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 1388 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2025-10-06 |
Raman spectral unmixing via multimodal time-frequency transformations and deep learning
2025-Apr-21, Optics express
IF:3.2Q2
DOI:10.1364/OE.555722
PMID:40797931
|
研究论文 | 提出一种基于多模态时频变换和深度学习的拉曼光谱分离方法，用于从混合光谱中分离不同组织的信号 | 结合多模态频率和时频变换提取混合光谱特征，并引入注意力U-Net模型进行多模态融合预测 | 研究仅针对犬类膝关节骨关节炎样本，尚未验证在其他组织或疾病中的适用性 | 开发拉曼光谱分离技术以提高生物组织在体检测的准确性 | 犬类膝关节骨关节炎组织中的软骨和软骨下骨 | 机器学习 | 骨关节炎 | 拉曼光谱 | 深度学习 | 光谱数据 | 犬类膝关节样本 | NA | 注意力U-Net | NA | NA |
| 62 | 2025-10-06 |
Quantifying knee-adjacent subcutaneous fat in the entire OAI baseline dataset - Associations with cartilage MRI T2, thickness and pain, independent of BMI
2025-Apr, Osteoarthritis and cartilage
IF:7.2Q1
DOI:10.1016/j.joca.2025.01.001
PMID:39864732
|
研究论文 | 开发基于人工智能的膝关节周围皮下脂肪自动分割工具，并评估其与软骨厚度、MRI T2弛豫时间、膝关节疼痛和肌力的关联 | 首次在完整OAI基线数据集中量化膝关节周围皮下脂肪，并证明其与骨关节炎相关指标的独立于BMI的关联 | 横断面研究设计无法确定因果关系 | 评估膝关节周围皮下脂肪作为骨关节炎生物标志物的潜力 | 骨关节炎倡议队列的4796名参与者 | 医学影像分析 | 骨关节炎 | 3.0T磁共振成像 | 深度学习 | MRI图像 | 4796例右膝关节基线MRI图像 | NA | NA | 交叉验证误差 | NA |
| 63 | 2025-10-06 |
DeepBiome: A Phylogenetic Tree Informed Deep Neural Network for Microbiome Data Analysis
2025-Apr, Statistics in biosciences
IF:0.8Q4
DOI:10.1007/s12561-024-09434-9
PMID:40894332
|
研究论文 | 提出一种基于系统发育树信息的深度神经网络DeepBiome，用于微生物组数据分析和表型预测 | 首次将系统发育信息整合到神经网络架构中，能够同时分析多个分类水平并可视化微生物-表型关联网络 | 未明确说明具体样本量大小，且关联分析的具体分类水平仍需进一步确定 | 开发能够预测表型并揭示微生物-表型关联网络的分析工具 | 微生物组数据和人类表型数据 | 机器学习 | NA | 微生物组测序 | 神经网络 | 微生物丰度计数数据 | 小到中等训练样本量 | Keras, TensorFlow | 基于系统发育树指导的神经网络架构 | 准确率, 效率 | NA |
| 64 | 2025-10-06 |
AI analysis of medical images at scale as a health disparities probe: a feasibility demonstration using chest radiographs
2025-Apr-08, ArXiv
PMID:40297238
|
研究论文 | 本研究开发了一种利用医学影像自动提取定量指标作为健康差异指数计算输入的流程 | 首次将医学影像自动分析结果作为健康差异研究的新型数据源，并建立了影像衍生健康差异指数计算框架 | 研究样本量有限（1,571例），仅验证了两种社会人口学相关因素，需要更大规模研究验证 | 探索医学影像分析作为健康差异研究新型数据源的可行性 | 1,571例患者的胸部X光影像 | 医学影像分析 | 肺部疾病 | 深度学习影像分析 | 深度学习模型 | 医学影像 | 1,571例独特患者 | NA | NA | 组间方差、差异指数、泰尔指数、平均对数偏差 | NA |
| 65 | 2025-10-06 |
DELR-Net: a network for 3D multimodal medical image registration in more lightweight application scenarios
2025-04, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04602-3
PMID:39400589
|
研究论文 | 提出一种用于3D多模态医学图像配准的轻量化网络DELR-Net | 集成Mamba和ConvNet的双编码器轻量化网络架构，使用状态空间序列模块和动态大核块 | NA | 设计参数更少的3D多模态配准网络，确保高质量配准结果 | 3D脑部MR图像和腹部MR与CT图像 | 医学图像分析 | NA | 医学图像配准 | 深度学习网络 | 3D医学图像 | NA | NA | DELR-Net, Dual-Encoder, Mamba, ConvNet | 配准质量, 参数数量 | NA |
| 66 | 2025-10-06 |
An optimized siamese neural network with deep linear graph attention model for gynaecological abdominal pelvic masses classification
2025-04, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04633-w
PMID:39446167
|
研究论文 | 提出一种优化的孪生神经网络结合深度线性图注意力模型，用于妇科腹部盆腔肿块分类 | 首次将圆形启发的孪生神经网络与深度线性图注意力模型相结合，提出SCINN-DLGN新架构 | 仅使用MRI数据进行验证，未涉及其他影像模态 | 开发高精度的盆腔肿块分类系统，辅助卵巢癌诊断 | 女性盆腔肿块MRI图像 | 计算机视觉 | 妇科肿瘤 | MRI成像 | Siamese神经网络,图注意力网络 | 医学图像 | 实时MRI盆腔肿块数据集 | Python | SCINN-DLGN,EfficientNet-based U-Net | 准确率,召回率 | NA |
| 67 | 2025-10-06 |
Advancements in early detection of pancreatic cancer: the role of artificial intelligence and novel imaging techniques
2025-04, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04644-7
PMID:39467913
|
综述 | 概述人工智能和新型成像技术在胰腺癌早期检测中的最新进展 | 聚焦深度学习技术在胰腺导管腺癌早期检测中的创新应用 | NA | 改善胰腺癌风险分层和开发生物影像标志物 | 胰腺导管腺癌(PDA) | 医学影像分析 | 胰腺癌 | 新型成像技术 | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 68 | 2025-10-06 |
Artificial intelligence in abdominal and pelvic ultrasound imaging: current applications
2025-04, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04640-x
PMID:39487919
|
综述 | 本文全面概述了人工智能在腹部和盆腔超声成像中的当前应用现状 | 系统总结了AI在腹部盆腔超声领域的应用分布，并首次统计了FDA批准的相关设备情况 | 研究存在高偏倚风险，大多数应用缺乏前瞻性多中心验证和FDA批准 | 评估人工智能在腹部和盆腔超声成像中的应用现状和发展趋势 | 57篇相关研究文献和17个FDA批准的AI超声设备 | 医学影像分析 | 多器官疾病 | 超声成像 | 深度学习,机器学习,自然语言处理 | 超声图像,文本报告 | 57篇研究文献（其中单中心研究43篇，回顾性研究56篇） | NA | NA | NA | NA |
| 69 | 2025-10-06 |
Artificial intelligence for detection and characterization of focal hepatic lesions: a review
2025-04, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04597-x
PMID:39369107
|
综述 | 本文综述了基于人工智能的算法在CT和MRI图像中检测和表征局灶性肝脏病变的诊断能力 | 系统评估了AI算法在肝脏病变检测和分类中的应用潜力，特别关注良恶性病变的区分 | 需要扩展数据集、提高模型可解释性并在更广泛的临床环境中验证AI工具 | 评估人工智能在局灶性肝脏病变检测和表征中的诊断能力 | 局灶性肝脏病变（FLL） | 计算机视觉 | 肝脏疾病 | CT, MRI | CNN | 医学影像 | 45项相关研究（2010年1月至2024年4月） | NA | 卷积神经网络 | 准确率, 灵敏度, 特异性, AUC | NA |
| 70 | 2025-10-06 |
Gait Video-Based Prediction of Severity of Cerebellar Ataxia Using Deep Neural Networks
2025-Apr, Movement disorders : official journal of the Movement Disorder Society
IF:7.4Q1
DOI:10.1002/mds.30113
PMID:39840857
|
研究论文 | 本研究开发了一种基于步态视频和深度学习模型预测小脑性共济失调严重程度的方法 | 首次将姿态估计算法应用于步态视频来预测小脑性共济失调的严重程度 | 研究样本量较小（66名患者），仅针对退行性小脑疾病患者 | 评估姿态估计算法是否能通过步态视频预测小脑性共济失调的严重程度 | 66名退行性小脑疾病患者 | 计算机视觉 | 小脑性共济失调 | 姿态估计算法，视频分析 | 深度学习模型 | 视频 | 66名患者 | NA | NA | 均方根误差，决定系数 | NA |
| 71 | 2025-10-06 |
GCN-BBB: Deep Learning Blood-Brain Barrier (BBB) Permeability PharmacoAnalytics with Graph Convolutional Neural (GCN) Network
2025-04-03, The AAPS journal
DOI:10.1208/s12248-025-01059-0
PMID:40180695
|
研究论文 | 本研究开发了一种基于图卷积神经网络的深度学习模型，用于预测血脑屏障渗透性 | 首次将归一化拉普拉斯矩阵的图卷积神经网络应用于血脑屏障渗透性预测，相比传统分子指纹方法表现更优 | 研究仅基于1924个分子数据集，样本规模相对有限 | 开发高精度的血脑屏障渗透性预测模型以支持中枢神经系统药物研发 | 小分子药物的血脑屏障渗透性 | 机器学习 | 神经系统疾病 | 图神经网络 | GCN | 图结构数据 | 1924个分子 | NA | GCN_2（基于归一化拉普拉斯矩阵的图卷积神经网络） | 精确率,召回率,F1分数,MCC分数 | NA |
| 72 | 2025-10-06 |
Deep Learning and Hyperspectral Imaging for Liver Cancer Staging and Cirrhosis Differentiation
2025-04, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202400557
PMID:39873135
|
研究论文 | 开发结合高光谱成像与深度学习的诊断方法，用于肝癌分期和肝硬化鉴别 | 首次将高光谱成像与深度卷积神经网络结合，捕捉传统方法难以识别的细胞级光谱特征差异 | 未提及外部验证集性能及临床部署可行性 | 提高肝癌分期和肝硬化鉴别的诊断精度 | 肝组织样本（肝细胞癌与肝硬化） | 计算机视觉 | 肝癌 | 高光谱成像 | CNN | 高光谱图像 | NA | NA | 深度卷积神经网络 | 准确率, 敏感度, 特异度 | NA |
| 73 | 2025-10-06 |
Deep structural brain imaging via computational three-photon microscopy
2025-04, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.4.046002
PMID:40161251
|
研究论文 | 开发了一种计算型深层三光子显微镜方法，用于提高活体小鼠大脑深层组织的成像质量 | 结合低秩扩散模型与自监督深度学习，利用三维图像表层信息补偿散射和系统噪声，无需增加激发功率或额外光学组件 | 目前仅在小鼠大脑中验证，尚未在更复杂生物系统或临床环境中测试 | 开发能够在不影响采集速度的前提下提升深层组织成像质量的新型显微成像技术 | 活体小鼠大脑海马体及脑血管系统 | 生物医学成像 | NA | 三光子显微镜，计算成像，自监督深度学习，聚集诱导发射纳米探针 | 低秩扩散模型 | 三维光学图像 | 活体小鼠大脑 | 自监督深度学习框架 | 低秩扩散模型 | 信噪比，图像质量 | NA |
| 74 | 2025-10-06 |
Artificial Intelligence in Cardiovascular Imaging: Current Landscape, Clinical Impact, and Future Directions
2025 Apr-Jun, Discoveries (Craiova, Romania)
DOI:10.15190/d.2025.10
PMID:40771296
|
综述 | 本文综述人工智能在心血管影像领域的最新进展、临床影响及未来发展方向 | 系统总结AI在多种心血管影像模态中的突破性应用，包括实时超声心动图解读、冠状动脉钙化评分和斑块量化，并深入分析算法偏见、可解释性等关键挑战 | 存在算法偏见、数据隐私保护、监管异质性和医疗法律责任等持续性问题 | 探讨人工智能在心血管影像领域的应用现状与未来发展 | 心血管影像技术（超声心动图、CT、MRI、核成像）及相关的AI应用平台 | 计算机视觉 | 心血管疾病 | 心血管影像技术（超声心动图、CT、MRI、核成像） | CNN, 深度学习 | 医学影像 | NA | NA | NA | 准确率, Dice系数 | NA |
| 75 | 2025-10-06 |
Dynamic glucose enhanced imaging using direct water saturation
2025-Apr-24, ArXiv
PMID:39502884
|
研究论文 | 提出一种基于直接水饱和曲线的动态葡萄糖增强成像方法，用于评估脑肿瘤患者的葡萄糖摄取 | 首次利用水饱和谱中直接水饱和曲线的交换性线宽增宽效应进行动态葡萄糖增强成像，克服了传统CEST和CESL方法的低效应尺寸和运动敏感性问题 | 仅在4例脑肿瘤患者中进行初步验证，样本量较小 | 开发一种新型动态葡萄糖增强磁共振成像技术 | 脑肿瘤患者 | 医学影像 | 脑肿瘤 | 动态Z谱采集，D-葡萄糖输注 | 深度学习 | 磁共振影像 | 4例脑肿瘤患者 | NA | NA | 线宽变化百分比，曲线下面积 | 3T MRI扫描仪 |
| 76 | 2025-10-06 |
Virtual Lung Screening Trial (VLST): An In Silico Study Inspired by the National Lung Screening Trial for Lung Cancer Detection
2025-Apr-04, ArXiv
PMID:38699170
|
研究论文 | 本研究通过虚拟肺筛查试验(VLST)模拟国家肺筛查试验(NLST)，比较CT和胸部X光在肺癌筛查中的诊断性能 | 首次使用虚拟成像试验平台模拟大型临床试验的关键要素，通过深度学习模型作为虚拟阅片者评估不同成像技术的诊断性能 | 研究基于模拟数据，虚拟患者队列规模相对较小(294例)，需要进一步验证在真实临床环境中的适用性 | 验证虚拟成像试验平台在模拟临床试验和评估影像技术诊断性能方面的可行性 | 模拟的肺癌结节和虚拟患者队列 | 数字病理 | 肺癌 | 计算机断层扫描(CT)、胸部X光摄影(CXR)、XCAT人体模型 | 深度学习模型 | 医学影像 | 294例虚拟患者 | NA | AI CT-Reader, AI CXR-Reader | AUC, 敏感性, 特异性 | NA |
| 77 | 2025-10-06 |
Prediction of Intensive Care Length of Stay for Surviving and Nonsurviving Patients Using Deep Learning
2025-Apr-01, Critical care medicine
IF:7.7Q1
DOI:10.1097/CCM.0000000000006588
PMID:39928543
|
研究论文 | 本研究开发了一种深度学习模型，用于预测ICU存活和非存活患者的住院时间 | 首次在ICU住院时间预测中同时考虑存活和非存活患者的差异，并解决文档偏倚问题 | 仅使用美国医院数据，可能限制模型的泛化能力 | 改进ICU护理评估的基准测试方法 | ICU患者 | 医疗健康 | 危重症 | 深度学习 | 深度学习框架 | 电子健康记录 | 669,876次ICU入院（涉及628,815名患者） | NA | 竞争风险时间事件建模框架 | 决定系数(R2), 一致性指数, 平均绝对误差, 校准度 | NA |
| 78 | 2025-10-06 |
Finger-aware Artificial Neural Network for predicting arthritis in Patients with hand pain
2025-04, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103077
PMID:39970842
|
研究论文 | 开发基于Transformer的手指感知人工神经网络，用于预测手部疼痛患者的关节炎发展 | 首次将深度学习应用于SPECT/CT的SUV定量数据预测手部关节炎，并引入手指嵌入和手部间信息共享机制 | NA | 通过深度学习提高手部关节炎的早期预测准确性 | 手部疼痛患者 | 医学影像分析 | 关节炎 | SPECT/CT, SUV定量测量 | Transformer | 医学影像定量数据 | NA | NA | Finger-aware Artificial Neural Network (FANN) | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 79 | 2025-10-06 |
Artificial Intelligence non-invasive methods for neonatal jaundice detection: A review
2025-04, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103088
PMID:39988547
|
综述 | 本文综述了基于人工智能的新生儿黄疸无创检测方法 | 系统评估了AI驱动的无创黄疸检测技术，特别是基于智能手机摄像头的应用在资源有限地区的实用性 | 主要关注现有研究综述，缺乏原始实验数据验证 | 评估人工智能技术在新生儿黄疸无创检测中的应用效果和临床价值 | 新生儿黄疸检测方法和相关人工智能技术 | 医疗人工智能 | 新生儿黄疸 | 机器学习、深度学习、智能手机成像 | 神经网络 | 皮肤颜色图像 | NA | NA | NA | 准确率 | 移动设备（智能手机） |
| 80 | 2025-10-06 |
A multi-stage multi-modal learning algorithm with adaptive multimodal fusion for improving multi-label skin lesion classification
2025-04, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103091
PMID:40015211
|
研究论文 | 提出一种基于不确定性的多模态混合融合策略，用于皮肤癌多标签分类 | 引入不确定性机制的自适应多模态融合方法，结合临床图像、皮肤镜图像和元数据三种模态 | 仅使用单一公开数据集进行验证，未在更多临床场景中测试 | 提高皮肤病变多标签分类的准确性和鲁棒性 | 皮肤病变图像和元数据 | 计算机视觉 | 皮肤癌 | 深度学习 | 多模态融合网络 | 临床图像, 皮肤镜图像, 元数据 | 公开皮肤疾病数据集 | NA | CosCatNet | NA | NA |