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 1430 篇文献，本页显示第 1401 - 1420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1401 | 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 |
| 1402 | 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 |
| 1403 | 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 |
| 1404 | 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 |
| 1405 | 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 |
| 1406 | 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 |
| 1407 | 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 |
| 1408 | 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 |
| 1409 | 2025-10-07 |
Feasibility of deep learning algorithm in diagnosing lumbar central canal stenosis using abdominal CT
2025-May, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04796-z
PMID:39249505
|
研究论文 | 开发基于U-Net架构的深度学习算法，使用腹部CT和腰椎CT自动诊断腰椎中央管狭窄症 | 首次利用腹部CT图像进行腰椎中央管狭窄症的自动诊断，并与专用腰椎CT的诊断性能进行比较 | 回顾性研究，样本量较小（仅109名患者），需要更大规模的前瞻性研究验证 | 开发深度学习算法用于腰椎中央管狭窄症的自动诊断 | 接受腹部CT和腰椎CT检查的患者 | 医学影像分析 | 腰椎疾病 | CT成像 | 深度学习 | CT图像 | 109名患者，990张CT图像 | NA | U-Net | 准确率, 敏感性, 特异性, Dice相似系数, 组内相关系数 | NA |
| 1410 | 2025-03-30 |
Utilization of Image-Based Deep Learning in Multimodal Glaucoma Detection Neural Network from a Primary Patient Cohort
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100703
PMID:40151357
|
研究论文 | 开发了一种基于多模态成像数据的深度学习模型，用于青光眼的检测 | 通过多模态数据（眼底照片、OCT扫描和HVF分析）的整合，提高了青光眼检测模型的性能和准确性 | 模型在外部数据集上的性能可能受到数据质量和一致性的影响 | 开发一种临床可用的多模态神经网络模型，用于青光眼的检测 | 青光眼和非青光眼患者的眼底照片、OCT扫描和HVF测试数据 | 数字病理学 | 青光眼 | 深度学习 | CNN和MLP | 图像 | 716次就诊数据（706只眼睛，571名患者）和4个外部单模态数据集 | NA | NA | NA | NA |
| 1411 | 2025-03-30 |
Artificial Intelligence Models to Identify Patients at High Risk for Glaucoma Using Self-reported Health Data in a United States National Cohort
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100685
PMID:40151359
|
研究论文 | 本研究开发了基于自报健康调查数据的人工智能模型，用于预测青光眼高风险患者 | 利用自报健康调查数据而非专业眼科检查数据来预测青光眼风险，适用于资源匮乏环境的大规模筛查 | 模型性能依赖于电子健康记录中诊断代码的准确性，且未包含眼科影像数据 | 开发青光眼高风险人群的预筛查工具 | 美国全国队列中18岁以上、有≥2次眼科相关电子健康记录并提交健康调查的参与者 | 机器学习 | 青光眼 | 机器学习 | XGBoost, 逻辑回归, 全连接神经网络 | 结构化调查数据 | 8205名患者（其中873名确诊青光眼） | NA | NA | NA | NA |
| 1412 | 2025-03-29 |
Predicting radiation-induced hypothyroidism in nasopharyngeal carcinoma patients using a deep learning model
2025-May, Clinical and translational radiation oncology
IF:2.7Q2
DOI:10.1016/j.ctro.2025.100946
PMID:40144227
|
research paper | 本研究开发了一种基于深度学习生存分析的模型，用于预测鼻咽癌患者放射性甲状腺功能减退症（RIHT）的发生 | 使用DeepSurv深度学习模型预测RIHT，其性能优于传统的Cox和NTCP模型 | 研究为回顾性设计，可能存在选择偏倚 | 开发高准确度的RIHT预测模型，以支持个性化患者管理 | 535名鼻咽癌患者 | digital pathology | nasopharyngeal carcinoma | deep learning survival analysis | DeepSurv, CNN | clinical data | 535名鼻咽癌患者（2015年1月至2020年10月） | NA | NA | NA | NA |
| 1413 | 2025-03-26 |
Artificial Intelligence Models to Identify Patients with High Probability of Glaucoma Using Electronic Health Records
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100671
PMID:40124313
|
研究论文 | 本研究开发了人工智能模型，利用电子健康记录（EHRs）中的数据识别高概率青光眼患者，无需眼科影像或临床数据 | 利用非眼科的结构化EHR数据（如人口统计、实验室结果、测量、药物和诊断）开发AI模型，无需专用眼科影像或临床数据即可识别青光眼高风险患者 | 需要进一步研究受保护类别特征（如种族/民族）对模型性能和公平性的影响 | 开发AI模型以早期识别青光眼高风险患者 | 64,735名18岁以上、在EHR中有至少两次眼相关诊断记录的患者 | 机器学习 | 青光眼 | 机器学习与深度学习 | 惩罚逻辑回归、XGBoost、1D-CNN和堆叠自编码器 | 结构化电子健康记录数据 | 64,735名患者，其中7,268名（11.22%）有青光眼诊断 | NA | NA | NA | NA |
| 1414 | 2025-03-23 |
Automated Cone Photoreceptor Detection in Adaptive Optics Flood Illumination Ophthalmoscopy
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100675
PMID:40114708
|
研究论文 | 本文开发并验证了一种基于深度学习的模型，用于在自适应光学泛光照明眼底成像（AO-FIO）中检测视锥细胞 | 该研究首次使用基于U-Net架构的深度学习模型进行视锥细胞的自动检测，并在多个医疗中心进行了验证，表现优于制造商的自动检测软件 | 研究仅涉及健康志愿者，未涵盖患有眼部疾病的患者，且样本量相对较小 | 开发一种自动检测视锥细胞的深度学习模型，以提高检测效率和准确性 | 健康志愿者的视锥细胞 | 计算机视觉 | NA | 自适应光学泛光照明眼底成像（AO-FIO） | U-Net | 图像 | 36名健康志愿者，每只眼睛采集21张AO-FIO图像 | NA | NA | NA | NA |
| 1415 | 2025-03-23 |
AlphaMissense Predictions and ClinVar Annotations: A Deep Learning Approach to Uveal Melanoma
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100673
PMID:40114711
|
研究论文 | 本文探讨了使用深度学习工具AlphaMissense评估葡萄膜黑色素瘤（UM）中基因突变的功能影响 | 使用AlphaMissense工具对UM中的错义突变进行功能影响评估，并与ClinVar数据库中的临床意义进行交叉验证 | 仅分析了COSMIC数据库中的错义突变，且只有40.4%的突变在ClinVar中有对应数据 | 评估UM中基因突变的致病性，以改进基因组诊断和个性化治疗策略 | 葡萄膜黑色素瘤（UM）患者的基因数据 | 生物信息学 | 葡萄膜黑色素瘤 | 深度学习 | AlphaMissense, AlphaFold | 基因突变数据 | 1310个UM中的错义突变，其中151个独特错义突变被分析 | NA | NA | NA | NA |
| 1416 | 2025-03-20 |
Sex Differences in Age-Related Changes in Retinal Arteriovenous Area Based on Deep Learning Segmentation Model
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100719
PMID:40103835
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1417 | 2025-10-07 |
Sensitivity-enhanced hydrogel digital RT-LAMP with in situ enrichment and interfacial reaction for norovirus quantification in food and water
2025-May-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.137325
PMID:39864200
|
研究论文 | 开发了一种基于水凝胶数字RT-LAMP的灵敏度增强方法，用于食品和水中诺如病毒的定量检测 | 通过原位蒸发富集和界面酶反应将检测灵敏度提高20倍，并在15分钟内实现单病毒定量 | NA | 开发高灵敏度诺如病毒检测方法用于食品安全监测和环境监测 | 人类诺如病毒、其他细菌和病毒 | 数字病理 | 诺如病毒感染 | 数字反转录环介导等温扩增(RT-LAMP)、水凝胶技术 | 深度学习模型 | 图像数据 | 3个湖水样本、草莓样本、自来水、饮用水 | NA | NA | 灵敏度 | 智能手机应用 |
| 1418 | 2025-10-07 |
Mapping nutrient pollution in inland water bodies using multi-platform hyperspectral imagery and deep regression network
2025-May-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.137314
PMID:39874751
|
研究论文 | 提出一种基于多平台高光谱影像和深度回归网络的内陆水体营养盐污染制图方法 | 提出结合高维注意力加权差异的深度卷积空谱联合学习方法，优化深度特征提取 | NA | 解决水质制图不准确的问题，实现多参数水质指标的高精度估算 | 内陆水体中的总氮、总磷和氨氮三种关键富营养化相关水质参数 | 计算机视觉 | NA | 高光谱遥感 | 深度学习回归网络 | 高光谱影像 | NA | NA | 深度卷积网络 | 决定系数(R2), 平均绝对误差(MAE), 均方误差(MSE) | NA |
| 1419 | 2025-03-19 |
Validation of Deep Learning-Based Automatic Retinal Layer Segmentation Algorithms for Age-Related Macular Degeneration with 2 Spectral-Domain OCT Devices
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100670
PMID:40091912
|
研究论文 | 本研究验证了基于深度学习的自动视网膜层分割算法在两种光谱域OCT设备上的应用，特别是在年龄相关性黄斑变性（AMD）中的应用 | 通过在不同OCT设备上测试深度学习模型的鲁棒性，验证了其在生成临床相关指标方面的有效性 | 研究依赖于专家验证的地面真实标签，这一过程资源密集，限制了算法在多种OCT设备上的广泛应用 | 验证深度学习图像分割模型在多种OCT设备上的应用，评估其设备独立性 | 年龄相关性黄斑变性（AMD）患者 | 数字病理学 | 年龄相关性黄斑变性 | 光谱域OCT（SD-OCT） | UNet, DeepLabv3 | 图像 | 402个SD-OCT扫描 | NA | NA | NA | NA |
| 1420 | 2025-03-18 |
Physics-based generative adversarial network for real-time acoustic holography
2025-May, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2025.107583
PMID:39893755
|
研究论文 | 本文提出了一种基于物理模型的生成对抗网络（GAN），用于实时声学全息成像 | 提出了一种结合物理模型（ASM）的深度学习算法，用于学习从目标场到源相位全息图的逆物理映射，并开发了具有两个解码器分支的Y-Net结构，以解决神经网络在高频特征上的固有局限性 | 神经网络在高频特征上的固有局限性 | 提高相位全息图计算的高保真度和实时性能 | 声学全息成像中的相位全息图 | 计算机视觉 | NA | 生成对抗网络（GAN） | GAN, Y-Net | 声学全息图 | NA | NA | NA | NA | NA |