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 19278 篇文献，本页显示第 15161 - 15180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15161 | 2025-05-09 |
The state-of-the-art in cardiac MRI reconstruction: Results of the CMRxRecon challenge in MICCAI 2023
2025-Apr, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103485
PMID:39946779
|
研究论文 | 本文介绍了2023年心脏MRI重建挑战赛（CMRxRecon）的结果，该挑战赛旨在推动数据驱动的心脏MRI重建算法的发展 | 提出了一个公开可用的心脏k空间数据集，并组织了大规模的挑战赛以促进深度学习在心脏MRI重建中的应用 | 挑战赛的数据集虽然广泛，但仍可能存在数据多样性和代表性的限制 | 加速心脏MRI扫描并提高成像性能，解决现有数据驱动重建算法发展中的瓶颈 | 心脏MRI的k空间数据，包括电影和映射原始数据 | 数字病理 | 心血管疾病 | 深度学习 | E2E-VarNet, U-Net | k空间数据 | 超过285个团队和600多名参与者，22个团队提交了测试阶段的Docker容器 | NA | NA | NA | NA |
| 15162 | 2025-05-09 |
Evaluation and failure analysis of four commercial deep learning-based autosegmentation software for abdominal organs at risk
2025-Apr, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70010
PMID:39946266
|
研究论文 | 评估四种商业深度学习自动分割软件在腹部危及器官分割中的表现并分析其失败原因 | 首次对四种商业深度学习自动分割软件进行系统性异常值分析，总结六类失败模式 | 仅分析111例患者数据，部分异常分割原因缺乏足够证据确认 | 评估商业深度学习自动分割软件的性能并分析其失败模式 | 四种商业深度学习自动分割软件（Limbus AI、MIM Contour ProtégéAI、Radformation AutoContour、Siemens syngo.via） | digital pathology | NA | deep learning-based segmentation | NA | medical imaging | 111例患者病例 | NA | NA | NA | NA |
| 15163 | 2025-05-09 |
Screening of estrogen receptor activity of per- and polyfluoroalkyl substances based on deep learning and in vivo assessment
2025-Mar-15, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.125843
PMID:39947576
|
研究论文 | 提出了一种基于深度学习的堆叠架构GXDNet，用于预测全氟和多氟烷基物质（PFAS）的雌激素受体α（ERα）活性，并通过实验验证了代表性PFAS分子的ERα活性 | 开发了GXDNet模型，整合分子描述符和分子图来预测化合物的ERα活性，提高了泛化能力，并揭示了氟化烷烃链对ERα结合亲和力的增强作用 | 研究集中于ERα活性，未涵盖PFAS的其他潜在毒性机制 | 开发预测PFAS雌激素受体活性的深度学习模型，以加速环保型PFAS分子的开发 | 全氟和多氟烷基物质（PFAS）分子 | 机器学习 | NA | 深度学习 | GXDNet（堆叠深度学习架构） | 分子描述符和分子图 | 10,067个PFAS分子 | NA | NA | NA | NA |
| 15164 | 2025-10-07 |
Video-based robotic surgical action recognition and skills assessment on porcine models using deep learning
2025-03, Surgical endoscopy
DOI:10.1007/s00464-024-11486-3
PMID:39806176
|
研究论文 | 本研究开发了一种基于深度学习的自动化手术技能评估工具，通过视频分析识别机器人辅助手术动作并评估手术技能 | 结合CNN和LSTM网络架构同时提取空间和时间特征，使用猪模型进行数据收集，并应用GradCAM增强模型可解释性 | 在猪模型环境中开发的AI系统需要进一步测试其在临床环境中检测错误和提供反馈的能力 | 开发自动化手术技能评估工具，辅助外科医生培训 | 机器人辅助手术视频数据 | 计算机视觉 | NA | 深度学习 | CNN,LSTM | 视频 | 21名参与者（16名新手和5名经验丰富者）在猪模型上执行16种不同的机器人辅助腹腔手术 | NA | CNN结合LSTM的混合架构 | 准确率 | NA |
| 15165 | 2025-05-09 |
A Veterinary DICOM-Based Deep Learning Denoising Algorithm Can Improve Subjective and Objective Brain MRI Image Quality
2025-Mar, Veterinary radiology & ultrasound : the official journal of the American College of Veterinary Radiology and the International Veterinary Radiology Association
IF:1.3Q2
DOI:10.1111/vru.70015
PMID:39945204
|
研究论文 | 本研究评估了一种专为兽医患者开发的基于DICOM的深度学习去噪算法对犬猫脑部MRI图像质量的影响 | 开发了首个专为兽医患者设计的DICOM-based深度学习去噪算法，并验证其在1.5T MRI上的效果 | 样本量较小(30只犬猫)，仅测试了1.5T MRI系统 | 评估深度学习去噪算法对兽医脑部MRI图像质量的改善效果 | 30只犬猫的脑部MRI图像 | 数字病理 | 兽医神经疾病 | MRI | 深度学习(DL) | 医学影像 | 30只犬猫的脑部MRI图像 | NA | NA | NA | NA |
| 15166 | 2025-05-09 |
[18F]FDG administered activity reduction capabilities of a 32-cm axial field-of-view solid-state digital bismuth germanium oxide PET/CT system while maintaining EARL compliance
2025-Mar, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.104935
PMID:39956005
|
研究论文 | 评估数字BGO 32厘米轴向视场PET系统在符合当前和更新的EANM Research Ltd氟-18认证规范（EARL1和EARL2）的情况下，降低[18F]FDG给药活性和/或扫描时间的能力 | 使用数字BGO PET系统结合深度学习图像增强技术（PDL），显著降低[18F]FDG给药活性，同时保持EARL1和EARL2合规性 | 研究仅基于幻影测量，未涉及实际患者数据 | 评估PET系统在降低放射性药物活性和扫描时间方面的性能 | 数字BGO 32厘米轴向视场PET系统（Omni Legend 32 cm） | 医学影像 | NA | PET/CT成像，深度学习图像增强（PDL） | NA | 医学影像数据 | 使用校准QC和NEMA IEC幻影进行测量，图像质量QC扫描每小时重复一次，共7小时 | NA | NA | NA | NA |
| 15167 | 2025-05-09 |
Deep learning opportunistic screening for osteoporosis and osteopenia using radiographs of the foot or ankle - A pilot study
2025-Mar, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.111980
PMID:39946811
|
研究论文 | 本研究旨在开发一种深度学习模型，通过足部或踝关节的X光片筛查骨质疏松或骨质减少 | 开发了一种新颖的深度学习模型，利用定制的架构从足部和踝关节的X光片中提取深度特征，用于骨质疏松或骨质减少的筛查 | 研究为回顾性横断面研究，样本中白种人占比较高（96.7%），可能影响模型的泛化能力 | 创建一种深度学习模型，用于通过足部或踝关节的X光片筛查骨质疏松或骨质减少 | 50岁及以上接受足部或踝关节X光检查及DXA检查的患者 | 数字病理学 | 骨质疏松 | X光成像 | 深度学习定制架构 | 图像 | 907名患者（3109张X光片），其中白种人占96.7%，黑人占1.8%，亚洲人占0.4% | NA | NA | NA | NA |
| 15168 | 2025-05-09 |
Stacked CNN-based multichannel attention networks for Alzheimer disease detection
2025-Feb-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85703-x
PMID:39962097
|
research paper | 该研究提出了一种基于堆叠CNN和多通道注意力网络的轻量级模型SCCAN，用于MRI图像中的阿尔茨海默病检测 | 提出了一种结合堆叠CNN和通道注意力模块的新型模型SCCAN，通过多层次特征提取和通道维度上的特征选择，有效减少噪声并提升特征权重效果 | 模型在较小数据集上训练，可能在大规模数据集上的泛化能力有待验证 | 开发一种高效的阿尔茨海默病自动识别系统 | 阿尔茨海默病患者的MRI图像 | digital pathology | geriatric disease | MRI | CNN, Channel Attention Network | image | ADNI1 Complete 1Yr 1.5T, Kaggle和OASIS-1数据集 | NA | NA | NA | NA |
| 15169 | 2025-05-09 |
Dense convolution-based attention network for Alzheimer's disease classification
2025-Feb-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85802-9
PMID:39962113
|
研究论文 | 提出了一种名为DenseAttentionNetwork (DANet)的轻量级模型，用于在3D MRI图像中检测阿尔茨海默病 | 结合密集连接和线性注意力机制，以较少的参数实现高效预测，并克服标准自注意力的一些限制 | 未提及具体的局限性 | 开发一个高效且参数较少的模型，用于阿尔茨海默病的分类 | 3D MRI图像 | 数字病理学 | 阿尔茨海默病 | 3D MRI成像 | CNN与线性注意力机制结合的DANet | 3D图像 | 多机构数据集，具体数量未提及 | NA | NA | NA | NA |
| 15170 | 2025-05-09 |
Research on the development of an intelligent prediction model for blood pressure variability during hemodialysis
2025-Feb-17, BMC nephrology
IF:2.2Q2
DOI:10.1186/s12882-025-03959-x
PMID:39962403
|
research paper | 开发一种智能预测模型，用于预测血液透析期间血压变异性 | 利用机器学习和深度学习模型预测血液透析期间的血压波动，并通过SHAP方法识别关键特征，开发临床应用程序 | 研究数据仅来自两家医院，可能缺乏广泛代表性 | 预测血液透析期间的血压波动（IDH和IDHTN），以减少并发症 | 血液透析患者 | machine learning | cardiovascular disease | machine learning, SHAP | XGBoost, CatBoost, RF | clinical data | 67,524次血液透析会话（47,053次用于模型训练和测试，20,471次用于外部验证） | NA | NA | NA | NA |
| 15171 | 2025-05-09 |
Predicting visual field global and local parameters from OCT measurements using explainable machine learning
2025-Feb-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89557-1
PMID:39956834
|
研究论文 | 该研究开发了五种回归模型，用于从光学相干断层扫描（OCT）数据预测视野（VF）测量，并通过SHAP分析提高模型的可解释性，同时开发了一个名为OCT to VF Predictor的临床软件工具 | 引入了点态归一化和步长概念，在点态敏感性预测中获得了2.51 dB的平均绝对误差，灰度预测模型的平均结构相似性指数达到77%，并通过SHAP分析为青光眼诊断提供了关键特征见解 | 研究样本量相对有限（268只青光眼和226只正常眼），且未提及模型在其他疾病或更大样本中的泛化能力 | 通过机器学习和可解释AI工具预测青光眼患者的视野参数，辅助眼科医生进行诊断 | 青光眼患者和正常人的眼睛（共494只眼，包括早期、中期和晚期青光眼） | 机器学习 | 青光眼 | 光学相干断层扫描（OCT） | 回归模型 | 医学影像数据 | 268只青光眼（86早期、72中期、110晚期）和226只正常眼 | NA | NA | NA | NA |
| 15172 | 2025-05-09 |
RNA-protein interaction prediction using network-guided deep learning
2025-Feb-16, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-025-07694-9
PMID:39956833
|
research paper | 介绍了一种名为ZHMolGraph的网络引导深度学习方法，用于预测RNA-蛋白质相互作用 | 整合了图神经网络和无监督大型语言模型，显著提高了对未知RNA和蛋白质相互作用的预测准确性 | RNA数量有限且灵活性高，可能限制了深度学习模型的有效性 | 提高RNA-蛋白质相互作用的计算预测准确性 | RNA和蛋白质的相互作用 | machine learning | NA | graph neural network, unsupervised large language models | ZHMolGraph | RNA-protein interaction data | 两个基准数据集，包括未知RNA和蛋白质的数据集 | NA | NA | NA | NA |
| 15173 | 2025-05-09 |
Development and validation of MRI-derived deep learning score for non-invasive prediction of PD-L1 expression and prognostic stratification in head and neck squamous cell carcinoma
2025-Feb-16, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00837-5
PMID:39956910
|
研究论文 | 开发并验证了一种基于MRI的深度学习评分（DLS），用于无创预测头颈部鳞状细胞癌（HNSCC）患者的PD-L1表达状态及其对免疫检查点抑制剂（ICI）治疗的预后分层效果 | 利用ResNet-101卷积神经网络和基于transformer的注意力机制模型，融合多序列MRI特征，首次实现了对HNSCC患者PD-L1表达的无创预测和预后分层 | 研究样本来自两个机构，可能存在选择偏倚；模型性能在外部验证队列中有所下降 | 开发非侵入性预测HNSCC患者PD-L1表达的方法，并评估其对免疫治疗预后的预测价值 | 头颈部鳞状细胞癌（HNSCC）患者 | 数字病理 | 头颈部鳞状细胞癌 | MRI（T1WI、T2WI和对比增强T1WI） | ResNet-101 CNN与transformer融合模型 | 医学影像 | 来自两个机构的610名HNSCC患者（四个队列） | NA | NA | NA | NA |
| 15174 | 2025-05-09 |
Deep learning for detecting and early predicting chronic obstructive pulmonary disease from spirogram time series
2025-Feb-15, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-025-00489-y
PMID:39955293
|
研究论文 | 提出了一种名为DeepSpiro的深度学习新方法，用于从肺活量时间序列中检测和早期预测慢性阻塞性肺疾病(COPD) | 开发了DeepSpiro，一个包含四个关键组件的深度学习框架，能够基于细微数据模式预测未来COPD风险，预测时间跨度可达1-5年或更长 | NA | 早期预测慢性阻塞性肺疾病(COPD)的未来风险 | 肺活量时间序列数据 | 机器学习 | 慢性阻塞性肺疾病 | 深度学习 | DeepSpiro(包含SpiroSmoother, SpiroEncoder, SpiroExplainer, SpiroPredictor) | 时间序列数据(Volume-Flow曲线) | UK Biobank数据集 | NA | NA | NA | NA |
| 15175 | 2025-05-09 |
Machine learning via DARTS-Optimized MobileViT models for pancreatic Cancer diagnosis with graph-based deep learning
2025-Feb-15, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02923-x
PMID:39955532
|
研究论文 | 本研究提出了一种结合基于图的数据表示和DARTS优化的MobileViT模型的新方法，以提高胰腺癌诊断的准确性和可靠性 | 创新性地将基于图的深度学习与机器学习技术结合，使用DARTS优化的MobileViT模型进行胰腺癌诊断，性能优于传统CNN和Vision Transformer模型 | 未提及具体的研究局限性 | 提高胰腺癌诊断的准确性和可靠性 | 胰腺CT图像 | 计算机视觉 | 胰腺癌 | Harris角点检测算法、DARTS、KNN、SVM、RF、XGBoost | MobileViTv2_150、MobileViTv2_200、CNN、Vision Transformer | 图像 | NA | NA | NA | NA | NA |
| 15176 | 2025-05-09 |
AlphaFold prediction of structural ensembles of disordered proteins
2025-Feb-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56572-9
PMID:39952928
|
research paper | 本文介绍了AlphaFold-Metainference方法，利用AlphaFold预测的距离作为分子动力学模拟的结构约束，构建有序和无序蛋白质的结构集合 | 将AlphaFold预测的距离用于分子动力学模拟，构建无序蛋白质的结构集合，填补了深度学习在无序蛋白质预测领域的空白 | 方法依赖于AlphaFold的预测准确性，且需要进一步验证在更广泛无序蛋白质上的适用性 | 探索深度学习方法在预测无序蛋白质结构集合中的应用 | 有序和无序蛋白质 | machine learning | NA | AlphaFold, 分子动力学模拟 | AlphaFold | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 15177 | 2025-05-09 |
Reducing inference cost of Alzheimer's disease identification using an uncertainty-aware ensemble of uni-modal and multi-modal learners
2025-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86110-y
PMID:39952976
|
research paper | 提出一种基于MRI和FDG PET的多模态深度学习方法，通过结合MRI模型的不确定性估计来减少对FDG PET扫描的依赖，从而降低阿尔茨海默病识别的推理成本 | 结合MRI模型的不确定性估计（使用蒙特卡洛dropout和证据深度学习生成）来决定是否需要FDG PET扫描，仅在必要时输入FDG PET到多模态模型中 | 假设MRI和FDG PET数据在模型训练时可用，但在实际临床中可能并非总是如此 | 优化阿尔茨海默病的识别方法，减少对昂贵且有辐射的FDG PET扫描的依赖 | 阿尔茨海默病患者 | digital pathology | geriatric disease | MRI, FDG PET, Monte Carlo dropout, evidential deep learning | multi-modal deep learning | image | NA | NA | NA | NA | NA |
| 15178 | 2025-05-09 |
Detection and classification of glomerular lesions in kidney graft biopsies using 2-stage deep learning approach
2025-Feb-14, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000041560
PMID:39960931
|
研究论文 | 使用两阶段深度学习方法检测和分类肾移植活检中的肾小球病变 | 采用两阶段分类策略，结合U-Net和MobileNetV2模型，有效检测和分类肾小球病变，提供了一种潜在的活检分诊系统 | 样本量相对较小（137张活检切片，来自80名患者），且未提及模型在其他数据集上的泛化能力 | 评估深度学习在肾移植活检中检测和分类肾小球病变的有效性 | 肾移植患者的肾活检切片 | 数字病理学 | 肾脏疾病 | 深度学习 | U-Net, MobileNetV2, VGG16 | 图像 | 137张肾活检切片，来自80名肾移植患者（中位年龄52岁，65%男性，35%女性） | NA | NA | NA | NA |
| 15179 | 2025-10-07 |
An assessment of breast cancer HER2, ER, and PR expressions based on mammography using deep learning with convolutional neural networks
2025-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83597-9
PMID:39924532
|
研究论文 | 本研究开发了一种基于注意力机制的深度学习模型，通过乳腺X线摄影图像预测乳腺癌HER2、ER和PR受体表达 | 首次将卷积块注意力模块(CBAM)与ResNet-18结合应用于乳腺X线摄影图像，无需手动分割肿块即可预测三种受体表达 | 样本量相对有限，仅来自两个医疗中心，需要更大规模的外部验证 | 开发基于深度学习的乳腺癌生物标志物预测模型 | 经病理证实的乳腺癌患者的乳腺X线摄影图像 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | 来自两个中心的乳腺癌患者乳腺X线图像 | NA | CBAM ResNet-18, ResNet-18, VGG-19 | AUC, 准确率, F1分数 | NA |
| 15180 | 2025-05-09 |
Deep Learning Model Compression and Hardware Acceleration for High-Performance Foreign Material Detection on Poultry Meat Using NIR Hyperspectral Imaging
2025-Feb-06, Sensors (Basel, Switzerland)
DOI:10.3390/s25030970
PMID:39943610
|
研究论文 | 本研究通过结合训练后量化和硬件加速技术，优化了基于高光谱成像（HSI）的深度学习模型推理，用于禽肉中异物的实时检测 | 采用训练后量化和硬件加速技术优化深度学习模型推理，显著提高了高光谱数据处理的实时性 | 研究基于模拟的高光谱线扫描相机数据，未在实际工业环境中验证 | 解决高光谱数据高维度和深度学习模型计算复杂度带来的实时检测挑战 | 禽肉加工中的异物检测 | 计算机视觉 | NA | 高光谱成像（HSI） | 深度学习模型 | 高光谱图像 | 模拟数据（140-250只禽类/分钟的产线速度） | NA | NA | NA | NA |