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 1213 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2025-10-07 |
Deep Learning-Based Tract Classification of Preoperative DWI Tractography Advances the Prediction of Short-Term Postoperative Language Improvement in Children With Drug-Resistant Epilepsy
2025-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2024.3463481
PMID:39292577
|
研究论文 | 开发基于深度卷积神经网络的束路分类方法，通过术前弥散加权成像连接组预测儿童耐药性癫痫患者术后短期语言功能改善 | 扩展了基于DCNN的束路分类方法，利用高质量全脑弥散加权成像连接组数据库，显著提高了连接标记的可重复性和术后语言改善预测准确率 | 研究样本量有限，需要在更大规模队列中验证方法的普适性 | 提高儿童耐药性癫痫患者术后语言功能改善的预测准确性 | 患有耐药性癫痫的儿童患者 | 医学影像分析 | 癫痫 | 弥散加权成像，束路成像 | DCNN | 医学影像 | 独立验证队列 | NA | 深度卷积神经网络 | 准确率，F统计量 | NA |
| 182 | 2025-10-07 |
Deep Learning for Pediatric Sleep Staging From Photoplethysmography: A Transfer Learning Approach From Adults to Children
2025-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2024.3470534
PMID:39331540
|
研究论文 | 本研究采用迁移学习方法，将基于成人数据训练的深度学习模型应用于儿童光电容积脉搏波睡眠分期 | 首次将成人领域的深度学习模型通过迁移学习应用于儿童睡眠分期，解决了儿童数据稀缺的问题 | 对5岁以下儿童性能下降，需要覆盖更广年龄范围的儿科数据集 | 开发基于光电容积脉搏波的自动化儿童睡眠分期算法 | 儿童睡眠数据，特别是5-10岁年龄段 | 机器学习 | 睡眠障碍 | 光电容积脉搏波 | 深度学习 | 时间序列数据 | CHAT数据集（儿童腺样体扁桃体切除术试验）的80%用于训练，包含5-10岁儿童记录 | NA | NA | Cohen's Kappa | NA |
| 183 | 2025-10-07 |
TFTL: A Task-Free Transfer Learning Strategy for EEG-Based Cross-Subject and Cross-Dataset Motor Imagery BCI
2025-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2024.3474049
PMID:39365711
|
研究论文 | 提出一种无需任务校准的迁移学习策略TFTL，用于基于EEG的跨被试和跨数据集运动想象脑机接口 | 首次提出任务无关的迁移学习策略，仅使用目标被试的静息态数据即可构建个性化模型，实现零校准试验 | 未明确说明模型在不同疾病人群中的泛化能力 | 减少运动想象脑机接口的校准时间并实现多中心数据协同建模 | 脑电信号数据 | 机器学习 | 神经康复疾病 | EEG脑电信号采集 | 深度学习 | 脑电信号 | 五个数据集（BCIC IV Dataset 2a, Dataset 1, Physionet MI, Dreyer 2023, OpenBMI） | NA | ShallowConvNet, EEGNet, TCNet-Fusion | 准确率提升 | NA |
| 184 | 2025-10-07 |
A Serial MRI-based Deep Learning Model to Predict Survival in Patients with Locoregionally Advanced Nasopharyngeal Carcinoma
2025-Feb, Radiology. Artificial intelligence
DOI:10.1148/ryai.230544
PMID:39812582
|
研究论文 | 开发基于连续MRI和深度学习的预后模型，用于预测局部晚期鼻咽癌患者的生存率 | 首次将治疗前后的连续MRI与图卷积神经网络结合，构建放射组学-临床预后模型 | 回顾性研究设计，样本量有限 | 预测局部晚期鼻咽癌患者的无病生存期 | 1039例局部晚期鼻咽癌患者 | 医学影像分析 | 鼻咽癌 | MRI成像 | 图卷积神经网络 | 医学影像 | 1039例患者（779男，260女，平均年龄44±11岁） | NA | 图卷积神经网络 | C-index | NA |
| 185 | 2025-05-23 |
Preoperative diagnosis of meningioma sinus invasion based on MRI radiomics and deep learning: a multicenter study
2025-Feb-28, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00845-5
PMID:40022261
|
研究论文 | 本研究通过结合放射组学和深度学习特征构建融合模型，用于脑膜瘤窦侵犯的术前精确诊断 | 首次构建了结合放射组学和多种深度学习特征（VGG、ResNet、DenseNet）的融合模型，并在多中心数据集中验证了其优越的诊断性能 | 研究为回顾性设计，需要前瞻性研究进一步验证模型的临床适用性 | 开发脑膜瘤窦侵犯的术前精确诊断方法 | 601例经手术病理证实的脑膜瘤患者 | 数字病理 | 脑膜瘤 | MRI影像分析 | 随机森林（RF）、VGG、ResNet、DenseNet | 医学影像 | 601例患者（训练集、内部验证集和独立外部验证集） | NA | NA | NA | NA |
| 186 | 2025-05-23 |
Enhancing Domain Diversity of Transfer Learning-Based SSVEP-BCIs by the Reconstruction of Channel Correlation
2025-02, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2024.3458389
PMID:39255081
|
研究论文 | 本研究提出了一种名为通道相关性重建(RCC)的数据增强方法，用于优化基于稳态视觉诱发电位(SSVEP)的脑机接口(BCI)中迁移学习的源域数据利用 | 通过概率混合源域协方差矩阵的特征向量矩阵来重建训练样本，操纵通道相关性以隐式创建新的合成域，从而增加源域多样性 | NA | 提高SSVEP-BCI系统中迁移学习的性能 | 稳态视觉诱发电位(SSVEP)脑机接口系统 | 脑机接口 | NA | 迁移学习(预训练和微调) | 深度学习模型 | 脑电信号数据 | NA | NA | NA | NA | NA |
| 187 | 2025-10-07 |
Exploring a decade of deep learning in dentistry: A comprehensive mapping review
2025-Feb-19, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-025-06216-5
PMID:39969623
|
综述 | 本系统图谱综述探讨了深度学习在牙科领域十年间的应用现状、趋势和临床意义 | 首次对牙科领域深度学习研究进行系统性图谱分析，涵盖2012-2023年间1007项研究，揭示了技术应用模式和临床专业分布 | 主要依赖监督学习方法（95.2%），需要大量标注数据，且多模态数据融合研究相对不足 | 系统梳理深度学习在牙科领域的应用现状和发展趋势 | 2012-2023年间发表的牙科深度学习相关研究文献 | 数字病理 | 牙科疾病 | 深度学习 | CNN | 影像数据 | 1007项纳入研究（从21242篇文献中筛选） | NA | 卷积神经网络 | NA | NA |
| 188 | 2025-10-07 |
Deep Convolutional Neural Network for Automated Staging of Periodontal Bone Loss Severity on Bite-wing Radiographs: An Eigen-CAM Explainability Mapping Approach
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01218-3
PMID:39147888
|
研究论文 | 本研究开发了一种基于深度学习的自动化系统，用于对咬翼片X光图像中的牙周骨丧失严重程度进行分期 | 首次将YOLOv8深度学习模型与Eigen-CAM可解释性热图相结合，用于牙周骨丧失的自动分期 | 对轻度和中度骨丧失的分类准确性相对较低，因为这些损伤在图像中不如正常和严重骨丧失清晰可见 | 开发自动化系统对牙周骨丧失严重程度进行分期 | 咬翼片X光图像中的牙周骨丧失 | 计算机视觉 | 牙周病 | X射线成像 | CNN | 图像 | 1752张咬翼片图像 | PyTorch | YOLOv8 | 准确率, 精确率, 召回率, F1分数 | NA |
| 189 | 2025-05-18 |
Task-specific deep learning-based denoising for UHR cardiac PCD-CT adaptive to imaging conditions and patient characteristics: Impact on image quality and clinical diagnosis and quantitative assessment
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3047283
PMID:40370652
|
研究论文 | 本文开发了一种基于卷积神经网络(CNN)的去噪算法，用于优化超高分辨率(UHR)光子计数探测器(PCD) CT的心脏成像，以适应不同的成像条件和患者特征 | 提出了一种任务特定的深度学习去噪方法，能够根据不同诊断任务、患者特征和扫描协议自适应地优化图像质量 | 研究主要关注心脏CT成像，未涉及其他临床应用领域 | 优化UHR PCD-CT在心脏成像中的图像质量，提高冠状动脉狭窄的定量评估准确性 | UHR PCD-CT心脏图像 | 数字病理 | 心血管疾病 | 光子计数探测器CT(PCD-CT) | CNN | 医学影像 | 按水等效直径分组的患者(小:<300mm, 中:300-320mm, 大:>320mm) | NA | NA | NA | NA |
| 190 | 2025-05-17 |
Impact of deep learning on pediatric elbow fracture detection: a systematic review and meta-analysis
2025-Feb-20, European journal of trauma and emergency surgery : official publication of the European Trauma Society
IF:1.9Q2
DOI:10.1007/s00068-025-02779-w
PMID:39976732
|
meta-analysis | 本研究通过系统回顾和荟萃分析评估了深度学习模型在儿童肘部骨折检测中的性能 | 首次系统评估了深度学习模型在儿童肘部骨折检测中的表现，并分析了预处理技术和模型架构选择对性能的影响 | 仅纳入了6项符合标准的研究，样本量有限 | 评估深度学习模型在儿童肘部骨折检测中的诊断性能 | 0-16岁儿童的肘部骨折 | digital pathology | pediatric fracture | deep learning | ResNet等深度学习模型 | 医学影像数据 | 22项研究中的6项符合纳入标准（具体样本量未明确说明） | NA | NA | NA | NA |
| 191 | 2025-05-16 |
Enhancing Ophthalmic Diagnosis and Treatment with Artificial Intelligence
2025-Feb-28, Medicina (Kaunas, Lithuania)
DOI:10.3390/medicina61030433
PMID:40142244
|
review | 本文综述了人工智能在眼科诊断和治疗中的当前应用及未来潜力 | 利用AI算法（特别是机器学习和深度学习）提高诊断准确性，个性化治疗计划，并优化手术精度 | 数据隐私、安全性和算法偏见等挑战仍需解决 | 探索人工智能在眼科领域的应用以提升诊断和治疗效果 | 糖尿病视网膜病变、年龄相关性黄斑变性和青光眼等眼科疾病 | digital pathology | diabetic retinopathy, age-related macular degeneration, glaucoma | machine learning, deep learning | ML, DL | multimodal data, including genetic information and patient histories | NA | NA | NA | NA | NA |
| 192 | 2025-05-16 |
Diagnosis of Lung Cancer Using Endobronchial Ultrasonography Image Based on Multi-Scale Image and Multi-Feature Fusion Framework
2025-Feb-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11030024
PMID:40137564
|
研究论文 | 本研究开发了一种基于多尺度图像和多特征融合框架的计算机辅助诊断系统，用于通过支气管内超声图像诊断肺癌 | 提出了M3-Net，一个基于注意力机制的多分支框架，整合多种特征以提高肺癌诊断性能 | 样本量相对较小，仅包含95例患者病例 | 开发一种计算机辅助诊断系统，以促进肺癌的早期检测并提高患者生存率 | 支气管内超声图像 | 数字病理学 | 肺癌 | 深度学习算法 | M3-Net | 图像 | 95例患者病例（13例良性，82例恶性），共1140张EBUS图像 | NA | NA | NA | NA |
| 193 | 2025-05-16 |
Deep Learning for Ultrasonographic Assessment of Temporomandibular Joint Morphology
2025-Feb-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11030027
PMID:40137567
|
research paper | 本研究开发并验证了一种基于AI的自动测量颞下颌关节超声图像空间宽度的方法 | 首次将AI驱动的分割和测量算法应用于颞下颌关节超声图像的自动分析 | 对关节窝的分割性能较低(Dice: 0.60 ± 0.24)，这与其复杂的几何形状有关 | 开发一种自动且可重复的颞下颌关节超声图像空间宽度测量方法 | 颞下颌关节超声图像 | digital pathology | temporomandibular joint disorders | ultrasonography | 2D Residual U-Net | image | 142张颞下颌关节超声图像 | NA | NA | NA | NA |
| 194 | 2025-05-16 |
ADMM-TransNet: ADMM-Based Sparse-View CT Reconstruction Method Combining Convolution and Transformer Network
2025-Feb-26, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11030023
PMID:40137562
|
research paper | 提出了一种结合ADMM迭代算法框架与CNN和Transformer模型的稀疏视图CT重建方法，以减少对数据样本的依赖并提高图像重建精度 | 结合模型驱动与数据驱动方法，利用ADMM框架约束网络减少数据依赖，并引入CNN和Transformer模型增强图像全局与局部表征能力 | 未明确提及具体局限性 | 提升稀疏视图CT扫描的重建精度并降低辐射暴露风险 | 稀疏视图CT扫描数据 | computer vision | NA | ADMM迭代算法、CNN、Transformer | ADMM-TransNet（CNN+Transformer） | CT图像 | 未明确提及具体样本量 | NA | NA | NA | NA |
| 195 | 2025-05-16 |
Deep Learning-Based Tumor Segmentation of Murine Magnetic Resonance Images of Prostate Cancer Patient-Derived Xenografts
2025-Feb-22, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11030021
PMID:40137561
|
研究论文 | 本文开发了一种基于深度学习的自动化分割流程，用于小鼠模型中前列腺癌患者来源的异种移植物的MRI图像分割 | 提出了一种结合切片分类器和多种U-Net架构的分割流程，特别是在肾脏肿瘤中表现最佳的密集残差循环U-Net架构 | 研究仅针对小鼠模型，未在人类患者中进行验证 | 开发自动化工具以监测和表征前列腺癌患者来源的异种移植物的肿瘤生长 | 小鼠模型中植入的六种不同前列腺癌患者来源的异种移植物 | 数字病理学 | 前列腺癌 | MRI | U-Net, 密集残差循环U-Net | 图像 | 六种不同前列腺癌患者来源的异种移植物，植入部位包括肾脏、肝脏和胫骨 | NA | NA | NA | NA |
| 196 | 2025-05-16 |
Utilization of Classification Learning Algorithms for Upper-Body Non-Cyclic Motion Prediction
2025-Feb-20, Sensors (Basel, Switzerland)
DOI:10.3390/s25051297
PMID:40096019
|
research paper | 本研究探索了使用分类算法预测非周期性上肢运动的两种方法 | 采用KNN和深度学习模型从sEMG信号预测运动特征，深度学习模型能在肌肉电激活前以90%以上的确定性预测运动特征 | 未来可探索基于回归的预测模型以提高预测精度，并研究其在串联或可穿戴机器人应用中对流畅性的影响 | 提高外骨骼系统的控制流畅性，减少能量消耗和不适感 | 非周期性上肢运动 | machine learning | NA | 表面肌电图（sEMG） | KNN, deep neural network | sEMG信号 | 来自肘部周围六块肌肉的数据 | NA | NA | NA | NA |
| 197 | 2025-05-16 |
Multicenter study on predicting postoperative upper limb muscle strength improvement in cervical spinal cord injury patients using radiomics and deep learning
2025-Feb-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-72539-0
PMID:39962172
|
research paper | 本研究旨在评估基于机器学习的放射组学方法在预测脊髓损伤患者预后方面的准确性 | 结合放射组学和深度迁移学习特征，利用MRI图像预测颈椎脊髓损伤患者术后上肢肌力改善情况 | 样本量较小（82例患者），且为回顾性研究 | 评估放射组学方法在预测脊髓损伤患者预后中的准确性 | 82例颈椎脊髓损伤患者 | digital pathology | spinal cord injury | MRI, 放射组学, 深度迁移学习 | random forest (RF), ResNet34 | MRI图像 | 82例患者（49例预后良好，33例预后不良） | NA | NA | NA | NA |
| 198 | 2025-05-16 |
SS-DTI: A deep learning method integrating semantic and structural information for drug-target interaction prediction
2025-Feb, Journal of bioinformatics and computational biology
IF:0.9Q4
DOI:10.1142/S0219720025500027
PMID:40134345
|
research paper | 提出了一种名为SS-DTI的深度学习方法，整合语义和结构信息用于药物-靶点相互作用预测 | SS-DTI是一种新颖的端到端深度学习方法，整合了药物和蛋白质的语义与结构信息，通过多尺度语义特征提取块和GCNs来捕获局部和全局信息 | NA | 提高药物-靶点相互作用预测的准确性和效率 | 药物和蛋白质分子 | machine learning | NA | deep learning | GCNs (Graph Convolutional Networks) | 序列数据和结构数据 | 四个基准数据集 | NA | NA | NA | NA |
| 199 | 2025-05-16 |
Drug repurposing for non-small cell lung cancer by predicting drug response using pathway-level graph convolutional network
2025-Feb, Journal of bioinformatics and computational biology
IF:0.9Q4
DOI:10.1142/S0219720025500015
PMID:40134346
|
research paper | 该研究提出了一种基于通路-通路相互作用网络的图卷积网络模型，用于预测药物反应并识别非小细胞肺癌的潜在药物再利用候选药物 | 该模型首次将已知的生物通路-通路相互作用整合到药物反应预测中，通过图卷积操作更有效地表示癌细胞系的特征 | 研究仅基于GDSC1000数据集进行验证，未在其他独立数据集上测试模型性能 | 开发更有效的药物反应预测模型以识别非小细胞肺癌的潜在再利用药物 | 非小细胞肺癌(NSCLC)和现有药物 | machine learning | lung cancer | graph convolutional network | GCN | pathway-pathway interaction network | GDSC1000数据集 | NA | NA | NA | NA |
| 200 | 2025-05-15 |
Neural Network-Assisted Dual-Functional Hydrogel-Based Microfluidic SERS Sensing for Divisional Recognition of Multimolecule Fingerprint
2025-02-28, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.4c03096
PMID:39964084
|
research paper | 提出了一种基于深度学习的双功能分区微流控集成水凝胶表面增强拉曼散射（SERS）平台，以提高拉曼检测系统的灵敏度、集成度和实用性 | 结合深度学习和双功能微流控技术，实现多分子指纹的分区识别和同时检测 | 未提及具体样本量或实验重复次数，可能影响结果的统计显著性 | 提高拉曼检测系统的灵敏度、集成度和实用性 | 罗丹明6G（R6G）、福美双、芘、蒽和邻苯二甲酸二丁酯等分子 | 机器学习和微流控技术 | NA | 表面增强拉曼散射（SERS）和全连接神经网络技术 | 全连接神经网络 | 拉曼光谱数据 | NA | NA | NA | NA | NA |