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 42799 篇文献，本页显示第 22381 - 22400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 22381 | 2025-10-07 |
Pre-trained convolutional neural networks identify Parkinson's disease from spectrogram images of voice samples
2025-Mar-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-92105-6
PMID:40025201
|
研究论文 | 本研究使用预训练卷积神经网络通过语音样本的声谱图图像识别帕金森病 | 在更大带宽智能手机录音数据集上验证方法性能，并比较线性尺度和梅尔尺度声谱图的分类效果 | 未明确说明样本量的具体数值和研究人群特征 | 开发基于深度学习的帕金森病自动检测方法 | 帕金森病患者的语音样本 | 计算机视觉 | 帕金森病 | 语音记录，声谱图分析 | CNN | 图像 | NA | NA | 预训练卷积神经网络 | 分类性能 | NA |
| 22382 | 2025-10-07 |
Enhancing HER2 testing in breast cancer: predicting fluorescence in situ hybridization (FISH) scores from immunohistochemistry images via deep learning
2025-Mar, The journal of pathology. Clinical research
DOI:10.1002/2056-4538.70024
PMID:40050230
|
研究论文 | 通过深度学习从免疫组化图像预测FISH评分来增强乳腺癌HER2检测 | 采用聚类约束注意力多实例深度学习模型改进HER2免疫组化检测，减少对FISH检测的依赖 | FISH预测模型的准确度和灵敏度较低 | 提高乳腺癌HER2检测的准确性和效率 | 乳腺癌患者的HER2生物标志物 | 数字病理学 | 乳腺癌 | 免疫组化(IHC), 荧光原位杂交(FISH) | 深度学习 | 图像 | 5,731张HER2 IHC图像(包含592例FISH检测病例)，外部验证来自203家机构 | NA | 聚类约束注意力多实例深度学习模型 | 准确度, ROC AUC, 灵敏度, 特异性 | NA |
| 22383 | 2025-05-13 |
Timescale Matters: Finer Temporal Resolution Influences Driver Contributions to Global Soil Respiration
2025-Mar, Global change biology
IF:10.8Q1
DOI:10.1111/gcb.70118
PMID:40052202
|
research paper | 该研究使用深度学习模型预测全球土壤呼吸（R）在月和年尺度上的变化，并探讨了时间分辨率对预测结果及其环境驱动因素的影响 | 首次在月和年尺度上比较了全球土壤呼吸的预测结果，揭示了时间分辨率对识别关键环境驱动因素的重要性 | 研究仅考虑了温度、降水和叶面积指数三个驱动因素，可能忽略了其他潜在影响因素 | 理解时间分辨率如何影响土壤呼吸预测及其环境驱动因素的识别 | 全球土壤呼吸及其环境驱动因素 | machine learning | NA | deep learning | 深度学习模型 | 时间序列数据 | 1982年至2018年的全球数据 | NA | NA | NA | NA |
| 22384 | 2025-05-13 |
Image-based food groups and portion prediction by using deep learning
2025-Mar, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70116
PMID:40052549
|
research paper | 开发了一个基于深度学习的系统，用于自动分组和分类食物，并估计土耳其菜肴的份量大小 | 使用CNN模型基于图像识别自动分类食物组和估计份量大小，并实现了高达80%的食物组分类准确率和80.47%的份量估计准确率 | 研究仅针对土耳其菜肴，可能不适用于其他文化的食物 | 预防由于营养不良导致的慢性疾病，如肥胖和高血压，通过自动测量食物消费来满足个体营养需求 | 土耳其菜肴 | computer vision | obesity, hypertension | image recognition | CNN | image | NA | NA | NA | NA | NA |
| 22385 | 2025-10-07 |
Risk-Stratified Screening: A Simulation Study of Scheduling Templates on Daily Mammography Recalls
2025-Mar, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.12.010
PMID:40044308
|
研究论文 | 通过离散事件模拟评估风险分层筛查调度对乳腺影像中心日常召回的影响 | 结合Tyrer-Cuzick风险模型和深度学习评分开发风险分层筛查调度方法，并首次通过模拟研究评估其对日常召回的影响 | 基于模拟研究而非真实临床实施，样本量相对较小（每日60名患者） | 评估风险分层筛查调度在乳腺影像中心工作流程中的潜在效益 | 接受乳腺筛查的患者群体 | 数字病理 | 乳腺癌 | 乳腺X线摄影，人工智能分诊 | 深度学习模型 | 乳腺影像数据，风险评分数据 | 每日60名患者，其中42%接受筛查，11%（约3名）需要诊断检查 | NA | NA | 召回方差，服务患者数量，运营时间，患者等待时间 | NA |
| 22386 | 2025-10-07 |
Opportunistic Detection of Hepatocellular Carcinoma Using Noncontrast CT and Deep Learning Artificial Intelligence
2025-Mar, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.12.011
PMID:40044303
|
研究论文 | 开发基于非对比CT和深度学习的人工智能算法用于肝细胞癌的机会性检测 | 首次探索在非对比CT上使用深度学习进行肝细胞癌机会性筛查的方法 | 研究样本量相对有限，需要进一步的外部验证 | 开发高效准确的肝细胞癌检测人工智能算法 | 肝细胞癌患者和非对比CT影像数据 | 计算机视觉 | 肝细胞癌 | 非对比多期相CT扫描 | CNN | 医学影像 | 2,223名患者（内部验证）和584名患者（外部测试） | NA | 3-D卷积块注意力模块 | AUC | NA |
| 22387 | 2025-10-07 |
Applying Artificial Intelligence to Quantify Body Composition on Abdominal CTs and Better Predict Kidney Transplantation Wait-List Mortality
2025-Mar, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2025.01.004
PMID:40044312
|
研究论文 | 本研究应用人工智能自动量化肾移植候选人腹部CT的身体成分数据，以更好地预测等待名单死亡率 | 首次使用经过验证的深度学习模型自动提取腹部CT中的身体成分数据，并将其与EPTS评分结合用于预测肾移植等待名单死亡率 | 单中心回顾性观察研究，样本量相对有限（899例患者），主要针对白人非西班牙裔人群 | 开发自动量化腹部CT身体成分的方法，并评估其对肾移植等待名单死亡率的预测价值 | 肾移植候选人（2007-2017年间等待名单上的患者） | 数字病理 | 肾脏疾病 | CT成像 | 深度学习模型 | 医学影像（腹部CT） | 899名肾移植候选人 | NA | NA | AUC（受试者工作特征曲线下面积）, 95%置信区间 | NA |
| 22388 | 2025-10-07 |
Unsupervised translation of vascular masks to NIR-II fluorescence images using Attention-Guided generative adversarial networks
2025-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-91416-y
PMID:40000690
|
研究论文 | 提出一种无监督生成对抗网络方法，将血管掩码转换为真实的NIR-II荧光血管图像 | 在损失函数中集成注意力机制，使模型在生成过程中聚焦关键特征，无需监督即可生成高质量NIR-II图像 | NA | 解决近红外血管成像数据集获取困难的问题，通过数据合成方法生成高质量合成图像 | 血管掩码和NIR-II荧光血管图像 | 计算机视觉 | NA | NIR-II荧光成像 | GAN | 图像 | NA | NA | Attention-Guided GAN | 视觉质量，定量指标 | NA |
| 22389 | 2025-10-07 |
SVEA: an accurate model for structural variation detection using multi-channel image encoding and enhanced AlexNet architecture
2025-Feb-22, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-06213-y
PMID:39987107
|
研究论文 | 提出一种名为SVEA的深度学习模型，通过多通道图像编码和增强的AlexNet架构改进结构变异检测 | 采用新颖的多通道图像编码方法将结构变异转换为多维图像格式，并集成多头自注意力机制和多尺度卷积模块 | 存在进一步优化的空间 | 提高基因组结构变异的检测准确性 | 基因组结构变异 | 机器学习 | NA | 多通道图像编码 | CNN | 基因组数据转换的图像 | 多样化的基因组数据集 | NA | AlexNet, 多头自注意力机制, 多尺度卷积模块 | 准确率 | NA |
| 22390 | 2025-10-07 |
Deep learning-based automatic ASPECTS calculation can improve diagnosis efficiency in patients with acute ischemic stroke: a multicenter study
2025-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10960-9
PMID:39060495
|
研究论文 | 开发基于深度学习的自动ASPECTS评分系统，用于急性缺血性卒中的早期CT评估 | 首次在四个中心的大规模研究中验证深度学习自动ASPECTS评分系统的临床适用性 | 临床应用仍需医师验证，系统处理成功率未达100% | 提高急性缺血性卒中患者ASPECTS评分的诊断效率和一致性 | 急性缺血性卒中患者的非增强CT扫描图像 | 医学影像分析 | 急性缺血性卒中 | 非增强计算机断层扫描(NCCT) | 深度学习 | 医学影像 | 开发队列1767例，测试队列220例，前瞻性应用研究13399例患者 | NA | NA | AUC, ICC, 敏感性, 诊断时间 | NA |
| 22391 | 2025-10-07 |
Deep learning and genome-wide association meta-analyses of bone marrow adiposity in the UK Biobank
2025-01-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-55422-4
PMID:39747859
|
研究论文 | 使用深度学习测量英国生物银行约47,000名参与者骨髓脂肪含量，并通过基因组关联分析确定其遗传决定因素 | 首次将深度学习与全基因组关联荟萃分析相结合系统研究骨髓脂肪的遗传基础 | 主要基于英国生物银行数据，样本种族多样性有限 | 探究骨髓脂肪组织的遗传决定因素及其与人类健康和疾病的关系 | 英国生物银行约47,000名参与者（包括41,000名白人和6,300名非白人） | 医学影像分析 | 骨骼代谢疾病 | MRI扫描，全基因组关联分析(GWAS)，转录组关联研究(TWAS) | 深度学习 | 医学影像(MRI) | 约47,000名英国生物银行参与者 | NA | NA | NA | NA |
| 22392 | 2025-05-13 |
Advances in analytical approaches for background parenchymal enhancement in predicting breast tumor response to neoadjuvant chemotherapy: A systematic review
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317240
PMID:40053513
|
系统综述 | 本文系统综述了背景实质增强（BPE）分析在预测乳腺癌新辅助化疗（NAC）反应中的最新进展 | 从单时间点BPE分析转向纵向BPE分析，并探讨了人工智能（AI）在改进BPE分析中的潜在应用 | 现有纵向BPE分析方法存在数据缺失、手动分割乳房区域以及过度依赖传统统计方法等问题 | 评估BPE分析方法的可靠性及有效性，以预测乳腺癌对NAC的反应 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 动态对比增强磁共振成像（DCE-MRI） | 逻辑回归，深度学习 | 医学影像 | 13项研究（来自78篇符合条件的文献） | NA | NA | NA | NA |
| 22393 | 2025-05-13 |
A novel deep learning technique for multi classify Alzheimer disease: hyperparameter optimization technique
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1558725
PMID:40342359
|
research paper | 提出一种基于深度学习和超参数优化的新方法，用于更准确地分类阿尔茨海默病的不同阶段 | 使用新提出的超参数优化方法来识别ResNet152V2模型的超参数，以解决有限数据和计算资源的问题 | 未提及具体的数据集大小和计算资源限制的详细情况 | 早期诊断和检测阿尔茨海默病，以实施可能减缓疾病进展的治疗方法 | 阿尔茨海默病的不同阶段 | machine learning | geriatric disease | deep learning, hyperparameter optimization | ResNet152V2 | NA | NA | NA | NA | NA | NA |
| 22394 | 2025-05-13 |
Using artificial intelligence to develop a measure of orthopaedic treatment success from clinical notes
2025, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2025.1523953
PMID:40343216
|
research paper | 该研究利用人工智能技术从临床记录中开发了一种衡量骨科治疗成功的方法 | 首次使用AI方法从临床记录中提取治疗成功或失败的短语，并开发了一种骨科治疗成功的指标 | 研究仅针对急性肩部损伤患者，样本量有限（868份临床记录），且仅在一个地区医疗系统内进行 | 开发一种反映骨科治疗成功的可用结果测量方法 | 急性肩部损伤患者的临床记录 | 自然语言处理 | 骨科疾病 | 机器学习和深度学习算法 | Bio-ClinicalBERT | 文本 | 868份临床记录，来自123名医生和35个科室 | NA | NA | NA | NA |
| 22395 | 2025-10-07 |
[Coronary artery segmentation based on Transformer and convolutional neural networks dual parallel branch encoder neural network]
2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202403058
PMID:40000209
|
研究论文 | 提出一种结合Transformer和CNN的双并行编码器神经网络DUNETR，用于冠状动脉CTA图像分割 | 首次将Transformer和CNN作为双并行编码器集成到分割网络中，通过NRFF模块融合全局和局部特征 | NA | 提高冠状动脉CTA图像分割的准确性和效率 | 冠状动脉CTA图像 | 计算机视觉 | 心血管疾病 | 计算机断层扫描血管成像(CTA) | CNN, Transformer | 三维医学图像 | NA | NA | U-Net, Transformer, DUNETR | Dice相似系数, 召回率 | NA |
| 22396 | 2025-10-07 |
Thoracic Aortic Three-Dimensional Geometry
2024-Oct-31, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.09.593413
PMID:38798566
|
研究论文 | 开发了一种基于深度学习的全自动方法，用于量化胸主动脉的三维几何结构参数 | 首次在大规模人群中全面表征胸主动脉的三维几何结构，并开发了全自动的主动脉几何表型提取方法 | 研究主要基于两个生物银行的数据，可能受到数据来源的限制 | 量化胸主动脉的三维几何结构，研究主动脉结构与心血管健康的关系 | 英国生物银行54,241名参与者和宾夕法尼亚医学生物银行8,456名参与者的影像扫描数据 | 医学影像分析 | 心血管疾病 | 医学影像分割，形态学图像处理 | 深度学习架构 | 医学影像扫描数据 | 英国生物银行54,241人，宾夕法尼亚医学生物银行8,456人 | NA | NA | NA | NA |
| 22397 | 2025-10-07 |
Leveraging Large Language Models for Knowledge-free Weak Supervision in Clinical Natural Language Processing
2024-Jun-28, Research square
DOI:10.21203/rs.3.rs-4559971/v1
PMID:38978609
|
研究论文 | 提出一种利用大语言模型进行无领域知识弱监督的方法，用于临床自然语言处理任务 | 通过微调LLM生成弱标注数据训练下游BERT模型，在几乎无需领域知识的情况下实现优越性能 | LLM推理计算量较大 | 解决临床自然语言处理中标注数据稀缺的问题 | 临床文本数据 | 自然语言处理 | NA | 弱监督学习, 上下文学习 | LLM, BERT | 文本 | 三个n2c2数据集，不超过10-50个黄金标注病历 | NA | Llama2-13B, PubMedBERT, BERT | F1分数 | NA |
| 22398 | 2025-10-07 |
Improved stent sharpness evaluation with super-resolution deep learning reconstruction in coronary CT angiography
2024-Jun-18, The British journal of radiology
DOI:10.1093/bjr/tqae094
PMID:38733576
|
研究论文 | 评估超分辨率深度学习重建在冠状动脉CT血管造影中对图像质量和支架锐度的改善效果 | 首次将超分辨率深度学习重建技术应用于冠状动脉CT血管造影，显著提升支架锐度评估 | 回顾性研究，样本量有限（66例患者），单中心数据 | 比较不同图像重建算法对冠状动脉CT血管造影图像质量和支架锐度的影响 | 冠状动脉CT血管造影图像和冠状动脉支架 | 医学影像分析 | 心血管疾病 | 冠状动脉CT血管造影 | 深度学习 | 医学影像 | 66例冠状动脉CT血管造影患者 | NA | 超分辨率深度学习重建 | 图像噪声, 信噪比, 对比噪声比, 边缘上升斜率, 边缘上升距离, 5分制定性评分 | NA |
| 22399 | 2025-05-13 |
Leverage Weakly Annotation to Pixel-wise Annotation via Zero-shot Segment Anything Model for Molecular-empowered Learning
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3006577
PMID:40343078
|
research paper | 该研究探讨了利用零样本学习的Segment Anything Model（SAM）从弱标注生成像素级标注，以降低病理图像分割的标注成本 | 提出SAM辅助的分子赋能学习（SAM-L），仅需弱框标注即可训练分割模型，减少非专业标注者的工作量 | 未明确说明SAM在不同细胞类型上的泛化能力及对IF图像依赖程度的影响 | 开发无需像素级标注的病理图像分割方法 | 高分辨率千兆像素全切片图像（WSI）中的多类细胞 | digital pathology | NA | immunofluorescence（IF）成像，零样本学习 | Segment Anything Model（SAM） | 病理图像 | NA | NA | NA | NA | NA |
| 22400 | 2025-05-13 |
High-performance Data Management for Whole Slide Image Analysis in Digital Pathology
2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3006273
PMID:40343079
|
研究论文 | 本文介绍了一种针对数字病理学中全切片图像分析的高性能数据管理方法，使用ADIOS2系统优化数据访问和处理 | 首次在数字病理学领域应用ADIOS2系统，并开发了针对性的数据管理流程，显著提升了数据处理效率 | 仅针对特定两种场景(CPU和GPU)进行了性能评估，未涵盖更多可能的计算环境 | 解决数字病理学中全切片图像分析时的数据输入输出瓶颈问题 | 全切片图像(WSI)的数据管理流程 | 数字病理学 | NA | ADIOS2数据管理系统 | NA | 图像 | NA | NA | NA | NA | NA |