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 1379 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2025-05-01 |
Predicting Mortality with Deep Learning: Are Metrics Alone Enough?
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.250224
PMID:40304577
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 242 | 2025-10-06 |
Predicting postoperative prognosis in clear cell renal cell carcinoma using a multiphase CT-based deep learning model
2025-05, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04593-1
PMID:39311948
|
研究论文 | 开发基于多期相CT图像的深度学习模型用于预测肾透明细胞癌患者术后预后 | 首次结合三期相CT图像（平扫期、皮质髓质期、肾实质期）构建深度学习模型，并与Leibovich评分系统结合形成列线图 | 回顾性研究，样本量相对有限（382例患者），需要外部验证 | 评估基于CT图像的深度学习模型在预测肾透明细胞癌术后预后的价值 | 肾透明细胞癌患者 | 医学影像分析 | 肾癌 | CT成像 | CNN, ELM | CT图像 | 382例肾透明细胞癌患者（训练集229例，测试集153例） | NA | ResNet50 | AUC, IDI | NA |
| 243 | 2025-10-06 |
Application of deep learning models for accurate classification of fluid collections in acute necrotizing pancreatitis on computed tomography: a multicenter study
2025-05, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04607-y
PMID:39347977
|
研究论文 | 应用深度学习模型对急性坏死性胰腺炎CT图像中的胰液积聚进行基于固体碎屑的准确分类 | 首次在多中心研究中比较ResNet 50、Vision Transformer和MedViT架构在胰腺液体积聚分类中的性能 | 样本量相对有限（152例患者），外部测试集性能中等 | 开发基于CT的深度学习模型用于急性胰腺炎中胰液积聚的固体碎屑分类 | 急性胰腺炎伴胰液积聚的患者 | 医学影像分析 | 急性胰腺炎 | 计算机断层扫描（CT）、磁共振成像（MRI）、内镜超声（EUS） | 深度学习 | CT图像 | 152例患者（129例训练/验证，23例测试），共2180张图像 | NA | ResNet 50,Vision transformer (ViT),MedViT | 灵敏度,特异度,AUC | NA |
| 244 | 2025-10-06 |
Evaluation of SR-DLR in low-dose abdominal CT: superior image quality and noise reduction
2025-05, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04686-x
PMID:39560744
|
研究论文 | 评估超分辨率深度学习重建在低剂量腹部CT中的图像质量和噪声降低效果 | 首次在低剂量腹部CT中系统比较超分辨率深度学习重建与传统深度学习重建及混合迭代重建算法的性能 | 回顾性研究，样本量较小（35例患者），单中心数据 | 评估不同图像重建算法在低剂量腹部CT中的性能差异 | 低剂量腹部CT扫描图像 | 医学影像处理 | NA | 计算机断层扫描 | 深度学习 | CT图像 | 35例患者 | NA | 超分辨率深度学习重建 | 噪声幅度, 对比噪声比, 噪声功率谱, 边缘上升斜率, 主观图像质量评分 | NA |
| 245 | 2025-10-06 |
Machine learning and deep learning models for preoperative detection of lymph node metastasis in colorectal cancer: a systematic review and meta-analysis
2025-05, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04668-z
PMID:39522103
|
系统综述与荟萃分析 | 评估机器学习和深度学习模型在结直肠癌术前淋巴结转移预测中的诊断性能 | 首次对ML/DL模型在CRC术前LNM检测中的诊断性能进行系统评价和荟萃分析 | 纳入研究数量有限(12项)，存在异质性(I2:86.17)，需要更多前瞻性多中心研究验证 | 评估ML和DL模型在结直肠癌术前淋巴结转移预测中的诊断性能 | 结直肠癌患者 | 机器学习 | 结直肠癌 | NA | 机器学习,深度学习 | NA | 8321名患者 | NA | NA | AUC,敏感性,特异性 | NA |
| 246 | 2025-10-06 |
Application of deep learning techniques for breath-hold, high-precision T2-weighted magnetic resonance imaging of the abdomen
2025-05, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04675-0
PMID:39535616
|
研究论文 | 评估基于深度学习的PIQE算法在高精度单次激发快速自旋回波序列中用于腹部T2加权磁共振成像的可行性 | 首次将深度学习PIQE算法应用于高精度SS-FSE序列，并与标准SS-FSE和MS-FSE序列进行图像质量比较 | 单中心研究设计且缺乏病理学确认 | 评估深度学习算法在腹部磁共振成像中的应用效果 | 腹部T2加权磁共振图像 | 医学影像分析 | 肝脏疾病,胰腺疾病 | 磁共振成像,单次激发快速自旋回波,多次激发快速自旋回波 | 深度学习 | 医学影像 | 105名患者 | PIQE | NA | 图像质量评分,信噪比,对比噪声比 | NA |
| 247 | 2025-10-06 |
Structural Diversity of Mitochondria in the Neuromuscular System across Development Revealed by 3D Electron Microscopy
2025-May, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202411191
PMID:40047328
|
研究论文 | 本研究通过3D电子显微镜和深度学习技术，揭示了线粒体在秀丽隐杆线虫神经肌肉系统中随发育阶段变化的结构多样性 | 开发了半自动线粒体重建方法，首次系统比较了正常发育阶段和dauer期线粒体结构差异，发现了与突触连接相关的线粒体结构特性 | 研究主要基于秀丽隐杆线虫模型，在哺乳动物系统中的普适性仍需验证 | 探究神经肌肉系统中线粒体结构在发育过程中的变化规律及其功能意义 | 秀丽隐杆线虫的神经肌肉系统 | 生物医学成像 | NA | 3D电子显微镜，深度学习 | NA | 3D电子显微镜图像 | 正常生殖阶段和dauer期的秀丽隐杆线虫样本 | NA | NA | NA | NA |
| 248 | 2025-10-06 |
Machine Learning for Predicting Critical Events Among Hospitalized Children
2025-05-01, JAMA network open
IF:10.5Q1
|
研究论文 | 开发一种机器学习模型用于早期检测住院儿童的病情恶化，实现全院统一风险评估 | 创建了首个覆盖医院所有科室的统一风险评估模型，突破了传统分科室评估的局限性 | 回顾性研究设计，需要在更多医疗机构进行前瞻性验证 | 开发早期检测住院儿童病情恶化的机器学习模型 | 3家三级医院住院的18岁以下儿童患者 | 机器学习 | 儿科疾病 | NA | XGBoost, 深度学习模型 | 临床数据（年龄、生命体征、实验室结果、合并症等） | 135,621名患者 | XGBoost | 极端梯度提升机, 深度学习模型 | C统计量, 灵敏度, 需警示人数 | NA |
| 249 | 2025-10-06 |
HVAngleEst: A Dataset for End-to-end Automated Hallux Valgus Angle Measurement from X-Ray Images
2025-May-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05261-9
PMID:40447606
|
研究论文 | 本文提出了首个用于拇外翻角度自动测量的大规模公开数据集HVAngleEst | 创建了首个专门用于拇外翻角度估计的大规模开放数据集，支持端到端自动测量 | NA | 开发用于拇外翻角度自动测量的深度学习算法 | X射线图像中的足部区域和骨骼结构 | 计算机视觉 | 足部疾病 | X射线成像 | NA | X射线图像 | 1,382张X射线图像，来自1,150名患者 | NA | NA | NA | NA |
| 250 | 2025-10-06 |
Phase recognition in manual Small-Incision cataract surgery with MS-TCN + + on the novel SICS-105 dataset
2025-May-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00303-z
PMID:40399321
|
研究论文 | 本研究首次构建了手动小切口白内障手术视频数据集，并利用MS-TCN++架构实现了手术阶段识别 | 创建了首个手动小切口白内障手术视频数据集SICS-105，并将MS-TCN++架构首次应用于该手术的阶段识别 | 手术阶段数量较多且持续时间较长，相比超声乳化手术更具挑战性 | 通过深度学习实现手动小切口白内障手术的阶段识别 | 手动小切口白内障手术视频 | 计算机视觉 | 白内障 | 深度学习 | MS-TCN++ | 视频 | 105名患者（SICS-105数据集） | NA | MS-TCN++ | 准确率, 编辑距离, F1分数, 精确率-召回率AUC, 敏感度, 特异度 | NA |
| 251 | 2025-10-06 |
Single-Molecule SERS Discrimination of Proline from Hydroxyproline Assisted by a Deep Learning Model
2025-05-07, Nano letters
IF:9.6Q1
DOI:10.1021/acs.nanolett.5c01177
PMID:40241681
|
研究论文 | 本研究结合单分子表面增强拉曼光谱和深度学习模型，首次实现了脯氨酸与羟脯氨酸的单分子水平区分 | 首次使用一维卷积神经网络模型成功区分脯氨酸和羟脯氨酸的单分子SERS信号，准确率达96.6% | 信号波动和柠檬酸盐的强干扰可能影响分析结果 | 开发能够区分低丰度羟基化的单分子检测方法 | 脯氨酸和羟脯氨酸分子 | 机器学习 | NA | 单分子表面增强拉曼光谱(SERS) | CNN | 光谱数据 | NA | NA | 一维卷积神经网络(1D-CNN) | 准确率 | NA |
| 252 | 2025-10-06 |
DRExplainer: Quantifiable interpretability in drug response prediction with directed graph convolutional network
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103101
PMID:40056540
|
研究论文 | 提出一种基于有向图卷积网络的可解释药物反应预测模型DRExplainer | 首次在有向二分网络框架中实现药物反应预测，并引入可量化的模型可解释性方法 | 未明确说明模型在更大规模数据集上的泛化能力 | 改进癌症细胞系对治疗药物的反应预测 | 癌症细胞系和药物 | 机器学习 | 癌症 | 多组学分析 | 有向图卷积网络 | 多组学数据、化学结构数据、药物反应数据 | NA | NA | 有向图卷积网络 | NA | NA |
| 253 | 2025-10-06 |
Deep learning based estimation of heart surface potentials
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103093
PMID:40073713
|
研究论文 | 开发基于深度学习的框架，仅从体表电位估计心表电位，无需CT/MRI成像 | 将3D躯干和心脏几何转换为标准2D表示，开发定制化的深度学习网络模型，无需几何信息即可估计心表电位 | 样本量相对较小（40名受试者），在部分性能指标上仍有改进空间 | 开发无需CT/MRI成像的心表电位估计方法，促进心电图成像的临床应用 | 11名健康受试者和29名特发性心室颤动患者 | 医学图像分析 | 心血管疾病 | 心电图成像 | GAN | 2D体表电位图和2D心表电位图 | 40名受试者（19名女性，21名男性） | PyTorch | Pix2Pix | 平均绝对误差, 结构相似性指数, 皮尔逊相关系数, 激活时间差, 恢复时间差 | NA |
| 254 | 2025-10-06 |
Histopathology image classification based on semantic correlation clustering domain adaptation
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103110
PMID:40107119
|
研究论文 | 提出基于语义相关性聚类的无监督域自适应方法，用于组织病理学图像分类 | 使用多粒度信息实现跨域语义相关性知识迁移，通过概率热图可视化模型预测结果 | 依赖动物模型数据与人类数据的域适应效果，未明确说明模型在多样化数据集上的泛化能力 | 利用小鼠模型组织病理学图像数据集实现人类全切片图像的分类识别 | 小鼠模型组织病理学图像和人类全切片图像 | 数字病理 | 癌症 | 组织病理学成像 | 深度学习 | 图像 | NA | NA | 多尺度特征融合 | 分类准确率 | NA |
| 255 | 2025-10-06 |
Deep learning method for malaria parasite evaluation from microscopic blood smear
2025-05, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103114
PMID:40107120
|
系统综述 | 本文系统综述了用于疟疾诊断的自动化分析方法，重点关注计算机辅助方法在疟原虫检测中的应用 | 首次系统性地对2020-2024年间基于深度学习和机器学习的疟疾自动化诊断方法进行分类和评估，识别出最适合疟疾数字诊断的三类ML模型 | 数据标准化不足和实际应用场景中的挑战尚未完全解决 | 系统评估当前用于疟疾诊断的自动化分析方法 | 疟原虫属在疟疾诊断中的自动化分析 | 数字病理学 | 疟疾 | 吉姆萨染色薄血涂片 | CNN, ResNet, VGG, CADx | 显微血液涂片图像 | NA | NA | ResNet, VGG, 自定义CNN | 准确率 | NA |
| 256 | 2025-10-06 |
Network-based analyses of multiomics data in biomedicine
2025-May-27, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-025-00452-x
PMID:40426270
|
综述 | 本文综述了在多组学生物医学数据中使用网络表示和深度学习方法的各种现有方法 | 将网络表示与深度学习/机器学习方法结合应用于多组学数据分析，明确整合生物学数据间的层次关系 | NA | 评估多组学数据网络表示和分析方法的优缺点，探讨该领域可能的下一步发展方向 | 多组学数据（包括基因组学、转录组学、蛋白质组学等） | 生物医学信息学 | NA | 多组学数据分析 | 深度学习, 机器学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 257 | 2025-10-06 |
Fully volumetric body composition analysis for prognostic overall survival stratification in melanoma patients
2025-May-12, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06507-1
PMID:40355935
|
研究论文 | 本研究利用深度学习对黑色素瘤患者的基线CT扫描进行全容积身体成分分析，以预测总生存期 | 首次采用全容积身体成分分析方法，利用常规CT扫描无需额外检查即可实现生存期预测 | 样本量相对有限，需要进一步多中心验证 | 探索基于深度学习的身体成分分析在黑色素瘤患者总生存期预测中的价值 | 黑色素瘤患者 | 数字病理 | 黑色素瘤 | CT扫描 | 深度学习网络 | 医学影像 | 495名患者（内部队列）+ 428名患者（外部验证） | NA | NA | 风险比(HR), P值 | NA |
| 258 | 2025-10-06 |
Identification of Hypertrophic Cardiomyopathy on Electrocardiographic Images with Deep Learning
2025-May-28, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.12.23.23300490
PMID:38234746
|
研究论文 | 开发并验证一种能够从12导联心电图图像中识别肥厚型心肌病的深度学习模型 | 首次开发能够跨不同心电图布局格式识别肥厚型心肌病的深度学习模型，实现基于图像的可扩展筛查 | 模型性能可能受限于训练数据的多样性和外部验证数据集中HCM定义方式的不一致 | 开发一种能够在临床环境中进行肥厚型心肌病筛查的深度学习模型 | 心电图图像和肥厚型心肌病患者 | 计算机视觉 | 心血管疾病 | 深度学习，心脏磁共振成像，超声心动图 | 深度学习模型 | 心电图图像 | 124,553份心电图，来自66,987名个体 | NA | NA | AUROC | NA |
| 259 | 2025-06-01 |
Letter to the Editor on "Deep Learning Algorithms to Predict Differential Renal Function <40% in Unilateral Hydronephrosis Based on Key Parameters of Urinary Tract Ultrasound"
2025-May-28, Urology
IF:2.1Q2
DOI:10.1016/j.urology.2025.05.044
PMID:40447158
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 260 | 2025-10-06 |
ORAKLE: Optimal Risk prediction for mAke30 in patients with sepsis associated AKI using deep LEarning
2025-May-26, Critical care (London, England)
DOI:10.1186/s13054-025-05457-w
PMID:40420108
|
研究论文 | 开发了一种名为ORAKLE的深度学习模型，利用动态时间序列数据预测脓毒症相关急性肾损伤患者的30天内主要不良肾脏事件 | 首次将Dynamic DeepHit框架应用于MAKE30预测，能够捕捉临床状态的动态变化，克服了现有静态预测模型的局限 | 基于回顾性研究设计，可能存在数据偏差；仅使用公开重症监护数据库，未在更多临床环境中验证 | 开发能够准确预测脓毒症相关急性肾损伤患者30天内主要不良肾脏事件的个性化风险预测模型 | 符合脓毒症-3标准且在ICU入院48小时内发生急性肾损伤的重症患者 | 医疗人工智能 | 急性肾损伤,脓毒症 | 时间序列生存分析 | Dynamic DeepHit, XGBoost, Cox | 临床时间序列数据 | MIMIC-IV数据库16,671例患者，SiCdb数据库2,665例患者，eICU-CRD数据库11,447例患者 | NA | Dynamic DeepHit | AUROC, AUPRC, Brier score | NA |