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 24567 篇文献，本页显示第 3301 - 3320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3301 | 2025-04-25 |
Accuracy and Longitudinal Consistency of PET/MR Attenuation Correction in Amyloid PET Imaging amid Software and Hardware Upgrades
2025-Mar-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8490
PMID:39251256
|
研究论文 | 本研究评估了在阿尔茨海默病淀粉样蛋白PET成像中，PET/MR衰减校正（AC）在软件和硬件升级后的准确性和纵向一致性 | 使用深度学习方法DL-Dixon进行衰减校正，并验证其在软件和头线圈更新后的准确性和纵向一致性 | 研究仅针对两种软件版本和两种头线圈进行了验证，可能不适用于其他配置 | 评估PET/MR DL-Dixon衰减校正在软件和头线圈更新后的准确性和纵向一致性 | 阿尔茨海默病淀粉样蛋白PET成像 | 数字病理学 | 阿尔茨海默病 | PET/MR成像、深度学习 | DL-Dixon | 图像 | 329名参与者，其中38名在约3年内进行了两次三模态扫描 |
| 3302 | 2025-04-25 |
scPrediXcan integrates advances in deep learning and single-cell data into a powerful cell-type-specific transcriptome-wide association study framework
2025-Mar-04, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.11.623049
PMID:39605417
|
研究论文 | 本文提出了一种名为scPrediXcan的新方法，将深度学习与单细胞数据整合到细胞类型特异性转录组关联研究框架中 | scPrediXcan整合了先进的深度学习方法和单细胞数据，显著提高了细胞类型特异性基因表达的预测准确性，并揭示了线性模型无法捕捉的复杂基因调控规律 | NA | 开发一种更强大的细胞类型特异性转录组关联研究方法，以更深入地理解复杂疾病的细胞机制 | 2型糖尿病和系统性红斑狼疮 | 生物信息学 | 2型糖尿病, 系统性红斑狼疮 | 深度学习, 单细胞数据分析 | ctPred (基于深度学习的预测模型) | 单细胞表达数据, DNA序列数据 | NA |
| 3303 | 2025-04-25 |
Deep Learning-Based ASPECTS Algorithm Enhances Reader Performance and Reduces Interpretation Time
2025-Mar-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8491
PMID:39255988
|
research paper | 本研究探讨了基于深度学习的ASPECTS算法如何提升医生在急性缺血性卒中评估中的表现并减少解读时间 | 开发了一种FDA和CE认证的深度学习算法CINA-ASPECTS，用于自动计算ASPECTS评分，显著提高了评估的准确性和一致性 | 研究仅纳入了200例NCCT扫描，样本量相对有限，且未评估算法在不同临床环境中的泛化能力 | 评估深度学习算法在急性缺血性卒中ASPECTS评分中的辅助作用 | 200例来自5个临床站点的NCCT扫描 | digital pathology | cardiovascular disease | deep learning | DL-based algorithm | image | 200例NCCT扫描 |
| 3304 | 2025-04-25 |
IDP-EDL: enhancing intrinsically disordered protein prediction by combining protein language model and ensemble deep learning
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf182
PMID:40254833
|
research paper | 提出了一种结合蛋白质语言模型和集成深度学习的方法IDP-EDL，用于增强内在无序蛋白质的预测 | 通过任务特定的监督微调捕捉长无序区域(LDRs)和短无序区域(SDRs)的不同特征，并集成三个任务特定的预测器 | 未明确提及具体局限性 | 提高内在无序区域(IDRs)的预测准确性，区分长无序区域(LDRs)和短无序区域(SDRs) | 蛋白质中的内在无序区域(IDRs) | 生物信息学 | NA | 蛋白质语言模型、集成深度学习 | ensemble deep learning | 蛋白质序列数据 | 未明确提及具体样本数量 |
| 3305 | 2025-04-25 |
Artificial intelligence in musculoskeletal applications: a primer for radiologists
2025-Mar-03, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2024.242830
PMID:39157958
|
review | 本文旨在作为放射科医师了解肌肉骨骼放射学中常用人工智能算法的入门指南 | 提供了关于人工智能在肌肉骨骼放射学中应用的全面概述，帮助放射科医师理解常用算法和实践 | 未涉及具体算法或应用的深入技术细节 | 普及人工智能在肌肉骨骼放射学中的应用知识 | 放射科医师 | machine learning | NA | NA | NA | NA | NA |
| 3306 | 2025-04-25 |
The impact of deep learning on diagnostic performance in the differentiation of benign and malignant thyroid nodules
2025-Mar-02, Medical ultrasonography
IF:1.8Q3
DOI:10.11152/mu-4432
PMID:39231286
|
研究论文 | 本研究利用深度学习技术通过超声图像对甲状腺结节进行良恶性分类，并探讨了深度学习对不同经验水平的放射科医生诊断成功率的影响 | 首次系统评估了深度学习辅助诊断对不同经验水平放射科医生在甲状腺结节良恶性鉴别中的提升效果 | 研究样本量有限（576张超声图像），且仅评估了四种经验水平的放射科医生 | 提高甲状腺结节良恶性鉴别的诊断准确率 | 甲状腺结节超声图像 | 数字病理 | 甲状腺疾病 | 超声检查(US) | 深度学习模型（未指定具体架构） | 图像 | 576张甲状腺结节超声图像（80%训练集/20%测试集） |
| 3307 | 2025-04-25 |
Adaptive neighborhood triplet loss: enhanced segmentation of dermoscopy datasets by mining pixel information
2025-Mar, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03241-9
PMID:39090504
|
研究论文 | 提出了一种用于挖掘特定像素信息的损失函数，以提高皮肤镜图像分割的准确性和自动化能力 | 提出了一种动态变化的损失函数，利用三元组概念驱动预测边界更接近真实边界，显著提高了分割性能 | 未提及具体的数据集规模限制或模型在其他类型图像上的泛化能力 | 提高医学图像分割的准确性和自动化能力，减少对临床专业知识的依赖 | 皮肤镜图像数据集（PH2和ISIC2017） | 计算机视觉 | 皮肤疾病 | 深度学习 | 神经网络 | 图像 | PH2和ISIC2017数据集（具体样本数量未提及） |
| 3308 | 2025-04-25 |
Enhancing Outcome Prediction in Intracerebral Hemorrhage Through Deep Learning: A Retrospective Multicenter Study
2025-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.025
PMID:39095262
|
研究论文 | 本研究利用深度学习技术开发并验证了一种自动预测脑出血（ICH）患者90天功能预后的生物标志物 | 结合临床特征和深度学习特征构建的Merge模型在预测效能上显著优于单一模型 | 研究为回顾性多中心设计，且仅纳入发病6小时内的患者 | 开发客观有效的脑出血预后预测工具 | 脑出血（ICH）患者 | 数字病理学 | 脑出血 | 深度学习 | Resnet50 + 逻辑回归 | 医学影像 | 1098例患者（男性652例，女性446例） |
| 3309 | 2025-04-25 |
Deep learning survival model predicts outcome after intracerebral hemorrhage from initial CT scan
2025-Mar, European stroke journal
IF:5.8Q1
DOI:10.1177/23969873241260154
PMID:38880882
|
research paper | 该研究开发了一种深度学习生存模型，用于从初始CT扫描预测脑出血后的功能损伤结果 | 利用深度学习模型在生存分析框架中预测脑出血患者的长期功能损伤，相比现有工具具有更高的预测准确性 | 研究仅基于两家医院的数据进行训练和验证，可能需要更多样化的数据集以增强模型的泛化能力 | 预测脑出血患者的长期功能损伤，以指导治疗决策和康复策略 | 脑出血患者 | digital pathology | cardiovascular disease | deep learning | survival analysis model | CT scans | 882名患者用于训练和模型选择，146名患者用于外部验证 |
| 3310 | 2025-04-25 |
Principles of artificial intelligence in radiooncology
2025-Mar, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02272-0
PMID:39105746
|
review | 本文综述了深度学习在放射肿瘤学中的技术原理及其应用 | 填补了放射肿瘤学领域深度学习技术原理易于理解的综述空白 | 仅聚焦于深度学习，未涵盖AI其他方法学 | 为放射肿瘤学提供深度学习的全面指导 | 深度学习模型及其在放射肿瘤学中的应用 | machine learning | NA | NA | MLPs, CNNs, RNNs, transformers, GANs, diffusion-based generative models, reinforcement learning | NA | NA |
| 3311 | 2025-04-25 |
Deep learning for autosegmentation for radiotherapy treatment planning: State-of-the-art and novel perspectives
2025-Mar, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02262-2
PMID:39105745
|
综述 | 本文总结了当代AI技术在放疗计划中自动分割模型的应用，重点关注风险器官（OARs）、大体肿瘤体积（GTV）和临床靶体积（CTV）的勾画 | 探讨了数学肿瘤生长模型与基于AI的肿瘤检测相结合的可能性，以进一步优化靶区体积 | 临床实施中面临的挑战，如领域转移 | 探索AI在放疗计划中的临床应用，以提高效率和一致性 | 风险器官（OARs）、大体肿瘤体积（GTV）和临床靶体积（CTV） | 数字病理学 | NA | AI | 深度学习 | 医学影像 | NA |
| 3312 | 2025-04-25 |
Deep learning MR reconstruction in knees and ankles in children and young adults. Is it ready for clinical use?
2025-Mar, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04769-2
PMID:39112675
|
research paper | 评估深度学习重建的加速Turbo Spin Echo序列在儿童和青少年膝踝MRI中的诊断性能和图像质量 | 首次在儿童和青少年膝踝MRI中比较深度学习重建序列与传统序列的诊断性能和图像质量 | 样本量较小(49例MRI)，且年龄范围较广(7-29岁) | 评估深度学习重建MRI序列在临床应用的可行性 | 儿童和青少年的膝踝MRI图像 | digital pathology | NA | Turbo Spin Echo序列 | deep-learning | MRI图像 | 49例MRI(来自48名受试者，年龄7-29岁) |
| 3313 | 2025-04-25 |
Multiparametric MRI-Based Deep Learning Radiomics Model for Assessing 5-Year Recurrence Risk in Non-Muscle Invasive Bladder Cancer
2025-Mar, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29574
PMID:39167019
|
研究论文 | 本研究探讨了结合多参数MRI和临床因素的非肌层浸润性膀胱癌5年复发风险评估模型 | 结合了基于cROI的放射组学和深度学习特征，显著提高了NMIBC 5年复发风险的预测性能 | 研究为回顾性设计，样本量相对较小(191例) | 改进非肌层浸润性膀胱癌(NMIBC)的5年复发风险评估 | 非肌层浸润性膀胱癌患者 | 数字病理学 | 膀胱癌 | 多参数MRI(mp-MRI)包括T2WI、DWI和DCE序列 | 深度学习(DL)和临床-放射组学-DL(CRDL)模型 | 医学影像 | 191例患者(训练组115例，验证组和测试组各38例) |
| 3314 | 2025-04-25 |
Deep learning-based segmentation in MRI-(immuno)histological examination of myelin and axonal damage in normal-appearing white matter and white matter hyperintensities
2025-Mar, Brain pathology (Zurich, Switzerland)
DOI:10.1111/bpa.13301
PMID:39175459
|
research paper | 该研究利用深度学习技术对MRI图像进行分割，结合(免疫)组织化学和偏振光成像(PLI)技术，详细量化了白质高信号(WMH)和正常表现白质(NAWM)中的髓鞘和轴突损伤 | 采用深度学习技术细化白质分割，结合(免疫)组织化学和PLI技术，首次实现了对NAWM中微观结构损伤的体素级病理评估 | 研究样本为尸检脑组织，无法进行纵向观察；高血压组与正常对照组的样本量可能有限 | 探究小血管疾病(SVD)导致的痴呆中，WMH和NAWM的髓鞘和轴突损伤机制 | 高血压患者和正常血压对照者的尸检脑组织 | digital pathology | cerebral small vessel disease | Luxol Fast Blue染色, (免疫)组织化学, 偏振光成像(PLI), 深度学习分割 | 深度学习分割模型 | MRI图像, 组织切片图像 | 高血压患者和正常血压对照者的尸检脑组织(具体数量未明确说明) |
| 3315 | 2025-04-25 |
Deep Learning-Enhanced Accelerated 2D TSE and 3D Superresolution Dixon TSE for Rapid Comprehensive Knee Joint Assessment
2025-Mar-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001118
PMID:39190787
|
research paper | 评估深度学习增强的加速2D TSE和3D超分辨率Dixon TSE MRI在膝关节全面评估中的应用 | 采用深度学习重建的4倍加速2D TSE协议和6倍加速2D Dixon TSE的3D超分辨率重建技术，显著缩短了检查时间 | 3D SRR Dixon TSE协议在边缘锐度和伪影方面存在不足，影响了软骨、肌腱和骨骼的可视化 | 评估深度学习加速MRI协议在膝关节成像中的图像质量和诊断性能 | 19名有症状的成年受试者的膝关节MRI数据 | 医学影像分析 | 膝关节疾病 | 深度学习重建的加速MRI技术 | 深度学习模型 | MRI图像 | 19名受试者，共228次膝关节MRI扫描，包含21,204张图像 |
| 3316 | 2025-04-25 |
Classification of 3D shoe prints using the PointNet architecture: proof of concept investigation of binary classification of nike and adidas outsoles
2025-Mar, Forensic science, medicine, and pathology
DOI:10.1007/s12024-024-00877-6
PMID:39235752
|
研究论文 | 本研究使用PointNet架构对3D鞋印进行二元分类，证明了深度学习在此领域的应用潜力 | 首次使用深度学习方法对3D鞋印进行分类研究 | 开发的二元分类方法可能无法完全满足当前法医需求 | 探索深度学习在3D鞋印分类中的应用 | Nike和Adidas两个品牌的3D鞋印 | 计算机视觉 | NA | 深度学习 | PointNet | 3D图像 | 160双鞋的3242张图像(Adidas 797张，Nike 2445张) |
| 3317 | 2025-04-25 |
The utility and reliability of a deep learning algorithm as a diagnosis support tool in head & neck non-melanoma skin malignancies
2025-Mar, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-024-08951-z
PMID:39242415
|
研究论文 | 本研究评估了一种基于深度学习的医疗设备在头颈部非黑色素瘤皮肤恶性肿瘤诊断中的性能和可靠性 | 使用深度学习算法（特别是视觉变换器）作为诊断辅助工具，用于头颈部非黑色素瘤皮肤恶性肿瘤的分类，展示了其在早期诊断和治疗中的潜在价值 | 需要进一步研究以阐明该技术在初级保健诊所、皮肤科和头颈外科诊所中的作用，以及作为自我检查工具的潜力 | 评估深度学习算法在头颈部非黑色素瘤皮肤恶性肿瘤诊断中的性能和可靠性 | 头颈部可疑皮肤病变患者 | 数字病理学 | 非黑色素瘤皮肤癌 | 深度学习 | 视觉变换器 | 图像 | 135名患者（92名男性和43名女性，中位年龄71岁），包括108例恶性病变（54例基底细胞癌和54例鳞状细胞癌）和27例良性病变（14例脂溢性角化病、2例光化性角化病和11例光化性唇炎） |
| 3318 | 2025-04-25 |
Accuracy of deep learning-based upper airway segmentation
2025-Mar, Journal of stomatology, oral and maxillofacial surgery
DOI:10.1016/j.jormas.2024.102048
PMID:39244033
|
研究论文 | 本研究评估了基于深度学习的自动模型和半自动方法在上气道分割中的准确性，并与金标准手动方法进行了比较 | 利用MONAI Label框架训练自动分割模型，并与开源程序ITK-SNAP的半自动分割方法进行比较，验证了两种方法在临床上的可接受性 | 研究中未提及样本的具体数量，可能影响结果的普遍性 | 评估自动和半自动上气道分割方法的准确性，以辅助正畸治疗中的诊断和规划 | 上气道的体积和形态 | 数字病理 | NA | CBCT成像 | 深度学习模型 | 医学影像 | NA |
| 3319 | 2025-04-25 |
Deep Learning-Based Artificial Intelligence Can Differentiate Treatment-Resistant and Responsive Depression Cases with High Accuracy
2025-Mar, Clinical EEG and neuroscience
IF:1.6Q3
DOI:10.1177/15500594241273181
PMID:39251228
|
研究论文 | 本研究利用基于深度学习的AI技术，通过EEG信号高准确度区分治疗抵抗性和非抵抗性抑郁症病例 | 首次将深度学习方法应用于EEG信号以检测抑郁症治疗抵抗性 | 临床组样本量适中且研究具有回顾性 | 识别抑郁症治疗抵抗性患者以节省治疗时间和资源 | 77名治疗抵抗性抑郁症患者、43名非抵抗性患者及40名健康对照者 | 机器学习 | 抑郁症 | EEG信号分析 | GoogleNet CNN | EEG信号 | 160人（77名TRD患者+43名非TRD患者+40名健康对照） |
| 3320 | 2025-04-25 |
Advances in spatial resolution and radiation dose reduction using super-resolution deep learning-based reconstruction for abdominal computed tomography: A phantom study
2025-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.09.012
PMID:39304377
|
research paper | 本研究评估了基于超分辨率深度学习重建（SR-DLR）在腹部CT图像质量提升方面的性能，并与混合迭代重建（HIR）和正常分辨率DLR（NR-DLR）进行了比较 | 首次在腹部CT中应用超分辨率深度学习重建技术，并在不同视野大小、辐射剂量和降噪强度下验证其性能 | 研究仅使用体模进行实验，未涉及真实患者数据 | 评估和比较不同重建技术在CT图像质量和辐射剂量降低方面的表现 | Catphan体模 | medical imaging | NA | super-resolution deep learning-based reconstruction (SR-DLR), hybrid iterative reconstruction (HIR), normal-resolution DLR (NR-DLR) | deep learning | CT images | NA |