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!


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。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2861 | 2026-03-02 |
Deep learning to estimate lung disease mortality from chest radiographs
2023-05-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-37758-5
PMID:37193717
|
研究论文 | 本研究开发了一个深度学习模型CXR Lung-Risk,用于从胸部X光片中预测肺部疾病死亡风险 | 首次利用深度学习从易于获取的胸部X光片中预测肺部疾病死亡率,并展示了与死亡风险的梯度关联 | 模型仅基于胸部X光片,未整合其他临床或基因组数据,且外部验证队列数量有限 | 预测肺部疾病死亡率以改善个性化预防和治疗策略 | 慢性肺部疾病(如哮喘、肺癌)患者 | 计算机视觉 | 肺癌 | 胸部X光成像 | 深度学习模型 | 图像 | 训练集:40,643名个体的147,497张X光图像;测试集:三个独立队列共15,976名个体 | NA | CXR Lung-Risk | 风险比(Hazard ratios) | NA |
| 2862 | 2026-03-02 |
Deep Learning of Coronary Calcium Scores From PET/CT Attenuation Maps Accurately Predicts Adverse Cardiovascular Events
2023-05, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2022.06.006
PMID:36284402
|
研究论文 | 本研究开发了一种深度学习模型,用于从PET/CT衰减校正扫描中自动量化冠状动脉钙化评分,以预测心血管不良事件 | 首次将原本为视频应用开发的深度学习模型适配用于快速量化冠状动脉钙化评分,实现了从PET/CT衰减校正扫描中全自动定义钙化评分 | 研究基于外部队列进行测试,但未提及模型在更广泛人群或不同扫描协议下的泛化能力 | 开发一种深度学习模型,能够从PET/CT衰减校正扫描中自动定义冠状动脉钙化评分,以预测心血管不良事件风险 | 接受PET/CT成像的患者,包括有主要不良心脏事件随访数据的个体 | 医学影像分析 | 心血管疾病 | PET/CT成像,心电图门控CT扫描 | 深度学习模型 | CT扫描图像 | 训练集:9,543张专家标注的CT扫描;测试集:4,331名患者(其中2,737名有同日配对心电图门控钙化扫描) | NA | NA | 风险比,净重分类改善,阴性预测值 | NA |
| 2863 | 2026-03-02 |
Applications of Deep Learning in Endocrine Neoplasms
2023-Mar, Surgical pathology clinics
DOI:10.1016/j.path.2022.09.014
PMID:36739164
|
综述 | 本文综述了深度学习在内分泌肿瘤组织病理学中的当前研究进展,重点关注实验设计、重要发现和关键局限性 | 系统总结了深度学习在内分泌肿瘤领域的应用现状,强调了从肿瘤分级到基因表达预测等任务中的效用 | 作为综述文章,未提出新的实验数据或模型,主要依赖现有文献的归纳分析 | 总结深度学习在内分泌肿瘤组织病理学中的研究现状与应用 | 内分泌肿瘤的组织病理学样本 | 数字病理学 | 内分泌肿瘤 | NA | 深度学习 | 组织学样本图像 | NA | NA | NA | NA | NA |
| 2864 | 2026-03-02 |
Deep learning in digital pathology for personalized treatment plans of cancer patients
2023-Mar, Seminars in diagnostic pathology
IF:2.9Q2
DOI:10.1053/j.semdp.2023.02.003
PMID:36890029
|
综述 | 本文综述了基于深度学习的数字病理学方法在癌症患者个性化治疗计划中的应用,重点介绍了利用H&E染色病理图像进行生物标志物量化和治疗反应预测的研究 | 利用人工智能自动量化病理图像中的生物标志物,实现更高效、客观的评估,辅助制定个性化癌症治疗方案 | 综述性文章未直接进行实验,因此未提及具体研究局限性 | 改善癌症患者治疗选择,通过AI辅助实现个性化治疗计划 | 癌症患者的H&E染色病理图像 | 数字病理学 | 癌症 | H&E染色 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 2865 | 2026-03-02 |
Retrospective T2 quantification from conventional weighted MRI of the prostate based on deep learning
2023, Frontiers in radiology
DOI:10.3389/fradi.2023.1223377
PMID:37886239
|
研究论文 | 开发了一种基于深度学习的U-Net神经网络方法,从常规T1和T2加权图像中回顾性量化前列腺T2图 | 首次利用深度学习直接从临床常规MRI图像中估计前列腺T2图,无需额外扫描序列 | 样本量较小(25名受试者),且为回顾性研究,需要进一步验证 | 开发一种从常规MRI图像中回顾性量化前列腺T2值的方法,以改善前列腺癌的诊断和表征 | 前列腺组织,包括高风险前列腺癌队列和低风险主动监测队列的患者 | 数字病理 | 前列腺癌 | 多回波自旋回波序列MRI | CNN | 图像 | 25名受试者用于训练,38名前列腺癌患者用于验证 | NA | U-Net | 结构相似性指数, 峰值信噪比, 平均百分比误差, Pearson相关系数 | NA |
| 2866 | 2026-03-02 |
Digital staining facilitates biomedical microscopy
2023, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2023.1243663
PMID:37564725
|
综述 | 本文综述了深度学习在生物医学显微镜中实现虚拟染色技术,以替代传统染色方法 | 利用深度学习实现虚拟染色,避免了传统染色的耗时、成本高、样本损伤及标记不一致等问题,并能结合神经网络校正显微镜像差 | NA | 探讨如何通过计算虚拟染色技术优化生物医学显微镜的样本制备和成像过程 | 生物医学显微镜成像中的生物样本 | 数字病理学 | NA | 深度学习 | 神经网络 | 图像 | NA | NA | NA | NA | NA |
| 2867 | 2026-03-02 |
Airway Detection in COPD at Low-Dose CT Using Deep Learning and Multiparametric Freeze and Grow
2022-Dec, Radiology. Cardiothoracic imaging
DOI:10.1148/ryct.210311
PMID:36601453
|
研究论文 | 本研究提出并验证了一种在低剂量CT中用于慢性阻塞性肺疾病(COPD)患者气道检测的全自动方法 | 结合深度学习与多参数冻结与增长方法,优化了低剂量CT下的气道检测,并在多数据集上验证了其性能 | 研究为回顾性设计,且在不同CT扫描仪获取的数据上未重新训练时观察到气道检测损失 | 开发并验证一种全自动的低剂量CT气道检测方法,用于COPD研究 | COPD患者及非吸烟者的低剂量CT扫描数据 | 数字病理学 | 慢性阻塞性肺疾病 | 低剂量CT扫描 | 深度学习 | CT图像 | 四个数据集,包括COPDGene II期(n=2×236)、COPDGene III期(n=335)及荷兰-比利时肺癌筛查试验(n=55)的CT扫描 | NA | NA | 总气道计数、外周气道计数、Wilcoxon符号秩检验 | NA |
| 2868 | 2026-03-02 |
Interpretable deep learning of myelin histopathology in age-related cognitive impairment
2022-09-21, Acta neuropathologica communications
IF:6.2Q1
DOI:10.1186/s40478-022-01425-5
PMID:36127723
|
研究论文 | 本研究利用可解释的深度学习技术,通过全切片图像分析人脑尸检组织,以预测年龄相关认知障碍,并识别与认知障碍相关的髓鞘病理特征 | 首次将弱监督多示例学习算法应用于人脑尸检全切片图像,以无偏方式识别与认知障碍相关的组织病理学变化,并通过注意力分析定位关键亚区域和细胞特征 | 认知标签存在噪声,模型预测准确度仅为中等水平,且仅研究了内侧颞叶和额叶皮层两个脑区 | 开发一种可扩展且可解释的深度学习平台,以无偏方式识别与年龄相关认知障碍相关的组织病理学变化 | 老年捐赠者的人脑尸检组织切片 | 数字病理学 | 老年疾病 | 全切片成像 | 多示例学习 | 图像 | 716名捐赠者(367名有认知障碍,349名无认知障碍) | NA | NA | 准确度 | NA |
| 2869 | 2026-03-02 |
Clinical validation of deep learning algorithms for radiotherapy targeting of non-small-cell lung cancer: an observational study
2022-09, The Lancet. Digital health
DOI:10.1016/S2589-7500(22)00129-7
PMID:36028289
|
研究论文 | 本研究通过多中心数据验证了深度学习模型在非小细胞肺癌放疗靶区勾画中的临床效用 | 提出了一个全面的临床验证策略,包括观察者间/内基准测试、主要验证、功能验证和终端用户测试,并发现几何分割指标可能与临床效用不相关 | 研究数据来自2001年至2015年,可能无法完全反映当前临床实践;专家分割风格和偏好可能影响模型性能 | 临床验证深度学习算法在非小细胞肺癌放疗靶区勾画中的准确性和实用性 | 非小细胞肺癌患者和受累淋巴结的CT图像 | 数字病理学 | 肺癌 | CT成像 | 深度学习模型 | CT图像 | 2208名患者(787名用于模型发现,1421名用于模型验证,其中28名用于终端用户测试) | NA | NA | 体积Dice系数, 表面Dice系数, 分割时间减少百分比, 观察者间变异性减少百分比 | NA |
| 2870 | 2026-03-02 |
Association of Selective Serotonin Reuptake Inhibitor Use With Abnormal Physical Movement Patterns as Detected Using a Piezoelectric Accelerometer and Deep Learning in a Nationally Representative Sample of Noninstitutionalized Persons in the US
2022-04-01, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究利用可穿戴加速度计和深度学习模型,在美国全国代表性样本中评估了选择性血清素再摄取抑制剂使用与异常身体运动模式之间的关联 | 首次在大规模、自然主义、纵向、客观数据中验证了SSRI使用与身体活动的关系,并利用时间序列深度学习模型从被动运动数据中检测SSRI使用 | 横断面研究设计无法确定因果关系,可能存在未测量的混杂因素,模型性能仅为中等水平 | 评估SSRI使用者与对照组之间是否存在身体运动差异,并识别SSRI使用者运动的独特特征 | 美国非机构化人群的全国代表性样本,包括SSRI使用者和非使用者 | 机器学习 | 精神疾病 | 压电加速度计数据采集,深度学习分析 | 深度学习分类器 | 时间序列运动数据 | 7162名参与者,其中266人使用SSRI | NA | NA | AUC | NA |
| 2871 | 2026-03-02 |
Machine-learning based investigation of prognostic indicators for oncological outcome of pancreatic ductal adenocarcinoma
2022, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2022.895515
PMID:36568148
|
研究论文 | 本文提出了一种基于3D-CNN的机器学习预测模型,利用术前CT扫描可靠预测胰腺导管腺癌的淋巴结转移和术后切缘阳性状态 | 首次将3D-CNN应用于胰腺导管腺癌的术前CT扫描,以预测淋巴结转移和术后切缘状态,为治疗决策提供新工具 | 样本量较小(仅110名患者),需更大队列研究以提高模型的泛化能力 | 改善胰腺导管腺癌的术前影像学肿瘤分期,预测术后切缘和淋巴结状态,以优化治疗顺序 | 胰腺导管腺癌(PDAC)患者 | 计算机视觉 | 胰腺癌 | 计算机断层扫描(CT) | CNN | 图像 | 110名患者的881个CT扫描 | NA | 3D-CNN | 准确率 | NA |
| 2872 | 2026-03-02 |
A Deep-Learning Proteomic-Scale Approach for Drug Design
2021-Dec-07, Pharmaceuticals (Basel, Switzerland)
DOI:10.3390/ph14121277
PMID:34959678
|
研究论文 | 本研究利用深度学习技术,通过降维和生成模型,基于药物-蛋白质组相互作用签名设计新型药物样化合物,以加速药物发现过程 | 首次将深度学习中的降维自编码器和条件变分自编码器应用于CANDO平台,用于生成具有目标相互作用签名的新型药物化合物,实现了药物设计的自动化 | 研究仅基于计算预测,未进行实验验证;模型性能可能受限于训练数据的质量和覆盖范围 | 开发一种基于深度学习的全自动药物设计方法,以提高药物发现的效率和安全性 | 药物/化合物与人类蛋白质组结构的相互作用签名,以及针对特定疾病(如非小细胞肺癌和抗衰老)的药物设计 | 机器学习 | 肺癌 | 深度学习,蛋白质组学分析 | 自编码器,条件变分自编码器 | 药物-蛋白质组相互作用签名数据 | 涉及20种已批准和实验性药物,以及13种与非小细胞肺癌和抗衰老相关的药物/化合物 | NA | 自编码器,条件变分自编码器 | 行为相似性预测的p值(≤0.05) | NA |
| 2873 | 2026-03-02 |
MRI-based Identification and Classification of Major Intracranial Tumor Types by Using a 3D Convolutional Neural Network: A Retrospective Multi-institutional Analysis
2021-Sep, Radiology. Artificial intelligence
DOI:10.1148/ryai.2021200301
PMID:34617029
|
研究论文 | 本研究开发了一种基于3D卷积神经网络的算法,用于对增强后T1加权MRI扫描中的主要颅内肿瘤类型进行分类,并区分健康组织与肿瘤图像 | 利用多机构、多数据集(包括公开和内部临床数据)训练3D卷积神经网络,实现了对六种颅内肿瘤类型及健康组织的自动分类,并通过特征图可视化网络注意力 | 研究为回顾性分析,可能存在选择偏倚;模型性能在外部数据上略有下降,特别是阳性预测值 | 开发一种能够自动分类颅内肿瘤类型并区分健康与病变组织的算法 | 增强后T1加权MRI扫描图像 | 计算机视觉 | 颅内肿瘤 | MRI | CNN | 图像 | 2105张图像(来自多个公开数据集和内部临床数据集) | NA | 3D卷积神经网络 | 准确率, 阳性预测值, 阴性预测值, 灵敏度, 特异性, F1分数, AUC, AUPRC | NA |
| 2874 | 2026-03-02 |
Student becomes teacher: training faster deep learning lightweight networks for automated identification of optical coherence tomography B-scans of interest using a student-teacher framework
2021-Sep-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.433432
PMID:34692189
|
研究论文 | 本研究探索了一种学生-教师框架,利用未标记图像训练参数较少的轻量级深度学习模型,以快速自动检测光学相干断层扫描B扫描中的感兴趣图像 | 采用学生-教师框架结合大量未标记B扫描数据(约500K)训练轻量级模型,实现了比传统ResNet50教师模型更快的推理速度(2.53至4.13倍),同时保持可比的敏感性和特异性 | 未明确说明模型在更广泛临床数据集上的泛化能力,且未讨论不同轻量级模型家族间的具体架构差异对性能的影响 | 开发快速自动检测光学相干断层扫描B扫描中异常图像的轻量级深度学习模型 | 光学相干断层扫描B扫描图像(包括标记和未标记数据) | 计算机视觉 | NA | 光学相干断层扫描 | CNN | 图像 | 约70K专家标记B扫描(训练集)和约500K未标记B扫描(学生-教师框架增强) | NA | ResNet50(教师网络),四种轻量级模型家族的27个变体(学生网络) | 验证准确率,敏感性,特异性 | NA |
| 2875 | 2026-03-02 |
Deep representation learning of patient data from Electronic Health Records (EHR): A systematic review
2021-03, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2020.103671
PMID:33387683
|
系统综述 | 本文对使用深度学习从电子健康记录中学习患者表示的研究进行了系统性回顾,并提供了方法论角度的定性和定量分析 | 首次系统性回顾了患者表示学习领域,总结了从2015年至2019年该领域的发展趋势、典型工作流程、主流方法及应用 | 现有预测模型主要关注单一疾病预测,未从整体角度考虑患者的复杂机制;由于电子健康记录数据的隐私问题,基准数据集大多不可用 | 回顾和分析使用深度学习方法从电子健康记录中学习患者表示的研究进展 | 从电子健康记录中提取的患者数据 | 自然语言处理, 机器学习 | NA | 深度学习 | RNN, LSTM, GRU | 结构化电子健康记录数据 | 49篇研究论文 | NA | 长短期记忆网络, 门控循环单元 | 交叉熵损失 | NA |
| 2876 | 2026-03-02 |
An Artificial Intelligence-Assisted Method for Dementia Detection Using Images from the Clock Drawing Test
2021, Journal of Alzheimer's disease : JAD
DOI:10.3233/JAD-210299
PMID:34334396
|
研究论文 | 本文提出了一种基于人工智能辅助的方法,利用钟表绘图测试图像进行痴呆检测 | 首次将深度学习算法应用于钟表绘图测试图像,结合年龄和教育水平预测痴呆状态,实现了高精度的计算机辅助筛查工具 | 研究样本中认知受损者数量相对较少(160例),且方法尚未完全验证,需进一步临床确认 | 评估机器学习模型是否能利用钟表绘图测试图像预测轻度认知障碍或痴呆 | 3,263名认知正常者和160名认知受损者绘制的模拟钟表图像 | 数字病理学 | 老年疾病 | 深度学习算法 | 深度学习模型 | 图像 | 3,423名受试者(3,263名认知正常,160名认知受损) | NA | NA | AUC, F1分数 | NA |
| 2877 | 2026-03-02 |
Deep Learning to Predict Protein Backbone Structure from High-Resolution Cryo-EM Density Maps
2020-03-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-60598-y
PMID:32152330
|
研究论文 | 提出一种基于级联卷积神经网络的深度学习模型,用于从高分辨率冷冻电镜密度图中预测蛋白质主链结构 | 提出级联CNN(C-CNN)新架构,结合语义分割图像分类方法,并引入禁忌搜索路径行走算法和螺旋优化算法,实现从密度图到完整蛋白质结构的自动化预测 | 方法在2.6-4.4Å分辨率范围内测试,对更低分辨率密度图的适用性未验证,且需要为每个密度图设置推荐阈值 | 开发从冷冻电镜密度图自动预测蛋白质主链结构的深度学习方法 | 蛋白质三维结构 | 计算生物学 | NA | 冷冻电镜(cryo-EM) | CNN | 图像(密度图) | 数千个模拟密度图用于训练,50个实验密度图(2.6-4.4Å分辨率)用于测试 | NA | 级联卷积神经网络(C-CNN) | Cα原子预测百分比,均方根偏差(RMSD) | NA |
| 2878 | 2026-03-02 |
Methodological Challenges of Deep Learning in Optical Coherence Tomography for Retinal Diseases: A Review
2020-02-18, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.9.2.11
PMID:32704417
|
综述 | 本文综述了深度学习在光学相干断层扫描(OCT)用于视网膜疾病分析中的方法论挑战 | 系统性地识别并讨论了AI在OCT分析中面临的主要方法论障碍,包括数据、设备、计算和报告标准方面的挑战 | 作为综述文章,未提出新的实验数据或模型,主要基于现有文献分析挑战 | 探讨深度学习在OCT图像分类和分割中应用的方法论挑战及潜在解决方案 | 光学相干断层扫描(OCT)图像,特别是用于视网膜疾病分析 | 计算机视觉 | 视网膜疾病 | 光学相干断层扫描(OCT) | 深度学习模型 | 3D体积图像 | NA | NA | NA | 诊断性能指标(具体未指定) | 图形处理单元(GPU) |
| 2879 | 2026-03-02 |
Development and validation of a deep learning algorithm for distinguishing the nonperfusion area from signal reduction artifacts on OCT angiography
2019-Jul-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.10.003257
PMID:31360599
|
研究论文 | 开发并验证了一种深度学习算法,用于在OCTA中区分无灌注区与信号衰减伪影 | 提出了MEDnet-V2卷积神经网络,专门用于在6×6 mm OCTA图像中区分无灌注区与信号衰减伪影,提高了DR评估的准确性 | NA | 开发一种深度学习算法,以准确区分OCTA图像中的无灌注区与信号衰减伪影 | 糖尿病视网膜病变患者的OCTA图像 | 计算机视觉 | 糖尿病视网膜病变 | 光学相干断层扫描血管成像 | CNN | 图像 | NA | NA | MEDnet-V2 | 特异性, 敏感性 | NA |
| 2880 | 2026-03-02 |
Simultaneous cosegmentation of tumors in PET-CT images using deep fully convolutional networks
2019-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.13331
PMID:30537103
|
研究论文 | 本研究探讨了使用三维深度全卷积网络(DFCN)在PET-CT图像中同时进行肿瘤协同分割的效率和效果 | 提出了一种基于两个耦合3D-UNet的DFCN协同分割方法,能够在PET和CT之间共享互补信息 | 样本量相对较小(60对PET/CT图像),且仅针对非小细胞肺癌(NSCLC) | 研究在双模态PET-CT图像中同时进行肿瘤协同分割的深度学习方法 | 非小细胞肺癌(NSCLC)患者的PET-CT图像 | 计算机视觉 | 肺癌 | PET-CT成像 | CNN | 图像 | 60对PET/CT图像 | NA | 3D-UNet | Dice相似系数(DSC)、加权平均敏感性和阳性预测值(Scores)、平均对称表面距离 | NA |