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 958 篇文献，本页显示第 741 - 760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 741 | 2025-10-06 |
Detecting wing fractures in chickens using deep learning, photographs and computed tomography scanning
2025-Aug, Poultry science
IF:3.8Q1
DOI:10.1016/j.psj.2025.105264
PMID:40398294
|
研究论文 | 本研究评估了三种深度学习模型在通过CT扫描和照片检测鸡翅骨折和挫伤方面的适用性 | 首次将深度学习技术应用于结合CT扫描和照片的鸡翅骨折与挫伤自动检测，相比传统人工检查更客观高效 | 样本量有限（306个CT扫描和285张照片），挫伤检测模型准确率相对较低（82%） | 开发自动化技术以改进家禽屠宰场的动物福利监测 | 鸡翅膀的骨折和软组织损伤（挫伤） | 计算机视觉 | 动物损伤 | 计算机断层扫描（CT）、摄影 | 深度学习 | CT扫描图像、照片 | 306个CT扫描和285张照片 | NA | 3D ResNet34, 2D EfficientNetV2_s | 准确率 | NA |
| 742 | 2025-10-06 |
Tailoring task arithmetic to address bias in models trained on multi-institutional datasets
2025-Aug, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2025.104858
PMID:40494422
|
研究论文 | 本研究提出两种基于任务向量的方法TAPER和DAPPER，用于减轻多机构数据集中因数据来源导致的模型偏差问题 | 将任务向量算术方法扩展到解决数据来源混淆偏差的新问题领域，提出了模型无关的偏差缓解策略 | 仅在三个数据集上进行了评估，需要更多验证 | 解决多机构临床数据训练中深度学习模型因数据来源导致的预测偏差问题 | 多机构临床数据集中的深度学习模型 | 自然语言处理 | NA | 任务向量算术 | RoBERTa, Llama-2 | 文本数据 | NA | NA | Transformer | 鲁棒性评估，分布偏移极端情况下的性能 | NA |
| 743 | 2025-10-06 |
Artificial Intelligence Solutions to Improve Emergency Department Wait Times: Living Systematic Review
2025-Aug, The Journal of emergency medicine
IF:1.2Q3
DOI:10.1016/j.jemermed.2025.05.031
PMID:40664005
|
living systematic review | 本系统综述评估人工智能在改善急诊科等待时间方面的应用现状和潜力 | 首次对AI在急诊科流程优化中的应用进行全面系统评价，并采用动态更新机制确保内容时效性 | 缺乏真实急诊科环境下的实施研究，大多数研究缺少急诊专家的参与 | 评估人工智能建模策略在优化急诊科流程和减少等待时间方面的应用 | 急诊科运营流程和患者等待时间 | 医疗健康信息学 | 急诊医学 | 系统文献综述方法 | 回归方法,传统机器学习,神经网络/深度学习,自然语言处理,集成方法 | 文献数据 | 16项定量观察性研究（从17,569篇筛选文献中选出） | NA | NA | 等待时间减少量（7-43.2分钟） | NA |
| 744 | 2025-10-06 |
HCCD: A handwritten camera-captured dataset for document enhancement under varied degradation conditions
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111849
PMID:40697364
|
研究论文 | 本文提出了一个用于真实场景下手写文档增强和识别任务的手写相机拍摄数据集HCCD | 与现有在受控环境下使用扫描仪或智能手机拍摄的数据集不同，HCCD包含实时相机拍摄的手写文档，具有多种自然退化特征 | NA | 解决智能手机拍摄的退化手写文档增强问题 | 手写文档图像 | 计算机视觉 | NA | 计算机视觉成像技术 | NA | 图像 | 多个人贡献的不同书写风格的手写文档 | NA | NA | NA | NA |
| 745 | 2024-12-05 |
Multimodal Deep Learning-based Radiomics Approach for Predicting Surgical Outcomes in Patients With Cervical Ossification of the Posterior Longitudinal Ligament
2025-Aug-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005227
PMID:39618126
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 746 | 2025-10-06 |
Multimodal Deep Learning for Grading Carpal Tunnel Syndrome: A Multicenter Study in China
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.043
PMID:40157849
|
研究论文 | 开发用于腕管综合征分级的多模态深度学习模型CTSGrader，整合临床信息和多模态超声特征 | 首次开发结合临床信息和多模态超声特征的联合深度学习模型用于CTS分级，并进行多中心验证和跨设备测试 | 回顾性研究设计，需要进一步前瞻性验证 | 通过深度学习模型改进腕管综合征的严重程度分级 | 腕管综合征患者 | 医学影像分析 | 腕管综合征 | 超声成像，电生理检查 | 深度学习模型 | 超声图像，临床数据 | 训练集680例，内部验证集173例，外部验证集174例，跨设备验证集224例 | NA | CTSGrader | AUC，准确率 | NA |
| 747 | 2025-10-06 |
Deep learning-based prediction of enhanced CT scans for lymph node metastasis in esophageal squamous cell carcinoma
2025-Aug, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01780-y
PMID:40214915
|
研究论文 | 本研究开发了一种结合CNN和LSTM的深度学习模型LymphoReso-Net，用于基于增强CT图像预测食管鳞癌淋巴结转移 | 提出了新型深度学习框架LymphoReso-Net，结合CNN和LSTM网络处理医学影像数据，并集成GRAD-CAM增强模型可解释性 | 回顾性研究设计，样本量相对有限（441例患者） | 优化食管鳞癌治疗策略，通过预测淋巴结转移改善患者预后 | 食管鳞癌患者 | 计算机视觉 | 食管癌 | 增强CT扫描 | CNN, LSTM | 医学影像 | 441例接受根治性食管切除术和区域淋巴结清扫术的ESCC患者 | NA | LymphoReso-Net | 准确率, 敏感度, 特异度, AUC-ROC | NA |
| 748 | 2025-10-06 |
Habitat Radiomics and Deep Learning Features Based on CT for Predicting Lymphovascular Invasion in T1-stage Lung Adenocarcinoma: A Multicenter Study
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.04.005
PMID:40253221
|
研究论文 | 本研究基于CT影像开发栖息地放射组学模型，用于预测T1期肺腺癌患者的淋巴血管侵犯 | 首次将栖息地放射组学应用于T1期肺腺癌LVI预测，并通过多中心研究验证其优于传统放射组学和深度学习模型 | 回顾性研究设计，样本量相对有限（349例患者） | 预测T1期肺腺癌患者的淋巴血管侵犯状态 | T1期肺腺癌患者 | 医学影像分析 | 肺癌 | CT成像，K-means聚类算法 | 放射组学模型，栖息地模型，深度学习模型 | CT影像 | 349例T1期肺腺癌患者（来自三个医疗中心） | NA | NA | AUC，校准曲线，决策曲线分析 | NA |
| 749 | 2025-10-06 |
Unsupervised deep clustering of high-resolution satellite imagery reveals phenotypes of urban development in Sub-Saharan Africa
2025-Aug-01, The Science of the total environment
DOI:10.1016/j.scitotenv.2025.179739
PMID:40480170
|
研究论文 | 使用无监督深度学习和高分辨率卫星图像对撒哈拉以南非洲城市发展表型进行聚类分析 | 提出新颖的分层深度学习框架，首次在缺乏传统数据的地区实现近实时城市监测 | 研究仅限于撒哈拉以南非洲四个城市，可能不适用于其他地理特征的城市 | 开发无监督深度学习方法以表征多维城市环境特征 | 撒哈拉以南非洲城市（阿克拉、达喀尔、达累斯萨拉姆、基加利）的卫星图像 | 计算机视觉 | NA | 卫星遥感成像 | 深度学习聚类 | 高分辨率卫星图像 | 四个非洲城市的卫星图像数据集 | NA | 分层深度学习框架 | 聚类一致性、区域分布百分比 | NA |
| 750 | 2025-10-06 |
Enhanced deep learning framework for real-time instrument detection and tracking in laparoscopic surgery using advanced augmentation and tracking techniques
2025-Aug, Surgical endoscopy
DOI:10.1007/s00464-025-11932-w
PMID:40588604
|
研究论文 | 开发了一个增强的深度学习框架，用于腹腔镜手术中实时器械检测与跟踪 | 集成YOLOv9n与先进跟踪算法ByteTrack和BoT-SORT，在快速运动和部分遮挡情况下仍能保持稳健跟踪性能 | 仅使用单一数据集(m2cai16-tool-locations)进行评估，未在更广泛临床场景中验证 | 提高微创手术中手术器械的实时检测与跟踪精度，优化手术工作流程 | 腹腔镜手术器械 | 计算机视觉 | NA | 深度学习，计算机视觉 | CNN | 图像 | m2cai16-tool-locations检测数据集 | NA | YOLOv9n, YOLOv8n, YOLOv5n, YOLOv11n, Faster R-CNN | 平均精度(mAP50), 推理速度 | NA |
| 751 | 2025-10-06 |
AI-Assisted Post Contrast Brain MRI: Eighty Percent Reduction in Contrast Dose
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.10.026
PMID:39592383
|
研究论文 | 本研究提出一种深度学习方法来预测仅使用20%标准剂量钆对比剂的多参数MRI生成全剂量对比增强T1w图像 | 首次使用深度学习从低剂量(20%)对比剂MRI合成全剂量对比增强图像，实现80%的对比剂剂量减少 | 研究样本量相对较小(101例患者)，且仅针对特定脑部疾病患者群体 | 在保证诊断准确性的前提下减少钆对比剂使用剂量 | 101例患有白质疾病、小血管疾病、肿瘤或肿块、术后改变和无增强病变的患者 | 医学影像分析 | 脑部疾病 | 多参数脑部MRI | 深度学习网络 | MRI图像 | 101例患者 | NA | NA | SSIM, PSNR, Likert量表评分, 非劣效性检验 | NA |
| 752 | 2025-10-06 |
A multi-stage 3D convolutional neural network algorithm for CT-based lung segment parcellation
2025-Aug, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70193
PMID:40698834
|
研究论文 | 开发了一种基于3D卷积神经网络的CT图像肺段分割算法 | 提出多阶段3D CNN算法，通过气道中心线检测和三级支气管识别实现端到端肺段分割 | COPD患者的分割结果与健康对照组相比存在更大不匹配 | 验证基于深度学习的CT肺段分割算法的临床适用性 | 混合气道疾病患者的胸部CT图像 | 计算机视觉 | 慢性阻塞性肺疾病 | CT成像 | CNN | 3D医学图像 | 123例训练CT图像，20例内部验证，20例外部验证（10例健康人，10例COPD患者） | NA | 3D卷积神经网络 | Dice系数, 包含率 | NA |
| 753 | 2025-10-06 |
Gradient-driven pixel connectivity convolutional neural networks classification based on U-Net lung nodule segmentation
2025-Aug, Medical engineering & physics
IF:1.7Q3
DOI:10.1016/j.medengphy.2025.104376
PMID:40701761
|
研究论文 | 提出一种基于U-Net肺结节分割和梯度驱动像素连接卷积神经网络的肺结节分类诊断辅助系统 | 结合U-Net分割网络与梯度驱动像素连接CNN分类器，实现肺结节的多层次特征分析与分类 | 仅使用LUNA16数据集，未在其他数据集验证模型泛化能力 | 开发基于深度学习的肺结节早期检测与分类系统 | CT图像中的肺结节 | 计算机视觉 | 肺癌 | 计算机断层扫描(CT) | CNN, U-Net | 医学图像 | LUNA16数据集 | NA | U-Net | 准确率, Dice相似系数 | NA |
| 754 | 2025-10-06 |
An enhanced UHMWPE wear particle detection approach based on YOLOv9
2025-Aug, Medical engineering & physics
IF:1.7Q3
DOI:10.1016/j.medengphy.2025.104377
PMID:40701762
|
研究论文 | 提出一种基于改进YOLOv9的UHMWPE磨损颗粒自动检测方法 | 集成可编程梯度信息(PGI)和广义高效层聚合网络(GELAN)提升小目标检测精度，采用定制化Focal Loss函数解决类别不平衡问题 | NA | 开发自动化UHMWPE磨损颗粒检测技术以替代传统人工检测 | 超高分子量聚乙烯(UHMWPE)磨损颗粒 | 计算机视觉 | 骨科疾病 | 场发射枪扫描电子显微镜(FEG-SEM) | YOLO | 图像 | NA | NA | YOLOv9, YOLOv5, YOLOv8, Faster R-CNN | 平均精度均值(mAP) | NA |
| 755 | 2025-10-06 |
Multimodal integration of longitudinal noninvasive diagnostics for survival prediction in immunotherapy using deep learning
2025-Aug-01, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocaf074
PMID:40418276
|
研究论文 | 本研究开发了一种新型多模态Transformer时序注意力网络，通过整合纵向非侵入性诊断数据来预测免疫治疗患者的生存率 | 提出了MMTSimTA网络架构，结合了时序注意力和多模态融合技术，专门用于处理纵向多模态医疗数据 | 研究基于单一中心的694名患者数据，需要外部验证来确认模型的泛化能力 | 利用深度学习整合多模态纵向数据改进免疫治疗患者的生存预测 | 694名接受免疫治疗的泛癌种患者 | 医疗人工智能 | 癌症 | CT成像、血液检测、药物治疗记录 | Transformer, 人工神经网络 | 纵向多模态数据（血液测量值、用药记录、CT器官体积） | 694名患者 | NA | MMTSimTA（多模态Transformer时序注意力网络） | AUC（曲线下面积） | NA |
| 756 | 2025-10-06 |
Continual learning across population cohorts with distribution shift: insights from multi-cohort metabolic syndrome identification
2025-Aug-01, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocaf070
PMID:40498469
|
研究论文 | 本研究通过持续学习方法解决代谢综合征识别中因医院与非医院环境分布偏移导致的灾难性遗忘问题 | 提出在医疗环境中应用持续学习策略，并发现训练顺序（从医院到非医院环境）对模型性能有显著影响 | 仅使用三个医疗数据集，可能无法完全代表所有现实医疗场景的分布偏移情况 | 开发能够适应不同医疗环境分布偏移的深度学习模型，提高代谢综合征识别的准确性和泛化能力 | 代谢综合征患者 | 机器学习 | 代谢综合征 | 深度学习 | 深度学习模型 | 医疗数据 | 三个医疗数据集（MIMIC、NHANES和专有数据集） | NA | NA | AUROC, 精确召回曲线下面积 | NA |
| 757 | 2025-10-06 |
StarNet: Indian star gooseberries dataset for quality and maturity assessment
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111825
PMID:40687364
|
研究论文 | 本文介绍了用于印度星醋栗质量与成熟度评估的StarNet数据集 | 创建了首个专门针对印度星醋栗的多类别图像数据集，包含不同成熟阶段、排列方式和标注样本 | 数据集仅包含792张图像样本，可能需要在更大规模数据上验证模型性能 | 开发自动化计算机视觉模型用于水果质量评估和分级 | 印度星醋栗水果 | 计算机视觉 | NA | 图像采集 | NA | 图像 | 792张星醋栗图像样本 | NA | NA | NA | NA |
| 758 | 2025-10-06 |
Okra disease dataset for classification and segmentation: Dataset collection, analysis and applications
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111662
PMID:40687361
|
研究论文 | 本文介绍了一个用于秋葵叶片疾病分类和分割的综合数据集，包含2500张在印度实地采集的图像 | 这是首个公开的印度秋葵叶片疾病数据集，在真实世界条件下采集，包含光照、叶片位置和环境因素的自然变化 | 数据集规模有限，未来需要扩展更多图像以包含不同生长阶段和环境条件 | 为早期植物疾病分类、检测和分割研究提供基准资源 | 秋葵叶片图像，包括健康叶片和五种疾病类别 | 计算机视觉 | 植物疾病 | 图像采集 | 深度学习模型 | 图像 | 2500张秋葵叶片图像，包含6个类别（1个健康类+5个疾病类） | NA | NA | NA | NA |
| 759 | 2025-10-06 |
InterDuPa-UAV: A UAV-based dataset for the classification of intercropped durian and papaya trees
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111843
PMID:40687368
|
研究论文 | 本文提出了一个基于无人机图像的榴莲和木瓜间作树木分类数据集 | 创建了首个专门针对榴莲和木瓜间作树木的无人机图像数据集，为多树种分类和精准农业决策提供资源 | 数据集仅包含两种树种，且来自单一混合种植园，可能限制模型的泛化能力 | 开发用于精准农业的多树种分类和空间模式分析的数据资源 | 间作种植的榴莲树和木瓜树 | 计算机视觉 | NA | 无人机航拍 | NA | 图像 | 311张无人机图像，包含3327张榴莲树图像和2872张木瓜树图像 | NA | NA | NA | NA |
| 760 | 2025-10-06 |
Current challenges and opportunities in active and passive data collection for mobile health sensing: a scoping review
2025-Aug, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooaf025
PMID:40688708
|
综述 | 本文通过范围综述分析了移动健康感知中主动和被动数据收集面临的挑战与机遇 | 首次系统性地识别和分析了移动健康感知中主动与被动数据收集并存的挑战，并提出了机器学习优化方案 | 仅纳入77项研究，可能未涵盖所有相关文献；仅关注同时收集主动和被动数据的研究 | 分析移动健康感知中数据收集的挑战并探索解决方案 | 使用移动和泛在设备进行健康数据收集的研究 | 机器学习 | NA | 移动感知技术 | NA | 主动数据和被动移动感知数据 | 77项符合纳入标准的研究 | NA | NA | NA | NA |