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 16751 篇文献，本页显示第 2181 - 2200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2181 | 2025-10-29 |
Robust Brain Extraction Tool for Non-enhanced CT and CT Angiography: Cta-bet
2025-Oct-28, Radiology. Artificial intelligence
DOI:10.1148/ryai.240847
PMID:41147859
|
研究论文 | 开发并评估用于CT血管造影和非增强CT图像的深度学习脑提取模型CTA-BET | 首个专门针对CTA和NCCT图像的深度学习脑提取工具，在两种图像类型上均优于现有基准工具 | 回顾性研究，样本量有限（CTA训练100例，验证50例；NCCT验证132例） | 开发准确的脑部分割工具以增强临床和研究中的自动化影像分析 | CT血管造影和非增强CT图像中的脑组织 | 医学影像分析 | 脑血管疾病 | 深度学习 | CNN | CT图像 | 训练集100例患者，CTA验证集50例患者，NCCT验证集132例患者 | NA | NA | Dice系数,Hausdorff距离,z-score标准化直方图 | NA |
| 2182 | 2025-10-29 |
Accelerating direct material decomposition via diffusion probabilistic model for Sparse-view spectral computed tomography
2025-Oct-28, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996251375815
PMID:41147999
|
研究论文 | 提出一种基于扩散概率模型的无监督深度学习框架，用于稀疏视图能谱CT的直接材料分解 | 引入虚拟单色图像作为多色投影的关键区分增强器，并将概率扩散先验整合到优化过程中 | 仅在临床前数据上进行验证，尚未在临床数据上测试 | 解决稀疏视图能谱CT中材料分解的收敛限制和几何不一致性问题 | 能谱CT的虚拟单色图像和材料特定表示 | 医学影像处理 | NA | 能谱CT，稀疏视图采样 | 扩散概率模型 | CT图像，投影数据 | NA | 深度学习框架 | 扩散概率模型 | 峰值信噪比PSNR，结构相似性SSIM | NA |
| 2183 | 2025-10-29 |
ADMGCN: Graph Convolutional Network for Alzheimer's Disease Diagnosis with a Meta-learning Paradigm
2025-Oct-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf580
PMID:41148043
|
研究论文 | 提出一种基于元学习范式的图卷积网络ADMGCN，用于阿尔茨海默病的早期诊断 | 将元学习范式与图卷积网络结合，通过采样创建标签平衡任务，提高数据利用率和模型对标签不平衡的鲁棒性 | NA | 开发阿尔茨海默病早期诊断方法 | 阿尔茨海默病患者 | 医学影像分析 | 阿尔茨海默病 | 神经影像分析 | GCN, 元学习 | 神经影像数据 | ADNI数据集 | NA | ADMGCN | 准确率 | NA |
| 2184 | 2025-10-29 |
Accelerating battery innovation: AI-powered molecular discovery
2025-Oct-27, Chemical Society reviews
IF:40.4Q1
DOI:10.1039/d5cs00053j
PMID:40980860
|
综述 | 系统探讨人工智能在下一代电池系统分子发现中的集成应用 | 首次系统整合多维分子表征策略与AI算法（包括新兴大语言模型）用于电池材料发现 | 未提供具体实验验证数据，主要基于文献综述和理论分析 | 加速电池材料分子设计以推动可持续能源创新 | 电池相关分子材料 | 机器学习 | NA | 分子工程，高通量虚拟筛选，高通量实验 | 经典机器学习，深度学习，大语言模型 | 分子表征数据，电化学性质数据 | NA | NA | NA | NA | NA |
| 2185 | 2025-10-29 |
Magnetic resonance imaging-based artificial intelligence model predicts neoadjuvant therapy response in triple-negative breast cancer
2025-10-27, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2025.253376
PMID:41140117
|
研究论文 | 开发基于深度学习的AI模型，利用治疗前MRI预测三阴性乳腺癌患者对新辅助化疗的病理完全缓解 | 首次使用治疗前多序列MRI数据训练残差卷积神经网络预测TNBC患者对新辅助化疗的响应 | 回顾性研究、样本量较小（43例患者）、需要更大数据集和更多影像模态验证 | 预测三阴性乳腺癌患者对新辅助化疗的病理完全缓解 | 三阴性乳腺癌患者 | 医学影像分析 | 乳腺癌 | 磁共振成像 | CNN | 医学影像 | 43例患者的49个病灶 | NA | 残差卷积神经网络 | 准确率, AUC, Dice相似系数 | NA |
| 2186 | 2025-10-29 |
Letter: Predicting Intracranial Pressure Levels: A Deep Learning Approach Using Computed Tomography Brain Scans
2025-Oct-27, Neurosurgery
IF:3.9Q1
DOI:10.1227/neu.0000000000003830
PMID:41143525
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2187 | 2025-10-29 |
MS-CANet: lightweight multi-scale channel attention network with depthwise residual blocks for EEG-based spatial cognition evaluation
2025-Oct-27, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03462-3
PMID:41143908
|
研究论文 | 提出一种轻量级多尺度通道注意力网络，用于基于EEG的空间认知能力评估 | 结合多尺度卷积层、通道注意力机制和新型深度可分离残差块，在保持性能的同时显著降低计算复杂度 | 仅在空间认知EEG数据集上进行评估，需要进一步验证在其他认知障碍中的泛化能力 | 开发轻量级深度学习模型用于EEG信号分析，实现移动医疗设备部署 | 脑电图(EEG)信号 | 机器学习 | 认知障碍 | 脑电图(EEG) | CNN | EEG信号 | NA | NA | 多尺度通道注意力网络,深度可分离残差块 | 准确率 | 移动医疗设备 |
| 2188 | 2025-10-29 |
Optimizing flow-diverting stent configurations for aneurysm treatment: a computational approach integrating deep learning and differential evolution optimization
2025-Oct-27, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01662-7
PMID:41144179
|
研究论文 | 本研究结合计算流体动力学模拟、深度神经网络和差分进化优化算法，优化动脉瘤治疗中血流导向支架的配置 | 首次将深度神经网络与差分进化优化相结合，用于支架配置优化，能够准确预测血流动力学参数并自动寻找最优支架设计 | 研究基于2700个模拟数据集，需要进一步实验验证和临床测试 | 优化血流导向支架配置以改善动脉瘤治疗的血液动力学效果 | 动脉瘤和血流导向支架 | 计算流体动力学, 深度学习 | 动脉瘤 | 计算流体动力学模拟, 深度学习 | DNN | 数值模拟数据 | 2700个计算流体动力学模拟 | NA | 深度神经网络 | 速度, 涡量, 壁面剪切应力 | NA |
| 2189 | 2025-10-29 |
Comprehensive benchmarking of deep learning approaches for automated astrocyte segmentation in traumatic brain injury
2025-Oct-27, Journal of neuropathology and experimental neurology
IF:3.2Q2
DOI:10.1093/jnen/nlaf114
PMID:41144310
|
研究论文 | 系统评估多种深度学习架构在创伤性脑损伤中星形胶质细胞自动分割的性能 | 首次系统比较六种分割架构与七种骨干网络的组合，并在星形胶质细胞分割任务中验证UNet++/VGG19的最佳性能 | 数据集规模有限（220张图像），且训练数据主要来自单一TBI病例 | 开发自动化的星形胶质细胞分割方法以评估创伤性脑损伤严重程度 | GFAP染色的雪貂脑组织图像中的星形胶质细胞 | 数字病理学 | 创伤性脑损伤 | 免疫组织化学染色（GFAP） | 深度学习分割模型 | 图像 | 220张手动标注的GFAP染色雪貂脑图像（182张训练，38张测试），来自18只雪貂 | NA | U-Net, U-Net++, FPN, MANet, LinkNet, PSPNet, ResNet50, ResNet101, ResNet152, MobileNetV2, VGG16, VGG19, EfficientNet-b4 | Dice系数, IoU, 精确度, 准确率, 特异性, 灵敏度 | NA |
| 2190 | 2025-10-29 |
Causality-Driven Convolutional Manifold Attention Network for Electroencephalogram Signal Decoding
2025-Oct-27, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3625631
PMID:41144414
|
研究论文 | 提出一种因果关系驱动的卷积流形注意力网络，用于脑电信号解码以增强分布外泛化能力 | 结合结构因果模型、黎曼几何和深度学习，通过双潜在编码器显式分离语义和变异潜在因子 | NA | 提升脑机接口技术在分布外场景下的泛化性能 | 脑电信号 | 机器学习 | NA | 脑电图 | CNN, 注意力机制 | 脑电信号 | 两个公共数据集 | NA | 因果关系驱动的卷积流形注意力网络 | NA | NA |
| 2191 | 2025-10-29 |
ESIP: Explicit Surgical Instrument Prompting for Surgical Workflow Recognition
2025-Oct-27, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3625420
PMID:41144421
|
研究论文 | 提出一种显式手术器械提示方法用于手术工作流识别任务 | 通过手术器械分割生成器械特定的视觉提示，显式引导关键空间特征提取，实现更充分的时空特征提取和聚合 | NA | 改进手术工作流识别任务的性能 | 手术视频中的手术阶段识别 | 计算机视觉 | NA | 手术器械分割 | 深度学习 | 视频 | Cholec80、M2CAI和AutoLaparo三个数据集 | NA | SAM-based segmentation | Precision, Recall, Jaccard | NA |
| 2192 | 2025-10-29 |
VDLIN: A Deep Learning-Based Platform for Methylcobalamin-Inspired Immunomodulatory Compound Screening
2025-Oct-27, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202413775
PMID:41144841
|
研究论文 | 开发基于深度学习的平台VDLIN，用于筛选既能抑制炎症又能增强先天免疫的甲基钴胺素衍生物 | 首次结合多组学数据（RNA-seq、ATAC-seq、CUT&Tag）揭示MCB通过染色质可及性调控免疫的机制，并开发深度学习模型筛选新型免疫调节化合物 | 未提及模型验证的样本规模及临床前研究数据 | 开发能平衡抗炎和免疫激活功能的化合物筛选平台 | 甲基钴胺素（MCB）及其衍生物 | 机器学习 | COVID-19/炎症性疾病 | RNA-seq, ATAC-seq, CUT&Tag, 深度学习 | 深度学习 | 多组学数据（转录组、表观基因组） | NA | NA | VDLIN（专用架构） | NA | NA |
| 2193 | 2025-10-29 |
Deep learning to assess laryngoscope insertion depth during neonatal intubation with video laryngoscopy
2025-Oct-27, Journal of perinatology : official journal of the California Perinatal Association
IF:2.4Q1
DOI:10.1038/s41372-025-02457-0
PMID:41145730
|
研究论文 | 开发深度学习模型评估新生儿视频喉镜检查中喉镜插入深度 | 首次使用深度学习技术对新生儿喉镜插入深度进行实时分类 | 深度插入事件罕见(2.7%)，对深度插入和临床影响的结论有限 | 为新生儿插管提供喉镜插入深度的实时指导 | 新生儿视频喉镜检查 | 计算机视觉 | 新生儿疾病 | 视频喉镜检查 | 深度学习 | 视频帧 | 298,955个标注帧，来自132个新生儿视频喉镜检查视频，来自两个NICU | NA | NA | F1分数 | NA |
| 2194 | 2025-10-29 |
MDL-HTI: A Multimodal Deep Learning Approach for Predicting Herb-Target Interactions
2025-Oct-27, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00772-w
PMID:41145778
|
研究论文 | 提出一种名为MDL-HTI的多模态深度学习框架，用于预测中药与靶点之间的相互作用 | 整合异构图学习与多模态生物数据，通过多视图异质关系嵌入算法和生物多模态信息网络提取结构模式和生物特征 | NA | 预测中药与靶点相互作用，阐明中药药理机制 | 中药草药及其生物靶点 | 机器学习 | NA | 多模态生物数据整合 | 异构图学习网络,自注意力网络 | 图结构数据,生物多模态数据 | NA | NA | MV-HRE,多模态信息网络 | NA | NA |
| 2195 | 2025-10-29 |
CSF1R and macrophage infiltration: Integrated magnetic resonance imaging radiomics and deep learning-driven models for the preoperative assessment of glioma
2025-Oct-27, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003827
PMID:41146428
|
研究论文 | 本研究开发了基于磁共振影像组学和深度学习的CSF1R预测模型，用于术前评估胶质瘤 | 首次整合传统影像组学特征和深度学习特征构建CSF1R预测模型，并系统验证了模型与巨噬细胞浸润的关联 | 样本量相对有限，特别是单细胞测序数据仅来自2例患者 | 术前无创预测胶质瘤中CSF1R水平，为免疫治疗提供指导 | 胶质瘤患者 | 医学影像分析 | 胶质瘤 | 磁共振成像, 免疫组织化学染色, 单细胞RNA测序 | 机器学习分类器, 深度学习 | 磁共振图像, 基因表达数据, 免疫组化数据, 单细胞测序数据 | 共477例患者（训练集64例，内部测试集38例，外部验证集101例，生存分析255例，免疫组化16例，单细胞测序2例4个病灶） | Scikit-learn | 支持向量机, 随机森林, 朴素贝叶斯等12种经典机器学习分类器 | 准确率, 灵敏度, 特异性, AUC | NA |
| 2196 | 2025-10-29 |
Exploring synthetic controls in rare diseases with a proof of concept in spinal cord injury
2025-Oct-24, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-025-04405-3
PMID:41137105
|
研究论文 | 本研究探索在罕见疾病中使用合成对照的方法，并以脊髓损伤为例验证其可行性 | 提出基于数据驱动的合成对照方法，用于解决罕见疾病临床试验中患者招募困难的问题 | 研究主要基于历史数据模拟，需要在实际临床试验中进一步验证 | 开发合成对照方法以改善罕见疾病临床试验的设计和执行 | 脊髓损伤患者的神经功能恢复数据 | 机器学习 | 脊髓损伤 | 数据驱动预测 | CNN,线性模型,树模型,深度学习模型 | 临床数据，节段性运动评分序列 | EMSCI数据库4196例患者，Sygen试验587例患者用于外部验证 | NA | 卷积神经网络 | 均方根误差 | NA |
| 2197 | 2025-10-29 |
High-acceleration pancreatobiliary MRI with deep learning-based super-resolution reconstruction for evaluating presumed pancreatic intraductal papillary mucinous neoplasm
2025-Oct-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00932-7
PMID:41137166
|
研究论文 | 评估基于深度学习的超分辨率重建算法在胰腺胆道MRI中诊断胰腺导管内乳头状黏液性肿瘤的可行性和诊断效用 | 首次将深度学习超分辨率重建算法应用于胰腺胆道MRI，显著提升图像质量和囊性病变显着性 | 回顾性研究设计，样本量有限（恶性IPMN仅15例），需要更大规模研究验证临床影响 | 评估深度学习超分辨率重建在胰腺胆道MRI中的诊断性能 | 162例疑似胰腺导管内乳头状黏液性肿瘤患者 | 医学影像分析 | 胰腺肿瘤 | MRI, 深度学习超分辨率重建 | 深度学习 | 医学影像 | 162例患者（15例恶性IPMN，147例良性IPMN） | NA | 超分辨率重建网络 | AUC, 敏感度, 特异度, 准确率 | NA |
| 2198 | 2025-10-29 |
Enhancing lymph node diagnosis: integrating deep learning with endoscopic ultrasonography: a retrospective study in China
2025-Oct-24, Clinical endoscopy
IF:2.1Q3
DOI:10.5946/ce.2025.113
PMID:41147107
|
研究论文 | 本研究开发了一种结合深度学习和内镜超声的机器学习模型，用于纵隔和腹腔淋巴结的诊断分类 | 首次将U-Net分割模型与六种深度学习架构结合k近邻算法集成应用于内镜超声图像分析，并创新性地将机器学习模型与专家诊断和逻辑回归分析相结合 | 回顾性研究设计，样本量相对有限（93名患者），仅在中国单一中心进行 | 提高内镜超声对纵隔和腹腔淋巴结病变的诊断性能并降低医疗成本 | 纵隔和腹腔淋巴结的内镜超声图像 | 计算机视觉 | 淋巴结病变 | 内镜超声 | CNN, U-Net, k-NN | 医学图像 | 93名患者，630张图像 | NA | U-Net, ResNet-50 | F1分数, 敏感性, AUC | NA |
| 2199 | 2025-10-29 |
Predicting the Effort Required to Manually Mend Auto-Segmentations
2025-Oct-23, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3623042
PMID:41129432
|
研究论文 | 本文研究评估自动分割结果临床可用性的方法，重点关注预测手动修正所需的工作量 | 提出基于深度学习网络的隐式指标来预测修正工作量，无需真实分割标签，仅使用自动分割结果和原始图像 | 研究仅针对放射治疗计划中的7个解剖器官，需要在更广泛场景中验证 | 开发能够有效预测自动分割结果手动修正工作量的评估方法 | 放射治疗计划中的自动轮廓分割结果 | 医学图像分析 | NA | 深度学习 | 深度学习网络 | 医学图像，分割掩码 | 3个机构的7个不同解剖器官数据 | NA | NA | 误差率 | NA |
| 2200 | 2025-10-29 |
SNRAware: Improved Deep Learning MRI Denoising with Signal-to-noise Ratio Unit Training and G-factor Map Augmentation
2025-Oct-22, Radiology. Artificial intelligence
DOI:10.1148/ryai.250227
PMID:41123451
|
研究论文 | 开发并评估一种基于深度学习的MRI去噪方法，利用图像重建过程中获得的定量噪声分布信息来提升模型性能和泛化能力 | 提出SNRAware训练方案，利用MRI重建知识通过模拟多样化合成数据集和提供定量噪声分布信息来增强去噪效果 | 回顾性研究设计，数据主要来自3T MRI扫描仪 | 改进基于深度学习的MRI去噪方法 | 心脏电影序列MRI图像 | 医学影像处理 | 心血管疾病 | MRI | CNN, Transformer | 医学图像 | 训练集2885236张图像来自96605个心脏电影序列，测试集3000个电影序列 | NA | Transformer, 卷积块 | PSNR, SSIM, 对比噪声比 | NA |