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 1262 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2025-10-06 |
Dual-stage artificial intelligence-powered screening for accurate classification of thyroid nodules: enhancing fine needle aspiration biopsy precision
2025-Jun-06, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-24-2336
PMID:40606376
|
研究论文 | 提出一种双阶段深度学习架构，用于甲状腺结节的四分类，旨在提高诊断准确性并减少不必要的穿刺活检 | 首次将K-Net分割与MobileViT分类相结合的双阶段架构，实现甲状腺结节四分类而非传统二分类 | 未提及外部验证集性能，样本来源和多样性信息不足 | 提高甲状腺结节分类准确性，减少不必要的细针穿刺活检 | 甲状腺结节超声图像 | 计算机视觉 | 甲状腺疾病 | 超声成像 | 深度学习 | 医学图像 | NA | PyTorch | K-Net, MobileViT | 准确率, 精确率, 召回率, 平均交并比 | NA |
| 262 | 2025-10-06 |
Diagnosis of thyroid nodules using ultrasound images based on deep learning features: online dynamic nomogram and gradient-weighted class activation mapping
2025-Jun-06, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-159
PMID:40606380
|
研究论文 | 本研究开发了一种基于超声图像和深度学习特征的甲状腺结节诊断集成模型，包含在线动态列线图和梯度加权类激活映射可视化 | 结合超声图像特征与深度学习特征构建集成诊断模型，并开发在线动态列线图工具和Grad-CAM可视化方法 | 回顾性研究设计，样本来源相对有限 | 提高年轻放射科医生对甲状腺结节的诊断能力 | 甲状腺结节患者 | 计算机视觉 | 甲状腺结节 | 超声成像 | 深度学习 | 图像 | 训练集1501张超声图像，测试集541名患者 | NA | 基于ImageNet预训练的5种深度学习模型 | AUC, NRI | NA |
| 263 | 2025-10-06 |
U-Net benign prostatic hyperplasia-trained deep learning model for prostate ultrasound image segmentation in prostate cancer
2025-Jun-06, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2024-2476
PMID:40606395
|
研究论文 | 开发基于良性前列腺增生超声图像训练的深度学习模型用于前列腺癌超声图像分割 | 首次证明使用良性前列腺增生患者超声图像训练的深度学习模型可有效应用于前列腺癌患者的超声图像分割 | 样本量相对有限，仅包含370张BPH图像和68张PCa图像 | 开发前列腺超声图像自动分割模型并验证其跨疾病应用的可行性 | 良性前列腺增生患者和前列腺癌患者的超声图像 | 医学图像分析 | 前列腺癌 | 超声成像 | 深度学习 | 图像 | 438张前列腺超声图像（260名BPH患者和62名PCa患者） | NA | U-Net, LinkNet, PSPNet | Dice系数, IoU | NA |
| 264 | 2025-10-06 |
Stroke subtypes risk prediction and detection using retinal vascular structure and oxygen saturation analysis
2025-Jun-06, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2024-2712
PMID:40606397
|
研究论文 | 本研究通过分析视网膜血管氧饱和度和结构特征，探索缺血性和出血性卒中亚型的风险预测与检测方法 | 首次针对卒中不同亚型进行视网膜血管氧饱和度和结构特征的全面分析，并创新性地将机器学习应用于视网膜图像进行卒中发生预测 | 样本量相对较小（缺血性卒中29例，出血性卒中23例，对照组82例），需要更大规模研究验证 | 开发基于视网膜生物标志物的卒中风险分层和预测工具 | 缺血性卒中患者、出血性卒中患者和健康对照者 | 医学影像分析 | 卒中 | 视网膜图像分析，氧饱和度测量，血管结构分析 | 逻辑回归，随机森林 | 视网膜图像 | 134例（29例缺血性卒中，23例出血性卒中，82例对照） | NA | NA | 准确率 | NA |
| 265 | 2025-10-06 |
Can diffusion-based generated magnetic resonance images predict glioma methylation accurately?
2025-Jun-06, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-24-1688
PMID:40606391
|
研究论文 | 开发基于扩散模型的生成方法，从加速T1加权扫描重建高质量MRI序列，同时保留胶质瘤诊断和MGMT预测所需的关键病理特征 | 首次将扩散模型应用于从加速T1加权扫描重建多序列MRI图像，并验证其在MGMT甲基化预测中的准确性 | 回顾性研究，使用单一数据集，需要进一步临床验证 | 开发能够从加速MRI扫描重建高质量图像并保留诊断特征的生成模型 | 胶质瘤患者 | 医学影像分析 | 脑肿瘤/胶质瘤 | 磁共振成像 | 扩散模型 | 医学影像 | BraTS 2021数据集共1,480例扫描（训练集785例，验证集695例） | NA | 扩散模型 | SSIM, PSNR, CCC, R2, AUC | NA |
| 266 | 2025-04-03 |
Deep Learning Unlocks the Prognostic Importance of Thoracic Aortic Calcification
2025-Jun, AJR. American journal of roentgenology
DOI:10.2214/AJR.25.33012
PMID:40172167
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 267 | 2025-10-06 |
Diagnostic performance of deep learning models in classifying mandibular third molar and mandibular canal contact status on panoramic radiographs: A systematic review and meta-analysis
2025-Jun, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20240239
PMID:40607067
|
系统综述与荟萃分析 | 通过系统综述和荟萃分析评估深度学习模型在全景X线片上分类下颌第三磨牙与下颌管接触状态的诊断性能 | 首次对基于卷积神经网络的深度学习模型在该特定诊断任务中的性能进行系统量化和异质性来源分析 | 纳入研究数量有限(7项)，存在高异质性(I2>90%)，患者选择偏倚风险领域常不明确 | 评估深度学习模型在全景X线片上识别下颌第三磨牙与下颌管接触的诊断准确性 | 下颌第三磨牙与下颌管的接触状态 | 数字病理 | 口腔疾病 | 全景X线摄影 | CNN | 医学影像 | 7项研究的4,955张全景X线片 | NA | VGG-16, AlexNet | 准确率, 灵敏度, 特异性, 精确率, F1分数 | NA |
| 268 | 2025-10-06 |
Automated quality evaluation of dental panoramic radiographs using deep learning
2025-Jun, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20240232
PMID:40607073
|
研究论文 | 本研究开发了一种基于深度学习的自动化系统，用于评估牙科全景X光片的质量 | 首次使用YOLOv8模型对牙科全景X光片进行多维度质量评估，包括伪影、覆盖区域、患者定位、对比度/密度和整体质量 | 样本量相对有限（1000张图像），模型在不同质量维度上的准确率存在差异（74.1%-97.9%） | 开发自动化牙科全景X光片质量评估系统，提高诊断效率和一致性 | 牙科全景X光片 | 计算机视觉 | 牙科疾病 | X射线成像 | YOLOv8 | 医学图像 | 1000张全景X光片（2018-2023年收集） | NA | YOLOv8 | 准确率 | NA |
| 269 | 2025-10-06 |
Deep learning for automated, motion-resolved tumor segmentation in radiotherapy
2025-Jun-30, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-025-00970-1
PMID:40588532
|
研究论文 | 开发用于放疗中自动运动分辨肿瘤分割的深度学习模型 | 首次开发能够自动分割肺肿瘤并在4D CT图像中传播以生成内靶体积的深度学习模型，捕捉呼吸运动期间的肿瘤运动 | 研究样本量相对有限，需要进一步多中心验证 | 提高放疗中肿瘤分割的准确性、可重复性和效率 | 肺肿瘤患者 | 医学影像分析 | 肺癌 | 4D CT成像 | 深度学习 | CT图像 | 训练集739例，两个独立验证集分别为161例和102例 | NA | 3D UNet | Dice系数 | NA |
| 270 | 2025-10-06 |
Revolutionizing gastroenterology and hepatology with artificial intelligence: From precision diagnosis to equitable healthcare through interdisciplinary practice
2025-Jun-28, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v31.i24.108021
PMID:40599184
|
综述 | 本文探讨人工智能在胃肠病学和肝病学领域的应用现状、挑战及未来发展前景 | 提出通过联邦学习解决数据稀缺问题，整合生成式AI和数字孪生技术，建立统一伦理/监管框架以加速AI在初级保健中的应用 | 模型泛化能力受限于碎片化数据集，罕见病（如儿科肝病）算法性能因训练数据不足而受限，存在偏见、问责制和患者隐私等未解决的伦理问题 | 推动人工智能在消化系统疾病精准诊疗和医疗公平性方面的应用 | 胃肠病和肝病患者，包括胃癌、结直肠息肉、肝纤维化、脂肪肝、肝细胞癌和炎症性肠病等 | 数字病理学 | 胃肠疾病,肝病 | 深度学习,影像组学,多模态数据整合,联邦学习 | 深度学习模型 | 内窥镜图像,医学影像,多模态数据 | NA | NA | 注意力热图可视化 | 诊断准确性 | NA |
| 271 | 2025-10-06 |
Deep learning for hydrocephalus prognosis: Advances, challenges, and future directions: A review
2025-Jun-27, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000043082
PMID:40587678
|
综述 | 探讨深度学习在脑积水的诊断和预后预测中的应用、挑战及未来发展方向 | 系统梳理深度学习在脑积水预后预测中的技术优势，重点关注基于影像、生化和结构化数据的多模态模型 | NA | 探索深度学习在脑积水精准医疗和个体化治疗中的应用潜力 | 脑积水患者 | 医学影像分析 | 脑积水 | 磁共振成像 | CNN | 医学影像, 生化数据, 结构化数据 | NA | NA | NA | 准确率, 敏感性, 特异性 | NA |
| 272 | 2025-07-04 |
Rethinking deep learning in bioimaging through a data centric lens
2025-Jun-26, Npj imaging..
DOI:10.1038/s44303-025-00092-0
PMID:40604161
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 273 | 2025-10-06 |
Learning from small datasets-review of workshop 6 of the 10th International BCI Meeting 2023
2025-Jun-24, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/addf80
PMID:40456256
|
综述 | 回顾第10届国际脑机接口会议2023年第6研讨会关于小数据集训练机器学习模型的内容 | 聚焦脑机接口领域小数据集训练的最新方法，涵盖传统机器学习和深度学习技术 | NA | 探索减少脑机接口校准时间的方法，通过最小化新数据点来训练解码器模型 | 脑机接口解码器模型的训练方法 | 机器学习 | NA | 脑机接口技术 | 分类模型,回归模型 | 脑电信号数据 | 小数据集 | Python | NA | NA | NA |
| 274 | 2025-10-06 |
Fast intraoperative detection of primary central nervous system lymphoma and differentiation from common central nervous system tumors using stimulated Raman histology and deep learning
2025-Jun-21, Neuro-oncology
IF:16.4Q1
DOI:10.1093/neuonc/noae270
PMID:39673805
|
研究论文 | 结合受激拉曼组织学与深度学习技术，实现术中快速检测原发性中枢神经系统淋巴瘤并与其他中枢神经系统肿瘤区分 | 首次将便携式拉曼散射显微镜与深度学习相结合，在3分钟内生成虚拟H&E样图像，实现术中快速准确诊断 | 研究样本来自四个三级国际医疗中心，需要进一步验证在更广泛医疗机构的适用性 | 开发快速术中诊断方法，准确区分原发性中枢神经系统淋巴瘤与其他中枢神经系统病变 | 中枢神经系统肿瘤和非肿瘤性病变组织样本，包括原发性中枢神经系统淋巴瘤、IDH野生型弥漫性胶质瘤和脑转移瘤 | 数字病理学 | 中枢神经系统淋巴瘤 | 受激拉曼组织学(SRH) | 深度学习 | 图像 | 54,000个SRH斑块图像，来自多个前瞻性国际多中心队列和独立测试队列 | NA | RapidLymphoma（基于自监督学习策略） | 平衡准确率, 敏感性, 特异性 | NA |
| 275 | 2025-10-06 |
Validation of an artificial intelligence-based algorithm for predictive performance and risk stratification of sepsis using real-world data from hospitalised patients: a prospective observational study
2025-Jun-20, BMJ health & care informatics
IF:4.1Q2
DOI:10.1136/bmjhci-2024-101353
PMID:40541404
|
研究论文 | 本研究通过前瞻性观察研究验证了基于深度学习的VC-SEPS算法在脓毒症预测和风险分层方面的性能 | 首次前瞻性比较医疗人工智能算法与传统评分系统在脓毒症预测中的表现，并验证了VC-SEPS算法的早期预测能力 | 研究仅基于单中心数据，样本量相对有限 | 验证VC-SEPS算法在脓毒症早期预测和风险分层中的性能 | 住院患者的电子病历数据 | 医疗人工智能 | 脓毒症 | 深度学习 | 深度学习算法 | 电子病历数据 | 6,455名患者（其中325名确诊脓毒症） | NA | VC-SEPS | AUC | NA |
| 276 | 2025-10-06 |
Prenatal detection of congenital heart defects using the deep learning-based image and video analysis: protocol for Clinical Artificial Intelligence in Fetal Echocardiography (CAIFE), an international multicentre multidisciplinary study
2025-Jun-05, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2025-101263
PMID:40473283
|
研究论文 | 本研究旨在开发基于深度学习的AI模型，通过分析胎儿超声图像和视频实时检测先天性心脏病 | 建立国际多中心多学科合作框架，整合回顾性和前瞻性超声扫描数据，开发实时检测胎儿先天性心脏病的AI模型 | 先天性心脏病罕见且异质性强，超声数据有限，目前AI模型检测准确性尚不足以满足临床应用需求 | 开发支持临床医生实时检测胎儿先天性心脏病的AI模型，特别是在专科资源匮乏地区 | 正常胎儿心脏和患有先天性心脏病的胎儿 | 计算机视觉 | 先天性心脏病 | 超声扫描 | 深度学习 | 图像,视频 | 16,400例回顾性和前瞻性超声扫描（13,000例正常心脏，1,000例先天性心脏病回顾性数据；2,000例正常心脏，400例主要先天性心脏病前瞻性数据） | NA | NA | 灵敏度,特异性,准确度,阳性预测值,阴性预测值 | NA |
| 277 | 2025-07-04 |
Retraction: A deep learning model for estimating sedation levels using heart rate variability and vital signs: a retrospective cross-sectional study at a center in South Korea
2025-Jun-02, Acute and critical care
IF:1.7Q3
DOI:10.4266/acc.2024.01200.r1
PMID:40602482
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 278 | 2025-10-06 |
Subclinical tremor differentiation using long short-term memory networks
2025-Jun, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01526-0
PMID:39992543
|
研究论文 | 本研究开发了一种基于LSTM网络的深度学习模型，用于区分帕金森病、特发性震颤和正常生理性震颤的亚临床震颤 | 首次将LSTM网络应用于亚临床震颤分类，在低振幅震颤分类准确率上比现有方法提升30-50% | 需要在更大、更多样化的数据集上进行验证，包括动作性震颤，模型可解释性有待提升 | 开发人工智能模型来区分帕金森病、特发性震颤和正常生理性震颤的亚临床震颤 | 51名帕金森病患者、15名特发性震颤患者和58名正常受试者的亚临床震颤数据 | 机器学习 | 帕金森病 | 惯性传感器数据采集 | LSTM | 时序传感器数据 | 124名受试者（51名PD、15名ET、58名正常） | NA | LSTM | 准确率 | NA |
| 279 | 2025-10-06 |
FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study
2025-Jun, The Lancet. Digital health
DOI:10.1016/j.landig.2025.03.002
PMID:40345937
|
研究论文 | 开发并验证了FaceAge深度学习系统，通过面部照片估计生物年龄以改善癌症患者预后预测 | 首个通过面部照片深度学习估计生物年龄并验证其在癌症预后中临床价值的系统 | 需要更大规模队列验证，尚未确认在其他疾病患者中的适用性 | 开发从面部照片估计生物年龄的深度学习系统并验证其临床预后价值 | 健康个体和癌症患者的面部照片数据 | 计算机视觉 | 癌症 | 深度学习 | CNN | 图像 | 训练集58,851名健康个体，验证集6,196名癌症患者 | NA | NA | 风险比, p值, 曲线下面积 | NA |
| 280 | 2025-10-06 |
The value of artificial intelligence in PSMA PET: a pathway to improved efficiency and results
2025-Jun, The quarterly journal of nuclear medicine and molecular imaging : official publication of the Italian Association of Nuclear Medicine (AIMN) [and] the International Association of Radiopharmacology (IAR), [and] Section of the Society of...
DOI:10.23736/S1824-4785.25.03640-4
PMID:40444499
|
系统综述 | 本系统综述探讨人工智能在前列腺特异性膜抗原PET扫描中提高准确性和效率的潜力 | 全面评估AI在PSMA PET扫描中应用的现状和潜力，涵盖多种AI算法及其在前列腺癌转移检测中的表现 | 纳入研究数量有限（22项），性能存在显著变异性，部分算法具有'黑箱'特性，需要更大规模的前瞻性研究 | 评估人工智能在PSMA PET扫描中改善前列腺癌转移检测准确性和效率的潜力 | 前列腺癌患者的前列腺特异性膜抗原PET扫描数据 | 医学影像分析 | 前列腺癌 | PSMA PET扫描 | 机器学习,深度学习,卷积神经网络 | PET影像数据 | 22项研究（包含前瞻性和回顾性设计） | NA | CNN | 敏感性,准确率,AUC,阳性预测值 | NA |