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 14801 - 14820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14801 | 2025-03-09 |
Practical Applications of Artificial Intelligence Diagnostic Systems in Fundus Retinal Disease Screening
2025, International journal of general medicine
IF:2.1Q2
DOI:10.2147/IJGM.S507100
PMID:40051895
|
研究论文 | 本研究评估了一种基于深度学习的AI诊断系统在视网膜疾病分析中的性能，评估其与专家诊断的一致性及其在筛查应用中的整体效用 | 使用深度学习AI系统进行视网膜疾病筛查，并与专家诊断进行对比，评估其在实际应用中的可靠性和可行性 | 研究仅在一家医院进行，样本量虽大但可能缺乏多样性 | 评估AI诊断系统在视网膜疾病筛查中的性能 | 3076名接受全面眼科检查的患者 | 数字病理 | 视网膜疾病 | 深度学习 | CARE系统 | 图像 | 3076名患者 | NA | NA | NA | NA |
| 14802 | 2025-03-08 |
Corrigendum: Addressing grading bias in rock climbing: machine and deep learning approaches
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1570591
PMID:40051920
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14803 | 2025-03-09 |
Research progress on artificial intelligence technology-assisted diagnosis of thyroid diseases
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1536039
PMID:40052126
|
综述 | 本文综述了人工智能技术在甲状腺疾病早期诊断中的应用研究，特别是深度学习算法在超声和病理图像识别中的应用 | 整合了多项研究结果，指出卷积神经网络模型在甲状腺结节和甲状腺病理细胞病变识别中具有高准确率，U-Net网络模型作为分割算法能显著提高甲状腺结节超声图像的识别准确率 | 目前甲状腺疾病的早期诊断仍依赖于检查设备和医生的临床经验，存在一定的误诊率 | 探索一种能在早期阶段客观筛查甲状腺病变的技术 | 甲状腺疾病的早期筛查和诊断 | 数字病理学 | 甲状腺癌 | 深度学习算法 | 卷积神经网络, U-Net网络模型 | 超声图像, 病理切片 | NA | NA | NA | NA | NA |
| 14804 | 2025-03-09 |
A review of AI-based radiogenomics in neurodegenerative disease
2025, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2025.1515341
PMID:40052173
|
review | 本文综述了基于人工智能的放射基因组学在神经退行性疾病中的应用 | 结合放射组学和基因组学，利用人工智能技术提高神经退行性疾病的诊断准确性和及时性 | NA | 探讨人工智能在神经退行性疾病放射基因组学中的应用 | 神经退行性疾病 | digital pathology | geriatric disease | radiomics, genomics | machine learning, deep learning | imaging, genomic data | NA | NA | NA | NA | NA |
| 14805 | 2025-03-08 |
Kellgren-Lawrence grading of knee osteoarthritis using deep learning: Diagnostic performance with external dataset and comparison with four readers
2025-Jun, Osteoarthritis and cartilage open
DOI:10.1016/j.ocarto.2025.100580
PMID:40046240
|
研究论文 | 本研究评估了深度学习模型在外部数据集上对膝关节骨关节炎的Kellgren-Lawrence (KL)分级诊断性能，并与四位读者进行了比较 | 使用深度学习模型在外部数据集上评估膝关节骨关节炎的KL分级，并与多位人类读者进行比较，展示了深度学习在医学影像诊断中的潜力 | 研究样本量较小（208例膝关节X光片），且仅使用了单一外部数据集进行验证 | 评估深度学习模型在膝关节骨关节炎KL分级中的诊断性能 | 膝关节骨关节炎的X光片 | 计算机视觉 | 骨关节炎 | 深度学习 | 深度学习模型 | 图像 | 208例膝关节X光片 | NA | NA | NA | NA |
| 14806 | 2025-03-08 |
Optimizing Catheter Verification: An Understandable AI Model for Efficient Assessment of Central Venous Catheter Placement in Chest Radiography
2025-Apr-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001126
PMID:39724590
|
研究论文 | 本研究旨在通过分割支持材料和解剖结构来提高中心静脉导管（CVC）错位检测的精确性和可理解性 | 结合分类网络和分割网络的深度学习模型，提高了CVC错位检测的准确性和临床可解释性 | 研究中使用的数据集可能存在标签不准确的问题，且模型的泛化能力需要进一步验证 | 提高中心静脉导管（CVC）错位检测的准确性和临床可解释性 | 中心静脉导管（CVC）在胸部X光片中的位置 | 医学影像分析 | NA | 深度学习 | 分类网络、分割网络及其组合 | 胸部X光片 | 1006张带注释的仰卧胸部X光片 | NA | NA | NA | NA |
| 14807 | 2025-03-08 |
Assessment of Emphysema on X-ray Equivalent Dose Photon-Counting Detector CT: Evaluation of Visual Scoring and Automated Quantification Algorithms
2025-Apr-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001128
PMID:39729642
|
研究论文 | 本研究评估了在X射线等效剂量光子计数探测器CT上使用视觉评分、低衰减体积（LAV）和深度学习方法估计肺气肿范围的可行性和效果，旨在探索未来剂量减少的潜力 | 首次在X射线等效剂量光子计数探测器CT上评估了视觉评分和自动化量化算法在肺气肿估计中的应用，并探索了剂量减少的潜力 | 深度学习和LAV算法在X射线剂量扫描中高估了肺气肿范围 | 评估在X射线等效剂量光子计数探测器CT上估计肺气肿范围的可行性和效果 | 101名前瞻性入组的患者 | 数字病理学 | 慢性阻塞性肺疾病 | CT扫描、深度学习方法 | 深度学习模型 | 图像 | 101名患者 | NA | NA | NA | NA |
| 14808 | 2025-03-08 |
FusionNet: Dual input feature fusion network with ensemble based filter feature selection for enhanced brain tumor classification
2025-Apr-01, Brain research
IF:2.7Q3
DOI:10.1016/j.brainres.2025.149507
PMID:39970997
|
研究论文 | 本文提出了一种名为FusionNet的新方法，利用正常和分割的MRI图像来提高脑肿瘤分类的准确性 | FusionNet结合了正常和分割的MRI图像，使用基于注意力机制和集成特征选择的方法来优先考虑相关特征，从而提高分类性能 | NA | 提高脑肿瘤分类的准确性 | 脑肿瘤 | 计算机视觉 | 脑肿瘤 | 深度学习 | FusionNet | MRI图像 | 多个数据集（Figshare, Kaggle, Sartaj, 组合数据集） | NA | NA | NA | NA |
| 14809 | 2025-03-08 |
Lightweight sparse optoacoustic image reconstruction via an attention-driven multi-scale wavelet network
2025-Apr, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2025.100695
PMID:40046019
|
研究论文 | 本文提出了一种轻量级的稀疏光声图像重建网络AD-WaveNet，通过结合离散二维小波变换和自适应注意力机制，提高了稀疏采样下的图像重建质量并降低了计算复杂度 | AD-WaveNet网络创新性地将离散二维小波变换与自适应注意力机制相结合，利用小波变换的多尺度分解特性，强调不同尺度下的关键特征，从而在降低计算复杂度和参数量的同时保持最佳重建质量 | NA | 提高稀疏采样下光声断层扫描（PAT）图像的重建质量，并降低计算复杂度 | 光声断层扫描（PAT）图像 | 计算机视觉 | NA | 离散二维小波变换（DWT） | AD-WaveNet | 图像 | NA | NA | NA | NA | NA |
| 14810 | 2025-03-08 |
Deep Learning-based Multi-class Classification for Neonatal Respiratory Diseases on Chest Radiographs in Neonatal Intensive Care Units
2025-Mar-06, Neonatology
IF:2.6Q1
DOI:10.1159/000545107
PMID:40049153
|
研究论文 | 本研究介绍了一种基于深度学习的自动算法，用于分类新生儿重症监护病房中的各种新生儿呼吸系统疾病和健康肺 | 使用大规模高质量多类标注的胸部X光图像数据集，结合非影像数据，开发了一种新的深度学习模型，用于新生儿呼吸系统疾病的自动分类 | 研究仅基于韩国10所大学医院的数据，可能限制了模型的普遍适用性 | 开发一种自动分类算法，以支持新生儿科医生对重症新生儿的及时准确决策 | 新生儿重症监护病房中的新生儿 | 计算机视觉 | 新生儿呼吸系统疾病 | 深度学习 | 修改后的ResNet50 | 胸部X光图像 | 训练集34,598张，验证集4,370张，测试集4,370张 | NA | NA | NA | NA |
| 14811 | 2025-03-08 |
An automated treatment planning portfolio for whole breast radiotherapy
2025-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17588
PMID:39699058
|
研究论文 | 本研究开发了一套完整的自动化放射治疗计划组合，用于全乳放疗，适应不同的患者因素、临床方法和可用资源 | 提出了一个全面的、端到端的自动化放疗解决方案，结合了多种治疗方法和深度学习模型，适应不同的患者和治疗需求 | 研究中使用的样本量相对较小，且主要来自特定机构，可能限制了结果的普遍性 | 开发一套自动化放疗计划组合，以适应不同的患者因素和临床需求 | 全乳放疗患者 | 数字病理 | 乳腺癌 | 深度学习模型（nnU-net）、RapidPlan模型 | nnU-net | 放疗计划数据 | 15名内部患者（150个计划）和40名来自瑞士、阿根廷、伊朗和美国的外部患者（360个计划） | NA | NA | NA | NA |
| 14812 | 2025-02-10 |
A 2.5D transfer deep learning model based on artificial intelligence for differentiating lymphoma and tuberculous lymphadenitis in HIV/AIDS patients
2025-Mar, The Journal of infection
IF:14.3Q1
DOI:10.1016/j.jinf.2025.106439
PMID:39922386
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14813 | 2025-03-08 |
Deep5mC: Predicting 5-methylcytosine (5mC) methylation status using a deep learning transformer approach
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.02.007
PMID:40041569
|
研究论文 | 本文介绍了一种基于深度学习Transformer的方法Deep5mC，用于预测5-甲基胞嘧啶（5mC）的甲基化状态 | Deep5mC利用基因组序列中的长程依赖性来预测5mC甲基化，显著优于现有方法，并揭示了长程序列上下文对5mC预测的影响 | 现有方法大多关注特定基因组区域，而Deep5mC虽然考虑了长程依赖性，但仍需进一步验证其在跨物种和人类疾病中的适用性 | 研究5mC甲基化状态与基因组序列的依赖性，并开发一种高效的预测方法 | 5-甲基胞嘧啶（5mC）的甲基化状态 | 机器学习 | NA | 深度学习 | Transformer | DNA序列 | NA | NA | NA | NA | NA |
| 14814 | 2025-03-08 |
Retraction: Risk management system and intelligent decision-making for prefabricated building project under deep learning modified teaching-learning-based optimization
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319589
PMID:40043015
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14815 | 2025-03-08 |
XAI-MRI: an ensemble dual-modality approach for 3D brain tumor segmentation using magnetic resonance imaging
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1525240
PMID:40046502
|
研究论文 | 本文提出了一种新颖的集成双模态方法，用于使用磁共振成像（MRI）进行3D脑肿瘤分割 | 提出了一种集成双模态方法，结合了表现最佳的双模态预训练模型，以提高分割性能，并引入了Grad-CAM可视化技术，生成热图以突出肿瘤区域，为临床医生提供模型决策的有用信息 | 未明确提及具体限制 | 提高脑肿瘤分割的准确性和可靠性，以支持有效的肿瘤分级和治疗计划 | 脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | U-Net, 集成模型 | 3D MRI图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 14816 | 2025-03-08 |
The prognostic value of pathologic lymph node imaging using deep learning-based outcome prediction in oropharyngeal cancer patients
2025-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100733
PMID:40046573
|
研究论文 | 本研究探讨了在口咽癌患者中，结合病理淋巴结空间信息与深度学习模型对局部控制、区域控制、远处无转移生存和总生存的预测效果 | 首次在深度学习模型中结合病理淋巴结空间信息，以提高口咽癌患者的预后预测性能 | 研究仅基于单一机构的患者数据，可能限制了模型的泛化能力 | 探索结合病理淋巴结空间信息对深度学习模型预测口咽癌患者预后的潜在益处 | 口咽癌患者 | 数字病理 | 口咽癌 | 深度学习 | 深度学习模型 | PET/CT扫描图像 | 409名口咽癌患者 | NA | NA | NA | NA |
| 14817 | 2025-03-08 |
Deep learning combining imaging, dose and clinical data for predicting bowel toxicity after pelvic radiotherapy
2025-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100710
PMID:40046574
|
研究论文 | 本研究提出了一种深度学习模型，用于同时分析计算机断层扫描、剂量分布和临床元数据，以预测盆腔放疗后的肠道毒性，并识别临床风险因素和解剖区域的影响 | 开发了一种基于多实例学习、特征级融合和注意力的深度模型，能够同时分析3D成像和临床数据，识别潜在风险因素和关键解剖区域 | 数据集来自313名患者，虽然样本量较大，但患者群体的异质性（剂量、体积、分割、伴随治疗和随访期）可能影响模型的泛化能力 | 预测盆腔放疗后的肠道毒性，并识别临床风险因素和解剖区域的影响 | 313名接受3D适形放疗和容积调强弧形放疗的患者 | 数字病理 | NA | 深度学习 | 多实例学习模型 | 3D计算机断层扫描、计划剂量分布、临床数据 | 313名患者 | NA | NA | NA | NA |
| 14818 | 2025-03-08 |
Leveraging automated time-lapse microscopy coupled with deep learning to automate colony forming assay
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1520972
PMID:40046624
|
研究论文 | 本文介绍了一种结合延时显微镜和深度学习的人工智能辅助自动化集落形成实验（CFA）平台，用于实时跟踪集落形成并评估药物疗效 | 开发了一种基于深度学习和多目标跟踪的自动化集落计数平台，显著减少了人工操作并提高了准确性，同时支持长期细胞间相互作用和治疗反应的详细研究 | 未来需要与基于灌注的药物筛选系统集成以进一步增强个性化癌症治疗 | 开发一种自动化、高通量的集落形成实验平台，用于评估单癌细胞的克隆扩展能力和药物疗效 | B-急性淋巴细胞白血病（B-ALL）细胞 | 数字病理学 | 白血病 | 延时显微镜、深度学习 | YOLOv8 | 图像 | E2A-PBX1小鼠模型中的B-ALL细胞 | NA | NA | NA | NA |
| 14819 | 2025-10-07 |
A Hardware Accelerator for Real-Time Processing Platforms Used in Synthetic Aperture Radar Target Detection Tasks
2025-Feb-07, Micromachines
IF:3.0Q2
DOI:10.3390/mi16020193
PMID:40047666
|
研究论文 | 本文设计了一种用于合成孔径雷达目标检测任务的低功耗硬件加速器 | 提出适用于多维卷积并行计算的处理引擎和独特的存储器排列设计，充分利用FPGA计算资源 | 仅基于Virtex 7 690t芯片进行验证，未在其他硬件平台上测试 | 解决机载或星载实时处理平台的功耗问题，实现实时SAR图像目标检测 | 合成孔径雷达图像中的目标检测 | 计算机视觉 | NA | 合成孔径雷达成像 | CNN | SAR图像 | NA | Yolov5s | Yolov5s | 处理速度（52.19张/秒），功耗（7瓦） | Virtex 7 690t FPGA芯片 |
| 14820 | 2025-03-06 |
Deep Learning-Powered CT-Less Multitracer Organ Segmentation From PET Images: A Solution for Unreliable CT Segmentation in PET/CT Imaging
2025-Apr-01, Clinical nuclear medicine
IF:9.6Q1
DOI:10.1097/RLU.0000000000005685
PMID:39883026
|
研究论文 | 本研究开发了一种不依赖CT图像的PET器官分割框架，利用深度学习模型对两种常用PET示踪剂进行多器官分割 | 提出了一种不依赖CT图像的PET器官分割方法，解决了PET/CT成像中CT分割不可靠的问题 | 研究中排除了PET和CT图像不匹配的病例，可能影响模型的泛化能力 | 开发一种不依赖CT图像的PET器官分割框架，以解决PET/CT成像中CT分割不可靠的问题 | 2062例PET/CT图像，包括18 F-FDG和68 Ga-PSMA两种示踪剂 | 数字病理学 | NA | 深度学习 | nnU-Net | PET/CT图像 | 2062例PET/CT图像 | NA | NA | NA | NA |