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 1941 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2026-06-30 |
Prognostic value of body composition out of PSMA-PET/CT in prostate cancer patients undergoing PSMA-therapy
2025-12, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07416-7
PMID:40580320
|
研究论文 | 研究基于PSMA-PET/CT的深度学习全身CT分割方法，评估转移性去势抵抗性前列腺癌患者在接受放射配体治疗前的身体成分的预后价值 | 首次利用深度学习模型从PSMA-PET/CT的CT组分中自动分割身体组织（包括内脏脂肪、皮下脂肪和肌肉间脂肪），并探索其与治疗预后的关联，超越传统PET-based评估 | 样本量较小（n=86），需要更大规模前瞻性数据集验证；为概念验证研究，结论需进一步证实 | 开发自动化全身CT分割方法，评估前列腺癌患者身体成分指标对放射配体治疗预后的预测能力 | 86名转移性去势抵抗性前列腺癌患者，在接受[177Lu]Lu-PSMA放射配体治疗前的PSMA-PET/CT扫描数据 | 医学影像与深度学习 | 前列腺癌（转移性去势抵抗性前列腺癌） | PSMA-PET/CT，深度学习分割模型 | 深度学习分割模型 | CT图像（3D腹部CT体积及2D单层面图像） | 86名转移性去势抵抗性前列腺癌患者 | NA | NA | 风险比、p值、Kaplan-Meier生存分析、对数秩检验 | NA |
| 182 | 2026-06-29 |
A deep-learning system for the assessment of coronary heart disease risk via scleral photographs
2025-Dec-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33510-9
PMID:41469469
|
研究论文 | 开发并验证了一种基于巩膜照片的深度学习系统，用于评估冠心病风险 | 首次利用巩膜照片通过深度学习系统评估冠心病风险，并发现模型主要依赖血管异常和色素沉着斑点作为可解释特征 | NA | 开发一种基于巩膜照片的深度学习系统，用于评估冠心病风险，提高临床可解释性 | 巩膜照片 | 计算机视觉 | 冠心病 | 深度学习 | CNN | 图像 | 超过5000张巩膜照片 | NA | CNN | 准确率, AUC | NA |
| 183 | 2026-06-29 |
Artificial intelligence-based automated grading and severity prediction of radiation dermatitis: a review
2025-Dec-29, Radiation oncology (London, England)
DOI:10.1186/s13014-025-02784-8
PMID:41466298
|
综述 | 综述人工智能在放射性皮炎自动分级和严重程度预测中的应用 | 总结了深度学习在放射性皮炎自动分级中的潜力，并指出预测疾病进展的人工智能模型研究的明显缺乏 | 数据集有限和缺乏跨中心验证 | 评估人工智能在放射性皮炎检测、分级和严重程度预测中的应用 | 放射性皮炎患者的皮肤图像和临床数据 | 计算机视觉 | 放射性皮炎 | NA | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 184 | 2026-06-29 |
Artificial Intelligence-Enabled Electrocardiography Identifies Osteoporosis and has Prognostic Value
2025-Dec-26, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-025-02333-6
PMID:41452504
|
研究论文 | 开发基于心电图特征的深度学习模型用于骨质疏松识别并评估预后价值 | 首次利用人工智能心电图作为骨质疏松筛查工具，并结合生存分析验证其预后价值 | 研究为回顾性设计，可能引入选择偏倚；外部验证样本量相对较小 | 评估深度学习模型通过心电图特征识别骨质疏松的性能及临床意义 | 25401名患者（44732份心电图） | 机器学习 | 骨质疏松 | 心电图 | 深度学习模型 | 心电图数据 | 25401名患者，44732份心电图样本 | NA | NA | AUC, 阴性预测值, 风险比 | NA |
| 185 | 2026-06-26 |
Deep learning-based MRI model for predicting P53-mutated hepatocellular carcinoma
2025-12-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02045-w
PMID:41430161
|
research paper | 基于MRI的深度学习模型预测P53突变肝细胞癌 | 首次构建基于EfficientNetV2的多序列MRI深度学习模型用于预测P53突变的肝细胞癌，发现多相组合模型（T2WI+AP+VP）显著优于单序列模型 | 单中心回顾性研究，样本量有限（312例），缺乏外部验证数据集 | 开发基于MRI的深度学习模型预测P53突变肝细胞癌 | 312例经病理证实的肝细胞癌患者 | digital pathology, machine learning | hepatocellular carcinoma | MRI | EfficientNetV2 | image | 312例肝细胞癌患者（训练集249例，测试集63例） | NA | EfficientNetV2 | AUC, accuracy, sensitivity, specificity, precision, F1 score | NA |
| 186 | 2026-06-26 |
Hippocampal auto-segmentation based on deep learning for identifying magnetic resonance imaging biomarkers of early mild cognitive impairment
2025-12-15, Neuroscience
IF:2.9Q2
|
研究论文 | 基于深度学习的海马自动分割方法及其在轻度认知障碍MRI生物标志物识别中的应用 | 结合深度学习自动海马分割与放射组学特征提取，并集成XGBoost框架构建诊断模型，发现glszm_ZoneVariance特征具有最高预测权重 | 样本量较小（150例），可能影响模型泛化能力 | 开发基于深度学习的海马自动分割模型，结合放射组学特征和机器学习分类器，识别轻度认知障碍的MRI生物标志物 | 海马结构及其放射组学特征 | 深度学习, 医学影像分析 | 轻度认知障碍 | MRI (3D T1WI), 放射组学 | 卷积神经网络 (CNN), 逻辑回归 (LR), 支持向量机 (SVM), 随机森林 (RF), XGBoost | 脑部MRI图像 | 150名受试者，按7:3随机分为训练集和验证集 | NA | CNN海马分割网络，LR, SVM, RF, XGBoost | AUC, 95%置信区间 | NA |
| 187 | 2026-06-19 |
Deep learning-based autonomous retinal vein cannulation in ex vivo porcine eyes
2025-12-17, Science robotics
IF:26.1Q1
DOI:10.1126/scirobotics.adw2969
PMID:41406252
|
研究论文 | 提出一种基于深度学习与计算机视觉的自主视网膜静脉穿刺工作流程，并在离体猪眼上验证其效果 | 利用深度学习预测针头运动方向及识别接触与穿刺事件，结合两台稳手眼机器人实现自主手术操作，在动态眼动条件下仍保持高成功率 | 仅在离体猪眼上测试，且模拟的眼动可能无法完全代表真实临床中呼吸等复合因素对眼球运动的影响 | 实现视网膜静脉穿刺关键步骤的自主化，提升手术精准性与可靠性 | 离体猪眼及其模拟呼吸运动的动态模型 | 计算机视觉, 机器人控制 | 视网膜静脉阻塞 | 术中光学相干断层扫描 | 卷积神经网络 | 图像 | 20只离体猪眼用于静态实验，6只用于动态模拟眼动实验 | PyTorch | CNN | 成功率 | NA |
| 188 | 2026-06-19 |
NeuroFusionNet: a hybrid EEG feature fusion framework for accurate and explainable Alzheimer's Disease detection
2025-12-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28070-x
PMID:41398345
|
研究论文 | 提出NeuroFusionNet混合深度学习框架，融合手工特征与1D-CNN时序特征，用于基于脑电图（EEG）的阿尔茨海默病准确且可解释检测 | 首次将手工特征与1D-CNN潜在时间嵌入特征融合，并结合Pearson相关系数、粒子群优化（PSO）进行特征选择，主成分分析（PCA）降维及SMOTE类别平衡，同时使用SHAP和Grad-CAM实现模型解释性 | 仅基于三个公开EEG数据集验证，未涉及真实临床多中心数据；模型在低资源场景下的泛化能力需要进一步评估 | 开发一种准确、可解释且高效的基于EEG的阿尔茨海默病检测方法，实现早期诊断并支持临床部署 | 阿尔茨海默病及相关痴呆症患者，通过EEG信号进行二分类检测 | 机器学习 | 阿尔茨海默病 | 脑电图（EEG） | 混合深度学习框架（1D-CNN + 深度神经网络） | EEG时间序列信号 | 三个公开数据集：OpenNeuro ds004504（闭眼）、OpenNeuro ds006036（睁眼）及独立OSF数据集，具体样本数未在摘要中明确 | NA | 1D-CNN、五层深度神经网络 | 准确率（94.27%）、宏F1分数（0.94）、标准差（SD<0.3%）、推理时间（6.5ms每样本）、模型参数（0.94M）、内存占用（4.1MB） | 无需GPU支持，可在标准临床CPU上实时部署 |
| 189 | 2026-06-19 |
Automatic specific absorption rate (SAR) prediction for hyperthermia treatment planning using deep learning method
2025-12, International journal of hyperthermia : the official journal of European Society for Hyperthermic Oncology, North American Hyperthermia Group
IF:3.0Q2
DOI:10.1080/02656736.2025.2554860
PMID:40922671
|
research paper | 提出一种基于深度学习的快速准确比吸收率预测方法，用于支撑脑癌患者热疗计划制定 | 采用编码器-解码器神经网络结合交叉注意力块，首次实现从脑电特性、肿瘤坐标和天线相位快速预测比吸收率分布，将计算时间从10分钟缩短至4秒 | NA | 实现实时热疗计划中比吸收率分布的快速准确预测，支持自适应治疗策略 | 人体头部模型中的比吸收率分布 | machine learning | brain cancer | NA | encoder-decoder neural network | simulation data | 201个仿真样本，其中20个用于测试 | NA | encoder-decoder with cross-attention blocks | root-mean-squared error, mean absolute error, structural similarity index | NA |
| 190 | 2026-06-18 |
Segmentation of cortical bone, trabecular bone, and medullary pores from micro-CT images using 2D and 3D deep learning models
2025-12, Anatomical record (Hoboken, N.J. : 2007)
DOI:10.1002/ar.25633
PMID:39905914
|
研究论文 | 利用2D和3D深度学习模型从微型CT图像中分割皮质骨、小梁骨和髓腔孔隙 | 提出名为BONe（Bone One-shot Network）的卷积神经网络模型，从头训练2D和3D分割模型，比较2D与3D模型在骨显微结构分割中的表现，发现2D模型在细节标注上略优，而3D模型在泛化和平滑内部表面方面表现更好 | 3D模型计算成本高，限制了其可扩展性和实用性，且模型在不同物种和扫描质量下性能存在差异 | 开发快速准确的自动骨分割方法，比较2D与3D深度学习模型在显微CT图像中分割皮质骨、小梁骨和髓腔孔隙的效果 | 水獭长骨的显微CT扫描图像 | 计算机视觉 | NA | 显微CT成像 | 卷积神经网络（CNN） | 图像 | 水獭长骨的显微CT扫描数据，具体样本数量未提及 | NA | BONe（定制CNN架构） | 分割性能指标（如准确率、Dice系数等）未在摘要中具体说明 | NA |
| 191 | 2026-06-18 |
Advances in artificial intelligence-based radiogenomics for lung cancer precision medicine
2025-12-01, Progress in biomedical engineering (Bristol, England)
DOI:10.1088/2516-1091/ae224a
PMID:41265027
|
综述 | 综述基于人工智能的放射基因组学在肺癌精准医学中的进展 | 整合医学影像、基因组学和临床数据，实现非侵入性预测关键致癌驱动突变、探索影像特征与基因表达关联、开发预后模型 | 标准化、全面验证、模型可解释性、种族多样性及多组学数据库构建方面存在挑战 | 探究放射基因组学在肺癌精准治疗中的临床价值与通用性 | 肺癌患者的数据（包括医学影像、基因组和临床数据） | 机器学习 | 肺癌 | 放射基因组学 | 机器学习、深度学习 | 医学影像、基因组数据、临床数据 | NA | NA | NA | NA | NA |
| 192 | 2025-12-26 |
A "calcification"-enhanced deep learning approach for precise differentiation of thyroid nodules
2025-Dec-24, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00976-9
PMID:41444688
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 193 | 2026-06-15 |
Artificial Intelligence in The Diagnosis, Treatment, and Prognostication in Endodontics: A Comprehensive Literature Review
2025-Dec, European endodontic journal
IF:1.6Q3
DOI:10.14744/eej.2025.83788
PMID:41685843
|
综述 | 该文章对人工智能在牙髓病学中的应用进行了全面回顾，重点关注诊断优化、临床决策支持和治疗结果预测 | 系统总结了AI在牙髓病诊断、治疗和预后三大领域的具体应用，并分析了当前应用的局限性和未来改进方向 | 需要大规模数据集、成本高、缺乏自我发展能力 | 综述人工智能在牙髓病学中的诊断、治疗和预后应用，并分析其局限性和改进领域 | 牙髓病学中的人工智能应用研究文献 | 机器学习 | 牙髓病 | NA | 卷积神经网络（CNN）、深度学习模型、神经网络 | 图像（放射影像、锥束计算机断层扫描CBCT） | 51篇文献 | NA | CNN（如Diagnocat）、深度学习模型 | 准确率（大于90%、95.6%） | NA |
| 194 | 2026-06-11 |
[A visual analysis of machine learning in periodontal disease research, 2001-2023]
2025-Dec, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41766323
|
综述 | 利用文献计量学分析2001-2023年机器学习在牙周病研究中应用及热点的可视化分析 | 系统梳理了2001-2023年机器学习在牙周病研究中的文献，揭示了其应用趋势和研究热点，特别是近两年基于图像的图像分割和特征提取成为热点 | NA（摘要未提及明确局限性） | 分析机器学习在牙周病研究中的应用及研究热点 | 2001-2023年Web of Science核心合集中的机器学习与牙周病相关文献 | 机器学习 | 牙周病 | NA | 机器学习，深度学习 | NA | 127篇文献 | NA | NA | NA | NA |
| 195 | 2026-06-08 |
Development and evaluation of an attention-gated U-net model for binary segmentation of teeth versus background in panoramic radiographs for orthodontic applications
2025-Dec-16, European journal of orthodontics
IF:2.8Q1
DOI:10.1093/ejo/cjaf114
PMID:41665051
|
研究论文 | 开发并评估一种注意力门控U-Net模型，用于在口腔全景片中实现牙齿与背景的二元分割，以建立正畸应用的基准 | 在大规模公开数据集上建立牙齿与背景二元语义分割的标准化性能基准，并应用注意力门控机制提升分割精度 | 未给出具体局限性信息 | 为口腔正畸应用建立牙齿与背景二元分割的基准，提升自动化诊断和治疗规划 | 598张标注的口腔全景X光片 | 数字病理学, 计算机视觉 | 口腔正畸相关疾病 | 深度学习, 语义分割 | 注意力门控U-Net (Att-U-Net) | 图像 | 598张口腔全景X光片 | NA | 注意力门控U-Net | Dice系数, 平均交并比, 精确率, 召回率, 接受者操作特征曲线下面积, 像素准确率 | NA |
| 196 | 2026-06-07 |
Detection and Classification of Alzheimer's Disease Using Deep and Machine Learning
2025-Dec-26, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography12010004
PMID:41591137
|
研究论文 | 提出了一种结合临床症状数据和MRI影像的深度学习与机器学习双模态框架，用于阿尔茨海默病的检测与分期 | 整合症状数据与MRI影像，并引入可解释人工智能（SHAP和Grad-CAM），提高了诊断准确率和临床可解释性 | 未明确说明样本量大小以及外部验证等局限性 | 提高阿尔茨海默病的早期诊断和分期准确性 | 阿尔茨海默病患者 | 机器学习和医学影像处理 | 阿尔茨海默病 | MRI | CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2（深度学习模型）；KNN, SVM, 决策树, 随机森林（机器学习模型） | 影像和临床数据 | NA | NA | CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2 | 准确率（accuracy） | NA |
| 197 | 2026-06-07 |
Artificial Intelligence-Aided Microfluidic Cell Culture Systems
2025-Dec-24, Biosensors
DOI:10.3390/bios16010016
PMID:41590268
|
综述 | 综述人工智能辅助微流控细胞培养系统和器官芯片平台的研究进展、技术挑战与未来机遇 | 系统总结了人工智能在微流控细胞培养中的多维应用，包括自动化表型分析、预测建模、实时控制，并强调了可解释性特征选择、轻量级推理模型和隐私保护方法等关键技术框架 | 未明确提及具体局限性，但作为综述，可能缺乏对具体方法效果的定量比较和实证验证 | 综合人工智能与微流控细胞培养平台的交叉研究现状，强调其在精准健康和下一代生物医学研究中的新兴作用 | 微流控细胞培养系统、器官芯片平台、人工智能技术（机器学习和深度学习） | 机器学习 | 癌症 | 微流控技术 | 深度学习 | 图像、文本、视频、生化数据 | NA | NA | NA | NA | NA |
| 198 | 2026-06-07 |
ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction
2025-12, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3573581
PMID:40418608
|
研究论文 | 开发并评估了一种名为ECG-SMART-NET的深度学习架构，用于精确识别闭塞性心肌梗死 | 提出了一种临床启发的ResNet-18架构改进，通过时间卷积层学习每个导联内的时序特征，再通过空间卷积层学习导联间的空间一致性或不一致性 | 未明确说明局限性，但模型基于12导联心电图数据，可能对非典型病例识别存在挑战 | 提高闭塞性心肌梗死的从心电图检测准确率 | 闭塞性心肌梗死（OMI）患者 | 机器学习 | 心血管疾病 | 心电图分析 | CNN | 文本 | 包含10,393份心电图，来自7,397名独特患者（OMI发生率7.2%） | NA | ResNet-18改进版，包含时间卷积层和空间卷积层 | AUC | NA |
| 199 | 2026-06-07 |
High-Quality CEST Mapping With Lorentzian-Model Informed Neural Representation
2025-12, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3574238
PMID:40434851
|
研究论文 | 提出一种基于洛伦兹模型神经表示框架，用于高质量化学交换饱和转移磁共振成像映射 | 通过自监督神经架构嵌入洛伦兹方程，直接重建高灵敏度参数图，无需标注训练数据，且自监督训练策略保证收敛性 | NA | 克服CEST映射中模型方法灵敏度和鲁棒性不足以及深度学习方法泛化性差的问题 | 合成体模和活体实验数据（包括肿瘤和阿尔茨海默病模型） | 计算机视觉 | 肿瘤、阿尔茨海默病 | CEST MRI | 神经表示 | 磁共振成像数据 | 合成体模和活体实验数据，具体数量未提及 | NA | 神经网络架构（自监督，嵌入洛伦兹方程） | NA | NA |
| 200 | 2026-06-07 |
Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI
2025-12, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3574090
PMID:40434852
|
研究论文 | 提出一种基于深度可分时空学习的快速动态心脏MRI重建方法 | 采用降维的可分离学习方案，在训练数据极度有限的情况下仍能表现出色，并结合时间低秩性和空间稀疏性先验 | 未明确讨论方法在更复杂病变或更大规模多中心数据上的泛化能力 | 实现快速动态心脏MRI图像重建，降低对大量训练数据的依赖 | 心脏动态MRI图像重建及下游分割任务 | 计算机视觉 | 心血管疾病 | 动态磁共振成像 | 深度可分时空学习网络（DeepSSL） | 图像（心脏电影MRI图像） | 使用心脏电影数据集，未明确样本数目 | NA | DeepSSL | 视觉效果与定量指标（具体指标未在摘要中详述），下游分割准确性 | NA |