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 3694 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2026-03-13 |
[RPT Doi Award: Deep learning-based correction for time truncation in cerebral computed tomography perfusion]
2025, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics
DOI:10.11323/jjmp.45.1_3
PMID:41813218
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 42 | 2026-03-13 |
Integrative multi-stage deep learning framework for ovarian tumor ultrasound classification with explainability and confidence estimation
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1760167
PMID:41815279
|
研究论文 | 本文提出了一个名为EfficientOvaNet的深度学习框架，用于基于超声图像对卵巢肿瘤进行分类，并集成了可解释性和置信度估计方法 | 采用双分支EfficientNet-B3架构，结合感兴趣区域特征与全局上下文信息，并整合了Grad-CAM、蒙特卡洛Dropout不确定性估计和t-SNE特征可视化等可解释性方法 | 未明确提及研究的具体局限性，如数据集规模、泛化能力或临床验证的不足 | 提高卵巢肿瘤超声分类的诊断准确性，减少主观性，并支持及时干预和个体化治疗 | 卵巢肿瘤的超声图像 | 计算机视觉 | 卵巢癌 | 超声成像 | CNN | 图像 | 基于MMOTU数据集，具体样本数量未在摘要中明确说明 | 未明确指定，但提及了深度学习框架 | EfficientNet-B3 | 准确率, F1分数, AUC | 未在摘要中明确说明 |
| 43 | 2026-03-13 |
Artificial Intelligence and Medical Education (2013-2024): A Scopus-Based Bibliometric Analysis
2025, The East African health research journal
DOI:10.24248/eahrj.v9i1.817
PMID:41815979
|
研究论文 | 本文通过Scopus数据库对2013-2024年间人工智能在医学教育领域的研究进行了文献计量分析 | 首次对人工智能在医学教育领域的全球合作与出版趋势进行了全面的文献计量分析，揭示了新兴主题和国际协作网络 | 分析仅基于Scopus数据库，可能未涵盖所有相关文献；研究为描述性分析，未深入探讨具体AI技术的教育效果 | 分析人工智能在医学教育领域应用的全球研究趋势、主要贡献者和主题发展 | 2013-2024年间Scopus数据库中关于人工智能与医学教育的学术出版物 | 自然语言处理 | NA | 文献计量分析 | NA | 文本 | 1081篇出版物（2024年峰值） | Bibliometrix R package | NA | NA | NA |
| 44 | 2026-03-13 |
Precision oncology: Computational methods for multi-omics data integration to improve drug response prediction
2025, Cambridge prisms. Precision medicine
DOI:10.1017/pcm.2025.10003
PMID:41816503
|
综述 | 本文综述了整合多组学数据以改善药物反应预测的计算方法 | 系统性地概述了用于药物反应预测的多组学数据整合方法，包括传统机器学习、深度学习及多模态集成框架 | NA | 提高药物反应预测的准确性，推动精准医学发展 | 多组学数据集 | 机器学习 | 癌症 | 多组学数据整合 | 机器学习模型, 深度学习模型 | 多组学数据 | NA | NA | NA | 剂量-反应曲线下面积, F1分数, 均方误差 | NA |
| 45 | 2026-03-06 |
From video to vital signs: a new method for contactless multichannel seismocardiography
2025-Jan-10, NPJ cardiovascular health
DOI:10.1038/s44325-024-00034-6
PMID:41775984
|
研究论文 | 本研究提出了一种利用智能手机视频进行非接触式多通道心震图测量的创新方法 | 首次利用标准智能手机视频从多个胸部位置捕获心震图信号，结合计算机视觉和深度学习技术提升信号分辨率 | 研究仅在14名健康参与者中进行测试，样本量较小，且未在患者群体中验证 | 开发一种成本效益高、易于普及的心脏监测工具 | 健康参与者的胸部振动信号 | 计算机视觉 | 心血管疾病 | 心震图 | 深度学习 | 视频 | 14名健康参与者的28个胸部视频 | NA | NA | 均方误差, 心率估计偏差, 相关系数 | NA |
| 46 | 2026-03-06 |
Dual-hybrid intrusion detection system to detect False Data Injection in smart grids
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316536
PMID:39869576
|
研究论文 | 本文提出了一种用于智能电网中检测虚假数据注入攻击的新型双混合入侵检测系统 | 提出了一种结合粒子群优化和灰狼优化进行混合特征选择，并集成CNN和LSTM网络的混合深度学习分类器的新型入侵检测系统框架 | 研究基于模拟数据集，未来需集成真实世界智能电网数据进行验证，并需解决大规模部署中的实时处理和可扩展性挑战 | 增强智能电网中入侵检测系统检测虚假数据注入攻击的准确性和鲁棒性 | 智能电网中的虚假数据注入攻击 | 机器学习 | NA | NA | CNN, LSTM | 工业控制系统网络攻击数据集（电力系统数据集） | NA | NA | CNN, LSTM | 准确率, 召回率, 精确率, F值 | NA |
| 47 | 2026-03-06 |
A deep learning aided bone marrow segmentation of quantitative fat MRI for myelofibrosis patients
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1498832
PMID:40485725
|
研究论文 | 本研究利用深度学习U-Net模型自动化骨髓纤维化患者骨盆定量脂肪MRI中的骨髓分割 | 首次在骨髓纤维化患者的骨盆定量脂肪MRI中应用并比较了四种U-Net模型（包括2D和3D注意力U-Net）进行骨髓自动化分割 | 研究仅基于58名患者的数据集，样本量相对较小；且仅评估了U-Net系列模型，未与其他先进分割架构对比 | 自动化骨髓纤维化患者骨盆定量脂肪MRI中的骨髓分割 | 骨髓纤维化患者的骨盆MRI图像，重点关注股骨近端和髂后骨的骨髓区域 | 数字病理学 | 骨髓纤维化 | 定量脂肪MRI | CNN | 图像 | 58名骨髓纤维化患者的容积图像 | NA | U-Net, 2D U-Net, 2D attention U-Net, 3D U-Net, 3D attention U-Net | 平均Jaccard指数, 平均体积误差, 平均Hausdorff距离, 平均体积交集比 | NA |
| 48 | 2026-03-06 |
Deep learning in obsessive-compulsive disorder: a narrative review
2025, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2025.1581297
PMID:40585546
|
综述 | 本文是一篇关于深度学习在强迫症研究中应用的叙述性综述，总结了10项相关研究的主要发现 | 系统性地综述了深度学习在强迫症诊断、症状分类和治疗反应预测中的应用潜力，并指出了利用被动收集数据（如可穿戴设备）进行早期检测和持续症状追踪的新兴机遇 | 当前模型受限于小样本量、缺乏治疗预测的比较研究，以及对早期反应检测或可扩展监测解决方案的关注不足 | 评估深度学习在解决强迫症诊断和治疗挑战方面的应用现状与前景 | 强迫症患者 | 机器学习 | 强迫症 | NA | 深度学习 | 神经影像数据, EEG数据, 临床数据 | NA | NA | NA | 准确率 | NA |
| 49 | 2026-03-06 |
EPISeg: Automated segmentation of the spinal cord on echo planar images using open-access multi-center data
2025, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/IMAG.a.98
PMID:40937159
|
研究论文 | 本文开发了一种名为EPISeg的深度学习模型，用于自动分割脊髓梯度回波平面成像数据，并公开了一个多中心数据集 | 提出首个针对梯度回波平面成像数据的自动脊髓分割深度学习模型，并公开了多中心标注数据集 | 未明确说明模型在极端运动伪影或严重信号丢失情况下的性能限制 | 开发自动化工具以改进脊髓功能磁共振成像数据的预处理流程 | 脊髓梯度回波平面成像数据 | 数字病理学 | NA | 功能磁共振成像，梯度回波平面成像 | 深度学习模型 | 医学影像 | 多中心数据集（具体数量未明确） | NA | EPISeg | 分割质量 | NA |
| 50 | 2026-03-06 |
Tokenization and deep learning architectures in genomics: A comprehensive review
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.07.038
PMID:40821715
|
综述 | 本文全面回顾了基因组学中标记化技术和深度学习架构的应用与挑战 | 系统梳理了基因组学中标记化技术与深度学习架构的现状，并指出当前标记化方法在捕捉DNA序列基序方面的不足，强调未来模型需整合更具生物学相关性的标记化技术 | 未提出新的具体模型或技术，主要基于现有文献进行总结，缺乏实证研究验证 | 综述基因组学领域深度学习架构与标记化技术的研究进展，探讨其应用与改进方向 | 基因组学中的DNA序列数据及相关计算任务（如抗菌素耐药性预测、基因注释） | 自然语言处理, 机器学习 | NA | DNA测序技术 | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 51 | 2026-03-06 |
Bridging the clinical gap: Confidence informed IDH prediction in brain gliomas using MRI and deep learning
2025 Jan-Dec, Neuro-oncology advances
IF:3.7Q2
DOI:10.1093/noajnl/vdaf142
PMID:40842645
|
研究论文 | 本文提出了一种结合体素分割网络与贝叶斯逻辑回归的深度学习框架，用于基于MRI图像无创预测脑胶质瘤的IDH突变状态并提供置信度评分 | 首次将体素级分割网络(MC-net)与贝叶斯逻辑回归(BLR)相结合，为IDH状态预测提供置信度评分，解决了深度学习模型临床转化中的可靠性评估难题 | 研究依赖于多中心数据但未提及外部验证集的独立性能，模型在罕见亚型或非典型病例中的表现尚未验证 | 开发一种能够提供预测置信度的非侵入性方法，用于脑胶质瘤IDH突变状态的准确预测，以辅助临床决策 | 脑胶质瘤患者 | 数字病理学 | 脑胶质瘤 | MRI成像 | 深度学习, 贝叶斯模型 | 医学影像(MRI) | 来自8个机构的2,481例胶质瘤病例 | 未明确说明 | MC-net, 贝叶斯逻辑回归(BLR) | 分类准确率, AUC, Brier分数 | NA |
| 52 | 2026-03-06 |
Voiceprints of cognitive impairment: analyzing digital voice for early detection of Alzheimer's and related dementias
2025, NPJ dementia
DOI:10.1038/s44400-025-00040-0
PMID:41195302
|
研究论文 | 本研究利用人工智能分析数字语音录音，以早期检测阿尔茨海默病及相关痴呆症 | 结合特征工程机器学习和端到端深度学习（包含大型语言模型）进行语音分析，用于认知障碍检测和亚型区分 | 样本量相对较小（188名参与者），且研究聚焦于早期发病群体，可能限制泛化性 | 通过语音分析实现认知障碍的早期检测，并区分早发性阿尔茨海默病与非阿尔茨海默病认知障碍 | 早发性阿尔茨海默病患者、早发性非阿尔茨海默病认知障碍患者及认知未受损对照者 | 自然语言处理 | 阿尔茨海默病 | 数字语音录音分析 | 机器学习, 深度学习 | 语音 | 188名参与者（120名患者，68名对照） | NA | 大型语言模型 | AUC | NA |
| 53 | 2026-03-06 |
Analysis of genetic polymorphisms in sudden sensorineural hearing loss and artificial intelligence-supported individualized precision therapy
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1643435
PMID:41783579
|
研究论文 | 本研究通过分析突发性感官神经性听力损失患者的遗传多态性，并构建人工智能模型，探索了个体化精准治疗策略 | 结合遗传多态性分析与深度学习CNN模型，为SSNHL提供个体化治疗预测，并比较了不同治疗方法的疗效 | 样本量相对有限（总样本300例），且仅基于特定遗传位点进行分析，可能未涵盖所有影响因素 | 识别影响SSNHL治疗效果的关键因素，并开发个体化精准治疗预测模型 | 200例SSNHL患者（内部数据集）和100例独立外部验证病例 | 机器学习 | 突发性感官神经性听力损失 | 血液检测遗传多态性分析 | CNN, 随机森林, 支持向量机, 多因素逻辑回归 | 临床数据、遗传数据 | 300例（200例内部数据集 + 100例外部验证集） | NA | 卷积神经网络 | 敏感性, 特异性, 准确率 | NA |
| 54 | 2026-03-05 |
Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_17
PMID:40337098
|
研究论文 | 本研究提出了一种基于nnUNetv2框架并融合自编码器架构的新型深度学习模型，用于头颈癌MRI引导放疗图像中的肿瘤体积自动分割 | 在nnUNetv2框架中引入自编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提升分割精度 | 研究仅基于头颈癌患者的特定数据集（150例训练，50例测试），模型在其他癌症类型或影像模态上的泛化能力未经验证 | 提升头颈癌MRI引导放疗图像中肿瘤体积自动分割的精度 | 头颈癌患者的MRI引导放疗图像 | 数字病理 | 头颈癌 | MRI引导放疗 | CNN | 图像 | 150例头颈癌患者用于训练，50例用于测试 | nnUNetv2 | nnUNet, 自编码器 | Dice相似系数 | NA |
| 55 | 2026-03-05 |
Assessing Self-supervised xLSTM-UNet Architectures for Head and Neck Tumor Segmentation in MR-Guided Applications
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_12
PMID:40400661
|
研究论文 | 本文提出了一种用于头颈部肿瘤分割的新型两阶段模型，结合自监督学习和xLSTM-UNet架构，以提升MRI引导自适应放疗中的分割精度 | 提出了一种创新的两阶段模型，第一阶段采用基于DINOv2架构的自监督3D师生学习框架从未标记数据中学习有效表示，第二阶段设计了一种结合xLSTM的UNet模型，能够同时捕获肿瘤进展的空间特征和时序依赖关系 | 未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算资源需求和处理时间 | 优化头颈部癌症的MRI引导自适应放疗，通过自动肿瘤分割提升治疗精度 | 头颈部肿瘤的MRI影像 | 数字病理学 | 头颈部癌症 | MRI影像分析 | 自监督学习, 师生学习, xLSTM-UNet | 3D MRI影像 | 未明确说明具体样本数量，仅提及在多样化的头颈部癌症病例上进行评估 | PyTorch（基于DINOv2架构推断） | DINOv2, xLSTM-UNet | Dice系数 | NA |
| 56 | 2026-03-05 |
Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_20
PMID:40417457
|
研究论文 | 本文探讨了使用3D nnU-Net模型在MRI数据上自动分割头颈部原发肿瘤和转移淋巴结的潜力 | 在3D nnU-Net模型中引入残差编码器，并针对高背景比例数据进行了专门的再训练优化 | 模型在高背景比例数据上表现不佳，GTVp分割效果弱于GTVn，仍需进一步优化 | 提高头颈部肿瘤放疗计划中肿瘤自动分割的准确性和可靠性 | 头颈部原发肿瘤体积（GTVp）和转移淋巴结（GTVn） | 医学图像分割 | 头颈部肿瘤 | MRI成像 | 深度学习 | 3D MRI图像 | 2024 MICCAI头颈部肿瘤分割挑战赛提供的高质量数据集 | PyTorch | 3D nnU-Net with Residual Encoder | DSCagg | NA |
| 57 | 2026-03-03 |
An explainable deep learning framework for biosensing data interpretation in biomedical engineering and real-time health diagnostics
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1688586
PMID:41767247
|
研究论文 | 提出一个可解释的深度学习框架，用于将复杂的生物信号动态转化为可解释的健康评估 | 结合了时间图推理与概率建模的PhysioGraph Inference Network (PGIN)，以及基于不确定性和信号熵自适应调整诊断粒度的Adaptive Health State Inference Mechanism (AHSIM) | NA | 开发一个可解释的深度学习框架，用于生物医学工程和实时健康诊断中的生物传感数据解释 | 生物传感数据 | 生物医学工程 | NA | NA | 深度学习 | 生物信号 | 四个生物传感数据集 | NA | PhysioGraph Inference Network (PGIN), Adaptive Health State Inference Mechanism (AHSIM) | 诊断准确率, AUC | NA |
| 58 | 2026-03-03 |
Lightweight deep learning for tomato disease detection: trends, challenges, and edge AI perspectives
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1737208
PMID:41768481
|
综述 | 本文综述了轻量级深度学习模型和边缘AI在番茄病害检测中的最新进展，并提出了一个结合AI诊断与微生物生物防治建议的独特框架 | 提出了一个结合AI驱动的诊断与微生物生物防治建议的独特框架，为以生态友好和区域特定方式管理病害提供解决方案 | NA | 评估轻量级深度学习模型和边缘AI在番茄病害检测中的应用潜力，以促进精准农业的实践部署 | 番茄作物及其叶面和虫媒病害 | 计算机视觉 | 番茄病害 | 深度学习 | CNN, Transformer | 图像 | NA | NA | MobileNetV2, EfficientNetB0 | 准确率, 宏F1分数 | NA |
| 59 | 2026-03-03 |
Deep learning-based methods for phenotypic trait extraction in rice panicles
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1730366
PMID:41768482
|
研究论文 | 本研究开发了一种基于深度学习的自动化流水线，用于从水稻穗图像中提取关键表型性状，如穗长、粒数和粒尺寸 | 提出了一种集成了目标检测、分割和计数任务的深度学习流水线，专门针对水稻穗的遮挡挑战，并将先进模型与育种应用相结合 | NA | 开发高精度、高通量的自动化工具，以支持水稻育种中的表型性状测量 | 水稻穗 | 计算机视觉 | NA | 深度学习 | YOLOv8 | 图像 | 5300张水稻穗图像（3290张训练，940张验证，470张测试） | NA | OPG-YOLOv8 | R², RMSE, MAPE | NA |
| 60 | 2026-03-02 |
Artificial intelligence in the diagnosis of uveal melanoma: advances and applications
2025, Experimental biology and medicine (Maywood, N.J.)
DOI:10.3389/ebm.2025.10444
PMID:40046904
|
综述 | 本文综述了机器学习和深度学习在葡萄膜黑色素瘤诊断中的应用进展与挑战 | 探讨了深度学习模型（尤其是CNN）在自动分析医学图像、识别复杂模式方面的潜力，并强调了多模态成像整合可能提升诊断准确性 | 现有研究普遍存在数据集规模小、外部验证有限、依赖单一成像模态等问题，限制了模型在临床环境中的泛化能力 | 评估机器学习和深度学习在葡萄膜黑色素瘤诊断中的研究进展与应用潜力 | 葡萄膜黑色素瘤等黑色素细胞性脉络膜肿瘤 | 计算机视觉 | 葡萄膜黑色素瘤 | 眼底照相、光学相干断层扫描、超声 | CNN | 图像 | NA | NA | NA | 准确率、灵敏度、AUC | NA |