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 988 篇文献，本页显示第 341 - 360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 341 | 2025-10-06 |
Artificial Intelligence Applications in Image-Based Diagnosis of Early Esophageal and Gastric Neoplasms
2025-Aug, Gastroenterology
IF:25.7Q1
DOI:10.1053/j.gastro.2025.01.253
PMID:40043857
|
综述 | 探讨人工智能在早期食管和胃肿瘤图像诊断中的应用潜力与挑战 | 系统阐述深度学习在早期消化道肿瘤诊断中的创新应用，包括实时内镜引导和个性化风险评估 | 训练数据多样性不足、模型可解释性差以及临床泛化能力受限 | 评估人工智能在早期上消化道肿瘤诊断中的应用价值与发展前景 | 巴雷特食管、食管鳞状细胞癌和早期胃癌等上消化道疾病 | 计算机视觉 | 消化道肿瘤 | 内镜成像、组织病理学成像 | CNN, 深度学习 | 医学图像 | NA | NA | NA | 诊断准确率 | NA |
| 342 | 2025-10-06 |
Intelligent Diagnosis of Pancreatic Biopsy From Endoscopic Ultrasound-Guided Fine-Needle Aspiration Via Stimulated Raman Histopathology
2025-Aug, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2025.104182
PMID:40288652
|
研究论文 | 开发基于深度学习刺激拉曼散射显微镜的快速无标记方法，用于胰腺EUS-FNA标本的术中组织学诊断 | 首次将深度学习与刺激拉曼散射显微镜结合应用于胰腺EUS-FNA标本的术中诊断，替代传统快速现场评估 | 样本量有限（76例训练集，33例测试集），需要进一步临床验证 | 开发更高效客观的胰腺活检术中诊断方法 | 胰腺EUS-FNA新鲜组织标本 | 数字病理 | 胰腺肿瘤 | 刺激拉曼散射显微镜，苏木精-伊红染色 | CNN | 图像 | 76例患者训练集，33例外部测试集 | NA | 卷积神经网络 | 准确率 | NA |
| 343 | 2025-10-06 |
Deep Learning Methodology for Quantification of Normal Pancreas Structures
2025-Aug, Toxicologic pathology
IF:1.4Q4
DOI:10.1177/01926233251341824
PMID:40522090
|
研究论文 | 开发了一种基于深度学习的胰腺组织结构量化方法，用于疾病模型和毒理学研究 | 首次将正常胰腺亚结构整合到深度学习算法中，并包含异常胰腺区域，实现连续定量分析 | 未明确说明样本规模和技术验证的详细范围 | 开发自动化定量分析器官亚结构的深度学习方法 | 胰腺组织亚结构 | 数字病理学 | 胰腺疾病 | 数字病理学 | 深度学习 | 组织病理图像 | NA | NA | NA | 定量测量 | NA |
| 344 | 2025-10-06 |
Recurrent multi-view 6DoF pose estimation for marker-less surgical tool tracking
2025-Aug, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03436-8
PMID:40528143
|
研究论文 | 提出一种结合多视角和循环神经网络的新型深度学习架构，用于无标记手术器械6DoF姿态估计 | 首次将多视角姿态估计与循环神经网络结合，利用时空特征提取器整合整个帧序列的特征 | 仅在合成数据集和有限真实数据集上进行验证，需要更多临床数据验证 | 开发无标记手术器械跟踪方法以替代基于标记的跟踪系统 | 手术器械的6自由度姿态估计 | 计算机视觉 | NA | 深度学习 | 循环神经网络 | RGB视频 | 合成数据集和四摄像头真实数据集 | NA | 循环神经网络,时空特征提取器 | 尖端误差,角度误差 | NA |
| 345 | 2025-10-06 |
BronchoGAN: anatomically consistent and domain-agnostic image-to-image translation for video bronchoscopy
2025-Aug, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03450-w
PMID:40560442
|
研究论文 | 提出了一种结合解剖学约束的图像到图像翻译方法BronchoGAN，用于视频支气管镜图像生成 | 将支气管孔解剖约束和基础模型生成的深度图像作为中间表示集成到条件GAN中，实现跨域鲁棒图像翻译 | NA | 解决支气管镜图像稀缺问题，实现跨域图像翻译以生成逼真支气管镜图像 | 支气管镜图像，包括虚拟支气管镜、体模以及体内外图像数据 | 计算机视觉 | 肺部疾病 | 图像到图像翻译，深度图像生成 | GAN,条件GAN | 图像 | NA | NA | 条件GAN | FID, SSIM, Dice系数 | NA |
| 346 | 2025-10-06 |
Predicting Retinal Nerve Fiber Layer Thickness From Ocular Hypertension Treatment Study Optic Disc Photographs
2025-Aug-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.1740
PMID:40569586
|
研究论文 | 本研究利用深度学习从眼高压治疗研究的视盘照片预测视网膜神经纤维层厚度，并评估其作为原发性开角型青光眼风险因素的价值 | 首次使用OCT训练的深度学习模型从视盘照片预测RNFL厚度，并验证其作为青光眼发展风险因素的预测能力 | 研究仅针对眼高压患者群体，结果可能不适用于其他人群 | 预测RNFL厚度并评估其作为POAG风险因素的效用 | 1636名眼高压患者的3272只眼睛 | 医学影像分析 | 青光眼 | 深度学习，光学相干断层扫描 | 深度学习模型 | 视盘照片图像 | 66,714张视盘照片，来自3272只眼睛（1636名参与者） | NA | M2M模型 | 风险比，置信区间，P值 | NA |
| 347 | 2025-10-06 |
CoSpred: Machine Learning Workflow to Predict Tandem Mass Spectrum in Proteomics
2025-Aug, Proteomics
IF:3.4Q2
DOI:10.1002/pmic.70004
PMID:40583480
|
研究论文 | 开发了一个名为CoSpred的端到端机器学习工作流程，用于预测蛋白质组学中的串联质谱图 | 采用Transformer编码器架构预测完整MS/MS谱图，提供模块化设计允许轻松替换其他ML模型，支持用户创建自定义训练数据集 | NA | 提高肽段和蛋白质的鉴定率，通过生成高保真理论谱图构建更完整的光谱库 | 肽段序列和对应的质谱图 | 机器学习 | NA | 质谱分析 | Transformer | 肽段序列数据，质谱数据 | NA | NA | Transformer编码器 | NA | NA |
| 348 | 2025-10-06 |
Three-Dimensional Visualisation of Blood Vessels in Human Gliomas Using Tissue Clearing and Deep Learning
2025-08, Neuropathology and applied neurobiology
IF:4.0Q1
DOI:10.1111/nan.70027
PMID:40628519
|
研究论文 | 本研究结合组织透明化技术和深度学习实现了人脑胶质瘤血管系统的三维可视化 | 首次将OPTIClear组织透明化技术与专用3D U-Net结合，实现完整人脑组织样本中胶质瘤血管系统的精准三维重建 | 研究基于福尔马林固定厚组织切片，可能影响部分生物活性特征的保留 | 开发人脑胶质瘤血管系统三维可视化方法并分析不同级别胶质瘤的血管形态差异 | 人脑胶质瘤组织样本 | 数字病理学 | 胶质瘤 | 组织透明化(OPTIClear)、免疫荧光标记、共聚焦显微镜成像 | CNN | 三维图像 | 人脑胶质瘤厚组织切片(500μm) | NA | 3D U-Net | 准确率,效率 | NA |
| 349 | 2025-10-06 |
A multimodule graph-based neural network for accurate drug-target interaction prediction via genomic, proteomic, and structural data fusion
2025-Aug, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2025.145907
PMID:40653240
|
研究论文 | 开发了一种基于图神经网络的多模块模型GINCOVNET，用于通过融合基因组、蛋白质组和结构数据准确预测药物-靶点相互作用 | 首次将分子结构信息、靶点序列以及分子和靶点的扰动基因表达数据融合到图神经网络中进行DTI预测 | NA | 加速药物发现和重定位，提供对药物-靶点相互作用分子机制更全面的理解 | 药物-靶点相互作用 | 机器学习 | NA | 基因组数据、蛋白质组数据、结构数据、基因表达数据融合 | 图神经网络 | 分子结构信息、靶点序列、基因表达数据 | NA | NA | GINCOVNET | R2, MAE | NA |
| 350 | 2025-10-06 |
Identification of hypertrophic cardiomyopathy on electrocardiographic images with deep learning
2025-Aug, Nature cardiovascular research
IF:9.4Q1
DOI:10.1038/s44161-025-00685-3
PMID:40696040
|
研究论文 | 开发并验证了一种能够从12导联心电图图像中识别肥厚型心肌病的深度学习模型 | 首次开发能够从心电图图像（而非原始电压数据）检测肥厚型心肌病的深度学习模型，支持多种心电图布局格式 | 模型性能依赖于心电图图像质量，且在不同数据源的定义标准存在差异（部分使用心脏磁共振确认，部分使用诊断代码） | 开发一种可扩展的基于心电图图像的肥厚型心肌病筛查方法 | 肥厚型心肌病患者的心电图图像 | 计算机视觉 | 心血管疾病 | 心脏磁共振(CMR), 超声心动图 | 深度学习 | 图像 | 124,553份心电图来自66,987名个体（耶鲁纽黑文医院），外加MIMIC-IV、阿姆斯特丹大学医学中心和英国生物银行的外部验证数据 | NA | NA | AUROC | NA |
| 351 | 2025-10-06 |
stImage: a versatile framework for optimizing spatial transcriptomic analysis through customizable deep histology and location informed integration
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf429
PMID:40905789
|
研究论文 | 介绍stImage这一开源R包，通过可定制的深度组织学和位置信息整合优化空间转录组分析 | 首个在统一框架中完全协同基因表达、组织学特征和精确空间坐标的方法，提供54种整合策略 | NA | 开发一个全面灵活的空间转录组分析框架 | 空间转录组数据 | 生物信息学 | NA | 空间转录组学 | 深度学习 | 基因表达数据、组织学图像、空间坐标 | NA | R | NA | 诊断图 | NA |
| 352 | 2025-10-06 |
A robust deep learning framework for cerebral microbleeds recognition in GRE and SWI MRI
2025-Aug-27, NeuroImage. Clinical
DOI:10.1016/j.nicl.2025.103873
PMID:40886589
|
研究论文 | 开发了一个用于脑微出血识别的鲁棒深度学习框架，使用GRE和SWI MRI数据 | 结合3D CNN和YOLO方法处理复杂场景中的假阳性案例，并在多个公共和私有数据集上验证了鲁棒性 | 未明确说明样本量的具体数值和计算资源细节 | 提高脑微出血检测的准确性，减少假阳性，确保在临床和正常病例中的鲁棒性 | 脑微出血(CMB)病变 | 医学影像分析 | 脑血管疾病 | GRE MRI, SWI MRI | CNN, YOLO | 3D MRI图像 | 使用ADNI、AIBL、OATS和MAS四个数据集，具体样本量未明确说明 | NA | 3D CNN, YOLO | 平衡准确度, AUC, 精确度, 灵敏度, F1分数 | NA |
| 353 | 2025-10-06 |
A dedicated deep learning workflow for automatic Fasciola hepatica and Calicophoron daubneyi egg detection using the Kubic FLOTAC microscope
2025-Aug-27, International journal for parasitology
IF:3.7Q1
DOI:10.1016/j.ijpara.2025.08.007
PMID:40882888
|
研究论文 | 开发基于Kubic FLOTAC显微镜的深度学习工作流，用于自动检测肝片形吸虫和道氏杯殖吸虫虫卵 | 结合FLOTAC技术的高灵敏度与人工智能预测模型，通过额外处理步骤和鲁棒检测模型优化两种寄生虫虫卵的区分能力 | NA | 改进寄生虫虫卵的粪便显微镜检查诊断方法 | 肝片形吸虫和道氏杯殖吸虫的虫卵 | 计算机视觉 | 寄生虫病 | FLOTAC/Mini-FLOTAC技术，数字显微镜成像 | 深度学习模型 | 显微镜图像 | 使用两种方案的数据集：虫卵加标样本和自然感染样本，以及经光学显微镜验证的现场样本数据集 | NA | NA | 平均绝对误差 | 集成AI服务器 |
| 354 | 2025-10-06 |
The art of diagnosing rare skin tumors: Can DL-CNNs enhance dermatologists' diagnostic accuracy?
2025-Aug-29, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2025.115751
PMID:40912058
|
研究论文 | 评估二元深度学习卷积神经网络在罕见皮肤肿瘤诊断中的性能及其对皮肤科医生的辅助作用 | 首次在国际皮肤科医生群体中系统评估DL-CNN对罕见皮肤肿瘤的诊断性能及其临床辅助价值 | DL-CNN在罕见皮肤肿瘤诊断中表现有限，无法显著提升专家诊断准确率，训练数据质量需改进 | 评估DL-CNN在罕见皮肤肿瘤诊断中的性能及其对皮肤科医生的决策支持水平 | 200张经组织学确认的罕见皮肤肿瘤皮肤镜图像 | 计算机视觉 | 皮肤肿瘤 | 皮肤镜成像 | CNN | 图像 | 200张皮肤镜图像 | NA | 二元DL-CNN（Moleanalyzer-Pro） | 灵敏度, 特异度, ROC-AUC | NA |
| 355 | 2025-10-06 |
Role of artificial intelligence-based ocular biomarkers in hepatobiliary diseases: A scoping review
2025-Aug-27, World journal of hepatology
IF:2.5Q2
DOI:10.4254/wjh.v17.i8.109801
PMID:40901593
|
综述 | 探讨基于人工智能的眼部生物标志物在肝胆疾病中的应用价值 | 首次系统综述AI技术通过眼部影像识别七类肝胆疾病的潜力 | 未涉及具体临床验证数据和技术实施细节 | 评估AI在肝胆疾病眼部生物标志物分析中的应用前景 | 肝胆疾病患者的眼部影像数据 | 数字病理 | 肝胆疾病 | 眼部影像技术（裂隙灯、视网膜眼底、光学相干断层扫描） | 深度学习 | 图像 | NA | NA | ResNet-101 | NA | NA |
| 356 | 2025-10-06 |
Biparametric magnetic resonance imaging-based radiomic and deep learning models for predicting Ki-67 risk stratification in hepatocellular carcinoma
2025-Aug-27, World journal of hepatology
IF:2.5Q2
DOI:10.4254/wjh.v17.i8.109530
PMID:40901605
|
研究论文 | 开发基于双参数磁共振成像的放射组学和深度迁移学习模型预测肝细胞癌Ki-67风险分层和无复发生存期 | 首次整合bpMRI放射组学和深度迁移学习特征构建预测Ki-67风险分层的列线图模型 | 样本量有限（198例患者），仅使用双参数MRI序列 | 预测肝细胞癌Ki-67风险分层和患者无复发生存期 | 198例经病理确诊的肝细胞癌患者 | 数字病理 | 肝细胞癌 | 双参数磁共振成像，免疫组织化学染色 | 深度迁移学习，随机森林 | 医学影像（T2加权和动脉期图像） | 198例肝细胞癌患者 | NA | 随机森林 | AUC | NA |
| 357 | 2025-10-06 |
[Multi-source adversarial adaptation with calibration for electroencephalogram-based classification of meditation and resting states]
2025-Aug-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202504044
PMID:40887180
|
研究论文 | 提出一种用于脑电信号冥想状态分类的校准多源对抗自适应网络 | 首次将多源对抗自适应与校准机制结合用于脑电信号分类，通过目标域少量标注数据提升模型性能 | 样本量相对有限（18名受试者），仅针对特定人群（甲基苯丙胺康复者） | 开发能够克服个体差异的脑电信号冥想状态监测系统 | 接受甲基苯丙胺康复治疗的18名受试者的脑电信号 | 生物医学信息学 | 物质依赖障碍 | 脑电图 | 域对抗神经网络 | 脑电信号 | 18名受试者 | NA | 多源对抗自适应网络 | 准确率 | NA |
| 358 | 2025-10-06 |
[Study on dental image segmentation and automatic root canal measurement based on multi-stage deep learning using cone beam computed tomography]
2025-Aug-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202503008
PMID:40887191
|
研究论文 | 基于锥形束CT图像开发全自动牙齿分割和根管测量方法 | 采用多阶段深度学习方法实现牙齿分割和根管自动测量，分割性能指标优于现有方法 | NA | 为临床根管诊断分级、器械选择和术前规划提供客观高效的测量结果 | 锥形束CT牙齿图像 | 计算机视觉 | 牙科疾病 | 锥形束计算机断层扫描(CBCT) | 深度学习 | 医学图像 | NA | NA | Attention U-Net | Dice系数,Jaccard系数,Hausdorff距离,平均表面距离,相对误差,角度误差,正确分类率 | NA |
| 359 | 2025-10-06 |
[Brain midline segmentation method based on prior knowledge and path optimization]
2025-Aug-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202412032
PMID:40887192
|
研究论文 | 提出一种基于先验知识和路径优化的两阶段深度学习网络模型，用于解决脑中线分割精度不足和连续性差的问题 | 利用相邻脑中线切片特征一致性的先验知识，采用特征加权策略融合关联切片特征，并结合最优路径搜索策略解决分割不连续问题 | NA | 实现脑中线的精确分割 | 脑中线结构 | 医学图像分析 | 脑部疾病 | 深度学习 | 深度学习网络 | 医学影像 | CQ500数据集 | NA | 两阶段框架 | Dice相似系数, Hausdorff距离, 平均对称表面距离, 归一化表面Dice | NA |
| 360 | 2025-10-06 |
[Research progress in electroencephalogram-based brain age prediction]
2025-Aug-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202503043
PMID:40887200
|
综述 | 本文系统回顾了基于脑电图（EEG）的脑年龄预测研究进展，涵盖数据处理、特征提取、模型构建和结果评估等关键环节 | 全面梳理了EEG脑年龄预测领域的技术发展脉络，系统总结了机器学习和深度学习方法的应用现状，并探讨了未来研究方向 | 存在数据质量问题和模型可解释性挑战 | 推动基于EEG的脑年龄预测在临床和研究场景中的广泛应用 | 脑电图信号及其与脑功能状态的关系 | 机器学习 | 神经退行性疾病 | 脑电图（EEG） | 机器学习,深度学习 | 神经生理信号 | NA | NA | NA | NA | NA |