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 1370 篇文献，本页显示第 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2025-10-07 |
Development and validation of automated three-dimensional convolutional neural network model for acute appendicitis diagnosis
2025-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84348-6
PMID:40044743
|
研究论文 | 开发并验证用于急性阑尾炎诊断的自动化三维卷积神经网络模型 | 提出全自动诊断框架，通过两阶段二元算法自动提取阑尾解剖区域的感兴趣体积，并整合多种3D-CNN架构进行阑尾炎分类 | 模型在第二阶段区分简单和复杂性阑尾炎的准确率为76.1%，仍有提升空间 | 开发自动化深度学习模型用于急性阑尾炎的术前影像诊断 | 腹痛患者的对比增强腹盆腔CT图像 | 计算机视觉 | 阑尾炎 | CT影像分析 | 3D-CNN | 医学影像 | NA | NA | ResNet, DenseNet, EfficientNet | 准确率, 敏感度, 特异度, AUC | NA |
| 382 | 2025-10-07 |
Deep learning for hepatocellular carcinoma recurrence before and after liver transplantation: a multicenter cohort study
2025-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91728-z
PMID:40044774
|
研究论文 | 开发基于深度学习的肝细胞癌肝移植前后复发预测系统 | 首次使用DeepSurv模型构建肝移植前后复发预测模型，并在多中心队列中验证其优于米兰标准 | 回顾性研究设计，样本量相对有限（466例患者） | 预测肝细胞癌患者肝移植前后的复发风险 | 接受肝移植的肝细胞癌患者 | 机器学习 | 肝细胞癌 | 深度学习，机器学习 | DeepSurv, LR, stacking | 临床病理变量，生存数据 | 466例患者，中位随访51.0个月 | NA | DeepSurv | C-index | NA |
| 383 | 2025-10-07 |
Rethinking model prototyping through the MedMNIST+ dataset collection
2025-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92156-9
PMID:40044786
|
研究论文 | 通过MedMNIST+数据集集合重新思考模型原型设计，评估不同深度学习架构在医学图像分类任务中的表现 | 引入全面的MedMNIST+基准测试集合，系统评估CNN和ViT在不同医学数据集、训练方法和输入分辨率下的性能 | 研究主要基于MedMNIST+数据集集合，可能无法完全代表所有真实临床场景 | 建立标准化评估框架，促进医学深度学习模型的透明性、可重复性和可比性 | 医学图像分类任务 | 计算机视觉 | NA | 医学影像分析 | CNN, Vision Transformer | 医学图像 | MedMNIST+数据集集合，涵盖多种成像模态、解剖区域和样本量 | NA | CNN, ViT | 准确率 | NA |
| 384 | 2025-10-07 |
Attention dual transformer with adaptive temporal convolutional for diabetic retinopathy detection
2025-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92510-x
PMID:40044820
|
研究论文 | 提出一种注意力双变换器与自适应时间卷积模型，用于从视网膜眼底图像中增强检测糖尿病视网膜病变 | 通过双空间变换器网络处理多尺度空间特征，并利用自适应时间卷积单元捕获时间依赖性，结合分层交叉注意力模块融合时空特征 | NA | 改进糖尿病视网膜病变的自动检测方法 | 视网膜眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | Transformer, CNN | 图像 | 使用DRIVE和糖尿病视网膜病变数据集 | NA | 注意力双变换器，自适应时间卷积 | 准确率 | NA |
| 385 | 2025-10-07 |
Advanced deep learning models for predicting elemental concentrations in iron ore mine using XRF data: a cost-effective alternative to ICP-MS methods
2025-Mar-05, Environmental geochemistry and health
IF:3.2Q2
DOI:10.1007/s10653-025-02419-7
PMID:40045020
|
研究论文 | 本研究提出了一种基于深度学习的先进方法，利用XRF数据预测铁矿石中的关键元素浓度 | 首次将CNN、GRU和SAN三种深度学习模型应用于XRF地球化学数据预测元素浓度，并证明CNN模型在捕获复杂空间模式方面表现最佳 | 研究仅限于伊朗克尔曼省Gohar Zamin铁矿石矿区，未在其他矿区验证模型泛化能力 | 开发一种成本效益高的地球化学分析方法，替代昂贵的ICP-MS方法 | 铁矿石中的砷(As)、锂(Li)、锑(Sb)和钒(V)等关键元素 | 机器学习 | NA | X射线荧光(XRF)地球化学分析 | CNN, GRU, SAN | 地球化学数据 | NA | NA | 卷积神经网络, 门控循环单元, 空间注意力网络 | 误差率 | NA |
| 386 | 2025-10-07 |
An intelligent framework for skin cancer detection and classification using fusion of Squeeze-Excitation-DenseNet with Metaheuristic-driven ensemble deep learning models
2025-Mar-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92293-1
PMID:40033075
|
研究论文 | 提出一种基于集成深度学习和灰狼优化的智能皮肤癌检测与分类框架 | 融合SE-DenseNet特征提取与多种深度学习模型的集成分类，并采用灰狼优化算法自动调参 | 仅使用公开数据集验证，未说明临床实际应用效果 | 开发自动化的皮肤癌检测与分类系统 | 皮肤癌医学图像 | 计算机视觉 | 皮肤癌 | 医学图像分析 | 集成深度学习模型 | 图像 | HAM10000和ISIC数据集 | NA | SE-DenseNet, LSTM, ELM, SSDA | 准确率 | NA |
| 387 | 2025-05-13 |
Advances in OCT Angiography
2025-Mar-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.3.6
PMID:40052848
|
综述 | 本文综述了光学相干断层扫描血管成像（OCTA）技术的进展，特别是2020年以来的新方法和技术趋势 | 介绍了解决OCTA小视野和伪影问题的新硬件和软件方法，以及利用深度学习模型进行疾病诊断的高精度图像分析工具 | 未提及具体临床应用中的验证结果或大规模试验数据 | 总结OCTA技术的最新进展和发展趋势 | 视网膜和脉络膜组织的血管成像 | 数字病理学 | NA | 光学相干断层扫描血管成像（OCTA） | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 388 | 2025-10-07 |
Towards Diagnostic Intelligent Systems in Leukemia Detection and Classification: A Systematic Review and Meta-analysis
2025-Mar, Journal of evidence-based medicine
DOI:10.1111/jebm.70005
PMID:40013326
|
系统综述与荟萃分析 | 本文系统回顾和荟萃分析了基于人工智能的白血病检测与分类方法研究 | 首次对2015-2023年间AI在白血病检测与分类中的应用进行系统性综述和性能荟萃分析 | 主要依赖内部验证（87%的研究），缺乏外部验证评估泛化能力 | 综述和综合基于人工智能的白血病检测与分类研究成果 | 白血病及其亚型的自动检测与分类 | 数字病理学 | 白血病 | 外周血涂片图像分析 | CNN,深度学习,监督学习 | 图像 | 190项符合条件的研究（从1325篇文献中筛选） | NA | 卷积神经网络 | 准确率 | NA |
| 389 | 2025-10-07 |
Pre-trained convolutional neural networks identify Parkinson's disease from spectrogram images of voice samples
2025-Mar-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92105-6
PMID:40025201
|
研究论文 | 本研究使用预训练卷积神经网络通过语音样本的声谱图图像识别帕金森病 | 在更大带宽智能手机录音数据集上验证方法性能，并比较线性尺度和梅尔尺度声谱图的分类效果 | 未明确说明样本量的具体数值和研究人群特征 | 开发基于深度学习的帕金森病自动检测方法 | 帕金森病患者的语音样本 | 计算机视觉 | 帕金森病 | 语音记录，声谱图分析 | CNN | 图像 | NA | NA | 预训练卷积神经网络 | 分类性能 | NA |
| 390 | 2025-10-07 |
Enhancing HER2 testing in breast cancer: predicting fluorescence in situ hybridization (FISH) scores from immunohistochemistry images via deep learning
2025-Mar, The journal of pathology. Clinical research
DOI:10.1002/2056-4538.70024
PMID:40050230
|
研究论文 | 通过深度学习从免疫组化图像预测FISH评分来增强乳腺癌HER2检测 | 采用聚类约束注意力多实例深度学习模型改进HER2免疫组化检测，减少对FISH检测的依赖 | FISH预测模型的准确度和灵敏度较低 | 提高乳腺癌HER2检测的准确性和效率 | 乳腺癌患者的HER2生物标志物 | 数字病理学 | 乳腺癌 | 免疫组化(IHC), 荧光原位杂交(FISH) | 深度学习 | 图像 | 5,731张HER2 IHC图像(包含592例FISH检测病例)，外部验证来自203家机构 | NA | 聚类约束注意力多实例深度学习模型 | 准确度, ROC AUC, 灵敏度, 特异性 | NA |
| 391 | 2025-05-13 |
Timescale Matters: Finer Temporal Resolution Influences Driver Contributions to Global Soil Respiration
2025-Mar, Global change biology
IF:10.8Q1
DOI:10.1111/gcb.70118
PMID:40052202
|
research paper | 该研究使用深度学习模型预测全球土壤呼吸（R）在月和年尺度上的变化，并探讨了时间分辨率对预测结果及其环境驱动因素的影响 | 首次在月和年尺度上比较了全球土壤呼吸的预测结果，揭示了时间分辨率对识别关键环境驱动因素的重要性 | 研究仅考虑了温度、降水和叶面积指数三个驱动因素，可能忽略了其他潜在影响因素 | 理解时间分辨率如何影响土壤呼吸预测及其环境驱动因素的识别 | 全球土壤呼吸及其环境驱动因素 | machine learning | NA | deep learning | 深度学习模型 | 时间序列数据 | 1982年至2018年的全球数据 | NA | NA | NA | NA |
| 392 | 2025-05-13 |
Image-based food groups and portion prediction by using deep learning
2025-Mar, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70116
PMID:40052549
|
research paper | 开发了一个基于深度学习的系统，用于自动分组和分类食物，并估计土耳其菜肴的份量大小 | 使用CNN模型基于图像识别自动分类食物组和估计份量大小，并实现了高达80%的食物组分类准确率和80.47%的份量估计准确率 | 研究仅针对土耳其菜肴，可能不适用于其他文化的食物 | 预防由于营养不良导致的慢性疾病，如肥胖和高血压，通过自动测量食物消费来满足个体营养需求 | 土耳其菜肴 | computer vision | obesity, hypertension | image recognition | CNN | image | NA | NA | NA | NA | NA |
| 393 | 2025-10-07 |
Risk-Stratified Screening: A Simulation Study of Scheduling Templates on Daily Mammography Recalls
2025-Mar, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.12.010
PMID:40044308
|
研究论文 | 通过离散事件模拟评估风险分层筛查调度对乳腺影像中心日常召回的影响 | 结合Tyrer-Cuzick风险模型和深度学习评分开发风险分层筛查调度方法，并首次通过模拟研究评估其对日常召回的影响 | 基于模拟研究而非真实临床实施，样本量相对较小（每日60名患者） | 评估风险分层筛查调度在乳腺影像中心工作流程中的潜在效益 | 接受乳腺筛查的患者群体 | 数字病理 | 乳腺癌 | 乳腺X线摄影，人工智能分诊 | 深度学习模型 | 乳腺影像数据，风险评分数据 | 每日60名患者，其中42%接受筛查，11%（约3名）需要诊断检查 | NA | NA | 召回方差，服务患者数量，运营时间，患者等待时间 | NA |
| 394 | 2025-10-07 |
Opportunistic Detection of Hepatocellular Carcinoma Using Noncontrast CT and Deep Learning Artificial Intelligence
2025-Mar, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.12.011
PMID:40044303
|
研究论文 | 开发基于非对比CT和深度学习的人工智能算法用于肝细胞癌的机会性检测 | 首次探索在非对比CT上使用深度学习进行肝细胞癌机会性筛查的方法 | 研究样本量相对有限，需要进一步的外部验证 | 开发高效准确的肝细胞癌检测人工智能算法 | 肝细胞癌患者和非对比CT影像数据 | 计算机视觉 | 肝细胞癌 | 非对比多期相CT扫描 | CNN | 医学影像 | 2,223名患者（内部验证）和584名患者（外部测试） | NA | 3-D卷积块注意力模块 | AUC | NA |
| 395 | 2025-10-07 |
Applying Artificial Intelligence to Quantify Body Composition on Abdominal CTs and Better Predict Kidney Transplantation Wait-List Mortality
2025-Mar, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2025.01.004
PMID:40044312
|
研究论文 | 本研究应用人工智能自动量化肾移植候选人腹部CT的身体成分数据，以更好地预测等待名单死亡率 | 首次使用经过验证的深度学习模型自动提取腹部CT中的身体成分数据，并将其与EPTS评分结合用于预测肾移植等待名单死亡率 | 单中心回顾性观察研究，样本量相对有限（899例患者），主要针对白人非西班牙裔人群 | 开发自动量化腹部CT身体成分的方法，并评估其对肾移植等待名单死亡率的预测价值 | 肾移植候选人（2007-2017年间等待名单上的患者） | 数字病理 | 肾脏疾病 | CT成像 | 深度学习模型 | 医学影像（腹部CT） | 899名肾移植候选人 | NA | NA | AUC（受试者工作特征曲线下面积）, 95%置信区间 | NA |
| 396 | 2025-05-12 |
Enhanced EEG Forecasting: A Probabilistic Deep Learning Approach
2025-Mar-18, Neural computation
IF:2.7Q3
DOI:10.1162/neco_a_01743
PMID:40030141
|
研究论文 | 本文提出了一种基于概率深度学习的增强型EEG预测方法，用于改进脑电图信号的长期预测 | 首次将概率深度学习方法WaveNet应用于静息态EEG时间序列预测，并在theta和alpha频段实现了150毫秒的可靠预测 | 研究仅针对静息态EEG的theta和alpha频段进行测试，未涉及其他脑电频段或任务态脑电 | 改进EEG信号的长期预测准确性，以增强实时脑状态估计在脑机接口和脑刺激协议中的应用 | 静息态EEG信号（theta和alpha频段） | 机器学习 | NA | 概率深度学习 | WaveNet | 时间序列数据（EEG信号） | 未明确说明样本数量 | NA | NA | NA | NA |
| 397 | 2025-05-12 |
Exploring the application of deep learning methods for polygenic risk score estimation
2025-Mar-13, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/adbb71
PMID:40020248
|
research paper | 探索深度学习在多基因风险评分（PRS）估计中的应用 | 使用深度学习模型生成多个PRS，并展示其在数据缺失情况下的性能 | 进一步改进可能需要额外的输入数据 | 研究深度学习如何改进PRS的生成 | UK Biobank数据中的已知PRS | machine learning | NA | deep learning | DL models | genetic data | UK Biobank数据 | NA | NA | NA | NA |
| 398 | 2025-05-12 |
[Scale-invariant feature-enhanced deep learning framework for oral mucosal lesion segmentation]
2025-Mar-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
research paper | 提出了一种结合深度学习和SIFT算法的新型语义分割模型PixelSIFT-UNet，用于提高口腔黏膜病变的分割准确性 | 整合了深度学习和SIFT算法，开发了PixelSIFT-UNet模型，显著提高了分割精度 | 研究仅针对三种常见的口腔黏膜病变，可能不适用于其他类型的病变 | 提高口腔黏膜病变的语义分割准确性 | 口腔黏膜病变（口腔扁平苔藓、口腔白斑和口腔黏膜下纤维化） | digital pathology | oral mucosal lesions | scale-invariant feature transform (SIFT), deep learning | PixelSIFT-UNet, VGG-16, ResNet-50, U-Net, PSPNet | image | 838张标准临床白光图像（训练集506张，验证集166张，测试集166张） | NA | NA | NA | NA |
| 399 | 2025-03-05 |
[Advances in breast cancer tumor-infiltrating lymphocytes evaluation and deep learning applications]
2025-Mar-08, Zhonghua bing li xue za zhi = Chinese journal of pathology
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 400 | 2025-05-12 |
Sugarcane leaf disease classification using deep neural network approach
2025-Mar-04, BMC plant biology
IF:4.3Q1
DOI:10.1186/s12870-025-06289-0
PMID:40033192
|
研究论文 | 本文开发了一种基于深度学习的可靠模型，用于准确诊断甘蔗叶片病害 | 使用EfficientNet架构及其他知名CNN模型（如DenseNet201、ResNetV2等）进行甘蔗叶片病害分类，并验证了模型在不同数据集划分中的一致性和可靠性 | 未发现模型复杂度、深度与准确率之间的直接相关性，表明最佳性能不仅依赖于模型架构或深度，还依赖于其对数据集的适应性 | 开发一种可靠的深度学习模型，以准确诊断甘蔗叶片病害，提高病害控制和甘蔗产量 | 甘蔗叶片 | 计算机视觉 | 植物病害 | 深度学习 | EfficientNet, DenseNet201, ResNetV2, InceptionV4, MobileNetV3, RegNetX | 图像 | 6748张健康与病害叶片图像，涵盖11种病害类别 | NA | NA | NA | NA |