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 19716 篇文献，本页显示第 1141 - 1160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1141 | 2025-12-26 |
Artificial Intelligence-Driven Detection of Large Vessel Occlusions on NCCT: A Multi-Institutional Study
2025-Dec-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8923
PMID:41067911
|
研究论文 | 本研究评估了一种名为“Triage Stroke”的深度学习算法在非增强CT上检测前循环大血管闭塞的性能 | 首次在多机构研究中评估了AI软件在NCCT上检测LVO的性能，并与放射科医师进行了前瞻性比较，同时探索了结合NIHSS评分对模型性能的优化 | 研究仅针对前循环LVO，样本量相对有限（612例），且仅在美国的3个卒中中心进行 | 评估深度学习算法在非增强CT上识别急性缺血性卒中患者前循环大血管闭塞的预测能力 | 疑似急性缺血性卒中的患者 | 数字病理学 | 心血管疾病 | 非增强CT，CTA | 深度学习算法 | 医学影像 | 612名来自3个美国综合性卒中中心的疑似急性缺血性卒中患者 | NA | Triage Stroke (Brainomix 360) | 灵敏度, 特异度, 阳性预测值, 阴性预测值, AUC | NA |
| 1142 | 2025-12-26 |
Connectome of a human foveal retina
2025-Dec-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.05.647403
PMID:40799563
|
研究论文 | 本文利用基于深度学习的分割方法，分析了人类中央凹视网膜的细胞和突触连接，构建了完整的连接组，揭示了人类视觉系统的独特特征 | 首次通过深度学习分割技术获取人类中央凹视网膜的完整连接组，发现了非人类灵长类中不存在的突触通路，可能参与人类色觉，并提出了基于电突触的生物物理模型 | 研究仅基于一个人类中央凹视网膜样本，可能无法完全代表个体差异或更广泛的视网膜区域 | 构建人类中央凹视网膜的连接组，以理解其细胞类型、突触通路和视觉信息处理机制 | 人类中央凹视网膜的细胞、突触连接和视觉通路 | 数字病理学 | NA | 基于深度学习的分割技术 | 深度学习模型 | 图像数据（视网膜细胞和突触的显微图像） | 一个人类中央凹视网膜样本 | NA | NA | NA | NA |
| 1143 | 2025-12-26 |
Deep Learning Detection of Retinitis Pigmentosa Inheritance Forms through Synthetic Data Expansion of a Rare Disease Dataset
2025-Dec-02, Research square
DOI:10.21203/rs.3.rs-8002154/v1
PMID:41377980
|
研究论文 | 本研究提出了一种基于Vision Transformer的深度学习模型，通过合成数据扩展策略，利用彩色眼底摄影自动区分视网膜色素变性的常染色体和X连锁遗传模式 | 首次将Vision Transformer模型应用于视网膜色素变性遗传模式的自动分类，并引入基于变分自编码器的创新数据扩展策略以解决罕见疾病数据稀缺问题 | 研究聚焦于视网膜色素变性，可能无法直接推广到其他遗传性视网膜疾病；数据量虽经扩展但仍相对有限 | 开发一种基于深度学习的方法，用于自动推断遗传性视网膜疾病的遗传模式，以辅助诊断和遗传咨询 | 视网膜色素变性患者的彩色眼底图像 | 计算机视觉 | 视网膜色素变性 | 彩色眼底摄影 | Vision Transformer | 图像 | NA | NA | Vision Transformer | AUC | NA |
| 1144 | 2024-08-07 |
Deep learning-assisted approaches in screening of marine natural products for acetylcholinesterase inhibition activity
2025-Dec, Natural product research
IF:1.9Q3
DOI:10.1080/14786419.2024.2383992
PMID:39075812
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1145 | 2025-11-14 |
Response to correspondence on 'Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings'
2025-Dec, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2025.105881
PMID:41223632
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1146 | 2025-12-26 |
Diagnostic Accuracy of Artificial Intelligence Models for Predicting Postoperative Complications Following Free Flap Reconstruction: A Systematic Review and Meta-Analysis
2025-Dec, Microsurgery
IF:1.5Q3
DOI:10.1002/micr.70143
PMID:41231400
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了人工智能模型在预测游离皮瓣重建术后并发症方面的诊断准确性 | 首次对AI模型在皮瓣术后并发症预测中的诊断性能进行系统评估，并比较了不同输入模态在模型训练中的效果 | 纳入研究数量有限（12项），且存在异质性，可能影响结果的普适性 | 系统评估人工智能模型在预测皮瓣手术后并发症的诊断性能 | 接受游离皮瓣重建手术的患者 | 机器学习 | 术后并发症 | NA | 深度学习模型 | 照片数据等多种输入模态 | 18,520名患者，32,148个输入数据点 | NA | NA | 敏感性, 特异性, 似然比, SROC曲线下面积 | NA |
| 1147 | 2025-12-26 |
Noninvasive Coronary Artery Disease Detection Using Retinal Images: A Multimodal Study
2025-Dec, JACC. Advances
DOI:10.1016/j.jacadv.2025.102341
PMID:41265390
|
研究论文 | 本研究开发了一种基于深度学习的多模态框架，利用视网膜图像和临床指标进行冠状动脉疾病的无创检测 | 首次提出结合视网膜图像与临床指标的多模态深度学习框架用于CAD检测，并引入了跨模态注意力机制进行信息融合 | 研究为横断面设计，样本量相对有限（383例），且仅来自4家医院，需要更大规模的前瞻性研究验证 | 开发一种安全、无创的冠状动脉疾病检测方法 | 接受冠状动脉造影的患者 | 计算机视觉, 数字病理学 | 心血管疾病 | 视网膜成像 | CNN, 多层感知机, 注意力机制 | 图像, 临床指标 | 383名来自4家医院的患者（2022年11月至2024年9月） | NA | 卷积网络, 医学大语言模型, 多层感知机, 跨模态注意力机制 | AUC, 灵敏度, 特异性, 准确率 | NA |
| 1148 | 2025-12-26 |
Enhanced Diagnosis of Lung and Colon Cancer Severity Through Deep Feature Analysis Using DenseNet201 and SVM With Histopathological Images: A Super-Resolution Approach
2025-Dec, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70439
PMID:41432706
|
研究论文 | 本研究提出了一种结合超分辨率卷积神经网络（FSRCNN）和基于DenseNet201的支持向量机（SVM）模型的新方法，用于提高肺癌和结肠癌组织病理学图像的诊断准确性 | 创新点在于采用FSRCNN进行图像增强以提升分辨率，并结合DenseNet201提取的深度特征与SVM进行分类，实现了对肺癌和结肠癌严重程度的高精度诊断 | 局限性在于仅使用了LC25000数据集，未来需要更广泛和多样化的数据集进行验证，并考虑整合遗传数据和电子健康记录等补充诊断技术 | 研究目标是开发一种基于深度学习的诊断方法，以提高肺癌和结肠癌检测的准确性 | 研究对象是肺癌和结肠癌的组织病理学图像 | 数字病理学 | 肺癌, 结肠癌 | 组织病理学成像, 超分辨率技术 | CNN, SVM | 图像 | 25000张组织病理学图像 | NA | DenseNet201, FSRCNN | 准确率, 精确率, 灵敏度, F1分数, 特异性 | NA |
| 1149 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110306
PMID:41433463
|
研究论文 | 本研究通过纵向分析老年驾驶者的自然驾驶行为，探讨了白质高信号对复杂认知表现的影响 | 首次将白质高信号的区域特异性分布与自然驾驶行为中的复杂认知功能变化联系起来，并使用深度学习算法精确量化白质高信号体积和分布 | 样本量相对较小（212名认知完好的老年人），且研究仅限于特定队列（DRIVES项目），可能限制了结果的普适性 | 探究白质高信号如何影响老年人的真实世界认知功能，特别是驾驶行为 | 认知完好的老年人（年龄≥65岁，临床痴呆评分为0） | 数字病理学 | 阿尔茨海默病 | 3T MRI脑部扫描，深度学习算法 | 深度学习算法 | 图像（MRI扫描），驾驶行为数据（来自车载数据记录器） | 212名认知完好的老年人，共74,275周的驾驶数据 | NA | NA | FDR校正的p值 | NA |
| 1150 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110308
PMID:41433484
|
研究论文 | 本研究利用结构脑MRI神经影像估计大脑年龄，并探讨白质高信号与大脑年龄、脑萎缩及加速脑老化之间的关系 | 结合深度学习自动分割白质高信号与基于回归的3D全卷积网络计算大脑年龄，在多站点健康人群中系统分析了WMH与大脑老化指标的相关性 | 样本主要来自健康参与者，缺乏临床患者队列；使用1.5T MR机器可能限制图像分辨率；未调整时序年龄以避免共线性可能影响模型 | 探究白质高信号与大脑年龄、脑体积变化及加速脑老化之间的关联 | 1,164名健康参与者（平均年龄55.17岁，52%女性，48%男性，39%非白人） | 数字病理学 | 阿尔茨海默病 | 结构脑MRI，FLAIR成像，T1加权MRI | CNN，全卷积网络 | 图像 | 1,164名健康参与者（训练数据来自120个个体和5,500名健康个体） | TensorFlow，PyTorch | 2D卷积神经网络，3D Simple Fully Convolutional Network | 部分相关系数，p值，回归t值 | NA |
| 1151 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110298
PMID:41433495
|
研究论文 | 本研究开发了一种名为DeepSUVR的深度学习方法来校正淀粉样蛋白PET成像中的标准化摄取值比（SUVR）量化，以提高阿尔茨海默病成像的准确性和一致性 | 提出了一种基于深度学习的方法，通过从纵向趋势中学习扫描特异性变异来校正SUVR量化，从而改善跨大型队列和不同PET示踪剂的数据协调 | 模型训练需要纵向数据，尽管推理可独立进行；研究主要针对特定示踪剂（如18F-Florbetapir）进行了验证，可能需要进一步扩展至其他示踪剂 | 提高淀粉样蛋白PET成像的量化准确性，以改善阿尔茨海默病的诊断和干预研究 | 阿尔茨海默病及相关认知障碍患者的淀粉样蛋白PET图像 | 数字病理学 | 阿尔茨海默病 | PET成像，Centiloid量化，SPM8管道 | 深度学习网络 | 图像 | 8,806名参与者，12,320次扫描 | NA | DeepSUVR | Spearman秩相关，AUC，组间分离，效应大小 | NA |
| 1152 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109684
PMID:41433506
|
研究论文 | 本研究提出了一种基于注意力U-Net的深度学习方法，用于从SWI MRI图像中自动检测脑微出血，以辅助评估抗淀粉样蛋白治疗相关的影像学异常 | 采用带有深度监督的注意力U-Net架构来处理脑微出血的小尺寸和形态相似性，提高了检测的准确性和可靠性 | 研究为单中心数据，未来需要进行多中心外部验证，并且目前仅支持SWI序列，未纳入其他ARIA相关因素 | 开发一个自动化的脑微出血检测系统，以改善抗淀粉样蛋白治疗监测中ARIA-H评估的效率和可靠性 | 来自峨山医学中心的SWI MRI扫描图像，用于检测和分类脑微出血 | 数字病理学 | 阿尔茨海默病 | SWI MRI | CNN | 图像 | 565例SWI MRI扫描（429例阳性，136例阴性），其中114例用于测试 | NA | Attention U-Net | AUC, 敏感性, 特异性, Dice系数, Matthews相关系数 | NA |
| 1153 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109899
PMID:41433536
|
研究论文 | 本研究探讨了2型糖尿病与高内脏脂肪共同作用对脑体积损失的影响，特别是与阿尔茨海默病易感区域的关系 | 首次结合2型糖尿病和高内脏脂肪，使用深度学习模型量化内脏脂肪并分析其对脑体积的影响，强调了可改变风险因素在阿尔茨海默病预防中的重要性 | 研究为横断面设计，无法确定因果关系；依赖自我报告的糖尿病史；样本主要来自特定地理区域，可能限制普适性 | 调查2型糖尿病与高内脏脂肪的联合作用对神经退行性变关键生物标志物——脑体积损失的影响 | 4,213名成年人（平均年龄55.39岁，57.3%女性），包括2型糖尿病患者和不同内脏脂肪水平个体 | 数字病理学 | 阿尔茨海默病 | 全身MRI（1.5T），包括T1加权、T2加权、STIR和Dixon技术图像 | 深度学习模型 | MRI图像 | 4,213名成年人 | Fastsurfer | NA | ANCOVA调整后的统计显著性（p值），脑体积比较 | Siemens Espree和Aera MRI扫描仪 |
| 1154 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108230
PMID:41433562
|
研究论文 | 本文开发了一种基于深度学习的模型，用于从基线MRI预测两年纵向皮质萎缩率，并旨在识别阿尔茨海默病神经影像学倡议（ADNI）中异常高萎缩率模式 | 利用深度学习模型从单次基线MRI预测长期皮质萎缩率，并建立健康参考百分位曲线以识别异常萎缩模式，为个体化疾病进展监测提供新方法 | 研究样本主要来自ADNI队列，可能缺乏外部验证；模型仅基于MRI数据，未整合其他生物标志物；样本量相对有限，特别是痴呆组 | 开发深度学习模型以预测阿尔茨海默病患者的纵向皮质萎缩率，并识别异常高萎缩模式，以辅助临床试验受试者筛选 | 阿尔茨海默病神经影像学倡议（ADNI）的参与者，包括认知正常（CU）、轻度认知障碍（MCI）和痴呆患者 | 数字病理学 | 阿尔茨海默病 | 3T T1加权MRI扫描、基于张量的形态测量学（TBM） | 深度学习 | MRI图像 | 训练集706人，测试集包括83名认知正常者、72名轻度认知障碍者和16名痴呆患者 | NA | U-Net | 总异常计数（tOC）、统计显著性（p值） | NA |
| 1155 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108442
PMID:41433628
|
研究论文 | 本文提出了一种名为PerMod-MoE的新型多模态融合方法，用于改进阿尔茨海默病进展预测，特别是在推理阶段神经影像模态缺失严重的情况下 | 通过为每个神经影像模态引入独立的稀疏混合专家路由器，改进了现有Flex-MoE模型，在模态缺失时显著提升了预测性能 | 研究仅基于ADNI数据集中的469名MCI患者，可能无法完全代表更广泛的阿尔茨海默病人群 | 开发一种能够有效处理神经影像模态缺失的阿尔茨海默病进展预测模型 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的469名轻度认知障碍（MCI）患者 | 数字病理学 | 阿尔茨海默病 | T1加权MRI、FLAIR、淀粉样蛋白β PET、tau PET神经影像 | 深度学习模型 | 神经影像数据 | 469名MCI患者 | NA | Per-Modality Mixture-of-Experts (PerMod-MoE), Flex-MoE | 均方根误差（RMSE） | NA |
| 1156 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_109003
PMID:41433693
|
研究论文 | 本研究通过免疫组化、单核RNA与ATAC测序及空间转录组学，探究了阿尔茨海默病中尾状核的病理变化，特别是磷酸化Tau蛋白与淀粉样蛋白β的影响 | 首次在阿尔茨海默病中系统研究尾状核的细胞类型变化，并发现其与皮质不同的特异性反应，如星形胶质细胞和小胶质细胞类型的独特增加 | 样本量相对较小（42名捐赠者），且空间转录组学仅针对10名捐赠者子集进行，可能限制统计效力 | 探究阿尔茨海默病在尾状核中的病理影响，特别是磷酸化Tau蛋白和淀粉样蛋白β对细胞组成和基因表达的作用 | 42名仅患有典型蛋白病且无共病的捐赠者的尾状核组织 | 数字病理学 | 阿尔茨海默病 | 免疫组化染色（AT8, 6e10）、单核RNA测序、ATAC测序、空间转录组学 | 深度学习 | 图像、转录组数据、表观基因组数据 | 42名捐赠者的尾状核组织，其中10名用于空间转录组学 | NA | NA | NA | NA |
| 1157 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108149
PMID:41433715
|
研究论文 | 本研究探讨了MRI可见的血管周围间隙与记忆表现、神经退行性变及阿尔茨海默病生物标志物之间的关系 | 在临床前老年人群中，使用深度学习算法对血管周围间隙进行区域特异性分割，并首次发现基底节区血管周围间隙计数与血浆p-tau217水平呈正相关 | 样本量较小（n=120），横断面设计无法确定因果关系，血管周围间隙分割可能受MRI分辨率限制 | 探究血管周围间隙作为早期神经退行性变和阿尔茨海默病风险生物标志物的潜力 | 120名老年参与者（平均年龄72.19岁，66.6%女性） | 数字病理学 | 阿尔茨海默病 | T1加权磁共振成像，深度学习分割，18F-florbetapir-PET淀粉样蛋白成像，血浆生物标志物检测 | 深度学习算法 | MRI图像，神经心理学测试数据，生物标志物数据 | 120名老年参与者 | NA | NA | 相关系数，p值 | NA |
| 1158 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110016
PMID:41433736
|
研究论文 | 本研究通过专家评估比较了五种深度学习白质高信号分割管道的性能 | 首次使用盲法神经放射科医生评分作为基准，系统比较多种深度学习白质高信号分割管道的性能 | 研究样本仅包括100名80岁及以上的老年人，且数据来自特定研究项目，可能限制结果的普适性 | 评估和比较深度学习白质高信号分割管道的性能，以确定最适合研究和临床应用的自动化工具 | 100名80岁及以上老年人的脑部FLAIR和T1加权MRI图像 | 医学影像分析 | 阿尔茨海默病及相关痴呆 | MRI成像（3D T2加权FLAIR和T1加权MPRAGE序列） | 深度学习分割管道 | 医学影像（MRI） | 100名老年人 | NA | sysu_media, ANTSx, DeepWMH, TrUE-Net, HyperMapp3r | Likert量表评分（1-7分） | NA |
| 1159 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109949
PMID:41433750
|
研究论文 | 本研究利用tau-PET数据和深度学习算法，识别了阿尔茨海默病谱系中三种具有不同tau蛋白空间积累模式的亚型 | 首次采用基于高斯混合模型的新型自监督深度学习框架，根据tau-PET在68个脑区的空间模式对AD患者进行亚型分类，并进行了多模态验证 | 这是一项横断面研究，无法确定亚型的时间演变或因果关系；样本量相对有限（318名参与者） | 识别阿尔茨海默病谱系中基于tau蛋白空间积累模式的异质性亚型 | 318名来自ADNI Phase 3的参与者 | 数字病理学 | 阿尔茨海默病 | tau-PET成像 | 自监督深度学习, 高斯混合模型 | 医学影像（tau-PET） | 318名参与者 | NA | NA | 验证准确率, 调整互信息分数, p值 | NA |
| 1160 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110136
PMID:41433742
|
研究论文 | 本研究利用多模态神经影像数据（T1-MRI和淀粉样蛋白-PET）结合深度学习模型，旨在提高阿尔茨海默病的预测准确性，并推导痴呆风险评分以预测早期痴呆进展 | 通过融合T1-MRI和淀粉样蛋白-PET多模态数据，结合预训练的ResNet50模型进行微调，实现了对阿尔茨海默病分类及未来痴呆进展预测的性能提升 | 在预测未来MCI进展时性能仍有提升空间，需进一步优化微调过程、采用更先进的多模态融合策略，并探索其他模态如FDG-PET和tau-PET | 提高阿尔茨海默病的早期预测准确性，并开发用于评估痴呆风险及预测疾病进展的多模态深度学习模型 | 阿尔茨海默病患者、认知正常个体以及轻度认知障碍患者 | 数字病理学 | 阿尔茨海默病 | T1-MRI, 淀粉样蛋白-PET | CNN | 图像 | 来自ADNI 1,2和GO数据集的受试者（具体数量未在摘要中明确说明） | PyTorch（基于MedicalNet预训练权重推断） | ResNet50 | 平衡准确率, AUC | NA |