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 1932 篇文献，本页显示第 1661 - 1680 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1661 | 2025-11-06 |
Clinical validation of a deep learning model for low-count PET image enhancement
2025-Nov, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07370-4
PMID:40471320
|
研究论文 | 本研究验证了深度学习模型RaDynPET在四倍降计数全身PET图像增强中的临床效果 | 开发了能够从25%标准采集时间的PET数据中恢复高质量图像的动态深度学习模型，并在内外部队列中进行了全面验证 | 样本量相对有限（120例患者），需要进一步多中心验证 | 验证深度学习模型在低计数PET图像增强中的临床可行性 | 接受18F-FDG PET/CT检查的120名患者（84例内部队列，36例外部队列） | 医学影像分析 | 肿瘤疾病 | PET/CT成像，OSEM重建算法 | 深度学习模型 | PET医学影像 | 120例患者（84内部+36外部） | NA | RaDynPET | 图像质量评分，标准化摄取值，信噪比，肿瘤背景比，对比噪声比，敏感性，特异性，PSNR，SSIM | NA |
| 1662 | 2025-11-06 |
Dynamic Early Survival Prediction Model for Hepatocellular Carcinoma Patients Treated With Atezolizumab and Bevacizumab: A Longitudinal Deep Learning Analysis
2025-Nov, Hepatology research : the official journal of the Japan Society of Hepatology
IF:3.9Q1
DOI:10.1111/hepr.70005
PMID:40702678
|
研究论文 | 开发用于预测接受阿特珠单抗和贝伐珠单抗治疗的肝细胞癌患者早期总生存期的动态深度学习模型 | 首次将随机生存森林方法与深度学习架构结合构建动态生存预测模型DynSurv-HCC，可在不同病因和基线AFP水平下保持稳定的预测性能 | 研究样本量相对有限（415例患者），且仅基于两项临床试验数据 | 改善不可切除肝细胞癌患者在接受阿特珠单抗和贝伐珠单抗治疗时的早期总生存期预测 | 不可切除肝细胞癌患者 | 机器学习 | 肝细胞癌 | 纵向生存分析 | 深度学习, 随机生存森林 | 临床试验数据 | 415例不可切除肝细胞癌患者（训练集291例，验证集124例） | NA | DynSurv-HCC | AUC | NA |
| 1663 | 2025-11-06 |
An Explainable Deep Learning Model for Focal Liver Lesion Diagnosis Using Multiparametric MRI
2025-Nov, Radiology. Artificial intelligence
DOI:10.1148/ryai.240531
PMID:40928343
|
研究论文 | 开发基于多参数MRI的可解释深度学习模型用于局灶性肝脏病变的诊断分类 | 结合nnU-Net分割和Liver Imaging Feature Transformer分类的可解释深度学习模型，能提升放射科医生诊断准确性和效率 | 研究主要基于中国医院数据，需要更多外部验证 | 评估可解释深度学习模型在局灶性肝脏病变诊断中的效果 | 局灶性肝脏病变患者 | 计算机视觉 | 肝脏疾病 | 多参数MRI | CNN, Transformer | 医学影像 | 2131名局灶性肝脏病变患者 | PyTorch | nnU-Net, Liver Imaging Feature Transformer | Dice相似系数, 准确率 | NA |
| 1664 | 2025-11-06 |
Residual bayesian attention networks for uncertainty quantification in regression tasks
2025-Nov-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-24093-6
PMID:41176534
|
研究论文 | 提出残差贝叶斯注意力框架，实现深度序列建模中端到端的不确定性量化能力 | 通过三个紧密耦合的核心组件实现贝叶斯推理与Transformer架构的深度集成：贝叶斯前馈层建立参数级不确定性的可微传播机制，多层残差贝叶斯注意力将径向基函数核嵌入注意力计算并引入Beta分布建模的自适应残差权重，贝叶斯协方差构造模块通过外积运算和特征值校正生成数学严谨的协方差表示 | 在中等规模结构化数据场景中表现稳定，但在多物理耦合系统建模等复杂任务中存在技术边界 | 解决深度序列建模任务中的不确定性量化问题 | 序列建模任务，包括工程优化、时间序列预测和空间建模 | 自然语言处理,机器学习 | NA | 贝叶斯推理,径向基函数核,外积运算 | Transformer | 结构化数据,序列数据 | NA | NA | 残差贝叶斯注意力框架 | 预测区间校准质量 | NA |
| 1665 | 2025-11-06 |
Classification and Segmentation of Mucus Morphology Using Deep Learning During Diagnostic Nasal Endoscopy
2025-Nov, International forum of allergy & rhinology
IF:7.2Q1
DOI:10.1002/alr.70004
PMID:40879571
|
研究论文 | 本研究开发了一种基于深度学习的方法，用于在诊断性鼻内窥镜检查中对黏液形态进行分类和分割 | 这是首个在鼻腔环境中客观分类黏液形态的研究 | NA | 通过深度学习模型检测鼻窦炎症 | 鼻内窥镜检查中遇到的黏液形态 | 计算机视觉 | 鼻窦炎 | 深度学习 | 预训练深度学习模型 | 内窥镜图像 | NA | NA | NA | NA | NA |
| 1666 | 2025-11-06 |
Multisensory Integration for Identifying the Milling States in Robot-Assisted Cervical Laminectomy
2025-Nov, Orthopaedic surgery
IF:1.8Q2
DOI:10.1111/os.70182
PMID:41067886
|
研究论文 | 本研究通过整合触觉和听觉感知来识别机器人辅助颈椎椎板切除术中的高速磨钻状态 | 首次将振动和声音信号融合用于脊柱手术中磨钻状态识别，并采用LSTM深度学习模型实现高精度分类 | 实验仅在绵羊颈椎上进行，未在人体验证；设置的磨削状态相对有限 | 提高机器人辅助颈椎椎板切除术中磨钻状态识别的准确性，保障患者安全 | 绵羊颈椎椎板切除术中的高速磨钻状态 | 医疗机器人 | 脊柱疾病 | 振动信号采集，声音信号采集，快速傅里叶变换 | LSTM, SVM, KNN, Naive Bayes, LDA, DT | 振动信号，声音信号 | 6600组高速磨钻磨削数据 | NA | 单层LSTM（12个记忆单元） | 准确率 | NA |
| 1667 | 2025-11-06 |
Deep learning approaches for resolving genomic discrepancies in cancer: a systematic review and clinical perspective
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf541
PMID:41176790
|
系统综述 | 系统评估深度学习在解决癌症基因组差异方面的应用现状与临床前景 | 首次系统综述78项研究（2015-2024），提出结合联邦学习和注意力机制的未来研究方向 | 存在数据稀缺、批次效应和黑盒模型可解释性等挑战 | 评估深度学习在癌症基因组差异识别和校正中的性能与临床转化 | 癌症基因组测序数据 | 生物信息学 | 癌症 | 基因组测序 | CNN, 图神经网络 | 基因组序列数据 | 78项研究（未明确总样本量） | NA | 卷积架构, 图基础架构 | 假阴性率, 准确率 | NA |
| 1668 | 2025-11-06 |
A deep learning algorithm to detect proximal humerus fractures on radiographs
2025-Nov, JSES reviews, reports, and techniques
DOI:10.1016/j.xrrt.2025.07.025
PMID:41179412
|
研究论文 | 开发用于检测X光片中肱骨近端骨折的深度学习算法 | 首次开发专门针对肱骨近端骨折检测的深度学习算法，并通过显著图验证模型关注区域 | 研究主要依赖单一机构数据，外部验证集规模较小（116例） | 开发可靠且可信的深度学习方法来检测X光片中的肱骨近端骨折 | 肱骨近端X光片，包括骨折（996例）和非骨折（607例）病例 | 数字病理 | 骨科骨折 | 放射影像分析 | 深度学习 | X光图像 | 1603例训练数据（996例骨折，607例非骨折），116例外部测试数据 | NA | NA | 准确率，F1分数，灵敏度 | NA |
| 1669 | 2025-11-06 |
AI in drug repurposing for cancer therapies
2025-Nov, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003893
PMID:41180633
|
评论 | 本文探讨人工智能在癌症治疗药物重定位中的应用与潜力 | 系统阐述AI技术通过分析海量数据揭示隐藏的药物-疾病关系，为癌症药物重定位提供新范式 | 未提及具体实验验证数据，主要基于理论分析和已有研究案例 | 评估人工智能在癌症药物重定位领域的应用价值与发展前景 | 现有药物及其潜在的抗癌特性 | 机器学习 | 癌症 | 机器学习, 深度学习 | NA | 多组学数据 | NA | NA | NA | NA | NA |
| 1670 | 2025-11-06 |
Artificial intelligence in genomics: transforming the diagnosis of hereditary spastic paraplegia
2025-Nov, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000003882
PMID:41180748
|
研究论文 | 本文探讨人工智能在基因组学中如何改变遗传性痉挛性截瘫的诊断方法 | 整合分子动力学模拟与深度学习的创新工具Dynamicasome，能够捕捉超越序列保守性的结构破坏 | 未提及具体研究样本量或数据验证的局限性 | 利用人工智能技术改进遗传性痉挛性截瘫的基因变异检测和致病性分类 | 遗传性痉挛性截瘫患者及其基因变异数据 | 基因组学 | 遗传性痉挛性截瘫 | 下一代测序，分子动力学模拟，深度学习 | 深度学习 | 基因组测序数据 | NA | NVIDIA Parabricks, Illumina DRAGEN, Dynamicasome, SpliceAI, Exomiser | NA | 临床级准确度，分析时间 | NVIDIA平台 |
| 1671 | 2025-11-06 |
Self-Assessment of acute rib fracture detection system from chest X-ray: Preliminary study for early radiological diagnosis
2025-Nov, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996251361041
PMID:40718897
|
研究论文 | 提出一种用于胸部X光片中肋骨骨折自动检测和分割的深度学习系统 | 结合CenterNet与HRNet v2进行骨折区域识别，并利用HRNet-W48增强肋骨分割的上下文表征能力 | 仅使用单一医疗机构数据（1006张胸部X光片），需要更多外部验证 | 开发自动化肋骨骨折检测和分割系统以辅助放射科医生诊断 | 胸部X光片中的肋骨骨折区域 | 医学影像分析 | 肋骨骨折 | 深度学习 | CNN | X光图像 | 1006张胸部X光片（训练集704张，验证集201张，测试集101张） | NA | CenterNet, HRNet v2, HRNet-W48 | 敏感度, Dice系数 | NA |
| 1672 | 2025-11-06 |
Deep-Learning-Aided Quantification of Steatohepatitis-Associated Pathological Findings in Liver Specimens
2025-Nov, Hepatology research : the official journal of the Japan Society of Hepatology
IF:3.9Q1
DOI:10.1111/hepr.70015
PMID:40802556
|
研究论文 | 开发深度学习模型量化肝组织标本中脂肪性肝炎相关病理特征 | 首次使用卷积神经网络对脂肪性肝炎相关病理表现（脂肪变性、气球样变、纤维化）进行自动量化分析 | 样本量有限（训练集仅26例），模型仅用于病理特征量化而非疾病诊断 | 开发基于深度学习的肝组织病理特征量化方法 | 肝组织标本（脂肪性肝炎和慢性肝炎患者） | 数字病理学 | 脂肪性肝炎 | 组织病理学分析 | CNN | 图像 | 训练集26例（18例脂肪性肝炎+8例慢性肝炎），验证集233例 | NA | NA | 相关系数R | NA |
| 1673 | 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 |
| 1674 | 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 |
| 1675 | 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 |
| 1676 | 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 |
| 1677 | 2025-11-05 |
Vision-language foundation model-driven efficient recognition and home-based management of surgical incisions
2025-Nov-04, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003727
PMID:41186521
|
研究论文 | 基于视觉-语言基础模型开发手术切口识别系统DeepIncision，用于家庭护理中的切口恢复评估 | 首次将视觉-语言基础模型应用于手术切口识别，显著提升识别准确率 | 研究样本主要来自单一中心，外部验证样本量相对较小 | 开发精准的手术切口识别方法以优化家庭护理管理 | 术后患者的手术切口图像 | 计算机视觉 | 术后伤口 | 图像处理 | 视觉-语言基础模型 | 图像 | 1443张手术切口图像（来自1194名患者） | Grounded Language-Image Pre-training | DeepIncision | 平均精度, 平均召回率, F1分数, AUC | NA |
| 1678 | 2025-11-05 |
Commentary on "Multimodal deep learning to predict postoperative major adverse cardiac and cerebrovascular events after non-cardiac surgery"
2025-Nov-04, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003813
PMID:41186523
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1679 | 2025-11-05 |
[Estimation of the parenchymal reserve-Volumetric and functional before resection]
2025-Nov-04, Chirurgie (Heidelberg, Germany)
DOI:10.1007/s00104-025-02401-0
PMID:41186684
|
综述 | 本文概述了肝切除术前评估功能性未来肝残余体积的现有概念和诊断方法 | 整合了多种功能性肝脏评估方法，并前瞻性提出深度学习算法在自动化分析中的应用潜力 | 部分功能性MRI检查尚未获得官方批准用于肝功能评估 | 预防大范围肝切除术后肝功能衰竭 | 接受大范围肝切除术的患者 | 数字病理 | 肝脏疾病 | ICG-R15测试, LiMAx测试, 锝99m甲溴芬宁闪烁扫描, 磁共振成像 | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 1680 | 2025-11-05 |
Deep learning-based combined noise reduction and contrast enhancement for post-neoadjuvant pancreatic cancer CT: does improved image quality translate to better resectability assessment?
2025-Nov-04, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05271-6
PMID:41186714
|
研究论文 | 评估深度学习联合降噪和对比度增强重建在胰腺癌新辅助治疗后CT评估中能否改善图像质量和可切除性预测准确性 | 首次将深度学习联合降噪和对比度增强技术应用于胰腺癌新辅助治疗后CT评估，并与传统迭代重建方法进行系统比较 | 回顾性研究设计，样本量有限（114例），所有读者均注意到DLR图像存在人工伪影增加的问题 | 评估深度学习重建技术能否改善胰腺癌CT图像质量并提高可切除性预测准确性 | 114例接受新辅助治疗的胰腺癌患者 | 医学影像分析 | 胰腺癌 | CT成像 | 深度学习 | CT图像 | 114例胰腺癌患者 | NA | NA | AUC, 敏感性, 特异性, 准确率, 读者置信度, 对比噪声比 | NA |