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 1387 篇文献，本页显示第 341 - 360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 341 | 2025-06-08 |
Performance of ChatGPT-3.5 and ChatGPT-4 in Solving Questions Based on Core Concepts in Cardiovascular Physiology
2025-May, Cureus
DOI:10.7759/cureus.83552
PMID:40476113
|
研究论文 | 本研究评估了ChatGPT-3.5和ChatGPT-4在解决心血管生理学核心概念问题上的表现 | 比较了不同版本的ChatGPT在医学教育中的应用效果，特别是在心血管生理学领域的表现 | 需要教师审查生成的解释以确保准确性，生成式AI在医学教育中的应用需要谨慎考虑 | 评估ChatGPT在解决心血管生理学核心概念问题上的能力 | ChatGPT-3.5和ChatGPT-4 | 自然语言处理 | 心血管疾病 | 深度学习 | ChatGPT | 文本 | 多项选择题（具体数量未提及） | NA | NA | NA | NA |
| 342 | 2025-06-07 |
Beyond episodic early warning systems: a continuous clinical alert system for early detection of in-hospital deterioration
2025-May-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.20.25327940
PMID:40475141
|
research paper | 开发了一种基于可穿戴设备的深度学习模型，用于早期检测住院患者的病情恶化 | 使用仅9个输入的可穿戴设备数据，开发了一种RNN模型，能够比传统早期预警系统更早识别病情恶化 | 数据缺失率为4-8%，且排除了SpO2数据 | 减少住院患者病情恶化的延迟识别，提高临床警报系统的效率 | 888名成人非ICU住院患者 | machine learning | geriatric disease | wearable biosensors | RNN | biosensor data | 888 adult non-ICU inpatient visits in four hospitals | NA | NA | NA | NA |
| 343 | 2025-06-07 |
Detecting Arrhythmogenic Right Ventricular Cardiomyopathy From the Electrocardiogram Using Deep Learning
2025-May-06, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.04.003
PMID:40471767
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 344 | 2025-06-07 |
Deep Learning-based Anatomy-Aware Morph Model for Registration of Prostate Whole-Mount Histopathology to MRI
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240336
PMID:40445100
|
研究论文 | 开发并评估了一种基于深度学习的创新方法，用于配准前列腺术前MRI和全切片组织病理学（WMHP）图像 | 提出了一种结合注意力机制和卷积神经网络的混合模型（Anatomy-Aware Morph模型），用于多模态前列腺图像配准，显著优于现有VoxelMorph方法 | 研究为回顾性设计，样本量相对有限（315例患者） | 实现前列腺术前MRI与术后病理图像的精准配准，辅助前列腺癌病灶映射 | 前列腺MRI和全切片组织病理学图像 | 数字病理 | 前列腺癌 | 深度学习图像配准 | 混合注意力机制与CNN（Anatomy-Aware Morph模型） | 医学影像（MRI与病理切片图像） | 315例患者（270训练集/45测试集），含160张测试图像 | NA | NA | NA | NA |
| 345 | 2025-06-07 |
Deep Learning-Based Automated Detection of Oral Leukoplakia in Clinical Imaging
2025-May, Cureus
DOI:10.7759/cureus.83368
PMID:40462818
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统，用于自动识别口腔白斑（OLK），以解决临床实践中的诊断挑战 | 使用19种CNN架构进行比较分析，并选择经过微调的EfficientNetB0作为最优模型，通过CAM可视化决策区域，实现了高精度和可解释性 | 数据集仅包含446张经组织病理学确认的口腔白斑病例图像和1,041张正常口腔黏膜图像，样本量相对有限 | 开发并验证一种基于深度学习的系统，用于自动识别口腔白斑，以解决临床实践中的诊断挑战 | 口腔白斑（OLK）的临床图像 | 计算机视觉 | 口腔癌 | 深度学习 | CNN, EfficientNetB0 | 图像 | 446张口腔白斑病例图像和1,041张正常口腔黏膜图像 | NA | NA | NA | NA |
| 346 | 2025-06-07 |
Trials and tribulations: Developing an artificial intelligence for screening malaria parasite from peripheral blood smears
2025 May-Jun, Medical journal, Armed Forces India
DOI:10.1016/j.mjafi.2023.10.007
PMID:40463611
|
研究论文 | 本研究旨在开发一种人工智能技术，用于自动化检测外周血涂片中的疟原虫 | 首次尝试开发一个完整模块，用于从自动化显微摄影/全切片图像中筛查疟原虫 | 模型A、B和C的性能在敏感性或特异性方面存在不足 | 开发人工智能技术以自动化疟原虫检测过程 | 外周血涂片中的疟原虫 | 数字病理学 | 疟疾 | 深度学习方法 | DCNN, Inception V3, Watershed Transform | 图像 | 352张Leishman-Giemsa染色的外周血涂片图像 | NA | NA | NA | NA |
| 347 | 2025-06-07 |
Revolutionizing the diagnosis of dental caries using artificial intelligence-based methods
2025-May, Journal of conservative dentistry and endodontics
DOI:10.4103/JCDE.JCDE_172_25
PMID:40463673
|
review | 本文综述了人工智能在龋齿诊断中的应用及其潜力 | 探讨了AI如何通过机器学习和深度学习技术改进龋齿诊断的精确性和效率 | 讨论了当前AI在牙科诊断中面临的挑战和限制 | 探索人工智能在龋齿早期诊断和病变检测中的应用 | 龋齿诊断的影像数据和临床记录 | digital pathology | dental caries | machine learning, deep learning | NA | image, clinical records | NA | NA | NA | NA | NA |
| 348 | 2025-06-06 |
Automatic Segmentation and Molecular Subtype Classification of Breast Cancer Using an MRI-based Deep Learning Framework
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240184
PMID:40249269
|
research paper | 开发了一个基于MRI的深度学习框架，用于乳腺癌病灶分割和分子亚型自动分类 | 提出了一个结合3D ResU-Net和Ensemble ResNet的深度学习框架，实现了乳腺癌病灶的高精度分割和分子亚型的自动分类 | 研究为回顾性多中心研究，可能存在选择偏倚 | 开发一个基于MRI的深度学习框架，用于乳腺癌病灶分割和分子亚型分类 | 乳腺癌患者 | digital pathology | breast cancer | contrast-enhanced MRI | 3D ResU-Net, Ensemble ResNet | MRI图像 | 687名女性患者（平均年龄48.70岁±8.97） | NA | NA | NA | NA |
| 349 | 2025-06-06 |
Development and validation of a novel chronic pancreatitis pathological grade based on artificial intelligence
2025-May, Pancreatology : official journal of the International Association of Pancreatology (IAP) ... [et al.]
IF:2.8Q2
DOI:10.1016/j.pan.2025.04.011
PMID:40335378
|
研究论文 | 本研究开发并验证了一种基于深度学习的慢性胰腺炎病理分级系统（Histopathology-derived CPpG），并通过放射组学评分（DLRS）预测疾病严重程度 | 首次提出基于人工智能的慢性胰腺炎病理分级系统，并开发了非侵入性的DLRS用于动态监测疾病严重程度 | 研究为回顾性设计，且病理确认的CP样本量相对较小（181例） | 开发慢性胰腺炎的客观病理分级系统并验证其临床价值 | 慢性胰腺炎和复发性急性胰腺炎患者 | 数字病理 | 慢性胰腺炎 | 深度学习，放射组学 | DeeplabV3+ | 全切片图像，CT扫描 | 2054例患者（含181例病理确诊CP） | NA | NA | NA | NA |
| 350 | 2025-06-06 |
Interactive Explainable Deep Learning Model for Hepatocellular Carcinoma Diagnosis at Gadoxetic Acid-enhanced MRI: A Retrospective, Multicenter, Diagnostic Study
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240332
PMID:40445095
|
研究论文 | 开发基于钆塞酸增强MRI的人工智能模型，辅助放射科医生诊断肝细胞癌 | 提出了一种交互式可解释的深度学习模型，能够通过分析预训练病变分类器的激活模式推断LI-RADS特征的存在 | 研究为回顾性设计，可能受到选择偏差的影响 | 开发AI模型辅助肝细胞癌诊断 | 肝局灶性病变患者 | 数字病理 | 肝细胞癌 | 钆塞酸增强MRI | 深度学习 | MRI图像 | 839名患者（1023个肝局灶性病变） | NA | NA | NA | NA |
| 351 | 2025-06-06 |
Predicting Recurrence in Locally Advanced Rectal Cancer Using Multitask Deep Learning and Multimodal MRI
2025-May, Radiology. Imaging cancer
DOI:10.1148/rycan.240359
PMID:40445102
|
research paper | 开发并验证了一种名为MultiRecNet的多任务深度网络，用于全自动预测接受新辅助放化疗（nCRT）治疗的局部晚期直肠癌（LARC）患者的无病生存期（DFS） | MultiRecNet能够在单一框架内同时执行分割、分类和生存预测任务，实现了全自动端到端的预后预测 | 研究为回顾性设计，可能存在选择偏差 | 预测局部晚期直肠癌患者的无病生存期 | 接受nCRT治疗的局部晚期直肠癌患者 | digital pathology | rectal cancer | multimodal MRI | MultiRecNet (multitask deep learning) | MRI图像（T2、ADC等）及临床指标 | 445名患者（训练集261名，验证集37名，内部测试集75名，外部测试集72名） | NA | NA | NA | NA |
| 352 | 2025-06-05 |
iPSC-RPE patch restores photoreceptors and regenerates choriocapillaris in a pig retinal degeneration model
2025-May-22, JCI insight
IF:6.3Q1
DOI:10.1172/jci.insight.179246
PMID:40401519
|
research paper | 该研究开发了一种基于诱导多能干细胞衍生的视网膜色素上皮（iRPE）贴片，用于治疗干性年龄相关性黄斑变性（AMD），并在猪视网膜退化模型中验证了其恢复光感受器和再生脉络膜毛细血管的能力 | 使用可生物降解的PLGA支架成熟iRPE细胞，开发了一种临床兼容的制造工艺，并通过深度学习算法和自适应光学成像验证了治疗效果 | 研究仅在猪模型中进行，尚未在人体临床试验中验证 | 开发并验证一种能够恢复光感受器和再生脉络膜毛细血管的治疗方法，以治疗干性年龄相关性黄斑变性 | 激光诱导的外视网膜退化的猪模型 | digital pathology | age-related macular degeneration | optical coherence tomography (OCT), OCT-angiography, adaptive optics imaging | deep learning algorithm | image | 猪模型中的视网膜区域 | NA | NA | NA | NA |
| 353 | 2025-06-05 |
Evaluation of data collection and annotation approaches of driver gaze dataset
2025-May-14, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-025-02679-2
PMID:40369353
|
research paper | 本研究评估了驾驶员视线数据集的三种标注方法，并提出了一种新的基于移动指针的标注方法 | 引入了一种新的基于移动指针的标注方法，该方法受到基于屏幕的视线数据收集的启发 | 手动标注和Speak2Label方法的准确性较低，需要进一步分析误分类原因 | 评估不同数据收集和标注方法在驾驶员视线估计中的效果 | 驾驶员视线数据集 | computer vision | NA | eye tracker | supervised machine learning, deep learning | image | NA | NA | NA | NA | NA |
| 354 | 2025-06-05 |
Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks
2025-May-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.07.652715
PMID:40463260
|
研究论文 | 本文报告了三种计算方法的整合，用于在全蛋白质组范围内预测两个蛋白质是否可能形成二元复合物 | 整合了PrePPI、Topsy-Turvy和ZEPPI三种方法，显著提高了高置信度蛋白质相互作用的预测数量 | 方法依赖于计算预测，需要进一步的实验验证 | 预测大肠杆菌蛋白质相互作用组和功能网络 | 大肠杆菌蛋白质 | 计算生物学 | NA | PrePPI、Topsy-Turvy、ZEPPI、AF3Complex | 蛋白质语言模型 | 蛋白质序列和结构数据 | 400个蛋白质-蛋白质相互作用 | NA | NA | NA | NA |
| 355 | 2025-06-05 |
Evaluating Vision and Pathology Foundation Models for Computational Pathology: A Comprehensive Benchmark Study
2025-May-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.08.25327250
PMID:40463538
|
research paper | 该研究对31种计算病理学AI基础模型进行了全面基准测试，评估它们在多样组织病理学数据集和任务中的表现 | 首次系统比较了不同类型病理学基础模型的性能，并发现模型大小与数据规模并不总是与性能提升相关 | 未深入探讨影响模型性能的潜在因素，且测试数据集可能仍有限 | 评估和比较不同病理学基础模型在计算病理学中的表现 | 31种AI基础模型（包括通用视觉模型、病理专用视觉模型等） | digital pathology | NA | deep learning | foundation models (VM, VLM, Path-VM, Path-VLM) | histopathological images | 41个任务的数据集（来自TCGA、CPTAC等） | NA | NA | NA | NA |
| 356 | 2025-06-05 |
Evolution-guided protein design of IscB for persistent epigenome editing in vivo
2025-May-07, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-025-02655-3
PMID:40335752
|
研究论文 | 通过结合进化指导和深度学习，设计了一种改进的RNA引导内切酶IscB及其引导RNA，用于体内持久性表观基因组编辑 | 结合直系同源筛选、结构引导的蛋白质域设计、RNA工程和深度学习结构预测，开发了改进的NovaIscB变体，其活性比野生型提高了约100倍，并提高了特异性 | NA | 设计具有增强活性和特异性的RNA引导内切酶，用于分子生物学应用 | IscB RNA引导内切酶及其引导RNA | 分子生物学 | NA | 直系同源筛选、结构引导的蛋白质域设计、RNA工程、深度学习结构预测 | NA | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 357 | 2025-10-06 |
Significance of Image Reconstruction Parameters for Future Lung Cancer Risk Prediction Using Low-Dose Chest Computed Tomography and the Open-Access Sybil Algorithm
2025-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001131
PMID:39437009
|
研究论文 | 本研究评估了图像重建参数和CT扫描仪制造商对Sybil深度学习算法预测肺癌风险性能的影响 | 首次系统评估了不同图像重建参数对深度学习肺癌风险预测模型性能的影响，并发现了参数组合对中长期预测性能的显著影响 | 研究仅基于美国国家肺癌筛查试验的特定子集数据，且仅比较了两种CT扫描仪制造商 | 评估图像重建参数和CT扫描仪制造商对Sybil算法预测肺癌风险性能的影响 | 美国国家肺癌筛查试验参与者的低剂量胸部CT扫描数据 | 数字病理 | 肺癌 | 低剂量计算机断层扫描(LDCT) | 深度学习算法 | 医学影像 | 1049对标准与骨重建滤波器扫描，1961对标准与肺重建滤波器扫描，1288对2mm与5mm层厚扫描 | NA | Sybil算法 | AUC, 95%置信区间, P值 | NA |
| 358 | 2025-06-05 |
Comparison between two artificial intelligence models to discriminate cancerous cell nuclei based on confocal fluorescence imaging in hepatocellular carcinoma
2025-May, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2024.11.026
PMID:39674779
|
研究论文 | 比较两种人工智能模型在基于共聚焦荧光成像的肝细胞癌中区分癌细胞核的能力 | 首次在肝细胞癌中应用并比较了机器学习和深度学习模型对癌细胞核的自动识别能力 | 研究样本来自商业组织芯片，可能无法完全代表真实临床样本的多样性 | 开发自动识别肝细胞癌细胞核的人工智能工具 | 肝细胞癌细胞核和正常肝细胞核 | 数字病理学 | 肝细胞癌 | 共聚焦显微镜成像 | 机器学习(ML)和深度学习(DL) | 图像 | 商业组织芯片中的健康肝脏和肝细胞癌样本 | NA | NA | NA | NA |
| 359 | 2025-06-05 |
SegFormer3D: Improving the Robustness of Deep Learning Model-Based Image Segmentation in Ultrasound Volumes of the Pediatric Hip
2025-05, Ultrasound in medicine & biology
|
research paper | 该研究提出了一种名为SegFormer3D的深度学习模型，用于提高儿童髋关节超声体积图像分割的鲁棒性 | 提出了3D SegFormer架构的扩展，这是一种轻量级的基于transformer的模型，具有分层结构的编码器，能够产生多尺度特征，从而同时提高准确性和鲁棒性 | 当前技术的鲁棒性仍不足以可靠地部署到实际临床工作流程中 | 提高儿童髋关节发育不良(DDH)超声图像分割的准确性和鲁棒性 | 儿童髋关节的3D超声图像 | digital pathology | geriatric disease | 3D US imaging, deep learning | SegFormer3D, CNN, vision transformer | 3D ultrasound image | 临床数据来自儿科患者的测试集 | NA | NA | NA | NA |
| 360 | 2025-05-28 |
Erratum for: MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum
2025-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.259008
PMID:40423544
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |