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 16751 篇文献，本页显示第 14441 - 14460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14441 | 2025-10-07 |
Applications of deep learning in trauma radiology: A narrative review
2025-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2024.100743
PMID:38679199
|
综述 | 本文综述了深度学习在创伤放射学中的应用现状与未来发展 | 系统总结了深度学习在创伤影像各模态（FAST超声、X射线、CT）中的具体应用场景，并提出了联邦学习、模型可解释性、多模态数据整合等未来发展方向 | 临床采用仍然有限，需要多学科团队合作开发实用的现实世界解决方案 | 探讨深度学习在创伤放射学领域的应用潜力与发展方向 | 创伤影像数据（FAST超声、X射线、CT扫描） | 医学影像分析 | 创伤性疾病 | 深度学习 | NA | 医学影像（超声、X射线、CT） | NA | NA | NA | NA | NA |
| 14442 | 2025-10-07 |
ECG-surv: A deep learning-based model to predict time to 1-year mortality from 12-lead electrocardiogram
2025-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2024.100732
PMID:38697480
|
研究论文 | 开发了一种基于深度学习的ECG-surv模型，用于从12导联心电图预测1年死亡率 | 首次提出能同时处理删失数据和非结构化心电图数据的深度学习生存分析模型 | 模型在不同心电图设备采集的数据上性能有所差异 | 利用深度学习技术改进基于心电图的生存预测 | 心电图数据和患者生存时间数据 | 机器学习 | 心血管疾病 | 12导联心电图 | 深度神经网络 | 心电图信号 | 独立测试集和外部验证集 | NA | 特征提取神经网络+时间事件分析神经网络 | C-index | NA |
| 14443 | 2025-03-22 |
Current Status of Artificial Intelligence Use in Colonoscopy
2025, Digestion
IF:3.0Q2
DOI:10.1159/000543345
PMID:39724867
|
研究论文 | 本文探讨了人工智能在结肠镜检查中的应用现状及其对结直肠癌筛查的影响 | 介绍了实时计算机辅助检测系统和用于组织病理学预测的计算机辅助诊断系统，这些系统有助于区分肿瘤性和非肿瘤性病变 | 存在霍桑效应和潜在过度诊断等偏差，需要大规模临床试验验证AI的长期效益 | 评估人工智能在提高结肠镜检查质量和结直肠癌筛查效果方面的潜力 | 结肠镜检查中的结直肠息肉检测和诊断 | 数字病理学 | 结直肠癌 | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 14444 | 2025-03-20 |
Sex Differences in Age-Related Changes in Retinal Arteriovenous Area Based on Deep Learning Segmentation Model
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100719
PMID:40103835
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14445 | 2025-10-07 |
Speed and efficiency: evaluating pulmonary nodule detection with AI-enhanced 3D gradient echo imaging
2025-Apr, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11027-5
PMID:39154315
|
研究论文 | 评估人工智能辅助压缩感知在加速肺部MR成像中对肺结节检测和表征的诊断可行性 | 结合并行成像、压缩感知和深度学习图像重建技术，首次在肺部MRI中实现高达15倍的加速因子，同时保持高结节检测率 | 样本量相对较小（37名患者），仅评估了三种特定加速因子，缺乏与其他加速方法的直接比较 | 评估AI增强压缩感知技术在肺部MR成像中的诊断性能，特别是肺结节检测和表征能力 | 良性和恶性肺结节患者 | 医学影像分析 | 肺癌 | 3D梯度回波序列，并行成像，压缩感知，深度学习图像重建 | 深度学习 | 医学影像（MRI和CT） | 37名患者，64个肺结节（57个实性结节，6个部分实性结节，1个磨玻璃结节） | NA | NA | 图像质量评分（5点Likert量表），结节检测率，结节形态评估，结节大小测量，组内相关系数（ICC） | NA |
| 14446 | 2025-10-07 |
Generating synthetic high-resolution spinal STIR and T1w images from T2w FSE and low-resolution axial Dixon
2025-Apr, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11047-1
PMID:39231829
|
研究论文 | 利用深度学习从T2加权FSE和低分辨率轴向Dixon序列生成合成的高分辨率脊柱STIR和T1加权图像 | 首次提出使用两个连续应用的3D Pix2Pix深度学习模型，通过结合矢状T2w FSE和轴向T1w-Dixon序列生成合成矢状T1w FSE和STIR图像 | 回顾性研究，使用的数据集来自特定人群（德国波美拉尼亚健康研究和德国国家队列） | 开发从现有MRI序列生成合成脊柱图像的方法，以减少扫描时间并实现回顾性分析 | 脊柱MRI图像，包括T2w FSE、T1w-Dixon、T1w FSE和STIR序列 | 医学影像分析 | 骨髓病变 | MRI（快速自旋回波、短时反转恢复、Dixon技术） | GAN | 医学影像 | 三个数据集共5299个受试者（SHIP:3142，NAKO:2000，内部数据集:157） | NA | 3D Pix2Pix | PSNR, SSIM, 误分类率, Fleiss kappa | NA |
| 14447 | 2025-10-07 |
Reducing energy consumption in musculoskeletal MRI using shorter scan protocols, optimized magnet cooling patterns, and deep learning sequences
2025-Apr, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11056-0
PMID:39242400
|
研究论文 | 本研究探讨通过优化扫描协议、深度学习加速采集和优化冷却系统来降低肌肉骨骼MRI能耗的策略 | 首次系统评估三种节能策略（协议优化、深度学习加速、冷却系统优化）在MRI中的综合节能效果 | 研究仅在德国慕尼黑的两台1.5T MRI扫描仪上进行，样本量有限 | 优化MRI扫描仪能耗使用，提高能源效率而不影响图像质量 | 肌肉骨骼MRI扫描 | 医学影像分析 | 肌肉骨骼疾病 | MRI扫描，深度学习加速采集 | 深度学习模型 | 医学影像数据 | 两台1.5T MRI扫描仪（Aera和Sola） | NA | NA | 能耗降低百分比，时间减少百分比 | NA |
| 14448 | 2025-10-07 |
Trends in Research of Odontogenic Keratocyst and Ameloblastoma
2025-Apr, Journal of dental research
IF:5.7Q1
DOI:10.1177/00220345241282256
PMID:39876078
|
综述 | 本文综述了牙源性角化囊肿和成釉细胞瘤研究领域的最新进展与趋势 | 整合了单细胞组学、空间转录组学、三维培养技术和人工智能在牙源性角化囊肿和成釉细胞瘤研究中的最新应用 | 牙源性角化囊肿仍缺乏可靠的体外和体内模型 | 总结牙源性角化囊肿和成釉细胞瘤研究的最新进展和发展趋势 | 牙源性角化囊肿和成釉细胞瘤 | 数字病理学 | 颌骨疾病 | 单细胞组学, 空间转录组学, 三维培养技术, 人工智能 | 机器学习, 深度学习 | 影像数据, 病理数据 | NA | NA | NA | 诊断准确率 | NA |
| 14449 | 2025-10-07 |
Deep learning initialized compressed sensing (Deli-CS) in volumetric spatio-temporal subspace reconstruction
2025-Apr, Magma (New York, N.Y.)
DOI:10.1007/s10334-024-01222-2
PMID:39891798
|
研究论文 | 提出深度学习初始化压缩感知方法加速容积多轴螺旋投影MRF的重建过程 | 首次将深度学习生成的种子点用于初始化迭代重建，显著减少收敛所需迭代次数 | NA | 减少磁共振指纹成像的重建时间，满足临床需求 | 全脑T1和T2映射 | 医学影像分析 | NA | 磁共振指纹成像，多轴螺旋投影采集 | 深度学习 | 容积时空MRI数据 | NA | NA | NA | 重建质量，处理时间 | GPU |
| 14450 | 2025-10-07 |
A Systematic Review of Advances in AI-Assisted Analysis of Fundus Fluorescein Angiography (FFA) Images: From Detection to Report Generation
2025-Apr, Ophthalmology and therapy
IF:2.6Q2
DOI:10.1007/s40123-025-01109-y
PMID:39982648
|
综述 | 系统回顾2019-2024年人工智能辅助眼底荧光血管造影图像分析的研究进展 | 首次系统总结AI在FFA图像分析中从病灶检测到报告生成的全流程应用突破 | 模型透明度不足，跨人群鲁棒性有待验证，数据隐私和技术基础设施存在挑战 | 评估AI在FFA图像自动分析中的临床应用价值与发展前景 | PubMed、Web of Science和Google Scholar数据库中23篇相关研究文献 | 计算机视觉 | 眼底疾病 | 眼底荧光血管造影 | 深度学习, 机器学习 | FFA图像 | 23篇研究文献 | NA | NA | 诊断准确性, 工作流程效率 | NA |
| 14451 | 2025-10-07 |
Mining the UniProtKB/Swiss-Prot database for antimicrobial peptides
2025-Apr, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70083
PMID:40100125
|
研究论文 | 本研究开发了一种从UniProtKB/Swiss-Prot数据库中挖掘新型抗菌肽的工作流程 | 首次使用深度学习工具AMPlify对公共蛋白质数据库进行大规模计算挖掘以发现新型抗菌肽 | 仅从真核生物序列中挖掘，且仅测试了部分合成肽的抗菌活性 | 开发抗菌肽挖掘方法以应对抗生素耐药性问题 | UniProtKB/Swiss-Prot数据库中的蛋白质序列 | 生物信息学 | 细菌感染 | 深度学习预测，蛋白质结构预测，肽合成 | 深度学习模型 | 蛋白质序列数据 | 从数据库中发现8008个新型推定抗菌肽，合成测试38个肽 | AMPlify | NA | 抗菌活性测试 | NA |
| 14452 | 2025-10-07 |
CommRad RF: A dataset of communication radio signals for detection, identification and classification
2025-Apr, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111387
PMID:40103755
|
研究论文 | 本文提出了一个包含2700多个无线电信号的创新数据集，并开发了两种轻量级深度学习模型用于无线电信号处理 | 填补了商用对讲机无线电信号公开数据集的空白，并提出了两种新型轻量级一维卷积神经网络模型 | 数据采集仅限于室内多路径环境，信号来源仅包含27台无线电设备 | 增强通信信道安全性，通过无线电指纹识别技术检测未经授权的传输源 | 商用对讲机和无线电设备的通信信号 | 信号处理 | NA | 无线电信号采集 | CNN | 无线电信号 | 2700多个无线电信号，来自27台无线电设备 | NA | Light Weight 1DCNN, Light Weight Bivariate 1DCNN | NA | NA |
| 14453 | 2025-10-07 |
A novel rotation and scale-invariant deep learning framework leveraging conical transformers for precise differentiation between meningioma and solitary fibrous tumor
2025-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100422
PMID:40104410
|
研究论文 | 提出一种旋转和尺度不变性的深度学习框架，用于精确区分脑膜瘤和孤立性纤维瘤 | 采用新型锥形变换器架构，能够捕获全切片图像中的全局和局部成像标记，并适应不同放大倍率的变异 | 研究样本量相对较小（92例患者），需要更大规模验证 | 开发AI诊断工具，精确区分脑膜瘤和孤立性纤维瘤 | 脑膜瘤和孤立性纤维瘤患者 | 数字病理学 | 中枢神经系统肿瘤 | 全切片图像分析 | Transformer | 图像 | 92例患者（46例脑膜瘤，46例孤立性纤维瘤） | NA | 锥形变换器 | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 14454 | 2025-10-07 |
Implementation of A New, Mobile Diabetic Retinopathy Screening Model Incorporating Artificial Intelligence in Remote Western Australia
2025-Apr, The Australian journal of rural health
DOI:10.1111/ajr.70031
PMID:40110918
|
研究论文 | 本文介绍并评估了在澳大利亚偏远西部地区实施的新型移动糖尿病视网膜病变筛查模式，该模式整合了人工智能技术 | 开发了结合人工智能的移动糖尿病视网膜病变筛查新模式，在偏远地区实现即时诊断，并将筛查率提高了11倍 | 样本量相对较小（78名患者），研究仅限于澳大利亚皮尔巴拉地区 | 评估人工智能辅助的移动糖尿病视网膜病变筛查模式在偏远地区的实施效果和患者接受度 | 澳大利亚皮尔巴拉地区的糖尿病患者 | 数字病理 | 糖尿病视网膜病变 | 视网膜成像，人工智能诊断 | 深度学习系统 | 视网膜图像 | 78名患者，其中56.4%为原住民或托雷斯海峡岛民 | NA | NA | 筛查人数，患者接受度，可转诊糖尿病视网膜病变比例，不可分级图像比例 | 集成人工智能诊断的自动化视网膜相机，移动筛查车（梅赛德斯Sprinter Van） |
| 14455 | 2025-10-07 |
Deep Learning-Driven Computational Approaches for Studying Intrinsically Disordered Regions in S100-A9
2025-Mar-20, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/7651_2025_617
PMID:40106150
|
研究论文 | 本章介绍了一种利用深度学习方法研究S100-A9蛋白内在无序区域的初步方案 | 将人工智能技术应用于内在无序区域的预测和分析，以S100-A9蛋白为案例研究 | 仅提供初步水平的研究方案，未涉及具体模型性能验证 | 开发计算方法来研究蛋白质内在无序区域 | S100-A9蛋白的内在无序区域 | 机器学习 | 银屑病 | 深度学习 | NA | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 14456 | 2025-10-07 |
Emerging Trends and Innovations in Radiologic Diagnosis of Thoracic Diseases
2025-Mar-20, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001179
PMID:40106831
|
综述 | 本文总结了胸部影像学领域的关键进展，包括成像技术、计算工具和临床应用方面的突破 | 整合了人工智能驱动的计算机辅助检测系统、光子计数探测器CT和低场MRI等新型成像技术，展示了定量功能分析与AI工具融合的创新价值 | 作为综述文章，主要基于已有研究进行总结，未提供原始实验数据验证 | 总结胸部疾病放射学诊断的新兴趋势和创新技术 | 胸部疾病包括肺癌、肺结节、间质性肺病、慢性阻塞性肺病、COVID-19肺炎和肺栓塞等 | 医学影像分析 | 胸部疾病 | 光子计数探测器CT、低场MRI、双能CT、暗场放射成像、CT纹理分析、灌注成像 | 深度学习 | CT图像、MRI图像、X射线图像 | NA | NA | NA | NA | NA |
| 14457 | 2025-10-07 |
Artificial intelligence to enhance the diagnosis of ocular surface squamous neoplasia
2025-Mar-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94876-4
PMID:40108432
|
研究论文 | 开发基于人工智能的活体共聚焦显微镜图像分析方法，用于准确诊断眼表鳞状上皮 neoplasia | 提出基于方形数据增强策略处理类别不平衡问题，并采用少样本学习模型提高罕见症状识别精度 | 在多类别分类任务中准确率较低 | 利用人工智能技术增强眼表鳞状上皮 neoplasia 的诊断能力 | 眼表鳞状上皮 neoplasia 及其他眼表疾病患者 | 计算机视觉 | 眼表鳞状上皮 neoplasia | 活体共聚焦显微镜 | 深度学习 | 图像 | 2,774张活体共聚焦显微镜图像 | TensorFlow, PyTorch | ResNet50V2, Yolov8x, VGG19 | 准确率, 精确率, 召回率, F1分数 | NA |
| 14458 | 2025-10-07 |
Interpretable Identification of Single-Molecule Charge Transport via Fusion Attention-Based Deep Learning
2025-Mar-20, The journal of physical chemistry letters
IF:4.8Q1
DOI:10.1021/acs.jpclett.4c03650
PMID:40111072
|
研究论文 | 提出一种基于融合注意力机制的深度学习方法来识别单分子电荷传输 | 首次将多头自注意力与空间注意力机制融合应用于单分子电荷传输识别，开发了新型神经网络架构SingleFACNN | NA | 提高单分子电荷传输识别的可解释性和准确性 | 单分子电荷传输数据 | 机器学习 | NA | STM-BJ（扫描隧道显微镜断裂结技术） | CNN, 注意力机制 | STM-BJ数据集 | 三类型和四类型STM-BJ数据集，以及不同比例的混合样本 | NA | SingleFACNN（融合卷积神经网络与注意力机制的新型架构） | 分类准确率，通过梯度加权类激活映射和消融研究评估 | 低计算成本 |
| 14459 | 2025-10-07 |
Robust protein-ligand interaction modeling through integrating physical laws and geometric knowledge for absolute binding free energy calculation
2025-Mar-19, Chemical science
IF:7.6Q1
DOI:10.1039/d4sc07405j
PMID:40007661
|
研究论文 | 提出一种融合物理定律与几何知识的蛋白质-配体相互作用建模框架LumiNet，用于精确计算绝对结合自由能 | 通过子图变换器提取分子图多尺度信息，结合几何神经网络映射原子对结构至经典力场非键相互作用参数，填补物理模型与黑盒算法间的空白 | 未明确说明模型在更大规模数据集或更复杂蛋白质体系中的泛化能力 | 开发高精度且可解释的蛋白质-配体相互作用建模方法以加速药物发现 | 蛋白质-配体复合物及其结合自由能 | 机器学习 | NA | 深度学习 | Transformer, 几何神经网络 | 分子图数据 | PDE10A数据集（未提供具体样本数） | NA | 子图Transformer | 结合自由能计算精度，与FEP+方法对比 | NA |
| 14460 | 2025-10-07 |
Commentary on "Machine Learning, Deep Learning, Artificial Intelligence and Aesthetic Plastic Surgery: A Qualitative Systematic Review" by Nogueira et al. (2025)
2025-Mar-19, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-025-04825-9
PMID:40105945
|
评论 | 对Nogueira等人关于机器学习、深度学习、人工智能在美容整形外科应用的系统综述进行评论 | NA | NA | 讨论人工智能在美容整形外科领域的应用现状 | 美容整形外科领域的人工智能研究 | machine learning | NA | NA | NA | NA | NA | NA | NA | NA | NA |