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 761 - 780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 761 | 2025-10-06 |
A modular deep learning pipeline for enhanced plane-wave beamforming and B-mode image quality
2025-Aug, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17948
PMID:40698752
|
研究论文 | 提出一种模块化深度学习管道，用于增强平面波波束成形和B模式图像质量 | 将波束成形过程分为两个模块：基于多注意力U-Net的模型用于捕获时延数据中的复杂依赖关系，以及超分辨率模型用于缩放到原始B模式图像网格 | 同时管理两个模型增加了复杂性 | 克服传统波束成形方法的限制，提高平面波图像质量和模块化程度 | 超声成像中的平面波技术 | 医学影像处理 | NA | 平面波超声成像 | U-Net, 超分辨率模型 | 模拟数据、实验数据、体内数据 | PICMUS数据集中的模拟、实验和体内数据 | NA | 多注意力U-Net, 超分辨率模型 | 对比噪声比(CNR), 对比度比(CR), 广义对比噪声比(gCNR), 分辨率 | NA |
| 762 | 2025-05-02 |
Enhancing the Diagnostic Accuracy of Deep Learning-Based CTS Grading Could Expand Its Clinical Applicability
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.04.022
PMID:40307112
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 763 | 2025-07-23 |
Prediction of EGFR Mutations in Lung Adenocarcinoma via CT Images: A Comparative Study of Intratumoral and Peritumoral Radiomics, Deep Learning, and Fusion Models
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.04.029
PMID:40328536
|
研究论文 | 本研究通过CT图像的放射组学和深度学习方法分析肺腺癌患者的肿瘤内和肿瘤周围特征，并开发验证了一种多模型融合策略来预测表皮生长因子受体（EGFR）突变状态 | 结合肿瘤内和肿瘤周围区域的放射组学与深度学习模型，采用软投票策略的多模态融合方法，显著提高了预测性能 | 研究基于回顾性数据，可能存在选择偏差 | 预测肺腺癌患者的EGFR突变状态 | 826名肺腺癌患者的CT图像数据 | 数字病理 | 肺腺癌 | 放射组学特征提取、深度学习 | Lasso、多种机器学习算法、nnUNet、2D/2.5D/3D深度学习模型 | CT图像 | 826名患者（来自两家医院） | NA | NA | NA | NA |
| 764 | 2025-07-23 |
Cutoff SUVR of [18F]Florapronol PET for Differentiating Alzheimer's Dementia from Normal Controls: Insights from ROC Analysis and Partial Volume Correction
2025-Aug, Nuclear medicine and molecular imaging
IF:1.3Q3
DOI:10.1007/s13139-025-00911-7
PMID:40686829
|
research paper | 本研究旨在通过[18F]florapronol PET成像和深度学习自动量化软件，建立一个可靠的SUVR截止阈值来区分阿尔茨海默病（AD）患者与正常对照（NC）个体 | 结合部分体积校正（PVC）与SUVR分析以提高AD诊断准确性，并通过深度学习自动量化软件建立标准化的SUVR阈值 | 研究排除了轻度认知障碍（MCI）患者，样本量相对较小（n=141） | 建立可靠的SUVR截止阈值以区分AD患者与NC个体，并评估PVC对诊断准确性的影响 | 55名AD患者（排除MCI）和86名NC对照 | digital pathology | Alzheimer's disease | [18F]florapronol PET imaging, deep learning-based automated quantification | deep learning | PET imaging data | 141 participants (55 AD patients and 86 NC controls) | NA | NA | NA | NA |
| 765 | 2025-07-23 |
Modern statistical techniques for cardiothoracic surgeons: Part 8-Bayesian analysis and beyond
2025-Aug, Indian journal of thoracic and cardiovascular surgery
IF:0.7Q4
DOI:10.1007/s12055-025-01941-8
PMID:40693004
|
研究论文 | 本文探讨了贝叶斯分析和机器学习在心胸外科研究中的应用及其潜力 | 结合贝叶斯分析和机器学习，整合先验知识与数据驱动分析，为心胸外科研究提供新的统计方法 | 未具体说明实际应用案例或实验验证结果 | 探讨现代统计技术在心胸外科研究中的应用 | 心胸外科研究中的统计方法 | 机器学习 | 心血管疾病 | 贝叶斯分析、深度学习、聚类 | NA | 大型数据集 | NA | NA | NA | NA | NA |
| 766 | 2025-07-22 |
Ensemble learning approach for detecting breast invasive ductal carcinoma from histopathological images
2025-Aug, Pathology, research and practice
DOI:10.1016/j.prp.2025.156041
PMID:40460639
|
研究论文 | 本文提出了一种集成学习方法，用于从组织病理学图像中检测乳腺浸润性导管癌 | 结合多种深度学习模型的优势，提出加权平均集成算法，显著提高诊断准确性和鲁棒性 | 未提及模型在临床环境中的实际应用验证及对不同分辨率图像的普适性 | 提高乳腺浸润性导管癌的诊断准确率 | 乳腺组织病理学切片图像 | 数字病理学 | 乳腺癌 | 深度学习集成方法 | ResNet50, Xception, MobileNetV2, VGG16, VGG19的集成模型 | 图像 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 767 | 2025-07-22 |
Machine learning-based histopathological features of histological slides and clinical characteristics as a novel prognostic indicator in diffuse large B-cell lymphoma
2025-Aug, Pathology, research and practice
DOI:10.1016/j.prp.2025.156071
PMID:40499499
|
研究论文 | 本研究开发并验证了一种基于临床和组织病理学特征的深度学习模型，用于预测弥漫性大B细胞淋巴瘤（DLBCL）的预后 | 结合临床特征和组织病理学特征，开发了一种新型的非侵入性预后预测方法 | 样本量相对较小（194例患者），且仅基于单一机构的回顾性数据 | 预测弥漫性大B细胞淋巴瘤（DLBCL）患者的预后 | 194例DLBCL患者的全切片图像和临床特征 | 数字病理学 | 弥漫性大B细胞淋巴瘤 | 深度学习，Cox回归分析，AUC分析，校准曲线，决策曲线分析（DCA） | 深度学习模型 | 图像（全切片图像），临床数据 | 194例患者 | NA | NA | NA | NA |
| 768 | 2025-10-06 |
Exploring Machine Learning Models for Vault Safety in ICL Implantation: A Comparative Analysis of Regression and Classification Models
2025-Aug, Ophthalmology and therapy
IF:2.6Q2
DOI:10.1007/s40123-025-01173-4
PMID:40493108
|
研究论文 | 本研究比较了回归和分类机器学习模型在预测ICL植入术后拱高安全性的性能 | 首次系统比较回归和分类方法在ICL术后拱高预测中的表现，发现分类模型在临床应用方面更具优势 | 所有模型在预测极端拱高类别时都面临挑战，准确性有待提高 | 评估机器学习模型在预测ICL植入术后拱高方面的性能 | 接受ICL V4c植入术患者的生物特征和人口统计学数据 | 机器学习 | 眼科疾病 | 机器学习建模 | 梯度提升, 随机森林, CatBoost | 生物特征数据, 人口统计学数据 | NA | NA | 梯度提升, 随机森林, CatBoost | 平均绝对误差, 均方根误差, 准确率, F1分数, AUC | NA |
| 769 | 2025-10-06 |
Artificial intelligence and first-principle methods in protein redesign: A marriage of convenience?
2025-Aug, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70210
PMID:40671352
|
研究论文 | 本文验证并比较了蛋白质重新设计中广泛使用的深度学习工具与第一性原理方法，探索了它们的组合应用 | 开发了TriCombine工具识别残基三角形并基于替换频率评分突变体，提出了AI建模工具与力场评分函数结合的混合策略 | 所有方法在应用于未解析的从头设计模型时性能下降，逆折叠工具在代表性不足的蛋白质上准确性降低 | 评估蛋白质重新设计工具的效能并探索治疗性重定向的潜力 | 蛋白质变体、SH3突变体、GB1突变体、天然和从头设计结构域 | 计算生物学 | NA | 深度学习、第一性原理方法、力场计算、逆折叠工具 | 深度学习模型 | 蛋白质结构数据、突变体数据、晶体结构 | 16个SH3突变体、36个突变体、11个晶体结构、160,000个GB1四站点突变体、163,555个变体覆盖179个结构域 | NA | AlphaFold2 | 序列恢复准确性、突变效应检测准确性 | NA |
| 770 | 2025-10-06 |
A dataset for classifying phrases and sentences into statements, questions, or exclamations based on sound pitch
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111826
PMID:40677266
|
研究论文 | 本文介绍了基于声音音调将短语和句子分类为陈述句、疑问句或感叹句的数据集SQEBSP | 创建了首个针对库尔德语的韵律分类数据集，包含12,660个专业录制的语音片段，特别关注音调变化在低资源语言中的语义重要性 | 数据集仅限于库尔德语和伊拉克库尔德斯坦地区的方言，可能不适用于其他语言或方言 | 开发基于音调的语音分类算法，推进低资源语言的发音建模 | 431名伊拉克库尔德斯坦地区的母语库尔德语使用者 | 自然语言处理 | NA | 语音录制，Mel频率倒谱系数(MFCCs)分析 | NA | 语音音频 | 12,660个语音片段，来自431名说话者，每个韵律类别约4,200个样本 | NA | NA | NA | NA |
| 771 | 2025-10-06 |
Enhanced accuracy and stability in automated intra-pancreatic fat deposition monitoring of type 2 diabetes mellitus using Dixon MRI and deep learning
2025-Aug, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04804-3
PMID:39841227
|
研究论文 | 开发基于Dixon MRI和深度学习的自动化胰腺内脂肪沉积监测方法，用于2型糖尿病风险评估 | 结合深度语义分割特征放射组学与传统放射组学特征，构建深度学习放射组学模型，显著提升胰腺内脂肪沉积评估的准确性和稳定性 | 回顾性研究设计，前驱糖尿病患者样本量有限导致部分测试未能进行 | 开发准确自动的胰腺内脂肪沉积评估方法以监测2型糖尿病风险 | 来自两个中心的534名接受上腹部MRI检查的患者 | 医学影像分析 | 2型糖尿病 | Dixon MRI，多回波和双回波序列 | 深度学习，支持向量机 | MRI图像 | 534名患者（来自两个医疗中心） | nnU-Net | U-Net | AUC，Dice相似系数，组内相关系数 | NA |
| 772 | 2025-10-06 |
Establishing a Deep Learning Model That Integrates Pretreatment and Midtreatment Computed Tomography to Predict Treatment Response in Non-Small Cell Lung Cancer
2025-Aug-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.03.012
PMID:40089073
|
研究论文 | 本研究开发了一种整合治疗前和治疗中CT图像的深度学习模型，用于预测非小细胞肺癌患者的放疗反应 | 首次提出整合治疗前和治疗中不同时间点的CT图像，并建立变时间间隔LSTM网络来预测放疗反应 | 回顾性研究，样本量相对有限（168例患者），需要进一步前瞻性验证 | 预测非小细胞肺癌患者对放疗的治疗反应，并实现个性化剂量递增 | 非小细胞肺癌患者 | 医学影像分析 | 肺癌 | 计算机断层扫描（CT） | LSTM | 医学影像（CT图像） | 168例NSCLC患者（来自3家医院：SGH 35例，SCH 93例，LCH 40例） | NA | 变时间间隔长短期记忆网络 | AUC, 预测绝对误差 | NA |
| 773 | 2025-10-06 |
Deep learning-based laser weed control compared to conventional herbicide application across three vegetable production systems
2025-Aug, Pest management science
IF:3.8Q1
DOI:10.1002/ps.8912
PMID:40555698
|
研究论文 | 比较基于深度学习的激光除草技术与传统除草剂在三种蔬菜生产系统中的效果 | 首次在多种蔬菜生产系统中系统评估商业激光除草单元与传统除草剂的杂草控制效果对比 | 对马齿苋和一年生禾本科杂草效果较差，需要进一步优化不同环境和杂草物种的应用 | 评估激光除草技术在蔬菜生产系统中的有效性和可行性 | 甜菜、菠菜和豌豆三种蔬菜作物及其相关杂草 | 农业技术 | 杂草管理 | 激光除草技术 | 深度学习 | 田间试验数据 | 在新泽西州和纽约州进行的三个研究试验 | NA | NA | 杂草覆盖率、杂草密度、杂草生物量、作物生长抑制率、作物生物量 | NA |
| 774 | 2025-10-06 |
Brain Age Prediction: Deep Models Need a Hand to Generalize
2025-Aug-01, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.70254
PMID:40667664
|
研究论文 | 本研究通过综合预处理、数据增强和模型正则化技术提升基于T1加权MRI的脑年龄预测模型的泛化能力 | 提出结合预处理、数据增强和正则化的综合方法，显著缩小脑年龄预测模型的泛化差距 | 模型性能仍受限于医学影像训练数据量，且在不同数据集上的改进效果存在差异 | 提高深度学习模型在脑年龄预测任务中的泛化能力和临床适用性 | T1加权磁共振成像数据 | 医学影像分析 | 阿尔茨海默病 | T1加权MRI | CNN | 医学影像 | 英国生物银行数据集、ADNI数据集和AIBL数据集 | NA | SFCN-reg, VGG-16 | 平均绝对误差, 扫描重扫描误差 | NA |
| 775 | 2025-10-06 |
Deep learning can predict cardiovascular events from liver imaging
2025-Aug, JHEP reports : innovation in hepatology
IF:9.5Q1
DOI:10.1016/j.jhepr.2025.101427
PMID:40671834
|
研究论文 | 本研究开发了一种基于视觉Transformer的深度学习模型，能够通过肝脏MRI图像预测心血管事件风险 | 首次将视觉Transformer应用于肝脏MRI数据，以自监督方式提取特征来预测心血管风险，无需手动特征选择 | 需要进一步的前瞻性研究和外部验证来确定临床实用性 | 通过肝脏MRI图像增强心血管风险预测能力 | 英国生物银行中的肝脏MRI数据 | 计算机视觉 | 心血管疾病 | 磁共振成像(MRI) | Transformer | 图像 | 44,672个肝脏MRI扫描 | NA | Vision Transformer | AUC, F-statistic, log-rank test | NA |
| 776 | 2025-10-06 |
Identifying and Evaluating Salt-Tolerant Halophytes Along a Tropical Coastal Zone: Growth Response and Desalination Potential
2025-Aug, Plant-environment interactions (Hoboken, N.J.)
DOI:10.1002/pei3.70072
PMID:40672803
|
研究论文 | 本研究通过深度学习图像识别和温室实验评估加纳海岸带盐生植物的耐盐性和脱盐潜力 | 结合深度学习图像识别技术与温室实验，系统评估热带海岸带盐生植物在不同盐浓度和土壤类型下的生长响应和脱盐能力 | 仅选取五种盐生植物进行研究，样本量有限；实验条件为受控温室环境，与野外自然条件存在差异 | 探索加纳海岸带盐生植物的耐盐特性和土壤脱盐潜力 | 加纳海岸带盐生植物 | 计算机视觉 | NA | 深度学习图像识别，温室实验 | NA | 图像，实验数据 | 五种盐生植物，三种盐浓度(0、25、50 dS/m)，两种土壤类型(海沙和耕地土壤) | NA | NA | 相对生长速率(RGR)，性能指数(PI)，土壤电导率(EC)，总溶解固体(TDS)，pH值，钠离子和氯离子含量 | NA |
| 777 | 2025-10-06 |
ViCoW: A dataset for colorization and restoration of Vietnam War imagery
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111815
PMID:40673188
|
研究论文 | 发布越南战争时期图像着色与修复的数据集ViCoW | 提供首个专门针对越南战争时期历史影像的高分辨率图像对数据集，包含原始彩色帧与对应灰度版本 | 数据集规模相对有限（1896对图像），仅包含四部越南电影素材 | 支持历史图像修复与着色研究，促进数字遗产保护 | 越南战争时期历史影像 | 计算机视觉 | NA | ITU-R BT.601亮度公式 | 深度学习模型 | 图像 | 1896对高分辨率图像（来自四部越南电影） | NA | NA | NA | NA |
| 778 | 2025-10-06 |
Smartphone image dataset for machine learning-based monitoring and analysis of mango growth stages
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111780
PMID:40673194
|
研究论文 | 本文开发了一个用于芒果生长阶段监测和分析的标准化智能手机图像数据集 | 创建了孟加拉国首个标准化的芒果生长阶段图像数据集，填补了该国农业领域机器学习应用的数据空白 | 数据集仅包含单一品种芒果在特定地区的图像，可能无法完全代表所有芒果品种和生长环境 | 开发标准化的芒果生长阶段图像数据集以支持机器学习在农业监测中的应用 | 芒果生长阶段的图像数据 | 计算机视觉 | NA | 智能手机图像采集 | NA | 图像 | 2004张图像，分为四个生长阶段：早期果实、未成熟、成熟和成熟期 | NA | NA | NA | NA |
| 779 | 2025-10-06 |
Deep learning empowers genomic selection of pest-resistant grapevine
2025-Aug, Horticulture research
IF:7.6Q1
DOI:10.1093/hr/uhaf128
PMID:40673235
|
研究论文 | 本研究结合深度学习与基因组选择技术，开发了预测葡萄抗虫性的方法 | 首次将深度卷积神经网络应用于葡萄叶片虫害评估，并结合多组学数据进行基因组选择 | 研究仅针对葡萄品种，样本量为231个种质资源 | 开发基于深度学习的基因组选择方法培育抗虫葡萄品种 | 葡萄叶片虫害表型和基因组数据 | 计算机视觉,机器学习 | 植物虫害 | 基因组重测序,转录组测序,植物表型组学 | CNN,DCNN | 图像,基因组数据,转录组数据 | 231个葡萄种质资源 | NA | VGG16,DCNN-PDS | 准确率,相关系数 | NA |
| 780 | 2025-07-20 |
Deep learning's crystal ball: Predicting HCC surgery success with multimodal imaging
2025-Aug-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001410
PMID:40680277
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |