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 1720 篇文献，本页显示第 1501 - 1520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1501 | 2025-11-06 |
PET/CT radiomics for non-invasive prediction of immunotherapy efficacy in cervical cancer
2025-Nov, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996251367203
PMID:40874782
|
研究论文 | 开发基于深度学习的PET/CT影像组学模型，用于预测宫颈癌免疫治疗疗效 | 结合医学先验知识开发深度学习自动分割模型，探索PET/CT影像组学特征与PD-L1表达的相关性，并构建免疫治疗疗效预测模型 | 回顾性研究，样本量相对有限（283例），需要进一步前瞻性验证 | 预测宫颈癌患者免疫治疗疗效，开发非侵入性预测工具 | 283例经病理确诊的宫颈癌患者 | 数字病理 | 宫颈癌 | F-FDG PET/CT成像 | 深度学习, SVM | PET/CT医学影像 | 283例宫颈癌患者（分为三个子集：97例用于分割模型开发，101例用于特征相关性分析，85例用于预测模型验证） | NA | Attention-UNet | IoU, ICC, AUC, P值 | NA |
| 1502 | 2025-11-06 |
Multimodal synthetic CT generation in tumor radiotherapy
2025-Nov, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70117
PMID:41188014
|
研究论文 | 提出基于Mamba块和残差约束策略的RC-MambaGAN模型，用于从MRI生成高质量合成CT图像 | 首次将Mamba块集成到生成对抗网络中，结合残差约束策略，在最小增加计算复杂度的情况下显著提升合成CT的全局上下文建模能力和局部细节精度 | 研究主要针对肿瘤和盆腔区域数据，在其他解剖区域的泛化能力有待验证 | 提高从MRI生成合成CT图像的准确性，推进仅使用MRI的放疗工作流程 | 肿瘤和盆腔区域的多中心医学影像数据 | 医学影像分析 | 肿瘤 | MRI, CT | GAN | 医学影像 | 多中心数据集，包含肿瘤和盆腔区域数据 | NA | RC-MambaGAN, Mamba块, 残差约束 | MAE, PSNR, SSIM, MI | NA |
| 1503 | 2025-11-06 |
Bridging Radiologic Reasoning and Artificial Intelligence: Explainable Deep Learning for Focal Liver Lesions
2025-Nov, Radiology. Artificial intelligence
DOI:10.1148/ryai.250806
PMID:41190941
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1504 | 2025-11-05 |
AI-Enhanced Lateral Flow Assay Enables 3-Minute Quantitative Detection with Laboratory-Grade Accuracy
2025-Nov-04, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c05108
PMID:41124618
|
研究论文 | 开发了一种基于深度学习的快速定量侧向流动检测方法，可在3分钟内实现实验室级别的精准检测 | 融合ResNet空间特征提取和DyFormer动态时序建模的创新架构，首次实现3分钟快速定量检测 | 仅在COVID-19和乙肝病毒数据集上验证，需要更多疾病类型的验证 | 克服传统侧向流动检测技术检测时间长且只能定性分析的局限性 | 侧向流动免疫检测平台 | 计算机视觉 | 传染病 | 侧向流动免疫检测 | 深度学习 | 图像 | COVID-19和乙肝病毒数据集 | NA | ResNet,DyFormer | 准确率,灵敏度,特异性,决定系数 | NA |
| 1505 | 2025-11-05 |
IoT-powered wearable assist device for visually impaired
2025-Nov-03, Disability and rehabilitation. Assistive technology
DOI:10.1080/17483107.2025.2582033
PMID:41182323
|
研究论文 | 开发并评估一种基于物联网的可穿戴辅助设备，通过实时物体检测、面部识别和障碍物感知技术提升视障人士的环境感知和自主导航能力 | 将SVM、ResNet-50和YOLOv4等多种深度学习算法集成到统一框架中，实现低延迟的多目标识别和面部识别功能 | 需要进一步进行大规模用户验证以提升设备的可用性、可访问性和用户舒适度 | 开发能够改善视障人士障碍物感知、移动能力和环境交互的可穿戴辅助技术 | 视障人士 | 计算机视觉 | 视力障碍 | 深度学习、机器学习 | SVM, CNN | 图像数据、传感器数据 | 未明确说明样本数量 | NA | ResNet-50, YOLOv4 | 准确率, 精确率, 召回率, F1分数 | ESP32-CAM模块, Arduino微控制器 |
| 1506 | 2025-11-05 |
Novel Approach for Decoding Olfactory Receptors Interactions With Molecules Based on Multimodal Feature and Deep Learning Network
2025-Nov-03, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3622055
PMID:41182946
|
研究论文 | 提出一种基于多模态特征和深度学习网络的新方法，用于预测气味分子与嗅觉受体的相互作用 | 首次利用多模态深度学习网络精确识别特定嗅觉受体，并开发了空间分布图揭示受体间的聚类模式 | NA | 推进对人类嗅觉机制的理解并帮助新型合成药物的开发 | 气味分子与嗅觉受体的相互作用 | 机器学习 | NA | 多模态深度学习 | 深度学习网络 | 分子物理化学特性数据、受体结构数据 | 新整理的数据集 | NA | 多模态深度学习网络 | 准确率 | NA |
| 1507 | 2025-11-05 |
Patch-Wise Approach with Vision Transformer for Detecting Implant Failure in Spinal Radiography
2025-Nov-03, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01724-y
PMID:41184706
|
研究论文 | 开发基于视觉Transformer的深度学习模型，用于检测脊柱植入物失败 | 提出基于分块的视觉Transformer方法，首次将DINOv2模型应用于脊柱植入物失败检测 | 模型精确度相对较低（0.37），可能产生较多假阳性 | 开发和验证用于检测脊柱植入物骨折的AI模型，并评估其对放射科医生诊断性能的影响 | 脊柱植入物和植入物骨折 | 计算机视觉 | 脊柱疾病 | 放射影像分析 | Vision Transformer | 图像 | 798名患者的9924张脊柱放射影像（3492项研究） | NA | DINOv2 | 准确率, F1分数, 精确率, 召回率, GEE分析 | NA |
| 1508 | 2025-11-05 |
Towards Pharmaceutical Industry 5.0: Impact of Artificial Intelligence in Drug Discovery and Development
2025-Nov-03, Current pharmaceutical biotechnology
IF:2.2Q3
|
综述 | 本文探讨人工智能在制药行业5.0时代对药物发现与开发的影响 | 系统分析AI技术在制药行业5.0背景下的整合应用，涵盖从药物发现到监管合规的全流程创新 | 存在数据质量、监管问题和跨学科协作需求等整合挑战 | 研究人工智能在药物研发领域的应用现状与发展前景 | 制药行业与人工智能技术 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理 | NA | NA | NA | NA | NA | NA | NA |
| 1509 | 2025-11-05 |
AKIRA: Deep learning tool for image standardization, implant detection and arthritis grading to establish a radiographic registry in patients with anterior cruciate ligament injuries
2025-Nov, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA
DOI:10.1002/ksa.12618
PMID:39925136
|
研究论文 | 开发用于前交叉韧带损伤患者图像标准化、植入物检测和关节炎分级的深度学习工具AKIRA，以建立影像学登记库 | 提出AKIRA系统，整合三种深度学习算法实现膝关节X光片的自动分类、标注和植入物检测 | KL分级一致性较低(0.39-0.40)，研究设计为横断面研究，证据等级为IV级 | 通过人工智能工具开发大规模标准化前交叉韧带损伤影像学登记库 | 1628名前交叉韧带损伤患者的20,836张膝关节X光片 | 计算机视觉 | 骨科疾病 | X射线成像 | CNN,目标检测 | 医学影像 | 20,836张膝关节X光片，来自1628名患者 | NA | EfficientNet,YOLO,Residual Network | F1分数,精确率-召回率曲线下面积,一致性 | NA |
| 1510 | 2025-11-05 |
Method for estimating real-scale 3D human body shape from an image based on 3D camera calibration and computer graphics-based reverse projection photogrammetry
2025-Nov, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70130
PMID:40619616
|
研究论文 | 提出一种基于3D相机标定和计算机图形学逆向投影摄影测量的方法，从单张图像估计真实比例的3D人体形状 | 结合3D相机标定和CG逆向投影摄影测量，首次实现从低分辨率图像估计真实比例的3D人体形状，无需对象先验知识 | NA | 从单张2D图像估计真实比例的3D人体形状模型 | 人体图像中的3D人体形状 | 计算机视觉 | NA | 逆向投影摄影测量，3D相机标定 | SMPL-X模型 | 图像 | 数百到数千次比较 | NA | SMPL-X | 等错误率 | NA |
| 1511 | 2025-11-05 |
MRI sequence focused on pancreatic morphology evaluation: three-shot turbo spin-echo with deep learning-based reconstruction
2025-Nov, Acta radiologica (Stockholm, Sweden : 1987)
DOI:10.1177/02841851251355844
PMID:40641210
|
研究论文 | 开发并评估一种基于深度学习重建的三次激发涡轮自旋回波MRI序列用于胰腺形态评估 | 提出新型3S-TSE-DLR序列，结合高空间分辨率与深度学习重建技术，在胰腺成像中实现优于传统序列的图像质量 | 研究仅纳入50名健康志愿者，缺乏胰腺癌患者的验证数据 | 比较新型MRI序列与传统序列在胰腺成像质量方面的表现 | 健康志愿者的胰腺MRI图像 | 医学影像分析 | 胰腺癌 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 50名健康志愿者 | NA | NA | 运动伪影评分，边缘锐度评分，主胰管识别率 | NA |
| 1512 | 2025-11-05 |
Authentication of forged inked fingerprints utilizing silicone molds
2025-Nov, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70111
PMID:40571990
|
研究论文 | 本研究提出了一种结合拉曼光谱、形态学分析和深度学习的快速无损方法，用于检测伪造的油墨指纹 | 首次将特征金字塔网络(FPN)和多头自注意力机制(MHSA)集成到ResNet中，开发了ResNet50_AuI深度学习模型用于指纹认证 | 拉曼光谱单独使用无法区分真假指纹，各方法在实际应用中的局限性需要进一步验证 | 开发有效的伪造油墨指纹检测方法，提高司法环境中法医证据的可靠性 | 油墨指纹（包括真实和伪造样本） | 计算机视觉 | NA | 拉曼光谱，形态学分析 | CNN | 图像 | 3600个油墨指纹 | NA | ResNet50, FPN, MHSA | 准确率 | NA |
| 1513 | 2025-11-05 |
Self-supervised model-driven deep learning for two-step phase-shifting interferometry
2025-Nov-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.577384
PMID:41185194
|
研究论文 | 提出一种用于两步相移干涉术的自监督模型驱动深度学习方法 | 结合预训练归一化网络和未训练模型驱动网络，通过基于物理的模型驱动方法实现自监督学习，无需真实相位图作为训练标签 | NA | 提高相移干涉术的相位重建精度和鲁棒性 | 干涉图相位重建 | 机器学习和计算成像 | NA | 相移干涉术 | 深度学习网络 | 干涉图图像 | NA | NA | PNNet（预训练归一化网络）, UMNet（未训练模型驱动网络） | 误差降低率 | NA |
| 1514 | 2025-11-05 |
Edge-Guided Deep Learning Model to Predict Fetal Brain Age Using MRI
2025 Nov-Dec, Journal of neuroimaging : official journal of the American Society of Neuroimaging
IF:2.3Q2
DOI:10.1111/jon.70099
PMID:41185452
|
研究论文 | 提出一种结合边缘信息的深度学习模型，用于从胎儿脑部MRI预测脑年龄 | 在深度学习模型中引入全局边缘信息，弥补了传统方法忽略局部边缘细节的不足 | 回顾性研究，样本来源单一，需进一步外部验证 | 提高胎儿脑年龄预测的准确性和可靠性 | 207例单胎妊娠的1630张胎儿脑部冠状T2加权MR图像 | 医学影像分析 | 胎儿发育评估 | MRI | 神经网络 | 医学图像 | 1630张胎儿脑部MR图像（来自207个受试者） | NA | 边缘引导深度学习模型 | 平均绝对误差(MAE), 决定系数(R2) | NA |
| 1515 | 2025-11-04 |
Manifold Embedding of Quantum Information as Molecule Representation to Predict Blood-Brain Barrier Permeability by Deep Learning
2025-Nov-03, Molecular pharmaceutics
IF:4.5Q1
|
研究论文 | 本研究利用分子表面流形嵌入作为量子信息分子表示，通过深度学习模型预测血脑屏障渗透性 | 提出分子表面流形嵌入方法，将量子信息编码为分子表示，更直接地模拟分子相互作用 | 模型性能受数据规模和质量影响，在不同B3DB组间表现差异显著，log值分布不平衡，立体化学数据有限限制了手性影响的研究 | 改进中枢神经系统药物设计中血脑屏障渗透性的早期预测 | 分子化合物及其血脑屏障渗透性 | 机器学习 | 神经系统疾病 | 分子表面流形嵌入 | 深度学习 | 分子结构数据 | B3DB数据集 | NA | NA | RMSE, MAE, R² | NA |
| 1516 | 2025-11-04 |
Upper Airway Volume Predicts Brain Structure and Cognition in Adolescents
2025-Nov, American journal of respiratory and critical care medicine
IF:19.3Q1
DOI:10.1164/rccm.202409-1748OC
PMID:40460372
|
研究论文 | 本研究通过深度学习分析儿童上呼吸道容积与大脑结构及认知功能的关系 | 首次在大型儿科队列中应用深度学习进行上呼吸道分割，揭示上呼吸道容积作为儿童睡眠呼吸障碍认知结果的潜在生物标志物 | 研究为观察性设计，无法确定因果关系 | 探究上呼吸道容积与儿童认知功能和大脑结构的关系 | 11,875名9-10岁儿童 | 医学影像分析 | 睡眠呼吸障碍 | 磁共振成像 | 深度学习 | 磁共振影像切片 | 11,875名儿童，5,552,640个脑部MRI切片 | NA | NA | 置信区间，p值 | NA |
| 1517 | 2025-11-04 |
Deep learning-assisted comparison of different models for predicting maxillary canine impaction on panoramic radiography
2025-Nov, American journal of orthodontics and dentofacial orthopedics : official publication of the American Association of Orthodontists, its constituent societies, and the American Board of Orthodontics
IF:2.7Q1
DOI:10.1016/j.ajodo.2025.05.008
PMID:40673857
|
研究论文 | 本研究使用深度学习辅助的自动标志点检测系统比较不同模型在全景X光片上预测上颌尖牙阻生的准确性 | 首次采用深度学习自动标志点定位系统辅助测量几何参数，并对外部验证的三种现有预测模型进行性能比较 | 最有效的模型仍受逻辑和计算挑战的限制，需要进一步改进 | 比较现有模型在全景X光片上预测上颌尖牙阻生的准确性 | 7-14岁接受全景X光检查并被诊断为尖牙阻生的患者 | 计算机视觉 | 牙科疾病 | 全景X光摄影 | 深度学习 | X光图像 | 102张全景X光片（102颗阻生尖牙和102颗非阻生尖牙） | NA | NA | 准确率, 灵敏度, 特异性, 精确度, AUC | NA |
| 1518 | 2025-11-04 |
An updated patent review of small molecule glucagon receptor antagonists (2020-2024)
2025-Nov, Expert opinion on therapeutic patents
IF:5.4Q1
DOI:10.1080/13543776.2025.2559928
PMID:40968011
|
综述 | 本文系统回顾了2020-2024年间小分子胰高血糖素受体拮抗剂的最新专利进展 | 发现创新主体从制药公司转向学术机构，并采用深度学习和虚拟筛选技术开发新型化学结构 | 仍需临床研究验证这些化合物能否克服当前开发瓶颈并解决安全性问题 | 评估小分子胰高血糖素受体拮抗剂在糖尿病治疗中的最新发展 | 小分子胰高血糖素受体拮抗剂 | 药物研发 | 糖尿病 | 深度学习, 虚拟筛选, 结构研究, 机制研究 | NA | 专利数据, 文献数据, 临床数据 | NA | NA | NA | NA | NA |
| 1519 | 2025-11-04 |
A Multimodal Deep Learning Approach for White Matter Shape Prediction in Diffusion MRI Tractography
2025-Nov, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.70396
PMID:41171024
|
研究论文 | 提出一种名为Tract2Shape的多模态深度学习框架，用于从扩散MRI纤维束成像数据中预测白质形状测量指标 | 首次将几何流线特征（点云）与标量数据描述符（表格数据）相结合的多模态深度学习框架，采用连体架构和双编码器设计学习模态特定表示 | 未明确说明模型在更广泛疾病群体中的泛化能力，以及对其他类型白质纤维束的适用性 | 开发高效准确的白质形状测量预测方法，支持大规模白质形状分析 | 人类白质纤维束的形状测量指标 | 医学影像分析 | 神经系统疾病 | 扩散MRI纤维束成像 | 多模态深度学习, Siamese网络 | 点云数据, 表格数据 | 人类连接组计划年轻成人数据集和帕金森病进展标志物倡议数据集 | NA | 双编码器设计, Siamese架构 | Pearson相关系数, 归一化均方误差 | NA |
| 1520 | 2025-11-04 |
Deep learning models for segmentation and quantification of left atrial appendage volume using noncontrast cardiac computed tomography
2025-Nov-01, Journal of cardiovascular imaging
DOI:10.1186/s44348-025-00058-1
PMID:41174789
|
研究论文 | 本研究评估了四种基于U-Net的深度学习架构在非对比心脏CT扫描中对左心耳进行半自动分割和体积测量的性能 | 首次在非对比心脏CT扫描中系统比较多种3D U-Net变体用于左心耳分割和体积量化 | 回顾性研究设计，样本仅来自60岁以上患者，缺乏外部验证 | 开发准确的左心耳自动分割和体积测量方法以支持心血管风险评估 | 452名60岁以上因胸痛评估接受非对比心脏CT扫描的患者 | 医学影像分析 | 心血管疾病 | 非对比心脏计算机断层扫描(NCCT) | CNN | 3D医学影像 | 452名患者 | NA | UNet3D, Residual-UNet3D, 3D Attention-UNet, Res16-PAC-UNet | Dice系数, Pearson相关系数, Bland-Altman分析 | NA |