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 1237 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2025-06-09 |
Association between age and lung cancer risk: evidence from lung lobar radiomics
2025-Jun-05, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01747-5
PMID:40474072
|
research paper | 本研究通过定量放射组学特征探讨年龄与肺癌风险之间的关系 | 首次利用放射组学特征揭示肺叶特异性老化模式及其与肺癌风险的关联 | 研究仅基于基线CT扫描，未考虑时间动态变化 | 探索年龄如何通过肺叶放射组学特征影响肺癌发生 | 29,810名温岭肺癌筛查队列参与者 | digital pathology | lung cancer | CT成像 | 深度学习分割方法 | 医学影像 | 29,810名参与者（其中13,137名从不吸烟者） | NA | NA | NA | NA |
| 802 | 2025-06-09 |
A radiogenomics study on 18F-FDG PET/CT in endometrial cancer by a novel deep learning segmentation algorithm
2025-Jun-05, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-14392-6
PMID:40474131
|
研究论文 | 本研究开发了一种自动化的PET/CT分割方法和放射组学模型，用于预测子宫内膜癌患者的MMR和TP53基因表达，并探讨了基因表达变异对图像纹理特征的影响 | 提出了一种基于PET的Attention-U Net网络进行分割，并结合PET和CT图像的联合模型，显著提高了对MMR和TP53基因表达的预测能力 | 研究为回顾性和探索性研究，样本量相对有限，且未涉及其他潜在影响基因表达的变量 | 开发自动化分割方法和放射组学模型，预测子宫内膜癌患者的基因表达 | 子宫内膜癌患者 | 数字病理 | 子宫内膜癌 | PET/CT成像，免疫组化分析 | Attention-U Net | 医学影像（PET/CT） | 123例用于分割模型开发，249例用于MMR预测，179例用于TP53预测 | NA | NA | NA | NA |
| 803 | 2025-06-09 |
Artificial intelligence-based detection of dens invaginatus in panoramic radiographs
2025-Jun-05, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06317-3
PMID:40474238
|
research paper | 本研究旨在使用深度学习算法自动检测全景X光片中的牙齿内陷（DI），并比较不同算法的成功性 | 首次应用深度学习算法（YOLOv8、YOLOv9、Faster R-CNN）在全景X光片中自动检测牙齿内陷（DI） | 研究样本仅来自单一学院的数据库，可能缺乏多样性 | 自动检测牙齿内陷（DI）以提高诊断效率和准确性 | 400张包含牙齿内陷（DI）的全景X光片 | computer vision | dental disease | deep learning | YOLOv8, YOLOv9, Faster R-CNN | image | 400张全景X光片（60%训练，20%验证，20%测试） | NA | NA | NA | NA |
| 804 | 2025-06-09 |
Deep learning based rapid X-ray fluorescence signal extraction and image reconstruction for preclinical benchtop X-ray fluorescence computed tomography applications
2025-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03900-0
PMID:40467695
|
research paper | 提出了一种基于深度学习的端到端框架，用于快速X射线荧光信号提取和图像重建，以应用于临床前台式X射线荧光计算机断层扫描 | 整合了一维卷积神经网络（1D CNN）和U-Net模型，实现了XRF信号提取和XFCT图像重建的快速处理，显著减少了后处理时间 | 研究主要基于实验和合成数据，尚未在真实活体小鼠中进行广泛验证 | 解决台式X射线荧光计算机断层扫描（XFCT）在活体小鼠成像中的快速信号提取和图像重建问题 | 注射金纳米颗粒（GNPs）的活体小鼠的X射线荧光信号和图像 | digital pathology | NA | X-ray fluorescence computed tomography (XFCT) | 1D CNN, U-Net | X-ray fluorescence (XRF) signal, scatter photon spectra | 实验获取和增强的XRF/散射光子光谱数据，包括各种GNP浓度和成像场景的体模和合成小鼠模型 | NA | NA | NA | NA |
| 805 | 2025-06-09 |
Deep learning-assisted attribute prediction of chalcogenide glasses based on graph classification
2025-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04391-9
PMID:40461539
|
研究论文 | 本文提出了一种基于图的深度学习方法，用于高效预测硫系玻璃的关键性能 | 采用基于图的深度学习方法，解决了传统机器学习方法在多性能协同优化方面的不足 | NA | 加速硫系玻璃的成分-结构-性能关系探索 | 硫系玻璃 | 材料科学 | NA | 深度学习 | 基于图的深度学习模型 | 实验数据 | 从SciGlass数据库中收集的相关数据 | NA | NA | NA | NA |
| 806 | 2025-06-09 |
Benchmarking the methods for predicting base pairs in RNA-RNA interactions
2025-Jun-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf289
PMID:40327448
|
research paper | 该研究评估了23种预测RNA-RNA相互作用中碱基对的方法，并发现基于深度学习的方法SPOT-RNA在零样本预测中表现优异 | 使用RNA三维复合物结构中的碱基对作为金标准基准，评估了包括深度学习方法在内的多种预测工具 | 实验确定的RNA-RNA相互作用在碱基对分辨率上仍具有挑战性 | 评估和比较不同计算工具在预测RNA-RNA相互作用中碱基对的性能 | RNA-RNA相互作用中的碱基对 | computational biology | NA | deep-learning, alignment-based methods, free-energy-based minimization | SPOT-RNA | RNA complex structures | 23种不同的预测方法 | NA | NA | NA | NA |
| 807 | 2025-10-06 |
A Deep Learning-Derived Transdiagnostic Signature Indexing Hypoarousal and Impulse Control: Implications for Treatment Prediction in Psychiatric Disorders
2025-Jun, Biological psychiatry. Cognitive neuroscience and neuroimaging
DOI:10.1016/j.bpsc.2024.07.027
PMID:39142534
|
研究论文 | 本研究开发了一种基于深度学习的跨诊断生物标志物，用于评估低唤醒和冲动控制问题，并预测精神疾病的治疗效果 | 首次将纺锤状过度β脑电活动作为跨诊断生物标志物，结合深度学习算法，能够同时预测注意力缺陷多动障碍和重度抑郁症的治疗反应 | 研究结果需要更多独立数据集验证，样本特征可能存在选择偏倚 | 探索基于研究领域标准框架的跨诊断生物标志物在精神疾病诊断和治疗预测中的应用 | 精神疾病患者，包括注意力缺陷多动障碍和重度抑郁症患者 | 机器学习 | 精神疾病 | 脑电图 | 深度学习算法 | 脑电信号 | 数据集1: 3279例；iSPOT-A: 336例；iSPOT-D: 1008例 | NA | NA | 诊断准确性，治疗缓解率预测 | NA |
| 808 | 2025-06-09 |
Spotlights on novel strategic innovations on the artificial intelligence and deep learning driven quality control focuses in transfusion medicine, to optimize blood component safety and efficacy and minimize the potential pitfalls
2025-Jun, Transfusion and apheresis science : official journal of the World Apheresis Association : official journal of the European Society for Haemapheresis
IF:1.4Q4
DOI:10.1016/j.transci.2025.104153
PMID:40339482
|
research paper | 本文探讨了人工智能和深度学习在输血医学质量控制中的创新应用，以提高血液成分的安全性和有效性 | 结合人工智能和机器学习，实现输血医学质量控制的自动化、实时监测和预测分析 | 伦理和法规合规性仍需确保，包括透明度、偏见缓解和数据安全 | 优化输血医学中的质量控制，提高血液成分的安全性和有效性 | 输血医学中的质量控制流程和血液成分 | machine learning | NA | AI, ML, deep learning | NA | NA | NA | NA | NA | NA | NA |
| 809 | 2025-05-15 |
Three pillars of artificial intelligence research in anesthesiology: welcoming address to the Korean Journal of Anesthesiology's new guidelines for machine learning and deep learning research
2025-Jun, Korean journal of anesthesiology
IF:4.2Q1
DOI:10.4097/kja.25318
PMID:40364621
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 810 | 2025-06-09 |
AITom: AI-guided cryo-electron tomography image analyses toolkit
2025-Jun, Journal of structural biology
IF:3.0Q3
DOI:10.1016/j.jsb.2025.108207
PMID:40378936
|
研究论文 | 介绍了一个名为AITom的开源人工智能平台，专为冷冻电子断层扫描（cryo-ET）研究人员设计，用于三维亚细胞成分的定位、识别、分割和结构恢复 | AITom整合了公共和专有算法，支持传统的基于模板和无模板方法，以及最先进的深度学习技术，为冷冻电子断层扫描数据分析提供了全面的解决方案 | 未明确提及具体限制 | 开发高效准确的大规模图像分析方法，以解决冷冻电子断层扫描在亚细胞成分分析中的挑战 | 冷冻电子断层扫描图像中的三维亚细胞成分 | 结构生物学 | NA | 冷冻电子断层扫描（cryo-ET） | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 811 | 2025-06-09 |
Deep learning-assisted analysis of biomarker changes after increase of dosing from aflibercept 2 mg to 8 mg in therapy-resistant neovascular age-related macular degeneration
2025-Jun-01, BMJ open ophthalmology
IF:2.0Q2
DOI:10.1136/bmjophth-2025-002176
PMID:40451292
|
research paper | 本研究使用深度学习辅助分析，评估了aflibercept 8 mg在治疗抵抗性新生血管性年龄相关性黄斑变性患者中的疗效 | 首次在真实世界环境中评估aflibercept 8 mg的疗效，并采用深度学习算法进行生物标志物量化分析 | 样本量较小（23只眼），且为回顾性研究设计 | 评估高剂量aflibercept在治疗抵抗性nAMD患者中的疗效和安全性 | 21名治疗抵抗性新生血管性年龄相关性黄斑变性患者（23只眼） | digital pathology | age-related macular degeneration | optical coherence tomography | deep learning-based semantic segmentation algorithm | medical imaging | 23 eyes from 21 patients | NA | NA | NA | NA |
| 812 | 2025-06-09 |
Quantifying Healthcare Provider Perceptions of a Novel Deep Learning Algorithm to Predict Sepsis: Electronic Survey
2025-Jun-01, Critical care explorations
DOI:10.1097/CCE.0000000000001276
PMID:40466050
|
research paper | 该研究通过电子调查评估了医护人员对一种新型深度学习算法预测败血症的接受度和感知 | 研究聚焦于医护人员对深度学习败血症预测模型的接受度和反馈，填补了算法开发与临床应用之间的空白 | 样本量较小（114份回复），且仅来自两个急诊科，可能限制结果的普遍性 | 评估医护人员对急诊科深度学习败血症预测模型的感知和接受度 | 急诊科的医生、注册护士和护士执业者/医师助理 | digital pathology | sepsis | deep learning | COMPOSER | survey responses | 114 responses (76 doctors, 34 nurses, 4 nurse practitioners/physician assistants) | NA | NA | NA | NA |
| 813 | 2025-10-06 |
Performance evaluation of deep learning models for the classification and identification of dental implants
2025-Jun, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2023.07.009
PMID:37679236
|
研究论文 | 本研究评估了基于目标检测的深度学习模型在牙科种植体分类与识别中的性能表现 | 首次使用目标检测模型对103种牙科种植体设计进行分类识别，并比较了不同算法版本和数据增强技术的效果 | 图像数量少于50的类别被排除在训练数据集外，可能影响模型对稀有种植体类型的识别能力 | 评估目标检测深度学习模型在牙科种植体设计分类中的性能 | 从全景X光片中提取的14,037个牙科种植体图像 | 计算机视觉 | NA | 全景X光成像 | YOLO | 医学图像 | 14,037个种植体图像，分为10个冠部类别、13个中部类别和10个根尖类别 | NA | YOLOv5, YOLOv7 | 平均精度均值(mAP) | NA |
| 814 | 2025-06-08 |
Advancing Alzheimer's disease detection: a novel convolutional neural network based framework leveraging EEG data and segment length analysis
2025-Jun-04, Brain informatics
DOI:10.1186/s40708-025-00260-3
PMID:40464817
|
research paper | 提出了一种基于卷积神经网络（CNN）的框架，利用EEG数据和分段长度分析来检测阿尔茨海默病（AD） | 该研究创新性地探讨了EEG信号分段长度对分类准确性的影响，并提出了一个深度学习框架来优化AD检测 | 研究中使用的数据集来自单一公开来源，可能限制了模型的泛化能力 | 开发一种高效的临床算法，用于阿尔茨海默病的早期检测和生物标志物识别 | 阿尔茨海默病患者和额颞叶痴呆患者的EEG数据 | digital pathology | geriatric disease | EEG | CNN | EEG信号 | 公开数据集来自AHEPA General University Hospital of Thessaloniki | NA | NA | NA | NA |
| 815 | 2025-06-08 |
A Dataset of Raman and Infrared Spectra as an Extension to the ChEMBL
2025-Jun-04, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05289-x
PMID:40467651
|
research paper | 本文构建了一个包含拉曼光谱和红外光谱的数据集，作为ChEMBL的扩展，用于支持材料科学中的深度学习研究 | 应用Gaussian09构建了一个包含22万分子的拉曼和红外光谱数据集，扩展了现有量子化学数据集的广度和深度 | 数据集仍在不断增加和定期更新中，当前可能尚未覆盖所有分子类型 | 解决当前光谱数据集中数据不足的问题，支持下一代模型的训练和基准测试 | 从ChEMBL提取的分子及其光谱数据 | material science | NA | Raman spectroscopy, Infrared spectroscopy, Gaussian09 | NA | spectral data | 220,000 molecules | NA | NA | NA | NA |
| 816 | 2025-06-08 |
A blockchain based deep learning framework for a smart learning environment
2025-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03688-z
PMID:40467714
|
研究论文 | 提出一个基于区块链和深度学习的智能框架，以增强智能学习过程并解决该领域的挑战 | 结合区块链和深度学习技术，确保学习者数据的安全性和完整性，同时预测学习者表现 | 未提及具体实施中的技术难点或潜在问题 | 提升智能学习过程的安全性和效率 | 教育机构和学习者 | 机器学习 | NA | 区块链、深度学习 | 深度神经网络 | 学习者数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 817 | 2025-06-08 |
A neuromorphic electronic artist for robotic painting
2025-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92081-x
PMID:40467759
|
研究论文 | 介绍了一种基于神经形态电子技术的机器人绘画系统，能够生成动态笔触 | 首次将神经形态相机和混合信号神经形态处理器结合用于机器人绘画，实现了超低延迟的实时闭环自适应控制 | 仅展示了基础笔触生成能力，尚未实现复杂绘画作品 | 开发具有生物逼真动态响应能力的机器人绘画系统 | 6自由度机械臂、动态视觉传感器(DVS)相机、神经形态处理器 | 机器人技术 | NA | 动态视觉传感(DVS)、神经形态计算 | 脉冲神经网络(SNN) | 事件流数据 | NA | NA | NA | NA | NA |
| 818 | 2025-06-08 |
Optimization of deep learning architecture based on multi-path convolutional neural network algorithm
2025-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03765-3
PMID:40467835
|
research paper | 本研究针对多流卷积神经网络在路径协作、特征融合和资源利用方面的局限性，提出了一种基于动态路径协作机制和轻量级设计的优化模型 | 创新性地引入了路径注意力机制和特征共享模块，采用自注意力融合方法提升特征融合效率，并结合路径选择和模型剪枝技术实现模型性能与计算资源需求的平衡 | 未提及具体模型在更广泛数据集上的泛化能力测试 | 提升多流卷积神经网络的特征提取能力、计算效率和模型鲁棒性 | 多流卷积神经网络架构 | computer vision | NA | deep learning | multi-path CNN | image | 三个数据集（CIFAR-10、ImageNet和Custom Dataset） | NA | NA | NA | NA |
| 819 | 2025-06-08 |
A hybrid GAN-based deep learning framework for thermogram-based breast cancer detection
2025-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04676-z
PMID:40467954
|
research paper | 提出了一种基于GAN和混合深度学习模型的乳腺癌检测框架，用于提高热成像图像的诊断准确性 | 结合GAN和混合深度学习模型，通过生成合成ROI增强数据集，提升分类性能 | 未提及具体临床验证的样本多样性及实际应用中的潜在限制 | 提高乳腺癌早期检测的准确性和效率 | 热成像图像中的乳腺癌检测 | digital pathology | breast cancer | GAN, Hybrid Deep Learning | GAN, HDL | image | DMR-IR benchmark dataset（具体样本数量未提及） | NA | NA | NA | NA |
| 820 | 2025-06-08 |
Advancing blood cell detection and classification: performance evaluation of modern deep learning models
2025-Jun-04, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03027-2
PMID:40468312
|
研究论文 | 本文评估了现代深度学习模型在血细胞检测和分类中的性能 | 采用YOLO检测和混合CNN分类的两步方法，并在实时性能、计算效率和特征提取方面与其他先进模型进行了全面比较 | 未明确提及具体局限性 | 自动化血细胞计数过程，减少人工操作 | 血细胞 | 计算机视觉 | 贫血、白血病、感染 | 深度学习 | YOLO、CNN、MobileNetV2、ShuffleNetV2、DarkNet | 图像 | 包含多样化的血细胞图像数据集，具体数量未明确说明 | NA | NA | NA | NA |