深度学习在生物医药领域中的应用
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，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10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 14826 篇文献，本页显示第 6521 - 6540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6521 | 2025-06-23 |
Three-dimensional multimodal imaging for predicting early recurrence of hepatocellular carcinoma after surgical resection
2025-Jun-16, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.06.031
PMID:40533057
|
研究论文 | 本研究构建了一个多模态模型（MM-RDLM）来预测肝细胞癌（HCC）术后早期复发，并探索了相关的生物学机制 | 结合放射组学和深度学习模型，构建了预测性能优越的多模态模型，并通过基因集富集分析和多重免疫组化揭示了潜在的生物学机制 | 研究样本来自三个医疗中心，可能存在选择偏倚；模型的外部验证仍需更多数据支持 | 预测肝细胞癌术后早期复发并探索相关生物学机制 | 519例肝细胞癌患者 | 数字病理 | 肝细胞癌 | 放射组学分析、深度学习、基因集富集分析（GSEA）、多重免疫组化（mIHC） | 多模态模型（MM-RDLM，整合放射组学和DL模型） | CT图像、基因表达数据、免疫组化数据 | 519例HCC患者（训练队列433例，验证队列86例） |
| 6522 | 2025-06-23 |
Comparing point counts, passive acoustic monitoring, citizen science and machine learning for bird species monitoring in the Mount Kenya ecosystem
2025-Jun-12, Philosophical transactions of the Royal Society of London. Series B, Biological sciences
DOI:10.1098/rstb.2024.0057
PMID:40501133
|
research paper | 比较了点计数、被动声学监测、公民科学和机器学习在肯尼亚山生态系统鸟类物种监测中的应用 | 提出了一个新的数据集，包含超过20小时的肯尼亚山生态系统录音，并由专家鸟类学家标注，同时研究了使用大型深度学习模型处理这些录音的方法 | 即使使用了多种方法，调查仍然遗漏了已知存在于肯尼亚山生态系统中的稀有物种，表明多种方法的联合使用仍不够全面 | 比较不同鸟类监测方法的效果，为生态系统管理者提供可操作的见解 | 肯尼亚山生态系统中的鸟类物种 | machine learning | NA | 被动声学监测、深度学习 | 大型深度学习模型 | 音频 | 超过20小时的录音 |
| 6523 | 2025-06-23 |
Identifying Retinal Features Using a Self-Configuring CNN for Clinical Intervention
2025-Jun-02, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.66.6.55
PMID:40525921
|
research paper | 该研究通过引入OCTAVE数据集和自配置nnU-Net框架，展示了在视网膜疾病诊断中深度学习的应用潜力 | 提出了一个包含高质量像素级注释的3D OCT数据集OCTAVE，并利用自配置nnU-Net框架实现了跨数据集的高性能分割 | 数据集的规模可能仍然有限，且依赖于人工标注的质量 | 解决视网膜疾病诊断中缺乏标注OCT数据集的问题，推动AI诊断工具的发展 | 视网膜的解剖和病理结构 | digital pathology | 视网膜疾病 | OCT成像 | nnU-Net | 3D OCT图像 | 198个OCT体积（3762个B扫描）用于训练，221个OCT体积（4109个B扫描）用于外部验证 |
| 6524 | 2025-06-23 |
Automated assessment of simulated laparoscopic surgical skill performance using deep learning
2025-Apr-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-96336-5
PMID:40253514
|
研究论文 | 本研究利用深度学习技术自动评估模拟腹腔镜手术技能表现 | 引入了新收集的模拟腹腔镜手术性能数据集（LSPD），并采用3DCNN和弱监督方法对手术技能水平进行分类 | 数据集可能受限于模拟环境，未涉及真实手术场景 | 通过AI技术提高手术技能评估的自动化水平，减少对人工专家评估的依赖 | 模拟腹腔镜手术视频数据 | 计算机视觉 | NA | 深度学习 | 3DCNN | 视频 | 包含不同技能水平（新手、学员、专家）的手术模拟视频 |
| 6525 | 2025-06-23 |
Computational Pathology Detection of Hypoxia-Induced Morphologic Changes in Breast Cancer
2025-Apr, The American journal of pathology
DOI:10.1016/j.ajpath.2024.10.023
PMID:39732389
|
研究论文 | 本研究利用人工智能在计算病理学中的应用，评估乳腺癌中的缺氧状态 | 提出了一种基于弱监督深度学习的模型HypOxNet，能够仅通过常规H&E染色全切片图像检测缺氧相关的形态学变化 | 研究样本仅来自TCGA数据库，可能限制了模型的泛化能力 | 开发一种快速、经济有效的替代分子检测的方法，用于评估肿瘤缺氧微环境 | 乳腺癌组织 | 数字病理学 | 乳腺癌 | 弱监督深度学习 | HypOxNet | H&E染色全切片图像 | 1016例乳腺癌原发灶样本 |
| 6526 | 2025-06-22 |
Expression of Concern: Real-time recognition of spraying area for UAV sprayers using a deep learning approach
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0326610
PMID:40540481
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6527 | 2025-06-23 |
Artificial intelligence and machine learning heuristics for discovery of ncRNAs
2025, Progress in molecular biology and translational science
DOI:10.1016/bs.pmbts.2025.01.002
PMID:40543913
|
研究论文 | 本章探讨了人工智能和机器学习在预测lncRNA功能、识别疾病关联和注释蛋白质相互作用中的应用 | 详细描述了用于lncRNA结合蛋白功能注释的深度学习流程，并强调了实验验证与计算预测的整合 | 数据集准备、模型设计和可用性方面存在挑战 | 推进长链非编码RNA（lncRNA）的研究 | 长链非编码RNA（lncRNAs）及其结合蛋白（lncRBPs） | 分子生物学 | NA | 机器学习（ML）、深度学习（DL） | RNN、CNN、transformer-based模型 | NA | NA |
| 6528 | 2025-06-22 |
MBRSTCformer: a knowledge embedded local-global spatiotemporal transformer for emotion recognition
2025-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-025-10277-3
PMID:40538970
|
research paper | 提出了一种名为MBRSTCformer的知识嵌入局部-全局时空变换器，用于基于EEG的情绪识别 | 结合大脑认知机制，提出了多脑区协作网络和级联金字塔空间融合时间卷积网络，以更好地提取脑区局部特征 | NA | 开发一种鲁棒的基于EEG的情绪识别模型 | EEG信号 | machine learning | NA | EEG | transformer (MBRSTCformer), CNN | EEG信号 | 两个主流情绪识别数据集（DEAP和DREAMER） |
| 6529 | 2025-06-22 |
Artificial intelligence entering the pathology arena in oncology: current applications and future perspectives
2025-Jul, Annals of oncology : official journal of the European Society for Medical Oncology
IF:56.7Q1
DOI:10.1016/j.annonc.2025.03.006
PMID:40307127
|
review | 本文综述了人工智能在病理学和肿瘤学领域的当前应用及未来前景，特别是在癌症诊断、预后评估和治疗策略中的作用 | 探讨了AI在肿瘤病理学中的创新应用，包括自动肿瘤检测、分子生物标志物识别以及治疗反应预测，并展望了基础模型和通用模型等AI算法的未来发展 | 目前尚无基于IA或IB级别证据的AI预后或预测性生物标志物，且数据可用性、可解释性和监管问题仍是临床应用的障碍 | 评估AI在癌症病理学中的当前应用并探讨其未来发展方向 | 肿瘤诊断、分子生物标志物检测和癌症预后评估 | digital pathology | oncology | AI-based algorithms, transformer-based deep learning | foundation models, generalist models | image, multi-omics data | NA |
| 6530 | 2025-06-22 |
Automatic Multi-Task Segmentation and Vulnerability Assessment of Carotid Plaque on Contrast-Enhanced Ultrasound Images and Videos via Deep Learning
2025-Jun-20, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3581686
PMID:40540369
|
research paper | 提出一种基于深度学习的多任务模型，用于自动分割和分类颈动脉斑块在CEUS图像和视频中的IPN等级 | 开发了一个多任务深度学习模型，用于自动分割和IPN等级分类，并在CEUS图像和视频上表现优于单独训练的模型和部分放射科医生 | 未明确提及具体局限性，但可能包括模型在更广泛数据集上的泛化能力或对高级放射科医生表现的比较不足 | 提升颈动脉斑块易损性评估的自动化和准确性 | 颈动脉斑块在CEUS图像和视频中的IPN等级 | digital pathology | cardiovascular disease | contrast-enhanced ultrasound (CEUS) | multi-task deep learning model | image, video | 未明确提及具体样本数量，但涉及CEUS图像和视频 |
| 6531 | 2025-06-22 |
Accurate de novo design of high-affinity protein-binding macrocycles using deep learning
2025-Jun-20, Nature chemical biology
IF:12.9Q1
DOI:10.1038/s41589-025-01929-w
PMID:40542165
|
研究论文 | 介绍了一种基于深度学习的去噪扩散管道RFpeptides，用于设计针对特定蛋白质靶点的大环结合物 | 首次提出了一个稳健的从头设计蛋白质结合大环的方法，无需依赖大规模筛选 | 仅测试了四种蛋白质靶点，样本量相对较小 | 开发一种高效且可定制的大环肽设计方法，用于诊断和治疗应用 | 蛋白质靶点和大环结合物 | 机器学习 | NA | 深度学习 | 去噪扩散模型 | 蛋白质结构数据 | 针对四种蛋白质靶点设计了20个或更少的大环结合物 |
| 6532 | 2025-06-22 |
Deep learning-designed dynamics
2025-Jun-20, Nature chemical biology
IF:12.9Q1
DOI:10.1038/s41589-025-01963-8
PMID:40542166
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6533 | 2025-06-22 |
A primer on variational inference for physics-informed deep generative modelling
2025-Jun-19, Philosophical transactions. Series A, Mathematical, physical, and engineering sciences
DOI:10.1098/rsta.2024.0324
PMID:40534291
|
review | 本文提供了关于变分推断（VI）在物理信息深度生成建模中的技术介绍，包括其在前向和逆问题中的应用 | 统一并回顾了近期关于VI灵活性的文献，特别强调了其在物理相关问题中的不确定性量化能力 | NA | 解决基于物理的问题，特别强调不确定性量化 | 变分推断（VI）在物理信息深度生成建模中的应用 | machine learning | NA | 变分推断（VI） | deep learning | NA | NA |
| 6534 | 2025-06-20 |
Author Correction: Focal liver lesion diagnosis with deep learning and multistage CT imaging
2025-Jun-18, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-61097-2
PMID:40533457
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6535 | 2025-06-22 |
Applying a multi-task and multi-instance framework to predict axillary lymph node metastases in breast cancer
2025-Jun-18, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-025-00971-0
PMID:40533499
|
research paper | 该研究提出了一种结合多任务学习（MTL）和多实例学习（MIL）的深度学习框架，用于预测乳腺癌患者的腋窝淋巴结转移状态 | 首次将MTL和MIL框架应用于乳腺癌腋窝淋巴结转移预测，模拟真实临床诊断场景，并采用Transformer模型Segformer作为网络骨干 | 未明确说明样本选择的潜在偏差以及模型在其他癌症类型中的泛化能力 | 开发一个能够辅助临床医生评估乳腺癌患者腋窝淋巴结状态的深度学习模型 | 乳腺癌患者的超声图像（原发肿瘤和腋窝淋巴结区域） | digital pathology | breast cancer | deep learning | Segformer (Transformer-based) | ultrasound images | 训练队列和内外测试队列（具体数量未说明） |
| 6536 | 2025-06-22 |
Quality appraisal of radiomics-based studies on chondrosarcoma using METhodological RadiomICs Score (METRICS) and Radiomics Quality Score (RQS)
2025-Jun-18, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-025-02016-3
PMID:40533701
|
研究论文 | 评估基于放射组学的骨软骨肉瘤研究方法学质量，使用METRICS和RQS评分工具 | 首次使用METRICS和RQS评分工具系统评估骨软骨肉瘤放射组学研究的方法学质量 | 纳入研究均为回顾性设计，缺乏前瞻性研究和基于深度学习的分析 | 评估骨软骨肉瘤放射组学研究的质量并促进临床转化 | 骨软骨肉瘤的放射组学研究 | 数字病理 | 骨软骨肉瘤 | 放射组学分析 | NA | 医学影像（MRI、CT） | 18篇研究论文 |
| 6537 | 2025-06-22 |
A Meta-Analysis of the Diagnostic Test Accuracy of Artificial Intelligence for Predicting Emergency Department Revisits
2025-Jun-16, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-025-02210-2
PMID:40522351
|
meta-analysis | 该研究通过荟萃分析评估人工智能在预测急诊科复诊中的诊断测试准确性 | 首次通过荟萃分析量化评估AI在急诊复诊预测中的表现，并识别导致研究间异质性的协变量 | 纳入研究数量有限（20篇），且存在显著的异质性 | 评估AI预测急诊科复诊的性能并分析研究间异质性来源 | 急诊科复诊患者 | machine learning | NA | machine learning, deep learning, artificial intelligence | NA | 临床数据 | 20篇研究（包含27个AI模型） |
| 6538 | 2025-06-22 |
Advanced mastitis detection in Bos indicus cows: A deep learning approach integrated with infrared thermography
2025-Jun-12, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2025.104173
PMID:40540820
|
研究论文 | 本研究提出了一种结合红外热成像技术和深度学习算法的方法，用于检测Tharparkar牛（Bos indicus）的乳腺炎 | 首次将红外热成像技术与深度学习算法结合，用于检测Tharparkar牛的乳腺炎，特别是在不同季节下的表现 | 研究仅针对Tharparkar牛，可能不适用于其他牛种 | 开发一种非侵入性、准确的乳腺炎检测方法，以提高奶牛的健康管理和生产效率 | Tharparkar牛（Bos indicus）的乳腺炎检测 | 数字病理 | 乳腺炎 | 红外热成像技术（IRT）、加州乳腺炎测试（CMT）、体细胞计数（SCC） | CNN、ResNet-50、VGG16 | 图像 | 7223个乳腺热图，来自健康、亚临床乳腺炎（SCM）和临床乳腺炎（CM）的乳腺区域 |
| 6539 | 2025-06-22 |
Hybrid adaptive attention deep supervision-guided U-Net for breast lesion segmentation in ultrasound computed tomography images
2025-Jun-09, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03377-z
PMID:40488959
|
研究论文 | 提出了一种基于深度学习的混合自适应注意力深度监督引导U-Net网络（HAA-DSUNet），用于乳腺超声计算机断层扫描（BUCT）图像中的乳腺病变分割 | 用混合自适应注意力模块（HAAM）替代U-Net的传统采样卷积模块，以扩大感受野并探索丰富的全局特征，同时保留精细细节；应用对比损失作为深度监督以减少上采样过程中的信息损失 | NA | 开发自动化乳腺癌诊断系统，用于早期筛查乳腺病变以提高患者生存率 | 乳腺超声计算机断层扫描（BUCT）图像中的乳腺病变 | 数字病理 | 乳腺癌 | 深度学习 | HAA-DSUNet（基于U-Net的改进模型） | 图像 | 两个UCT图像数据集HCH和HCH-PHMC |
| 6540 | 2025-06-22 |
Classification of pediatric video capsule endoscopy images for small bowel abnormalities using deep learning models
2025-Jun-07, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v31.i21.107601
PMID:40538507
|
research paper | 本研究使用深度学习模型对小儿视频胶囊内窥镜图像中的小肠异常进行分类 | 开发了一种基于深度学习的诊断工具，用于自动分类小儿VCE图像中的小肠病变，提高了诊断准确性和效率 | 研究为回顾性分析，可能存在选择偏倚；样本量相对较小，仅来自单一医疗中心 | 利用深度学习模型自动分类小儿VCE图像中的小肠病变 | 162名小儿患者的2298张高分辨率VCE图像 | digital pathology | inflammatory bowel disease | video capsule endoscopy | DenseNet121, VGG-16, ResNet50, vision transformer | image | 162名儿科患者的2298张图像 |