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 19278 篇文献，本页显示第 4301 - 4320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4301 | 2025-12-19 |
Detection, localisation, and quantification of neutrophils to assess disease activity and early response to therapy in ulcerative colitis: a novel AI-driven model
2025-Dec, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103658
PMID:41399473
|
研究论文 | 开发了一种基于AI的流程，用于自动检测、定位和量化中性粒细胞，以评估溃疡性结肠炎的组织学缓解和治疗反应 | 整合了两个深度学习模型，实现了对全玻片图像的区域分割和中性粒细胞的检测与量化，并确定了评估疾病活动性和治疗响应的最佳中性粒细胞密度阈值 | 研究基于特定临床试验和队列数据，可能需要在更广泛的人群中进行验证 | 开发AI驱动的流程，以自动化评估溃疡性结肠炎的组织学活动性和治疗响应 | 溃疡性结肠炎患者的全玻片图像 | 数字病理学 | 溃疡性结肠炎 | 全玻片图像分析 | 深度学习模型 | 图像 | 303张来自多中心临床试验的溃疡性结肠炎患者全玻片图像 | NA | NA | DICE Sørensen系数, 精确度, 准确率, 灵敏度, 特异性 | NA |
| 4302 | 2025-12-19 |
INVESTIGATING CORRELATIONS BETWEEN MENTAL DISORDERS AND FUNDUS IMAGING DATA USING DEEP LEARNING: A Study From the UK Biobank
2025-11-01, Retina (Philadelphia, Pa.)
DOI:10.1097/IAE.0000000000004574
PMID:40601933
|
研究论文 | 本研究利用深度学习技术，基于UK Biobank数据库中的眼底图像和光学相干断层扫描数据，探索精神障碍与眼底生物标志物之间的关联 | 首次提出基于深度学习的多模态训练方法，用于自动识别精神行为障碍并解释其与眼底成像特征之间的潜在关联 | 样本量相对有限（1494名参与者），且研究结果仅为初步发现，需要更大规模的数据集进行验证 | 自动识别精神行为障碍，并探索精神疾病与眼底生物标志物之间的关联 | UK Biobank数据库中1494名参与者的眼底图像和光学相干断层扫描数据 | 数字病理学 | 精神障碍 | 光学相干断层扫描 | 深度学习模型 | 图像 | 1494名参与者 | NA | 多模态模型 | ROC曲线下面积, 敏感性, 特异性 | NA |
| 4303 | 2025-12-19 |
Dose-Dependent Analysis of Image Quality in Pediatric Head CT Scans Across Different Scanners to Optimize Clinical Protocols Using Phantom-Based Assessment
2025-Oct-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11110119
PMID:41295553
|
研究论文 | 本研究通过整合多中心临床数据与体模评估，建立了儿科头部CT扫描中噪声和对比噪声比的定量阈值，以优化临床协议 | 结合多中心临床图像与体模实验，首次为儿科头部CT建立了噪声和对比噪声比的定量阈值，并验证了剂量-图像质量关系在不同扫描仪间的一致性 | 研究主要基于回顾性数据，且未深入评估深度学习重建算法在进一步降低剂量方面的具体效果 | 优化儿科头部CT协议，在最小化辐射剂量的同时保持诊断图像质量 | 儿科头部CT扫描图像及Catphan体模数据 | 医学影像 | 儿科疾病 | CT扫描 | NA | 图像 | 来自八家医院的CT系统数据，包括体模实验和儿科头部CT临床数据 | NA | NA | 噪声标准差, 对比噪声比 | NA |
| 4304 | 2025-12-19 |
A Deep Learning-Driven Autonomous System for Retinal Vein Cannulation: Validation Using a Chicken Embryo Model
2025-Oct, Proceedings of the ... IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE/RSJ International Conference on Intelligent Robots and Systems
DOI:10.1109/iros60139.2025.11246284
PMID:41399488
|
研究论文 | 本研究开发了一种基于深度学习的自主系统，用于视网膜静脉插管，并在鸡胚胎模型中进行了验证 | 整合了自上而下的显微镜和B扫描光学相干断层扫描成像进行精确深度感知，并利用深度学习模型实现实时针头导航、接触检测和静脉穿刺识别 | 使用鸡胚胎模型作为人类视网膜静脉的替代，可能无法完全模拟人类生理条件 | 通过机器人辅助提高视网膜静脉插管的准确性和稳定性，以治疗视网膜静脉阻塞 | 鸡胚胎模型作为人类视网膜静脉的替代 | 计算机视觉 | 视网膜静脉阻塞 | B扫描光学相干断层扫描成像 | 深度学习模型 | 图像 | 未明确指定样本数量，但使用了鸡胚胎模型 | NA | NA | 准确率 | NA |
| 4305 | 2025-12-19 |
Statistical process control for performance monitoring and continuous quality assurance of deep learning segmentations in radiotherapy
2025-Oct, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100873
PMID:41399697
|
研究论文 | 本文提出了一种基于统计过程控制（SPC）和调整版Nelson规则的连续质量保证（CQA）框架，用于自动监测和报告放射治疗中深度学习分割（DLS）模型的性能异常和趋势变化 | 首次将统计过程控制（SPC）和调整版Nelson规则应用于放射治疗中深度学习分割模型的连续质量保证，实现了对模型输出性能的自动监控和异常检测 | 研究仅基于6个月的数据（545个DLS结构文件和3093个感兴趣区域），样本量相对有限，且未详细讨论框架在不同解剖结构或疾病类型中的泛化能力 | 开发并实施一个连续质量保证（CQA）框架，以监控放射治疗中深度学习分割模型的性能，确保其临床应用的可靠性和安全性 | 放射治疗中深度学习分割模型生成的直接输出与临床批准的分割结果 | 数字病理学 | NA | 深度学习分割 | 深度学习模型 | 图像（放射治疗结构文件） | 545个深度学习分割结构文件及其对应的临床批准分割，包含3093个感兴趣区域 | NA | NA | 几何度量（具体未指定，如Dice系数、Hausdorff距离等） | NA |
| 4306 | 2025-12-19 |
Precision in Predicting Protein-Nucleic Acid Complexes: Establishing a Benchmark Data Set and Comparative Metrics
2025-Sep-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01372
PMID:40932245
|
研究论文 | 本研究介绍了ProNASet基准数据集和多维评估框架，用于评估蛋白质-核酸复合物结构预测方法 | 创建了包含100个实验解析结构的蛋白质-核酸复合物基准数据集ProNASet，并首次系统比较了深度学习和物理驱动对接方法在该任务上的性能 | 基准数据集规模有限（仅100个结构），且深度学习方法的预测性能明显落后于物理驱动方法 | 评估和比较不同计算方法在预测蛋白质-核酸复合物结构方面的性能 | 蛋白质-核酸复合物结构 | 计算生物学 | NA | 结构生物学实验解析 | 深度学习算法, 物理驱动对接方法 | 蛋白质-核酸复合物三维结构 | 100个实验解析的蛋白质-核酸复合物结构 | NA | AlphaFold3, Chai-1, HelixFold3, Protenix, HDOCK, HDOCK_NT | RMSD, TM-score, LDDT | NA |
| 4307 | 2025-12-19 |
Prognostic models for radiation-induced complications after radiotherapy in head and neck cancer patients
2025-09-10, The Cochrane database of systematic reviews
DOI:10.1002/14651858.CD014745.pub2
PMID:40927975
|
系统综述 | 本文对头颈癌患者放疗后放射性并发症的预测模型进行了系统回顾与评估 | 首次系统评估了头颈癌放疗后并发症预测模型的质量、偏倚风险及预测性能，并识别出仅有少数模型经过充分外部验证 | 大多数验证研究存在高偏倚风险，主要源于分析领域的问题，且许多模型的校准性能未充分报告 | 识别、描述和评估用于预测头颈癌患者放疗后放射性并发症风险的正常组织并发症概率模型 | 头颈癌患者 | 医学预测模型 | 头颈癌 | 正常组织并发症概率建模 | NA | 临床数据 | 140,767名头颈癌患者（模型开发），34,304名患者（外部验证） | NA | NA | C统计量, 校准性能 | NA |
| 4308 | 2025-12-19 |
Spatially resolved subcellular protein-protein interactomics in drug-perturbed lung-cancer cultures and tissues
2025-Jul, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-024-01271-x
PMID:39478233
|
研究论文 | 本文提出了一种结合多重邻近连接检测与图卷积网络的方法，用于可视化药物扰动下肺癌细胞和组织中蛋白质-蛋白质相互作用的亚细胞空间分布 | 开发了一种可同时分析多达47种蛋白质相互作用的多重邻近连接检测方法，并结合图卷积网络对空间解析的PPI数据进行深度学习预测 | 方法主要针对非小细胞肺癌中EGFR突变型，尚未验证在其他癌症类型或更广泛蛋白质网络中的适用性 | 研究药物扰动下肺癌细胞中蛋白质-蛋白质相互作用的亚细胞空间分布与信号网络调控机制 | 非小细胞肺癌细胞培养物和组织样本（EGFR突变型） | 数字病理学 | 肺癌 | 多重邻近连接检测，免疫荧光 | 图卷积网络 | 空间蛋白质相互作用图像数据 | NA | NA | 图卷积网络 | 预测准确率 | NA |
| 4309 | 2025-12-19 |
High-definition motion-resolved MRI using 3D radial kooshball acquisition and deep learning spatial-temporal 4D reconstruction
2025-Jun-17, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ade195
PMID:40472864
|
研究论文 | 本文开发了一种结合3D径向kooshball采集和时空深度学习4D重建的自由呼吸高分辨率肺部MRI方法 | 提出了高分辨率Movienet深度学习模型，实现了1.1毫米各向同性分辨率的运动解析4D MRI，扫描时间缩短至5分钟以内 | 研究样本量较小（8名健康志愿者和10名肺癌患者），且3D-based HD-Movienet模型以更长的重建时间为代价提升质量 | 开发自由呼吸高分辨率肺部MRI技术，用于运动解析的容积成像 | 健康志愿者和肺癌患者的肺部 | 医学影像 | 肺癌 | 3D径向kooshball序列采集，包括半辐条超短回波时间和全辐条T1加权采集 | CNN | 3D径向kooshball MRI数据 | 8名健康志愿者和10名肺癌患者 | NA | 2D-based HD-Movienet, 3D-based HD-Movienet | 图像质量，重建时间 | GPU优化 |
| 4310 | 2025-12-19 |
Deep learning neural network prediction of postoperative complications in patients undergoing laparoscopic right hemicolectomy with or without CME and CVL for colon cancer: insights from SICE (Società Italiana di Chirurgia Endoscopica) CoDIG data
2025-Jun-11, Techniques in coloproctology
IF:2.7Q1
DOI:10.1007/s10151-025-03165-9
PMID:40498162
|
研究论文 | 本研究利用深度学习神经网络预测结肠癌患者腹腔镜右半结肠切除术后并发症，基于意大利多中心数据库数据 | 首次将深度学习神经网络应用于预测腹腔镜右半结肠切除术后的并发症，并比较了其与其他机器学习模型的性能 | 研究基于单一国家（意大利）的多中心数据库，需要外部验证以推广到更广泛的临床环境 | 评估机器学习模型，特别是深度学习神经网络，在预测结肠癌腹腔镜右半结肠切除术后并发症中的应用 | 接受腹腔镜右半结肠切除术（伴或不伴完整结肠系膜切除和中央血管结扎）的结肠癌患者 | 机器学习 | 结肠癌 | 机器学习，深度学习 | 深度学习神经网络，决策树，随机森林 | 人口统计学、临床和手术因素数据 | 来自CoDIG多中心数据库的患者数据，具体样本量未明确 | 未明确指定，可能涉及Scikit-learn等 | 深度学习神经网络（具体架构未指定），决策树，随机森林 | 准确率，精确率，召回率，F1分数 | 未明确指定 |
| 4311 | 2025-12-19 |
High-Performance Method and Architecture for Attention Computation in DNN Inference
2025-04, IEEE transactions on biomedical circuits and systems
IF:3.8Q2
DOI:10.1109/TBCAS.2024.3436837
PMID:39088504
|
研究论文 | 本文提出了一种基于存内计算宏的在线可编程注意力硬件架构，用于深度神经网络推理中的注意力计算 | 将注意力计算分解为级联组合矩阵运算以降低硬件实现复杂度，并设计在线可编程CIM架构通过动态调整权重提高计算精度 | 仅通过Spice仿真验证，未在实际硬件平台上部署测试；基于100nm CMOS工艺，可能未考虑更先进工艺的影响 | 解决注意力机制在硬件部署时的高资源消耗和低精度问题，提升DNN加速器的推理效率 | 注意力计算硬件架构 | 机器学习 | NA | 存内计算 | 深度神经网络 | NA | NA | NA | 注意力机制 | 集成密度、能效、延迟、计算效率 | 100nm CMOS工艺，Spice仿真 |
| 4312 | 2025-12-19 |
phyddle: software for exploring phylogenetic models with deep learning
2025-Feb-28, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.06.606717
PMID:39149349
|
研究论文 | 介绍用于通过深度学习探索系统发育模型的软件phyddle | 开发了基于流水线的软件，可在缺乏易处理似然函数的系统发育模型中使用无似然深度学习进行推断 | NA | 开发一种软件工具，使研究人员能够使用深度学习进行系统发育建模和推断 | 系统发育树 | 机器学习 | NA | 深度学习 | 深度学习模型 | 系统发育树数据 | NA | NA | NA | 准确性, 覆盖率测试 | NA |
| 4313 | 2025-12-19 |
RVDLAHA: An RISC-V DLA Hardware Architecture for On-Device Real-Time Seizure Detection and Personalization in Wearable Applications
2025-02, IEEE transactions on biomedical circuits and systems
IF:3.8Q2
DOI:10.1109/TBCAS.2024.3442250
PMID:39137083
|
研究论文 | 本文提出了一种用于可穿戴设备的实时癫痫发作检测与个性化硬件架构及算法 | 提出了支持实时癫痫检测与个性化算法的RISC-V深度学习加速器硬件架构及专用编译器 | 实验仅在实验室大鼠中进行，尚未在人类患者中进行临床验证 | 开发用于可穿戴设备的实时癫痫发作检测与个性化治疗系统 | 癫痫患者的脑电信号（通过动物实验验证） | 机器学习 | 癫痫 | 脑电信号处理，硬件加速 | CNN | 时间序列信号（脑电信号） | 实验室大鼠的脑电数据（具体数量未明确说明） | 自定义硬件架构 | CNN（具体架构未说明） | 准确率 | Xilinx PYNQ-Z2 FPGA平台，运行频率1MHz，功耗0.107W |
| 4314 | 2025-12-19 |
LPATR-Net: Learnable Piecewise Affine Transformation Regression Assisted Data-Driven Dehazing Framework
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3637687
PMID:41348791
|
研究论文 | 本文提出了一种名为LPATR-Net的新型图像去雾框架，通过可学习的分段仿射变换回归来抑制错误地面真值样本的干扰 | 引入拟合能力抑制机制，结合传统多数决定固定形式回归与现代全自由数据驱动深度学习，以应对图像去雾中固有的错误地面真值样本问题 | 未明确讨论在极端天气或复杂场景下的泛化能力，且未提供计算效率的详细分析 | 开发一种鲁棒的图像去雾框架，以处理训练数据中存在的错误地面真值样本 | 图像去雾任务中的有雾图像及其对应的地面真值清晰图像 | 计算机视觉 | NA | 深度学习 | 深度神经网络 | 图像 | 在五个常用公共数据集上进行实验，具体样本数量未明确说明 | 未明确指定，但提及了数据驱动深度学习框架 | LPATR-Net，包含可学习的分段仿射变换回归组件和All-Mattering组件 | 未明确列出，但通过实验验证了有效性 | 未明确指定 |
| 4315 | 2025-12-19 |
FusDRM-m5C: a hybrid model for accurate prediction of 5-methylcytosine modification sites based on feature fusion and attention mechanism
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1642286
PMID:41399733
|
研究论文 | 本文提出了一种名为FusDRM-m5C的混合深度学习模型，用于从RNA序列中高精度预测5-甲基胞嘧啶修饰位点 | 该模型采用多分支架构融合了三种不同的特征类型，并结合了扩张卷积神经网络和多头自注意力机制，以捕捉多尺度模式并权衡上下文依赖信息 | NA | 开发一个计算模型来高精度预测RNA序列中的5-甲基胞嘧啶修饰位点 | RNA序列中的5-甲基胞嘧啶修饰位点 | 生物信息学 | NA | RNA序列分析 | 深度学习 | 序列数据 | NA | NA | Dilated Convolutional Neural Network, Multi-Head Self-Attention | 灵敏度, 特异性, 准确率, 马修斯相关系数, AUC | NA |
| 4316 | 2025-12-18 |
Comparison of deep learning reconstruction algorithms to improve image quality of dual-energy carotid CT angiography under dual-low scan
2025-Dec-17, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03803-x
PMID:41405722
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4317 | 2025-12-18 |
Pixel Tampering: Does Face Redaction Harm Medical AI Performance?
2025-Dec-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01776-0
PMID:41402615
|
研究论文 | 本研究评估了面部脱敏工具对深度学习模型在医学影像中性能的影响，并通过Kaggle竞赛验证了其有效性 | 开发了一个开源的面部脱敏工具，旨在增强数据共享安全性同时保持深度学习性能，并通过大规模竞赛验证了其在年龄预测任务中的效果 | 研究仅基于头部CT影像和年龄预测任务，可能无法推广到其他医学影像类型或临床任务 | 评估面部脱敏处理是否会影响深度学习模型在医学影像分析中的性能 | 头部CT影像及其对应的年龄预测任务 | 医学影像分析 | NA | 深度学习 | 深度学习模型 | 医学影像（头部CT） | 训练集2377例，测试集148例，来自多个机构 | NA | NA | 平均绝对误差（MAE） | NA |
| 4318 | 2025-12-18 |
Advanced Multi-architecture Deep Learning Framework for BIRADS-Based Mammographic Image Retrieval: Comprehensive Performance Analysis with Super-Ensemble Optimization
2025-Dec-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01770-6
PMID:41402617
|
研究论文 | 本文开发了一个用于基于内容的乳腺X线图像检索的综合评估框架，通过比较不同CNN架构在高级训练策略下的性能，旨在提升BIRADS分类的精确匹配能力 | 提出了一个系统性的评估框架，首次在BIRADS五分类检索任务中综合比较了多种CNN架构（DenseNet121、ResNet50、VGG16）在高级微调、度量学习和超级集成优化策略下的性能，并采用严格的病人分层划分和统计验证方法 | 研究样本量相对有限（1003名患者），且仅针对乳腺X线图像，未扩展到其他医学影像模态 | 提升基于内容的乳腺X线图像检索在BIRADS五分类任务中的准确性和临床实用性 | 乳腺X线图像及其对应的BIRADS分类 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | 1003名患者（每人两张图像），共602个测试查询 | 未明确指定，但可能涉及TensorFlow或PyTorch | DenseNet121, ResNet50, VGG16 | precision@10, 准确率, 统计显著性检验（t检验, Cohen's d） | 未明确指定，但提及了计算成本降低 |
| 4319 | 2025-12-18 |
A Timeseries-based Multimodal Deep Learning Approach for Lung Nodule Growth Prediction
2025-Dec-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01788-w
PMID:41402619
|
研究论文 | 本研究提出了一种基于时间序列的多模态深度学习框架，用于预测肺结节的生长，通过整合CT图像序列、人口统计学和结节特异性特征来提高预测准确性 | 采用时间序列CT图像数据与多模态特征（人口统计学和结节特异性特征）相结合的多模态深度学习框架，显著提升了肺结节生长预测的准确性 | 数据来源于单一医疗机构（台湾远东纪念医院），可能限制了模型的泛化能力 | 开发一个多模态深度学习模型，以准确预测肺结节的生长，辅助临床决策 | 肺结节患者，包括其CT图像序列、人口统计学信息和结节特异性特征 | 计算机视觉 | 肺癌 | CT成像 | 深度学习模型 | 图像, 结构化数据 | 来自台湾远东纪念医院的数据集，具体样本数量未明确说明 | NA | 多模态深度学习框架 | 准确率, 精确率, 灵敏度, F1分数, AUC | NA |
| 4320 | 2025-12-18 |
Editorial for "Deep Learning for Differentiating Benign From Malignant Bile Duct Dilation on MRCP: Development and Prospective Evaluation of an Xception-Logistic Regression Ensemble Model"
2025-Dec-16, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70208
PMID:41403056
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |