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 521 - 540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 521 | 2025-10-07 |
Large Language Models can Help with Biostatistics and Coding Needed in Radiology Research
2025-Feb, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.09.042
PMID:39406582
|
研究论文 | 评估大型语言模型在放射学研究中的生物统计学和深度学习编码能力 | 首次系统评估多种LLM在放射学研究中的统计分析和深度学习代码生成能力 | 存在潜在错误、幻觉风险和数据隐私问题，需要用户验证和优化代码 | 评估大型语言模型在放射学研究中提供统计分析和深度学习解决方案的能力 | ChatGPT-4o、ChatGPT-3.5和Google Gemini三种大型语言模型 | 自然语言处理 | 肺癌 | 生物统计学分析、深度学习 | Vision Transformer | 医学影像数据、代码 | Cancer Imaging Archive数据集和RSNA-STR肺炎检测挑战数据集 | R Studio, Jupiter Notebook | ViT-B/16 | 代码正确率、运行时错误率、可视化生成能力 | 基于Web的聊天界面 |
| 522 | 2025-10-07 |
Evaluating deep learning techniques for optimal neurons counting and characterization in complex neuronal cultures
2025-Feb, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03202-z
PMID:39417963
|
研究论文 | 评估三种深度学习技术在神经元培养物中实现最优神经元计数和表征的性能 | 首次系统比较语义分割、目标检测和实例分割三种深度学习技术在神经元计数和表征任务中的表现 | 仅针对特定神经元培养物图像进行评估，未涉及其他类型细胞或组织 | 开发自动可靠的神经元计数和表征方法 | 神经元培养物中的神经元 | 计算机视觉 | NA | 深度学习 | 语义分割,目标检测,实例分割 | 图像 | NA | NA | NA | 计数准确率,表征精度 | NA |
| 523 | 2025-10-07 |
Attention-Guided Residual U-Net with SE Connection and ASPP for Watershed-Based Cell Segmentation in Microscopy Images
2025-Feb, Journal of computational biology : a journal of computational molecular cell biology
IF:1.4Q2
DOI:10.1089/cmb.2023.0446
PMID:39422580
|
研究论文 | 提出一种结合注意力机制、残差连接和空间金字塔池化的U-Net变体用于显微镜图像中的细胞分割 | 提出RA-SE-ASPP-Net框架，整合残差块、注意力机制、压缩激励连接和空洞空间金字塔池化，改进了接触细胞的分割精度 | 主要评估数据集为诱导多能干细胞重编程数据，在其他细胞类型上的泛化能力需进一步验证 | 开发自动化的细胞分割方法以替代耗时的手动分析 | 显微镜图像中的细胞，特别是接触细胞 | 计算机视觉 | NA | 时间推移显微镜成像 | CNN, U-Net | 显微镜图像 | 诱导多能干细胞重编程数据集 | NA | Residual U-Net, SE Connection, ASPP | 准确率, 精确率, 召回率, F1分数, AUC, Dice系数 | NA |
| 524 | 2025-10-07 |
Graph based recurrent network for context specific synthetic lethality prediction
2025-Feb, Science China. Life sciences
DOI:10.1007/s11427-023-2618-y
PMID:39422810
|
研究论文 | 提出基于图循环网络的上下文特异性合成致死性预测模型SLGRN | 首次引入图循环网络编码器获取上下文特异性节点特征表示，并整合门控循环单元和上下文依赖状态 | 未明确说明模型在跨癌症类型泛化能力方面的限制 | 开发能够预测特定遗传背景下合成致死相互作用的计算方法 | 合成致死相互作用、癌症遗传背景 | 机器学习 | 癌症 | 图神经网络、深度学习 | 图循环网络、GRU | 图结构数据、遗传背景数据 | NA | NA | Graph Recurrent Network, GRU | NA | NA |
| 525 | 2025-10-07 |
High-Accuracy and Lightweight Image Classification Network for Optimizing Lymphoblastic Leukemia Diagnosisy
2025-Feb, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.24704
PMID:39429031
|
研究论文 | 提出一种高精度轻量级图像分类网络，用于优化淋巴细胞白血病的诊断 | 采用渐进式收缩方法，在宽度、深度、分辨率和核大小等多个维度集成综合剪枝技术训练轻量模型 | 数据集的物理约束和部署设备的限制可能影响模型效果 | 优化淋巴细胞白血病的早期检测和诊断 | 淋巴增生性肿瘤患者的骨髓细胞图像 | 计算机视觉 | 白血病 | 深度学习 | CNN | 图像 | 85名患者的17,826张骨髓细胞形态学图像 | NA | 轻量级图像分类网络 | 准确率, 吞吐量 | NA |
| 526 | 2025-10-07 |
Clinical Pilot of a Deep Learning Elastic Registration Algorithm to Improve Misregistration Artifact and Image Quality on Routine Oncologic PET/CT
2025-Feb, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.09.044
PMID:39462735
|
研究论文 | 评估深度学习弹性配准算法在改善常规肿瘤PET/CT图像配准伪影和图像质量方面的临床试点研究 | 首次在临床环境中验证深度学习弹性配准方法对PET/CT衰减校正图的改进效果 | 样本量较小（仅30例患者），且为回顾性研究 | 改善PET/CT图像配准伪影，提升图像质量 | 接受常规肿瘤检查的患者（20例18F-FDG PET/CT和10例64Cu-DOTATATE PET/CT） | 医学影像分析 | 肿瘤 | PET/CT成像 | 深度学习 | 医学影像 | 30例患者 | NA | 弹性配准网络 | 图像质量评分, SUV值, 信噪比, 肝肺指数 | NA |
| 527 | 2025-10-07 |
Electrocardiograph analysis for risk assessment of heart failure with preserved ejection fraction: A deep learning model
2025-Feb, ESC heart failure
IF:3.2Q2
DOI:10.1002/ehf2.15120
PMID:39463004
|
研究论文 | 开发了一种基于心电图分析的深度学习模型，用于评估射血分数保留型心力衰竭的风险 | 首次将CNN-LSTM混合深度学习模型应用于心电图分析来评估HFpEF风险，相比传统生物标志物具有更好的区分能力 | 样本量相对有限（总355例患者），需要更大规模的外部验证 | 开发一种高效、经济的心力衰竭筛查方法 | 射血分数保留型心力衰竭高风险和低风险患者 | 医疗人工智能 | 心血管疾病 | 心电图分析，左心室导管检查 | CNN-LSTM | 心电图信号 | 训练队列A：238例患者，验证队列B：117例患者 | NA | CNN-LSTM混合架构 | 准确率, 特异性, 敏感性 | NA |
| 528 | 2025-10-07 |
A Recognition System for Diagnosing Salivary Gland Neoplasms Based on Vision Transformer
2025-Feb, The American journal of pathology
DOI:10.1016/j.ajpath.2024.09.010
PMID:39490441
|
研究论文 | 开发基于Vision Transformer的计算机辅助诊断系统，用于准确分类唾液腺肿瘤的八种主要亚型 | 首次将Vision Transformer应用于唾液腺肿瘤的病理图像分类，诊断性能超越基准模型，并与主任病理学家相当 | 研究仅包含九种组织类别，未涵盖所有唾液腺肿瘤类型 | 开发高精度的唾液腺肿瘤计算机辅助诊断系统 | 唾液腺肿瘤的八种主要亚型：多形性腺瘤、肌上皮瘤、Warthin瘤、基底细胞腺瘤、嗜酸细胞腺瘤、囊腺瘤、黏液表皮样癌和腺样囊性癌 | 计算机视觉 | 唾液腺肿瘤 | 数字病理全切片图像分析 | Vision Transformer (ViT) | 图像 | 3046张经组织学确认的唾液腺肿瘤全切片图像，涵盖九种组织类别 | NA | Vision Transformer | 准确率, AUC, 精确率, 召回率, F1分数 | NA |
| 529 | 2025-10-07 |
The Impact of Deep Learning on Determining the Necessity of Bronchoscopy in Pediatric Foreign Body Aspiration: Can Negative Bronchoscopy Rates Be Reduced?
2025-Feb, Journal of pediatric surgery
IF:2.4Q2
DOI:10.1016/j.jpedsurg.2024.162014
PMID:39489944
|
研究论文 | 本研究评估深度学习在儿童气道异物吸入诊断中的作用，旨在减少不必要的支气管镜检查 | 首次将CNN深度学习模型应用于儿童气道异物吸入的影像诊断，并与传统逻辑回归方法进行对比 | 样本量较小（47例患者），单中心研究，需要更大规模多中心数据验证 | 评估深度学习在减少儿童气道异物吸入阴性支气管镜检查率方面的效果 | 疑似气道异物吸入的儿科患者（47例）和健康儿童（63例） | 计算机视觉 | 儿科呼吸系统疾病 | 胸部X光摄影 | CNN | 医学影像 | 110张PA胸部X光图像（47例患者+63例健康对照） | NA | 卷积神经网络 | 灵敏度, 特异性, 准确率, F1分数 | NA |
| 530 | 2025-10-07 |
Medical Imaging Applications Developed Using Artificial Intelligence Demonstrate High Internal Validity Yet Are Limited in Scope and Lack External Validation
2025-Feb, Arthroscopy : the journal of arthroscopic & related surgery : official publication of the Arthroscopy Association of North America and the International Arthroscopy Association
IF:4.4Q1
DOI:10.1016/j.arthro.2024.01.043
PMID:38325497
|
综述 | 本文系统回顾了深度学习在运动医学影像应用中的现状，评估其内部效度、外部验证状况及临床适用性 | 首次对运动医学领域深度学习应用进行系统性范围评估，提出内部效度与外部验证的差距分析框架 | 仅纳入运动医学领域研究，未涵盖其他医学专科；文献检索时间截至2023年12月 | 评估深度学习在运动医学影像应用中的知识转化差距和改进方向 | 55篇运动医学深度学习研究文献 | 医学影像分析 | 运动损伤 | 深度学习 | 神经网络 | 医学影像 | 55项研究 | NA | NA | AUROC | NA |
| 531 | 2025-04-25 |
Deep Learning-Powered Colloidal Digital SERS for Precise Monitoring of Cell Culture Media
2025-Feb-04, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.03.636280
PMID:39974903
|
研究论文 | 本文介绍了一种基于深度学习的胶体数字SERS平台，用于精确监测细胞培养基 | 利用深度学习和胶体数字SERS技术，通过将时间波动的SERS强度转换为数字二进制信号，显著提高了检测的准确性和可重复性 | 某些分析物缺乏特征SERS峰可能限制了该平台的广泛应用 | 开发一种快速、精确监测细胞培养基的新技术，以提高生物制药制造的质量控制 | 细胞培养基（特别是AMBIC 1.1）中的小分子关键过程参数和质量属性 | 生物医学诊断 | NA | 表面增强拉曼光谱（SERS），深度学习 | 深度学习 | 光谱数据 | NA | NA | NA | NA | NA |
| 532 | 2025-04-25 |
UTSRMorph: A Unified Transformer and Superresolution Network for Unsupervised Medical Image Registration
2025-Feb, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3467919
PMID:39321000
|
research paper | 提出了一种名为UTSRMorph的新型无监督医学图像配准方法，结合Transformer和超分辨率网络以提升特征表示学习和生成详细位移场 | 提出融合注意力块和重叠注意力块，结合ConvNets和Transformers的优势，并使用超分辨率模块替代插值上采样以避免特征退化 | 未明确提及具体局限性，但可能涉及计算复杂度或特定数据集上的泛化能力 | 提升医学图像配准的准确性和效率 | 3D脑部MR图像（OASIS, IXI）和MR-CT数据集（腹部、颅颌面） | digital pathology | NA | 深度学习 | Transformer, ConvNet | 3D医学图像 | 多个公开数据集（OASIS, IXI, 腹部和颅颌面MR-CT） | NA | NA | NA | NA |
| 533 | 2025-04-25 |
ConvexAdam: Self-Configuring Dual-Optimization-Based 3D Multitask Medical Image Registration
2025-Feb, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3462248
PMID:39283782
|
研究论文 | 提出了一种基于凸优化和Adam优化的自配置双优化3D多任务医学图像配准方法 | 结合预训练语义特征提取模型与快速双优化过程，提出自动超参数选择程序，实现自配置图像配准框架 | 需要依赖预训练模型，可能在不同数据集上的泛化能力有限 | 开发一种快速、通用且精确的医学图像配准方法 | 多任务医学图像配准 | 数字病理 | NA | 凸优化，Adam优化，预训练语义特征提取 | NA | 3D医学图像 | Learn2Reg挑战数据集中的所有可用数据 | NA | NA | NA | NA |
| 534 | 2025-10-07 |
Deep learning on pre-procedural computed tomography and clinical data predicts outcome following stroke thrombectomy
2025-Feb-14, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2023-021154
PMID:38527795
|
研究论文 | 本研究利用深度学习方法基于术前CT影像和临床数据预测卒中患者血栓切除术后的功能结局 | 首次将深度学习应用于术前CT影像与临床数据的融合分析，并与传统机器学习方法和现有预后工具MR PREDICTS进行系统性比较 | 仅使用术前数据，未纳入术中和术后数据；样本量相对有限 | 改进缺血性卒中患者接受血管内血栓切除术前的预后预测能力 | 接受血管内血栓切除术的缺血性卒中患者 | 医学影像分析 | 卒中 | CT头部扫描, CT血管造影 | 深度学习模型, 逻辑回归, 随机森林 | 影像数据, 临床数据 | 975名患者（模型开发队列778人，外部验证队列197人） | NA | NA | AUC | NA |
| 535 | 2025-04-24 |
Deep learning model based on contrast-enhanced ultrasound for predicting vessels encapsulating tumor clusters in hepatocellular carcinoma
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10985-0
PMID:39066894
|
研究论文 | 基于对比增强超声的深度学习模型用于预测肝细胞癌中的血管包裹肿瘤簇模式 | 提出了一种非侵入性的深度学习方法，利用对比增强超声图像预测肝细胞癌中的VETC模式，并评估其对术后早期复发的预测价值 | 研究为回顾性设计，样本量相对较小（242例患者） | 开发并验证一种非侵入性工具，用于预测肝细胞癌中的VETC模式和术后早期复发风险 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | 对比增强超声(CEUS) | ResNet-18 CNN | 图像 | 242例肝细胞癌患者（训练组195例，测试组47例） | NA | NA | NA | NA |
| 536 | 2025-04-24 |
Multi-reader multiparametric DECT study evaluating different strengths of iterative and deep learning-based image reconstruction techniques
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10974-3
PMID:39046499
|
research paper | 本研究通过多读者比较，评估了深度学习图像重建（DLIR）与标准自适应统计迭代重建-V（ASIR-V）在多参数双能CT（DECT）图像重建中的表现 | 首次在多参数DECT图像重建中比较了DLIR与ASIR-V的不同强度，并发现DLIR在图像质量上具有优势 | 研究为回顾性设计，样本量相对较小（100例患者） | 比较DLIR与ASIR-V在多参数DECT图像重建中的性能差异 | 接受门静脉期腹部CT扫描的100例患者 | 医学影像处理 | NA | 双能CT（DECT）扫描 | 深度学习图像重建（DLIR） | CT图像 | 100例患者 | NA | NA | NA | NA |
| 537 | 2025-04-24 |
Development of a Deep Learning Model for Classification of Hepatic Steatosis from Clinical Standard Ultrasound
2025-02, Ultrasound in medicine & biology
|
研究论文 | 开发了一种深度学习模型，用于从临床标准超声图像中分类肝脂肪变性 | 利用深度学习技术从标准灰度超声图像中分类肝脂肪变性，提供高敏感性和准确性 | 单中心回顾性研究，样本量相对较小（403例患者） | 开发一种深度学习程序，用于从标准超声图像中分类肝脂肪变性 | 肝脂肪变性患者 | 数字病理学 | 肝脂肪变性 | 深度学习 | 深度学习多实例程序 | 图像 | 403例患者的403次超声检查 | NA | NA | NA | NA |
| 538 | 2025-10-07 |
The Future of Artificial Intelligence Using Images and Clinical Assessment for Difficult Airway Management
2025-Feb-01, Anesthesia and analgesia
IF:4.6Q1
DOI:10.1213/ANE.0000000000006969
PMID:38557728
|
综述 | 本文综述了人工智能在困难气道管理中应用的优势、临床影响及未来发展方向 | 探讨了智能插管设备的未来发展方向及机器学习在困难喉镜预测中的建模应用 | NA | 评估人工智能在困难气道管理中的应用价值及发展前景 | 困难气道患者 | 计算机视觉 | 气道管理相关疾病 | 医学影像技术 | 深度学习,机器学习 | 图像 | NA | NA | NA | NA | NA |
| 539 | 2025-10-07 |
Looking outside the box with a pathology aware AI approach for analyzing OCT retinal images in Stargardt disease
2025-02-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-85213-w
PMID:39922894
|
研究论文 | 提出一种结合病理感知损失函数的深度学习方法，用于分析Stargardt病视网膜OCT图像的自动分割 | 引入病理感知损失函数和区域自适应分割策略，在退化区域采用整体视网膜分割，在相对完好区域进行子层细分 | 主要针对STGD1疾病，在其他视网膜疾病中的适用性需要进一步验证 | 开发可靠的OCT图像自动分割方法以支持Stargardt病的疾病进展追踪和治疗效果评估 | Stargardt病1型患者的视网膜OCT图像 | 数字病理 | Stargardt病 | 光学相干断层扫描 | 深度学习 | 图像 | NA | NA | NA | Dice系数 | NA |
| 540 | 2025-10-07 |
Severe deviation in protein fold prediction by advanced AI: a case study
2025-02-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89516-w
PMID:39922965
|
研究论文 | 通过案例研究揭示先进AI在蛋白质折叠预测中出现的严重偏差 | 首次报道双结构域蛋白质实验结构与AI预测模型间存在严重空间构象偏差 | 仅针对单一蛋白质案例进行研究，未系统评估其他蛋白质的预测偏差 | 评估AI蛋白质结构预测模型的准确性和局限性 | 双结构域蛋白质的三维空间结构 | 计算生物学 | NA | 蛋白质结构预测 | 深度学习 | 蛋白质序列, 三维结构坐标 | 1个双结构域蛋白质 | AlphaFold | NA | RMSD, 空间位置偏差 | NA |