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 1042 篇文献，本页显示第 421 - 440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 421 | 2025-11-02 |
Wound Segmentation with U-Net Using a Dual Attention Mechanism and Transfer Learning
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01386-w
PMID:39849203
|
研究论文 | 提出一种融合双注意力机制和迁移学习的U-Net模型用于精确伤口分割 | 在U-Net架构中集成双注意力机制，结合VGG16和迁移学习技术 | NA | 开发精确的伤口图像分割方法以辅助皮肤病诊断和治疗 | 糖尿病足溃疡图像、急性和慢性伤口图像 | 计算机视觉 | 皮肤病 | 深度学习 | CNN, U-Net | 图像 | NA | NA | U-Net, VGG16 | Dice系数, IoU | NA |
| 422 | 2025-11-02 |
Multi-class Classification of Retinal Eye Diseases from Ophthalmoscopy Images Using Transfer Learning-Based Vision Transformers
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01416-7
PMID:39871038
|
研究论文 | 本研究探索基于视觉变换器和卷积神经网络的迁移学习方法，用于从眼底图像中分类视网膜疾病 | 采用眼科专用预训练ViT骨干网络，在视网膜疾病多分类任务中实现显著准确率提升 | 仅使用4217张图像的平衡子集，数据集规模有限 | 开发自动诊断视网膜疾病的深度学习模型 | 糖尿病视网膜病变、青光眼和白内障三种常见眼病 | 计算机视觉 | 视网膜疾病 | 眼底成像 | CNN, ViT | 图像 | 4217张眼底图像 | TensorFlow, PyTorch | ResNet50, DenseNet121, Inception-ResNetV2, ViT | 准确率, 精确率, 召回率, F1分数 | NA |
| 423 | 2025-11-02 |
In Vivo Confocal Microscopy for Automated Detection of Meibomian Gland Dysfunction: A Study Based on Deep Convolutional Neural Networks
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01174-y
PMID:39871043
|
研究论文 | 本研究基于深度卷积神经网络开发了一个自动诊断和分类睑板腺功能障碍的模型 | 首次将DenseNet-169架构应用于睑板腺功能障碍的IVCM图像自动诊断和分类 | 第五分类中睑板腺萎缩伴阻塞组的精确度相对较低 | 构建基于IVCM图像的睑板腺功能障碍自动诊断和分类系统 | 睑板腺功能障碍患者的在体共聚焦显微镜图像 | 计算机视觉 | 眼科疾病 | 在体共聚焦显微镜 | CNN | 图像 | 训练集6643张IVCM图像（来自3家医院），测试集1661张IVCM图像（来自另外2家医院） | NA | DenseNet-169 | AUROC, 准确率, 精确率, 召回率, 真阴性率, 真阳性率, 假阳性率 | NA |
| 424 | 2025-11-02 |
Validation of UniverSeg for Interventional Abdominal Angiographic Segmentation
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01349-7
PMID:39871044
|
研究论文 | 验证UniverSeg模型在介入性腹部血管造影分割中的可行性 | 首次在介入性血管造影数据上验证无血管造影训练的跨学习分割模型UniverSeg | 研究基于回顾性数据，模型性能受血管直径和分叉数量影响 | 评估UniverSeg模型在血管造影分割中的适用性 | 234名接受腹腔干介入性荧光检查的患者 | 医学影像分析 | 血管疾病 | 介入性荧光检查 | 深度学习分割模型 | 医学影像 | 234名患者的303张最大对比度图像 | NA | UniverSeg | Dice相似系数, 平衡平均Hausdorff距离 | NA |
| 425 | 2025-11-02 |
MHNet: Multi-view High-Order Network for Diagnosing Neurodevelopmental Disorders Using Resting-State fMRI
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01399-5
PMID:39875742
|
研究论文 | 提出一种多视角高阶网络MHNet，利用静息态功能磁共振成像数据诊断神经发育障碍 | 首次结合欧几里得空间和非欧几里得空间的多视角特征学习，通过高阶特征提取提升神经发育障碍分类性能 | 未明确说明模型计算复杂度及对临床应用的适用性 | 开发深度学习模型用于神经发育障碍的自动诊断 | 神经发育障碍患者（包括ASD和ADHD）的脑功能网络 | 医学影像分析 | 神经发育障碍 | 静息态功能磁共振成像 | CNN,GNN | 脑功能网络数据 | 三个公共数据集（未指定具体样本量） | NA | MHNet（包含ESFE模块、Non-ESFE模块和FFC模块） | 分类准确率 | NA |
| 426 | 2025-11-02 |
End-to-End Deep Learning Prediction of Neoadjuvant Chemotherapy Response in Osteosarcoma Patients Using Routine MRI
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01424-7
PMID:39875741
|
研究论文 | 开发端到端深度学习模型预测骨肉瘤患者新辅助化疗疗效 | 首次将ResUNet肿瘤分割与3D-ResNet-18疗效预测整合为端到端深度学习框架 | 回顾性研究且样本量有限（112例患者） | 利用常规MRI预测骨肉瘤患者新辅助化疗反应 | 经组织学确认的骨肉瘤患者 | 医学影像分析 | 骨肉瘤 | 磁共振成像（MRI） | 深度学习 | 医学影像 | 112例骨肉瘤患者（51例反应良好，61例反应不佳） | NA | ResUNet, 3D-ResNet-18 | AUC, ACC, Dice系数, IoU, 敏感度, 特异度, F1分数 | NA |
| 427 | 2025-11-02 |
Automatic Identification of Adenoid Hypertrophy via Ensemble Deep Learning Models Employing X-ray Adenoid Images
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01423-8
PMID:39885079
|
研究论文 | 本研究开发了一种基于集成深度学习的腺样体肥大自动识别方法，通过比较掩码和非掩码X射线图像分类性能 | 首次将集成深度学习模型应用于腺样体肥大识别，并系统比较了掩码预处理对分类性能的影响 | 数据集仅来自单一医院，样本来源有限，需要更多外部验证 | 开发自动识别腺样体肥大的AI方法，提高诊断准确性 | 腺样体肥大患者 | 计算机视觉 | 腺样体肥大 | X射线成像 | CNN | 图像 | 来自Batman培训研究医院的掩码和非掩码X射线图像数据集 | NA | EfficientNet, MobileNet, ResNet50, ResNet152, VGG16, Xception | 准确率, F1分数 | NA |
| 428 | 2025-11-02 |
DICOM LUT is a Key Step in Medical Image Preprocessing Towards AI Generalizability
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01418-5
PMID:39890738
|
研究论文 | 本研究探讨了医学图像预处理技术对深度学习模型泛化能力的影响 | 首次系统评估了直方图均衡化和VOI-LUT变换在胸部X光图像预处理中对AI模型泛化性能的影响 | 研究仅针对气胸诊断任务和胸部X光图像，未涵盖其他疾病类型和影像模态 | 评估不同医学图像预处理技术对深度学习模型性能的影响 | 胸部X光图像 | 医学影像分析 | 气胸 | 直方图均衡化, VOI-LUT变换 | 深度学习分类器 | 医学图像 | 内部CXR数据集和两个外部验证集 | NA | NA | 泛化性能, 过拟合程度 | NA |
| 429 | 2025-11-02 |
[Applications and perspectives of artificial intelligence in periodontology]
2025-Oct-01, Hua xi kou qiang yi xue za zhi = Huaxi kouqiang yixue zazhi = West China journal of stomatology
DOI:10.7518/hxkq.2025.2025103
PMID:41159323
|
综述 | 本文综述人工智能在牙周病学领域的应用现状与发展前景 | 系统阐述AI如何通过多模态数据整合推动牙周病精准医疗发展 | 模型泛化能力、数据质量、伦理问题和可解释性仍存在挑战 | 探讨人工智能技术在牙周病学领域的应用潜力与发展方向 | 牙周病临床诊疗与科研教育体系 | 自然语言处理, 机器学习 | 牙周病 | 深度学习, 机器学习, 自然语言处理 | NA | 影像数据, 医疗记录, 生活方式数据 | NA | NA | NA | NA | 多中心大数据平台 |
| 430 | 2025-11-02 |
Panoramic Nailfold Flow Velocity Measurement Method Based on Enhanced Plasma Gap Information
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01379-1
PMID:39762546
|
研究论文 | 提出一种基于增强血浆间隙信息的甲襞全景血流速度测量方法 | 使用深度学习模型将全景血流速度测量任务分解为多个血管流速测量任务，并提出血浆间隙信息增强方法 | NA | 开发甲襞全景血流速度自动测量方法 | 甲襞微循环血管 | 计算机视觉 | 血管疾病 | 甲襞成像 | 深度学习模型 | 视频 | NA | NA | NA | Pearson相关系数, 平均误差, t检验 | NA |
| 431 | 2025-11-02 |
Radiomics and Artificial Intelligence in Pulmonary Fibrosis
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01377-3
PMID:39762544
|
综述 | 本文通过范围综述探讨了放射组学与人工智能在特发性肺纤维化诊断和预后评估中的应用 | 系统评估了基于HRCT的深度学习方法在肺纤维化特征提取中的价值，并分析了定量评估纤维化程度的预后意义 | 纤维化程度定量评估的额外预后价值仍不确定，需要进一步研究验证 | 研究放射影像学和人工智能在特发性肺纤维化诊断和预后评估中的作用 | 特发性肺纤维化患者的HRCT影像数据 | 数字病理学 | 肺纤维化 | 高分辨率计算机断层扫描(HRCT) | 深度学习 | 医学影像 | NA | NA | NA | k折交叉验证 | NA |
| 432 | 2025-11-02 |
Deep Learning Analysis of White Matter Hyperintensity and its Association with Comprehensive Vascular Factors in Two Large General Populations
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01372-8
PMID:39762547
|
研究论文 | 使用深度学习模型分析两个大规模普通人群中白质高信号与综合血管因素之间的关联 | 首次在两个大规模普通人群队列中系统评估综合血管因素与白质高信号体积的关联 | 横断面研究设计无法确定因果关系 | 探究血管因素与白质高信号体积在普通人群中的关联 | 两个普通人群队列：Asan医学中心健康检查人群(n=7471)和韩国基因组与流行病学研究队列(n=2511) | 医学影像分析 | 脑血管疾病 | 磁共振成像 | 深度学习 | 医学影像 | 总计9982个样本(AMC:7471, KoGES:2511) | nnU-Net | nnU-Net | β系数, 95%置信区间, p值 | NA |
| 433 | 2025-11-02 |
Multi-Class Brain Tumor Grades Classification Using a Deep Learning-Based Majority Voting Algorithm and Its Validation Using Explainable-AI
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01368-4
PMID:39779641
|
研究论文 | 开发基于MRI和集成深度学习的多类别脑肿瘤分级分类系统，并通过可解释AI验证结果 | 采用基于多数投票算法的集成深度学习框架，结合七种深度学习模型和七种机器学习模型，并首次在脑肿瘤分类中应用LIME可解释AI算法 | NA | 开发一种经济高效、非侵入性的MRI辅助诊断工具，用于准确快速识别脑肿瘤分级 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | CNN, 集成学习 | 医学图像 | 五个数据集：二分类(C2)、三分类(C3)、四分类(C4)、五分类(C5)和六分类(C6) | NA | EfficientNet, VGG16, ResNet18, GoogleNet, ResNet50, Inception-V3, DarkNet | 准确率 | NA |
| 434 | 2025-11-01 |
MicroRNA bioinformatics in precision oncology: an integrated pipeline from NGS to AI-based target discovery
2025-Oct-31, Journal of applied genetics
IF:2.0Q3
DOI:10.1007/s13353-025-01024-9
PMID:41168533
|
综述 | 本文提出了一种整合生物信息学、机器学习和大型语言模型的miRNA分析流程，用于精准肿瘤学中的生物标志物发现 | 将碎片化的miRNA分析方法整合为统一的计算流程，并引入生成模型和大型语言模型来增强生物标志物发现的假设生成和可重复性 | 作为综述文章，未提供原始实验验证，主要基于现有文献和工具的分析与整合 | 加速基于miRNA的精准癌症研究发展，为早期检测、预后和治疗选择提供转化应用 | microRNAs（miRNAs）作为癌症生物标志物 | 生物信息学 | 癌症 | NGS（下一代测序），多组学整合 | SVM, CNN, RNN, 生成模型, LLM | 测序数据，多组学数据 | NA | NA | NA | NA | NA |
| 435 | 2025-11-01 |
High-throughput evaluation of in vitro CRISPR activities enables optimized large-scale multiplex enrichment of rare variants
2025-Oct-30, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-025-01535-0
PMID:41168295
|
研究论文 | 开发了两种高通量体外评估CRISPR活性的方法及深度学习模型，用于优化大规模多重富集稀有变异 | 首次开发了直接测量Cas9切割效率的高通量体外方法Cut-seq1/2，并基于此构建了能识别优化单导RNA的深度学习模型DeepCut | 体外切割效率与细胞内插入缺失频率相关性较低 | 优化CRISPR核酸酶活性评估并开发稀有变异检测方法 | Cas9切割效率、单导RNA-靶标对、稀有变异 | 机器学习 | NA | CRISPR, 深度测序 | 深度学习 | 基因组序列数据 | 数万至数十万向导RNA-靶标对 | NA | NA | 切割效率, 相关性分析 | NA |
| 436 | 2025-11-01 |
Malignant pleural mesothelioma classification and survival prediction with CT imaging using ResNet
2025-Oct-30, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12094-y
PMID:41168494
|
研究论文 | 本研究使用ResNet-3D-18模型通过CT影像区分恶性胸膜间皮瘤和转移性胸膜疾病，并预测患者总生存期 | 首次将深度学习模型同时应用于恶性胸膜间皮瘤的分类诊断和生存预测，证明形态学特征包含预后信息 | 回顾性研究设计，样本量相对有限（共385例），需要外部验证 | 实现恶性胸膜间皮瘤与转移性胸膜疾病的准确区分及生存期预测 | 恶性胸膜间皮瘤患者和转移性胸膜疾病患者 | 计算机视觉 | 肺癌 | CT成像 | CNN | 医学影像 | 385例患者（85例恶性胸膜间皮瘤，290例转移性胸膜疾病） | PyTorch | ResNet-3D-18 | AUC, 准确率, 敏感度, 特异度, 阳性预测值, 阴性预测值 | NA |
| 437 | 2025-11-01 |
Intelligent Diagnosis of Follicular Carcinoma Thyroid Cancer with a Novel Deep Learning Model
2025-Oct-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01723-z
PMID:41168629
|
研究论文 | 开发一种新型可解释深度学习模型用于术前区分甲状腺滤泡癌和滤泡腺瘤 | 首次提出端到端图卷积网络，显式利用肿瘤边界这一关键诊断特征，并采用最大码率减少损失优化特征判别能力 | 样本量相对有限，仅包含577名患者 | 开发可靠的AI辅助甲状腺癌诊断方法 | 甲状腺滤泡癌(FTC)和滤泡腺瘤(FTA)患者 | 计算机视觉 | 甲状腺癌 | 超声成像 | 图卷积网络 | 超声图像 | 577名患者(435名女性，142名男性)，共4358张甲状腺超声图像 | NA | 图卷积网络 | 准确率,AUC | NA |
| 438 | 2025-11-01 |
Endoscopic Ultrasound of Pancreatic Tumors: A Dataset with Benchmarks for Convolutional Neural Network Classifiers
2025-Oct-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01729-7
PMID:41168630
|
研究论文 | 本文介绍了一个用于胰腺肿瘤分类的新型内镜超声数据集，并提供了基于卷积神经网络的基准测试结果 | 提出了首个专门用于胰腺肿瘤分析的内镜超声数据集，包含7825张图像和对应的分割掩码，并提供了分类、分割和可解释性AI的基准结果 | 分类模型性能与可解释性之间存在差距，软DICE评分较低（8.69%-40.81%） | 推进胰腺癌计算机辅助诊断研究，提供标准数据集和基准测试 | 606名患者的7825张内镜超声图像，包含肿瘤（175次检查）和无肿瘤（431次检查）两类 | 数字病理 | 胰腺癌 | 内镜超声 | CNN | 图像 | 606名患者的7825张内镜超声图像 | NA | EfficientNetV2, U-Net | 准确率, AUC, Dice系数, 软Dice评分 | NA |
| 439 | 2025-11-01 |
ProtoMM: Interpretable Prototype-Based Multimodal Model for Brain Cancer Survival Prediction
2025-Oct-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01713-1
PMID:41168627
|
研究论文 | 提出一种基于原型的可解释多模态模型ProtoMM，用于脑癌生存预测 | 采用自解释原型和透明推理过程，通过多模态融合增强模态间交互，提供可靠病例解释 | NA | 开发可解释的多模态深度学习模型用于医疗数据分析 | 脑癌患者生存预测 | 医学影像分析 | 脑癌 | 多模态融合 | 原型网络 | 多模态医疗数据 | NA | NA | ProtoMM | C-Index | NA |
| 440 | 2025-11-01 |
Deep Learning-based Model for Breast Implant Classification in Ultrasonography: A Multi-Institutional Model Development and Validation Study
2025-Oct-30, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf220
PMID:41168671
|
研究论文 | 开发基于深度学习的超声图像乳房假体分类模型并进行多机构验证 | 首次利用深度学习模型对超声图像中的乳房假体进行自动分类，并采用Grad-CAM增强模型可解释性 | 研究中存在一定局限性 | 开发可靠的乳房假体识别方法以解决患者假体信息缺失问题 | 乳房假体 | 计算机视觉 | 乳房假体相关 | 超声成像 | 深度学习 | 图像 | 来自2580名患者的4136个乳房假体的28712个超声PNG文件 | NA | NA | 平衡准确度 | NA |