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 101 - 120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 101 | 2025-06-18 |
Minimizing Human-Induced Variability in Quantitative Angiography for Robust and Explainable AI-Based Occlusion Prediction
2025-Mar-13, ArXiv
PMID:40160450
|
研究论文 | 本研究探讨了通过消除对比剂注射变异性带来的偏差，提高定量血管造影（QA）和深度神经网络（DNNs）在颅内动脉瘤（IA）闭塞预测中的准确性，并利用可解释AI（XAI）增强模型的可靠性和可解释性 | 提出了一种注射偏差去除算法以减少QA变异性，并利用LIME方法增强深度学习模型的可解释性 | 研究仅针对使用流动转向装置治疗的动脉瘤，样本量为458例，可能限制结果的普遍性 | 提高流动转向装置治疗的颅内动脉瘤闭塞预测的准确性和可解释性 | 使用流动转向装置治疗的颅内动脉瘤患者 | 数字病理学 | 颅内动脉瘤 | 定量血管造影（QA），深度神经网络（DNNs），局部可解释模型无关解释（LIME） | DNN | 图像 | 458例患者的血管造影图像 | NA | NA | NA | NA |
| 102 | 2025-06-15 |
Post-Training Network Compression for 3D Medical Image Segmentation: Reducing Computational Efforts via Tucker Decomposition
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240353
PMID:39812583
|
研究论文 | 本研究探讨了通过Tucker分解减少基于3D CT的多器官分割模型TotalSegmentator的计算量 | 首次将Tucker分解应用于医学图像分割模型的压缩，显著减少了模型参数和计算量，同时保持分割精度 | 不同GPU架构上的实际加速效果存在差异，在性能较低的硬件上加速效果更明显 | 降低医学图像分割模型的计算需求 | TotalSegmentator模型（基于nnU-Net的117个解剖结构自动分割模型） | 数字病理 | NA | Tucker分解 | nnU-Net | 3D CT图像 | 1228个分割CT扫描（训练集）+89个CT扫描（测试集） | NA | NA | NA | NA |
| 103 | 2025-06-14 |
Comparison of Multimodal Deep Learning Approaches for Predicting Clinical Deterioration in Ward Patients
2025-Mar-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.06.25322855
PMID:40093217
|
研究论文 | 比较不同多模态深度学习方法在预测病房患者临床恶化方面的效果 | 首次比较了结合结构化数据与临床笔记信息的多种深度学习方法在预测临床恶化方面的性能 | 添加临床笔记信息并未显著提升模型性能 | 评估多模态深度学习模型预测病房患者临床恶化的效果 | 病房患者 | 机器学习 | NA | 深度循环神经网络 | RNN | 结构化数据和非结构化文本数据 | 506,076名病房患者 | NA | NA | NA | NA |
| 104 | 2025-06-14 |
REMED-T2D: A robust ensemble learning model for early detection of type 2 diabetes using healthcare dataset
2025-Mar, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109771
PMID:39914204
|
研究论文 | 开发了一种名为REMED-T2D的集成机器学习模型，用于2型糖尿病的早期检测 | 首次使用Pima数据集进行综合分析，整合多种机器学习算法，并开发了公开可访问的Web服务器 | 模型主要针对亚洲女性，可能在其他人群中的适用性有限 | 提高2型糖尿病的早期检测准确性和鲁棒性 | Pima Indian Diabetes数据集、RTML1和Pabna数据集 | 机器学习 | 2型糖尿病 | 集成学习、欠采样方法 | 集成ML模型 | 医疗数据集 | Pima Indian Diabetes数据集生成的五个平衡数据集，以及RTML1、Pabna和RTML2数据集 | NA | NA | NA | NA |
| 105 | 2025-06-14 |
Deep Learning-based Brain Age Prediction Using MRI to Identify Fetuses with Cerebral Ventriculomegaly
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240115
PMID:39969279
|
研究论文 | 本研究探讨了基于深度学习的胎儿脑龄预测模型在识别脑室扩大胎儿及其严重程度和相关中枢神经系统异常方面的诊断性能 | 使用二维单通道CNN与多平面MRI切片相结合的胎儿脑龄预测新方法，能够辅助识别脑室扩大及相关中枢神经系统异常 | 样本量相对有限，且仅使用了MRI数据 | 评估深度学习模型在胎儿脑室扩大及相关异常诊断中的临床应用价值 | 胎儿（包括脑室扩大胎儿和正常发育胎儿） | 数字病理学 | 脑室扩大 | MRI | CNN | 图像 | 500例胎儿（317例脑室扩大胎儿和183例正常发育胎儿） | NA | NA | NA | NA |
| 106 | 2025-10-06 |
Machine learning for the rElapse risk eValuation in acute biliary pancreatitis: The deep learning MINERVA study protocol
2025-03-03, World journal of emergency surgery : WJES
IF:6.0Q1
DOI:10.1186/s13017-025-00594-7
PMID:40033414
|
研究论文 | 开发并验证用于预测轻度急性胆源性胰腺炎复发风险的深度学习模型 | 首次将卷积神经网络与核主成分分析结合，通过空间变量转换和图像化处理预测胰腺炎复发风险 | 研究仅限于意大利多家医院，样本来源相对单一；排除了重症胰腺炎患者 | 预测轻度急性胆源性胰腺炎患者的复发风险，改善临床决策 | 符合修订版亚特兰大标准的轻度急性胆源性胰腺炎成年患者 | 医疗人工智能 | 胰腺疾病 | 机器学习，深度学习 | CNN | 临床和人口统计学变量 | 结合MANCTRA-1研究的回顾性数据和前瞻性数据收集 | NA | 卷积神经网络 | 准确率，精确率，召回率，AUC | NA |
| 107 | 2025-10-06 |
Deep Learning-Based ASPECTS Algorithm Enhances Reader Performance and Reduces Interpretation Time
2025-Mar-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8491
PMID:39255988
|
研究论文 | 本研究评估基于深度学习的ASPECTS算法在急性缺血性卒中诊断中对医生性能和解读时间的影响 | 开发了首个FDA批准和CE认证的深度学习算法(CINA-ASPECTS)，可自动计算ASPECTS评分并显著提升诊断一致性 | 研究为回顾性设计，样本量相对有限(200例NCCT扫描)，仅涉及8名临床医生 | 评估深度学习算法在急性缺血性卒中ASPECTS评分中对医生诊断性能和效率的提升效果 | 急性缺血性卒中患者的非增强CT(NCCT)扫描图像 | 医学影像分析 | 急性缺血性卒中 | 非增强CT(NCCT)扫描，深度学习算法 | 深度学习模型 | 医学影像数据 | 200例NCCT扫描，来自5个临床中心的27种扫描仪型号 | NA | NA | 准确率, ROC曲线下面积(AUC), 观察者间可靠性, 相关系数, 解读时间 | NA |
| 108 | 2025-10-06 |
Segment Anything for Microscopy
2025-Mar, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02580-4
PMID:39939717
|
研究论文 | 开发基于Segment Anything的显微镜图像分割工具μSAM，通过微调通用模型提升多种显微镜成像条件下的分割质量 | 首次将视觉基础模型应用于显微镜领域，通过微调策略显著提升分割性能，并提供跨显微镜模态的统一解决方案 | NA | 解决显微镜图像中目标分割的准确性问题，开发通用分割工具 | 显微镜图像中的目标分割与追踪 | 计算机视觉 | NA | 光学显微镜，电子显微镜 | 基础视觉模型 | 显微镜图像 | NA | NA | Segment Anything | 分割质量 | NA |
| 109 | 2025-10-06 |
[Nobel Prize in physics 2024 : John J. Hopfield and Geoffrey E. Hinton. From Hopfield and Hinton to AlphaFold: The 2024 Nobel Prize honors the pioneers of deep learning]
2025-Mar, Medecine sciences : M/S
DOI:10.1051/medsci/2025036
PMID:40117553
|
评论 | 回顾2024年诺贝尔物理学奖得主John J. Hopfield和Geoffrey E. Hinton的职业生涯及其在人工神经网络领域的开创性贡献 | NA | NA | 追溯两位诺贝尔奖得主的科研历程并强调他们对深度学习的先驱性贡献 | John J. Hopfield和Geoffrey E. Hinton的研究工作 | 机器学习 | NA | 人工神经网络 | NA | 图像 | NA | NA | Hopfield网络 | NA | NA |
| 110 | 2025-10-06 |
Strategies to include prior knowledge in omics analysis with deep neural networks
2025-Mar-14, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101203
PMID:40182174
|
综述 | 本文综述了在深度神经网络中整合先验知识以分析组学数据的三种主要策略 | 系统总结了利用生物先验知识指导深度神经网络处理高维组学数据的方法，特别关注了新兴的图神经网络架构 | NA | 探讨如何在组学数据分析中利用深度神经网络整合先验知识以提高预测性能 | 分子谱数据和生物先验知识 | 机器学习 | NA | 高通量分子分析技术 | 深度神经网络, 图神经网络 | 分子谱数据 | NA | NA | NA | NA | NA |
| 111 | 2025-06-07 |
Burnout crisis in Chinese radiology: will artificial intelligence help?
2025-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11206-4
PMID:39567429
|
research paper | 评估人工智能（AI）软件使用与中国医院放射科职业倦怠之间的相关性 | 首次量化研究AI软件使用与放射科人员职业倦怠的关系，并发现AI使用时长与倦怠程度呈显著负相关 | 研究设计为横断面研究，无法确定因果关系 | 探讨AI在减轻放射科人员职业倦怠方面的作用 | 中国68家公立医院的放射科医生和技术人员 | digital pathology | NA | 问卷调查（MBI-HSS量表和AI使用问卷） | NA | survey data | 522名放射科工作人员 | NA | NA | NA | NA |
| 112 | 2025-06-07 |
Colorectal cancer classification using weakly annotated whole slide images: Multiple instance learning optimization study
2025-Mar, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109649
PMID:39798507
|
研究论文 | 本研究利用深度学习技术，通过弱标注的组织病理学全切片图像（WSIs）研究结直肠癌（CRC）分类问题 | 提出了与多实例学习（MIL）集成的WSI标签预测函数，显著提高了WSI级别分类的性能 | NA | 开发高效的计算机辅助诊断（CAD）系统，用于结直肠癌的早期检测和分类 | 结直肠癌的组织病理学全切片图像 | 数字病理学 | 结直肠癌 | 深度学习 | 多实例学习（MIL） | 图像 | NA | NA | NA | NA | NA |
| 113 | 2025-06-05 |
Deep learning-based breast MRI for predicting axillary lymph node metastasis: a systematic review and meta-analysis
2025-Mar-31, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00863-3
PMID:40165212
|
meta-analysis | 评估深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 首次系统评价和荟萃分析深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 研究间存在中度异质性（I2=61%和60%） | 评估深度学习算法在乳腺癌MRI中预测腋窝淋巴结转移的诊断性能 | 乳腺癌患者 | digital pathology | breast cancer | MRI | deep learning | image | 10项研究 | NA | NA | NA | NA |
| 114 | 2025-06-05 |
CoupleVAE: coupled variational autoencoders for predicting perturbational single-cell RNA sequencing data
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf126
PMID:40178283
|
研究论文 | 本文提出了一种名为CoupleVAE的新型深度学习方法，用于预测扰动后的单细胞RNA测序数据 | CoupleVAE由两个耦合的VAE组成，通过耦合器在潜在空间中进行更复杂的细胞状态转换 | NA | 预测单细胞扰动响应，以理解生物体的功能和行为 | 单细胞RNA测序数据 | 计算生物学 | NA | 单细胞RNA测序 | VAE（变分自编码器） | RNA测序数据 | 三个真实数据集（感染、刺激和跨物种预测） | NA | NA | NA | NA |
| 115 | 2025-06-05 |
Brain tumor segmentation and detection in MRI using convolutional neural networks and VGG16
2025-Mar, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.1177/18758592241311184
PMID:40183298
|
research paper | 本研究探讨了使用卷积神经网络（CNN）和VGG16在MRI图像中自动检测和分类脑肿瘤的方法 | 提出了一种能够预测分割性能并检测失败事件的深度学习模型，通过mIoU指标提高语义分割的准确性和失败检测 | 未提及具体的数据集大小或多样性限制，也未讨论模型在不同类型脑肿瘤上的泛化能力 | 开发一个自动化的脑肿瘤检测系统，以提高诊断速度和准确性 | MRI图像中的脑肿瘤 | digital pathology | brain tumor | deep learning, image processing | CNN, VGG16 | image | NA | NA | NA | NA | NA |
| 116 | 2025-10-06 |
Global output of clinical application research on artificial intelligence in the past decade: a scientometric study and science mapping
2025-03-15, Systematic reviews
IF:6.3Q1
DOI:10.1186/s13643-025-02779-2
PMID:40089747
|
研究论文 | 通过科学计量学方法分析过去十年人工智能临床应用研究的现状、热点和发展趋势 | 首次对人工智能临床研究领域进行全面的科学计量分析，识别研究热点和新兴趋势 | 仅基于Web of Science数据库，可能遗漏其他数据库的重要文献 | 分析人工智能临床应用研究的现状、热点和发展趋势 | 人工智能临床应用相关的研究文献 | 机器学习 | NA | 科学计量分析，文献计量学 | NA | 文献数据 | 22,583篇文章，其中735篇人工智能临床应用研究 | VOSviewer, CiteSpace, SciMAT | NA | 发文量，被引频次，爆发词检测 | NA |
| 117 | 2025-10-06 |
A systematic review on the impact of artificial intelligence on electrocardiograms in cardiology
2025-Mar, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2024.105753
PMID:39674006
|
系统综述 | 本文系统综述了人工智能在心电图分析中对心脏病学的影响 | 首次系统评估2014-2024年间AI技术在ECG分析中的应用进展，涵盖多种AI模型在心脏病预测诊断中的综合表现 | 仅纳入英文文献，可能存在语言偏倚；研究时间范围限定可能遗漏早期重要研究 | 探讨人工智能、机器学习和深度学习在ECG分析中的整合及其对心脏病预测诊断和治疗支持的影响 | 心电图数据和相关心脏病患者 | 机器学习 | 心血管疾病 | 心电图分析 | CNN, RNN, 混合模型 | 心电图信号 | 46项符合纳入标准的研究 | NA | NA | 诊断准确率, 诊断时间 | NA |
| 118 | 2025-10-06 |
Deep learning-based pelvimetry in pelvic MRI volumes for pre-operative difficulty assessment of total mesorectal excision
2025-03, Surgical endoscopy
DOI:10.1007/s00464-024-11485-4
PMID:39753930
|
研究论文 | 本研究开发了一种基于深度学习的自动化骨盆测量方法，用于术前评估全直肠系膜切除术的难度 | 首次在MRI体积数据中实现基于深度学习的自动化骨盆测量 | 仅使用来自8个TME中心的1707名患者数据，需要进一步验证其泛化能力 | 开发自动化骨盆测量工作流程，辅助全直肠系膜切除术的术前难度评估 | 接受全直肠系膜切除术患者的术前MRI体积数据 | 医学影像分析 | 结直肠癌 | 磁共振成像 | CNN | 3D MRI体积数据 | 来自8个TME中心的1707名患者 | NA | 3D U-Net | 平均地标定位误差, Spearman相关系数 | NA |
| 119 | 2025-10-06 |
DDEvENet: Evidence-based ensemble learning for uncertainty-aware brain parcellation using diffusion MRI
2025-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 开发了一种基于深度学习和扩散MRI的证据集成神经网络DDEvENet，用于解剖脑区划分 | 设计了证据深度学习框架，在单次推理中量化每个体素的预测不确定性，并提出了基于证据的集成学习方法 | NA | 开发不确定性感知的脑区划分方法，提高分割结果的准确性和可靠性 | 健康成人和多种脑部疾病患者（精神分裂症、双相情感障碍、注意力缺陷多动障碍、帕金森病、脑小血管病和脑肿瘤神经外科患者） | 医学影像分析 | 脑部疾病 | 扩散MRI | 集成神经网络 | 扩散MRI图像 | 来自多个成像源的大规模数据集，包括健康成人和多种脑部疾病患者 | 深度学习框架 | 包含五个并行子网络的集成架构 | 分割准确性，不确定性估计 | NA |
| 120 | 2025-10-06 |
An in-depth review of AI-powered advancements in cancer drug discovery
2025-03, Biochimica et biophysica acta. Molecular basis of disease
DOI:10.1016/j.bbadis.2025.167680
PMID:39837431
|
综述 | 探讨人工智能与基因组学在癌症药物发现中的融合及其对个性化治疗发展的推动作用 | 系统阐述AI技术（包括深度学习和高级数据分析）在药物发现关键阶段（靶点识别、药物设计、临床试验优化和药物反应预测）的变革性作用，并重点介绍DrugnomeAI、PandaOmics和AlphaFold等前沿工具的创新应用 | 面临大规模基因组数据管理的技术挑战以及AI在医疗领域应用的伦理问题 | 加速癌症药物发现过程并推动精准医疗发展 | 人工智能技术在癌症药物研发中的应用 | 机器学习 | 癌症 | 基因组学数据分析 | 深度学习 | 基因组数据 | NA | NA | NA | NA | NA |