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 1121 - 1140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1121 | 2025-05-16 |
Impact of deep learning reconstruction on radiation dose reduction and cancer risk in CT examinations: a real-world clinical analysis
2025-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11212-6
PMID:39613960
|
research paper | 本研究评估了深度学习重建（DLR）在CT检查中降低辐射剂量和癌症风险的实际效果 | 首次利用真实世界临床数据分析DLR对辐射诱发癌症风险的影响 | 研究为单中心回顾性分析，可能存在选择偏倚 | 评估DLR技术对CT检查辐射剂量和癌症风险的降低效果 | 接受全身CT检查的成年患者 | medical imaging | radiation-induced cancer | deep learning reconstruction (DLR) | NA | CT scan data | 5247 matched cases (pre-DLR) + 5247 matched cases (post-DLR) | NA | NA | NA | NA |
| 1122 | 2025-05-16 |
Evaluation of a deep learning prostate cancer detection system on biparametric MRI against radiological reading
2025-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11287-1
PMID:39699671
|
研究论文 | 本研究评估了一种基于双参数MRI的深度学习系统在检测临床显著性前列腺癌方面的性能，并与放射学解读进行了比较 | 开发了一个3D nnU-Net模型用于前列腺癌检测，在独立测试队列中表现优于放射科医生，特别是在中等和大尺寸病灶检测上 | 对小病灶的检测仍然具有挑战性 | 评估深度学习系统在前列腺癌检测中的性能 | 临床显著性前列腺癌(csPCa)，定义为Gleason Grade Group (GGG) ≥ 2 | 数字病理 | 前列腺癌 | 双参数MRI(bpMRI) | 3D nnU-Net | 医学影像 | 训练集4381例bpMRI病例(3800阳性，581阴性)，测试集328例来自PROSTATEx数据集 | NA | NA | NA | NA |
| 1123 | 2025-05-15 |
Light scattering imaging modal expansion cytometry for label-free single-cell analysis with deep learning
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108726
PMID:40112688
|
研究论文 | 本研究开发了一种基于深度学习的模态扩展细胞术，用于无标记单细胞分析 | 提出了一种新的网络优化方法，结合对抗损失、L1距离损失和VGG感知损失，将单模光散射图像扩展为多模态图像 | 实验验证仅限于模拟图像、标准球体和特定细胞类型（如宫颈癌细胞和白血病细胞） | 开发一种无标记单细胞分析方法，用于药物开发、疾病诊断和个性化医疗 | 宫颈癌细胞和白血病细胞 | 数字病理学 | 宫颈癌、白血病 | 光散射成像 | 深度学习 | 图像 | 模拟图像、标准球体和多种细胞类型（如宫颈癌细胞和白血病细胞） | NA | NA | NA | NA |
| 1124 | 2025-05-15 |
The impact of training image quality with a novel protocol on artificial intelligence-based LGE-MRI image segmentation for potential atrial fibrillation management
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108722
PMID:40112687
|
研究论文 | 本研究开发了一种基于深度学习的自动化分割流程，通过标准化标记协议提高LGE-MRI图像分割的准确性和效率，以支持心房颤动患者的消融治疗 | 采用标准化标记协议和预训练的RIFE模型，显著提高了神经网络在心房LGE-MRI图像分割中的性能 | 研究结果依赖于手动标记的数据，可能存在主观误差，且样本量未明确说明 | 开发高效的自动化深度学习分割流程，以改善心房颤动患者的消融治疗效果 | 心房颤动患者的LGE-MRI图像 | 数字病理学 | 心血管疾病 | LGE-MRI | nnU-Net, smpU-Net++, RIFE | 图像 | NA | NA | NA | NA | NA |
| 1125 | 2025-10-07 |
Rapid detection of the viability of naturally aged maize seeds using multimodal data fusion and explainable deep learning techniques
2025-Jun-30, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.143692
PMID:40068265
|
研究论文 | 本研究提出了一种基于多模态数据融合和可解释深度学习技术的玉米种子活力快速检测方法 | 首次将多传感器信息融合与可解释深度学习相结合用于自然老化玉米种子活力检测，提出了MSCNSVN模型 | NA | 提高玉米种子活力检测的准确性和可解释性 | 自然老化的玉米种子 | 计算机视觉 | NA | 多传感器数据采集（MV, RS, TS, FS, SS） | 深度学习 | 多模态传感器数据 | NA | NA | MSCNSVN | 准确率 | NA |
| 1126 | 2025-10-07 |
Online assessment of soluble solids content in strawberries using a developed Vis/NIR spectroscopy system with a hanging grasper
2025-Jun-30, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.143671
PMID:40073605
|
研究论文 | 开发了一种基于可见/近红外光谱的悬挂式草莓可溶性固形物含量在线检测系统 | 采用悬挂式传输方式结合深度学习方法的在线检测系统，解决了草莓易损伤和检测效率问题 | 研究主要针对草莓，对其他小型易损水果的适用性需要进一步验证 | 实现在线检测草莓内部品质（可溶性固形物含量） | 草莓 | 光谱分析 | NA | 可见/近红外光谱技术 | PLSR, 1D-CNN, LSTM | 光谱数据 | NA | NA | 1D-CNN-LSTM | RPD, R, RMSEP | NA |
| 1127 | 2025-10-07 |
Artificial intelligence driven plaque characterization and functional assessment from CCTA using OCT-based automation: A prospective study
2025-Jun-01, International journal of cardiology
IF:3.2Q2
DOI:10.1016/j.ijcard.2025.133140
PMID:40064207
|
研究论文 | 开发并验证一种基于CCTA和OCT图像的AI模型，用于自动分析斑块特征和冠状动脉功能 | 首次将CCTA与OCT图像结合，通过深度学习实现斑块特征的自动分析和冠状动脉功能评估 | 样本量相对较小（100例患者），需在更大规模研究中进一步验证 | 开发自动化斑块特征分析和冠状动脉功能评估的AI模型 | 接受侵入性冠状动脉造影、OCT和CCTA检查的冠心病患者 | 医学影像分析 | 心血管疾病 | CCTA, OCT, 深度学习 | CNN | 医学影像（断层扫描图像） | 100例患者，21,471张断层扫描图像 | NA | 卷积神经网络 | McNemar检验, ICC, AUC | NA |
| 1128 | 2025-10-07 |
Genetic Distinctions Between Reticular Pseudodrusen and Drusen: A Genome-Wide Association Study
2025-Jun, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.03.007
PMID:40064387
|
研究论文 | 通过全基因组关联研究识别网状假性玻璃膜疣与玻璃膜疣之间的遗传差异 | 首次通过深度学习分析OCT影像识别病例，发现了三个与网状假性玻璃膜疣相关的罕见遗传变异位点 | 样本量有限，特别是纯网状假性玻璃膜疣病例较少，部分关联未达到全基因组显著性 | 识别网状假性玻璃膜疣特有的遗传决定因素 | UK Biobank队列中的网状假性玻璃膜疣患者、玻璃膜疣患者和对照参与者 | 生物医学 | 年龄相关性黄斑变性 | 全基因组关联研究，光学相干断层扫描 | 深度学习 | 基因组数据，OCT影像，彩色眼底照片 | 1787名参与者（1037名对照，361名纯玻璃膜疣，66名纯网状假性玻璃膜疣，323名混合病例） | NA | NA | P值 | NA |
| 1129 | 2025-10-07 |
Convolutional neural network-based method for the real-time detection of reflex syncope during head-up tilt test
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108622
PMID:40068530
|
研究论文 | 提出一种基于卷积神经网络的实时检测方法，用于在直立倾斜试验中检测反射性晕厥 | 采用端到端架构结合残差和压缩激励模块，无需手动提取特征，仅需原始血压信号即可实现反射性晕厥的早期检测 | 样本中反射性晕厥患者数量相对较少（57例），可能影响模型泛化能力 | 开发实时反射性晕厥检测系统以提高医疗效率和患者便利性 | 1348名患者（1291名正常，57名反射性晕厥患者） | 医疗人工智能 | 反射性晕厥 | 直立倾斜试验，血压监测 | CNN | 生理信号（血压信号） | 1348名患者 | NA | 残差块，压缩激励块 | AUC, 敏感度, 特异度 | NA |
| 1130 | 2025-10-07 |
MCNEL: A multi-scale convolutional network and ensemble learning for Alzheimer's disease diagnosis
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108703
PMID:40081198
|
研究论文 | 提出一种多尺度卷积网络和集成学习框架MCNEL，用于阿尔茨海默病的早期准确诊断 | 结合改进的EfficientNet-B0和MobileNetV2模型与DenseNet121构建混合特征提取工具，开发基于SimAM的特征融合方法，并设计具有自适应权重调整策略的集成学习分类器 | NA | 提高阿尔茨海默病的早期诊断准确性 | 阿尔茨海默病患者及不同阶段认知障碍患者 | 计算机视觉 | 阿尔茨海默病 | 磁共振成像(MRI) | CNN,集成学习 | 医学图像 | ADNI数据集(ADNI-1和ADNI-2) | NA | EfficientNet-B0,MobileNetV2,DenseNet121 | 准确率 | NA |
| 1131 | 2025-05-14 |
Spectroscopic techniques combined with chemometrics for rapid detection of food adulteration: Applications, perspectives, and challenges
2025-Jun, Food research international (Ottawa, Ont.)
DOI:10.1016/j.foodres.2025.116459
PMID:40356185
|
review | 本文综述了近三年来六种光谱技术与化学计量学方法在常见食品掺假检测中的应用、前景与挑战 | 总结了六种光谱技术（NIR、FTIR、HSI、Raman、UV-Vis和FS）与化学计量学方法在食品掺假检测中的综合应用，并提出了基于深度学习的方法和数据融合的未来研究方向 | 线性化学计量学方法仍是主要研究方法，这可能限制光谱技术的应用潜力 | 探讨光谱技术与化学计量学在食品掺假快速检测中的应用与未来发展 | 常见食品掺假（粉状食品、肉类、蜂蜜、饮料、食用油和乳制品） | 食品检测 | NA | NIR, FTIR, HSI, Raman, UV-Vis, FS | 线性化学计量学方法、深度学习模型 | 光谱数据 | NA | NA | NA | NA | NA |
| 1132 | 2025-10-07 |
A general deep learning model for predicting and classifying pea protein content via visible and near-infrared spectroscopy
2025-Jun-30, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.143617
PMID:40049135
|
研究论文 | 本研究开发了一种基于改进卷积神经网络架构的PeaNet模型，用于通过可见光和近红外光谱预测和分类豌豆蛋白含量 | 提出了一种通用的深度学习模型PeaNet，在豌豆蛋白含量预测和分类任务中显著优于传统机器学习模型和常规深度学习架构 | 模型仅在52个豌豆品种的156个光谱数据集上验证，样本多样性可能有限 | 开发快速准确的豌豆蛋白含量检测方法，用于育种和食品质量控制 | 豌豆蛋白含量 | 机器学习 | NA | 可见光和近红外光谱 | CNN | 光谱数据 | 52个豌豆品种的156个光谱数据集 | NA | 改进的卷积神经网络 | R值, 分类准确率 | NA |
| 1133 | 2025-05-13 |
Forecasting climate change effects on Saline Lakes through advanced remote sensing and deep learning
2025-Jun-10, The Science of the total environment
DOI:10.1016/j.scitotenv.2025.179582
PMID:40324314
|
研究论文 | 本研究通过先进的遥感和深度学习技术预测气候变化对盐湖的影响 | 结合SRGAN和MRS技术提升卫星图像分辨率，并利用CA-Markov模型和LSTM算法高精度预测盐湖未来变化 | 研究结果依赖于RCP8.5气候情景假设，可能无法涵盖所有潜在气候变化情况 | 预测气候变化对盐湖特征及周边生态环境的影响 | 查卡湖、图兹湖和拉扎扎湖等盐湖 | 遥感与深度学习 | NA | SRGAN、MRS、CA-Markov建模、LSTM算法 | SRGAN、LSTM | 卫星图像 | 查卡湖、图兹湖和拉扎扎湖等多个盐湖的长期观测数据 | NA | NA | NA | NA |
| 1134 | 2024-12-05 |
Correction to: Deep learning-based reconstruction improves the image quality of low-dose CT enterography in patients with inflammatory bowel disease
2025-Jun, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04694-x
PMID:39630201
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1135 | 2024-12-12 |
Evaluating deep learning and radiologist performance in volumetric prostate cancer analysis with biparametric MRI and histopathologically mapped slides
2025-Jun, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04734-6
PMID:39658736
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1136 | 2025-10-07 |
DKCN-Net: Deep kronecker convolutional neural network-based lung disease detection with federated learning
2025-Jun, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出基于深度克罗内克卷积神经网络和联邦学习的肺部疾病检测方法 | 结合联邦学习保护数据隐私，提出新型DKCN-Net网络架构，集成深度克罗内克神经网络和平行卷积神经网络 | NA | 开发在保护隐私前提下实现高稳定性肺部疾病检测的深度学习技术 | 肺部CT图像中的疾病检测 | 计算机视觉 | 肺癌 | CT成像 | CNN, 联邦学习 | CT图像 | 来自LIDC-IDRI数据库的CT图像 | NA | DKCN-Net, DKN, PCNN, 3D-FCN | 准确率, 损失率, 均方误差, 真阳性率, 真阴性率 | NA |
| 1137 | 2025-10-07 |
Bootstrap inference and machine learning reveal core differential plasma metabolic connectome signatures in major depressive disorder
2025-Jun-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.02.109
PMID:40044084
|
研究论文 | 通过自助法推断和机器学习识别重度抑郁症患者血浆代谢连接组的核心差异特征 | 首次在大规模人群中构建代谢相关性网络并识别MDD特异的网络特征，突破了传统单一生化标志物分析的局限 | 研究基于横断面数据，无法确定代谢网络改变与抑郁症的因果关系 | 揭示重度抑郁症的代谢网络特征并开发诊断模型 | 182,053名UK Biobank参与者（9,425名MDD患者和172,628名健康对照） | 机器学习 | 重度抑郁症 | 血浆代谢组学 | 深度学习, 机器学习, XGBoost | 代谢组数据 | 182,053人 | NA | NA | 准确率, AUROC | NA |
| 1138 | 2025-10-07 |
Development of a digital algorithm for assessing tumor-stroma ratio, tumor budding and tumor infiltrating lymphocytes in vulvar squamous cell carcinomas
2025-Jun, Annals of diagnostic pathology
IF:1.5Q3
|
研究论文 | 开发用于评估外阴鳞状细胞癌中肿瘤-间质比率、肿瘤出芽和肿瘤浸润淋巴细胞的全自动数字算法 | 首次针对VSCC开发集成TSR、TB和TILs评估的深度学习算法，实现无需人工校正的自动化定量分析 | 样本量较小（41例VSCC），需在更大队列中验证算法并与临床预后关联 | 开发数字化评估方法并探索p16状态对肿瘤微环境特征的影响 | 外阴鳞状细胞癌组织样本 | 数字病理 | 外阴鳞状细胞癌 | 免疫组织化学染色（CD3/细胞角蛋白、CD8/细胞角蛋白） | 深度学习 | 病理组织图像 | 41例VSCC病例（独立训练集+研究队列） | NA | NA | 一致性分析（与人工评估对比） | NA |
| 1139 | 2025-05-13 |
Enhancing atrial fibrillation detection in PPG analysis with sparse labels through contrastive learning
2025-Jun, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108698
PMID:40054320
|
研究论文 | 本研究探讨了自监督对比学习在基于PPG的心房颤动检测中的应用，以减少对标记数据的依赖 | 使用自监督对比学习框架（SimCLR和BYOL）预训练模型，显著减少了对标记数据的需求，并在少量标记数据上微调后取得了优于监督学习的效果 | 研究仅针对PPG数据，未验证在其他生理信号上的适用性 | 提高基于PPG的心房颤动检测的准确性，同时减少对标记数据的依赖 | PPG信号数据 | 机器学习 | 心血管疾病 | 对比学习（SimCLR和BYOL） | 自监督学习模型 | PPG信号 | 1,209小时未标记PPG数据（来自VitalDB数据库）以及少量标记数据（来自MIMIC III、UMass和DeepBeat数据集） | NA | NA | NA | NA |
| 1140 | 2025-05-13 |
Automated Detection of Microcracks Within Second Harmonic Generation Images of Cartilage Using Deep Learning
2025-Jun, Journal of orthopaedic research : official publication of the Orthopaedic Research Society
IF:2.1Q2
DOI:10.1002/jor.26071
PMID:40113341
|
research paper | 该研究开发了一个基于YOLOv8的深度学习模型，用于自动检测、分割和量化软骨微裂纹 | 首次使用YOLOv8深度学习模型自动化检测软骨微裂纹，显著提高了检测效率和准确性 | 模型在微裂纹方向估计上存在中等程度的变异性，数据集需要扩展到更多解剖区域和疾病阶段 | 开发自动化工具以促进软骨微裂纹研究，并理解早期软骨损伤 | 关节软骨中的微裂纹 | digital pathology | osteoarthritis | second harmonic generation (SHG) imaging | YOLOv8 | image | 未明确提及具体样本数量 | NA | NA | NA | NA |