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 1162 篇文献，本页显示第 1161 - 1162 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1161 | 2025-05-18 |
Breast tumor diagnosis via multimodal deep learning using ultrasound B-mode and Nakagami images
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S2.S22009
PMID:40375887
|
研究论文 | 本文提出并评估了一种结合超声B模式和Nakagami参数图像的多模态深度学习方法，用于乳腺肿瘤分类 | 通过整合B模式图像的亮度信息和Nakagami图像的散射特性，提高了诊断性能，相比单输入方法有显著改进 | 研究样本量相对有限，仅包含264名患者的831次超声采集 | 提升乳腺肿瘤分类的准确性和诊断效率 | 乳腺肿瘤的超声图像 | 数字病理 | 乳腺癌 | 超声成像 | EfficientNetV2B0 | 图像 | 264名患者的831次超声采集 | NA | NA | NA | NA |
| 1162 | 2025-05-02 |
Impact of synthetic data on training a deep learning model for lesion detection and classification in contrast-enhanced mammography
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S2.S22006
PMID:40302983
|
研究论文 | 探讨合成数据在训练深度学习模型用于对比增强乳腺摄影中病变检测和分类的影响 | 研究合成数据（特别是模拟微钙化簇）对提升深度学习模型性能的潜力，尤其是在真实数据稀缺的情况下 | 合成数据加入较小真实训练集时虽提高恶性病变检测灵敏度但降低了精确度，且集成模型性能不如独立DL模型 | 优化对比增强乳腺摄影中病变检测和分类的深度学习模型性能 | 乳腺摄影图像中的增强肿块和微钙化簇 | 数字病理学 | 乳腺癌 | 深度学习与放射组学分类器集成 | DL（深度学习模型）与放射组学分类器 | 图像（低能量与重组对比增强乳腺摄影图像） | 训练集：782例无病变乳房（合成数据）+850例真实患者；验证集：内部212例+外部279例真实患者 | NA | NA | NA | NA |