-Jan, European heart journal. Imaging methods and practice
DOI:10.1093/ehjimp/qyaf037
PMID:40330538
|
研究论文 | 本研究评估了一种新型自动化iNAV冠状动脉磁共振血管成像（CMRA）协议与冠状动脉计算机断层扫描血管成像（CCTA）在冠状动脉疾病分类中的一致性 | 开发了一种结合图像导航器（iNAV）与自动化扫描规划的CMRA协议，以提高图像质量的稳定性 | 研究样本量较小（95人），且CMRA与CCTA在CAD-RADS分类中的一致性随疾病严重程度增加而降低 | 评估自动化iNAV CMRA协议在冠状动脉疾病诊断中的临床价值 | 疑似或确诊冠状动脉疾病的患者 | 数字病理学 | 心血管疾病 | 冠状动脉磁共振血管成像（CMRA）、冠状动脉计算机断层扫描血管成像（CCTA） | 深度学习辅助自动化扫描规划 | 医学影像 | 95名个体 | NA | NA | NA | NA |
| 2159 | 2025-05-10 |
Relationship between cerebrospinal fluid circulation markers, brain degeneration, and cognitive impairment in cerebral amyloid angiopathy
2025, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2025.1549072
PMID:40330595
|
research paper | 研究脑淀粉样血管病（CAA）患者脑脊液循环标志物与脑退化和认知障碍的关系 | 首次探讨脑脊液循环标志物在CAA患者中的变化及其与脑退化和认知障碍的关联 | 样本量较小，且仅基于ADNI3数据库，可能影响结果的普遍性 | 探究脑脊液循环标志物在CAA患者中的变化及其与脑退化和认知障碍的关系 | 52名认知障碍患者（26名CAA患者和26名非CAA患者）及26名认知正常对照 | digital pathology | cerebral amyloid angiopathy | MRI, 扩散张量成像（DTI-ALPS）, 正电子发射断层扫描（PET） | deep learning-based method | image | 52名认知障碍患者和26名认知正常对照 | NA | NA | NA | NA |
| 2160 | 2025-05-10 |
Characterizing hip joint morphology using a multitask deep learning model
2025-Jan, Journal of hip preservation surgery
IF:1.4Q3
DOI:10.1093/jhps/hnae041
PMID:40331073
|
research paper | 该研究开发了一种基于YOLOv5和ConvNeXt-Tiny架构的多任务深度学习模型，用于预测髋关节形态学特征 | 首次将YOLOv5和ConvNeXt-Tiny架构结合用于髋关节形态学特征的预测 | 模型在检测cam畸形时的准确率相对较低（78.0%） | 开发准确高效的机器学习算法用于髋关节形态病理学的诊断 | 髋关节形态学特征（包括cam畸形、坐骨棘征、发育不良等） | digital pathology | developmental dysplasia of the hip, femoroacetabular impingement | deep learning | YOLOv5, ConvNeXt-Tiny | medical imaging | NA | NA | NA | NA | NA |