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 36491 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2025-12-14 |
Artificial intelligence guided Raman spectroscopy in biomedicine: Applications and prospects
2025-Nov, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101271
PMID:41377140
|
综述 | 本文综述了人工智能（特别是深度学习）如何增强拉曼光谱在生物医学中的应用，包括药物分析、疾病诊断和治疗优化 | 通过人工智能（尤其是深度学习算法）提升拉曼光谱的数据处理、特征提取和模型优化，从而扩展其在生物医学中的应用范围 | 存在计算需求高、数据要求严格以及伦理考虑等挑战 | 探讨人工智能如何推动拉曼光谱在生物制药研究和临床诊断中的进步 | 拉曼光谱在生物医学领域的应用，包括药物结构表征、疾病早期诊断和治疗优化 | 机器学习 | NA | 拉曼光谱 | 深度学习 | 光谱数据 | NA | NA | NA | 准确性, 效率 | NA |
| 242 | 2025-12-14 |
Labeled dataset of X-ray protein ligand images in 3D point cloud and validated deep learning models
2025-Oct-31, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-06002-8
PMID:41173949
|
研究论文 | 本文介绍了首个化学标记的蛋白质配体3D点云数据集LigPCDS，并验证了基于该数据集的深度学习模型用于语义分割以恢复配体化学结构 | 首次创建了基于X射线蛋白质晶体学实验数据的化学标记3D点云配体数据集，并采用类似积木的标记方法进行点云标注 | NA | 构建并验证一个标记的3D点云配体数据集，以支持蛋白质配体结构解析、计算机辅助药物设计和蛋白质功能研究 | 蛋白质配体（小有机分子）的3D点云图像 | 计算机视觉 | NA | X射线蛋白质晶体学 | 深度学习模型 | 3D点云图像 | NA | NA | NA | NA | NA |
| 243 | 2025-12-14 |
Structure-based Predictions of Conformational B Cell Epitopes by Protein Language Model and Deep Learning
2025-Oct-30, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.29.685313
PMID:41278910
|
研究论文 | 本文介绍了一种基于蛋白质语言模型和深度学习的框架，用于预测抗原结构上的构象B细胞表位 | 提出了一种以表面“斑块”（由三个相邻残基组成的三元组）为中心的框架，直接预测抗原结构上的表位，结合蛋白质语言模型（ESM-2）和卷积神经网络，显著优于现有工具 | 模型在开发过程中未见的五个外部复合物上表现良好，但可能仍需更多样化的数据集验证泛化能力，且实验成本较高的问题未完全解决 | 预测构象B细胞表位，以支持抗体发现、抗原优先排序、抗体工程和疫苗设计 | 抗体-抗原复合物，特别是构象B细胞表位 | 自然语言处理, 机器学习 | NA | 蛋白质语言模型, 深度学习 | 多层感知机, 卷积神经网络 | 蛋白质结构数据 | 1,151个AbDb抗体-抗原复合物 | NA | ESM-2, 多层感知机, 卷积神经网络 | F1分数, ROC-AUC, PR-AUC | NA |
| 244 | 2025-12-14 |
SubCell: Proteome-aware vision foundation models for microscopy capture single-cell biology
2025-Oct-30, bioRxiv : the preprint server for biology
DOI:10.1101/2024.12.06.627299
PMID:41278937
|
研究论文 | 本文介绍了SubCell，一套用于荧光显微镜的自监督深度学习模型，旨在准确捕捉细胞形态、蛋白质定位、细胞组织和生物功能 | 提出了一种新颖的蛋白质组感知学习目标，并构建了首个直接从图像数据学习的蛋白质组层次结构图 | 未明确提及具体局限性 | 开发能够超越人类感知能力捕捉单细胞生物学的视觉基础模型 | 人类蛋白质图谱中的蛋白质组范围图像集合 | 计算机视觉 | NA | 荧光显微镜 | 自监督深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 245 | 2025-12-14 |
PixCUE: Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification
2025-Aug, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01250-3
PMID:39633210
|
研究论文 | 提出一种名为PixCUE的深度学习方法，用于在MRI重建中同时生成重建图像和不确定性图 | 首次将像素分类框架应用于MRI重建中的不确定性估计，能够在单次前向传播中同时输出重建图像和不确定性图，显著降低了计算成本 | 未明确说明方法在极端噪声或复杂病理情况下的鲁棒性，也未与其他非MC类不确定性估计方法进行系统比较 | 解决深度学习MRI重建中的不确定性估计问题，降低计算成本 | 磁共振成像（MRI）数据 | 医学影像分析 | NA | 磁共振成像（MRI） | 深度学习模型 | 图像（k空间数据及重建图像） | NA | NA | NA | NMSE, PSNR, SSIM | NA |
| 246 | 2025-12-14 |
URDM: Hyperspectral Unmixing Regularized by Diffusion Models
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3638151
PMID:41348789
|
研究论文 | 本文提出了一种基于扩散模型正则化的新型高光谱解混方法，结合传统优化算法和深度生成模型的优势 | 将变分视角下的解混目标函数整合到扩散采样过程中，引入去噪扩散概率模型的生成先验，并通过分裂策略简化优化 | 未明确提及方法在计算效率或大规模数据集上的具体限制 | 克服传统模型驱动方法和深度学习方法在高光谱解混中的局限性，提高解混性能 | 高光谱图像中的混合像素 | 计算机视觉 | NA | 高光谱成像 | 扩散模型 | 图像 | 合成和真实数据集，具体数量未说明 | NA | DDPM | 未明确指定，但提及效率和性能优越性 | NA |
| 247 | 2025-12-14 |
A cross-domain framework for emotion and stress detection using WESAD, SCIENTISST-MOVE, and DREAMER datasets
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1659002
PMID:41376700
|
研究论文 | 本文提出了一种基于双深度学习框架的情绪和压力检测方法，利用WESAD、SCIENTISST-MOVE和DREAMER数据集进行跨域分析 | 结合了1D-CNN和时序Conformer架构，采用迁移学习和可解释AI技术，实现了跨数据集的情绪与压力检测 | Grad-CAM提供的解释信息不明确，未能清晰指示信号中影响预测的具体部分 | 开发准确、鲁棒且可解释的情绪识别系统，用于心理健康监测和日常活动检测 | 生理和行为数据，包括生物信号（如ECG）和运动信号 | 机器学习 | 情绪和压力相关障碍 | 深度学习，特征工程，可解释AI | CNN, Transformer | 生理信号数据，运动信号数据 | WESAD、SCIENTISST-MOVE和DREAMER三个数据集的样本 | 未明确指定 | 1D-CNN, 时序Conformer | 准确率, 精确率, 召回率, R2分数 | NA |
| 248 | 2025-12-14 |
Scoping review of image-based overall survival prediction in glioma using machine learning
2025, Polish journal of radiology
IF:0.9Q4
DOI:10.5114/pjr/209963
PMID:41376800
|
综述 | 本文通过范围综述系统评估了基于影像的胶质瘤总体生存预测模型，重点关注肿瘤特征、影像模态、预处理技术和机器学习方法 | 系统性地总结了胶质瘤影像生存预测的最新进展，强调了多模态MRI、深度学习与混合模型的潜力，并指出数据质量与特征选择比单纯增加样本量更重要 | 纳入研究存在图像质量有限、模型可解释性不足以及混合模型性能不一致等问题 | 评估胶质瘤患者基于影像的总体生存预测模型的现状与挑战 | 胶质瘤患者的影像数据与生存预测模型 | 数字病理 | 胶质瘤 | 多模态磁共振成像（MRI），包括T1加权增强MRI | 深度学习模型，传统机器学习方法，混合模型 | 影像数据 | 约450例（平均数据集大小） | NA | NA | NA | NA |
| 249 | 2025-12-14 |
Towards standardizing mitral transcatheter edge-to-edge repair with deep-learning algorithm: a comprehensive multi-model strategy
2025, Frontiers in network physiology
DOI:10.3389/fnetp.2025.1701758
PMID:41376828
|
研究论文 | 本文开发了三种深度学习算法，用于标准化二尖瓣经导管缘对缘修复术的资格评估，结合超声心动图数据支持二尖瓣反流的全流程评估 | 提出了一种综合多模型策略，结合质量控制、动态4D瓣膜量化和小叶级解剖解释，首次将AI应用于M-TEER资格评估的全流程标准化 | 研究样本主要来自单一机构（蒙特利尔心脏研究所），可能限制模型的泛化能力；2D小叶级分割的平均Dice分数仅为0.534，表明某些解剖结构的性能有待提升 | 开发AI算法以标准化二尖瓣经导管缘对缘修复术的资格评估流程，辅助非专家中心完成从诊断到手术的整个决策过程 | 接受二尖瓣经导管缘对缘修复术患者的经胸超声心动图和经食管超声心动图数据 | 数字病理学 | 心血管疾病 | 经胸超声心动图, 经食管超声心动图 | 深度学习算法 | 超声心动图图像 | TTE样本530例, TEE样本2,222例, 4D分割样本221例, 2D分割样本992例 | NA | NA | 准确率, 相关系数, p值, Dice系数 | NA |
| 250 | 2025-12-14 |
Artificial intelligence in hemovigilance: A narrative review on advancing blood safety and monitoring systems
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251406306
PMID:41376849
|
综述 | 本文是一篇叙述性综述，探讨了人工智能在血液安全监测（输血警戒）中的应用潜力，包括数据整合、不良事件检测、个性化风险管理和血液供应链优化 | 系统性地回顾了人工智能（包括机器学习、深度学习、自然语言处理和预测分析）在输血警戒领域的应用，并提出了未来发展方向，如联邦学习、可解释人工智能和标准化 | 面临数据隐私、算法偏见、监管缺失以及对数据质量的依赖等挑战 | 探讨人工智能技术如何增强输血警戒系统，以提升患者安全和操作效率 | 输血警戒系统及其相关的数据、不良事件和血液供应链 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理, 预测分析 | NA | 非结构化临床数据 | NA | NA | NA | NA | NA |
| 251 | 2025-12-14 |
Interpretable Artificial Intelligence Decodes the Chemical Structural Essence of Twisted Intramolecular Charge Transfer and Planar Intramolecular Charge Transfer Fluorophores
2025, Research (Washington, D.C.)
DOI:10.34133/research.1021
PMID:41377019
|
研究论文 | 本研究利用可解释机器学习方法，深入解析了扭曲分子内电荷转移和平面分子内电荷转移荧光团的化学结构本质 | 首次构建了真实世界的TICT和PICT数据集，并基于可解释机器学习建立了AI指导的结构规则，相比社区建议规则在准确性上提升了20%以上 | NA | 解码TICT和PICT荧光团的化学结构本质，以指导荧光探针的设计 | D-π-A型荧光材料，特别是TICT和PICT荧光团 | 机器学习 | NA | 可解释机器学习，深度学习 | 深度学习 | 化学结构数据 | NA | NA | NA | AUC | NA |
| 252 | 2025-12-14 |
Deep learning networks on chronic liver disease assessment with fine-tuning of shear wave elastography image sequences
2020-11-05, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/abae06
PMID:32998480
|
研究论文 | 本研究比较了多种预训练深度学习网络在慢性肝病评估中的性能，使用剪切波弹性成像图像序列进行微调 | 首次系统比较了多种流行预训练深度学习网络在慢性肝病评估中的性能，并引入了时间稳定性掩码和增强技术进行对比分析 | 数据集规模有限，需要更大样本量来确定最佳网络和设置 | 比较不同深度学习网络在慢性肝病诊断和进展评估中的性能，并寻找适合的深度学习方案 | 200名经肝活检验证的慢性肝病患者 | 计算机视觉 | 慢性肝病 | 超声剪切波弹性成像 | CNN | 图像 | 200名患者 | NA | GoogLeNet, AlexNet, VGG16, ResNet50, DenseNet201 | 准确率, AUC | NA |
| 253 | 2025-12-14 |
Obtaining PET/CT images from non-attenuation corrected PET images in a single PET system using Wasserstein generative adversarial networks
2020-11-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aba5e9
PMID:32663812
|
研究论文 | 本研究提出了一种基于深度学习的双阶段Wasserstein生成对抗网络方法，用于从单PET系统的非衰减校正PET图像中合成衰减校正PET图像和CT图像 | 首次提出使用Wasserstein生成对抗网络从NAC PET图像直接生成sAC PET和sCT图像的双阶段框架，无需额外CT扫描即可获得PET/CT融合图像 | 研究样本量有限（45组数据），未在更多样化的临床场景或不同PET系统上进行验证 | 减少PET/CT成像中的辐射剂量，通过深度学习合成高质量的衰减校正PET和CT图像 | 临床患者的全身PET/CT配对图像 | 医学影像分析 | NA | PET/CT成像，深度学习图像合成 | 生成对抗网络 | 医学图像（PET，CT） | 45组临床患者的配对PET/CT图像 | NA | Wasserstein生成对抗网络 | 定性分析，定量分析 | NA |
| 254 | 2025-12-14 |
Deep learning in medical image registration: a review
2020-10-22, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ab843e
PMID:32217829
|
综述 | 本文综述了基于深度学习的医学图像配准方法，总结了其最新进展、应用、分类及挑战 | 将基于深度学习的医学图像配准方法分为七类，并进行详细比较和趋势分析 | NA | 回顾和总结深度学习在医学图像配准领域的方法、应用和发展趋势 | 基于深度学习的医学图像配准方法 | 计算机视觉 | NA | 深度学习 | NA | 医学图像 | NA | NA | NA | NA | NA |
| 255 | 2025-12-14 |
Automatic multi-needle localization in ultrasound images using large margin mask RCNN for ultrasound-guided prostate brachytherapy
2020-10-09, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aba410
PMID:32640435
|
研究论文 | 本文提出了一种基于深度学习的超声图像多针自动定位工作流，用于超声引导的前列腺近距离放射治疗 | 提出了结合大间隔损失函数的LMMask R-CNN模型用于针杆定位，并整合先验知识通过改进的DBSCAN算法进行针杆细化和针尖检测 | 研究仅在23名患者共339根针的数据集上进行评估，样本量相对有限 | 开发快速自动的多针数字化方法以改进超声引导前列腺近距离放射治疗的工作流程 | 超声引导高剂量率前列腺近距离放射治疗患者的超声图像中的针具 | 计算机视觉 | 前列腺癌 | 超声成像 | CNN, R-CNN | 图像 | 23名患者共339根针 | PyTorch, TensorFlow (基于Mask R-CNN框架推断) | Mask R-CNN, LMMask R-CNN | 针杆误差(毫米), 针尖误差(毫米), 检测率 | 未明确说明，但提及处理每名患者数据可在秒级完成 |
| 256 | 2025-12-14 |
Self-derived organ attention for unpaired CT-MRI deep domain adaptation based MRI segmentation
2020-10-07, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ab9fca
PMID:33027063
|
研究论文 | 提出一种基于自衍生器官注意力的深度域适应方法，用于在无配对标注的CT和MRI数据上进行MRI图像分割 | 引入了自衍生器官注意力判别器，约束CT到MRI的生成器合成保留器官几何形状和外观统计特征的伪MRI图像 | 方法依赖于未配对的CT和MRI数据集，性能略低于完全监督的MRI分割方法 | 开发一种深度学习方法，利用无标注MRI和未配对专家标注CT数据集进行MRI分割 | 腮腺（左右两侧） | 数字病理学 | NA | 图像到图像翻译，深度学习 | GAN, CNN | 医学影像（CT, MRI） | 85个未标注T2加权脂肪抑制MRI，96个专家标注CT扫描，77个独立测试MRI | NA | NA | Dice相似系数, 95百分位Hausdorff距离 | NA |
| 257 | 2025-12-14 |
Verification of the machine delivery parameters of a treatment plan via deep learning
2020-09-30, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aba165
PMID:32604082
|
研究论文 | 本文开发了一种基于生成对抗网络（GAN）的深度学习方法，用于从给定的3D剂量分布中估计多叶准直器（MLC）孔径和相应的监测单位（MUs） | 将残差块集成到pix2pix框架中，联合训练U-Net-like架构作为生成器和卷积PatchGAN分类器作为判别器，以预测MLC孔径和MUs | NA | 验证治疗计划的机器传递参数，提高患者计划质量保证过程的效率和准确性 | 接受调强放射治疗和容积调强弧形放疗技术的患者，包括鼻咽癌、肺癌和直肠癌 | 医学影像分析 | 鼻咽癌, 肺癌, 直肠癌 | 深度学习方法 | GAN | 3D剂量分布 | 199名患者用于训练，47名患者用于测试 | pix2pix | U-Net, PatchGAN | Dice相似系数, MUs偏差, MLC叶片位置偏差 | NA |
| 258 | 2025-12-14 |
Truncation compensation and metallic dental implant artefact reduction in PET/MRI attenuation correction using deep learning-based object completion
2020-09-25, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/abb02c
PMID:32976116
|
研究论文 | 本研究提出了一种基于深度学习的对象补全方法，用于减少PET/MRI中金属植入物伪影和身体截断导致的衰减校正误差 | 利用深度学习预测受金属伪影和/或身体截断影响的MR图像中的缺失信息/区域，以降低PET/MRI中的量化误差 | 研究仅使用了25例全身配准的PET、CT和MR图像进行训练和评估，样本量相对较小 | 减少PET/MRI成像中因金属伪影和身体截断引起的量化误差 | 受金属植入物伪影和身体截断影响的MR图像 | 医学影像分析 | NA | PET/MRI成像 | 深度学习 | 图像 | 25例全身配准的PET、CT和MR图像 | NA | NA | 体积误差百分比, PET量化误差百分比 | NA |
| 259 | 2025-12-14 |
Noise reduction with cross-tracer and cross-protocol deep transfer learning for low-dose PET
2020-09-14, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/abae08
PMID:32924973
|
研究论文 | 本研究探讨了使用基于深度迁移学习的3D U-Net模型，通过预训练的FDG数据集来减少其他稀缺示踪剂（如F-FMISO和Ga-DOTATATE）在低剂量PET成像中的噪声 | 提出了跨示踪剂和跨协议的深度迁移学习方法，利用广泛可用的FDG数据集预训练网络，以解决稀缺示踪剂训练数据不足的问题 | 研究仅针对F-FMISO和Ga-DOTATATE两种示踪剂进行验证，未涵盖更多示踪剂类型，且依赖于特定扫描协议（单床位和全身扫描） | 研究低剂量PET成像中噪声减少的可行性，特别是针对训练数据稀缺的示踪剂 | F-FMISO（单床位扫描）和Ga-DOTATATE（全身扫描）的PET图像数据 | 医学影像处理 | NA | PET成像，低剂量计数模拟（10%计数） | 深度学习，迁移学习 | 3D PET图像 | 使用F-FDG数据集进行预训练，并针对F-FMISO和Ga-DOTATATE数据集进行微调和评估 | NA | U-Net（基于全3D块状结构） | 归一化均方根误差（NRMSE），信噪比（SNR），感兴趣区域（ROI）的相对偏差 | NA |
| 260 | 2025-12-14 |
4D-AirNet: a temporally-resolved CBCT slice reconstruction method synergizing analytical and iterative method with deep learning
2020-09-11, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ab9f60
PMID:32575088
|
研究论文 | 本文提出了一种名为4D-AirNet的新方法，用于高质量的时间分辨CBCT切片重建，该方法结合了分析、迭代方法和深度学习 | 开发了4D-AirNet，一种基于融合分析和迭代重建（AIR）优化框架的展开方法，并提出了随机相位、先验引导和全相位三种策略，同时引入了密集连接以提升重建质量 | 方法在模拟的2D-t CBCT扫描数据集上进行评估，可能未在真实临床数据中充分验证 | 解决4D CBCT稀疏数据问题，实现高质量的时间分辨CBCT图像重建 | 肺部数据集的模拟2D-t CBCT扫描 | 计算机视觉 | 肺癌 | 锥束CT（CBCT）扫描 | 深度学习网络 | 图像 | 使用肺部数据集的模拟2D-t CBCT扫描，具体样本数量未明确说明 | NA | 4D-AirNet（基于融合分析和迭代重建的展开网络） | 重建质量（通过比较评估），未指定具体指标如PSNR或SSIM | NA |