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 19351 篇文献，本页显示第 361 - 380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 361 | 2026-03-14 |
Analyzing the TotalSegmentator for facial feature removal in head CT scans
2025-01, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2024.12.018
PMID:39754865
|
研究论文 | 本研究评估了使用TotalSegmentator进行头部CT扫描面部特征去除的流程，以降低再识别风险并保护数据隐私 | 首次将TotalSegmentator应用于头部CT扫描的面部特征去除，并与现有先进算法进行比较，展示了其在隐私保护方面的优越性 | 研究仅基于单一数据集（UCLH EIT Stroke数据集），样本量为1404个渲染图像，可能无法完全代表所有临床场景 | 评估面部识别技术在医学影像中的隐私风险，并开发一种有效的去面部特征流程以降低再识别风险 | 头部CT扫描的渲染图像，包括去面部特征前后的对比 | 医学影像分析 | 卒中 | CT扫描，深度学习模型 | 深度学习模型，支持向量机 | 图像 | 1404个高质量渲染图像，来自UCLH EIT Stroke数据集 | NA | NA | ROC-AUC, 准确率 | NA |
| 362 | 2026-03-14 |
Constructing a Predictive Model for STH and Schistosomiasis Classification From Microscopic Images
2025, BioMed research international
IF:2.6Q3
DOI:10.1155/bmri/8074581
PMID:41321694
|
研究论文 | 本研究开发了一种结合机器学习和深度学习的创新系统，用于分析寄生虫卵的显微镜图像，以提高诊断速度和准确性 | 提出了一种混合CNN-ML方法，相比传统纯CNN方法，在寄生虫分类任务中实现了更高的准确率 | 数据集较小、存储时间较长、多样性有限且可能存在退化，这可能影响模型的泛化能力 | 构建一个预测模型，用于从显微镜图像中对土壤传播蠕虫和血吸虫病进行分类，以改善在资源有限环境下的诊断 | 显微镜图像中的寄生虫卵，包括钩虫、血吸虫病等类别以及阴性样本 | 计算机视觉 | 寄生虫病 | 显微镜成像 | CNN, ViT, SVM, XGBoost, KNN, RF, DT | 图像 | 1490张图像，来自埃塞俄比亚公共卫生研究所 | TensorFlow, PyTorch, Scikit-learn | VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNetB0, ViT | 准确率 | NA |
| 363 | 2026-03-13 |
[Diagnosis and treatment of liver diseases in the era of artificial intelligence]
2025-Dec-20, Zhonghua gan zang bing za zhi = Zhonghua ganzangbing zazhi = Chinese journal of hepatology
|
综述 | 本文综述了人工智能在肝病领域，特别是大数据分析、转化研究和影像病理解读中的应用进展与挑战 | 系统分析了AI在肝病诊疗中整合多模态数据（病史、体征、实验室数据、影像、病理）的潜力，并指出了当前技术无法有效支持真实世界临床决策的核心痛点 | 当前AI工具尚不成熟，无法真正独立可靠地辅助复杂临床评估；模型个性化、碎片化，难以整合成广泛适用的多中心通用模型；未能有效减轻医生工作量 | 探讨人工智能在肝病诊断与治疗中的应用现状、挑战及未来发展方向 | 肝病领域的人工智能应用，包括大数据分析、转化研究、影像和病理解读 | 数字病理 | 肝病 | NA | 机器学习, 深度学习 | 多模态数据（病史、体征、实验室数据、影像、病理） | NA | NA | NA | NA | NA |
| 364 | 2026-03-13 |
IRIS: Interpretable Risk Clustering Intelligence for Survival Analysis
2025-Dec, Proceedings : ... IEEE International Conference on Big Data. IEEE International Conference on Big Data
|
研究论文 | 提出了一种用于生存分析的新型可解释风险聚类智能框架IRIS，旨在直接学习有意义的患者风险分组并提供透明的特征重要性解释 | 与传统生存模型进行事后风险聚类不同，IRIS能够直接从数据中学习患者风险聚类，并通过特征贡献函数提供透明的特征重要性估计，在保持预测性能的同时显著提升可解释性 | 与最先进方法相比，在事件发生时间预测准确性方面有轻微下降 | 开发一个既能进行风险聚类又能提供可解释性的生存分析框架，为临床治疗规划和资源分配提供可操作的见解 | 患者生存数据 | 机器学习 | 阿尔茨海默病 | 生存分析 | 深度学习模型 | 电子健康记录，基准数据集 | 多个基准数据集、一个真实世界阿尔茨海默病数据集和一个电子健康记录数据集 | NA | IRIS框架 | 风险聚类性能，预测可靠性，事件发生时间预测准确性 | NA |
| 365 | 2026-03-13 |
An Explainable Deep Model for Risk Scoring and Accurate Radionecrosis Identification Following Brain Metastasis Stereotactic Radiosurgery
2025-Nov-27, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.11.038
PMID:41317799
|
研究论文 | 本文开发了一种可解释的深度学习模型，用于非侵入性区分非小细胞肺癌患者脑转移立体定向放射外科治疗后的放射性坏死与局部复发 | 设计了一种二阶重球神经常微分方程深度学习框架，整合磁共振、临床和基因组特征到统一的图像-基因组-临床空间，并应用层相关传播量化非成像特征的贡献，构建风险评分模型 | 数据集仅包含103名非小细胞肺癌患者的142个脑转移病灶，样本量相对有限，且仅针对特定癌症类型 | 开发可解释的深度学习模型以准确区分脑转移立体定向放射外科治疗后的放射性坏死与局部复发 | 非小细胞肺癌患者的脑转移病灶 | 数字病理学 | 肺癌 | 磁共振成像, 基因组生物标志物分析 | 深度学习, 神经常微分方程 | 图像, 临床数据, 基因组数据 | 103名非小细胞肺癌患者的142个脑转移病灶 | 自定义深度学习框架 | 二阶重球神经常微分方程, 深度神经网络 | 准确性, 精确度, 召回率, F1分数, AUC | NA |
| 366 | 2026-03-13 |
A vessel bifurcation landmark pair dataset for abdominal CT deformable image registration (DIR) validation
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17907
PMID:40437735
|
研究论文 | 本文介绍了一个用于腹部CT可变形图像配准验证的首个血管分叉标志点对数据集 | 首次提供了专门针对腹部CT可变形图像配准验证的高精度血管分叉标志点对基准数据集 | 数据集仅包含30名患者的腹部CT图像，可能样本量有限，且主要关注血管分叉点，未涵盖其他解剖结构 | 开发一个用于验证腹部CT可变形图像配准算法质量的基准数据集 | 腹部CT图像中的血管分叉点 | 医学图像处理 | NA | CT成像，深度学习分割，可变形图像配准 | 深度学习模型 | CT图像 | 30名患者的腹部CT图像对 | NA | NA | 标志点对精度（0.7 mm ± 1.2 mm） | NA |
| 367 | 2026-03-13 |
Domain-Randomized Deep Learning for Neuroimage Analysis: Selecting Training Strategies, Navigating Challenges, and Maximizing Benefits
2025-Jul, IEEE signal processing magazine
IF:9.4Q1
DOI:10.1109/MSP.2025.3590806
PMID:41306561
|
教程论文 | 本文综述了基于合成图像的领域随机化深度学习策略在神经影像分析中的原理、实施与潜力 | 提出通过合成具有随机强度和解剖内容的图像来训练深度神经网络，以解决模型泛化问题，无需重新训练或微调即可处理未见过的图像类型 | 增加了计算需求，且可能依赖于合成数据的质量 | 探讨领域随机化策略以提升深度学习模型在神经影像分析中的鲁棒性和泛化能力 | 神经影像数据，包括MRI、CT、PET、OCT等模态 | 神经影像分析 | NA | 领域随机化，合成图像生成 | 深度神经网络 | 图像 | NA | NA | NA | NA | NA |
| 368 | 2026-03-13 |
Genome structure mapping with high-resolution 3D genomics and deep learning
2025-May-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.06.650874
PMID:40654659
|
研究论文 | 本文介绍了一种结合高分辨率3D基因组学与深度学习的集成方法，用于预测细胞类型特异性的3D基因组结构 | 开发了Cleopatra，一种基于注意力机制的深度学习模型，通过预训练和微调策略，实现了亚千碱基级别的3D接触图谱预测，揭示了细胞类型特异性的微区室和环路 | 研究仅覆盖了四种人类细胞类型，可能未涵盖所有细胞类型的特异性；深度学习模型的泛化能力需进一步验证 | 旨在通过深度学习和3D基因组学技术，全面映射细胞类型特异性的基因调控环路，以理解基因表达机制 | 人类细胞类型中的3D基因组结构，包括增强子-启动子环路和微区室 | 机器学习 | NA | 区域捕获微C（RCMC）、微C（Micro-C）测序 | 深度学习模型（基于注意力机制） | 表观基因组数据、3D接触图谱数据 | 四种人类细胞类型 | NA | 基于注意力机制的架构（具体名称未指定，但提及为Cleopatra模型） | NA | NA |
| 369 | 2026-03-13 |
Obtaining full-arch implant scan with smartphone video and deep learning: An in vitro investigation on trueness and precision
2025-Mar-08, Journal of prosthodontics : official journal of the American College of Prosthodontists
DOI:10.1111/jopr.14041
PMID:40055947
|
研究论文 | 本研究通过智能手机视频和深度学习模型生成全牙弓种植体扫描，并在体外环境中评估其准确性和精度 | 首次将智能手机视频与深度学习模型结合，用于生成全牙弓种植体扫描，提供了一种经济高效的潜在扫描方法 | 研究为体外实验，准确性尚未达到临床应用标准，且深度学习模型的精度相比口腔内扫描仪较差 | 评估基于智能手机视频和深度学习模型生成全牙弓种植体扫描的准确性 | 上颌无牙模型上的6个种植体和扫描体 | 计算机视觉 | NA | 深度学习3D重建 | 深度学习模型 | 视频 | 3个测试组（DL1、DL2、IOS），每组重复10次 | NA | NA | 线性偏差（准确性）、精度 | NA |
| 370 | 2026-03-13 |
ChromBPNet: bias factorized, base-resolution deep learning models of chromatin accessibility reveal cis-regulatory sequence syntax, transcription factor footprints and regulatory variants
2025-Jan-08, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.25.630221
PMID:39829783
|
研究论文 | 本文介绍了一种名为ChromBPNet的深度学习模型，用于解析染色质可及性，揭示顺式调控序列语法、转录因子足迹和调控变异 | ChromBPNet通过分解酶特异性偏差与调控序列决定因素，实现了跨实验和测序深度的紧凑转录因子基序词典、协同基序语法和精确足迹的稳健发现 | NA | 研究染色质可及性的序列语法和遗传变异，以解码调控DNA和遗传变异 | 顺式调控元件、染色质可及性、转录因子结合 | 机器学习 | NA | 染色质可及性测定 | 深度学习DNA序列模型 | DNA序列 | NA | NA | ChromBPNet | NA | NA |
| 371 | 2026-03-13 |
Retinal Vessel Plexus Differentiation Based on OCT Angiography Using Deep Learning
2025 Jan-Feb, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100605
PMID:39624795
|
研究论文 | 本研究提出了一种基于深度学习的OCT血管成像（OCTA）方法，用于分割视网膜的浅层、深层和无血管丛，无需结构OCT图像输入或分割边界 | 首次仅使用OCTA数据通过深度学习分割视网膜血管丛，无需依赖结构OCT层分割作为边界，并利用合成双类图像显著提升性能 | 研究样本量较小（33名患者），模型在更复杂的多类薄片数据上的性能仅进行了定性观察，未进行定量评估 | 开发一种基于深度学习的OCTA图像分割方法，以区分视网膜的浅层、深层和无血管丛 | 视网膜血管丛（浅层、深层、无血管丛） | 计算机视觉 | NA | OCT血管成像（OCTA） | 深度学习 | 图像 | 235个OCTA立方体（来自33名患者） | NA | U-Net | Dice系数 | NA |
| 372 | 2026-03-13 |
Exploring meaning in life from social network content in the sleep scenario
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1642085
PMID:41306873
|
研究论文 | 本研究利用社交媒体数据，通过深度学习和语义依赖图算法，探索睡眠场景下生命意义及其相关因素 | 结合社交媒体大数据、用户调查与ChatGPT生成见解，开发深度学习模型评估生命意义成分，并应用语义依赖图算法识别相关因素，桥接了两种基础生命意义理论 | 数据主要来源于社交媒体，可能存在样本偏差，且ChatGPT生成见解的可靠性需进一步验证 | 探索生命意义及其在个体和群体层面的相关因素，为心理健康问题提供线索和干预信息 | 社交媒体用户及其发布的微博内容与调查响应 | 自然语言处理 | NA | 社交媒体数据挖掘，深度学习，语义依赖图算法 | 深度学习模型 | 文本 | 微博帖子7,588,597条，用户调查响应448份 | NA | NA | NA | NA |
| 373 | 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 |
| 374 | 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 |
| 375 | 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 |
| 376 | 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 |
| 377 | 2026-03-11 |
Renal Cell Type and State Estimation in Brightfield Histology Images: A Pilot Study on Diabetic Nephropathy
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3047996
PMID:41799653
|
研究论文 | 本研究提出了一种基于深度学习的两阶段流程，用于从亮视野组织学图像预测细胞类型/状态，旨在提升糖尿病肾病的诊断和预后评估 | 结合图像到文本检索网络和视觉语言模型，利用CONCH模型从亮视野图像生成组织病理学文本提示，并通过回归头预测细胞类型/状态比例，相比仅使用图像输入的模型有显著性能提升 | 研究为试点性质，样本来源单一（印第安纳大学收集的糖尿病肾病样本），且仅针对四种组织结构类型进行分类，可能缺乏泛化性 | 开发机器学习流程，从亮视野组织学图像预测细胞类型/状态，以弥补多组学数据在临床中的昂贵和不可及性 | 糖尿病肾病患者的10X Visium空间转录组学福尔马林固定石蜡包埋全切片图像 | 数字病理学 | 糖尿病肾病 | 空间转录组学（10X Visium），亮视野显微镜 | 深度学习模型 | 图像，文本 | 未明确指定样本数量，但来自印第安纳大学收集的糖尿病肾病样本集 | 未明确指定，但提及CONCH、ViT、ResNet等模型架构 | CONCH, ViT, ResNet | 均方误差 | NA |
| 378 | 2026-03-10 |
Predicting Primary Graft Dysfunction in Systemic Sclerosis Lung Transplantation Using Machine-Learning and CT Features
2025-Jul, Clinical transplantation
IF:1.9Q3
DOI:10.1111/ctr.70217
PMID:40552679
|
研究论文 | 本研究利用机器学习和CT特征预测系统性硬化症患者肺移植后的原发性移植物功能障碍 | 首次在系统性硬化症肺移植患者中，结合深度学习自动提取的CT图像特征和多种机器学习算法预测原发性移植物功能障碍 | 样本量相对较小（92名患者），且为单中心回顾性研究，可能存在选择偏倚 | 预测系统性硬化症患者肺移植后的原发性移植物功能障碍 | 92名接受双侧肺移植的系统性硬化症患者 | 数字病理学 | 系统性硬化症 | CT扫描，深度学习算法 | 逻辑回归, SVM, 随机森林, MLP | CT图像 | 92名系统性硬化症肺移植患者 | 未明确指定 | 多层感知机 | AUROC | NA |
| 379 | 2026-03-10 |
CPDMS: a database system for crop physiological disorder management
2025-04-22, Database : the journal of biological databases and curation
DOI:10.1093/database/baaf031
PMID:40261733
|
研究论文 | 本研究开发了一个用于收集番茄作物生理障碍实时图像的系统，并构建了一个包含多种胁迫条件下番茄图像的大型数据库 | 开发了一个系统化收集作物多角度实时图像的系统，并构建了包含多种生理障碍类型、多个番茄品种的大规模图像数据库，为农业AI研究提供了关键资源 | 模型性能仍有提升空间（mAP 0.46），系统在不同农业环境中的泛化能力需要进一步探索 | 开发用于作物生理障碍管理的实时数据收集与分析系统 | 番茄作物及其生理障碍（细菌性萎蔫病、病毒病、干旱、盐胁迫） | 计算机视觉 | 作物生理障碍 | 实时图像采集 | 深度学习模型 | 图像 | 58,479张图像（43,894张可标注，其中24,000张用于训练，13,037张用于测试），涵盖7个番茄品种 | NA | NA | 平均精度均值（mAP），召回率 | NA |
| 380 | 2026-03-10 |
Fine-Tuned Deep Transfer Learning Models for Large Screenings of Safer Drugs Targeting Class A GPCRs
2025-03-18, Biochemistry
IF:2.9Q3
DOI:10.1021/acs.biochem.4c00832
PMID:40056143
|
研究论文 | 本文开发了基于迁移学习的深度学习模型，用于大规模虚拟筛选针对A类GPCRs的、具有潜在更高安全性的药物化合物 | 通过迁移学习策略，在A类GPCRs全序列和配体数据集上进行预训练，并针对低效激动剂和偏向性激动剂分别进行微调，结合了目标序列的自然语言处理和受体突变对信号传导的影响分析 | 模型开发面临高质量数据可用性有限的挑战，且目前仅针对A类GPCRs | 预测具有低内在效能或配体偏向性的更安全化合物，以推进药物开发 | A类G蛋白偶联受体及其配体 | 机器学习 | NA | 自然语言处理 | 神经网络 | 序列数据, 化学数据 | NA | NA | NA | NA | NA |