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 1226 篇文献，本页显示第 561 - 580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 561 | 2025-10-07 |
Deep Learning-Based Electrocardiogram Model (EIANet) to Predict Emergency Department Cardiac Arrest: Development and External Validation Study
2025-Feb-28, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/67576
PMID:40053733
|
研究论文 | 开发并验证基于深度学习的心电图图像模型EIANet，用于预测急诊科心脏骤停 | 提出首个使用12导联心电图图像的深度学习模型，结合空间注意力机制和自定义二元召回损失函数，可直接利用常规分诊心电图图像进行预测 | 数据集来自两家医院，需要更多外部验证；样本量相对有限 | 开发早期预测急诊科心脏骤停的深度学习模型 | 急诊科成年患者的心电图图像数据 | 医疗影像分析 | 心血管疾病 | 心电图图像分析 | CNN | 图像 | NTUH数据集：571例病例ECG和826例对照ECG；FEMH数据集：378例病例ECG和713例对照ECG | PyTorch | ResNet50 | F1-score, AUROC, AUPRC | NA |
| 562 | 2025-03-23 |
Spectral dual-layer detector CT-based radiomics-deep learning for predicting pathological aggressiveness of stage I lung adenocarcinoma: discrimination of precursor glandular lesions and invasive adenocarcinomas
2025-Feb-28, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-726
PMID:40114963
|
研究论文 | 本研究评估了基于光谱双层探测器CT（SDCT）的有效原子数（Zeff）的放射组学、深度学习和临床特征在区分磨玻璃结节（GGN）特征的腺前体病变（PGLs）和腺癌中的效用 | 结合SDCT-Zeff放射组学、深度学习和临床特征，构建了临床基于深度学习的放射组学（DLR）签名诺模图，提高了预测性能 | 研究仅在中国两个医疗中心进行，样本量和地理多样性可能有限 | 区分I期肺腺癌的病理侵袭性，特别是腺前体病变和侵袭性腺癌 | 磨玻璃结节（GGN）患者 | 数字病理 | 肺癌 | 光谱双层探测器CT（SDCT） | ResNet50, LightGBM | 医学影像 | 792个GGN（训练队列582个，外部验证队列210个） | NA | NA | NA | NA |
| 563 | 2025-03-23 |
The role of artificial intelligence in sepsis in the Emergency Department: a narrative review
2025-Feb-28, Annals of translational medicine
DOI:10.21037/atm-24-150
PMID:40115064
|
综述 | 本文综述了人工智能在急诊科脓毒症诊断、管理和预后中的应用 | 与传统预测分析相比，AI能够整合多种变量，提高诊断性能，并在脓毒症的诊断和预后中优于传统评分工具 | 现有的AI工具缺乏普适性和用户接受度，存在自动化偏差的风险，可能导致临床医生技能退化 | 探讨人工智能在急诊科脓毒症管理中的应用潜力 | 急诊科成年脓毒症患者 | 医疗人工智能 | 脓毒症 | 机器学习 | 机器学习模型 | 生命体征、自由文本输入、实验室测试和心电图 | NA | NA | NA | NA | NA |
| 564 | 2025-03-23 |
Artificial intelligence algorithm was used to establish and verify the prediction model of portal hypertension in hepatocellular carcinoma based on clinical parameters and imaging features
2025-Feb-28, Journal of gastrointestinal oncology
IF:2.0Q3
DOI:10.21037/jgo-2024-931
PMID:40115915
|
研究论文 | 本研究旨在基于临床参数和影像特征，利用人工智能算法建立并验证肝细胞癌患者门静脉高压的预测模型 | 结合临床特征、放射组学特征和深度学习特征，构建了一个综合预测模型，以更全面地捕捉与门静脉高压相关的复杂信息，从而实现高预测准确性和实用性 | 验证集的AUC和敏感性较低，表明模型在外部验证中的表现有待提高 | 建立并验证肝细胞癌患者门静脉高压的预测模型，以支持早期干预和个性化治疗 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | 放射组学和深度学习特征提取 | 逻辑回归模型 | 临床参数和CT影像 | 884名患者（707名训练集，177名验证集） | NA | NA | NA | NA |
| 565 | 2025-10-07 |
Inherently imperfect, inherently evolving - The pursuit of precision through biomarkers
2025-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2025.100839
PMID:40015558
|
特刊 | 本期生物医学期刊聚焦癌症生物标志物研究，涵盖多种检测技术及疾病应用，同时探讨传染病研究、深度学习在医学影像中的应用等前沿话题 | 整合多种新兴生物标志物（cfDNA、粪便miRNA、EB病毒DNA等）与LC-MS技术结合的多标志物面板，并探索深度学习在创伤影像和心电图死亡率预测中的创新应用 | 研究范围广泛但深度有限，各主题间缺乏系统性关联，未提供具体实验数据和性能指标验证 | 推进精准医疗通过生物标志物开发，探索多种疾病检测和管理的新方法 | 结直肠癌、卵巢癌、鼻咽癌、肝细胞癌等癌症患者，以及圆虫感染、自身免疫性肝炎、急性肾损伤等疾病模型 | 生物医学 | 多癌种及其他疾病 | cfDNA检测、miRNA分析、LC-MS质谱、循环肿瘤细胞检测、深度学习 | 深度学习模型 | 基因组数据、医学影像、心电图信号、临床样本 | NA | NA | NA | NA | NA |
| 566 | 2025-03-22 |
Dynamic MRI with Locally Low-Rank Subspace Constraint: Towards 1-Second Temporal Resolution Aided by Deep Learning
2025-Feb-27, Research square
DOI:10.21203/rs.3.rs-5448452/v1
PMID:40060040
|
研究论文 | 本文提出了一种结合局部低秩子空间约束和深度学习的动态MRI重建框架，旨在提高动态对比增强成像的时空分辨率 | 结合局部低秩子空间模型和神经网络，实现了从几秒到1秒的灵活时间分辨率，显著提高了图像质量 | 未明确提及具体样本量或临床验证结果 | 解决动态MRI中空间和时间分辨率平衡的挑战，提升动态对比增强成像的质量 | 高风险的乳腺癌患者，以及头颈部和脑部MRI应用 | 医学影像处理 | 乳腺癌 | 动态对比增强MRI（DCE-MRI） | 神经网络 | MRI图像 | NA | NA | NA | NA | NA |
| 567 | 2025-10-07 |
Applications of deep learning in trauma radiology: A narrative review
2025-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2024.100743
PMID:38679199
|
综述 | 本文综述了深度学习在创伤放射学中的应用现状与未来发展 | 系统总结了深度学习在创伤影像各模态（FAST超声、X射线、CT）中的具体应用场景，并提出了联邦学习、模型可解释性、多模态数据整合等未来发展方向 | 临床采用仍然有限，需要多学科团队合作开发实用的现实世界解决方案 | 探讨深度学习在创伤放射学领域的应用潜力与发展方向 | 创伤影像数据（FAST超声、X射线、CT扫描） | 医学影像分析 | 创伤性疾病 | 深度学习 | NA | 医学影像（超声、X射线、CT） | NA | NA | NA | NA | NA |
| 568 | 2025-10-07 |
ECG-surv: A deep learning-based model to predict time to 1-year mortality from 12-lead electrocardiogram
2025-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2024.100732
PMID:38697480
|
研究论文 | 开发了一种基于深度学习的ECG-surv模型，用于从12导联心电图预测1年死亡率 | 首次提出能同时处理删失数据和非结构化心电图数据的深度学习生存分析模型 | 模型在不同心电图设备采集的数据上性能有所差异 | 利用深度学习技术改进基于心电图的生存预测 | 心电图数据和患者生存时间数据 | 机器学习 | 心血管疾病 | 12导联心电图 | 深度神经网络 | 心电图信号 | 独立测试集和外部验证集 | NA | 特征提取神经网络+时间事件分析神经网络 | C-index | NA |
| 569 | 2025-10-07 |
SE(3)-Equivariant Ternary Complex Prediction Towards Target Protein Degradation
2025-Feb-26, ArXiv
PMID:40061120
|
研究论文 | 提出一种名为DeepTernary的深度学习方法来预测靶向蛋白降解中的三元复合物结构 | 首次使用SE(3)-等变图神经网络结合三元图间注意力机制，实现端到端的三元复合物结构预测 | 训练数据TernaryDB可能仍不够充分，对分子胶降解剂的预测仍有挑战 | 开发准确高效的三元复合物结构预测方法以加速靶向蛋白降解药物发现 | PROTACs和分子胶降解剂形成的三元复合物结构 | 计算生物学, 药物发现 | 多种疾病相关的蛋白靶点 | 深度学习, 结构预测 | 图神经网络 | 3D分子结构数据 | 从TernaryDB收集的高质量训练数据集 | 深度学习框架 | SE(3)-等变图神经网络, 编码器-解码器架构 | 预测准确性, 计算速度, 与实验降解效价的相关性 | NA |
| 570 | 2025-10-07 |
Enhancing diabetic retinopathy diagnosis: automatic segmentation of hyperreflective foci in OCT via deep learning
2025-Feb-18, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03439-z
PMID:39966317
|
研究论文 | 提出一种基于KiU-Net的深度学习算法，用于在糖尿病视网膜病变患者的OCT图像中自动分割高反射灶 | 采用双分支KiU-Net架构，结合Kite-Net分支和三层U-Net分支，并设计交叉注意力模块整合两个分支的信息 | NA | 开发精确识别和分割糖尿病视网膜病变患者OCT图像中高反射灶的模型 | 糖尿病视网膜病变患者的OCT图像 | 医学图像分析 | 糖尿病视网膜病变 | 光学相干断层扫描 | 深度学习 | 医学图像 | NA | NA | KiU-Net, Kite-Net, U-Net | 灵敏度, Dice相似系数, 精确率, 召回率 | NA |
| 571 | 2025-10-07 |
AI and Neurology
2025-Feb-17, Neurological research and practice
DOI:10.1186/s42466-025-00367-2
PMID:39956906
|
综述 | 本文综述了人工智能在神经病学领域的应用现状、潜力及面临的挑战 | 系统总结了人工智能在神经病学多个子领域（急重症神经病学、卒中、癫痫、运动障碍）的应用潜力，并首次将技术潜力与伦理安全挑战进行匹配分析 | 基于现有文献的回顾性分析，缺乏前瞻性研究验证 | 探讨人工智能在神经病学领域的应用前景及面临的挑战 | 神经病学领域的诊断、预后预测、决策制定和治疗方法 | 机器学习 | 神经系统疾病 | 机器学习和深度学习方法 | NA | 神经影像数据及其他临床数据 | NA | NA | NA | NA | NA |
| 572 | 2025-10-07 |
Detection of concha bullosa using deep learning models in cone-beam computed tomography images: a feasibility study
2025-Feb, Archives of craniofacial surgery
DOI:10.7181/acfs.2024.00283
PMID:40068625
|
研究论文 | 本研究评估深度学习模型在锥形束CT图像中检测鼻甲气房（concha bullosa）的可行性 | 首次将离散小波变换与对比度增强技术结合应用于CBCT图像的预处理，并采用预训练深度学习模型与随机森林分类器的混合架构 | 样本量有限（仅203个CBCT扫描），需要更大样本量和更多深度学习模型验证结果 | 评估深度学习模型在CBCT图像中检测鼻甲气房的性能 | 锥形束CT图像中的鼻甲气房 | 计算机视觉 | 鼻部疾病 | 锥形束CT成像，离散小波变换，对比度增强 | CNN | 医学图像 | 203个CBCT扫描（83个有CB，119个无CB），其中162个训练，41个测试 | TensorFlow, PyTorch, Keras, Scikit-learn | ResNet50, ResNet101, MobileNet | 准确率, AUC, 精确率, 召回率, F1分数 | NA |
| 573 | 2025-10-07 |
Leveraging Artificial Intelligence in Breast Cancer Screening and Diagnosis
2025-Feb, Cureus
DOI:10.7759/cureus.79177
PMID:40109789
|
评论 | 探讨人工智能在乳腺癌筛查和诊断中的应用现状与潜力 | 系统分析AI在多种乳腺影像技术中的整合应用，并提出通过可解释AI和标准化验证解决临床转化挑战 | 存在数据可及性、算法偏差、监管限制和临床整合等多重挑战 | 评估人工智能在乳腺癌筛查诊断中的转化价值与发展前景 | 乳腺癌筛查与诊断流程 | 医学影像分析 | 乳腺癌 | 数字乳腺X线摄影、数字乳腺断层合成、超声、磁共振成像 | 机器学习、深度学习 | 医学影像 | NA | NA | NA | 敏感性、特异性、假阳性率、假阴性率 | NA |
| 574 | 2025-03-20 |
Automatic Quantification of Atmospheric Turbulence Intensity in Space-Time Domain
2025-Feb-28, Sensors (Basel, Switzerland)
DOI:10.3390/s25051483
PMID:40096319
|
研究论文 | 本文提出了一种基于深度学习的方法，通过分析视频中的时空域来量化大气湍流强度 | 使用深度学习模型从视频中提取时空特征来量化大气湍流强度，这是一种新颖的方法 | 实验在受控环境下进行，可能无法完全反映真实世界中的复杂湍流情况 | 量化大气湍流强度 | 视频中捕捉到的静态图像在不同湍流强度下的表现 | 计算机视觉 | NA | 深度学习 | CNN | 视频 | NA | NA | NA | NA | NA |
| 575 | 2025-03-20 |
An Efficient and Low-Complexity Transformer-Based Deep Learning Framework for High-Dynamic-Range Image Reconstruction
2025-Feb-28, Sensors (Basel, Switzerland)
DOI:10.3390/s25051497
PMID:40096329
|
研究论文 | 本文提出了一种基于Transformer的高动态范围（HDR）图像重建框架，旨在在降低计算成本的同时实现与现有技术相媲美的结果 | 通过减少自注意力块的数量并引入卷积块注意力模块（CBAM），在保持图像质量的同时显著降低了计算复杂度 | 未提及具体的数据集规模或实验环境的限制 | 开发一种高效且低复杂度的HDR图像重建方法 | 高动态范围图像 | 计算机视觉 | NA | 深度学习 | Transformer, 卷积块注意力模块（CBAM） | 图像 | 在两个数据集上进行了评估，具体样本数量未提及 | NA | NA | NA | NA |
| 576 | 2025-03-20 |
A Review of Research on SLAM Technology Based on the Fusion of LiDAR and Vision
2025-Feb-27, Sensors (Basel, Switzerland)
DOI:10.3390/s25051447
PMID:40096278
|
综述 | 本文综述了基于LiDAR和视觉融合的SLAM技术研究现状，分析了早期单传感器SLAM技术和当前LiDAR与视觉融合SLAM的主要研究成果和发现 | 通过融合深度学习和自适应算法，LiDAR与视觉传感器的有效融合在处理多种情况时表现出高效性 | 在特征稀缺（低纹理、重复结构）环境场景和动态环境中的局限性 | 为LiDAR和视觉融合的SLAM技术发展提供指导和见解，为进一步的SLAM技术研究提供参考 | SLAM技术，特别是基于LiDAR和视觉融合的SLAM技术 | 计算机视觉 | NA | LiDAR与视觉传感器融合 | 深度学习 | 3D空间信息，图像数据 | NA | NA | NA | NA | NA |
| 577 | 2025-03-20 |
Deep Learning Based Pile-Up Correction Algorithm for Spectrometric Data Under High-Count-Rate Measurements
2025-Feb-27, Sensors (Basel, Switzerland)
DOI:10.3390/s25051464
PMID:40096323
|
研究论文 | 本文提出了一种基于深度学习的堆积校正算法，用于高计数率测量下的光谱数据 | 提出了一种新颖的深度学习框架，结合计数率信息和2D注意力U-Net进行能量谱恢复 | 训练数据基于开源模拟器生成，可能无法完全反映真实场景 | 解决高计数率测量下的堆积效应问题，提高光谱数据的准确性 | 伽马射线光谱数据 | 机器学习 | NA | 深度学习 | 2D注意力U-Net | 光谱数据 | 基于公开的伽马光谱数据库生成的训练数据 | NA | NA | NA | NA |
| 578 | 2025-03-20 |
Energy-Efficient Dynamic Workflow Scheduling in Cloud Environments Using Deep Learning
2025-Feb-26, Sensors (Basel, Switzerland)
DOI:10.3390/s25051428
PMID:40096273
|
研究论文 | 本文提出了一种新的调度框架，结合图神经网络（GNN）和深度强化学习（DRL），使用近端策略优化（PPO）算法，在云环境中实现动态工作流调度，以最小化完成时间和减少能耗 | 结合图神经网络（GNN）和深度强化学习（DRL）进行多目标优化，专注于最小化完成时间和减少能耗 | 研究基于模拟环境（CloudSim）和合成数据集，未在实际云环境中验证 | 在云环境中实现动态工作流调度，优化完成时间和能耗 | 云环境中的动态工作流调度 | 机器学习 | NA | 图神经网络（GNN）、深度强化学习（DRL）、近端策略优化（PPO） | GNN、DRL、PPO | 合成数据集 | 模拟环境中的基准数据集 | NA | NA | NA | NA |
| 579 | 2025-03-20 |
Optimizing Real-Time Object Detection in a Multi-Neural Processing Unit System
2025-Feb-24, Sensors (Basel, Switzerland)
DOI:10.3390/s25051376
PMID:40096141
|
研究论文 | 本文构建了一个基于YOLOv3的实时目标检测系统，利用Neubla的Antara NPU，并提出了两种性能优化方法 | 通过双缓冲和多NPU环境下的任务分配，显著提高了系统的吞吐量和降低了延迟 | 未提及系统在不同硬件配置下的兼容性和扩展性 | 优化实时目标检测系统的性能 | 实时目标检测系统 | 计算机视觉 | NA | NA | YOLOv3 | 图像 | NA | NA | NA | NA | NA |
| 580 | 2025-03-20 |
DC-NFC: A Custom Deep Learning Framework for Security and Privacy in NFC-Enabled IoT
2025-Feb-24, Sensors (Basel, Switzerland)
DOI:10.3390/s25051381
PMID:40096219
|
研究论文 | 本文介绍了一种名为DC-NFC的新型深度学习框架，旨在增强物联网环境中NFC通信的安全性和隐私性 | DC-NFC框架集成了三个创新组件：CE用于捕捉复杂的时间和空间模式，PML用于实施端到端的隐私约束，ATF模块用于实时威胁检测和动态模型适应 | NA | 增强物联网环境中NFC通信的安全性和隐私性 | NFC通信 | 机器学习 | NA | 深度学习 | DC-NFC | 时间序列数据 | 四个基准数据集（UNSW-NB15、Bot-IoT、TON-IoT Telemetry和Edge-IIoTset） | NA | NA | NA | NA |