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 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2025-05-31 |
Medical Image Segmentation: A Comprehensive Review of Deep Learning-Based Methods
2025-Apr-30, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11050052
PMID:40423254
|
review | 本文全面回顾了基于深度学习的医学图像分割方法 | 对当前医学图像分割领域的代表性方法进行了分类、回顾和总结，并预测了未来研究方向 | 未提及具体方法的局限性 | 分析医学图像分割领域的研究现状和发展趋势 | 医学图像分割方法 | computer vision | NA | deep learning | CNN | image | NA | NA | NA | NA | NA |
| 262 | 2025-05-31 |
SwinTCS: A Swin Transformer Approach to Compressive Sensing with Non-Local Denoising
2025-Apr-29, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050139
PMID:40422996
|
研究论文 | 提出了一种基于Swin Transformer的新型深度学习框架SwinTCS，用于压缩感知图像重建，结合了非局部均值去噪模块以提高重建质量 | 利用Swin Transformer架构整合分层特征表示策略增强全局上下文建模，同时引入辅助CNN捕捉局部特征，并加入非局部均值去噪模块抑制噪声 | NA | 解决传统压缩感知重建方法在边界伪影和鲁棒性方面的挑战，提高多媒体应用中的图像重建质量 | 压缩感知图像重建 | 计算机视觉 | NA | 压缩感知(CS) | Swin Transformer, CNN | 图像 | 多个公共基准数据集 | NA | NA | NA | NA |
| 263 | 2025-05-31 |
Automatic smart brain tumor classification and prediction system using deep learning
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95803-3
PMID:40295548
|
研究论文 | 提出了一种基于深度学习的智能脑肿瘤分类和预测系统 | 结合定制CNN模型和预训练模型（Inception-v4和EfficientNet-B4），用于脑肿瘤的早期检测和分类，系统具有高准确性和适应性 | 未提及模型在临床环境中的实际应用效果及泛化能力 | 开发智能监测系统以实现脑肿瘤的早期检测、分类和预测 | 脑肿瘤MRI图像 | 数字病理 | 脑肿瘤 | 深度学习 | CNN, Inception-v4, EfficientNet-B4 | 图像 | 1000张脑肿瘤图像 | NA | NA | NA | NA |
| 264 | 2025-05-31 |
Automatic Controversy Detection Based on Heterogeneous Signed Attributed Network and Deep Dual-Layer Self-Supervised Community Analysis
2025-Apr-27, Entropy (Basel, Switzerland)
DOI:10.3390/e27050473
PMID:40422428
|
研究论文 | 本研究提出了一种基于异构签名属性网络和深度双层自监督社区分析的计算方法，用于社交媒体平台上的争议检测 | 该方法整合了社交媒体中的多维异构信息，并引入了一种新的争议度量标准，考虑了社区区分、介数中心性和用户表示三个维度 | NA | 开发一种更稳定和准确的社交媒体争议检测方法 | 社交媒体平台上的争议内容 | 自然语言处理 | NA | 文本挖掘和深度学习 | 深度双层自监督算法 | 文本 | 微博数据集，包括#微博(3792)、#评论(45,741)、#转发(36,126)和#用户(61,327) | NA | NA | NA | NA |
| 265 | 2025-05-31 |
Bilingual Sign Language Recognition: A YOLOv11-Based Model for Bangla and English Alphabets
2025-Apr-27, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050134
PMID:40422991
|
研究论文 | 本研究开发了一种基于YOLOv11的双语手语识别模型，用于同时识别孟加拉手语(BdSL)和英语手语(ASL)的字母 | 首次提出了一种能够同时识别两种不同手语字母的实时检测系统，采用改进的YOLOv11架构并取得了较高的识别准确率 | 仅针对字母级别的识别，未涉及更复杂的手语词汇或句子结构 | 开发一个统一的双语手语识别系统以改善听障人士的跨语言交流 | 孟加拉手语(BdSL)和英语手语(ASL)的字母符号 | 计算机视觉 | NA | 深度学习 | YOLOv11 | 图像 | 9556张包含64种不同字母符号的图像 | NA | NA | NA | NA |
| 266 | 2025-05-31 |
Performance Evaluation of Image Segmentation Using Dual-Energy Spectral CT Images with Deep Learning Image Reconstruction: A Phantom Study
2025-Apr-27, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography11050051
PMID:40423253
|
research paper | 评估不同能量水平的单色图像在医学图像分割中的性能 | 使用双能谱CT图像结合深度学习图像重建技术进行图像分割性能评估 | 研究仅针对低密度、非增强物体在低剂量条件下的表现 | 评估不同能量水平和重建算法对医学图像分割性能的影响 | ACR464体模中的低密度模块 | digital pathology | NA | 双能谱CT成像，深度学习图像重建 | U-Net | CT图像 | ACR464体模中的低密度模块（直径25 mm，密度差6 HU） | NA | NA | NA | NA |
| 267 | 2025-05-31 |
A Deep Learning Algorithm for Multi-Source Data Fusion to Predict Effluent Quality of Wastewater Treatment Plant
2025-Apr-27, Toxics
IF:3.9Q1
DOI:10.3390/toxics13050349
PMID:40423427
|
研究论文 | 本文介绍了一种融合多源数据的深度学习方法，用于预测污水处理厂的出水质量 | 提出了一种结合LSTM和GRU的深度学习算法，用于多源数据融合，预测污水处理厂出水质量，相比传统机器学习算法有显著提升 | 案例研究仅在中国安徽省的一个工业污水处理厂进行，可能限制了结果的普适性 | 构建准确的污水处理厂出水质量模型，为运营管理提供决策支持 | 污水处理厂的出水质量 | 机器学习 | NA | 深度学习 | LSTM, GRU | 多源数据（水量数据、工艺数据、能耗数据、水质数据） | 中国安徽省的一个工业污水处理厂案例 | NA | NA | NA | NA |
| 268 | 2025-05-31 |
An integrated AI knowledge graph framework of bacterial enzymology and metabolism
2025-Apr-15, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2425048122
PMID:40193601
|
research paper | 该研究介绍了一个名为IBIS的集成AI知识图谱框架，用于快速、可扩展的细菌代谢推断 | 利用深度学习和知识图谱技术，结合Transformer模型生成高质量的酶、生物合成域和代谢途径的嵌入表示，实现大规模代谢蛋白质和途径的快速比较 | 未提及具体的数据集规模或模型性能的详细比较 | 改进细菌代谢研究，促进人类健康和农业实践的发展 | 细菌代谢、酶、生物合成域和代谢途径 | machine learning | NA | 深度学习、知识图谱、Transformer模型 | Transformer | 基因组测序数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 269 | 2025-05-31 |
Waveform-Specific Performance of Deep Learning-Based Super-Resolution for Ultrasound Contrast Imaging
2025-04, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3537298
PMID:40031250
|
研究论文 | 本研究探讨了基于深度学习的超分辨率技术在超声对比成像中针对不同波形脉冲的性能表现 | 首次评估了CNN在谐波脉冲、啁啾脉冲和延迟编码脉冲序列驱动下对微泡定位的去卷积性能，并比较了不同脉冲在噪声条件下的鲁棒性 | 仅提供了初步的体外和体内超分辨率实验结果，尚未进行全面的临床应用验证 | 提高超声对比成像的空间分辨率以更好地解析动脉血流 | 超声对比成像中的微泡信号 | 医学影像处理 | 心血管疾病 | 超声对比成像、深度学习超分辨率 | CNN | 射频(RF)信号 | NA | NA | NA | NA | NA |
| 270 | 2025-05-31 |
Tissue Clutter Filtering Methods in Ultrasound Localization Microscopy Based on Complex-Valued Networks and Knowledge Distillation
2025-04, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3544692
PMID:40031806
|
研究论文 | 本研究提出了一种基于复数神经网络和知识蒸馏的超声定位显微镜组织杂波滤波方法，以提高滤波效率和性能 | 提出使用知识蒸馏技术，将复数卷积神经网络（CCNN）的知识迁移到实值卷积神经网络（CNN）中，从而在保持性能的同时提高滤波效率 | 虽然该方法在模拟和体内数据上表现良好，但可能仍需进一步验证其在更广泛临床数据上的适用性 | 提高超声定位显微镜（ULM）中组织杂波滤波的效率和性能 | 微泡（MBs）作为对比剂的超声定位显微镜图像 | 医学影像处理 | NA | 知识蒸馏、复数卷积神经网络（CCNN）、实值卷积神经网络（CNN） | CL-UNet（教师模型）、UNet-T（学生模型）、Guided UNet-T | I/Q信号、包络数据 | 模拟数据和体内数据 | NA | NA | NA | NA |
| 271 | 2025-05-31 |
Advancing Single-Plane Wave Ultrasound Imaging With Implicit Multiangle Acoustic Synthesis via Deep Learning
2025-04, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2025.3541113
PMID:40031850
|
research paper | 该论文提出了一种通过深度学习隐式合成多角度声波信息的方法，以提升单平面波超声成像的质量，同时保持其高帧率优势 | 开发了一种新颖的网络架构，能够隐式集成多角度信息，通过生成和动态结合虚拟转向平面波来模拟多角度复合效果，而无需实际增加平面波数量 | 虽然论文展示了在模拟、实验模型和体内目标数据集上的优越性能，但未明确说明该方法在临床环境中的广泛适用性和潜在限制 | 提升单平面波超声成像的质量，同时保持其高帧率优势 | 平面波超声成像技术 | 医学影像处理 | NA | 深度学习 | 深度学习网络（具体架构未明确说明） | 超声图像数据 | 模拟数据、实验模型数据和体内目标数据（具体数量未明确说明） | NA | NA | NA | NA |
| 272 | 2025-05-31 |
A Single-Camera Method for Estimating Lift Asymmetry Angles Using Deep Learning Computer Vision Algorithms
2025-Apr, IEEE transactions on human-machine systems
IF:3.5Q1
DOI:10.1109/thms.2025.3539187
PMID:40160534
|
research paper | 提出了一种使用单摄像头和深度学习计算机视觉算法自动测量NIOSH提升方程不对称角的方法 | 利用单摄像头和深度学习算法解决了实际场景中视角遮挡和摄像头放置限制的问题 | 与3D运动捕捉相比，精度误差为6.25°，准确度误差为9.45° | 开发一种自动测量提升不对称角的方法 | 十名参与者在实验室环境中进行的各种提升动作 | computer vision | NA | HR-Net, VideoPose3D | deep learning | video | 10名参与者，360个样本 | NA | NA | NA | NA |
| 273 | 2025-10-07 |
Convolutional Neural Networks for Segmentation of Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01092-z
PMID:39266911
|
研究论文 | 评估概率图阈值对基于卷积神经网络的胸膜间皮瘤分割结果的影响 | 首次系统分析CNN概率图阈值对胸膜间皮瘤分割体积和空间重叠度的双重影响 | CNN在严重胸腔积液或胸膜裂隙病变等特定疾病表现中存在分割缺陷 | 优化深度学习肿瘤分割中概率图阈值的选取标准 | 胸膜间皮瘤患者的CT扫描图像 | 计算机视觉 | 胸膜间皮瘤 | CT扫描 | CNN | 医学图像 | 48名患者的186个CT扫描 | NA | VGG16,U-Net | Dice相似系数,体积百分比差异 | NA |
| 274 | 2025-10-07 |
Optimization of sparse-view CT reconstruction based on convolutional neural network
2025-Apr, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17636
PMID:39894762
|
研究论文 | 基于卷积神经网络优化稀疏视图CT重建图像质量的研究 | 提出SRII-Net网络结构，引入复制路径和残差图像输出块，通过多网络结构和多数据集分析提升网络解释性和泛化能力 | 未明确说明具体数据集规模和临床验证结果 | 提升稀疏视图CT重建图像质量，增强深度学习方法的解释性和泛化能力 | 稀疏视图CT重建图像 | 计算机视觉 | NA | CT成像 | CNN | 医学图像 | NA | NA | U-Net | PSNR, SSIM | NA |
| 275 | 2025-05-28 |
Deep learning radiopathomics predicts targeted therapy sensitivity in EGFR-mutant lung adenocarcinoma
2025-Apr-29, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06480-9
PMID:40301933
|
研究论文 | 本研究开发了一种深度学习放射病理临床(DLRPC)模型，用于预测EGFR突变肺腺癌患者对酪氨酸激酶抑制剂(TKIs)的治疗反应 | 整合了CT影像、H&E染色活检样本和临床数据，采用基于临床的注意力掩膜探索跨模态关联 | 回顾性研究设计可能引入选择偏倚，样本量相对有限(214例) | 预测EGFR突变肺腺癌患者对TKIs的治疗敏感性 | EGFR突变肺腺癌患者 | 数字病理 | 肺癌 | 深度学习 | DLRPC(多模态融合模型) | CT影像、病理图像、临床数据 | 214例来自两个医疗中心的肺腺癌患者 | NA | NA | NA | NA |
| 276 | 2025-10-07 |
A comprehensive validation study on the influencing factors of cough-based COVID-19 detection through multi-center data with abundant metadata
2025-Apr, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2025.104798
PMID:39993588
|
研究论文 | 本研究通过多中心数据和丰富元数据全面验证了基于咳嗽声的COVID-19检测模型在各种影响因素下的性能差异 | 首次结合临床病毒载量和抗体水平指标验证预测概率与临床指标的相关性，并系统评估咳嗽类型、症状和感染阶段等因素对检测性能的影响 | 恢复期个体和开源数据集中检测性能较差，临床数据样本量有限导致与临床指标的相关性分析受限 | 评估基于咳嗽声的COVID-19检测模型在实际应用中的可行性和局限性 | 临床采集和众包的咳嗽音频数据，包含不同症状状态和感染阶段的COVID-19患者 | 自然语言处理 | COVID-19 | 音频分析，自监督学习 | 深度学习 | 音频 | 临床数据和众包数据组成的多中心数据集 | NA | 自监督学习模型 | AUC | NA |
| 277 | 2025-10-07 |
Deep learning analysis of hematoxylin and eosin-stained benign breast biopsies to predict future invasive breast cancer
2025-Apr-30, JNCI cancer spectrum
IF:3.4Q2
DOI:10.1093/jncics/pkaf037
PMID:40193520
|
研究论文 | 本研究使用深度学习分析良性乳腺活检的H&E染色全切片图像，预测未来发生浸润性乳腺癌的风险 | 首次将深度学习应用于良性乳腺疾病的H&E染色切片图像，结合临床病理特征构建多模态预测模型 | 样本量相对有限（946名女性），需要更大规模研究验证 | 开发基于深度学习的乳腺癌风险预测模型 | 良性乳腺疾病患者的活检组织样本 | 数字病理学 | 乳腺癌 | H&E染色全切片成像 | CNN, AutoML, 多模态网络 | 病理图像, 临床数据 | 946名女性（训练集：331例病例+331例对照，测试集：142例病例+142例对照） | NA | VGG-16 | AUROC, 准确率, 敏感性, 特异性 | NA |
| 278 | 2025-10-07 |
Innovative Artificial Intelligence System in the Children's Hospital in Japan
2025-Apr-28, JMA journal
IF:1.5Q2
DOI:10.31662/jmaj.2024-0312
PMID:40415999
|
研究论文 | 介绍日本儿童医院创新人工智能系统的开发与应用 | 将深度学习技术综合应用于儿科医疗多个领域，包括病理诊断加速、细菌种类区分、眼疾早期检测等 | 未提供具体性能数据和样本规模细节 | 推进儿科医疗领域的AI技术创新与应用 | 儿科患者医疗数据（图像、基因组、行为数据等） | 医疗人工智能 | 儿科疾病 | 深度学习 | 深度学习模型 | 医疗图像、基因组数据、行为数据 | NA | 多种机器学习框架 | NA | NA | 高速计算、云计算 |
| 279 | 2025-05-27 |
Deep Learning Auto-Segmentation of Organs at Risk in a Real-World Head and Neck Cancer Proton Beam Radiotherapy Planning
2025-Apr-23, Clinical oncology (Royal College of Radiologists (Great Britain))
DOI:10.1016/j.clon.2025.103849
PMID:40414067
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 280 | 2025-10-07 |
Hybrid AI models for predicting heat distribution in complex tissue structures with bioheat transfer simulation
2025-Apr, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2025.104122
PMID:40311397
|
研究论文 | 提出一种结合深度学习的分式勒让德小波生物热传递模型，用于精确预测工程组织构造中的热分布 | 首次将分式勒让德小波方法与深度学习相结合用于生物热传递模拟，实现实时预测能力 | 实验验证仅限于5cm组织构造，需要进一步验证在更复杂组织结构中的性能 | 开发精确预测生物组织热行为的计算模型，用于热疗和肿瘤消融等医疗应用 | 工程组织构造，包括皮肤、肌肉、脂肪和骨骼等不同组织类型 | 机器学习 | 肿瘤 | 生物热传递模拟，深度学习增强模型 | 深度学习 | 热分布数据，温度测量数据 | 5cm组织构造，暴露于10W-30W不同功率热源 | NA | 分式勒让德小波方法 | 平均绝对误差，预测速度 | NA |