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 32373 篇文献，本页显示第 3361 - 3380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3361 | 2025-10-06 |
Predicting ADC map quality from T2-weighted MRI: A deep learning approach for early quality assessment to assist point-of-care
2025-Oct, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112317
PMID:40690835
|
研究论文 | 提出一种基于深度学习的创新方法，通过T2加权MRI预测前列腺ADC图像质量，实现早期质量评估 | 首次使用T2加权图像预测ADC图像质量，可在成像过程中实时进行质量评估并采取纠正措施 | 研究为回顾性分析，需要前瞻性验证；多中心数据存在异质性 | 开发早期预测前列腺ADC图像质量的方法，提高诊断准确性 | 前列腺MRI图像，包括T2加权图像和ADC图 | 医学影像分析 | 前列腺癌 | 扩散加权成像，表观扩散系数图，T2加权MRI | 神经网络 | 医学影像 | 486名患者的多中心数据集，涵盖62个外部诊所和内部影像数据 | NA | NA | 敏感性，阴性预测值，准确率，AUC | NA |
| 3362 | 2025-10-06 |
MobileYOLO-Cyano: An enhanced deep learning approach for precise classification of cyanobacterial genera in water quality monitoring
2025-Oct-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.124081
PMID:40578097
|
研究论文 | 提出一种名为MobileYOLO-Cyano的深度学习模型，用于精确分类水质监测中的蓝藻属 | 集成YOLOv8与MobileNetV4，优化无锚检测框架，并引入新设计的AdaptiveChannelHead模块以增强特征提取和属级分类能力 | NA | 开发高精度的蓝藻属自动分类方法以支持水质评估 | 九个具有产毒潜力的蓝藻属（包括Aphanizomenon、Phormidium、Planktothrix和Raphidiopsis等） | 计算机视觉 | NA | 深度学习 | YOLO, CNN | 图像 | 包含九个蓝藻属的数据集 | NA | YOLOv8, MobileNetV4 | 精确率, 召回率, F1分数, mAP50 | NA |
| 3363 | 2025-10-06 |
Revealing two decades of chlorophyll-a dynamics in arid oligotrophic lakes of Xinjiang, China using a deep recurrent approach
2025-Oct-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.124058
PMID:40578106
|
研究论文 | 本研究利用深度学习模型分析新疆贫营养湖泊20年的叶绿素a动态变化 | 首次将遥感波段建模为动态序列，采用循环神经网络框架处理时序遥感数据，克服了传统算法在贫营养湖泊中的局限性 | 研究仅针对面积大于100平方公里的湖泊，且主要基于MODIS遥感数据 | 研究新疆干旱区贫营养湖泊的叶绿素a浓度动态变化及其环境驱动因素 | 新疆地区面积大于100平方公里的贫营养湖泊 | 遥感分析, 环境监测 | NA | 遥感监测, MODIS影像分析 | RNN | 遥感影像, 时序数据 | 20年(2002-2023年)的MODIS影像数据，覆盖新疆大型湖泊 | 深度学习框架 | 循环神经网络 | RMSE, R² | NA |
| 3364 | 2025-10-06 |
Brain Tumor Detection Based on Hybrid Convolutional Adaptive Neuro Fuzzy Inference System Using MRI Image
2025-Oct, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.70124
PMID:40903832
|
研究论文 | 提出一种结合卷积神经网络和自适应神经模糊推理系统的混合模型，用于从MRI图像中检测脑肿瘤 | 设计Conv-ANFIS混合模型，结合CNN和ANFIS优势，采用NLM滤波去噪和SCAN分割网络，提高脑肿瘤检测精度 | 未明确说明数据集规模和多样性限制，未提及模型计算复杂度 | 解决现有脑肿瘤检测方法在MRI图像噪声处理、分割准确性和泛化能力方面的不足 | 脑部MRI图像中的肿瘤区域 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, ANFIS | 医学图像 | NA | NA | Conv-ANFIS, SCAN | 召回率, 精确率, F1分数 | NA |
| 3365 | 2025-10-06 |
Detecting the Undetected: Machine Learning in Early Disease Diagnosis
2025-Oct, Basic & clinical pharmacology & toxicology
IF:2.7Q3
DOI:10.1111/bcpt.70104
PMID:40905080
|
综述 | 本文系统概述了机器学习在早期疾病诊断中的各类方法、应用领域及关键挑战 | 全面整合传统机器学习与深度学习在早期疾病诊断中的应用，并探讨强化学习、可解释AI等前沿方向 | 作为综述文章，未提出新的具体模型或方法，主要基于现有文献进行归纳分析 | 探讨机器学习技术在早期疾病诊断领域的应用现状与发展趋势 | 各类疾病早期诊断的机器学习方法 | 机器学习 | 多种疾病（癌症、心血管疾病、神经系统疾病、传染病） | 机器学习技术 | 监督学习,无监督学习,深度学习,强化学习 | 医疗数据 | NA | NA | 支持向量机,决策树,随机森林,K-means,层次聚类,主成分分析,卷积神经网络,循环神经网络,Transformer | 准确率,精确率,召回率,F1分数,AUC-ROC | NA |
| 3366 | 2025-10-06 |
Energy-efficient human-like trajectory planning for wheeled robots in unstructured environments based on the RCSM-PL network
2025-Sep-19, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.113296
PMID:40894869
|
研究论文 | 提出一种基于深度学习的仿人轨迹规划方法，用于降低轮式机器人在非结构化环境中的能耗 | 结合多维注意力机制的CNN和改进的LSTM网络，在门控更新模块中加入状态信息，并引入功率、速度和角速度作为约束条件 | NA | 解决轮式机器人在城市巡检和非结构化环境中能耗过高的问题 | 轮式机器人的轨迹规划 | 机器学习和计算机视觉 | NA | 深度学习 | CNN, LSTM | 驾驶场景图像、雷达地图 | NA | NA | 具有多维注意力机制的CNN、改进的LSTM | 累积功耗、轨迹预测精度 | NA |
| 3367 | 2025-10-06 |
Advancements in deep learning for image-guided tumor ablation therapies: a comprehensive review
2025-Sep-04, Progress in biomedical engineering (Bristol, England)
DOI:10.1088/2516-1091/adfeab
PMID:40845893
|
综述 | 本文全面回顾了深度学习在图像引导肿瘤消融治疗各阶段的应用与潜力 | 系统阐述了深度学习在肿瘤消融治疗术前、术中和术后全流程中的创新应用，包括图像分割增强、实时手术规划和复发监测等 | NA | 探讨深度学习技术在图像引导肿瘤消融治疗中的角色和发展前景 | 图像引导肿瘤消融治疗技术 | 计算机视觉 | 肿瘤 | 深度学习 | NA | 医学影像（超声、CT、MRI） | NA | NA | NA | NA | NA |
| 3368 | 2025-10-06 |
Influence of Additional Gaussian Noises on Mixed Quantum-Classical Nonadiabatic Dynamics Simulations of Photoisomerization of cis-Azobenzene
2025-Sep-04, The journal of physical chemistry letters
IF:4.8Q1
DOI:10.1021/acs.jpclett.5c01986
PMID:40863108
|
研究论文 | 研究高斯噪声对顺式偶氮苯光异构化混合量子-经典非绝热动力学模拟的影响 | 首次系统研究量子计算和深度学习产生的固有噪声对非绝热动力学模拟的影响，并提出分支校正表面跳跃方法对噪声不敏感 | 仅研究顺式偶氮苯体系，噪声影响可能因分子体系而异 | 探究附加噪声对非绝热动力学模拟稳定性和结果的影响 | 顺式偶氮苯分子的光异构化过程 | 计算化学 | NA | 表面跳跃方法、Ehrenfest平均场动力学、量子-经典混合动力学 | NA | 量子化学计算数据、动力学轨迹数据 | NA | NA | NA | 激发态寿命、数值稳定性 | NA |
| 3369 | 2025-09-05 |
Letter to the editor: comment on "Association of peripheral immune markers with brain age and dementia risk estimated using deep learning method"
2025-Sep-04, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003411
PMID:40905852
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3370 | 2025-09-05 |
From detection to decision: Can deep learning-based CADx meet the challenge of incidental pulmonary nodules?
2025-Sep-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11935-0
PMID:40906185
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3371 | 2025-10-06 |
A deep learning-clinical nomogram hybrid for predicting sentinel lymph node metastasis in melanoma
2025-Sep-03, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.70000
PMID:40900446
|
研究论文 | 开发了一种结合深度学习和临床列线图的混合模型，用于预测黑色素瘤前哨淋巴结转移 | 首次将聚类约束注意力多实例学习模型与临床列线图相结合，开发出高性能的混合预测模型MISSLE | 单中心研究设计且主要为日本人群队列，限制了模型的普适性 | 预测侵袭性黑色素瘤患者的前哨淋巴结转移，辅助前哨淋巴结活检决策 | 78例侵袭性皮肤黑色素瘤患者（43例SLNM阳性，35例SLNM阴性） | 数字病理学 | 黑色素瘤 | 苏木精-伊红染色全切片成像 | 多实例学习,集成学习 | 病理图像,临床数据 | 78例患者，分为训练集60例和测试集18例 | CLAM | ResNet50,CLAM-R50 | AUROC | NA |
| 3372 | 2025-10-06 |
Development of A Fully Automated Dental Age Estimation Framework from Panoramic Radiographs Using Tooth-Level Information with an Attention-Weighting Module
2025-Sep-03, Dento maxillo facial radiology
DOI:10.1093/dmfr/twaf063
PMID:40900631
|
研究论文 | 开发了一种从全景X光片进行牙齿年龄估计的全自动可解释框架 | 提出了一种结合注意力权重模块的两阶段管道，能够自动检测牙齿并聚合单颗牙齿的预测结果 | 研究样本仅限于8-23岁年轻个体，未涵盖更广泛年龄段 | 开发全自动可解释的牙齿年龄估计框架 | 年轻个体的牙齿全景X光片 | 计算机视觉 | NA | 全景X光成像 | CNN, YOLO | X光图像 | 1,639张X光片，来自8-23岁个体 | PyTorch | YOLO11-OBB, DenseNet-121 | F1-score, 平均绝对误差(MAE) | NA |
| 3373 | 2025-10-06 |
Resting-State Functional MRI: Current State, Controversies, Limitations, and Future Directions-AJR Expert Panel Narrative Review
2025-Sep-03, AJR. American journal of roentgenology
DOI:10.2214/AJR.24.32163
PMID:39660823
|
综述 | 本专家小组叙述性综述总结了静息态功能磁共振成像的现状、争议、局限性和未来发展方向 | 系统梳理rs-fMRI在临床术前脑功能定位中的应用现状，并探讨深度学习解决方案和未来发展方向 | 采集、预处理和分析方法缺乏标准化，结果解释存在变异性，语言偏侧化可靠性问题，患者间认知网络表征变异性，神经血管解耦对网络检测的影响 | 评估rs-fMRI在临床术前脑功能定位中的当前状态和新兴临床应用价值 | 静息态功能磁共振成像技术及其在神经疾病治疗中的应用 | 医学影像分析 | 神经系统疾病 | 静息态功能磁共振成像 | NA | 功能磁共振成像数据 | NA | NA | NA | NA | NA |
| 3374 | 2025-09-05 |
Ex Vivo Training in the "Root Removal First" Strategy Extraction Method Using a Deep Learning-Based CBCT Recognition System and PVC Resin Model
2025-Sep-03, Journal of dental education
IF:1.4Q3
DOI:10.1002/jdd.70029
PMID:40899117
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3375 | 2025-10-06 |
Use of Client-Side Machine Learning Models for Privacy-Preserving Healthcare Predictions - A Deployment Case Study
2025-Sep-03, Studies in health technology and informatics
DOI:10.3233/SHTI251408
PMID:40899553
|
研究论文 | 本文展示了一种在Web浏览器中完全执行医疗预测模型的隐私保护方法 | 提出客户端机器学习模型部署方法，确保患者数据无需传输到外部服务器 | NA | 开发隐私保护的医疗预测模型部署方案 | 医疗预测模型 | 机器学习 | NA | NA | Random Forest, CNN | NA | NA | TensorFlow.js, ONNX Runtime Web, JavaScript | 优化卷积神经网络 | 原始性能指标 | Web浏览器环境 |
| 3376 | 2025-10-06 |
Classifying the AMi-Br Mitotic Figure Dataset with AUCMEDI
2025-Sep-03, Studies in health technology and informatics
DOI:10.3233/SHTI251413
PMID:40899557
|
研究论文 | 本研究使用AUCMEDI深度学习框架对AMi-Br数据集中的八种有丝分裂亚型进行分类 | 首次将AUCMEDI框架应用于AMi-Br数据集，并采用基于ConvNeXt的集成方法和患者级交叉验证策略进行八分类任务 | 不同有丝分裂亚型的敏感度差异显著（0-82%），反映了数据集固有的挑战性 | 开发自动化方法区分典型和非典型有丝分裂图形 | 乳腺癌样本中的有丝分裂图形 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 病理图像 | AMi-Br数据集（包含八个有丝分裂亚类，四个典型有丝分裂图形和四个非典型有丝分裂图形） | AUCMEDI | ConvNeXt | 特异性, 敏感度, AUC | NA |
| 3377 | 2025-10-06 |
All That Glitters Is Not Gold: Importance of Rigorous Evaluation of Proteochemometric Models
2025-Sep-03, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00395
PMID:40899589
|
研究论文 | 本研究通过激酶-配体生物活性预测系统评估了蛋白质化学计量学模型的严格评估标准 | 首次系统性地揭示了数据划分和类别不平衡对PCM模型性能的关键影响，并通过置换测试证明蛋白质嵌入对模型效能的贡献有限 | 研究主要基于激酶-配体生物活性预测系统，结论在其他蛋白家族中的普适性需要进一步验证 | 评估蛋白质化学计量学模型的严格评估标准并提升模型泛化能力 | 激酶-配体生物活性预测系统 | 机器学习 | NA | 蛋白质化学计量学建模 | 机器学习,深度学习 | 蛋白质和配体表征数据 | NA | NA | NA | 置换测试,泛化能力评估 | NA |
| 3378 | 2025-10-06 |
Parameter Estimation from Phylogenetic Trees Using Neural Networks and Ensemble Learning
2025-Sep-03, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syaf060
PMID:40899780
|
研究论文 | 提出一种集成神经网络方法从系统发育树估计多样化参数 | 首次结合多种神经网络架构（密集神经网络、图神经网络和长短期记忆循环网络）的集成学习方法，同时利用系统发育树的图表示、分支时间和汇总统计量 | 与最大似然估计方法类似，在延长出生-死亡过程下仍无法精确恢复参数 | 开发更稳健的系统发育树参数估计方法 | 系统发育树和多样化模型参数 | 机器学习 | NA | 系统发育分析 | DNN, GNN, LSTM, RNN | 系统发育树数据 | NA | NA | 密集神经网络, 图神经网络, 长短期记忆循环网络, 循环神经网络 | 估计速度, 对树大小的敏感性 | NA |
| 3379 | 2025-10-06 |
Deep learning-driven multi-hierarchical granularity integration for surgical scene understanding: experimental study
2025-Sep-03, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003434
PMID:40899800
|
研究论文 | 本研究构建了腹腔镜根治性肾切除术的全粒度标注数据集，并开发了多层级粒度整合的深度学习框架 | 首个针对腹腔镜根治性肾切除术的全粒度标注数据集，提出双向补偿增强的多粒度信息整合框架 | 仅针对单一手术类型（肾切除术），样本量相对有限（41个视频） | 实现手术场景的全面理解，支持临床智能应用 | 腹腔镜根治性肾切除术的手术视频 | 计算机视觉 | 肾癌 | 深度学习 | 深度学习框架 | 手术视频帧 | 41个多中心视频，141,443帧手术阶段标注，8,435帧器械分割标注，25,305帧手术动作三元组标注 | 深度学习框架 | 共享特征提取器+任务特定解码器 | 准确率 | NA |
| 3380 | 2025-10-06 |
Multimodal deep learning for immunotherapy response prediction and biomarker discovery in non-small cell lung cancer
2025-Sep-03, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocaf142
PMID:40901703
|
研究论文 | 开发了一种名为DeepAFM的多模态深度学习方法，用于预测非小细胞肺癌患者对免疫治疗的响应并发现生物标志物 | 首次整合组织病理学、基因组特征和临床信息的多模态预测方法，采用自监督VQVAE2进行表征学习，并通过注意力热图实现模型可解释性 | 样本量相对较小（93例患者），置信区间较宽（0.69-1.00） | 预测晚期非小细胞肺癌患者对免疫治疗的反应并发现相关生物标志物 | 93例晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 全切片图像分析，基因组测序，临床数据分析 | 多模态深度学习 | 图像，基因组数据，临床数据 | 93例晚期非小细胞肺癌患者 | NA | VQVAE2, DeepAFM | AUC | NA |