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 1856 篇文献，本页显示第 361 - 380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 361 | 2025-11-25 |
Report on the quantitative intra-voxel incoherent motion diffusion MRI reconstruction grand challenge
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17998
PMID:40665555
|
研究报告 | 介绍2024年体素内不相干运动扩散MRI重建挑战赛的结果和发现 | 首次组织针对IVIM-dMRI定量重建算法的基准测试挑战赛，采用真实数字体模模拟数据 | 基于模拟数据的方法虽然提供了受控环境，但需要解决真实世界的复杂性以确保临床适用性 | 评估和推进从扩散MRI数据提取定量组织参数的重建算法 | 体素内不相干运动扩散MRI数据 | 医学影像 | NA | 扩散MRI，体素内不相干运动模型 | 深度学习，传统优化方法 | 模拟k空间数据 | 42个团队参与，7个进入最终阶段 | NA | 级联U-Net | 相对均方根误差 | NA |
| 362 | 2025-11-23 |
Deep learning-based EEG source imaging is robust under varying electrode configurations
2025-Jul, Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology
IF:3.7Q2
DOI:10.1016/j.clinph.2025.04.009
PMID:40318257
|
研究论文 | 本研究验证了基于深度学习的脑电源成像方法DeepSIF在不同电极配置下的鲁棒性能 | 首次系统评估深度学习脑电源成像方法在不同电极密度下的性能表现，证明其在低密度EEG下的有效性 | 研究样本量有限，仅包含27名耐药性癫痫患者 | 评估电极数量对深度学习脑电源成像性能的影响 | 计算机模拟数据和27名耐药性癫痫患者的临床数据 | 脑机接口, 生物医学工程 | 癫痫 | 脑电图(EEG), 源成像 | 深度学习 | 脑电信号 | 27名耐药性癫痫患者 | NA | DeepSIF | 空间离散度 | NA |
| 363 | 2025-11-23 |
Artificial intelligence-based parotid contouring for radiation oncology in head and neck cancers
2025-Jul-01, Indian journal of cancer
IF:0.9Q4
DOI:10.4103/ijc.ijc_473_23
PMID:41272860
|
研究论文 | 本研究开发了一种基于人工智能的自动腮腺轮廓分割方法，用于头颈癌放射治疗规划 | 采用U-Net架构实现腮腺自动轮廓分割，提高治疗规划的精确性和效率 | 仅使用20个匿名CT数据集，样本量较小 | 开发自动腮腺轮廓分割算法以改进头颈癌放射治疗规划 | 头颈癌患者的腮腺器官 | 数字病理 | 头颈癌 | CT扫描 | CNN | 医学图像 | 20个匿名CT数据集 | NA | U-Net | 准确率,精确率,召回率,损失函数,交并比 | NA |
| 364 | 2025-11-21 |
Parasitic diagnosis: A journey from basic microscopy to cutting-edge technology
2025 Jul-Dec, Tropical parasitology
DOI:10.4103/tp.tp_61_24
PMID:41244084
|
综述 | 本文综述了寄生虫诊断技术从基础显微镜到现代人工智能的发展历程 | 系统梳理了寄生虫诊断技术的演进，特别强调了人工智能和卷积神经网络在提升诊断准确性和效率方面的革命性作用 | 面临数据集多样性不足和低收入地区基础设施支持有限的挑战 | 改善寄生虫感染诊断方法以应对全球公共卫生挑战 | 寄生虫感染及其诊断技术 | 数字病理 | 寄生虫感染 | 显微镜检查、血清学诊断、ELISA、免疫印迹、PCR、多重检测、下一代测序 | CNN | 图像、分子数据 | NA | NA | NA | 灵敏度、特异性、准确性、效率 | NA |
| 365 | 2025-11-18 |
Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis
2025-Jul-16, ArXiv
PMID:40969490
|
研究论文 | 提出一个用于多发性硬化症皮质病变MRI分割的深度学习基准测试框架 | 首次建立多中心皮质病变检测与分割基准，提出针对皮质病变检测优化的nnU-Net改进方案，并进行模型决策解释分析 | 数据来自四个机构，虽然多样化但仍可能存在泛化限制，病变模糊性和协议差异可能影响模型性能 | 开发标准化自动方法用于多发性硬化症皮质病变的MRI检测和分割 | 多发性硬化症患者的皮质病变 | 医学影像分析 | 多发性硬化症 | MRI, MP2RAGE, MPRAGE序列 | 深度学习 | MRI图像 | 656个MRI扫描，来自四个机构的临床试验和研究数据 | nnU-Net | nnU-Net | F1-score | NA |
| 366 | 2025-11-14 |
Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture
2025-Jul-27, ArXiv
PMID:40386573
|
研究论文 | 本研究开发了基于U-Net架构的卷积神经网络替代模型，用于加速细胞-波特斯模型的仿真计算 | 首次将细胞-波特斯模型的替代建模构建为分割任务，并采用考虑周期性边界条件的U-Net架构 | 模型仅针对血管生成特定场景进行验证，通用性有待进一步测试 | 开发深度学习替代模型以加速计算密集的细胞-波特斯模型仿真 | 血管生成过程中的血管发芽、延伸、吻合和血管腔隙收缩等涌现行为 | 计算生物学 | 血管生成相关疾病 | 细胞-波特斯模型，偏微分方程 | CNN | 仿真数据 | NA | NA | U-Net | 仿真加速倍数 | NA |
| 367 | 2025-05-10 |
Deep learning model to identify and validate hypotension endotypes in surgical and critically ill patients. Comment on Br J Anaesth 2025; 134: 308-16
2025-Jul, British journal of anaesthesia
IF:9.1Q1
DOI:10.1016/j.bja.2025.03.025
PMID:40340157
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 368 | 2025-11-14 |
Retraction notice to "EnergyShare AI: Transforming P2P energy trading through advanced deep learning" [Heliyon 10 (2024) e36948]
2025-Jul, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43543
PMID:41216546
|
撤稿通知 | 这是一篇关于《EnergyShare AI: Transforming P2P energy trading through advanced deep learning》文章的正式撤稿声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 369 | 2025-11-09 |
Cross-level Cross-Scale Inference and Imputation of Single-cell Spatial Proteomics
2025-Jul-28, Research square
DOI:10.21203/rs.3.rs-7108570/v1
PMID:40766228
|
研究论文 | 提出scProSpatial深度学习框架，从单细胞RNA测序数据推断和填补高保真单细胞空间蛋白质组学数据 | 开发首个统一的多模态多尺度深度学习框架，能够在缺乏共享转录组特征的情况下准确预测蛋白质空间丰度，将蛋白质覆盖度提升50倍 | 未明确说明模型在更广泛生物系统中的泛化能力限制 | 解决跨生物层级和尺度的分子驱动因子识别及其相互作用分析的挑战 | 单细胞空间蛋白质组学数据 | 计算生物学 | 转移性乳腺癌 | scRNA-seq, 空间蛋白质组学 | 深度学习 | 单细胞RNA测序数据, 空间蛋白质组数据 | NA | NA | NA | 蛋白质空间丰度预测准确度, 分布外泛化能力 | NA |
| 370 | 2025-11-08 |
Integrated machine learning and deep learning-based virtual screening framework identifies novel natural GSK-3β inhibitors for Alzheimer's disease
2025-Jul-16, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00637-w
PMID:40668407
|
研究论文 | 开发集成机器学习和深度学习的虚拟筛选框架，从天然产物中识别新型GSK-3β抑制剂用于阿尔茨海默病治疗 | 结合可解释随机森林模型与深度学习分子对接平台的两阶段虚拟筛选框架，通过SHAP分析增强模型可解释性 | 当前发现仅限于计算研究，需要未来实验验证 | 识别新型天然GSK-3β抑制剂用于阿尔茨海默病治疗 | 天然化合物库中的GSK-3β抑制剂 | 机器学习, 深度学习 | 阿尔茨海默病 | 虚拟筛选, 分子对接, 药效团建模, 分子动力学模拟 | 随机森林, 深度学习 | 分子结构数据 | 25,000个天然化合物 | KarmaDock | 随机森林 | AUC, NEF% | NA |
| 371 | 2025-11-08 |
CoBdock-2: enhancing blind docking performance through hybrid feature selection combining ensemble and multimodel feature selection approaches
2025-Jul-13, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00629-w
PMID:40652425
|
研究论文 | 开发了一种基于机器学习的盲对接方法CoBDock-2，通过混合特征选择策略提升结合位点和配体姿态预测性能 | 采用集成和多模型混合特征选择方法，从9598个特征中识别关键分子特征，替代传统对接工具 | 与基于深度学习的对接方法比较仅进行了低偏差假设性对比 | 提升虚拟筛选中的盲对接性能，准确识别正构结合位点和预测小分子亲和力 | 蛋白质-配体复合物 | 计算生物学 | NA | 分子对接，腔体检测，特征选择 | 机器学习 | 蛋白质结构，配体结构，相互作用特征 | 多个基准数据集（PDBBind v2020-general，MTi，ADS，DUD-E，CASF-2016） | NA | NA | 结合位点识别准确率，配体姿态预测准确率，平均距离减少，平均姿态RMSD减少 | NA |
| 372 | 2025-11-07 |
[A deep learning method for differentiating nasopharyngeal carcinoma and lymphoma based on MRI]
2025-Jul, Lin chuang er bi yan hou tou jing wai ke za zhi = Journal of clinical otorhinolaryngology head and neck surgery
|
研究论文 | 开发基于常规MRI的深度学习模型，用于鼻咽癌和鼻咽淋巴瘤的自动分割与鉴别诊断 | 首次将预训练ResNet101模型应用于鼻咽癌与淋巴瘤的MRI影像鉴别诊断，并采用多序列图像组合策略提升性能 | 回顾性研究，样本量有限（434例），仅使用单一医疗机构数据 | 建立基于MRI的自动分割和鉴别诊断模型 | 鼻咽癌和鼻咽淋巴瘤患者 | 医学影像分析 | 鼻咽癌, 淋巴瘤 | MRI（T1WI, T2WI, T1CE） | CNN | 医学影像 | 434例患者（142例淋巴瘤，292例鼻咽癌） | PyTorch/TensorFlow（未明确指定） | ResNet101 | Dice系数, AUC | NA |
| 373 | 2025-11-05 |
Multimodal deep learning integration of cryo-EM and AlphaFold3 for high-accuracy protein structure determination
2025-Jul-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.03.663071
PMID:40631196
|
研究论文 | 提出一种融合冷冻电镜和AlphaFold3的多模态深度学习方法MICA，用于高精度蛋白质结构测定 | 在输入和输出层面同时整合冷冻电镜密度图和AlphaFold3预测结构，实现全自动多模态蛋白质结构建模 | NA | 提高从冷冻电镜密度图自动构建蛋白质结构的准确性和完整性 | 蛋白质结构，特别是大型蛋白质复合物 | 计算生物学 | NA | 冷冻电镜(cryo-EM)，深度学习 | 多任务编码器-解码器架构 | 冷冻电镜密度图，AlphaFold3预测结构 | NA | NA | 特征金字塔网络 | 模板建模得分(TM-score) | NA |
| 374 | 2025-11-04 |
OpenSpliceAI: An efficient, modular implementation of SpliceAI enabling easy retraining on non-human species
2025-Jul-11, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.20.644351
PMID:40166201
|
研究论文 | 开发了一个高效、模块化的开源SpliceAI实现OpenSpliceAI，支持跨物种剪接信号识别 | 使用PyTorch重新实现SpliceAI，支持从头训练和迁移学习，解决了原版对人类中心训练数据的依赖 | NA | 开发一个可训练、高效的剪接信号识别深度学习系统 | DNA序列中的剪接信号 | 机器学习 | NA | 深度学习 | 深度学习模型 | DNA序列数据 | NA | PyTorch | SpliceAI | 处理速度，内存使用量，模型一致性 | 单GPU |
| 375 | 2025-11-03 |
Accurate deep-learning model to differentiate dementia severity and diagnosis using a portable electroencephalography device
2025-Jul-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-12526-1
PMID:40685486
|
研究论文 | 提出基于便携式脑电图设备和深度学习的方法，用于区分健康志愿者与痴呆相关疾病患者 | 首次将便携式EEG设备与定制化Transformer模型结合用于痴呆严重程度和诊断分类 | 样本量相对有限（233名参与者），未提及模型在其他人群中的泛化能力验证 | 开发可访问、成本效益高且非侵入性的痴呆诊断工具 | 233名参与者（119名健康志愿者和114名痴呆相关疾病患者） | 医疗人工智能 | 痴呆症 | 脑电图（EEG），短时傅里叶变换 | Transformer | 脑电图信号 | 233名参与者（119名健康志愿者，114名患者） | NA | 定制化Transformer模型 | AUC（曲线下面积），平衡准确率（bACC） | NA |
| 376 | 2025-11-02 |
A Combined Loss-driven Framework for Automated Parotid Segmentation in Head-and-Neck Computed Tomography
2025 Jul-Sep, Journal of medical physics
IF:0.7Q4
DOI:10.4103/jmp.jmp_169_25
PMID:41163757
|
研究论文 | 本研究提出了一种基于深度学习的自动腮腺分割框架，采用三维U-Net架构和新型组合损失函数 | 提出了结合改进Dice系数和焦点损失的组合损失函数，并设计了同时保存最佳DSC和最小验证损失的检查点策略 | 仅使用379例非对比头颈CT扫描数据，未在其他模态数据上验证 | 开发用于放射治疗计划的自动腮腺分割方法 | 头颈部CT扫描中的腮腺器官 | 医学图像分割 | 头颈部肿瘤 | 计算机断层扫描(CT) | 3D U-Net, 注意力增强3D U-Net | 三维CT图像 | 379例经专家验证的头颈CT扫描 | TensorFlow | 3D U-Net, 残差3D U-Net, 注意力增强3D U-Net | Dice相似系数, 交并比, 分类准确率 | NA |
| 377 | 2025-11-02 |
Dose Characteristics of a Deep Learning Model for EPID-based In vivo Dosimetry
2025 Jul-Sep, Journal of medical physics
IF:0.7Q4
DOI:10.4103/jmp.jmp_130_25
PMID:41163764
|
研究论文 | 开发基于CycleGAN的深度学习模型用于将EPID图像转换为二维剂量图，并评估其剂量特性 | 首次将CycleGAN模型应用于基于EPID的体内剂量测定，并系统评估不同归一化方法对剂量预测精度的影响 | 模型存在剂量非线性问题，且仅在平板模体上进行验证 | 开发精确的EPID图像到剂量图的转换模型，用于治疗计划质量保证 | 电子射野影像设备(EPID)采集的图像数据 | 医学影像分析 | 放射治疗相关疾病 | 电子射野影像技术 | CycleGAN | 医学影像 | 约780个通过平板模体传递到EPID的射束 | NA | CycleGAN | gamma分析通过率, 剂量线性度 | NA |
| 378 | 2025-10-29 |
Deep Learning-based Hierarchical Brain Segmentation with Preliminary Analysis of the Repeatability and Reproducibility
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2023-0124
PMID:38960679
|
研究论文 | 开发基于深度学习的层次化脑部分割方法并评估其体积测量的可重复性和再现性 | 提出新型深度学习层次化脑部分割方法，能够在临床可行时间内分割107个脑部子区域 | 仅使用11名健康受试者的扫描-重扫描数据进行评估，样本量有限 | 评估深度学习脑部分割方法在体积测量中的可重复性和再现性 | 人脑T1加权磁共振图像 | 医学图像分析 | 脑部疾病 | T1加权磁共振成像 | 深度学习模型 | 3D医学图像 | 486名受试者用于训练，11名健康受试者用于评估 | NA | 层次化分割模型 | 可重复性, 再现性 | NA |
| 379 | 2025-10-29 |
Utility of Thin-slice Fat-suppressed Single-shot T2-weighted MR Imaging with Deep Learning Image Reconstruction as a Protocol for Evaluating the Pancreas
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0017
PMID:38910138
|
研究论文 | 比较薄层脂肪抑制单次激发T2加权成像与深度学习图像重建和传统快速自旋回波T2加权成像在胰腺评估中的效用 | 首次将深度学习图像重建技术应用于薄层脂肪抑制单次激发T2加权成像，用于胰腺评估 | 回顾性研究设计，样本量较小（42例患者），仅针对胰腺癌患者 | 评估不同T2加权成像序列结合深度学习图像重建在胰腺成像中的性能 | 胰腺癌患者的MRI图像 | 医学影像分析 | 胰腺癌 | MRI（钆塞酸增强磁共振成像），T2加权成像，深度学习图像重建 | 深度学习 | 医学影像 | 42例胰腺癌患者（平均年龄70.2岁） | NA | NA | 信噪比，胰腺-病灶对比度，图像质量评分（5分制） | NA |
| 380 | 2025-10-29 |
Thin-slice 2D MR Imaging of the Shoulder Joint Using Denoising Deep Learning Reconstruction Provides Higher Image Quality Than 3D MR Imaging
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2023-0115
PMID:38777762
|
研究论文 | 比较薄层2D磁共振成像结合深度学习去噪重建与3D磁共振成像在肩关节成像中的图像质量 | 首次将并行成像、部分傅里叶技术和深度学习去噪重建结合应用于肩关节薄层2D成像，并与传统3D成像进行系统比较 | 样本量较小（仅18例患者），未详细说明深度学习模型的具体架构和训练细节 | 评估薄层2D脂肪饱和质子密度加权成像结合先进重建技术在肩关节成像中的临床应用价值 | 肩关节磁共振图像 | 医学影像分析 | 肌肉骨骼疾病 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 18例患者 | NA | NA | 变异系数，Likert量表评分，Gwet一致性系数 | NA |