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 1561 - 1580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1561 | 2025-12-20 |
Segmentation of the right ventricular myocardial infarction in multi-centre cardiac magnetic resonance images
2025-Dec-09, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103911
PMID:41412022
|
研究论文 | 本文提出了一种多阶段深度学习模型RVMISegNet，用于分割多中心心脏磁共振图像中的右心室心肌梗死，并发布了首个公开数据集 | 首次发布了右心室心肌梗死分割的公开基准数据集，并设计了一个多阶段序列深度学习模型，通过伪标签生成和纹理语义模块集成来解决类别不平衡和强度重叠问题 | 数据集仅包含213名受试者，可能样本量有限；模型依赖于多阶段处理，可能增加计算复杂度 | 开发一个准确分割右心室心肌梗死的深度学习模型，以辅助诊断和治疗 | 多中心心脏磁共振图像中的右心室心肌梗死区域 | 数字病理学 | 心血管疾病 | 心脏磁共振成像 | 深度学习 | 图像 | 213名受试者的短轴MR图像，来自3个中心，使用Philips、GE和Siemens设备采集 | NA | UNet++ | NA | NA |
| 1562 | 2025-12-20 |
Artificial intelligence-driven 3-dimensional simulation system for enhanced preoperative planning in gastric cancer surgery: a retrospective validation study
2025-Dec-08, Journal of gastrointestinal surgery : official journal of the Society for Surgery of the Alimentary Tract
IF:2.2Q2
DOI:10.1016/j.gassur.2025.102295
PMID:41371602
|
研究论文 | 本研究开发了一种基于人工智能的3D模拟系统，用于增强胃癌手术的术前规划，通过自动识别胃部解剖结构和血管关系 | 结合深度学习模型自动分割腹部器官和检测血管，包括中动脉水平结构，生成3D图像以可视化胃、周围器官和血管之间的位置关系 | 研究为回顾性验证，样本量较小（51例），且仅基于对比增强CT图像，未涉及其他影像模态或前瞻性临床验证 | 开发人工智能驱动的3D模拟系统，以辅助胃癌手术的术前规划，提高手术精确性和安全性 | 胃癌术前患者的对比增强CT图像，重点关注胃、胰腺、动脉等腹部器官和血管结构 | 数字病理 | 胃癌 | 对比增强计算机断层扫描（CT） | 深度学习模型 | CT图像 | 51例胃癌术前患者的CT图像 | NA | NA | 结构检测置信度评分（5点量表），可靠性评分比较 | NA |
| 1563 | 2025-12-20 |
Comprehensive review on learning models of leukemia detection based on morphological information
2025-Dec-04, Leukemia & lymphoma
IF:2.2Q3
DOI:10.1080/10428194.2025.2583449
PMID:41340531
|
综述 | 本文系统回顾了基于人工智能的白血病检测方法，涵盖图像获取、预处理、分割及分类模型 | 全面梳理了白血病检测中的人工智能方法，并指出了现有问题与未来方向 | NA | 系统回顾人工智能在白血病诊断中的应用 | 白血病检测的人工智能方法 | 数字病理学 | 白血病 | 外周血涂片显微镜检查、流式细胞术、骨髓活检成像 | 机器学习、深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1564 | 2025-12-20 |
FlowMRI-Net: A generalizable self-supervised 4D flow MRI reconstruction network
2025 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2025.101913
PMID:40383184
|
研究论文 | 提出了一种名为FlowMRI-Net的通用自监督深度学习框架，用于快速准确重建高度欠采样的4D血流MRI数据 | 采用基于物理驱动的展开优化和复值卷积循环神经网络，以自监督方式进行训练，提高了重建速度和准确性，并展示了在主动脉和脑血管应用中的通用性 | 未明确提及具体局限性，但可能包括对特定血管区域的适用性验证不足或数据多样性有限 | 开发一个通用自监督深度学习框架，用于快速准确重建高度欠采样的4D血流MRI数据，并应用于主动脉和脑血管 | 主动脉和脑血管的4D血流MRI数据 | 医学影像处理 | 心血管疾病 | 4D血流MRI | 卷积循环神经网络 | MRI图像 | NA | NA | FlowMRI-Net | 向量归一化均方根误差, 平均方向误差 | 商用CPU/GPU硬件 |
| 1565 | 2025-12-20 |
Referenceless 4D flow cardiovascular magnetic resonance with deep learning
2025 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2025.101920
PMID:40467036
|
研究论文 | 本研究利用深度学习预测心血管四维血流磁共振成像中的参考编码，以减少扫描时间 | 提出了一种无参考编码的四维血流心血管磁共振成像方法，通过深度学习从三个运动编码预测参考编码，从而减少25%的数据采集量 | 在右心室的最大速度和平均速度以及左心室和右心室的总湍流动能方面存在较大误差，且模型性能在心脏周期和测试对象间存在不一致性 | 通过深度学习减少四维血流心血管磁共振成像的扫描时间，同时保持血流速度和流量定量的准确性 | 126名不同类型心肌病患者的心脏四维血流数据集 | 医学影像分析 | 心血管疾病 | 四维血流心血管磁共振成像 | U-Net | 三维速度数据 | 126名患者（113名用于训练，13名用于测试） | NA | U-Net | 流量体积、平均速度、最大速度、总湍流动能、最大湍流动能 | NA |
| 1566 | 2025-12-20 |
Development of a deep learning algorithm for detecting significant coronary artery stenosis in whole-heart coronary magnetic resonance angiography
2025 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2025.101932
PMID:40602666
|
研究论文 | 本研究开发了一种基于深度学习的算法，用于在全心脏冠状动脉磁共振血管成像中检测显著的冠状动脉狭窄 | 首次提出了一种基于深度卷积神经网络的深度学习算法，用于自动检测全心脏冠状动脉磁共振血管成像中的显著狭窄，并验证了其作为辅助诊断工具对经验不足的观察者的有效性 | 研究样本量相对较小（75名患者），且仅使用单一中心的影像数据，可能影响模型的泛化能力 | 开发一种深度学习算法，用于准确检测全心脏冠状动脉磁共振血管成像中的显著冠状动脉狭窄，并评估其作为辅助诊断工具的效果 | 75名同时接受全心脏冠状动脉磁共振血管成像和有创冠状动脉造影的患者的951个冠状动脉节段 | 计算机视觉 | 心血管疾病 | 全心脏冠状动脉磁共振血管成像，有创冠状动脉造影 | CNN | 图像 | 75名患者的951个冠状动脉节段 | NA | 深度卷积神经网络 | AUC, 灵敏度, 特异度, 准确率 | NA |
| 1567 | 2025-12-20 |
Three-dimensional distensibility of the aorta derived from four-dimensional cardiovascular magnetic resonance in young and middle-aged adults with Marfan syndrome
2025 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2025.101975
PMID:41173273
|
研究论文 | 本研究使用四维心血管磁共振成像技术，评估了马凡综合征患者主动脉的三维扩张性和位移，并与健康志愿者进行比较 | 首次利用深度学习算法从四维心血管磁共振成像中提取主动脉三维扩张性和位移，作为马凡综合征的新影像学生物标志物 | 研究样本量有限，且为横断面研究，缺乏纵向数据验证预测价值 | 比较马凡综合征患者与健康志愿者的主动脉三维扩张性和位移，探索新的影像学生物标志物 | 年轻和中年马凡综合征患者（包括有或无主动脉根部手术史）和健康志愿者 | 数字病理学 | 马凡综合征 | 四维心血管磁共振成像，深度学习算法 | 深度学习 | 磁共振图像 | 131名参与者（47名健康志愿者，51名未手术马凡综合征患者，33名术后马凡综合征患者） | NA | NA | NA | NA |
| 1568 | 2025-12-20 |
Prevalence, Immune Checkpoint Expression, and Spatial Interplay of Immune Cells Are Linked to Favorable Tumor Phenotype in 4915 Human Carcinomas
2025-Dec, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2025.104248
PMID:41067503
|
研究论文 | 本研究通过深度学习框架和多重荧光免疫组化技术，全面评估了43种人类癌症中上皮内免疫细胞的密度、免疫检查点表达及空间相互作用 | 首次在单细胞分辨率下，对4915个肿瘤样本中的21种生物标志物进行量化，并识别出一个与低病理肿瘤分期相关的、高度炎症性的泛癌症表型 | 研究基于组织微阵列格式，可能无法完全代表整个肿瘤的异质性；且为观察性研究，未直接验证治疗反应 | 评估人类癌症中上皮内免疫细胞的密度、免疫检查点表达及其空间相互作用，以探索与肿瘤表型的关联 | 4915个来自43种不同癌症实体的肿瘤样本 | 数字病理学 | 癌症 | 多重荧光免疫组化（BLEACH&STAIN），深度学习框架 | NA | 图像 | 4915个肿瘤样本 | NA | NA | NA | NA |
| 1569 | 2025-12-20 |
AI-Driven Early Detection of Diabetic Glaucoma and Emerging Horizons in Bionic Eye Technology
2025-Dec-01, Zhongguo ying yong sheng li xue za zhi = Zhongguo yingyong shenglixue zazhi = Chinese journal of applied physiology
DOI:10.62958/j.cjap.2025.031
PMID:41320280
|
综述 | 本文综述了人工智能在糖尿病性青光眼早期检测中的应用以及仿生眼技术在视觉恢复方面的进展 | 强调了将AI驱动的诊断与新兴仿生眼技术相结合，代表了糖尿病性青光眼管理方式的重大转变 | NA | 探讨人工智能在早期识别糖尿病性青光眼中的作用，并回顾旨在帮助受影响个体恢复视力的仿生眼技术进展 | 糖尿病性青光眼患者，视网膜图像，仿生眼系统 | 医学影像分析，神经工程 | 糖尿病性青光眼 | 视网膜成像，光学相干断层扫描 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1570 | 2025-12-20 |
Use of artificial intelligence for detection of MB2 canals in maxillary first molars on CBCT: a systematic review and meta-analysis
2025-Dec-01, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-07254-x
PMID:41327142
|
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在CBCT图像中检测上颌第一磨牙第二近颊根管（MB2）的诊断准确性 | 首次对人工智能在CBCT图像中检测MB2根管的诊断性能进行系统综述和荟萃分析，并比较了深度学习与传统机器学习模型的性能差异 | 纳入研究数量有限（4项），样本量小，存在显著的异质性，限制了结果的普遍适用性 | 评估人工智能在CBCT图像中识别上颌第一磨牙MB2根管的诊断准确性 | 上颌第一磨牙的CBCT图像 | 医学影像分析 | 牙髓病学/口腔疾病 | 锥形束计算机断层扫描（CBCT） | 深度学习, 传统机器学习 | 医学影像（CBCT图像） | NA（纳入4项研究，具体样本量未在摘要中汇总） | NA | NA | 灵敏度, 特异度, 准确度, 阳性预测值, 阴性预测值 | NA |
| 1571 | 2025-12-20 |
Artificial Intelligence-Based Predictive Modeling for Early Detection of Sepsis in Hospitalized Patients: A Systematic Review and Meta-Analysis
2025-Dec-01, Critical care explorations
DOI:10.1097/CCE.0000000000001360
PMID:41348160
|
系统综述与荟萃分析 | 本文对2015年至2025年间发表的基于人工智能的脓毒症早期预测模型进行了系统综述与荟萃分析 | 系统评估了多种AI模型在脓毒症早期检测中的应用，并比较了其性能，指出了当前研究的局限与未来方向 | 大多数研究为回顾性设计，前瞻性或实时临床验证研究有限，模型的可推广性、可解释性及临床实施仍面临挑战 | 评估用于成人住院患者脓毒症早期检测的人工智能预测模型 | 成人住院患者的电子健康记录数据 | 机器学习 | 脓毒症 | 电子健康记录数据分析 | 随机森林, 神经网络, 支持向量机, 深度学习 | 结构化数据（生命体征、实验室值、人口统计学）与非结构化临床文本 | 共纳入52项研究，具体样本量未在摘要中明确说明 | NA | 长短期记忆网络, 卷积神经网络 | AUC, 灵敏度, 特异性, F1分数 | NA |
| 1572 | 2025-12-20 |
A deep learning approach for time-consistent cell cycle phase prediction from microscopy data
2025-Dec, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013800
PMID:41379930
|
研究论文 | 本文提出了一种基于深度学习的细胞周期阶段预测方法，利用SiR-DNA荧光标记数据，无需专用细胞周期标记即可实现高精度分类 | 开发了CC-VAE模型，通过变分自编码器结合辅助任务（预测相特异性标记平均强度和潜在空间时间一致性正则化），首次从常用DNA标记中推断细胞周期阶段 | 模型主要基于HeLa Kyoto细胞系数据验证，在其他细胞类型中的泛化能力未充分评估 | 开发一种无需专用细胞周期标记的细胞周期阶段预测方法，以释放荧光通道用于其他实验目的 | HeLa Kyoto细胞系的细胞周期阶段 | 计算机视觉 | NA | 显微镜成像，SiR-DNA荧光标记 | VAE | 图像 | 超过600,000张标记的HeLa Kyoto细胞核图像 | NA | CC-VAE | 准确率 | NA |
| 1573 | 2025-12-20 |
Deep Learning Models for Evaluating the Anatomical Relationship Between Posterior Maxillary Teeth and Maxillary Sinus in Panoramic Radiographs
2025-Dec, Clinical and experimental dental research
IF:1.7Q3
DOI:10.1002/cre2.70264
PMID:41399179
|
研究论文 | 本研究探讨了深度学习模型在曲面断层片上评估上颌后牙与上颌窦解剖关系的效能 | 首次将VGG、ResNet和ResNeXt等卷积神经网络架构应用于曲面断层片，以自动评估上颌后牙与上颌窦的解剖关系，为CBCT不可用时提供有效的诊断辅助工具 | ResNet和ResNeXt模型在30-50个周期后出现过拟合迹象，且假阳性主要发生在第二磨牙被错误分类为接触窦的情况 | 评估深度学习模型在曲面断层片上预测上颌后牙与上颌窦解剖关系的准确性和可靠性 | 上颌后牙与上颌窦的解剖关系 | 计算机视觉 | NA | 曲面断层成像 | CNN | 图像 | 300张曲面断层图像和1760个裁剪切片 | NA | VGG, ResNet, ResNeXt | 准确率, 精确率, 召回率, F1分数, ROC-AUC, 混淆矩阵 | NA |
| 1574 | 2025-12-20 |
A novel expert-annotated single-cell dataset for thyroid cancer diagnosis with deep learning benchmarks
2025-Dec, PLOS digital health
DOI:10.1371/journal.pdig.0001120
PMID:41401160
|
研究论文 | 本文介绍了一个用于甲状腺癌诊断的新型专家标注单细胞图像数据集，并基于该数据集建立了多标签分类的深度学习基准模型 | 提出了首个专家标注的甲状腺癌单细胞图像数据集，并构建了融合ConvNeXt、ViT和ResNet骨干网络及多种类别不平衡处理技术的多标签分类基准流程 | 数据集样本量相对有限（3,419张图像），且仅来自单一医疗机构，可能影响模型的泛化能力 | 开发用于甲状腺癌自动化细胞学诊断的可靠人工智能系统 | 甲状腺组织单细胞图像 | 数字病理学 | 甲状腺癌 | 组织病理学切片成像 | CNN, Transformer | 图像 | 3,419张单细胞图像 | PyTorch | ConvNeXt, Vision Transformer, ResNet | 准确率, 精确率, 召回率, F1分数 | NA |
| 1575 | 2025-12-20 |
Deep learning for imaging diagnosis of jaw cystic lesions and maxillofacial tumors: A narrative review
2025-Dec, The Journal of international medical research
IF:1.4Q4
DOI:10.1177/03000605251404778
PMID:41401467
|
综述 | 本文综述了深度学习在颌骨囊性病变和颌面部肿瘤影像诊断中的应用，包括检测、分类和分割方法 | 系统总结了深度学习在口腔颌面放射学中的最新应用，并批判性分析了数据集限制、模型可解释性等关键问题，提出了联邦学习、多模态融合等新兴研究方向 | 存在数据集约束、谱和部位偏倚、设备相关异质性、注释不一致以及模型可解释性不足等限制，这些限制了模型的泛化能力 | 综述深度学习在颌骨囊性病变和颌面部肿瘤影像诊断中的应用，并探讨临床实施的实践考虑和未来研究方向 | 颌骨囊性病变和颌面部肿瘤 | 数字病理学 | 颌骨囊性病变和颌面部肿瘤 | 全景X线片和锥形束计算机断层扫描 | CNN, Transformer | 图像 | NA | NA | 单阶段检测器, 卷积神经网络, Transformer | NA | NA |
| 1576 | 2025-12-18 |
Response to the Letter to the Editor "Advancing Clinical and Ethical Dimensions of Deep Learning in Cardiovascular Imaging"
2025-Dec, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.71650
PMID:41403570
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1577 | 2025-12-20 |
Single-Cell and Spatial Multiomics: Applications for Diseases
2025-Dec, MedComm
IF:10.7Q1
DOI:10.1002/mco2.70553
PMID:41403916
|
综述 | 本文综述了单细胞与空间多组学方法及其在理解疾病机制、诊断和精准医学中的应用 | 整合单细胞与空间多组学方法，为疾病发病机制和诊断提供新途径，并探讨深度学习在此类数据分析中的应用 | 该领域相对年轻，技术和方法仍在发展中 | 探讨单细胞与空间多组学在疾病研究中的应用，并概述深度学习在此类数据分析中的角色 | 人类疾病，包括癌症（如头颈部鳞状细胞癌）、神经退行性疾病和衰老 | 生物信息学 | 头颈部鳞状细胞癌, 神经退行性疾病, 衰老相关疾病 | 单细胞多组学, 空间多组学 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 1578 | 2025-12-20 |
Hybrid deep learning and machine learning framework for automated pneumonia detection in chest X-ray images
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103729
PMID:41404541
|
研究论文 | 提出一种结合深度学习与机器学习的混合框架，用于胸部X光图像的自动化肺炎检测 | 采用双CNN特征融合（VGG16 + ResNet）替代单一模型学习，结合PCA降维保留95%方差，并使用SVM与随机森林分类器提升诊断可解释性 | 未明确说明模型在外部验证集或临床环境中的泛化性能，也未讨论不同肺炎亚型（如细菌性/病毒性）的区分能力 | 开发自动化肺炎检测系统以提高诊断准确性与效率 | 胸部X光图像 | 计算机视觉 | 肺炎 | 医学影像分析 | CNN, SVM, RF | 图像 | NA | TensorFlow/Keras, Scikit-learn | VGG16, ResNet | 准确率 | NA |
| 1579 | 2025-12-20 |
Dynamic monitoring and early warning of public emotional perception of risk during extreme rainstorm disasters: A study based on social media
2025-Dec, Applied psychology. Health and well-being
DOI:10.1111/aphw.70101
PMID:41405012
|
研究论文 | 本研究开发了一个结合暴雨特定情感词典与深度学习模型的情感分析框架，用于动态监测和预警极端暴雨灾害期间公众的风险情感感知 | 通过构建暴雨特定情感词典并将其整合到TextCNN模型中，创建了一个知识增强的混合情感分析模型，相比GPT-4o、LLaMA-3和RoBERTa等基线模型，在准确率和F1分数上分别提升了10.9%和9.9% | NA | 增强政府风险沟通和应急响应策略，通过动态监测和预警公众在极端暴雨灾害期间的情感风险感知 | 与暴雨灾害相关的社交媒体帖子 | 自然语言处理 | NA | 文本挖掘，情感分析 | CNN | 文本 | 51,222条微博帖子 | NA | TextCNN | 准确率，F1分数 | NA |
| 1580 | 2025-12-20 |
Facilitating Precision Medicine in HCC Patients by Deep Learning-Directed lncRNAs Classification and Ascertaining Causal Markers
2025-Dec, The journal of gene medicine
IF:3.2Q2
DOI:10.1002/jgm.70066
PMID:41405166
|
研究论文 | 本研究利用深度学习框架对肝细胞癌（HCC）患者的长链非编码RNA（lncRNA）进行分类，以识别新的生物标志物，促进精准医疗 | 构建了一个分层复合深度学习框架，用于根据病理阶段对HCC患者样本进行分类，并结合可解释AI（SHAP）分析识别驱动分类的关键lncRNA | 模型3在区分晚期HCC病理阶段时性能较低（AU-ROC=0.774），突显了晚期阶段lncRNA表达高度相似带来的固有数据挑战 | 通过识别新的lncRNA生物标志物，推进肝细胞癌（HCC）的精准医疗 | 肝细胞癌（HCC）患者样本及其长链非编码RNA（lncRNA）表达数据 | 机器学习 | 肝癌 | RNA-seq | DNN | 基因表达数据 | 来自癌症基因组图谱（TCGA）的HCC患者数据 | NA | 深度神经网络 | AU-ROC | NA |