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 19363 篇文献，本页显示第 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2025-03-05 |
Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules
2025-Mar, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250387
PMID:40035670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 82 | 2026-04-10 |
Two-Stage Deep Learning Model for Adrenal Nodule Detection on CT Images: A Retrospective Study
2025-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.231650
PMID:40035671
|
研究论文 | 本研究开发并测试了一个用于在腹部CT图像上自动检测肾上腺结节的两阶段深度学习模型，并模拟了其与人工解读结合的分诊性能 | 提出了一个针对左右肾上腺分别训练的两阶段（检测与分割）深度学习架构，并首次在大型外部数据集上模拟了模型与人工解读结合的分诊性能 | 这是一项回顾性研究，可能存在选择偏倚；模型性能在左右肾上腺结节上存在差异，分割精度有待提高 | 开发一个自动检测肾上腺结节的深度学习模型，以辅助临床分诊和管理 | 肾上腺结节 | 计算机视觉 | 肾上腺疾病 | CT成像 | 深度学习模型 | CT图像 | 内部数据集995名患者，外部测试集12080名患者，内部测试集2有1214名患者 | NA | 两阶段顺序检测与分割模型 | AUC, 交并比 | NA |
| 83 | 2026-04-10 |
A Deep Learning Model for Three-Dimensional Determination of Whole Thoracic Vertebral Bone Mineral Density from Noncontrast Chest CT: The Multi-Ethnic Study of Atherosclerosis
2025-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.242133
PMID:40067103
|
研究论文 | 本研究开发了一种基于深度学习的三维模型，用于从常规非对比胸部CT中测量整个胸椎的骨密度，并评估其在预测椎体骨折中的价值 | 首次使用TotalSegmentator（基于nnU-net的算法）在常规非对比胸部CT上实现T1-T10胸椎体的三维骨密度测量，并与二维方法比较，证明了三维测量在预测椎体骨折方面具有增量价值 | 研究为多中心前瞻性队列的二次分析，手动分割仅在一部分参与者（594人）中进行，且纵向数据仅来自1304名参与者的子集 | 确定深度学习算法能否从常规非对比胸部CT中准确测量三维胸椎骨密度，并评估其预测椎体骨折的能力 | 多民族动脉粥样硬化研究（MESA）的参与者，包括接受带和不带体模的非对比胸部CT扫描的个体 | 数字病理学 | 骨质疏松症 | 非对比胸部CT扫描 | 深度学习 | 三维医学图像（CT） | 2956名参与者（其中1546名女性，平均年龄69岁±9），纵向子集为1304名参与者 | nnU-net | TotalSegmentator（基于nnU-net） | Dice分数, 交集并集比, 标准差, 受试者工作特征曲线下面积（AUC） | NA |
| 84 | 2026-04-10 |
MRI-based Deep Learning Algorithm for Assisting Clinically Significant Prostate Cancer Detection: A Bicenter Prospective Study
2025-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.232788
PMID:40067105
|
研究论文 | 本研究是一项前瞻性双中心研究，旨在比较商用深度学习算法与放射科医生临床报告在检测临床显著性前列腺癌方面的诊断性能 | 前瞻性验证了商用深度学习算法在前列腺癌检测中的应用，并探索了将算法结果用于调节放射科医生不确定诊断（PI-RADS 3分）以提升特异性的临床场景 | 研究样本量相对有限（205名男性，259个病灶），且算法仅使用双参数MRI，未纳入所有影像序列 | 评估深度学习算法辅助检测临床显著性前列腺癌的诊断性能 | 疑似前列腺癌并计划进行活检的男性患者 | 数字病理 | 前列腺癌 | 双参数MRI | 深度学习算法 | MRI图像 | 205名男性（中位年龄68岁），共评估259个病灶，其中包含117个临床显著性前列腺癌病灶 | NA | NA | AUC, 敏感性, 特异性, 阳性预测值 | NA |
| 85 | 2026-04-10 |
Foundation Models in Radiology: What, How, Why, and Why Not
2025-02, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240597
PMID:39903075
|
综述 | 本文综述了放射学中基础模型的基本概念、训练方法、能力评估及其临床应用的潜力与挑战 | 系统性地阐述了放射学领域基础模型的训练数据需求、模型训练范式、能力评估策略，并强调了安全与负责任训练的重要性 | 作为一篇综述文章，未提出新的实验模型或数据，主要基于现有文献进行总结与讨论 | 解释放射学中基础模型的基本概念，并探讨其训练、评估及临床应用的路径 | 放射学领域的基础模型及其在临床实践中的应用 | 机器学习 | NA | NA | 基础模型 | 文本与影像数据 | NA | NA | NA | NA | NA |
| 86 | 2026-04-10 |
Arthroscopy-validated Diagnostic Performance of 7-Minute Five-Sequence Deep Learning Super-Resolution 3-T Shoulder MRI
2025-02, Radiology
IF:12.1Q1
DOI:10.1148/radiol.241351
PMID:39964264
|
研究论文 | 本研究验证了7分钟并行成像加速的深度学习超分辨率3-T肩关节MRI在诊断肩部病变中的临床效能 | 首次通过关节镜检查验证了快速深度学习超分辨率肩关节MRI的诊断性能，实现了7分钟扫描时间 | 回顾性研究设计，样本量相对较小（121名成人），部分病变（如软骨缺损）的诊断准确性较低 | 验证加速深度学习超分辨率肩关节MRI对肩部病变的诊断准确性 | 患有疼痛性肩部疾病的成人患者 | 数字病理学 | 肩部疾病 | 并行成像加速的深度学习超分辨率MRI | 深度学习模型 | MRI图像 | 121名成人（平均年龄55岁±14，75名男性） | NA | 超分辨率网络 | 敏感性, 特异性, 准确性, AUC | 3-T MRI扫描仪 |
| 87 | 2026-04-10 |
Association of Epicardial Adipose Tissue Changes on Serial Chest CT Scans with Mortality: Insights from the National Lung Screening Trial
2025-02, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240473
PMID:39964263
|
研究论文 | 本研究利用深度学习算法分析国家肺癌筛查试验中连续低剂量CT扫描的心外膜脂肪组织变化，并探讨其与全因、心血管及肺癌死亡率的关联 | 首次在大型肺癌筛查队列中，利用自动化深度学习算法量化连续CT扫描的心外膜脂肪组织体积与密度变化，并建立其与长期死亡率的新型关联 | 研究为二次分析，可能存在未测量的混杂因素；心外膜脂肪组织的测量依赖自动化算法，可能受CT扫描参数影响 | 探究连续低剂量CT扫描中心外膜脂肪组织变化与死亡率之间的关联 | 国家肺癌筛查试验中接受连续低剂量CT肺癌筛查的参与者 | 数字病理学 | 肺癌, 心血管疾病 | 低剂量CT扫描, 深度学习算法 | 深度学习 | CT图像 | 20661名参与者（平均年龄61.4岁，男性12237名） | NA | NA | 风险比, 置信区间 | NA |
| 88 | 2026-04-10 |
Automated CT Measurement of Total Kidney Volume for Predicting Renal Function Decline after 177Lu Prostate-specific Membrane Antigen-I&T Radioligand Therapy
2025-02, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240427
PMID:39998377
|
研究论文 | 本研究利用基于深度学习的自动化工具从CT图像中测量总肾脏体积，以预测接受177Lu-PSMA-I&T放射性配体治疗的转移性去势抵抗性前列腺癌患者的肾功能下降 | 首次将基于nnU-Net框架的深度学习分割模型TotalSegmentator用于自动化测量总肾脏体积，并证明其在预测放射性配体治疗后肾功能下降方面优于其他基线风险因素和早期eGFR变化 | 这是一项回顾性研究，样本量相对较小（121名患者），且仅针对接受特定治疗（至少四个周期Lu-PSMA-I&T）的患者，结果可能无法推广到其他治疗或早期患者 | 识别接受Lu-PSMA-I&T放射性配体治疗的转移性去势抵抗性前列腺癌患者发生临床显著肾功能恶化的预测标志物 | 接受至少四个周期177Lu-PSMA-I&T放射性配体治疗的转移性去势抵抗性前列腺癌患者 | 数字病理学 | 前列腺癌 | CT成像，放射性配体治疗（177Lu-PSMA-I&T） | 深度学习分割模型 | CT图像 | 121名患者（平均年龄76岁±7岁） | nnU-Net | TotalSegmentator（基于nnU-Net框架） | 受试者工作特征曲线下面积，Youden指数 | NA |
| 89 | 2026-04-10 |
A novel approach in cancer diagnosis: integrating holography microscopic medical imaging and deep learning techniques-challenges and future trends
2025-Jan-29, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ad9eb7
PMID:39671712
|
综述 | 本文探讨了将全息显微医学成像与深度学习技术相结合用于癌症诊断的新方法，分析了其优势、挑战及未来趋势 | 提出了一种结合定量相位成像（QPI）与深度学习（如U-Net和Vision Transformer）的集成方法，以捕获传统成像技术无法提供的详细结构（相位）信息，从而提高癌症诊断的准确性 | 文中未明确提及具体实验数据或样本量，主要基于文献综述和分析，因此缺乏实证研究的局限性讨论 | 研究旨在通过整合全息显微相位成像和深度学习技术，改进癌症诊断的准确性和全面性 | 癌症诊断中的生物结构成像，特别是通过全息显微技术捕获的振幅和相位细节 | 数字病理学 | 癌症 | 全息显微医学成像，定量相位成像（QPI） | 深度学习模型，包括U-Net和Vision Transformer（ViT） | 全息显微图像 | NA | NA | U-Net, Vision Transformer（ViT） | NA | NA |
| 90 | 2026-04-10 |
Deep Learning to Simulate Contrast-Enhanced MRI for Evaluating Suspected Prostate Cancer
2025-01, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240238
PMID:39807983
|
研究论文 | 本研究评估了使用深度学习从非对比MRI序列生成模拟对比增强MRI的可行性，并探讨其在评估临床显著前列腺癌中的潜在价值 | 首次利用pix2pix算法从四种非对比MRI序列合成对比增强MRI，以减少对比剂使用的潜在风险 | 研究为回顾性设计，且模拟图像与真实图像的相似度在外部测试集上有所下降 | 评估深度学习生成模拟对比增强MRI的可行性及其在前列腺癌PI-RADS评分中的应用价值 | 疑似前列腺癌的男性患者 | 数字病理学 | 前列腺癌 | 多参数MRI，包括T1加权成像、T2加权成像、扩散加权成像和表观扩散系数图 | GAN | MRI图像 | 567名男性患者（平均年龄66岁±11），分为训练测试集（244例）、内部测试集（104例）、外部测试集1（143例）和外部测试集2（76例） | NA | pix2pix | 多尺度结构相似性指数，Cohen κ | NA |
| 91 | 2026-04-10 |
Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT
2025-01, Radiology
IF:12.1Q1
DOI:10.1148/radiol.233029
PMID:39835976
|
研究论文 | 本研究开发并评估了一种基于集成深度学习的模型，用于自动化检测和分割CT扫描中的肺部肿瘤 | 采用3D U-Net集成方法，平衡了体积上下文与分辨率，并展示了模型在外部站点上的泛化能力 | 研究为回顾性设计，可能受限于数据集的特定来源和时间范围 | 开发自动化工具以辅助肺部肿瘤的检测和分割，减少人工标注的负担和变异性 | CT模拟扫描图像及临床肺部肿瘤分割标注 | 计算机视觉 | 肺癌 | CT扫描 | 深度学习 | 图像 | 训练集：1,504个CT扫描；测试集：150个CT扫描（其中100个为单肿瘤子集） | NA | 3D U-Net | 灵敏度, 特异度, 假阳性率, Dice相似系数 | NA |
| 92 | 2025-01-29 |
Deep Learning MRI Reconstruction Delivers Superior Resolution and Improved Diagnostics
2025-Jan, Radiology
IF:12.1Q1
DOI:10.1148/radiol.242952
PMID:39873600
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 93 | 2026-04-10 |
Deep Learning Superresolution for Simultaneous Multislice Parallel Imaging-Accelerated Knee MRI Using Arthroscopy Validation
2025-01, Radiology
IF:12.1Q1
DOI:10.1148/radiol.241249
PMID:39873603
|
研究论文 | 本研究通过关节镜验证，评估了深度学习超分辨率技术在膝关节MRI中的诊断性能 | 首次使用关节镜作为独立参考标准，验证了深度学习超分辨率技术在加速膝关节MRI中的诊断性能 | 研究样本量相对较小（116名成人），且仅针对膝关节特定病变进行评估 | 验证深度学习超分辨率MRI在膝关节病变诊断中的性能 | 患有膝关节疼痛的成人患者 | 医学影像分析 | 膝关节疾病 | 深度学习超分辨率, 同时多层并行成像加速MRI | 深度学习模型 | MRI图像 | 116名成人（平均年龄45岁，74名男性） | NA | NA | AUC, Cohen κ, Gwet AC2, Likert评分 | 3 T MRI扫描仪 |
| 94 | 2026-04-10 |
RETRACTED: Fast fault diagnosis of smart grid equipment based on deep neural network model based on knowledge graph
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0315143
PMID:39951439
|
研究论文 | 本文提出了一种基于知识图谱和YOLOv4目标检测算法的智能电网设备故障诊断模型，旨在提高诊断准确性和效率 | 创新性地将YOLOv4目标检测算法与知识图谱结合，统一多模态信息的表征和存储，以提升智能电网设备故障诊断的准确性和速度 | 未在摘要中明确提及具体限制，如模型泛化能力、数据多样性或实际部署挑战 | 开发一种更准确、快速且易于操作的智能电网设备故障诊断技术，以解决现有技术中应用复杂和诊断率低的问题 | 智能电网设备及其故障诊断 | 机器学习 | NA | 深度学习多模态语义模型和知识图谱 | CNN | 多模态信息（可能包括图像、文本等） | NA | NA | YOLOv4 | 准确性、速度、易操作性 | NA |
| 95 | 2026-04-10 |
RETRACTED: Optimizing chemotherapeutic targets in non-small cell lung cancer with transfer learning for precision medicine
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319499
PMID:40299923
|
研究论文 | 本文提出了一种结合混合UNet Transformer、改进Rime优化算法和深度迁移学习的药物发现模型，用于识别非小细胞肺癌的化疗靶点 | 提出了一种混合UNet Transformer架构用于从药物和蛋白质序列中提取深度特征，并引入了改进的Rime优化算法进行特征选择，同时设计了深度迁移学习模型以提高药物发现的准确性 | 未提及模型在临床实际应用中的验证情况，也未讨论模型对不同患者亚群的泛化能力 | 优化非小细胞肺癌的化疗靶点识别，推动精准医疗发展 | 非小细胞肺癌患者的药物靶点 | 机器学习 | 肺癌 | 特征提取，迁移学习 | Transformer, UNet, LSTM | 序列数据（药物序列和蛋白质序列） | 使用了Davis、KIBA和Binding-DB三个基准数据集，具体样本数量未明确说明 | NA | 混合UNet Transformer, DTransL | 准确率 | NA |
| 96 | 2026-04-10 |
RETRACTED: TGEL-transformer: Fusing educational theories with deep learning for interpretable student performance prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327481
PMID:40587446
|
研究论文 | 本研究提出了一个融合教育理论与深度学习的TGEL-Transformer框架，用于可解释的学生成绩预测 | 提出了理论指导的TGEL-Transformer框架，首次将多元智能理论和社会认知理论融入深度学习模型，设计了双通道特征处理模块、理论指导的四头注意力机制和可解释预测层 | 未在摘要中明确说明 | 解决传统教育数据挖掘方法难以整合异构特征数据、现有深度学习模型缺乏教育理论指导且可解释性不足的问题 | 学生 | 教育数据挖掘 | NA | 深度学习 | Transformer | 异构特征数据（认知、情感、环境维度） | 6,608名学生（主要数据集），480名跨文化数据（外部验证） | 未在摘要中明确说明 | TGEL-Transformer（Theory-Guided Educational Learning Transformer） | RMSE, R2 | 未在摘要中明确说明 |
| 97 | 2026-04-10 |
Artificial intelligence in breast ultrasound: a systematic review of research advances
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1619364
PMID:41098709
|
综述 | 本研究通过文献计量可视化分析，总结了人工智能集成超声技术在乳腺癌领域的研究进展、热点、趋势及国际合作模式 | 首次对2004-2025年间人工智能在乳腺超声领域的文献进行系统性文献计量与可视化分析，揭示了该领域的发展轨迹、核心研究力量及新兴主题 | 分析仅基于Web of Science核心合集数据库，可能未涵盖所有相关文献；研究结果存在地域性差异，全球合作仍需加强 | 总结人工智能在乳腺超声领域的研究进展，为临床诊断和治疗决策提供参考 | 2004-2025年间发表的关于人工智能集成超声技术用于乳腺癌的相关学术文献 | 医学影像分析 | 乳腺癌 | 文献计量分析，可视化分析 | NA | 文献元数据（发表量、引用、合作网络、关键词等） | 1876篇纳入分析的学术文章 | VOSviewer, CiteSpace, Microsoft Excel | NA | 发表数量，总引用次数，关键词聚类，突现检测 | NA |
| 98 | 2026-04-07 |
Dosiomics-guided deep learning for radiation esophagitis prediction in lung cancer: optimal region of interest definition via multi-branch fusion auxiliary learning
2025-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2025.111121
PMID:40921328
|
研究论文 | 本研究开发了一种结合剂量组学和深度学习的模型，通过多任务辅助学习自动定义感兴趣区域，用于预测肺癌患者放疗后≥2级放射性食管炎 | 提出了一种剂量组学引导的深度学习网络，利用多任务辅助学习基于辐射剂量分布图像自动定义准确且客观的感兴趣区域，并结合对比学习和辅助分割模块 | 研究为回顾性设计，可能受到选择偏倚的影响，且外部验证集样本量相对较小 | 开发一个预测模型，用于准确预测肺癌患者接受放疗后发生≥2级放射性食管炎的风险 | 接受放疗的肺癌患者 | 数字病理学 | 肺癌 | 剂量组学特征提取，深度学习 | CNN | 辐射剂量分布图像 | 488名患者（训练集235例，内部验证集101例，外部验证集1为57例，外部验证集2为95例） | PyTorch | ResNet34 | AUC | NA |
| 99 | 2026-04-07 |
Training bias and sequence alignments shape protein-peptide docking by AlphaFold and related methods
2025-Nov, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70331
PMID:41084281
|
研究论文 | 本研究评估了AlphaFold2-Multimer、AlphaFold3、Boltz-1和Chai-1等深度学习模型在预测蛋白质-肽复合物结构时的性能，并分析了其训练偏差和对序列比对信息的利用方式 | 首次系统比较了四种主流深度学习模型在蛋白质-肽对接任务中的表现，揭示了模型对训练数据中已见结构的偏好性，并深入探究了蛋白质和肽段多重序列比对（MSA）对预测准确性的贡献 | 研究基于实验解析的结构数据集，可能无法完全覆盖所有新型蛋白质或结合位点；肽段序列的MSA通常较浅或质量较差，可能影响模型性能评估 | 评估深度学习模型预测蛋白质-肽复合物结构的性能，并理解其工作原理和局限性 | 蛋白质-肽相互作用复合物 | 计算生物学, 结构生物信息学 | NA | 多重序列比对（MSA）, 深度学习结构预测 | 深度学习模型 | 蛋白质三维结构数据, 序列比对数据 | NA | NA | NA | NA | NA |
| 100 | 2026-04-07 |
Deep learning for automatic vertebra analysis: A methodological survey of recent advances
2025-Oct, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
综述 | 本文对近年来基于深度学习的自动椎体分析方法进行了系统性综述，总结了网络架构改进和学习策略设计方面的进展 | 作为该领域最新的综述，全面整合了公开数据集和评估指标，并分析了多模态学习、领域泛化及基础模型集成等未来研究方向 | NA | 系统总结自动椎体分析领域的最新进展，指导未来研究开发鲁棒、可泛化且临床可部署的系统 | 椎体检测与分割方法 | 计算机视觉 | 脊柱相关疾病 | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |