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 19275 篇文献，本页显示第 501 - 520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 501 | 2026-09-18 |
Magnetization transfer MRI (MT-MRI) detects white matter damage beyond the primary site of compression in degenerative cervical myelopathy using a novel semi-automated analysis
2025-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111083
PMID:40953562
|
研究论文 | 该研究开发了一种基于脊髓工具箱 (SCT) 的半自动分析流程，结合深度学习卷积神经网络分割脊髓，用于从退行性颈髓病 (DCM) 患者的磁化传递 MRI (MT-MRI) 中自动提取磁化传递率 (MTR)，并评估其对压缩部位以外白质损伤的检测能力 | 1) 构建了可重复、计算稳健的半自动分析流程，整合了深度学习 CNN 脊髓分割、全局曲线优化椎体标记和 PAM50 模板配准；2) 实现了区域和纤维束特异性 MTR 的自动化提取；3) 发现 MTR 在未压缩区域 (C2-C3) 的诊断性能优于传统横截面积 (CSA)；4) 将微结构损伤与临床结局 (灵巧性、握力、平衡) 相关联 | 样本量较小 (30 例 DCM 患者和 15 例健康对照)；仅在 3T 场强下使用 Generic Spine Protocol 采集数据；未进行多中心外部验证；半自动流程仍可能受操作者影响 | 解决传统 MRI 无法检测退行性颈髓病压缩部位以外微结构损伤的问题，并克服当前 MTR 应用标准化不足、依赖操作者以及相对 CSA 附加价值不明确的局限 | 退行性颈髓病 (DCM) 患者和年龄匹配的健康对照 (HC) | 数字病理学, 医学影像分析 | 退行性颈髓病 | 磁化传递 MRI (MT-MRI), T2加权 MRI, 磁化传递率 (MTR) 定量分析 | CNN | 图像 (3T T2w-MRI 和 MT-MRI) | 30 例 DCM 患者和 15 例年龄匹配健康对照，共 45 例受试者 | Spinal Cord Toolbox (SCT) | 卷积神经网络 (CNN) | ROC 曲线下面积 (AUC), p 值, 相关系数 | NA |
| 502 | 2026-09-18 |
All-at-once RNA folding with 3D motif prediction framed by evolutionary information
2025-Oct, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02833-w
PMID:41044256
|
研究论文 | 本文提出了CaCoFold-R3D，一种概率文法模型，能够利用RNA序列或比对中的进化信息，同时预测RNA的三维模体（模块）和二级结构 | 提出了R3D文法，利用螺旋共变信息约束非共变RNA三维模体的定位；实现了对超过50种已知RNA模体的近乎穷尽预测；模体可出现在任何非螺旋环区域（包括三路、四路及更高阶连接处）；所有结构模体和经典螺旋通过单一联合概率文法一次性预测完成 | 文中未明确说明该方法的局限性 | 开发一种能够同时预测RNA三维模体和二级结构的方法，为深度学习全原子结构预测提供强输入，并指导RNA作为治疗性小分子药物靶点的设计 | RNA序列或比对，以及其中包含的三维结构模体和二级结构 | 计算生物学 | NA | 概率文法建模，进化共变分析 | 概率文法模型 | RNA序列，序列比对 | 超过50种已知RNA模体 | NA | CaCoFold-R3D，R3D文法 | NA | NA |
| 503 | 2026-09-18 |
Birefringence microscopy enables rapid, label-free quantification of myelin debris following induced cortical injury
2025-Oct, Neurophotonics
IF:4.8Q1
DOI:10.1117/1.NPh.12.4.045006
PMID:41181030
|
研究论文 | 本文旨在建立双折射显微镜（BRM）作为一种高通量、无标记的成像技术，用于死后脑组织中髓鞘病理的大规模定量评估，并结合深度学习自动检测髓鞘损伤 | 首次将双折射显微镜（BRM）与深度学习目标检测网络结合，用于无标记、高通量地定量评估皮质损伤后胼胝体中的髓鞘碎片，并在不同恢复时间点（6周和12周）的猕猴模型中进行验证 | 研究仅使用猕猴模型，样本量有限，且未在其他疾病模型或人类组织中验证；深度学习模型的泛化能力需进一步评估 | 建立BRM作为高通量、无标记的成像技术，用于大规模定量评估死后脑组织中的髓鞘病理，并开发深度学习自动检测方法 | 猕猴皮质损伤模型中的胼胝体髓鞘 | 数字病理学 | 神经退行性疾病 | 双折射显微镜（BRM）、荧光髓鞘染色、免疫组化 | CNN | 图像 | 猕猴模型，分为6周恢复组、12周恢复组和年龄匹配对照组 | NA | NA | P值 | NA |
| 504 | 2026-09-18 |
SAAM-VetNet: an attention-based multi-task framework for animal disease detection and severity grading
2025-Oct, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003728
PMID:41181424
|
研究论文 | 本文提出了一种基于注意力机制的多任务深度学习框架SAAM-VetNet，用于从医学图像中同时检测动物疾病并对其严重程度进行分级 | 将卷积块注意力模块与多分支多任务学习策略相结合，实现疾病检测与严重程度分级的联合优化，提升了特征定位能力和模型可解释性 | 仅在两个公开数据集上进行了评估，样本规模有限，泛化能力有待在更多动物物种和疾病类型上验证 | 开发一种能够同时进行动物疾病检测和严重程度分级的自动化诊断工具，辅助兽医临床诊断和临床前模型选择 | 动物疾病医学图像，包括动物疾病分类数据集和乳腺炎检测数据集中的图像样本 | 计算机视觉 | 动物疾病 | 深度学习图像分析 | CNN | 图像 | 两个公开数据集：Animal Disease Classification数据集和Mastitis Disease Detection数据集 | NA | SAAM-VetNet, ResNet18, MobileNetV2, EfficientNet-B0, DenseNet121, Vision Transformer | 准确率, F1分数 | NA |
| 505 | 2026-09-18 |
A Markov Chain Replacement Strategy for Surrogate Identifiers: Minimizing Re-Identification Risk While Preserving Text Reuse
2025-Oct-01, Electronics
IF:2.6Q2
DOI:10.3390/electronics14193945
PMID:41122293
|
研究论文 | 本文评估了三种用于替换个人健康信息（PHI）的隐藏于明处（HIPS）策略，包括标准一致替换、随机替换和一种新型马尔可夫模型策略，并分析了它们在隐私保护效益和信息提取效用方面的表现。 | 提出了一种基于马尔可夫链的替代标识符生成策略，能够减少PHI泄露风险，同时保留文本重用性。 | 在较旧的机器学习技术上，由于上下文变化可能导致性能下降。 | 评估不同HIPS策略在PHI替换中的隐私保护效益和相对效用，特别是在信息提取方面。 | 模拟的PHI分布和来自两个不同机构的真实临床语料库。 | 自然语言处理 | NA | NA | 马尔可夫模型 | 文本 | 两个机构的真实临床语料库（具体样本量未指定） | NA | 马尔可夫链 | 假阴性错误率（FNER）、PHI泄露率 | NA |
| 506 | 2026-09-18 |
Phylogenetic Methods Meet Deep Learning
2025-09-30, Genome biology and evolution
IF:3.2Q2
DOI:10.1093/gbe/evaf177
PMID:40973626
|
综述 | 探讨深度学习在系统发育学中的应用，介绍常见深度学习架构并讨论模拟训练数据的风险、可重复性和鲁棒性问题 | 提出使用紧凑双射阶梯化向量或Transformer编码训练数据以处理更大规模的系统发育树和基因组数据集，并探索系统发育学与群体遗传学在深度学习中的结合 | 深度学习在系统发育学中的应用研究多限于四分类群树，多作为原理验证且性能与传统方法相当，基于模拟的训练数据存在风险，可重复性和鲁棒性不足 | 探讨深度学习在系统发育学中的应用潜力，介绍常见深度学习架构，讨论该领域存在的问题并展望未来研究方向 | 系统发育分析中的测序数据和系统发育树 | 机器学习 | NA | NA | Transformer | 序列数据 | NA | NA | Transformer | NA | NA |
| 507 | 2026-09-18 |
Classifying Obsessive-Compulsive Disorder from Resting-State EEG using Convolutional Neural Networks: A Pilot Study
2025-Sep-29, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.06.25327094
PMID:40385410
|
研究论文 | 该研究使用卷积神经网络对静息态脑电的时频表示进行分类，以区分强迫症患者与健康对照 | 首次将二维卷积神经网络应用于静息态脑电时频表示进行强迫症受试者级别分类，并显著优于传统支持向量机方法 | 样本量较小（仅20名受试者），需要在更大、更多样化的样本中进行重复验证 | 探索卷积神经网络能否利用静息态脑电数据有效识别强迫症患者 | 20名未服药的参与者，包括10名强迫症患者和10名健康对照 | 机器学习 | 精神疾病 | 静息态脑电图 | 卷积神经网络, 支持向量机 | 脑电信号（时频表示图像） | 20名参与者（10名强迫症患者，10名健康对照） | NA | 二维卷积神经网络, 支持向量机 | 准确率, 曲线下面积 | NA |
| 508 | 2026-09-18 |
Modeling protein-small molecule conformational ensembles with PLACER
2025-Sep-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.25.614868
PMID:39386615
|
研究论文 | 本文开发了一种名为PLACER的图神经网络，用于从部分损坏的输入结构中重建原子位置，从而模拟蛋白质-小分子复合物的构象集合 | 提出了完全原子级别的描述方式，相比残基级别描述在速度和通用性上具有优势；利用图神经网络从部分损坏的输入结构中重建正确原子位置，能够快速生成随机构象集合以映射构象异质性 | 未明确讨论模型在更大规模蛋白质或更复杂小分子体系中的泛化能力，也未详细说明计算成本和可扩展性的具体限制 | 模拟蛋白质-小分子相互作用的构象异质性，用于理解天然系统和评估设计系统，以及设计更高活性的预组织酶 | 蛋白质-小分子复合物、有机小分子、蛋白质侧链、酶活性位点 | 机器学习 | NA | 图神经网络、蛋白质-小分子对接 | 图神经网络 | 分子结构数据（原子坐标、化学键信息） | 剑桥结构数据库和蛋白质数据库中的结构数据 | NA | 图神经网络 | NA | NA |
| 509 | 2026-09-18 |
High Resolution TOF-MRA Using Compressed Sensing-based Deep Learning Image Reconstruction for the Visualization of Lenticulostriate Arteries: A Preliminary Study
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0025
PMID:39034144
|
初步研究论文 | 本研究比较了基于压缩感知的深度学习图像重建（CS-DL）与传统压缩感知（CS-SENSE）在飞行时间磁共振血管造影（TOF-MRA）中显示豆纹动脉（LSAs）的图像质量 | 首次将基于压缩感知的深度学习图像重建（CS-DL）应用于高分辨率TOF-MRA以显示豆纹动脉，并与传统CS-SENSE进行了比较 | 样本量小（仅5名健康志愿者），为初步研究，需要更大样本和患者群体验证 | 探讨CS-DL重建在TOF-MRA中显示豆纹动脉的可行性，并与传统CS-SENSE比较图像质量 | 5名健康志愿者的豆纹动脉（LSAs） | 医学影像重建 | NA | 飞行时间磁共振血管造影（TOF-MRA） | 深度学习 | 医学图像 | 5名健康志愿者 | NA | NA | 可见豆纹动脉数量, 豆纹动脉长度, 归一化均方误差（NMSE）, 整体图像质量, 外周豆纹动脉可见性 | NA |
| 510 | 2026-09-18 |
Metric-Guided Conformal Bounds for Probabilistic Image Reconstruction
2025-Sep-26, ArXiv
PMID:38711427
|
研究论文 | 提出一种基于度量引导的共形预测框架，为概率黑盒图像重建算法生成的临床指标提供具有统计保证的预测边界，并在稀疏视图CT的脂肪质量量化和放疗规划任务上验证有效性 | 用临床指标代替像素值表示重建结果，结合共形预测在校准集上校准真实指标边界，生成具有语义解释性的可视边界，能标记看似合理但指标值统计异常的离群重建 | 需要先验校准数据集；方法在稀疏视图CT的脂肪质量量化和放疗规划任务上验证，通用性有待进一步确认 | 为概率黑盒图像重建算法导出的临床指标提供可证明有效的预测边界，增强重建结果的可解释性和安全性 | 稀疏视图CT重建图像及衍生的临床指标（脂肪质量、放疗规划指标） | 计算机视觉 | 肺癌 | NA | NA | 图像 | NA | PyTorch | NA | NA | NA |
| 511 | 2026-09-18 |
The Evolution and Clinical Impact of Deep Learning Technologies in Breast MRI
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.rev.2024-0056
PMID:39477506
|
综述 | 本文综述了深度学习技术在乳腺MRI中图像重建、分类、检测、分割及临床结果预测等方面的应用及其临床影响 | 系统总结了CNN、RNN、GAN等深度学习模型在乳腺MRI多个环节的应用，并探讨了其对个性化治疗策略的潜在价值 | 深度学习技术融入临床实践仍面临挑战，需要进一步研究、验证以及法律和伦理框架的建立 | 探讨深度学习技术在乳腺MRI中的演变及其临床应用影响 | 乳腺MRI相关的深度学习技术及应用 | 医学影像 | 乳腺癌 | 乳腺MRI | CNN, RNN, GAN | 图像 | NA | NA | 卷积神经网络, 循环神经网络, 生成对抗网络 | NA | NA |
| 512 | 2026-09-18 |
Exploiting correlations across trials and behavioral sessions to improve neural decoding
2025-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.14.613047
PMID:39314484
|
研究论文 | 本文提出了两种利用跨试次和跨行为阶段相关性的神经解码模型，并在大规模小鼠神经像素数据集上验证了其有效性 | 提出了多阶段降秩回归模型和多阶段状态空间模型，能够利用跨试次和跨阶段的相关性提高解码精度，同时保持模型的可解释性和高效性 | 未明确提及 | 通过利用跨试次和跨行为阶段的相关性来改进神经解码 | 小鼠神经活动数据和行为数据 | 机器学习 | NA | Neuropixels电生理记录 | 降秩回归, 状态空间模型 | 神经活动时间序列, 行为数据 | 433个阶段，涵盖270个脑区 | NA | 多阶段降秩回归模型, 多阶段状态空间模型 | 解码准确率 | NA |
| 513 | 2026-09-18 |
AI-Integrated QSAR Modeling for Enhanced Drug Discovery: From Classical Approaches to Deep Learning and Structural Insight
2025-Sep-25, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms26199384
PMID:41096653
|
综述 | 本文综述了人工智能与定量构效关系（QSAR）建模在药物发现中的集成应用，从经典方法到深度学习及结构洞察的演进 | 系统性地总结了从经典QSAR到深度学习方法的演进，并整合了分子对接、分子动力学模拟、PROTACs、ADMET预测及云计算平台等协同工具，强调了可解释性和数据丰富的药物发现流程 | 作为综述文章，未提供原始实验数据或模型验证；可能未涵盖所有最新的AI-QSAR方法；对具体技术细节的讨论可能不够深入 | 概述AI集成QSAR建模在药物发现中的发展历程、当前应用和未来趋势，为使用计算模型和数据库进行可解释、数据丰富的药物发现提供指南 | QSAR建模方法、AI技术、药物发现流程、分子对接与动力学模拟、PROTACs、ADMET预测、公共数据库和云平台 | 机器学习 | NA | QSAR建模、机器学习、深度学习、分子对接、分子动力学模拟 | 图神经网络、基于SMILES的Transformer | 分子结构数据、生物活性数据 | NA | NA | 图神经网络、Transformer | NA | 云平台 |
| 514 | 2026-09-18 |
An Open-Source Deep Learning-Based Toolbox for Automated Auditory Brainstem Response Analyses (ABRA)
2025-Sep-23, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.20.599815
PMID:38948763
|
研究论文 | 本文介绍了一个基于深度学习的开源工具箱ABRA，用于自动化听觉脑干反应波形分析，包括峰值振幅、潜伏期和听觉阈值估计 | 利用卷积神经网络训练多种实验数据集，实现快速、无偏的ABR指标提取，性能与专家人工标注相当，大幅减少分析时间并提高可重复性 | 摘要中未明确提及 | 自动化和标准化听觉脑干反应波形分析，解决传统人工分析主观性强和可重复性差的问题 | 听觉脑干反应波形数据 | 机器学习 | 听力损失 | NA | CNN | 波形数据 | NA | NA | NA | NA | NA |
| 515 | 2026-09-18 |
VASCilia (Vision Analysis StereoCilia): A Napari Plugin for Deep Learning-Based 3D Analysis of Cochlear Hair Cell Stereocilia Bundles
2025-Sep-23, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.17.599381
PMID:38948743
|
研究论文 | 开发了一个名为VASCilia的Napari插件套件，用于基于深度学习的耳蜗毛细胞静纤毛束的3D分析 | VASCilia是首个专门为耳蜗毛细胞静纤毛束3D分析设计的开源深度学习工具套件，包含五个深度学习模型，并发布了首个此类公开数据集，包含约55个3D堆栈和2205个注释的毛细胞束 | 未明确提及 | 自动化分析耳蜗毛细胞静纤毛束的3D形态，解决手动分析复杂性和高通量需求 | 耳蜗毛细胞的静纤毛束，包括内毛细胞和外毛细胞 | 计算机视觉 | 听力障碍 | 共聚焦显微镜，深度学习 | CNN | 3D图像 | 约55个3D堆栈，包含502个内毛细胞束和1703个外毛细胞束 | NA | NA | NA | NA |
| 516 | 2026-09-18 |
Scalable Deep Learning of Histology Images Reveals Genetic and Phenotypic Determinants of Adipocyte Hypertrophy
2025-Sep-23, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.02.11.25322053
PMID:39990583
|
研究论文 | 该研究提出了一种先进的深度学习方法Adipocyte U-Net 2.0，用于脂肪组织组织学的语义分割，从而能够分析来自2,667个个体的超过2700万个脂肪细胞，并揭示了脂肪细胞肥大的遗传和表型决定因素 | 开发了Adipocyte U-Net 2.0，一种用于脂肪组织组织学语义分割的先进深度学习方法，能够大规模分析超过2700万个脂肪细胞；进行了迄今为止最大的脂肪细胞大小全基因组关联研究，并识别出四个全基因组显著位点 | 摘要中未明确提及研究局限性 | 探索脂肪细胞形态的细胞微观结构和遗传结构，并研究其与代谢功能障碍和心脏代谢疾病的关系 | 来自2,667个个体的脂肪组织组织学图像，包括皮下和内脏脂肪组织 | 数字病理学 | 心血管疾病 | 组织学图像分析，全基因组关联研究 | 深度学习 | 图像 | 2,667个个体的超过2700万个脂肪细胞；全基因组关联研究：皮下脂肪组织N=2,066，内脏脂肪组织N=1,878 | NA | U-Net | NA | NA |
| 517 | 2026-09-18 |
MedImg: An Integrated Database for Public Medical Images
2025-09-22, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf068
PMID:40833036
|
研究论文 | 该研究构建了一个包含105个数据集、1,995,671张医学图像的综合性公共医学图像数据库MedImg，涵盖14种成像模态和13个器官 | 整合了来自多个公共来源的105个数据集，包含1,995,671张医学图像，涵盖14种成像模态和13个器官，并构建了在线数据库平台以系统化组织这些医学图像 | 论文未明确讨论数据集的标准化程度、标注质量一致性以及数据库的更新维护机制等潜在局限性 | 解决深度学习医学图像分析中缺乏大规模、特征明确的验证数据集的问题，促进数据可获取性和研究可重复性 | 公共医学图像数据集，涵盖X射线、计算机断层扫描、磁共振成像、光学相干断层扫描、超声和内窥镜等14种模态，以及肺、脑、眼、心脏等13个器官 | 数字病理学 | 肺癌, 脑部疾病, 眼科疾病, 心血管疾病 | NA | NA | 图像 | 105个数据集，共1,995,671张医学图像 | NA | NA | NA | NA |
| 518 | 2026-09-18 |
Improving spliced alignment by modeling splice sites with deep learning
2025-Sep-20, ArXiv
PMID:40980762
|
研究论文 | 该论文提出了minisplice，使用一维卷积神经网络学习剪接信号，并应用于剪接比对中以提高准确性 | 使用深度学习模型（1D-CNN）学习剪接信号，并改进了minimap2和miniprot以利用预计算的剪接概率进行比对 | 未明确提及 | 改进剪接比对，通过深度学习建模剪接位点，提高比对准确性 | 脊椎动物和昆虫基因组，以及人类长读长RNA-seq数据和跨物种蛋白质数据集 | 生物信息学 | NA | 长读长RNA测序，蛋白质序列分析 | 1D-CNN | 序列数据 | NA | NA | 1D-CNN | 剪接位点准确性 | NA |
| 519 | 2026-09-18 |
Variational inference of single cell time series
2025-Sep-09, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.29.610389
PMID:39257806
|
研究论文 | 提出SNOW，一种深度学习算法，将单细胞时间序列数据解卷积为时间依赖和时间独立成分 | 将单细胞时间序列解卷积为时间依赖和时间独立成分，去除批次效应，推断每个细胞的动态 | 未明确提及局限性 | 分析单细胞RNA测序时间序列数据，解卷积时间和细胞类型贡献，区分真实动态与批次效应，推断每个细胞的动态 | 单细胞RNA测序时间序列数据 | 机器学习 | NA | 单细胞RNA测序 | 深度学习 | 基因表达数据 | 合成和真实scRNA-seq数据 | NA | NA | NA | NA |
| 520 | 2026-09-18 |
Automated Deep Learning-Based Detection of Early Atherosclerotic Plaques in Carotid Ultrasound Imaging
2025-Sep-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.10.17.24315675
PMID:39484270
|
研究论文 | 该研究开发了一个基于YOLOv8的深度学习模型，用于在颈动脉超声图像中自动检测早期动脉粥样硬化斑块，并在大规模人群队列中进行了验证和遗传学分析 | 首次将深度学习应用于无症状人群的颈动脉斑块检测，并在大规模人群队列（UKB）中验证了其性能，同时结合GWAS和孟德尔随机化揭示了斑块的遗传结构 | 未明确提及 | 开发自动化深度学习模型用于早期颈动脉斑块检测，并探索其与心血管事件及遗传因素的关系 | UK Biobank队列的19,499名参与者及BiDirect研究的2,105名参与者 | 数字病理学, 计算机视觉 | 心血管疾病 | 颈动脉超声成像, 全基因组关联分析, 孟德尔随机化 | YOLOv8 | 图像 | 19,499名UKB参与者及2,105名BiDirect参与者 | PyTorch | YOLOv8 | 准确率, 灵敏度, 特异性 | NA |