深度学习在生物医药领域中的应用
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，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10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 28616 篇文献，本页显示第 201 - 220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2025-07-19 |
A Comparative Study of Deep Learning Dose Prediction Models for Cervical Cancer Volumetric Modulated Arc Therapy
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241242654
PMID:38584413
|
研究论文 | 比较四种最先进的深度学习模型在预测宫颈癌容积调强弧形治疗（VMAT）中体素级剂量分布的性能 | 首次比较了四种3D U-Net及其变体在宫颈癌VMAT剂量预测中的表现 | 研究为回顾性研究，样本量相对有限（261例患者） | 评估不同深度学习模型在放射肿瘤学剂量预测中的性能 | 宫颈癌患者的VMAT治疗计划 | 数字病理 | 宫颈癌 | 容积调强弧形治疗（VMAT） | 3D U-Net及其3种变体模型 | CT图像、靶区掩膜、危及器官掩膜 | 261例宫颈癌患者的治疗计划（209例训练验证集，52例测试集） |
| 202 | 2025-07-19 |
Analysis of ultrasonographic images using a deep learning-based model as ancillary diagnostic tool for diagnosing gallbladder polyps
2023-12, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2023.06.023
PMID:37407319
|
研究论文 | 本研究评估了基于深度学习的模型在诊断胆囊息肉中的辅助作用 | 开发了一个深度学习模型，用于区分肿瘤性胆囊息肉与非肿瘤性胆囊息肉，并评估了计算机辅助诊断对医生诊断准确性的提升效果 | 研究为回顾性队列研究，可能存在选择偏差 | 评估深度学习模型在胆囊息肉诊断中的效果及其作为辅助诊断工具的潜力 | 胆囊息肉患者 | 数字病理 | 胆囊疾病 | 深度学习 | CNN | 超声图像 | 263名患者的3,754张图像 |
| 203 | 2025-07-19 |
Identification of gastric signet ring cell carcinoma based on endoscopic images using few-shot learning
2023-12, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2023.07.005
PMID:37455154
|
研究论文 | 该研究提出了一种基于少样本学习的框架，用于在内镜图像中识别胃印戒细胞癌 | 采用双预训练的EfficientNetV2-S模型结合k近邻分类器，解决了小样本条件下胃印戒细胞癌识别的问题 | 研究样本量较小，每类仅50个样本 | 开发一种在样本有限情况下准确识别胃印戒细胞癌的计算机辅助诊断方法 | 胃印戒细胞癌的内镜图像 | 计算机视觉 | 胃癌 | 少样本学习(FSL) | EfficientNetV2-S, k-nearest neighbor | 图像 | 每类50个样本（胃良性溃疡、腺癌和印戒细胞癌） |
| 204 | 2025-07-19 |
Noninvasive grading of glioma brain tumors using magnetic resonance imaging and deep learning methods
2023-Dec, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05389-4
PMID:37698684
|
系统综述 | 本研究通过系统综述探讨了利用MRI和深度学习方法对胶质瘤脑肿瘤进行无创分级的研究现状 | 综合分析了2010-2022年间77篇学术文章，揭示了胶质瘤分割研究比检测和分类更受关注的现象 | 仅纳入了英文文献，可能遗漏其他语言的重要研究 | 评估深度学习在胶质瘤MRI图像分析中的应用现状 | 胶质瘤脑肿瘤 | 数字病理学 | 脑癌 | MRI | CNN | 医学影像 | 77篇学术文章 |
| 205 | 2025-07-19 |
Predicting cutaneous malignant melanoma patients' survival using deep learning: a retrospective cohort study
2023-Dec, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05421-7
PMID:37755576
|
研究论文 | 使用深度学习预测皮肤恶性黑色素瘤患者的生存率 | 开发了一种名为DeepCMM的深度学习生存模型，用于预测皮肤恶性黑色素瘤患者的总体生存率，并打包成Windows 64位软件供医生使用 | 研究为回顾性队列研究，可能存在数据偏差 | 准确预测皮肤恶性黑色素瘤患者的预后以指导临床决策 | 皮肤恶性黑色素瘤患者 | 数字病理学 | 皮肤恶性黑色素瘤 | 深度学习 | DeepCMM | 临床数据 | 三个队列（训练队列2010-2013年诊断，验证队列2014年诊断，测试队列2015年诊断） |
| 206 | 2025-07-19 |
A deep learning approach based on multi-omics data integration to construct a risk stratification prediction model for skin cutaneous melanoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05358-x
PMID:37673824
|
研究论文 | 本研究提出了一种基于多组学数据整合的深度学习方法，用于构建皮肤黑色素瘤（SKCM）的风险分层预测模型 | 结合早期融合特征自编码器（AE）和晚期融合特征AE的深度学习框架，用于SKCM风险亚型的预测 | 研究依赖于TCGA数据库的数据，可能无法涵盖所有SKCM患者的异质性 | 构建SKCM的风险亚型分类预测模型，以改善预后预测和治疗决策 | 皮肤黑色素瘤（SKCM）患者 | 数字病理学 | 皮肤黑色素瘤 | mRNA、miRNA和DNA甲基化数据整合 | 自编码器（AE）、SVM | 多组学数据（mRNA、miRNA、DNA甲基化） | TCGA数据库中的SKCM患者数据及两个独立测试数据集 |
| 207 | 2025-07-19 |
SMiT: symmetric mask transformer for disease severity detection
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05223-x
PMID:37698681
|
研究论文 | 提出了一种名为SMiT的对称掩码预训练视觉Transformer模型，用于病理图像的疾病严重程度检测 | 采用纯Transformer框架而非传统CNN方法，通过对称掩码预训练策略使模型更专注于病灶区域的细节特征提取 | 未明确说明模型在小样本或其他癌症类型上的泛化能力 | 开发智能医疗诊断系统以提高疾病严重程度检测的准确性 | 结直肠癌病理图像和糖尿病视网膜病变图像 | 数字病理 | 结直肠癌/糖尿病视网膜病变 | Transformer/对称掩码预训练 | SMiT(基于Transformer) | 图像 | 4500张经高斯滤波去噪的结直肠癌组织病理图像 + APTOS2019公开数据集 |
| 208 | 2025-07-19 |
Combining radiomics and deep learning features of intra-tumoral and peri-tumoral regions for the classification of breast cancer lung metastasis and primary lung cancer with low-dose CT
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05329-2
PMID:37642722
|
研究论文 | 本研究探讨了结合深度学习和放射组学特征在低剂量CT中诊断乳腺癌肺转移和原发性肺癌的性能 | 提出了一种融合模型，结合了基于ResNet18的多输入残差卷积网络提取的深度学习特征和传统放射组学特征，并采用多区域策略整合了肿瘤内和肿瘤周围区域的特征 | 研究样本量较小（100例），且为回顾性研究，可能存在选择偏倚 | 提高乳腺癌肺转移和原发性肺癌的分类准确率 | 乳腺癌患者的肺部病变（60例乳腺癌肺转移和40例原发性肺癌） | 数字病理 | 乳腺癌, 肺癌 | 低剂量CT (LDCT) | ResNet18-based多输入残差卷积网络 | CT图像 | 100例（60例乳腺癌肺转移和40例原发性肺癌） |
| 209 | 2025-07-19 |
Identifying immune infiltration by deep learning to assess the prognosis of patients with hepatocellular carcinoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05097-z
PMID:37450030
|
研究论文 | 本研究利用深度学习算法评估肝细胞癌患者的免疫浸润情况，并探讨其与预后的关系 | 首次构建了基于ResNet 101V2网络的深度学习模型来评估肝细胞癌组织的免疫浸润情况，并验证了其在预后评估中的价值 | TLS分类组样本量较少可能导致结果不佳 | 评估肝细胞癌患者的免疫浸润情况及其与预后的关系 | 肝细胞癌患者 | 数字病理学 | 肝细胞癌 | 深度学习 | ResNet 101V2 | 全切片图像(WSI) | 训练集包含100张WSI和165,293个tiles |
| 210 | 2025-07-19 |
Cancer detection in breast cells using a hybrid method based on deep complex neural network and data mining
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05191-2
PMID:37486394
|
研究论文 | 本文提出了一种基于深度复杂神经网络和数据挖掘的混合方法，用于乳腺癌细胞的检测 | 结合深度复杂神经网络和数据挖掘技术，提高了乳腺癌诊断的准确性和速度 | 样本量相对较小，仅包含187名志愿者 | 提高乳腺癌诊断的准确性和速度 | 乳腺癌细胞 | 数字病理 | 乳腺癌 | 热成像技术、数据挖掘 | ResNet18, ResNet50, VGG19, Xception | 图像 | 187名志愿者（152名健康人，35名癌症患者），共1870张热成像图像 |
| 211 | 2025-07-19 |
A comprehensive analysis of recent advancements in cancer detection using machine learning and deep learning models for improved diagnostics
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05216-w
PMID:37540254
|
综述 | 本文对使用传统机器学习和深度学习模型进行多种癌症类型检测的最新进展进行了比较分析 | 综合比较了机器学习和深度学习在癌症早期检测中的应用，并提供了130篇文献的详细分析 | 研究仅基于准确性作为性能指标，且仅包含2018-2023年间发表的同行评审论文 | 比较机器学习和深度学习模型在癌症早期检测中的效果，为未来研究提供指导 | 脑癌、肺癌、皮肤癌和乳腺癌 | 机器学习 | 癌症 | 机器学习和深度学习 | ML和DL模型 | 文献数据 | 130篇文献（56篇ML，74篇DL） |
| 212 | 2025-07-19 |
Enhanced breast mass mammography classification approach based on pre-processing and hybridization of transfer learning models
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05249-1
PMID:37567987
|
研究论文 | 提出了一种基于预处理和迁移学习模型混合的增强型乳腺肿块X线分类方法 | 采用两阶段分类方法，包括创新的预处理策略和混合迁移学习模型，以提高乳腺肿块的检测准确率 | 研究仅基于CBIS-DDSM数据集，未在其他数据集上验证其泛化能力 | 提高乳腺肿块在X线检查中的准确检测率，以早期诊断乳腺癌 | 乳腺X线图像中的肿块 | 数字病理 | 乳腺癌 | 迁移学习 | CNN | 图像 | 使用CBIS-DDSM数据集，具体样本数量未提及 |
| 213 | 2025-07-19 |
Development and verification of a deep learning-based m6A modification model for clinical prognosis prediction of renal cell carcinoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05169-0
PMID:37558767
|
研究论文 | 开发并验证了一种基于深度学习的m6A修饰模型，用于肾细胞癌患者的临床预后预测 | 首次报道了基于深度学习的m6A修饰模型用于肾细胞癌预后预测，并深入探索了METTL14在肾细胞癌中的重要作用 | 未提及模型在其他癌症类型中的泛化能力 | 开发一种能够预测肾细胞癌患者预后的深度学习模型，并探索METTL14在肾癌中的作用 | 肾细胞癌患者 | 数字病理学 | 肾细胞癌 | Western blotting, 定量实时PCR, 免疫组化, RNA免疫沉淀 | 深度学习神经网络 | 临床数据和实验数据 | 两个独立的患者队列和一个泛癌患者队列 |
| 214 | 2025-07-19 |
Deep learning model for predicting the survival of patients with primary gastrointestinal lymphoma based on the SEER database and a multicentre external validation cohort
2023-Oct, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05123-0
PMID:37428248
|
research paper | 本研究基于SEER数据库和多中心外部验证队列，开发了一种深度学习模型，用于预测原发性胃肠道淋巴瘤（PGIL）患者的生存率 | 使用深度学习算法（DeepSurv模型）预测PGIL患者的生存率，并通过外部验证队列验证其性能优于传统的CoxPH和RSF模型 | 外部验证队列的样本量较小（82例），可能影响模型的泛化能力 | 建立预测PGIL患者生存率的预后模型，以优化个体化治疗决策 | 原发性胃肠道淋巴瘤（PGIL）患者 | digital pathology | lymphoma | deep learning algorithm | DeepSurv, CoxPH, RSF | clinical data | 11,168例来自SEER数据库的患者和82例来自三个医疗中心的外部验证患者 |
| 215 | 2025-07-19 |
The Swin-Transformer network based on focal loss is used to identify images of pathological subtypes of lung adenocarcinoma with high similarity and class imbalance
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04795-y
PMID:37097394
|
研究论文 | 本研究提出了一种基于Swin-Transformer和Focal Loss的FL-STNet模型，用于高相似性和类别不平衡的肺腺癌病理亚型图像识别 | 首次开发了基于11类分类器的深度学习模型，结合Focal Loss和Swin-Transformer的优势，解决了当前CNN和Vit的不足 | NA | 改善原发性肺腺癌病理分类的临床问题 | 肺腺癌及其他亚型肺病的病理图像 | 数字病理学 | 肺癌 | 深度学习 | Swin-Transformer (FL-STNet) | 图像 | 360名诊断为肺腺癌及其他亚型肺病的患者样本 |
| 216 | 2025-07-19 |
Deep learning-based methods for classification of microsatellite instability in endometrial cancer from HE-stained pathological images
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04838-4
PMID:37150803
|
研究论文 | 本研究提出了一种基于深度学习和注意力模块的新架构，用于从H&E染色的病理图像中分类子宫内膜癌的微卫星不稳定性（MSI）状态 | 提出了一种结合注意力模块的新架构，用于从病理图像中提取特征，并通过词袋方法聚合预测概率，从而获得切片级别的微卫星状态 | 研究仅使用了来自TCGA子宫内膜癌队列的数据，可能在其他数据集上的泛化能力有待验证 | 开发一种快速、低成本的深度学习方法，用于子宫内膜癌中MSI状态的分类 | 子宫内膜癌的H&E染色全切片图像（WSIs） | 数字病理 | 子宫内膜癌 | 深度学习 | 基于注意力模块的深度学习模型 | 图像 | 来自TCGA子宫内膜癌队列的H&E染色WSIs |
| 217 | 2025-07-19 |
A novel staging system based on deep learning for overall survival in patients with esophageal squamous cell carcinoma
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04842-8
PMID:37154930
|
research paper | 开发了一种基于深度学习的食管鳞状细胞癌患者总体生存预测新分期系统 | 提出了一种基于深度学习的新分期系统DeepSurv，用于预测食管鳞状细胞癌患者的总体生存率，并开发了易于使用的基于网络的工具 | 研究依赖于SEER数据库的数据，可能存在数据偏差或遗漏 | 预测食管鳞状细胞癌患者的总体生存率并开发新的分期系统 | 6020名食管鳞状细胞癌患者 | digital pathology | esophageal squamous cell carcinoma | deep learning | DeepSurv | clinical data | 6020名患者来自SEER数据库 |
| 218 | 2025-07-19 |
Segmentation and classification of brain tumors using fuzzy 3D highlighting and machine learning
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04754-7
PMID:37166578
|
research paper | 该论文提出了一种结合模糊3D高亮和机器学习的脑肿瘤分割与分类方法 | 使用模糊3D高亮方法进行脑肿瘤分割，并采用GOA-SVM和GA-DNN两种机器学习方法进行分类 | 需要医学专家的专业知识，且分割过程耗时 | 提高脑肿瘤的早期诊断准确率 | 脑肿瘤 | digital pathology | brain tumor | fuzzy 3D highlighting, GOA-SVM, GA-DNN | SVM, DNN | MRI scans | NA |
| 219 | 2025-07-19 |
Differential diagnosis of hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on spatial and channel attention mechanisms
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04935-4
PMID:37268850
|
研究论文 | 本研究开发了一种基于通道和空间注意力机制的深度学习模型CSAM-Net，用于术前非侵入性区分肝细胞癌和肝内胆管癌 | 提出了一种新型的基于注意力机制的深度学习模型CSAM-Net，在CT图像上实现了对HCC和ICC的高效区分 | 研究为回顾性研究，样本量相对有限（395例HCC和99例ICC） | 开发一种有效的术前非侵入性方法来区分肝细胞癌和肝内胆管癌 | 肝细胞癌(HCC)和肝内胆管癌(ICC)患者 | 数字病理 | 肝癌 | CT成像 | CSAM-Net（基于通道和空间注意力机制的深度学习模型） | 医学影像（CT图像） | 494例（395例HCC患者和99例ICC患者） |
| 220 | 2025-07-19 |
A deep-learning-based clinical risk stratification for overall survival in adolescent and young adult women with breast cancer
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04955-0
PMID:37277578
|
research paper | 本研究构建了一种基于深度学习的临床风险分层模型，用于预测青少年和年轻成年女性乳腺癌患者的总体生存率 | 使用DeepSurv深度学习算法构建预后预测模型，并基于总风险评分构建新的临床风险分层 | 研究依赖于SEER数据库的数据，可能存在选择偏差 | 预测青少年和年轻成年女性乳腺癌患者的总体生存率 | 青少年和年轻成年女性乳腺癌患者 | digital pathology | breast cancer | deep learning | DeepSurv | clinical data | 14,243名青少年和年轻成年女性乳腺癌患者 |