深度学习在生物医药领域中的应用
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，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10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 1477 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2025-05-08 |
Retraction: "Diagnostic Classification and Prognostic Prediction Using Common Genetic Variants in Autism Spectrum Disorder: Genotype-Based Deep Learning"
2025-05-06, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/76833
PMID:40331761
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 42 | 2025-09-12 |
The Application Status of Radiomics-Based Machine Learning in Intrahepatic Cholangiocarcinoma: Systematic Review and Meta-Analysis
2025-May-05, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/69906
PMID:40323647
|
系统综述与荟萃分析 | 本文系统评估了基于影像组学的机器学习在肝内胆管癌中的应用现状与价值 | 首次通过荟萃分析量化影像组学模型在肝内胆管癌多任务中的诊断性能，并比较了不同模型类型的表现差异 | 针对特定任务（如神经周围侵犯诊断）的研究数量有限，深度学习研究不足阻碍了进一步分析，数据异质性和可解释性存在挑战 | 评估影像组学在肝内胆管癌领域的应用现状并提供循证支持 | 肝内胆管癌患者 | 医学影像分析 | 肝内胆管癌 | 影像组学 | 机器学习（含深度学习） | 医学影像 | 58项研究，包含12,903名患者 |
| 43 | 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 |
| 44 | 2025-09-06 |
Improving RNA Secondary Structure Prediction Through Expanded Training Data
2025-May-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.03.652028
PMID:40654677
|
研究论文 | 通过扩展训练数据提升RNA二级结构预测性能的研究 | 构建了大规模多样化的RNA序列与二级结构配对数据集RNASSTR，并验证其能提升部分模型的泛化能力 | MXfold2模型因计算成本过高未能有效利用该数据集实现性能提升 | 探究训练数据不足对RNA结构预测模型性能的限制，并验证扩展数据集的有效性 | RNA二级结构 | 机器学习 | NA | 深度学习 | SincFold, MXfold2 | RNA序列与结构数据 | 大规模RNASSTR数据集（具体数量未说明） |
| 45 | 2025-09-03 |
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 | 本研究开发了一种基于多期相CT图像的深度学习模型，用于术前预测透明细胞肾细胞癌患者的术后预后 | 首次结合三期CT图像（平扫期、皮髓质期和肾实质期）特征与深度学习技术构建预后预测模型，并与Leibovich评分系统整合形成列线图 | 回顾性研究设计，样本量相对有限（382例患者），缺乏外部验证队列 | 评估基于CT图像的深度学习模型在预测透明细胞肾细胞癌患者术后预后方面的价值 | 透明细胞肾细胞癌患者 | 计算机视觉 | 肾癌 | CT成像，深度学习特征提取 | ResNet50, ELM (极限学习机) | CT图像 | 382例患者（训练集229例，测试集153例） |
| 46 | 2025-09-03 |
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的CT图像中胰液积聚进行基于固体碎片的准确分类 | 首次在多中心研究中比较ResNet 50、Vision Transformer和MedViT等深度学习架构对胰腺液体积聚的自动分类性能 | 样本量相对有限（152例患者），且模型在外部测试队列中的性能仅为中等水平（AUC 0.753） | 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自动化分类 | 急性胰腺炎患者的CT图像及其对应的胰液积聚 | 计算机视觉 | 胰腺疾病 | CT成像、深度学习 | ResNet 50, Vision Transformer (ViT), MedViT | 图像 | 152例患者（129例训练/验证，23例测试），共计2180张CT图像 |
| 47 | 2025-09-03 |
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（SR-DLR）在低剂量腹部CT成像中的效果，并与混合迭代重建（HIR）和常规深度学习重建（cDLR）算法进行比较 | 首次在低剂量腹部CT中系统比较SR-DLR与HIR、cDLR，证明SR-DLR在噪声纹理和分辨率方面优于现有方法 | 回顾性研究，样本量较小（35例患者），需进一步多中心验证 | 评估SR-DLR算法在低剂量腹部CT中的图像质量和噪声降低效果 | 低剂量腹部CT扫描图像 | 医学影像处理 | 腹部疾病 | CT成像，深度学习重建算法 | 深度学习重建（DLR） | CT图像 | 35例患者 |
| 48 | 2025-03-23 |
Correction to: Application of deep learning models for accurate classification of fluid collections in acute necrotizing pancreatitis on computed tomography: a multicenter study
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04836-9
PMID:40116891
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 49 | 2025-09-03 |
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患者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预测中的表现进行系统评估，并与放射科医生表现进行对比 | 纳入研究存在异质性，需要更多前瞻性多中心研究验证 | 评估机器学习模型在结直肠癌术前淋巴结转移预测中的诊断准确性 | 结直肠癌患者 | 机器学习 | 结直肠癌 | 机器学习，深度学习 | ML/DL模型 | 医学影像数据 | 12项研究，8321名患者 |
| 50 | 2025-09-03 |
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，并与标准序列进行比较 | 首次将深度学习驱动的PIQE算法应用于高精度SS-FSE序列，显著提升图像质量和病灶可视化能力 | 单中心回顾性研究设计，缺乏病理学确认 | 比较不同快速自旋回波序列在腹部T2加权MRI中的图像质量表现 | 腹部器官（肝脏、胰腺）及非实性局灶性病变 | 医学影像分析 | 腹部疾病 | 磁共振成像（MRI），深度学习图像重建 | 深度学习算法（PIQE） | 医学影像 | 105例接受腹部MRI检查的患者 |
| 51 | 2025-08-31 |
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 | 利用3D电子显微镜和深度学习揭示线粒体在秀丽隐杆线虫神经肌肉系统中随发育阶段的结构多样性及其功能意义 | 开发半自动化方法重建线粒体三维结构，首次发现不同神经回路中线粒体结构特性在发育过程中的保守性，并揭示dauer阶段独特的线粒体适应性结构 | 研究局限于秀丽隐杆线虫模型，尚未在更复杂生物系统中验证 | 探究神经肌肉系统中线粒体结构随发育的变化规律及其与神经功能的关系 | 秀丽隐杆线虫（C. elegans）的神经元和肌肉细胞 | 生物显微成像 | NA | 3D电子显微镜，深度学习 | 深度学习（未指定具体模型） | 电子显微镜图像 | 正常生殖阶段和dauer阶段的秀丽隐杆线虫样本 |
| 52 | 2025-08-30 |
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，实现全医院统一风险评估 | 提出首个跨医院单元（急诊、病房、ICU）的统一儿科风险评估模型，优于现有单元专用工具 | 回顾性研究，可能存在数据偏差；深度学习模型未显示性能提升 | 通过机器学习早期预测住院儿童关键事件（机械通气、血管活性药物使用或死亡） | 18岁以下住院儿童 | 机器学习 | 儿科疾病 | 极端梯度提升机（XGB），深度学习 | 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名患者来自3家三级医院 |
| 53 | 2025-08-12 |
Assessing Algorithmic Fairness With a Multimodal Artificial Intelligence Model in Men of African and Non-African Origin on NRG Oncology Prostate Cancer Phase III Trials
2025-May, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI-24-00284
PMID:40344545
|
research paper | 评估多模态人工智能模型在非洲和非非洲裔男性前列腺癌三期试验中的算法公平性 | 使用多模态AI深度学习系统结合数字组织病理学和临床数据，评估算法在不同种族亚组中的普适性和公平性 | 研究中包含少量未知或缺失种族状态的患者（0.5%） | 评估AI工具在前列腺癌预后预测中的公平性和普适性 | 非洲裔和非非洲裔前列腺癌患者 | digital pathology | prostate cancer | multimodal AI deep learning system | MMAI | digital histopathology and clinical data | 5,708名患者（包括948名非洲裔和4,731名非非洲裔患者） |
| 54 | 2025-08-08 |
Integration of MRI radiomics and clinical data for preoperative prediction of vascular invasion in breast cancer: A deep learning approach
2025-May, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110339
PMID:39880177
|
research paper | 本研究探讨了结合MRI放射组学特征和临床数据，通过深度学习方法预测乳腺癌血管侵犯的术前准确性 | 首次将MRI放射组学特征与临床数据结合，采用深度学习方法预测乳腺癌血管侵犯，显著提高了诊断准确性 | 研究样本量较小（102例），且为回顾性分析，可能存在选择偏差 | 评估MRI放射组学特征与临床数据结合在预测乳腺癌血管侵犯中的有效性 | 102例经手术病理证实的浸润性乳腺癌患者 | digital pathology | breast cancer | MRI (DWI, VIBRANT序列), 放射组学特征提取 | 深度学习模型 | MRI图像和临床数据 | 102例乳腺癌患者 |
| 55 | 2025-08-06 |
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 | 该论文利用单分子表面增强拉曼光谱（SERS）和深度学习模型，首次实现了对脯氨酸和羟脯氨酸的单分子水平区分 | 首次结合等离子体孔内颗粒传感器、单分子SERS光谱的出现频率直方图和1D-CNN模型，实现了对羟基化的单分子水平区分，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 | 开发一种能够区分低丰度羟基化的方法，用于早期疾病诊断和治疗开发 | 脯氨酸和羟脯氨酸的单分子SERS信号 | 机器学习 | NA | 单分子表面增强拉曼光谱（SERS） | 一维卷积神经网络（1D-CNN） | 光谱数据 | NA |
| 56 | 2025-08-06 |
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 | 提出了一种名为DRExplainer的新型可解释预测模型，用于预测癌细胞系对治疗药物的反应 | 利用有向图卷积网络在有向二分网络框架中增强预测，并引入可量化的模型解释方法 | 未提及具体的数据集规模或实验限制 | 提高药物反应预测的准确性和可解释性 | 癌细胞系和药物 | 机器学习 | 癌症 | 多组学分析 | 有向图卷积网络 | 多组学数据、药物化学结构 | NA |
| 57 | 2025-08-06 |
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 | 本研究开发了一种基于深度学习的框架，旨在仅通过体表电位估计心脏表面电位，以简化临床操作并扩大应用范围 | 提出了一种新的深度学习框架，将3D躯干和心脏几何形状转换为标准2D表示，并开发了定制的Pix2Pix网络模型，无需CT/MRI即可实现心脏表面电位的精确估计 | 研究样本量相对较小（40例），且未明确说明模型在不同疾病类型中的泛化能力 | 开发一种无需几何成像信息即可估计心脏表面电位的深度学习方法 | 健康受试者和特发性心室颤动患者的心脏表面电位 | 数字病理 | 心血管疾病 | 深度学习 | Pix2Pix网络 | 2D体表电位图和心脏表面电位图 | 11名健康受试者（8女3男）和29名特发性心室颤动患者（11女18男） |
| 58 | 2025-08-06 |
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 | 提出一种基于语义相关性聚类的无监督域适应方法，用于组织病理学图像分类 | 利用动物模型的组织病理学图像数据集实现人类全切片图像(WSI)的分类识别，通过语义相关性聚类实现跨域知识迁移 | 依赖于动物模型与人类WSI之间的域适应效果，可能受限于域间差异 | 解决病理图像样本获取和标注困难的问题，提升组织病理学图像分类性能 | 小鼠模型组织病理学图像和人类全切片图像(WSI) | 数字病理学 | 癌症 | 无监督域适应方法 | 深度学习模型 | 组织病理学图像 | 未明确说明具体样本数量 |
| 59 | 2025-08-06 |
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 | 本文系统综述了当前用于疟疾诊断中疟原虫自动分析的方法，特别关注计算机辅助方法，包括数据库、血涂片类型、染色技术和诊断模型 | 识别了三类最适合疟疾数字诊断的机器学习模型，并讨论了提高模型准确性的预处理和后处理技术 | 数据标准化和实际应用中的挑战仍未解决 | 提高疟疾诊断的准确性和减少人为错误 | 疟原虫属在疟疾诊断中的自动分析方法 | 数字病理学 | 疟疾 | Giemsa染色薄血涂片 | ResNet, VGG, CNN, CADx | 图像 | 2020年至2024年的同行评审和已发表研究 |
| 60 | 2025-08-04 |
AI Opportunistic Coronary Calcium Screening at Veterans Affairs Hospitals
2025-May-16, NEJM AI
DOI:10.1056/aioa2400937
PMID:40746702
|
research paper | 开发了一种名为AI-CAC的深度学习算法，用于在非对比、非门控CT扫描上自动量化冠状动脉钙化（CAC） | 利用来自98个医疗中心的影像数据，捕捉了成像协议、扫描仪和患者的广泛异质性，并在795名患者中与非门控扫描进行了对比 | 研究主要基于退伍军人事务部医疗系统的数据，可能不适用于其他人群 | 开发并验证一种深度学习算法，用于在非门控CT扫描上自动量化冠状动脉钙化 | 冠状动脉钙化（CAC） | digital pathology | cardiovascular disease | deep learning | CNN | image | 795名患者和8052例低剂量CT扫描 |