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 45510 篇文献，本页显示第 23881 - 23900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 23881 | 2025-06-03 |
Bi-VesTreeFormer: A bidirectional topology-aware transformer framework for coronary vFFR estimation
2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
research paper | 提出了一种名为Bi-VesTreeFormer的双向拓扑感知Transformer框架，用于冠状动脉虚拟FFR（vFFR）的无创估计 | 提出了一种新型双向拓扑感知Transformer网络（Bi-VesTreeFormer），能够全自动提取血管树的拓扑狭窄特征并捕捉分支间的全局依赖关系，同时引入了上下文vFFR解码器以建立相邻分支间FFR值的相关性 | 研究样本量相对较小，仅包含43名患者的FFR数据和15,000条模拟冠状动脉中心线数据 | 开发一种高效、无创的冠状动脉虚拟FFR估计方法，以克服传统FFR测量和现有计算方法的局限性 | 冠状动脉狭窄患者的FFR数据和模拟冠状动脉中心线数据 | digital pathology | cardiovascular disease | computational fluid dynamics, deep learning | Transformer (Bi-VesTreeFormer) | medical imaging data, simulated data | 43名患者的FFR数据和15,000条模拟冠状动脉中心线数据 | NA | NA | NA | NA |
| 23882 | 2025-06-03 |
Fast cortical thickness estimation using deep learning-based anatomy segmentation and diffeomorphic registration
2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出了一种基于深度学习的解剖分割和微分同胚配准的快速皮层厚度估计框架 | 结合CNN分割模型和无监督学习配准网络，提出了一种新的基于不同时间点微分同胚的算法来计算厚度图 | 未提及具体的数据集规模限制或模型泛化能力的详细评估 | 提高从MRI图像中估计皮层厚度的准确性和效率，以支持神经科学研究和临床应用 | 磁共振图像（MRI）中的皮层厚度 | 计算机视觉 | NA | 深度学习，微分同胚配准 | CNN，无监督学习配准网络 | MRI图像 | 在两个不同的数据集上进行了系统评估 | NA | NA | NA | NA |
| 23883 | 2025-06-03 |
CALIMAR-GAN: An unpaired mask-guided attention network for metal artifact reduction in CT scans
2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
research paper | 本文提出了一种名为CALIMAR-GAN的生成对抗网络模型，用于减少CT扫描中的金属伪影 | CALIMAR-GAN采用引导注意力机制和线性插值算法，利用未配对的模拟和临床数据进行针对性伪影减少 | 大多数现有方法依赖配对的模拟数据，限制了在临床扫描上的定量评估 | 提高CT扫描的图像质量，减少金属伪影，以增强诊断准确性和治疗效果 | CT扫描中的金属伪影 | computer vision | NA | GAN | CALIMAR-GAN | image | NA | NA | NA | NA | NA |
| 23884 | 2025-06-03 |
Non-traditional socio-environmental and geospatial determinants of Alzheimer's disease-related dementia mortality
2025-Jul-01, The Science of the total environment
DOI:10.1016/j.scitotenv.2025.179745
PMID:40424712
|
研究论文 | 本研究探讨了非传统环境和社会因素对阿尔茨海默病相关痴呆（ADRD）死亡率的影响 | 结合了空气污染、社会脆弱性和地理空间特征来研究ADRD死亡率，并使用了PRIM和SHAP等先进分析方法 | 研究为横断面设计，无法确定因果关系 | 确定非传统环境和社会因素与ADRD死亡率的关系 | 美国大陆县级ADRD死亡率数据 | 公共卫生 | 老年病 | PRIM、SHAP、深度学习 | NA | 环境数据、社会脆弱性指数、街景图像 | 美国大陆县级数据 | NA | NA | NA | NA |
| 23885 | 2025-06-03 |
Deep Guess acceleration for explainable image reconstruction in sparse-view CT
2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种名为Deep Guess加速方案的新技术，用于在稀疏视图CT中加速正则化MBIR并提高重建精度 | 结合深度学习工具初始化近端算法的起始猜测，以在非凸模型中快速计算可解释的解图像 | 未提及具体临床验证或大规模样本测试 | 减少医学成像中的X射线剂量辐射并提高稀疏视图CT的重建质量 | 稀疏视图CT图像 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 真实和合成的CT图像（具体数量未提及） | NA | NA | NA | NA |
| 23886 | 2025-06-03 |
Deep learning-based image classification and quantification models for tablet sticking
2025-Jun-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.125690
PMID:40339626
|
研究论文 | 本研究提出了一种基于深度学习的图像分类和量化模型，用于检测和量化制药片剂生产中的粘附问题 | 结合CNN和GLCM特征的集成模型，能够检测和量化片剂粘附，克服了传统视觉检查的局限性 | 研究仅针对10批片剂进行了验证，样本量相对较小 | 提高制药片剂生产的效率和质量控制 | 制药片剂生产中的粘附问题 | 计算机视觉 | NA | CNN, GLCM, SVM | AlexNet, VGG 16, ResNet 50, GoogLeNet | 图像 | 10批片剂 | NA | NA | NA | NA |
| 23887 | 2025-06-03 |
Hyaluronan network remodeling by ZEB1 and ITIH2 enhances the motility and invasiveness of cancer cells
2025-Jun-02, The Journal of clinical investigation
IF:13.3Q1
DOI:10.1172/JCI180570
PMID:40178908
|
研究论文 | 研究透明质酸（HA）网络中ZEB1和ITIH2的作用及其对肺癌细胞迁移和侵袭能力的影响 | 揭示了ZEB1通过调控ITIH2、HAS2和CD44重塑肿瘤微环境中的HA网络，并提出针对该网络的抑制策略 | 研究主要基于体外实验和小鼠模型，尚未在人体中进行验证 | 探究HA网络在肺癌细胞迁移和侵袭中的作用机制 | 肺癌细胞和癌症相关成纤维细胞 | 肿瘤生物学 | 肺癌 | 深度学习药物-靶点相互作用算法 | NA | NA | NA | NA | NA | NA | NA |
| 23888 | 2024-12-20 |
Deep learning on chromatin profiles reveals the cis-regulatory sequence code of the rice genome
2025-Jun, Journal of genetics and genomics = Yi chuan xue bao
DOI:10.1016/j.jgg.2024.12.007
PMID:39694233
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 23889 | 2025-10-06 |
AI image analysis as the basis for risk-stratified screening
2025-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01734-4
PMID:39794661
|
综述 | 本文综述了人工智能在乳腺癌筛查中风险预测模型的研究进展与应用挑战 | 系统整合了从传统影像生物标志物到前沿深度学习方法及多模态方法在乳腺癌风险预测中的发展 | AI风险模型目前主要处于研究阶段，尚未在临床实践中广泛采用 | 优化人工智能工具在乳腺癌筛查中的应用，改善不同人群的公平性和筛查结果 | 乳腺癌筛查中的风险预测模型 | 计算机视觉 | 乳腺癌 | NA | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 23890 | 2025-06-03 |
Prediction of Lymph Node Metastasis in Lung Cancer Using Deep Learning of Endobronchial Ultrasound Images With Size on CT and PET-CT Findings
2025-Jun, Respirology (Carlton, Vic.)
DOI:10.1111/resp.70010
PMID:40033122
|
研究论文 | 本研究评估了深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力，并强调了整合ROI、CT上的淋巴结大小和PET-CT结果的价值 | 首次将ROI、CT上的淋巴结大小和PET-CT结果整合到深度学习模型中，显著提高了诊断能力 | 研究仅基于回顾性数据，未进行前瞻性验证 | 评估深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | 数字病理学 | 肺癌 | EBUS-TBNA, CT, PET-CT | ResNet18 | 图像 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | NA | NA | NA | NA |
| 23891 | 2025-06-03 |
Using deep-learning based segmentation to enable spatial evaluation of knee osteoarthritis (SEKO) in rodent models
2025-Jun, Osteoarthritis and cartilage
IF:7.2Q1
DOI:10.1016/j.joca.2025.02.787
PMID:40139644
|
research paper | 该研究介绍了一种基于深度学习的组织学分析流程SEKO，用于定量和可视化啮齿动物膝关节内侧区域的关节重塑 | 开发了一个结合分割和可视化工具的深度学习流程SEKO，用于空间评估膝关节骨关节炎，并作为开源工具提供给研究社区 | 仅针对啮齿动物模型进行研究，尚未在人类样本中验证 | 开发一种客观比较骨关节炎进展和治疗干预效果的方法 | 啮齿动物膝关节 | digital pathology | osteoarthritis | histological analysis | U-NET, HRNet | image | NA | NA | NA | NA | NA |
| 23892 | 2025-04-03 |
Integrating Deep Learning in Breast MRI: Technical Advances and Clinical Promise
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.047
PMID:40169328
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 23893 | 2025-06-03 |
Strategies to Improve the Robustness and Generalizability of Deep Learning Segmentation and Classification in Neuroimaging
2025-Jun, BioMedInformatics
DOI:10.3390/biomedinformatics5020020
PMID:40271381
|
review | 本文回顾并总结了提高深度学习模型在神经影像分割和分类中鲁棒性和泛化能力的策略 | 识别并总结了包括正则化、数据增强、迁移学习和不确定性估计在内的关键策略，以应对数据变异性和领域转移等主要挑战 | 仅包括英文同行评审的脑成像研究，可能忽略了其他语言或非脑成像的相关研究 | 提高深度学习模型在神经影像分割和分类中的鲁棒性和泛化能力，以增强其在实际临床实践中的可靠性 | 神经影像数据 | machine learning | NA | 深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 23894 | 2025-06-03 |
EEG-ConvoBLSTM: A novel hybrid model for efficient EEG signal classification
2025-Jun-01, The Review of scientific instruments
DOI:10.1063/5.0258358
PMID:40454762
|
研究论文 | 提出一种新型混合模型EEG-ConvoBLSTM，用于高效分类EEG信号以进行情感识别 | 结合卷积层和双向LSTM网络，实现对EEG信号时空特征的全面建模及长时依赖信息捕获 | 未明确说明模型在更大规模或多样化数据集上的泛化能力 | 提升基于EEG信号的情感识别准确率及跨被试泛化能力 | EEG信号的情感识别 | 机器学习 | NA | 深度学习 | CNN与BLSTM混合模型 | EEG信号 | 使用SEED数据集（具体样本量未说明） | NA | NA | NA | NA |
| 23895 | 2025-06-03 |
Physics-driven deep learning methods and numerically intractable "bad" Jaulent-Miodek equation
2025-Jun-01, Chaos (Woodbury, N.Y.)
DOI:10.1063/5.0264041
PMID:40455205
|
research paper | 该论文提出了一种结合PINN和PECANN的两阶段深度学习方法，用于解决'bad' Jaulent-Miodek (JM)方程的非线性波演化问题 | 将PINN和PECANN两种物理驱动的深度学习方法结合成一个两阶段神经网络，提高了计算效率并正确求解了'bad' JM方程 | NA | 解决具有不良性质的'bad' JM方程的非线性波演化问题 | 'bad' JM方程的非线性波演化 | machine learning | NA | Physics-Informed Neural Networks (PINN), Physics and Equality-Constrained Artificial Neural Networks (PECANN) | PINN+PECANN neural network | numerical data | NA | NA | NA | NA | NA |
| 23896 | 2025-10-06 |
Application of Deep Neural Networks in the Manufacturing Process of Mesenchymal Stem Cells Therapeutics
2025-May-30, International journal of stem cells
IF:2.5Q3
DOI:10.15283/ijsc24070
PMID:39322430
|
研究论文 | 本研究应用深度神经网络分析间充质干细胞图像，以监测细胞融合度和状态 | 首次基于深度学习方法分析细胞图像，直接影响干细胞治疗产品的产量和质量参数 | 异常细胞检测仅限于单层培养图像，多层培养仅在单层培养无异常细胞时进行 | 开发自动化的细胞治疗制造过程监控方法 | 间充质干细胞 | 计算机视觉 | NA | 细胞培养成像 | 深度神经网络 | 图像 | 多种培养容器中培养的间充质干细胞图像 | NA | NA | 准确率 | NA |
| 23897 | 2025-06-03 |
Bayesian deep-learning structured illumination microscopy enables reliable super-resolution imaging with uncertainty quantification
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60093-w
PMID:40447610
|
research paper | 本文提出了一种基于贝叶斯深度学习的结构光照明显微镜（BayesDL-SIM）方法，用于实现高保真超分辨率成像并量化不确定性 | 开发了BayesDL-SIM方法，首次在SIM中引入贝叶斯深度学习框架，实现了超分辨率不确定性的量化，并提升了密集标记结构的重建质量 | 未明确说明该方法在计算资源需求或处理速度方面的局限性 | 提高结构光照明显微镜（SIM）成像的可靠性和透明度，实现超分辨率不确定性的量化 | 生物过程的超分辨率成像，特别是活细胞成像 | computational microscopy | NA | structured illumination microscopy (SIM), Bayesian deep learning | Bayesian deep learning | microscopy images | NA（涉及活细胞成像实验，但未明确样本数量） | NA | NA | NA | NA |
| 23898 | 2025-06-03 |
DeepDTAGen: a multitask deep learning framework for drug-target affinity prediction and target-aware drugs generation
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59917-6
PMID:40447614
|
研究论文 | 本文提出了一种多任务深度学习框架DeepDTAGen，用于预测药物-靶标亲和力并生成靶标感知的新药物 | 开发了一个多任务学习框架，能够同时预测药物-靶标结合亲和力并生成新的靶标感知药物变体，解决了现有方法单任务设计的局限性 | 未提及具体的数据集规模限制或模型泛化能力的局限性 | 加速药物发现和开发过程，提高药物-靶标相互作用预测和新药生成的效率 | 药物分子和靶标蛋白质 | 机器学习 | NA | 深度学习 | 多任务深度学习框架 | 药物分子和蛋白质的结构数据 | 三个真实世界的数据集 | NA | NA | NA | NA |
| 23899 | 2025-06-03 |
Automated diagnosis for extraction difficulty of maxillary and mandibular third molars and post-extraction complications using deep learning
2025-May-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00236-7
PMID:40447616
|
研究论文 | 本研究提出了一种基于深度学习的方法，用于自动预测上下颌第三磨牙的拔牙难度及拔牙后并发症 | 首次提出一种同时预测拔牙难度和并发症（如上颌窦穿孔和下牙槽神经损伤）的自动化诊断方法 | NA | 开发一种自动化诊断方法，以辅助临床医生在手术前预测第三磨牙的拔牙难度和可能的并发症 | 上下颌第三磨牙（M3） | 数字病理学 | 口腔疾病 | 深度学习 | 语义分割和分类模型 | 图像（正颌全景片，OPGs） | 4,903张由专家标注的正颌全景片 | NA | NA | NA | NA |
| 23900 | 2025-06-03 |
Assessing and improving reliability of neighbor embedding methods: a map-continuity perspective
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60434-9
PMID:40447630
|
research paper | 本文提出了一种评估和改进邻域嵌入方法可靠性的框架LOO-map，旨在解决t-SNE和UMAP等方法在可视化高维数据时可能引入的误导性视觉伪影问题 | 利用留一法原则，将嵌入映射扩展到整个输入空间，并开发了两种点状诊断分数来检测不可靠的嵌入点并改进超参数选择 | NA | 评估和改进邻域嵌入方法的可靠性，以更准确地可视化高维数据 | 高维数据，特别是计算机视觉和单细胞组学数据 | machine learning | NA | LOO-map框架 | t-SNE, UMAP | 高维数据 | NA | NA | NA | NA | NA |