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 1223 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2025-10-06 |
Performance Evaluation of Four Deep Learning-Based CAD Systems and Manual Reading for Pulmonary Nodules Detection, Volume Measurement, and Lung-RADS Classification Under Varying Radiation Doses and Reconstruction Methods
2025-Jun-26, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131623
PMID:40647622
|
研究论文 | 评估四种基于深度学习的CAD系统和人工阅读在不同辐射剂量和重建方法下对肺结节检测、体积测量和Lung-RADS分类的性能 | 首次系统比较四种DL-CAD系统与人工阅读在不同辐射剂量和重建方法下的综合性能，特别关注体积渲染技术的增强作用 | DL-CAD系统在体积测量和部分实性结节的Lung-RADS分类准确性方面存在局限 | 优化肺结节检测在不同成像协议下的性能 | 169个人工肺结节 | 计算机视觉 | 肺癌 | CT扫描, 体积渲染 | 深度学习CAD系统 | CT图像 | 1080个图像集（3个剂量水平×2个内核×3个重建算法） | NA | NA | 灵敏度, 特异性, 体积误差, Lung-RADS分类准确率 | NA |
| 242 | 2025-10-06 |
Fusion-Based Deep Learning Approach for Renal Cell Carcinoma Subtype Detection Using Multi-Phasic MRI Data
2025-Jun-26, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131636
PMID:40647635
|
研究论文 | 提出基于深度学习的混合模型，利用多期相MRI数据对肾细胞癌亚型进行准确分类 | 结合对比剂注射前的T2期与注射后的动脉期和静脉期MRI数据进行综合分析 | NA | 为放射科医生提供肾细胞癌亚型分类的决策支持机制 | 肾细胞癌亚型 | 医学影像分析 | 肾细胞癌 | 多期相磁共振成像 | 深度学习混合模型 | MRI图像 | 1275张来自不同期相的MRI图像 | NA | NA | 准确率 | NA |
| 243 | 2025-10-06 |
Deep Learning with Transfer Learning on Digital Breast Tomosynthesis: A Radiomics-Based Model for Predicting Breast Cancer Risk
2025-Jun-26, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131631
PMID:40647630
|
研究论文 | 本研究开发了基于迁移学习的深度学习模型，用于数字乳腺断层合成图像的乳腺病变良恶性分类 | 首次将迁移学习应用于数字乳腺断层合成图像的放射组学分析，比较了两种CNN架构在乳腺病变分类中的表现 | 单中心回顾性研究，样本量有限，模型敏感度欠佳，临床适用性有待提高 | 开发基于深度学习的乳腺病变分类模型以支持临床决策和风险分层 | 184例经组织学或临床确诊的乳腺病变患者（107例良性，77例恶性） | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成成像 | CNN | 医学影像 | 184例患者，每个病例包含单个手动分割的病灶 | TensorFlow, PyTorch | ResNet50, DenseNet201 | ROC-AUC, 准确率, 敏感度, 特异度, 阳性预测值, 阴性预测值 | NA |
| 244 | 2025-10-06 |
CELM: An Ensemble Deep Learning Model for Early Cardiomegaly Diagnosis in Chest Radiography
2025-Jun-25, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131602
PMID:40647601
|
研究论文 | 本研究开发了一种集成深度学习模型CELM，用于胸部X光影像中的早期心脏扩大自动诊断 | 提出了一种新颖的基于堆叠的集成模型CELM，通过元分类器整合互补的CNN特征，并结合Vision Transformers实现高性能诊断 | 需要进一步的验证研究来确认模型在临床环境中的可靠性 | 开发自动诊断心脏扩大的深度学习模型，改善早期检测和临床干预 | 胸部X光影像中的心脏扩大病变 | 计算机视觉 | 心血管疾病 | 胸部X光成像 | CNN, Vision Transformer, 集成学习 | 图像 | 来自PadChest、NIH CXR、VinDr-CXR和CheXpert数据集的后前位胸部X光影像，构成最大最多样化的数据集之一 | NA | VGG16, ResNet50, InceptionV3, DenseNet121, DenseNet201, AlexNet, Vision Transformer, CELM | 准确率, 精确率, 召回率, F1分数, 特异性, AUC | NA |
| 245 | 2025-10-06 |
Early Diabetic Retinopathy Detection from OCT Images Using Multifractal Analysis and Multi-Layer Perceptron Classification
2025-Jun-25, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131616
PMID:40647615
|
研究论文 | 本研究提出了一种结合多重分形分析和多层感知器分类的早期糖尿病视网膜病变检测方法 | 首次将多重分形分析应用于OCT图像来检测早期糖尿病视网膜病变，并结合多层感知器实现高精度分类 | NA | 开发可靠的早期糖尿病视网膜病变自动筛查工具 | 糖尿病视网膜病变患者的OCT图像 | 医学影像分析 | 糖尿病视网膜病变 | 光学相干断层扫描 | 多层感知器 | 图像 | NA | NA | 多层感知器 | 准确率,精确率,召回率,F1分数 | NA |
| 246 | 2025-10-06 |
Pose estimation for pickleball players' kinematic analysis through MediaPipe-based deep learning: A pilot study
2025-Jun-25, Journal of sports sciences
IF:2.3Q2
DOI:10.1080/02640414.2025.2524283
PMID:40563204
|
研究论文 | 本研究通过基于MediaPipe的深度学习工具对匹克球运动员进行运动学分析，重点比较不同水平运动员在击球时的下肢角度和手腕运动差异 | 首次将MediaPipe深度学习工具应用于匹克球运动员的运动学分析，为教练提供快速监控运动参数的替代方案 | 样本量较小（14名男性运动员），仅分析了特定击球动作，未涉及足部位置和躯干旋转等其他生物力学参数 | 开发基于深度学习的运动分析工具，评估匹克球运动员的生物力学特征 | 匹克球运动员 | 计算机视觉 | NA | 深度学习，姿态估计 | MediaPipe | 视频 | 14名男性匹克球运动员（年龄46.5±10.5岁） | MediaPipe | MediaPipe姿态估计模型 | 统计显著性（p值） | NA |
| 247 | 2025-10-06 |
Deep Learning Methods for Automatic Identification of Male and Female Chickens in a Cage-Free Flock
2025-Jun-24, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani15131862
PMID:40646761
|
研究论文 | 本研究应用基于深度学习的目标检测模型，在无笼饲养环境中通过鸡冠大小和体型等表型特征自动识别公鸡和母鸡 | 首次在无笼饲养环境中创新应用YOLO系列模型，基于鸡冠大小和体型特征实现公鸡母鸡的自动识别 | 样本量有限（仅6只公鸡和200只母鸡），模型召回率有待提升 | 开发自动识别公鸡母鸡的深度学习模型，为家禽育种场的性能评估和遗传选择提供技术支持 | 洛曼LSL Lite品种的母鸡和公鸡 | 计算机视觉 | NA | 深度学习，目标检测 | YOLO | 图像 | 6只公鸡和200只母鸡，基于最多2500张图像 | NA | YOLOv5lu, YOLOv5xu, YOLOv11x, YOLOv11m | 精确率, 召回率, 平均精度均值(mAP), F1分数 | NA |
| 248 | 2025-10-06 |
Innovative Technologies Reshaping Meat Industrialization: Challenges and Opportunities in the Intelligent Era
2025-Jun-24, Foods (Basel, Switzerland)
DOI:10.3390/foods14132230
PMID:40646982
|
综述 | 系统回顾了第四次工业革命和人工智能技术驱动下肉类产业从机械化向智能化转型的关键技术创新与应用 | 首次系统整合物理技术（毫米级智能切割、脉冲电场杀菌等）与数字技术（物联网、区块链、AI决策）在肉类产业的协同创新，并探讨细胞培养肉和3D生物打印对传统模式的颠覆潜力 | 大规模应用面临成本高昂（如细胞培养肉生物反应器投资）、标准化缺失（非热技术参数缺乏统一标准）和消费者接受度低（仅25%愿意尝试培养肉）三大挑战 | 分析智能时代肉类产业技术创新的现状、挑战与发展机遇 | 肉类工业化生产体系中的物理技术、数字技术及替代肉生产技术 | 工业智能化 | NA | 脉冲电场杀菌、超声波辅助腌制、超高压处理、物联网监控、区块链溯源、3D生物打印、细胞培养 | 深度学习 | 传感器数据、生产数据 | NA | NA | NA | 杀菌效率（90%+）、腌制时间减少（12小时）、利润提升（26.98%） | NA |
| 249 | 2025-10-06 |
Robust Autism Spectrum Disorder Screening Based on Facial Images (For Disability Diagnosis): A Domain-Adaptive Deep Ensemble Approach
2025-Jun-24, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131601
PMID:40647600
|
研究论文 | 开发基于面部图像的鲁棒性自闭症谱系障碍筛查系统，采用领域自适应深度集成方法 | 提出ASD-UANet集成模型，结合Xception和ResNet50V2模型，采用加权集成策略(FPPR)处理多源数据不一致问题 | NA | 开发准确可靠的自闭症谱系障碍分类系统 | 自闭症谱系障碍患者的面部图像 | 计算机视觉 | 自闭症谱系障碍 | 深度学习 | 集成学习,迁移学习 | 图像 | 来自三个数据集的面部图像：Kaggle、YTUIA和UIFID | NA | Xception, ResNet50V2 | 准确率, AUC | NA |
| 250 | 2025-10-06 |
Clinical Context Is More Important than Data Quantity to the Performance of an Artificial Intelligence-Based Early Warning System
2025-Jun-23, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm14134444
PMID:40648818
|
研究论文 | 本研究探讨了基于深度学习的早期预警系统在不同临床数据完整性条件下的预测性能 | 发现临床背景信息比数据数量对AI预警系统性能更重要，挑战了传统对数据完整性的认知 | 回顾性单中心研究，可能限制结果的普适性 | 评估AI早期预警系统在不同临床数据缺失模式下的预测能力 | 成年住院患者 | 医疗人工智能 | 多种疾病 | 电子健康记录分析 | 深度学习 | 临床实验室数据 | 单中心住院患者队列 | NA | NA | 区分能力 | NA |
| 251 | 2025-10-06 |
Scalable Nuclei Detection in HER2-SISH Whole Slide Images via Fine-Tuned Stardist with Expert-Annotated Regions of Interest
2025-Jun-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15131584
PMID:40647583
|
研究论文 | 提出一种基于微调Stardist的可扩展深度学习框架，用于HER2-SISH全玻片图像中的细胞核检测 | 结合预训练Stardist模型与基于图像处理的标注，并在特定领域数据集上进行微调以提升泛化能力 | 仅使用100个专家标注区域和20个全玻片图像，样本规模有限 | 开发自动化细胞核检测方法以提升HER2基因表达的组织评分准确性 | HER2-SISH全玻片图像中的细胞核 | 数字病理学 | 乳腺癌 | 银原位杂交(SISH) | Stardist | 全玻片图像 | 20个全玻片图像中提取的100个专家标注区域 | NA | Stardist | F1-score, 准确率, 召回率 | NA |
| 252 | 2025-10-06 |
Socializing AI: Integrating Social Network Analysis and Deep Learning for Precision Dairy Cow Monitoring-A Critical Review
2025-Jun-20, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani15131835
PMID:40646734
|
综述 | 本文批判性分析奶牛行为识别领域的最新进展，重点探讨人工智能技术与社交网络分析的整合方法 | 提出将Transformer模型、多视角跟踪与社交网络分析相结合的新方法框架，包括姿态感知SNA框架和多相机融合技术 | 当前应用仍有限，存在遮挡、标注瓶颈、数据集多样性不足和泛化能力有限等挑战 | 通过整合AI与社交网络分析提升奶牛监测精度，改善动物福利和牧场管理效率 | 奶牛行为识别与社交互动分析 | 计算机视觉 | NA | 多视角跟踪，社交网络分析 | CNN, LSTM, Transformer | 视频，行为数据 | NA | NA | YOLO, EfficientDet, BiLSTM, convLSTM | NA | NA |
| 253 | 2025-10-06 |
Experimental Evaluation and Machine Learning-Based Prediction of Laser Cutting Quality in FFF-Printed ABS Thermoplastics
2025-Jun-20, Polymers
IF:4.7Q1
DOI:10.3390/polym17131728
PMID:40647739
|
研究论文 | 本研究通过实验评估和机器学习方法预测CO激光切割FFF打印ABS热塑性塑料的切割质量 | 结合传统实验方法与七种机器学习模型（包括传统、集成和深度学习算法）预测激光切割质量，其中LSTM-GRU模型表现最佳 | 研究仅针对ABS材料，未涉及其他热塑性塑料；实验样本数量有限（45次试验） | 优化3D打印ABS零件的后处理策略，提高聚合物增材制造的精度和效率 | FFF打印的ABS热塑性塑料板材 | 机器学习 | NA | CO激光切割，Fused Filament Fabrication (FFF) | Linear Regression, Support Vector Regression, Extreme Gradient Boosting, Random Forest, LSTM, LSTM-GRU, LSTM-XGBoost | 实验测量数据 | 45次实验试验 | NA | LSTM, GRU, XGBoost, Random Forest | 预测性能指标 | NA |
| 254 | 2025-10-06 |
Pediatric pancreas segmentation from MRI scans with deep learning
2025-Jun-16, Pancreatology : official journal of the International Association of Pancreatology (IAP) ... [et al.]
IF:2.8Q2
DOI:10.1016/j.pan.2025.06.006
PMID:40645819
|
研究论文 | 评估和验证用于儿童胰腺MRI分割的深度学习算法PanSegNet | 首个经过验证的用于胰腺MRI分割的深度学习解决方案，在健康和疾病状态下均达到专家级性能 | 回顾性研究，样本量相对有限（84例MRI扫描） | 开发用于儿童胰腺MRI分割的深度学习算法 | 2-19岁儿童，包括急性胰腺炎、慢性胰腺炎患者和健康对照 | 医学影像分析 | 胰腺炎 | MRI扫描 | 深度学习 | MRI图像 | 84例MRI扫描（42例胰腺炎患者，42例健康儿童） | NA | PanSegNet | Dice相似系数, 95百分位Hausdorff距离, Cohen's kappa, R平方 | NA |
| 255 | 2025-10-06 |
Deep learning-based differentiation of benign and malignant thyroid follicular neoplasms on multiscale intraoperative frozen pathological images: A multicenter diagnostic study
2025-Jun-30, Chinese journal of cancer research = Chung-kuo yen cheng yen chiu
|
研究论文 | 开发基于深度学习的多尺度图像学习系统用于甲状腺滤泡性肿瘤良恶性鉴别 | 首次构建基于多尺度（10×、20×、40×）全切片图像的深度学习系统用于甲状腺滤泡性肿瘤的术中冰冻病理诊断 | 研究样本量相对有限（1,213例），需进一步扩大验证 | 开发能够准确区分甲状腺滤泡性肿瘤良恶性的深度学习诊断系统 | 甲状腺滤泡性肿瘤患者的术中冰冻病理切片 | 数字病理 | 甲状腺癌 | 术中冰冻病理 | 深度学习弱监督方法 | 多尺度全切片图像 | 1,213例患者，分为训练验证集、内部测试集、外部测试集和前瞻性测试集 | NA | NA | AUC | NA |
| 256 | 2025-10-06 |
PhytoCluster: a generative deep learning model for clustering plant single-cell RNA-seq data
2025-Jun, aBIOTECH
IF:4.6Q1
DOI:10.1007/s42994-025-00196-6
PMID:40641652
|
研究论文 | 提出了一种名为PhytoCluster的无监督深度学习模型，用于植物单细胞RNA测序数据的聚类分析 | 开发了专门针对植物scRNA-seq数据的深度聚类算法，能够有效提取潜在特征并处理数据高维度和稀疏性问题 | 未提及模型在特定植物物种或组织类型上的适用性限制 | 开发能够准确聚类植物单细胞RNA测序数据的计算方法 | 植物单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序(scRNA-seq) | 生成式深度学习模型 | 单细胞RNA测序数据 | 4个模拟数据集和5个真实scRNA-seq数据集 | NA | NA | 聚类准确度, 噪声去除, 信号保留 | NA |
| 257 | 2025-10-06 |
Artificial Intelligence in cancer epigenomics: a review on advances in pan-cancer detection and precision medicine
2025-Jun-14, Epigenetics & chromatin
IF:4.2Q1
DOI:10.1186/s13072-025-00595-5
PMID:40517231
|
综述 | 本文综述人工智能在癌症表观基因组学中的应用进展，重点关注泛癌检测和精准医学 | 系统探讨AI与DNA甲基化分析的协同作用，推动多癌种早期检测和精准肿瘤学发展 | 早期癌症检测灵敏度有限、AI算法黑箱问题、缺乏多样化人群验证 | 探索人工智能如何通过DNA甲基化分析推进癌症精准医疗 | DNA甲基化谱和癌症表观遗传数据 | 机器学习 | 泛癌种 | DNA甲基化分析 | 深度学习网络, 图模型 | 表观遗传数据 | NA | NA | NA | 诊断准确率 | NA |
| 258 | 2025-06-16 |
Commentary on "Photodiagnosis with deep learning: A GAN and autoencoder-based approach for diabetic retinopathy detection" by Gencer et al., 2025
2025-Jun-13, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2025.104666
PMID:40516582
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 259 | 2025-10-06 |
Deep convolutional neural networks for early detection of interproximal caries using bitewing radiographs: A systematic review
2025-Jun, Evidence-based dentistry
DOI:10.1038/s41432-025-01134-7
PMID:40114013
|
系统综述 | 系统综述深度卷积神经网络在咬翼片上检测邻面龋的应用效果 | 首次系统评估不同深度卷积神经网络模型在咬翼片邻面龋检测中的性能比较，特别指出YOLOv8模型的优势 | 纳入研究数量有限（仅10篇），样本量差异大（112-3989名参与者），仅40%研究在参考标准领域偏倚风险较低 | 评估深度卷积神经网络在咬翼片上检测邻面龋的诊断准确性和临床应用价值 | 咬翼片X光影像中的邻面龋病变 | 计算机视觉 | 龋齿 | 口腔X射线成像 | CNN | 医学影像 | 10项研究，参与者数量从112到3989不等 | NA | YOLOv8, 深度卷积神经网络 | 诊断准确性 | NA |
| 260 | 2025-10-06 |
Analysis of influenza-like illness trends in Saudi Arabia: a comparative study of statistical and deep learning techniques
2025-Jun, Osong public health and research perspectives
IF:2.1Q3
DOI:10.24171/j.phrp.2025.0080
PMID:40501115
|
研究论文 | 比较Holt-Winters统计方法和LSTM深度学习模型在沙特阿拉伯流感样疾病趋势预测中的性能 | 首次在中东流行病学建模中整合区域特异性外生变量（气候条件和人口流动趋势）进行流感预测 | 研究期间包含COVID-19大流行可能影响流感数据模式，模型在高峰发病率波动期间表现不稳定 | 开发和评估流感样疾病周发病率预测模型 | 沙特阿拉伯2017-2022年每周流感样疾病发病率数据 | 机器学习 | 流感 | 时间序列分析 | LSTM, Holt-Winters | 时间序列数据 | 2017-2022年沙特阿拉伯每周流感数据 | NA | LSTM | RMSE, MAE, R2, PBIAS | NA |