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 1408 篇文献，本页显示第 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2025-05-30 |
Predicting transmission loss in underwater acoustics using continual learning with range-dependent conditional convolutional neural networks
2025-May-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0036773
PMID:40439448
|
研究论文 | 本文提出了一种基于持续学习和范围依赖条件卷积神经网络的方法，用于预测水下声学传输损失，以提高远场场景下的预测准确性 | 引入了一种范围依赖条件卷积神经网络，通过直接对输入地形进行条件化，单步预测传输损失场，并采用基于回放的持续学习策略，实现跨连续地形变化的泛化 | 模型在远场波预测方面可能存在局限性，且依赖于输入地形的准确性 | 提高深度学习模型在远场场景下预测水下辐射噪声的准确性 | 水下声学传输损失 | 机器学习 | NA | 持续学习，卷积神经网络 | CNN | 地形数据，声学数据 | 多个测试案例和涉及Dickins Seamount的基准场景 | NA | NA | NA | NA |
| 542 | 2025-05-29 |
DeepMBEnzy: An AI-Driven Database of Mycotoxin Biotransformation Enzymes
2025-May-28, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.5c02477
PMID:40378051
|
研究论文 | 开发了一个名为DeepMBEnzy的AI驱动数据库，用于预测和存档霉菌毒素生物转化酶 | 通过微调预训练模型并使用冷蛋白数据分割方法，开发了EPP-MB模型，用于预测霉菌毒素生物转化酶，并构建了DeepMBEnzy数据库 | 目前仅识别了少数霉菌毒素生物转化酶，且模型的验证准确率为79%，仍有提升空间 | 促进霉菌毒素解毒研究和应用中的酶候选物的探索和利用 | 霉菌毒素及其生物转化酶 | 机器学习 | NA | 深度学习 | 预训练模型微调 | 蛋白质数据 | 超过4000种霉菌毒素 | NA | NA | NA | NA |
| 543 | 2025-05-29 |
Data augmentation using masked principal component representation for deep learning-based SSVEP-BCIs
2025-May-28, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/add9d1
PMID:40378852
|
研究论文 | 本研究提出了一种基于主成分表示掩码的数据增强方法（MPCR），用于提升基于稳态视觉诱发电位的脑机接口（BCI）中深度学习模型的分类准确率 | 提出了一种新的组件级数据增强方法MPCR，通过主成分表示和随机掩码策略引入随机扰动，同时保留EEG信号的主要内在结构 | 未明确提及具体局限性，但暗示当前信号级数据增强方法可能导致EEG信号显著失真 | 提升基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）中深度学习模型的分类准确率 | 稳态视觉诱发电位（SSVEP）和脑电图（EEG）信号 | 脑机接口（BCI） | NA | 主成分分析（PCA）和随机掩码策略 | 深度学习模型（未指定具体类型） | 脑电图（EEG）信号 | 两个广泛使用的公共数据集（未明确样本数量） | NA | NA | NA | NA |
| 544 | 2025-05-29 |
Brain stimulation outcome prediction in Major Depressive Disorder by deep learning models using EEG representations
2025-May-28, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2511222
PMID:40434017
|
research paper | 该研究利用深度学习模型基于脑电图（EEG）表征预测重度抑郁症（MDD）患者对重复经颅磁刺激（rTMS）治疗的反应 | 开发了一种基于三种预训练卷积神经网络（DenseNet121、EfficientNetB0和Xception）的深度混合神经网络，用于从三种EEG表征中预测治疗效果，其中使用原始EEG图像序列的分类准确率最高达到94.7% | 研究样本量较小（83名患者），且未提及模型在其他独立数据集上的验证情况 | 开发个体化治疗选择框架，以节省MDD患者的治疗时间和成本，并避免可能的副作用 | 83名接受rTMS治疗的MDD患者 | digital pathology | geriatric disease | EEG, rTMS | CNN (DenseNet121, EfficientNetB0, Xception) | EEG信号（包括小波变换图像、电极间连接矩阵和原始EEG信号） | 83名MDD患者 | NA | NA | NA | NA |
| 545 | 2025-05-29 |
Development of a No-Reference CT Image Quality Assessment Method Using RadImageNet Pre-trained Deep Learning Models
2025-May-27, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01542-2
PMID:40425960
|
研究论文 | 提出了一种基于RadImageNet预训练深度学习模型的无参考CT图像质量评估方法 | 利用结合噪声和模糊两种退化因素的数据集训练CNN模型，并采用RadImageNet预训练模型增强对真实世界退化的适应性 | 仅考虑了噪声和模糊两种退化因素，可能未涵盖所有实际临床中的退化类型 | 开发一种无需参考图像即可准确评估CT图像质量的方法 | CT图像 | 计算机视觉 | NA | 深度学习 | CNN（ResNet50, DenseNet121, InceptionV3, InceptionResNetV2） | 图像 | 人工退化图像数据集和真实临床图像数据集 | NA | NA | NA | NA |
| 546 | 2025-05-29 |
Deep Learning Auto-segmentation of Diffuse Midline Glioma on Multimodal Magnetic Resonance Images
2025-May-27, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01557-9
PMID:40425959
|
研究论文 | 开发了一种基于改进CNN的3D-Unet工具，用于自动准确分割弥漫性中线胶质瘤（DMG）在磁共振（MR）图像中的区域 | 首次针对DMG开发了自动分割工具，采用改进的3D U-Net架构，结合多种MR图像序列，实现了高精度的肿瘤分割 | 样本量相对较小（52名患者，70张图像），且仅针对特定类型的儿科脑干癌 | 提高DMG肿瘤分割的自动化水平和准确性，以支持诊断和预测模型的开发 | 弥漫性中线胶质瘤（DMG）H3 K27M突变型患者的MR图像 | 数字病理学 | 脑癌 | 磁共振成像（MRI） | 3D U-Net with residual blocks | 图像 | 52名DMG患者，70张MR图像（包含T1W、T2W和FLAIR序列） | NA | NA | NA | NA |
| 547 | 2025-05-29 |
PlaNet-S: an Automatic Semantic Segmentation Model for Placenta Using U-Net and SegNeXt
2025-May-27, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01549-9
PMID:40425958
|
研究论文 | 本研究开发了一个名为PlaNet-S的自动胎盘语义分割模型，结合了U-Net和SegNeXt架构 | 通过集成学习结合U-Net和SegNeXt架构，提出了一种新的胎盘自动分割模型PlaNet-S，显著提高了分割精度 | 与U-Net++的性能差异无统计学意义，且样本量相对有限 | 开发一个全自动的胎盘语义分割模型，以解决医生辅助手动分割耗时的问题 | 218名疑似胎盘异常的孕妇的MRI图像 | 数字病理学 | 胎盘异常 | MRI | U-Net, SegNeXt, 集成学习 | 图像 | 218名孕妇的1090张标注图像 | NA | NA | NA | NA |
| 548 | 2025-10-07 |
Deep learning in 3D cardiac reconstruction: a systematic review of methodologies and dataset
2025-May, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03273-y
PMID:39753994
|
系统综述 | 本文系统综述了使用深度学习方法进行3D心脏重建的技术和数据集 | 结合统计形状建模、图卷积网络和渐进式GAN的混合方法，特别针对先天性心脏病生成合成数据进行增强 | NA | 解决心脏建模和分割中的关键挑战，开发自动化的高分辨率3D心脏重建方法 | 心脏器官的三维重建 | 医学影像分析 | 心脏病 | 统计形状建模，图卷积网络，渐进式GAN | GCN, GAN | 医学影像数据 | 包含UK Biobank、MICCAI MM-WHS挑战赛和先天性心脏病临床数据集的多数据集 | NA | 渐进式GAN, 图卷积网络 | Dice相似系数, Chamfer距离, Hausdorff距离 | NA |
| 549 | 2025-10-07 |
Large blood vessel segmentation in quantitative DCE-MRI of brain tumors: A Swin UNETR approach
2025-May, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110342
PMID:39892479
|
研究论文 | 本研究提出基于Swin UNETR的深度学习方法，用于脑肿瘤定量DCE-MRI图像中的大血管自动分割 | 首次将Swin UNETR架构应用于脑肿瘤DCE-MRI图像的大血管分割，并与U-Net和Attention U-Net进行性能比较 | NA | 开发自动准确的大血管分割方法以提升脑肿瘤分级和治疗评估的准确性 | 脑肿瘤患者的大血管区域 | 医学影像分析 | 脑肿瘤 | 动态对比增强磁共振成像(DCE-MRI) | 深度学习 | MRI图像 | 187例脑肿瘤患者的MRI数据，来自两个中心、两种设备厂商和两种场强扫描仪 | NA | Swin UNETR, U-Net, Attention U-Net | Dice系数 | NA |
| 550 | 2025-10-07 |
Deterministic Autoencoder using Wasserstein loss for tabular data generation
2025-May, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107208
PMID:39893805
|
研究论文 | 提出一种基于Wasserstein损失函数的确定性自编码器用于表格数据生成 | 将Wasserstein自编码器的确定性编码机制应用于表格数据生成，解决了变分自编码器随机性导致的潜在空间塌陷问题 | NA | 开发更稳定有效的表格数据生成方法 | 表格数据 | 机器学习 | NA | 深度学习 | 自编码器 | 表格数据 | NA | NA | Wasserstein自编码器 | NA | NA |
| 551 | 2025-10-07 |
Patient- and fraction-specific magnetic resonance volume reconstruction from orthogonal images with generative adversarial networks
2025-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17668
PMID:39904621
|
研究论文 | 开发了一种基于条件生成对抗网络的个性化微调工作流，用于从正交二维MR图像重建三维MR体积 | 提出了患者和分次特定的微调方法，能够在有限数据情况下实现个性化三维MR体积重建 | 研究样本量相对较小（43名患者），需要进一步验证在更大数据集上的泛化能力 | 开发用于在线剂量适应的三维MR体积重建方法 | 接受MR引导自适应放射治疗的前列腺癌患者 | 医学影像分析 | 前列腺癌 | 磁共振成像 | GAN | 医学图像 | 43名患者的2473个三维MR体积 | NA | 条件生成对抗网络 | SSIM, PSNR, RMSE, MAE, Dice系数, Hausdorff距离 | NA |
| 552 | 2025-05-29 |
A magnetic resonance image-based deep learning radiomics nomogram for hepatocyte cytokeratin 7 expression: application to predict cholestasis progression in children with pancreaticobiliary maljunction
2025-May, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06225-2
PMID:40186654
|
研究论文 | 利用磁共振图像构建深度学习放射组学列线图，预测胰腺胆管连接不良患儿肝细胞角蛋白7表达及胆汁淤积进展 | 首次开发基于MRI的非侵入性方法评估肝细胞CK7状态，结合放射组学和深度学习特征构建预测模型 | 样本量较小（180例），且为回顾性研究 | 开发术前识别肝细胞CK7状态并评估胆汁淤积进展的预测工具 | 胰腺胆管连接不良患儿 | 数字病理学 | 胰腺胆管连接不良 | MRI、免疫组化分析 | ResNet50 | 磁共振图像 | 180例胰腺胆管连接不良患者（训练集144例，验证集36例） | NA | NA | NA | NA |
| 553 | 2025-05-29 |
Evaluating and mitigating bias in AI-based medical text generation
2025-May, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00789-7
PMID:40269315
|
research paper | 该研究评估并减轻了基于AI的医学文本生成中的偏见问题 | 提出了一个算法，针对服务不足的群体进行选择性优化以减少偏见 | 研究主要集中在医学文本生成领域，未涉及其他AI应用领域 | 评估和减轻AI在医学文本生成中的偏见 | 不同种族、性别和年龄组的医学文本生成 | natural language processing | NA | deep learning | NA | text | 多个数据集和模态 | NA | NA | NA | NA |
| 554 | 2025-05-29 |
Optimizing Deep Learning Models for Luminal and Nonluminal Breast Cancer Classification Using Multidimensional ROI in DCE-MRI-A Multicenter Study
2025-May, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.70931
PMID:40347080
|
research paper | 本研究通过多维ROI在DCE-MRI中的应用，优化深度学习模型以区分乳腺癌症的luminal和非luminal亚型 | 首次探索了ROI维度（2D/2.5D/3D）、瘤周扩展水平（0-8 mm）和分割场景（仅ROI vs. ROI原始）的协同效应 | 研究为回顾性设计，可能受到数据收集偏差的影响 | 优化深度学习模型以区分乳腺癌症的分子亚型 | 426名原发性浸润性乳腺癌患者 | digital pathology | breast cancer | DCE-MRI | deep transfer learning models | image | 426名患者（训练队列108名，验证队列1 165名，验证队列2 153名） | NA | NA | NA | NA |
| 555 | 2025-05-29 |
DNA data storage for biomedical images using HELIX
2025-May, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00793-x
PMID:40360759
|
research paper | 提出了一种名为HELIX的基于DNA的生物医学图像存储系统，该系统针对生物医学图像特性设计了图像压缩算法和纠错编码算法 | HELIX系统针对生物医学图像特性定制了图像压缩算法，并引入了无需索引的纠错编码算法，提高了存储密度和解码速度 | 目前仅进行了体外实验，存储的生物医学图像类型和数量有限 | 开发适用于生物医学图像的DNA数据存储系统 | 生物医学图像 | 数字病理 | NA | DNA数据存储 | 深度学习 | 图像 | 两张时空基因组学图像 | NA | NA | NA | NA |
| 556 | 2025-05-29 |
Pesticide Residue Detection Using Grating Spectroscope and GWO-CNN-BiLSTM Method
2025-May, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70282
PMID:40433911
|
research paper | 本研究开发了一种便携式检测设备，结合光栅光谱仪和智能手机，用于准确检测菠菜中的噻虫嗪残留 | 采用ResNet50模型结合SE注意力机制提取关键特征，并通过GWO算法优化的CNN-BiLSTM混合模型提高检测精度 | 未提及该方法在其他类型农药残留检测中的适用性 | 提高农药残留检测的准确性，保障食品安全和公共健康 | 菠菜中的噻虫嗪残留 | machine learning | NA | 光栅光谱仪、图像处理技术、深度学习 | ResNet50、CNN、BiLSTM、GWO | image | NA | NA | NA | NA | NA |
| 557 | 2025-05-28 |
Impact of contrast-enhanced agent on segmentation using a deep learning-based software "Ai-Seg" for head and neck cancer
2025-May-26, The British journal of radiology
DOI:10.1093/bjr/tqaf108
PMID:40419459
|
研究论文 | 本研究开发了一种专用于对比增强CT的头颈部风险器官分割模型，并比较了其在对比增强和非对比增强CT上的性能 | 开发了专用于对比增强CT的分割模型，并首次评估其在非对比增强CT上的适用性 | 在非对比增强CT上对颌下腺的分割性能显著下降 | 评估深度学习分割软件在不同CT图像类型上的性能差异 | 头颈部癌症患者的CT图像 | 数字病理 | 头颈部癌症 | CT扫描 | 深度学习模型（Ai-Seg） | 医学影像 | 321名患者用于训练，25名患者用于测试 | NA | NA | NA | NA |
| 558 | 2025-10-07 |
Minimally interactive segmentation of soft-tissue tumors on CT and MRI using deep learning
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11167-8
PMID:39560714
|
研究论文 | 开发了一种基于深度学习的软组织肿瘤最小交互式分割方法 | 提出了一种只需用户点击六个边界点的最小交互式分割方法，将点转换为距离图并与图像一起作为CNN输入 | NA | 开发用于CT和MRI上软组织肿瘤的快速准确分割方法 | 软组织肿瘤 | 医学影像分析 | 软组织肿瘤 | CT, MRI (T1加权, T2加权脂肪饱和) | CNN | 医学影像 | 514名患者，包含9种软组织肿瘤表型和7个解剖位置，另有外部验证数据集包含5种未见过的肿瘤表型 | NA | NA | Dice相似系数, 体积测量误差, 直径测量误差, 相关系数 | NA |
| 559 | 2025-10-07 |
High-throughput markerless pose estimation and home-cage activity analysis of tree shrew using deep learning
2025-May, Animal models and experimental medicine
IF:3.8Q2
DOI:10.1002/ame2.12530
PMID:39846430
|
研究论文 | 本研究开发了一种基于深度学习的无标记姿态估计方法，用于分析树鼩在家庭笼中的自发行为 | 首次实现了树鼩的无标记姿态估计和多种自发行为的自动识别，开发了可同时监测16只树鼩的高通量系统 | 未明确说明模型在复杂环境下的鲁棒性和泛化能力 | 开发高效工具来量化和理解树鼩的自然行为 | 树鼩的家庭笼活动行为 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 视频图像 | 16只树鼩 | NA | NA | NA | NA |
| 560 | 2025-10-07 |
Toward Accurate PAH IR Spectra Prediction: Handling Charge Effects with Classical and Deep Learning Models
2025-May-26, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00372
PMID:40339059
|
研究论文 | 本研究开发了机器学习模型来预测多环芳烃的红外光谱，特别关注同时处理中性和带电分子的光谱预测 | 首次实现了对带电多环芳烃红外光谱的快速准确预测，通过分子电荷的编码处理解决了混合物中光谱解析的难题 | 杂原子多环芳烃的数据稀缺限制了模型的泛化能力 | 开发能够同时预测中性和带电多环芳烃红外光谱的机器学习模型 | 多环芳烃分子 | 机器学习 | NA | 红外光谱分析 | XGBoost, GNN | 分子结构数据 | NA | XGBoost, 图神经网络框架 | 图神经网络 | 准确度 | NA |