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 1367 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 | 2025-10-06 |
Retraction notice to "The analysis of teaching quality evaluation for the college sports dance by convolutional neural network model and deep learning" [Heliyon 10 (2024) e36067]
2025-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43315
PMID:40535237
|
撤稿通知 | 这是一篇关于大学体育舞蹈教学质量评估分析的撤稿声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 182 | 2025-10-06 |
Corrigendum to "Sentiment analysis in multilingual context: Comparative analysis of machine learning and hybrid deep learning models" [Heliyon Volume 9, Issue 9, September 2023, Article e20281]
2025-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43243
PMID:40535278
|
correction | 这是对先前发表的多语言情感分析比较研究文章的更正说明 | NA | NA | NA | NA | natural language processing | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 183 | 2025-10-06 |
Progress, Pitfalls, and Impact of AI-Driven Clinical Trials
2025-Apr, Clinical pharmacology and therapeutics
DOI:10.1002/cpt.3542
PMID:39722473
|
观点文章 | 本文探讨了人工智能在药物发现与开发领域的进展、挑战和潜在影响 | 系统分析了AI驱动临床试验面临的障碍并指出未来发展机遇 | NA | 研究人工智能在药物发现和开发中的应用现状与前景 | AI驱动的药物发现与开发过程 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 184 | 2025-10-06 |
Real-time target localization on 1.5 T magnetic resonance imaging linac orthogonal cine images using transfer learning
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100789
PMID:40524739
|
研究论文 | 本研究探讨了基于深度学习的肿瘤跟踪模型在1.5T MRI引导放疗中的适用性，并通过迁移学习提升性能 | 将0.35T MRI-linac训练的模型迁移应用于1.5T正交电影MRI系统，并开发患者特异性迁移学习策略 | 样本量有限（24名患者），未直接比较不同磁场强度模型的普适性 | 开发适用于1.5T MRI-linac正交电影图像的实时肿瘤定位方法 | 接受1.5T MRI-linac治疗的24名患者的肿瘤区域 | 医学影像分析 | 肿瘤疾病 | 电影MRI，迁移学习 | Transformer | 电影MRI图像 | 24名患者（验证集10人，测试集14人）的3600帧电影MRI图像 | NA | 基于Transformer的形变模型 | Dice相似系数，表面距离（SD50%，SD95%），负雅可比行列式百分比 | NA |
| 185 | 2025-06-18 |
From Visualization to Automation: A Narrative Review of Deep Learning's Impact on Ultrasound-based Median Nerve Assessment
2025 Apr-Jun, Journal of medical ultrasound
IF:0.9Q4
DOI:10.4103/jmu.JMU-D-25-00010
PMID:40521317
|
review | 本文综述了深度学习在超声诊断外周神经疾病中的应用，特别是对腕管综合征中正中神经分割的影响 | 探讨了深度学习与超声技术结合在提高诊断准确性和效率方面的潜力，并展望了未来研究方向 | 未提及具体的数据集或实验结果的局限性 | 回顾深度学习在超声诊断外周神经疾病中的应用现状及未来发展方向 | 外周神经疾病，特别是腕管综合征中的正中神经 | digital pathology | peripheral nerve disorders | ultrasound imaging | deep learning | image | NA | NA | NA | NA | NA |
| 186 | 2025-10-06 |
MRI super-resolution reconstruction using efficient diffusion probabilistic model with residual shifting
2025-Apr-26, ArXiv
PMID:40093364
|
研究论文 | 提出一种结合残差偏移机制的高效扩散概率模型用于MRI超分辨率重建 | 引入残差偏移机制显著减少采样步骤，在保持解剖细节的同时加速MRI重建 | 未明确说明模型在不同类型MRI数据上的泛化能力 | 开发高效的MRI超分辨率重建方法以减少采集时间和运动伪影 | 超高场脑T1 MP2RAGE图谱和T2加权前列腺图像 | 医学影像处理 | 脑部疾病,前列腺疾病 | 扩散概率模型,深度学习 | 扩散模型 | MRI图像 | NA | NA | Res-SRDiff | PSNR,SSIM,GMSD,LPIPS,Likert评分 | NA |
| 187 | 2025-10-06 |
Deep learning and machine learning in CT-based COPD diagnosis: Systematic review and meta-analysis
2025-Apr, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105812
PMID:39891985
|
系统评价与荟萃分析 | 通过系统评价和荟萃分析评估基于CT图像的深度学习和机器学习模型在COPD诊断中的性能 | 首次对基于CT图像的AI模型在COPD诊断中的性能进行定量荟萃分析，并比较了不同AI模型类型的诊断效能 | 纳入研究数量有限（22篇），部分亚组分析结果无统计学显著性，可能存在发表偏倚 | 评估AI模型在COPD CT图像诊断中的性能，促进相关研究发展 | 慢性阻塞性肺疾病（COPD）患者 | 医学影像分析 | 慢性阻塞性肺疾病 | CT影像分析 | 深度学习, 机器学习 | CT图像 | 22,817名患者 | NA | 多示例学习（MIL） | 敏感度, 特异度, 曲线下面积（AUC）, SROC曲线 | NA |
| 188 | 2025-06-14 |
A physics-informed deep learning model for predicting beam dose distribution of intensity-modulated radiation therapy treatment plans
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100779
PMID:40502721
|
研究论文 | 开发了一种基于物理信息的深度学习模型，用于预测鼻咽癌患者调强放射治疗（IMRT）中的束流剂量分布 | 提出了一种专门用于束流剂量预测任务的物理信息深度学习网络，并通过交叉采样方案解决了深度学习模型的可解释性挑战 | 样本量相对较小（100例），且为回顾性研究 | 开发用于IMRT束流剂量预测的深度学习模型 | 鼻咽癌患者的IMRT治疗计划 | 医学影像分析 | 鼻咽癌 | 深度学习 | U-Net | CT图像和轮廓输入 | 100例九束IMRT病例（72例训练集，8例验证集，20例测试集） | NA | NA | NA | NA |
| 189 | 2025-06-13 |
Comparison of Multimodal Deep Learning Approaches for Predicting Clinical Deterioration in Ward Patients: An Observational Cohort Study
2025-Apr-30, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/75340
PMID:40305429
|
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 | 比较了结合结构化数据与临床笔记信息的模型在预测临床恶化方面的表现，并探索了不同的参数化方法 | 添加临床笔记信息并未显著提高模型性能，且研究仅基于两个医疗中心的数据 | 比较不同多模态深度学习模型在预测病房患者临床恶化方面的性能 | 病房患者 | 机器学习 | 临床恶化 | 深度学习，自然语言处理 | 深度循环神经网络（RNN） | 结构化数据和临床笔记文本 | 开发队列284,302名患者，外部验证队列248,055名患者 | NA | NA | NA | NA |
| 190 | 2025-10-06 |
Vision transformer-based multimodal fusion network for classification of tumor malignancy on breast ultrasound: A retrospective multicenter study
2025-Apr, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105793
PMID:39862564
|
研究论文 | 本研究开发了一种基于视觉Transformer的多模态融合网络，用于乳腺癌超声图像中肿瘤良恶性的分类 | 首次同时整合了影像组学特征、深度学习特征和临床参数，构建了专门用于乳腺肿瘤恶性预测的多模态特征融合模型 | 回顾性研究，样本量相对有限（603例患者用于训练） | 开发多模态特征融合模型用于乳腺肿瘤良恶性预测 | 乳腺超声图像和临床数据 | 计算机视觉 | 乳腺癌 | 超声成像 | Vision Transformer, 多模态融合网络 | 超声图像, 临床数据 | 1065名患者的临床特征和3315个图像数据集，其中603名患者数据用于模型训练 | NA | Vision Transformer, 多模态融合网络 | AUC, F1-score, 决策曲线分析 | NA |
| 191 | 2025-06-13 |
Comparing methods to improve cone-beam computed tomography for dose calculations in adaptive proton therapy
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100784
PMID:40496807
|
research paper | 本研究比较了四种提高锥形束计算机断层扫描（CBCT）质量的方法，用于头颈癌患者的自适应质子治疗中的剂量计算 | 评估了四种不同的CBCT质量改进方法，包括强度校正方法、两种可变形图像配准方法和一种基于深度学习的方法，用于质子治疗中的剂量计算 | 所有四种方法在CBCT和重复CT（reCT）之间存在解剖和/或位置差异时，均可能出现异常值 | 提高CBCT图像质量以用于自适应质子治疗中的精确剂量计算 | 头颈癌患者的CBCT图像 | digital pathology | head-and-neck cancer | cone-beam CT (CBCT), deformable image registration, deep learning | deep learning-based method | image | 35 CBCTs from 24 head-and-neck cancer patients | NA | NA | NA | NA |
| 192 | 2025-10-06 |
Multiparametric MR Urography: State of the Art
2025-04, Radiographics : a review publication of the Radiological Society of North America, Inc
IF:5.2Q1
DOI:10.1148/rg.240151
PMID:40080439
|
综述 | 本文全面介绍了多参数MR尿路成像技术的最新进展及其临床应用 | 系统总结了MR尿路成像作为CT尿路成像替代方案的技术优势，特别强调了在特定患者群体中的首选地位 | 未提供具体临床研究数据支持技术比较结论 | 探讨MR尿路成像技术现状及其在泌尿系统疾病诊断中的应用价值 | 肾脏、肾盂肾盏系统、输尿管和膀胱的成像评估 | 医学影像 | 泌尿系统疾病 | 静态液体T2加权成像、钆增强尿路上皮和排泄期成像、动态对比增强MRI、弥散加权成像 | NA | 医学影像数据 | NA | NA | NA | 对比分辨率、组织特征、诊断准确性 | NA |
| 193 | 2025-10-06 |
Artificial intelligence demonstrates potential to enhance orthopaedic imaging across multiple modalities: A systematic review
2025-Apr, Journal of experimental orthopaedics
IF:2.0Q2
DOI:10.1002/jeo2.70259
PMID:40337671
|
系统综述 | 本系统综述评估人工智能在骨科影像学中的应用效果和可靠性，重点关注其对诊断准确性、图像分割和操作效率的影响 | 首次系统比较不同AI模型在多种骨科影像模态中的临床效能和实用性 | 缺乏全面的统计分析和随机对照试验，需要进一步临床验证 | 评估人工智能在骨科影像学中的有效性和可靠性 | 骨科影像学数据和研究文献 | 医学影像分析 | 骨科疾病 | 系统文献综述方法 | CNN, 机器学习模型 | 医学影像 | 53项研究，包含11,990,643张影像 | NA | 卷积神经网络 | Dice相似系数, 准确率, 灵敏度, 精确率, 特异性, F1分数, AUC | NA |
| 194 | 2025-10-06 |
Deep learning reconstruction algorithm and high-concentration contrast medium: feasibility of a double-low protocol in coronary computed tomography angiography
2025-Apr, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11059-x
PMID:39299952
|
研究论文 | 评估深度学习重建算法结合高浓度造影剂在非肥胖患者冠状动脉CT血管成像中实现低辐射低造影剂剂量的可行性 | 首次将高强度深度学习图像重建与低管电压、低造影剂输送率相结合，实现冠状动脉CTA的'双低'协议 | 研究仅限于BMI<30kg/m²的非肥胖患者，样本量相对有限 | 评估双低CCTA协议在辐射剂量和图像质量方面的表现 | 255名接受临床CCTA检查的非肥胖患者 | 医学影像 | 心血管疾病 | 冠状动脉CT血管成像 | 深度学习重建算法 | CT影像 | 255名患者（64±10岁，161名男性），每组85人 | NA | DLIR-H（高强度深度学习图像重建） | 信噪比, 对比噪声比, 主观图像质量评分, 辐射剂量, 造影剂剂量 | NA |
| 195 | 2025-10-06 |
Deep learning-based segmentation of OCT images for choroidal thickness
2025 Apr-Jun, Journal of optometry
IF:2.2Q2
DOI:10.1016/j.optom.2025.100556
PMID:40328135
|
研究论文 | 开发并验证基于深度学习的自动分割方法用于OCT图像脉络膜厚度测量 | 使用定制化的Deeplabv3+网络实现OCT图像脉络膜-巩膜边界的自动分割，相比开源算法表现更优 | 仅使用单一中心数据，样本量相对有限（测试集130例） | 开发自动化的OCT图像脉络膜厚度测量方法 | 光学相干断层扫描（OCT）图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描（OCT） | CNN | 医学图像 | 训练集10,798个手动分割的OCT扫描，测试集130个独特扫描 | NA | Deeplabv3+, ResNet50 | 准确率, 损失值, Bland-Altman分析, 组内相关系数（ICC）, Deming回归 | NA |
| 196 | 2025-10-06 |
AUTOENCODER FOR 4-DIMENSIONAL FIBER ORIENTATION DISTRIBUTIONS FROM DIFFUSION MRI
2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi60581.2025.10981302
PMID:40475178
|
研究论文 | 提出一种用于扩散MRI纤维取向分布的四维自编码器压缩方法 | 开发了顺序平衡顺序级自编码器，通过分离不同球谐函数阶数的编码器来平衡特征图大小，更好地保留低阶系数信息 | 未明确说明具体压缩率和计算效率提升的量化指标 | 解决高阶球谐函数表示纤维取向分布时的内存消耗问题 | 扩散MRI中的纤维取向分布 | 医学影像分析 | NA | 扩散MRI | 自编码器 | 四维纤维取向分布数据 | NA | NA | OBOL自编码器 | 精度 | 常用GPU |
| 197 | 2025-06-08 |
Leveraging network uncertainty to identify regions in rectal cancer clinical target volume auto-segmentations likely requiring manual edits
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100771
PMID:40475847
|
research paper | 本研究探讨了深度学习自动分割在直肠癌放疗工作流程中的应用，特别是通过网络不确定性量化来识别需要手动编辑的区域 | 提出利用网络不确定性估计来预测需要临床相关编辑的分割区域，验证了认知不确定性估计的有效性 | 网络不确定性的解释因多种不确定性来源的非平凡交互而复杂化 | 提高直肠癌放疗工作流程中自动分割的效率和质量 | 直肠系膜临床靶区的自动分割 | digital pathology | rectal cancer | Monte Carlo dropout | nnU-Net | image | NA | NA | NA | NA | NA |
| 198 | 2025-06-08 |
Enhancing patient-specific deep learning based segmentation for abdominal magnetic resonance imaging-guided radiation therapy: A framework conditioned on prior segmentation
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100766
PMID:40475848
|
研究论文 | 提出了一种基于先验分割的深度学习框架，用于增强腹部磁共振成像引导放射治疗中的患者特异性分割 | 无需为每位患者重新训练模型，通过整合分次MR体积和计划分割图生成稳健的分次MR分割 | 需要分次MR和计划分割图的对齐效果较好，否则性能可能下降 | 提高腹部磁共振成像引导放射治疗中患者特异性分割的准确性和效率 | 接受腹部癌症MRgRT治疗的69名患者（共222个分次MR） | 数字病理 | 腹部癌症 | 磁共振成像引导放射治疗(MRgRT) | 3D UNet | 磁共振图像 | 69名患者，222个分次MR | NA | NA | NA | NA |
| 199 | 2025-06-07 |
Deep learning model for detecting high-grade dysplasia in colorectal adenomas
2025-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100441
PMID:40463412
|
研究论文 | 本研究开发了一种深度学习模型，用于区分结直肠腺瘤中的低级别异型增生（LGD）和高级别异型增生（HGD） | 首次使用深度学习模型对结直肠腺瘤的异型增生程度进行准确分类 | 样本量相对较小，可能影响模型的泛化能力 | 提高结直肠腺瘤异型增生程度的自动诊断准确性 | 结直肠腺瘤组织切片 | 数字病理学 | 结直肠癌 | 深度学习 | ResNet34 | 病理图像 | 200张组织切片（71例HGD，129例LGD） | NA | NA | NA | NA |
| 200 | 2025-06-07 |
Efficient merging and validation of deep learning-based nuclei segmentations in H&E slides from multiple models
2025-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2025.100443
PMID:40463413
|
研究论文 | 本研究提出了一种整合多种深度学习模型进行H&E切片中细胞核分割的新方法，以提高细胞类型定量的准确性 | 提出了一种新颖的整合多种深度学习模型的方法，用于细胞核分割，相比单一模型和人工病理学检查，提高了细胞类型比例的准确性和基因表达变异的解释能力 | 深度学习模型在分割特定细胞类型方面仍存在局限性，且某些模型在特定任务上可能比其他模型更有效 | 开发一种高效整合多种深度学习模型的方法，以改进H&E切片中细胞核分割和细胞类型定量 | 471例正常前列腺样本的H&E切片 | 数字病理学 | 前列腺癌 | 深度学习 | 多种深度学习模型 | 图像 | 471例正常前列腺样本 | NA | NA | NA | NA |