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 1382 篇文献，本页显示第 1341 - 1360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1341 | 2025-10-07 |
Deep learning based coronary vessels segmentation in X-ray angiography using temporal information
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103496
PMID:40049029
|
研究论文 | 提出一种融合时序信息的深度学习网络TVS-Net，用于X射线血管造影中的冠状动脉分割 | 首次将序列ICA信息融合到新型密集连接3D编码器-2D解码器结构中，并采用基于弹性交互的损失函数 | 使用相对宽松的标注协议产生粗粒度样本，标注精度可能影响模型性能 | 开发能够克服运动伪影和对比剂分布不均等挑战的冠状动脉血管自动分割方法 | X射线冠状动脉血管造影图像中的血管结构 | 计算机视觉 | 心血管疾病 | X射线血管造影 | 深度学习 | 医学图像序列 | 323个样本（训练173，验证82，测试68），外加60张外部医院图像 | NA | 3D编码器-2D解码器 | Dice系数, 召回率 | NA |
| 1342 | 2025-10-07 |
Motor imagery EEG decoding based on TS-former for spinal cord injury patients
2025-May, Brain research bulletin
IF:3.5Q2
|
研究论文 | 提出基于Transformer的TS-former网络架构，用于脊髓损伤患者的运动想象脑电信号解码 | 结合FBCSP特征提取和Transformer多头注意力机制，在时空域处理脑电信号，并采用迁移学习适应新分类任务 | 仅在16名脊髓损伤患者的数据集上进行验证，样本规模有限 | 开发用于脊髓损伤患者康复训练的脑机接口系统 | 脊髓损伤患者的运动想象脑电信号 | 脑机接口 | 脊髓损伤 | 脑电图(EEG), 滤波器组共空间模式(FBCSP) | Transformer | 脑电信号 | 16名脊髓损伤患者 | NA | TS-former, Transformer | 分类准确率 | NA |
| 1343 | 2025-10-07 |
UniSAL: Unified Semi-supervised Active Learning for histopathological image classification
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103542
PMID:40101375
|
研究论文 | 提出一种统一的半监督主动学习框架UniSAL，用于组织病理图像分类以减少标注成本 | 提出双视角高置信度伪标签训练和伪标签引导的类对比学习，设计分歧感知不确定性选择器和紧凑选择器进行样本选择 | 仅在三个公开病理图像数据集上验证，未在更多类型医学图像上测试 | 减少组织病理图像标注成本，提高深度学习模型训练效率 | 组织病理图像 | 数字病理 | 癌症 | 深度学习 | CNN | 图像 | 三个公开数据集（CRC5000、Chaoyang、CRC100K） | PyTorch | 双网络架构 | 准确率 | NA |
| 1344 | 2025-10-07 |
Predicting infant brain connectivity with federated multi-trajectory GNNs using scarce data
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103541
PMID:40107118
|
研究论文 | 提出一种联邦图多轨迹演化网络FedGmTE-Net++，用于从单次基线观测预测婴儿脑连接多轨迹演化 | 首个专为数据稀缺环境下脑多轨迹演化预测设计的联邦学习框架；在局部目标函数中加入辅助正则化器以最大化利用纵向脑连接数据；引入包含K近邻预补全和回归器精修的两步插补流程 | NA | 解决婴儿脑网络多轨迹预测中数据稀缺和隐私保护问题 | 婴儿出生后第一年的脑连接网络演化 | 图神经网络 | NA | 脑连接成像 | 图神经网络 | 脑连接图数据 | NA | 联邦学习 | FedGmTE-Net++ | NA | NA |
| 1345 | 2025-10-07 |
Segment Like A Doctor: Learning reliable clinical thinking and experience for pancreas and pancreatic cancer segmentation
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103539
PMID:40112510
|
研究论文 | 提出一种模拟医生临床思维的分割框架SLAD，用于胰腺和胰腺癌的CT图像分割 | 首次模拟医生在胰腺癌渐进诊断阶段（器官、病灶、边界）的逻辑思维和诊断经验，提出三个创新模块：解剖感知掩码自编码器、因果驱动图推理模块和基于扩散的差异校准模块 | 仅针对胰腺癌进行验证，未扩展到其他癌症类型；在极端不确定边界情况下性能仍有提升空间 | 提高胰腺和胰腺癌在CT图像上的分割准确性和可靠性 | 胰腺和胰腺癌的CT图像分割 | 数字病理 | 胰腺癌 | 计算机断层扫描(CT) | 自编码器,图神经网络,扩散模型 | CT图像 | 三个独立数据集（具体数量未明确说明） | NA | Anatomy-aware Masked AutoEncoder (AMAE), Causality-driven Graph Reasoning Module (CGRM), Diffusion-based Discrepancy Calibration Module (DDCM) | 分割准确率 | NA |
| 1346 | 2025-10-07 |
An extragradient and noise-tuning adaptive iterative network for diffusion MRI-based microstructural estimation
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103535
PMID:40157297
|
研究论文 | 提出一种用于扩散MRI微观结构估计的外梯度和噪声调谐自适应迭代网络 | 引入自适应机制根据具体dMRI模型、数据集和下采样策略灵活调整稀疏表示过程，并提出噪声调谐模块帮助网络逃离局部极小值/鞍点 | NA | 改进扩散MRI模型参数估计的准确性和泛化能力 | 扩散MRI微观结构估计 | 医学影像分析 | NA | 扩散MRI | 优化网络 | 扩散MRI数据 | 两个3T HCP数据集和一个7T HCP数据集 | NA | 外梯度和噪声调谐自适应迭代网络 | 准确性, 泛化性 | NA |
| 1347 | 2025-10-07 |
ArtiDiffuser: A unified framework for artifact restoration and synthesis for histology images via counterfactual diffusion model
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103567
PMID:40188685
|
研究论文 | 提出ArtiDiffuser框架，通过反事实扩散模型统一处理组织学图像中的伪影修复与合成 | 首次将反事实扩散模型应用于组织学图像伪影处理，统一伪影修复与合成功能，并采用Swin-Transformer骨干网络和类别引导的专家混合机制 | 未明确说明模型计算复杂度及在更大规模数据集上的泛化能力 | 解决组织学图像中伪影导致的误诊问题，提升深度学习模型的诊断准确性 | 组织学图像中的伪影区域 | 数字病理学 | NA | 扩散模型 | 扩散模型 | 组织学图像 | 723个标注图像块，涵盖多种伪影类别 | PyTorch | Swin-Transformer, Mixture of Experts | 准确性, 一致性正则化指标 | NA |
| 1348 | 2025-10-07 |
Unsupervised brain MRI tumour segmentation via two-stage image synthesis
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103568
PMID:40199108
|
研究论文 | 提出一种通过两阶段图像合成实现无监督脑肿瘤MRI分割的方法 | 采用两阶段图像合成策略解决真实与合成数据间的领域差异，通过初级模型生成伪标签并创建更真实的合成数据 | 方法依赖于手工制作的肿瘤形状和强度模型生成初始合成数据 | 开发无需专家标注的无监督脑肿瘤分割方法 | 脑部磁共振图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | 磁共振成像 | 深度学习模型 | 医学图像 | 五个脑成像数据集 | NA | NA | NA | NA |
| 1349 | 2025-10-07 |
NLP for Analyzing Electronic Health Records and Clinical Notes in Cancer Research: A Review
2025-May, Journal of pain and symptom management
IF:3.2Q1
|
综述 | 本文综述了自然语言处理技术在癌症研究中分析电子健康记录和临床笔记的应用现状与发展趋势 | 提供了比以往研究更广泛的视角，不仅关注特定癌症类型或应用，通过系统分析94项相关研究揭示了NLP在癌症研究中的应用趋势 | 现有解决方案的泛化能力有限，需要更好地整合到临床工作流程中 | 探索自然语言处理技术在癌症研究中的应用现状和未来方向 | 电子健康记录和临床笔记 | 自然语言处理 | 癌症 | 自然语言处理 | 基于规则的模型,传统机器学习,深度学习,Transformer | 文本 | 数据集规模差异很大，从小型手动标注数据集到大规模电子健康记录 | NA | NA | NA | NA |
| 1350 | 2024-11-07 |
Editorial for "Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy"
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29637
PMID:39501638
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1351 | 2025-10-07 |
Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29639
PMID:39501646
|
研究论文 | 开发基于双平面MRI的深度学习模型评估腰椎间盘突出症经椎间孔镜髓核摘除术后1年疗效 | 首次将术前双平面MRI深度学习特征与临床特征相结合评估TMD术后1年疗效 | 回顾性研究设计，样本量有限 | 评估术前双平面MRI深度学习特征结合临床特征对TMD术后1年疗效的预测能力 | 548例接受TMD手术的腰椎间盘突出症患者 | 医学影像分析 | 腰椎间盘突出症 | MRI, 深度学习 | CNN | MRI图像, 临床数据 | 548例患者（训练集305例，内部验证集131例，外部验证集112例） | NA | ResNet50, ResNet101, ResNet152 | AUC | NA |
| 1352 | 2025-10-07 |
Development and Validation of a Deep Learning System to Differentiate HER2-Zero, HER2-Low, and HER2-Positive Breast Cancer Based on Dynamic Contrast-Enhanced MRI
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29670
PMID:39643475
|
研究论文 | 开发并验证基于动态对比增强MRI的深度学习系统，用于自动分割乳腺肿瘤并区分HER2-zero、HER2-low和HER2-positive状态 | 首次利用深度学习系统基于DCE-MRI自动区分HER2-zero、HER2-low和HER2-positive三种乳腺癌亚型 | 回顾性研究设计，需要进一步前瞻性验证 | 开发自动化系统用于乳腺癌HER2表达状态的术前无创评估 | 乳腺癌患者 | 医学影像分析 | 乳腺癌 | 动态对比增强MRI | 深度学习 | MRI影像 | 1294名乳腺癌患者（训练集811例，内部测试204例，外部测试279例） | NA | ResNetGN | Dice相似系数, AUC, 准确率, 灵敏度, 特异性 | NA |
| 1353 | 2025-10-07 |
Deep learning algorithm classification of tympanostomy tube images from a heterogenous pediatric population
2025-May, International journal of pediatric otorhinolaryngology
IF:1.2Q3
DOI:10.1016/j.ijporl.2025.112311
PMID:40096786
|
研究论文 | 开发深度学习算法通过数字耳镜图像自动分类儿童鼓膜通气管状态 | 首次使用非专业医生采集的智能手机耳镜图像训练深度学习算法进行鼓膜通气管状态分类 | 排除了有鼓膜成形术、鼓室成形术或胆脂瘤病史的患者，样本量相对较小 | 评估AI算法通过数字耳镜图像准确判断鼓膜通气管状态的能力 | 10个月至10岁有鼓膜通气管史的儿科患者 | 计算机视觉 | 耳科疾病 | 数字耳镜成像 | 深度学习 | 图像 | 69名儿童，296张图像 | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 1354 | 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 | NA | NA | NA | NA |
| 1355 | 2025-04-12 |
Editorial for "Development and Validation of a Deep Learning System to Differentiate HER2-Zero, HER2-Low, and HER2-Positive Breast Cancer Based on Dynamic Contrast-Enhanced MRI"
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29697
PMID:39776259
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1356 | 2025-04-10 |
A New Metric Based on Association Rules to Assess Feature-Attribution Explainability Techniques for Time Series Forecasting
2025-May, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3540513
PMID:40031563
|
research paper | 本文介绍了一种新的模型无关度量RExQUAL，用于量化和比较基于归因的可解释人工智能技术提供的解释质量 | 提出了一种基于关联规则的新度量RExQUAL，结合局部和全局解释，评估和比较不同可解释技术的质量 | 实验设计仅包括不同类型的时间序列预测，可能在其他领域的适用性有待验证 | 评估和比较基于归因的可解释人工智能技术在时间序列预测中的解释质量 | 时间序列数据（包括单变量和多变量） | machine learning | NA | association rules, feature attribution | deep learning models | time series data | NA | NA | NA | NA | NA |
| 1357 | 2025-10-07 |
VGX: VGG19-Based Gradient Explainer Interpretable Architecture for Brain Tumor Detection in Microscopy Magnetic Resonance Imaging (MMRI)
2025-May, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.24809
PMID:39825619
|
研究论文 | 提出一种基于VGG19的梯度解释器可解释架构，用于显微磁共振成像中的脑肿瘤检测 | 结合改进的VGG19模型与可解释AI技术，使用梯度解释器来解释分类结果 | 尽管准确率高，但结果解释性仍存疑问 | 开发自动微脑肿瘤识别方法 | 脑肿瘤组织与正常脑组织 | 计算机视觉 | 脑肿瘤 | 显微磁共振成像(MMRI) | CNN | 图像 | 包含不同肿瘤大小和类型的多样化数据集 | NA | VGG16,VGG19 | 准确率 | NA |
| 1358 | 2025-10-07 |
A pretrained transformer model for decoding individual glucose dynamics from continuous glucose monitoring data
2025-May, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf039
PMID:40191259
|
研究论文 | 开发基于注意力机制的深度学习模型CGMformer，通过连续血糖监测数据解码个体血糖动态 | 首次将预训练Transformer架构应用于连续血糖监测数据，能够学习个体内在代谢状态表征 | 未明确说明模型在特定人群中的泛化能力限制 | 开发用于糖尿病管理和早期预警的血糖动态分析模型 | 连续血糖监测数据和糖尿病患者 | 机器学习 | 糖尿病 | 连续血糖监测技术 | Transformer | 时间序列数据 | 五个外部数据集的不同人群和代谢状态数据 | NA | Transformer | MAE, AUROC, Pearson相关系数 | NA |
| 1359 | 2025-10-07 |
Seafloor debris detection using underwater images and deep learning-driven image restoration: A case study from Koh Tao, Thailand
2025-May, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2025.117710
PMID:39978130
|
研究论文 | 提出结合超分辨率重建技术和优化YOLOv8模型的海底垃圾检测方法，并在泰国涛岛进行案例研究 | 首次将超分辨率重建技术与目标检测模型结合应用于海底垃圾监测，提出新型预训练策略并深入分析放大因子影响 | 仅针对泰国涛岛特定海域进行研究，未验证方法在其他海洋环境的普适性 | 开发低成本高效的海底垃圾检测与监测方法 | 海底垃圾 | 计算机视觉 | NA | 水下成像，超分辨率重建 | YOLOv8 | 水下图像 | NA | NA | RDN, SFD-YOLO | PSNR, SSIM, mAP | NA |
| 1360 | 2025-10-07 |
Automatic pre-screening of outdoor airborne microplastics in micrographs using deep learning
2025-May-01, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.125993
PMID:40090454
|
研究论文 | 本研究提出一种基于深度学习的自动化方法，用于从低分辨率显微图像中识别和分类室外空气中的微塑料颗粒 | 在U-Net分割框架中直接集成分类功能，将分割与分类流程合二为一，显著提升计算效率；首次针对室外空气微塑料的低分辨率显微图像开发检测方法 | 仅针对低分辨率图像（256×256像素）进行验证，未在高分辨率图像上测试性能 | 开发自动化的空气微塑料预筛检方法，提高监测效率 | 室外空气中的微塑料颗粒 | 计算机视觉 | NA | 显微成像 | CNN | 图像 | NA | NA | Attention U-Net, Dynamic RU-NEXT, Mask R-CNN | F1-score, 准确率, 边界框精度, 掩码精度 | NA |