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 31018 篇文献，本页显示第 2601 - 2620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2601 | 2025-08-05 |
Deep Learning Reconstruction for T2 Weighted Turbo-Spin-Echo Imaging of the Pelvis: Prospective Comparison With Standard T2-Weighted TSE Imaging With Respect to Image Quality, Lesion Depiction, and Acquisition Time
2025-Aug-04, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251357790
PMID:40755270
|
research paper | 本研究比较了深度学习重建的T2加权快速自旋回波成像（DL-TSE）与传统TSE在盆腔MRI中的图像质量、病变描绘和采集时间 | 首次在盆腔MRI中全面评估DL-TSE的性能，并证明其能在减少50%扫描时间的同时保持或提升图像质量 | 样本量较小（55例），且仅评估了两种扫描平面（轴位和斜位） | 评估深度学习加速技术在盆腔MRI中的应用效果 | 盆腔MRI扫描 | 医学影像分析 | 盆腔疾病 | 深度学习重建（DL）、Turbo Spin Echo（TSE） | 深度学习模型（未指定具体架构） | MRI图像 | 55名受试者（33名女性，22名男性） |
| 2602 | 2025-08-05 |
"Computational Prediction of Mutagenicity Through Comprehensive Cell Painting Analysis"
2025-Aug-04, Mutagenesis
IF:2.5Q3
DOI:10.1093/mutage/geaf014
PMID:40757573
|
研究论文 | 本研究利用Cell Painting数据和机器学习模型预测化学物质的致突变性，并与基于结构的模型进行比较 | 首次整合Cell Painting数据与机器学习算法预测致突变性，发现Phenotypic Altering Concentration能显著提高预测准确性 | 数据集存在固有局限性，且Cell Painting技术存在实验室间差异，某些化合物仍难以预测 | 开发基于Cell Painting的致突变性预测方法 | 化学化合物 | 机器学习 | NA | Cell Painting | Random Forest, Support Vector Machine, Extreme Gradient Boosting | 图像 | Broad Institute数据集包含30,000多个分子，US-EPA数据集包含1,200种化学物质 |
| 2603 | 2025-08-05 |
A Novel Dual-Output Deep Learning Model Based on InceptionV3 for Radiographic Bone Age and Gender Assessment
2025-Aug-04, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01623-2
PMID:40758204
|
研究论文 | 本研究设计了一个基于InceptionV3架构的多输出预测模型，用于通过数字手腕X光片预测骨龄和性别 | 提出了一种新颖的双输出深度学习模型，结合Squeeze-and-Excitation块进行稳健特征管理，同时预测骨龄和性别 | 中高端硬件要求可能限制其在临床本地机器上的使用 | 开发计算机辅助临床决策支持系统，改进放射学骨龄评估方法 | 手腕X光片 | 计算机视觉 | 儿科疾病 | 深度学习 | InceptionV3, CNN | 图像 | 14,048个样本（训练:验证:测试=7:2:1） |
| 2604 | 2025-08-05 |
Detection of Dens Invaginatus on Panoramic Radiographs Using Deep Learning Algorithms
2025-Aug-03, International journal of paediatric dentistry
IF:2.3Q2
DOI:10.1111/ipd.70027
PMID:40754680
|
研究论文 | 本研究评估了YOLOv5和YOLOv8深度学习模型在检测全景X光片中牙内陷的成功率和可靠性 | 首次使用YOLOv5和YOLOv8模型结合两种不同标注方法检测牙内陷 | 样本仅限于8-18岁患者的前牙区全景X光片 | 评估深度学习模型在牙内陷检测中的应用效果 | 656张8-18岁患者的全景X光片 | 计算机视觉 | 牙科发育异常 | 深度学习 | YOLOv5, YOLOv8 | X光图像 | 656张全景X光片 |
| 2605 | 2025-08-05 |
Evaluating the Efficacy of Various Deep Learning Architectures for Automated Preprocessing and Identification of Impacted Maxillary Canines in Panoramic Radiographs
2025-Aug-02, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2025.100940
PMID:40753865
|
research paper | 本研究评估了多种卷积神经网络架构在自动预处理和识别全景X光片中上颌阻生犬齿方面的效果 | 比较了八种CNN架构在自动识别上颌阻生犬齿方面的性能，并展示了GoogLeNet在未预处理和预处理数据上的最高分类性能 | 研究样本量较小（每组91例），可能影响结果的泛化能力 | 提高自动识别全景X光片中上颌阻生犬齿的准确性，为开发全自动软件奠定基础 | 全景X光片中的上颌阻生犬齿和非阻生犬齿 | digital pathology | dental disease | panoramic radiographs | CNN (包括SqueezeNet, GoogLeNet, NASNet-Mobile, ShuffleNet, VGG-16, ResNet 50, DenseNet 201, Inception V3) | image | 182例全景X光片（阻生组91例，非阻生组91例） |
| 2606 | 2025-06-10 |
Insights into "Evaluation of accuracy of deep learning and conventional neural network algorithms in detection of dental implant type using intraoral radiographic images: A systematic review and meta-analysis"
2025-Aug, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2025.04.046
PMID:40450446
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2607 | 2025-06-10 |
Response to Letter to the Editor regarding "Evaluation of accuracy of deep learning and conventional neural network algorithms in detection of dental implant type using intraoral radiographic images: A systematic review and meta-analysis"
2025-Aug, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2025.05.012
PMID:40450443
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2608 | 2025-08-05 |
Artificial intelligence in orthopedic trauma: a comprehensive review
2025-Aug, Injury
IF:2.2Q2
DOI:10.1016/j.injury.2025.112570
PMID:40683054
|
综述 | 本文全面回顾了人工智能在骨科创伤领域的应用现状、发展趋势及未来方向 | 分析了2015年至2025年间发表的217项研究，揭示了AI在骨折检测、分类、预测和分割等任务中的卓越表现 | 仅有14.5%的研究经过外部验证，仅3.2%报告了前瞻性临床验证，临床整合和数据标准化仍面临重大挑战 | 评估人工智能在骨科创伤领域的应用现状及未来发展方向 | 骨科创伤相关研究 | 人工智能在医疗健康的应用 | 骨科创伤 | 深度学习和传统机器学习方法 | 深度学习与传统机器学习模型 | 医学影像数据 | 217项研究（2015-2025年） |
| 2609 | 2025-08-05 |
Clinical benefits of deep learning-assisted ultrasound in predicting lymph node metastasis in pancreatic cancer patients
2025-Aug, Future oncology (London, England)
DOI:10.1080/14796694.2025.2520149
PMID:40548666
|
研究论文 | 本研究开发并验证了一种基于超声图像的深度学习放射组学列线图（DLRN），用于提高胰腺癌患者淋巴结转移（LNM）的预测准确性 | 结合深度学习和放射组学特征，开发了DLRN模型，显著提升了淋巴结转移的预测准确性，并为临床医生提供了决策支持工具 | 研究为回顾性分析，样本量相对较小（249例），且测试集比例较低（20%） | 提高胰腺癌患者淋巴结转移的预测准确性 | 胰腺癌患者 | 数字病理 | 胰腺癌 | 超声成像，深度学习 | InceptionV3, 逻辑回归 | 图像 | 249例经病理证实的胰腺癌病例（其中78例有淋巴结转移） |
| 2610 | 2025-08-05 |
Can radiology be first to use prognostic deep learning models for oncological treatment?
2025-Aug-01, Annals of oncology : official journal of the European Society for Medical Oncology
IF:56.7Q1
DOI:10.1016/j.annonc.2025.07.013
PMID:40754034
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2611 | 2025-08-05 |
Factors associated with glucocorticoid dosing in treating patients with noncritical COVID-19 pneumonia: Insights from an artificial intelligence-based CT imaging analysis
2025 Aug-Sep, Enfermedades infecciosas y microbiologia clinica (English ed.)
DOI:10.1016/j.eimce.2025.06.004
PMID:40754353
|
研究论文 | 通过基于人工智能的CT影像分析，探讨影响非重症COVID-19肺炎患者糖皮质激素剂量的因素，并开发预测模型 | 利用AI深度学习技术评估肺部CT图像，开发预测模型以确定糖皮质激素的最佳剂量 | 需要更大规模的前瞻性研究进行验证 | 确定非重症COVID-19患者糖皮质激素的最佳剂量 | 273名非重症COVID-19肺炎患者 | 数字病理学 | COVID-19 | 基于AI的深度学习 | 多变量逻辑回归 | CT影像 | 273名患者（训练集168名，验证集75名） |
| 2612 | 2025-08-05 |
Toward Precision Diagnosis of Maxillofacial Pathologies by Artificial Intelligence Algorithms: A Systematic Review
2025-Aug, Journal of maxillofacial and oral surgery
DOI:10.1007/s12663-025-02664-4
PMID:40756906
|
系统综述 | 本文综述了人工智能算法（包括机器学习和深度学习）在通过先进成像技术（如CT和CBCT）改善口腔颌面部疾病诊断和管理中的潜力 | 展示了深度学习算法在诊断颌面部疾病中的高准确性和敏感性，并指出CBCT在诊断中的优越性 | 综述范围限定在2010-2024年的文献，可能未涵盖更早期的相关研究 | 评估人工智能算法在口腔颌面部疾病精准诊断中的应用 | 口腔颌面部疾病 | 数字病理学 | 口腔颌面部疾病 | CT, CBCT, MRI | GoogLeNet Inception v3, U-Net | 医学影像 | NA |
| 2613 | 2025-08-05 |
Advancing Alzheimer's Diagnosis with AI-Enhanced MRI: A Review of Challenges and Implications
2025-Jul-30, Current neuropharmacology
IF:4.8Q1
|
综述 | 本文综述了利用AI增强MRI技术在阿尔茨海默病诊断中的挑战和意义 | 重点评估了卷积神经网络（CNNs）和非卷积人工神经网络（NC-ANNs）在脑部图像处理任务中的应用及其在提高神经退行性疾病诊断预测性能方面的潜力 | 讨论了MRI基于深度学习方法在诊断脑部疾病中的局限性 | 旨在通过AI技术提高阿尔茨海默病的诊断准确性和患者治疗效果 | 阿尔茨海默病（AD）患者 | 数字病理学 | 老年病 | MRI | CNN, NC-ANN | 图像 | NA |
| 2614 | 2025-08-05 |
Automated Brain Tumor Segmentation using Hybrid YOLO and SAM
2025-Jul-30, Current medical imaging
IF:1.1Q3
|
research paper | 提出了一种结合YOLO和SAM的混合深度学习框架，用于脑肿瘤的自动分割和早期诊断 | 首次将YOLOv11实时目标检测与SAM精确分割模型结合，并通过加深CNN卷积层增强特征提取能力 | 仅使用896张MRI图像进行验证，样本量相对有限 | 开发高效的脑肿瘤早期自动诊断系统 | 脑肿瘤MRI影像 | digital pathology | brain tumor | deep learning | CNN+YOLOv11+SAM | MRI images | 896张包含肿瘤和健康脑部的MRI图像 |
| 2615 | 2025-08-05 |
Pretraining-improved Spatiotemporal graph network for the generalization performance enhancement of traffic forecasting
2025-Jul-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-11375-2
PMID:40730627
|
研究论文 | 提出一种改进的预训练方法ImPreSTDG，用于增强交通预测模型的泛化性能和计算效率 | 引入Denoised Diffusion Probability Model (DDPM)和Mamba模块，分别用于增强长期时空依赖学习能力和高效处理长序列 | 实验仅在三个真实交通数据集上进行验证，可能需要更多数据集验证泛化性 | 解决现有交通预测模型在处理长期时空依赖和高计算成本方面的挑战 | 交通数据 | 机器学习 | NA | Denoised Diffusion Probability Model (DDPM), Selective State Space Model (SSM) | Graph Convolutional Networks (GCNs), ImPreSTDG | 时空数据 | 三个真实交通数据集 |
| 2616 | 2025-08-05 |
Nucleotide-level circRNA-RBP binding sites prediction based on hybrid encoding scheme and enhanced feature extraction
2025-Jul-28, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107923
PMID:40753814
|
研究论文 | 提出了一种基于深度学习的框架circdpb，用于预测circRNA-RBP结合位点，具有核苷酸级别的精度 | 整合了one-hot和高斯调制位置编码来表示circRNA序列，使用扩张卷积特征金字塔(DCFP)和双向门控循环单元(BiGRU)增强特征提取 | 未提及具体在哪些疾病中的应用验证 | 提高circRNA-RBP结合位点预测的核苷酸级别精度 | circRNA与RNA结合蛋白(RBPs)的结合位点 | 生物信息学 | NA | 深度学习 | DCFP, BiGRU | RNA序列数据 | 37个基准数据集 |
| 2617 | 2025-08-05 |
Deep Learning for Staging Periodontitis Using Panoramic Radiographs
2025-Jul, Oral diseases
IF:2.9Q1
DOI:10.1111/odi.15269
PMID:39888112
|
研究论文 | 本研究利用深度学习模型自动标注解剖结构并分类牙周炎的放射学骨丧失阶段 | 采用目标检测模型自动标注解剖结构并分类牙周炎阶段，提高了诊断效率 | 模型在预测和真实值差异较小时的性能有待提高 | 提高牙周炎诊断和分类的效率 | 全景X光片中的牙齿 | 数字病理 | 牙周炎 | 深度学习 | 目标检测模型 | 图像 | 558张全景X光片，裁剪为7359颗牙齿 |
| 2618 | 2025-08-05 |
InclusiViz : Visual Analytics of Human Mobility Data for Understanding and Mitigating Urban Segregation
2025-06, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3567117
PMID:40327496
|
研究论文 | 介绍了一个名为InclusiViz的可视化分析系统，用于多层次分析城市隔离现象，并促进数据驱动的干预措施开发 | 提出了一种结合深度学习和可解释AI的新方法，用于预测不同社会群体的移动模式并揭示环境特征对隔离的影响 | 未明确提及具体样本量或数据收集的地理范围限制 | 理解和缓解城市隔离现象，促进更包容的城市规划 | 人类移动数据和城市隔离模式 | 可视化分析 | NA | 深度学习、可解释AI | 深度学习模型 | 人类移动数据 | NA |
| 2619 | 2025-08-05 |
Physics-informed deep learning for infectious disease forecasting
2025-Apr-29, ArXiv
PMID:39876937
|
研究论文 | 本文提出了一种基于物理信息神经网络（PINNs）的新型传染病预测模型，旨在通过结合流行病学理论和数据来提高预测准确性 | 利用物理信息神经网络（PINNs）将疾病传播的动态系统表示融入损失函数，结合流行病学理论和数据，防止模型过拟合，并通过子网络考虑流动性、疫苗剂量等影响传播率的协变量 | 模型在加州州级COVID-19数据上表现良好，但未在其他地区或疾病上进行验证 | 提高传染病预测的准确性和方法，以支持公共卫生决策 | COVID-19在加州的数据，包括病例数、死亡数和住院数 | 机器学习 | 传染病 | 物理信息神经网络（PINNs） | PINN, RNN, LSTM, GRU, Transformer | 时间序列数据 | 加州州级COVID-19数据 |
| 2620 | 2025-08-05 |
Performance of a Deep Learning Diabetic Retinopathy Algorithm in India
2025-03-03, JAMA network open
IF:10.5Q1
|
研究论文 | 评估印度Aravind眼科医院部署后自动视网膜疾病评估(ARDA)算法的临床性能 | 首次在印度大规模临床环境中评估AI算法对糖尿病视网膜病变(DR)和糖尿病黄斑水肿(DME)的检测性能 | 研究仅基于印度南部45个站点的数据，可能无法代表其他地区的情况 | 评估AI算法在真实临床环境中检测糖尿病视网膜病变的性能 | 糖尿病患者视网膜图像 | 数字病理 | 糖尿病视网膜病变 | 深度学习 | NA | 图像 | 4537名患者的4537张视网膜图像 |