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 18957 篇文献，本页显示第 10841 - 10860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10841 | 2025-10-06 |
Learning Dynamic Prompts for All-in-One Image Restoration
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3567205
PMID:40354220
|
研究论文 | 提出一种用于一体化图像复原的动态提示方法DPPD，通过解耦退化先验提取为两个新组件来提升多种退化类型的处理能力 | 首次将动态提示机制引入一体化图像复原，通过退化原型分配和提示分布学习实现自适应提示采样，突破传统静态提示的局限性 | 未明确说明计算复杂度增加程度及对实时应用的影响 | 开发能够处理多种退化类型的统一图像复原模型 | 遭受多种退化（如噪声、模糊等）的图像数据 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | NA | PyTorch | DPPD（包含DPA和PDL组件） | 峰值信噪比，结构相似性 | NA |
| 10842 | 2025-10-06 |
MRI-based 2.5D deep learning radiomics nomogram for the differentiation of benign versus malignant vertebral compression fractures
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1603672
PMID:40438697
|
研究论文 | 开发并验证基于MRI的列线图，结合临床和深度学习放射组学特征用于区分良性与恶性椎体压缩性骨折 | 提出新型2.5D深度学习框架和综合特征融合策略，将手工放射组学特征、深度学习特征与临床数据整合到列线图中 | 回顾性研究设计，样本量相对有限（234例患者） | 区分良性与恶性椎体压缩性骨折 | 椎体压缩性骨折患者 | 数字病理 | 椎体压缩性骨折 | MRI | 深度学习, 机器学习 | 医学影像 | 234例VCF患者，按7:3比例随机分为训练集和测试集 | NA | ResNet50 | AUC | NA |
| 10843 | 2025-10-06 |
LSTA-CNN: A Lightweight Spatiotemporal Attention-Based Convolutional Neural Network for ASD Diagnosis Using EEG
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3580593
PMID:40526541
|
研究论文 | 提出一种基于轻量级时空注意力的卷积神经网络LSTA-CNN，用于通过脑电图诊断自闭症谱系障碍 | 提出新型时空注意力机制，能联合整合时域和空域特征；采用多尺度时空卷积层同时学习多样化表征；模型参数少且推理时间短 | 仅使用自收集的73名儿童脑电图数据，样本规模有限 | 开发轻量级深度学习模型用于自闭症谱系障碍的脑电图诊断 | 41名自闭症儿童和32名正常对照儿童的脑电图记录 | 机器学习 | 自闭症谱系障碍 | 脑电图 | CNN | 脑电图信号 | 73名儿童（41名自闭症患者，32名正常对照） | NA | LSTA-CNN | 分类性能，参数数量，推理时间 | NA |
| 10844 | 2025-10-06 |
Scalable Coding for High-Resolution, High-Compression Ratio Snapshot Compressive Video
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3579208
PMID:40536862
|
研究论文 | 提出一种可扩展编码孔径方法，用于实现高分辨率、高压缩比的快照压缩视频 | 利用时分复用技术设计通用可扩展编码孔径方法，实现前所未有的时空可扩展性，提供实时高压缩比且计算负担和内存需求极低 | NA | 解决高速相机在存储、带宽和成本方面的挑战，提升快照压缩视频的时空分辨率可扩展性 | 动态场景的快照压缩视频 | 计算机视觉 | NA | 压缩感知，时分复用 | 深度学习算法 | 视频，图像 | 512帧2K×2K分辨率视频压缩为单个快照 | NA | NA | PSNR | NA |
| 10845 | 2025-10-06 |
High-precision deformation monitoring and intelligent early warning for wellbore based on BDS/GNSS
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325913
PMID:40549791
|
研究论文 | 本研究基于BDS/GNSS系统开发了井筒高精度变形监测与智能预警方法 | 采用改进的MLAMBDA算法进行高频动态计算，并首次将Bi-LSTM深度学习算法应用于井筒变形预警 | 基线长度增加会导致监测精度下降，在6公里范围内验证有效 | 实现井筒变形的高精度监测和智能预警 | 受周边采矿作业影响的井筒变形 | 机器学习 | NA | BDS/GNSS观测，双差模型 | Bi-LSTM | 卫星观测时间序列数据 | NA | NA | Bi-LSTM | 监测精度（E,N,U方向），预测精度 | NA |
| 10846 | 2025-10-06 |
Assessing risk of groundwater pollution exposure from sea level rise in California
2025-Aug-10, The Science of the total environment
DOI:10.1016/j.scitotenv.2025.179695
PMID:40513440
|
研究论文 | 利用深度学习和可解释人工智能评估加利福尼亚州海平面上升导致的地下水污染暴露风险 | 首次结合深度学习与可解释人工智能(XAI)评估海平面上升引发的地下水污染暴露风险，并识别关键风险预测因子 | 空间自相关性导致模型泛化能力受限，仅空间交叉验证模型适用于其他沿海地区的无偏风险评估 | 评估海平面上升引起的地下水污染暴露风险 | 加利福尼亚州沿海含水层和2296个危险场地 | 环境科学, 机器学习 | NA | 深度学习, 可解释人工智能(XAI), 地球化学指数算法 | 深度学习模型 | 地下水数据, 社会经济数据, 人口统计数据, 环境数据 | 2296个危险场地, 覆盖加利福尼亚州全境 | NA | NA | 空间交叉验证, 随机交叉验证 | NA |
| 10847 | 2025-10-06 |
Prediction of B/T Subtype and ETV6-RUNX1 Translocation in Pediatric Acute Lymphoblastic Leukemia by Deep Learning Analysis of Giemsa-Stained Whole Slide Images of Bone Marrow Aspirates
2025-Aug, Pediatric blood & cancer
IF:2.4Q1
DOI:10.1002/pbc.31797
PMID:40399768
|
研究论文 | 开发深度学习模型通过分析吉姆萨染色骨髓涂片全玻片图像预测儿童急性淋巴细胞白血病的B/T亚型和ETV6-RUNX1易位 | 首次使用深度学习分析常规吉姆萨染色骨髓涂片图像预测白血病分子亚型，为资源有限地区提供替代诊断方案 | 外部验证队列性能相对较低（AUC 0.72和0.69），需要进一步优化模型泛化能力 | 开发基于深度学习的儿童急性淋巴细胞白血病诊断和分型工具 | 儿童急性淋巴细胞白血病患者的骨髓涂片样本 | 数字病理学 | 急性淋巴细胞白血病 | 吉姆萨染色，全玻片图像扫描 | CNN | 图像 | 未明确具体样本数量，包含内部训练集和外部验证队列 | NA | NA | AUC | NA |
| 10848 | 2025-10-06 |
Assessment of image quality on the diagnostic performance of clinicians and deep learning models: Cross-sectional comparative reader study
2025-Jul, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20462
PMID:39655640
|
研究论文 | 本研究比较了不同图像质量对皮肤科医生和深度学习模型诊断皮肤病变性能的影响 | 首次系统评估HDR增强图像质量对临床医生和CNN模型诊断性能的交叉比较研究 | 样本量相对有限（303张图像，101个皮肤病变），仅使用单一CNN模型架构 | 探究不同图像质量（包括HDR增强图像）对皮肤病变诊断性能的影响 | 皮肤病变图像和皮肤科医生诊断能力 | 计算机视觉 | 皮肤癌 | 皮肤镜检查，HDR图像增强 | CNN | 图像 | 303张图像，包含101个皮肤病变 | NA | NA | 灵敏度，特异度，准确率 | NA |
| 10849 | 2025-10-06 |
Quantitative Ischemic Lesions of Portable Low-Field Strength MRI Using Deep Learning-Based Super-Resolution
2025-Jul, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.124.050540
PMID:40235448
|
研究论文 | 本研究评估深度学习超分辨率技术提升便携式低场强MRI在缺血性病灶定量分析中的诊断性能 | 首次将基于SCUNet架构的深度学习超分辨率技术应用于便携式低场强MRI，显著提升缺血性病灶的定量检测性能 | 回顾性研究设计，样本量有限（282例），需进一步前瞻性验证 | 评估合成超分辨率MRI技术对低场强MRI诊断缺血性病灶性能的改善效果 | 178名卒中患者和104名健康对照者 | 医学影像分析 | 缺血性脑卒中 | 磁共振成像，深度学习超分辨率 | 深度学习 | 磁共振图像 | 282例（178患者+104对照） | NA | SCUNet（Swin-Conv-UNet） | 灵敏度，特异性，组内相关系数，Pearson相关系数 | NA |
| 10850 | 2025-10-06 |
Deep Learning Based on Ultrasound Images Differentiates Parotid Gland Pleomorphic Adenomas and Warthin Tumors
2025-Jul, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346251319410
PMID:40156239
|
研究论文 | 本研究基于超声图像开发深度学习模型，用于自动区分腮腺多形性腺瘤和沃辛瘤 | 首次将多种CNN模型应用于腮腺肿瘤的超声图像分类，并与不同经验水平的超声医师进行诊断性能比较 | 回顾性研究设计，样本量相对有限（91例患者），仅包含两种腮腺肿瘤类型 | 开发基于超声图像的自动诊断模型，提高腮腺肿瘤诊断准确性和一致性 | 腮腺多形性腺瘤和沃辛瘤患者 | 计算机视觉 | 腮腺肿瘤 | 超声成像 | CNN | 图像 | 91例患者，526张超声图像 | NA | ResNet18, MobileNetV3Small, InceptionV3 | 准确率, AUC, 灵敏度, 特异性, 阳性预测值, 阴性预测值, Kappa值 | NA |
| 10851 | 2025-10-06 |
Deep Learning Model for Real-Time Nuchal Translucency Assessment at Prenatal US
2025-Jul, Radiology. Artificial intelligence
DOI:10.1148/ryai.240498
PMID:40304583
|
研究论文 | 开发并评估用于产前超声检查中实时颈项透明层平面识别和测量的人工智能模型 | 开发了首个用于实时颈项透明层评估的AI模型，实现了与放射科医生工作流程的高度一致性 | 回顾性多中心研究，可能存在选择偏倚 | 开发AI模型用于产前超声颈项透明层自动评估 | 胎儿颈项透明层 | 计算机视觉 | 产前筛查 | 超声成像 | CNN | 图像,视频 | 内部数据集3153个胎儿的3959张NT图像，外部数据集267个胎儿的267个超声视频 | NA | NA | AUC,准确率,平均绝对误差 | NA |
| 10852 | 2025-10-06 |
Automatic Detection of B-Lines in Lung Ultrasound Based on the Evaluation of Multiple Characteristic Parameters Using Raw RF Data
2025-Jul, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346251330111
PMID:40539654
|
研究论文 | 提出一种基于射频信号和多特征参数评估的肺超声B线垂直伪影自动识别方法 | 通过分析扫描线而非完整图像，结合多种特征参数和非线性SVM分类器，显著降低了对大型图像数据集的依赖 | 方法在多种实验条件下进行了验证，但未提及临床验证的规模和多样性 | 开发自动识别肺超声中B线伪影的方法以提高诊断准确性 | 肺超声中的B线区域识别 | 医学影像分析 | 肺部疾病 | 射频信号分析，超声成像 | SVM | 射频信号，超声扫描线 | 包含滴水海绵模型、含玻璃珠或明胶液滴的明胶体模以及体内实验 | NA | 非线性支持向量机 | 准确率，灵敏度，特异性，F1分数 | 处理速度27,000-33,000扫描线/秒，帧率超过100 FPS |
| 10853 | 2025-10-06 |
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影像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人群中结合深度学习提取的CT特征和多种机器学习算法预测PGD | 样本量相对有限（92例患者），且为单中心回顾性研究 | 预测系统性硬化症患者肺移植后的原发性移功能障碍 | 92例接受双侧肺移植的系统性硬化症患者 | 医学影像分析 | 系统性硬化症 | CT影像分析，深度学习 | 逻辑回归，SVM，随机森林，MLP | CT影像，临床数据 | 92例系统性硬化症肺移植患者 | NA | 多层感知器 | AUROC | NA |
| 10854 | 2025-10-06 |
Application Value of Deep Learning-Based AI Model in the Classification of Breast Nodules
2025-Jun-25, British journal of hospital medicine (London, England : 2005)
DOI:10.12968/hmed.2025.0078
PMID:40554435
|
研究论文 | 本研究开发了基于深度学习的AI模型，用于辅助超声医师进行乳腺结节的BI-RADS分类 | 利用卷积神经网络构建AI模型提升乳腺结节分类准确性，并验证其临床辅助诊断价值 | 回顾性研究设计，样本仅来自单一医疗中心 | 评估基于深度学习的AI模型在乳腺结节分类中的临床应用价值 | 558例经病理证实的BI-RADS 3-5类乳腺结节患者 | 计算机视觉 | 乳腺癌 | 超声检查 | CNN | 超声图像 | 558例患者共1026个乳腺结节（765个良性，261个恶性） | NA | 卷积神经网络 | 灵敏度, 特异度, 准确率, ROC曲线, Cohen's加权Kappa系数 | NA |
| 10855 | 2025-06-26 |
Letter by Sacoransky Regarding Article, "Deep Learning-Derived Cardiac Chamber Volumes and Mass From PET/CT Attenuation Scans: Associations With Myocardial Flow Reserve and Heart Failure"
2025-Jun-25, Circulation. Cardiovascular imaging
DOI:10.1161/CIRCIMAGING.125.018652
PMID:40557525
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10856 | 2025-10-06 |
Regional free-water diffusion is more strongly related to neuroinflammation than neurodegeneration
2025-Jun-25, Journal of neurology
IF:4.8Q1
DOI:10.1007/s00415-025-13201-1
PMID:40560468
|
研究论文 | 本研究通过扩散MRI数据分析，发现区域自由水扩散与神经炎症的生物标志物GFAP关联性更强于神经退行性生物标志物NfL | 首次系统比较自由水扩散对神经炎症和神经退行性病变生物标志物的预测能力，提出自由水扩散作为神经炎症非侵入性影像学生物标志物 | 研究样本来自单一队列，需要外部验证；横断面设计无法确定因果关系 | 评估自由水扩散作为神经炎症非侵入性生物标志物的有效性 | 367名神经退行性疾病患者（阿尔茨海默病/轻度认知障碍、额颞叶痴呆、肌萎缩侧索硬化、帕金森病、血管性认知障碍） | 医学影像分析 | 神经退行性疾病 | 扩散MRI，血浆生物标志物检测 | 深度学习 | 医学影像，生物流体数据 | 367名患者 | NA | NA | 预测性能 | NA |
| 10857 | 2025-10-06 |
Deep learning classification of drug-related problems from pharmaceutical interventions issued by hospital clinical pharmacists during medication prescription review: a large-scale descriptive retrospective study in a French university hospital
2025-Jun-24, European journal of hospital pharmacy : science and practice
IF:1.6Q3
DOI:10.1136/ejhpharm-2024-004139
PMID:39122480
|
研究论文 | 本研究利用深度学习模型对医院临床药师在处方审核中提出的药物相关问题进行自动分类和大规模回顾性分析 | 开发了新的深度神经网络分类器来自动识别药物相关问题，并在法国大学医院进行了为期3年的大规模回顾性分析 | 研究为回顾性设计，数据来源于单一医院系统 | 利用深度学习技术自动分类药物相关问题并分析其分布特征 | 医院临床药师在处方审核中提出的药物干预措施 | 自然语言处理 | NA | 深度学习 | 深度神经网络 | 文本数据（药物干预记录） | 2,930,656条处方记录，涉及119,689名患者，其中48,202名患者（40.2%）发生了153,335次药物干预 | Python 3.8, Keras | 深度神经网络 | NA | NA |
| 10858 | 2025-10-06 |
High-Precision Intelligent Diagnosis of Pancreatic Cancer: Flowing Diffuseness from Single to Whole
2025-Jun-24, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c00465
PMID:40296678
|
研究论文 | 提出一种基于线扫描拉曼光谱和深度学习的智能诊断方法LRSHA，用于快速准确的胰腺癌组织诊断 | 首次将线扫描技术用于拉曼光谱快速采集，并通过谱循环图变换将1D光谱转为2D编码图，结合邻域增强方法显著提升诊断准确率 | NA | 开发快速高效的胰腺癌组织智能诊断方法 | 胰腺癌组织样本 | 医学影像分析 | 胰腺癌 | 拉曼光谱，线扫描技术 | 深度学习 | 光谱数据，图像数据 | NA | NA | NA | 准确率 | NA |
| 10859 | 2025-10-06 |
Ultrasound Displacement Tracking Techniques for Post-Stroke Myofascial Shear Strain Quantification
2025-Jun-24, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3582275
PMID:40553666
|
研究论文 | 评估四种超声位移跟踪技术在卒中后肌筋膜剪切应变量化中的可靠性 | 提出新的临床假说——卒中患侧（麻痹侧）肩部肌筋膜剪切应变低于健侧，并首次系统比较四种位移估计算法在该假说下的性能 | L1-SOUL-Search算法运行速度较慢，样本量较小（仅10名参与者） | 评估不同超声位移跟踪技术对肌筋膜剪切应变估计可靠性的影响 | 卒中后肌筋膜肩痛的十名研究参与者 | 医学影像分析 | 卒中后遗症 | 超声位移跟踪，T1ρ磁共振成像 | NA | 超声影像，磁共振影像 | 10名卒中后肌筋膜肩痛患者 | NA | NA | 位移梯度均值与方差，边缘清晰度 | NA |
| 10860 | 2025-06-26 |
Author Correction: Detection of cotton crops diseases using customized deep learning model
2025-Jun-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-07853-2
PMID:40555723
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |