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 36487 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2025-12-13 |
Artificial intelligence in pulmonary hypertension: a systematic review
2025-Dec-08, European journal of medical research
IF:2.8Q2
DOI:10.1186/s40001-025-03557-5
PMID:41361272
|
系统综述 | 本文系统评估了机器学习和深度学习方法在肺动脉高压（PH）和肺动脉高压（PAH）非侵入性诊断、分类和预后预测中的应用 | 首次对人工智能在肺动脉高压领域的应用进行全面系统综述，并采用PROBAST+AI工具评估偏倚风险，强调方法学质量和临床适用性 | 研究存在显著异质性，缺乏外部验证，多数为回顾性单中心研究，无随机对照试验，部分研究未明确报告右心导管检查情况 | 评估人工智能（特别是机器学习和深度学习）在肺动脉高压诊断和预后预测中的临床应用潜力 | 肺动脉高压（PH）和肺动脉高压（PAH）患者 | 机器学习 | 心血管疾病 | 机器学习（ML）、深度学习（DL） | 卷积神经网络（CNN） | 临床数据、影像数据（如超声心动图）、生物标志物数据、组学数据、实验室参数 | 53项研究（其中9项为多中心研究，4项前瞻性研究，1项结合回顾性与前瞻性队列，其余为回顾性单中心研究） | NA | 卷积神经网络 | AUC（曲线下面积，范围0.71-1.00） | NA |
| 322 | 2025-12-13 |
Predictive modeling approaches for Alzheimer's disease diagnosis through neuroimaging techniques
2025-Dec-08, Ageing research reviews
IF:12.5Q1
DOI:10.1016/j.arr.2025.102989
PMID:41371350
|
综述 | 本文详细讨论了利用机器学习和深度学习预测建模方法，通过神经影像技术自动诊断阿尔茨海默病的过程和主要组成部分 | 整合人工智能与AD诊断，通过预测建模自动处理神经影像和生物标志物，避免了传统手动操作，提高了诊断的准确性和效率 | NA | 探讨和详细分析预测建模在阿尔茨海默病诊断中的应用，以解决传统诊断方法在时间、成本和准确性方面的挑战 | 阿尔茨海默病的诊断过程，包括神经影像技术和生物标志物 | 机器学习 | 阿尔茨海默病 | 神经影像技术（如计算机断层扫描、磁共振成像、正电子发射断层扫描）和脑脊液生物标志物（如淀粉样蛋白-β₄₂、总tau蛋白、磷酸化tau蛋白） | 机器学习算法, 深度学习算法 | 神经影像图像 | NA | NA | NA | 准确率, 验证指标 | NA |
| 323 | 2025-12-13 |
Attention-Fused Dual-Stream learning for defect classification in thick aerospace CFRPs with complex microstructures using Multi-Angle ultrasonic scattering signatures
2025-Dec-08, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2025.107921
PMID:41380499
|
研究论文 | 提出一种融合注意力机制的双流深度学习框架，用于复杂微结构厚碳纤维增强聚合物中缺陷的分类 | 提出了一种高效且可解释的注意力融合模块，能协同整合B扫描图像的空间形态信息和原始全矩阵捕获数据的多角度超声散射特征 | 未明确说明模型在更广泛材料类型或更大规模数据集上的泛化能力 | 提高厚碳纤维增强聚合物中关键缺陷（特别是分层）的可靠检测精度 | 厚碳纤维增强聚合物中的缺陷，尤其是分层缺陷 | 计算机视觉 | NA | 超声测试，全矩阵捕获 | 深度学习，注意力机制 | 图像（B扫描图像），原始超声数据 | 2776个样本 | NA | YOLOv8 | mAP50 | NA |
| 324 | 2025-12-13 |
A comparative study of computer vision models for oral cancer detection from oral photographs
2025-Dec-05, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109198
PMID:41380612
|
研究论文 | 本研究通过比较现代深度学习目标检测模型，评估了计算机视觉模型在口腔照片中识别口腔癌病变的潜力 | 开发了包含微调、超参数优化和性能评估的综合工作流程，系统测量和分析影响模型的各种参数，提供了该领域检测方法的新颖且全面的评估 | 在双类别检测（区分恶性和良性病变）中表现不佳，小病变检测存在困难 | 评估计算机视觉模型作为诊断工具识别口腔癌病变的潜力 | 口腔病变照片 | 计算机视觉 | 口腔癌 | NA | 深度学习目标检测模型 | 图像 | 基于活检证实的口腔病变摄影数据集 | NA | NA | 精确度, 灵敏度, 特异性 | NA |
| 325 | 2025-12-13 |
Validation of a deep learning-based AI model for breast cancer risk stratification in postmenopausal ER+/HER2-breast cancer patients
2025-Dec-04, Breast (Edinburgh, Scotland)
DOI:10.1016/j.breast.2025.104671
PMID:41380230
|
研究论文 | 本研究验证了基于深度学习的Stratipath AI模型在绝经后ER+/HER2-乳腺癌患者风险分层中的预后价值，并与传统的诺丁汉组织学分级系统进行了比较 | 首次在绝经后ER+/HER2-乳腺癌患者中验证了深度学习模型Stratipath的风险分层能力，特别是在NHG 2中间风险亚组中展示了额外的预后区分价值 | 研究为回顾性分析，需要进一步的前瞻性验证来确认不同风险组在治疗策略中的临床获益 | 验证和比较深度学习AI模型与传统组织学分级系统在乳腺癌预后分层中的性能 | 2466名绝经后、ER阳性、HER2阴性且未接受化疗的乳腺癌患者 | 数字病理学 | 乳腺癌 | 深度学习 | 深度学习模型 | 临床数据 | 2466名患者 | NA | Stratipath | 一致性指数, 风险比 | NA |
| 326 | 2025-12-13 |
Deep-DPC: Deep learning-assisted label-free temporal imaging discovery of anti-fibrotic compounds by controlling cell morphology
2025-Dec, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.02.028
PMID:40010605
|
研究论文 | 本文提出了一种名为deep-DPC的新方法，结合无标记时间序列数字相位对比成像、细胞形态分析和无监督机器学习，用于动态控制和监测细胞形态，以发现抗纤维化先导化合物 | 将无标记时间序列DPC成像与细胞形态分析及深度学习相结合，动态监测纤维化过程中的细胞形态变化，克服了传统方法仅关注最终生物指标的局限 | NA | 开发一种基于深度学习和细胞形态动态分析的新策略，用于评估纤维化并发现抗纤维化先导化合物 | 纤维细胞（包括静息和活化状态） | 数字病理学 | 纤维化疾病 | 无标记时间序列数字相位对比成像 | 神经网络 | 图像 | 12,000张图像用于训练，超过100,000张图像来自1,400种化合物 | NA | NA | NA | NA |
| 327 | 2025-12-13 |
Reinforcement learning-based generative artificial intelligence for novel pesticide design
2025-Dec, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.02.030
PMID:40032026
|
研究论文 | 本研究提出了一种基于强化学习的生成式人工智能框架PestiGen，用于设计具有高结合亲和力的类农药分子 | 首次将生成式人工智能应用于农药设计领域，结合字符和片段生成模型与强化学习算法，探索类农药化学空间 | 研究为概念验证性质，实际应用需进一步实验验证，且生成分子可能存在假阳性率 | 开发一种基于强化学习的生成式人工智能框架，用于新型绿色农药的分子设计 | 类农药分子，特别是针对4-羟基苯丙酮酸双加氧酶抑制剂的分子设计 | 机器学习 | NA | 生成式人工智能，强化学习，蒙特卡洛树搜索 | 生成模型，强化学习模型 | 化学分子数据 | NA | NA | PestiGen-G, PestiGen-S | 农药相似性，结合亲和力，酶抑制活性，除草效力 | NA |
| 328 | 2025-12-13 |
Model-based deep learning with fully connected neural networks for accelerated magnetic resonance parameter mapping
2025-Dec, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03356-7
PMID:40317423
|
研究论文 | 本文提出了一种基于模型的深度学习框架qDC-CNN，用于加速磁共振参数映射，通过结合图像重建网络和全连接神经网络来提高定量磁共振成像的准确性和效率 | 提出了一种新颖的集成深度学习框架qDC-CNN，结合了展开的图像重建网络和全连接神经网络，用于加速定量参数映射，相比传统方法在重建误差上表现更优 | 研究基于模拟数据集进行训练和测试，可能未完全覆盖真实临床场景的复杂性；未详细讨论计算资源需求或实际部署的可行性 | 验证提出的qDC-CNN模型在加速定量磁共振参数映射方面的性能，并评估其在不同加速因子和对比图像减少情况下的表现 | 模拟的多切片多回波（MSME）数据集，源自BrainWeb数据库，用于S0和T2参数的估计 | 医学影像分析 | NA | 定量磁共振成像（qMRI），多切片多回波（MSME）序列 | CNN, 全连接神经网络 | 模拟磁共振图像数据 | 基于BrainWeb数据库生成的模拟数据集，具体样本数量未明确说明 | NA | qDC-CNN（定量深度级联卷积网络），结合了图像重建网络和全连接神经网络 | 归一化均方根误差（NRMSE） | NA |
| 329 | 2025-12-13 |
Enhancing segmentation accuracy of the common iliac vein in OLIF51 surgery in intraoperative endoscopic video through gamma correction: a deep learning approach
2025-Dec, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03388-z
PMID:40349282
|
研究论文 | 本研究开发并评估了一种深度学习模型，用于从OLIF51手术的术中内窥镜视频中分割髂总静脉，旨在通过伽马校正提高分割精度以减少血管损伤风险 | 首次将伽马校正预处理与U-Net++/ResNet18架构结合，用于OLIF51术中内窥镜视频的髂总静脉分割，显著提升了血管与周围组织的对比度 | 模型仍需进一步研究和优化才能应用于临床，且数据集规模有限（614张图像） | 开发一种深度学习模型，以辅助术中识别髂总静脉，降低OLIF51手术中血管损伤的风险 | 髂总静脉 | 计算机视觉 | 退行性腰骶椎疾病 | 内窥镜视频成像 | CNN | 图像 | 614张来自OLIF51手术的内窥镜图像 | 未明确提及 | U-Net, U-Net++ with ResNet18 backbone | Dice score | NA |
| 330 | 2025-12-13 |
End-to-end prognostication in pancreatic cancer by multimodal deep learning: a retrospective, multicenter study
2025-Dec, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11694-y
PMID:40410330
|
研究论文 | 本研究开发了一种端到端的多模态深度学习模型，用于预测胰腺导管腺癌患者的短期与长期生存 | 首次将临床变量与增强CT图像相结合，构建端到端的多模态深度学习模型，以改进胰腺癌的预后预测 | 研究为回顾性设计，样本量相对有限，且外部验证性能存在一定波动 | 提高胰腺导管腺癌患者生存预后的准确性，以辅助临床决策 | 经组织病理学和/或影像学/随访确诊的胰腺导管腺癌患者 | 数字病理学 | 胰腺癌 | 对比增强CT成像 | 深度学习 | 图像, 临床数据 | 开发队列401例患者，外部验证队列361例患者 | NA | NA | 时间依赖性受试者工作特征曲线下面积 | NA |
| 331 | 2025-07-26 |
Letter to the Editor: "Development and validation of a deep learning ultrasound radiomics model for predicting drug resistance in lymph node tuberculosis a multicenter study"
2025-Dec-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003118
PMID:40705514
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 332 | 2025-07-26 |
Letter to the Editor: "Multichannel deep learning prediction of major pathological response after neoadjuvant immunochemotherapy in lung cancer: a multicenter diagnostic study"
2025-Dec-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003109
PMID:40705510
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 333 | 2025-12-13 |
Hybrid Neural Networks for Precise Hydronephrosis Classification Using Deep Learning
2025-Dec, Urology
IF:2.1Q2
DOI:10.1016/j.urology.2025.08.005
PMID:40783131
|
研究论文 | 本研究开发并评估了一种深度学习框架，用于自动分割肾脏超声图像中的肾脏和液体区域，以提高肾积水的诊断准确性并减少评估变异性 | 提出了一种结合DenseNet201骨干网络、特征金字塔网络和自组织神经网络层的混合架构，实现多尺度特征提取并提升空间精度 | 模型优化和可解释性人工智能的整合是未来工作重点，当前临床集成仍需进一步改进 | 开发自动化的肾积水评估框架，以增强诊断准确性和标准化评估流程 | 肾脏超声图像中的肾脏和液体区域 | 计算机视觉 | 肾积水 | 超声成像 | CNN | 图像 | 1731张肾脏超声图像 | NA | DenseNet201, FPN, SelfONN | Dice系数, 精确率, 召回率, 准确率 | NA |
| 334 | 2025-12-13 |
Transforming histologic assessment: artificial intelligence in cancer diagnosis and personalized treatment
2025-Dec, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-025-03206-y
PMID:40993310
|
综述 | 本文综述了人工智能在组织学评估中的变革作用，特别是在癌症诊断和个性化治疗中的应用 | AI从诊断辅助工具发展为临床决策的核心组成部分，通过深度学习技术复制并增强病理学家决策，并利用组织形态学表型簇和空间转录组学等创新方法优化癌症分层和治疗个性化 | AI预测验证仍存挑战，特别是在预后应用方面，且在资源有限环境中的可及性不足 | 探讨AI如何变革组织学评估，以改善癌症诊断和个性化治疗 | 组织学评估、癌症诊断、个性化治疗 | 数字病理学 | 癌症 | 深度学习 | NA | 全切片图像、基因组数据、临床数据 | NA | NA | NA | NA | NA |
| 335 | 2025-12-13 |
Machine learning to classify the focus score and Sjögren's disease using digitalised salivary gland biopsies: a retrospective cohort study
2025-Dec, The Lancet. Rheumatology
DOI:10.1016/S2665-9913(25)00181-X
PMID:41038216
|
研究论文 | 本研究利用深度学习模型，基于数字化小唾液腺活检切片，自动分类焦点评分和干燥综合征，并识别了新的组织学疾病亚型 | 首次应用深度学习自动分类干燥综合征的焦点评分，并利用可解释机器学习技术识别了与疾病相关的CD8+ T细胞浸润新模式 | 研究为回顾性队列设计，需要进一步研究验证模型 | 利用机器学习自动分类焦点评分和干燥综合征，以识别基于小唾液腺活检的新组织学疾病亚型 | 来自欧洲六个专家中心的小唾液腺活检苏木精-伊红染色数字化切片，包括干燥综合征患者和无该疾病的干燥症状参与者 | 数字病理学 | 干燥综合征 | 数字化组织切片扫描 | 深度学习模型 | 图像 | 545名参与者，平均年龄54.2岁，90%为女性，10%为男性 | NA | NA | AUROC | NA |
| 336 | 2025-12-13 |
From prediction of personalized metabolic responses to foods to computational nutrition: Concepts of an emerging interdisciplinary field
2025-Dec, Clinical nutrition (Edinburgh, Scotland)
DOI:10.1016/j.clnu.2025.10.009
PMID:41176812
|
综述 | 本文提出了计算营养学作为一个新兴跨学科领域，旨在通过统计和计算机科学方法以及多模态数据解决营养与健康中的复杂挑战 | 首次系统性地提出计算营养学这一跨学科框架，整合人工智能、可穿戴生物传感器和多组学技术，以推动精准营养的范式转变 | 文中指出可穿戴生物传感器的可靠性、特征选择的权衡、算法伦理与健康公平性以及算法可解释性等关键挑战尚未完全解决 | 通过计算营养学促进营养研究的范式转变，实现个性化代谢反应预测和精准营养干预 | 营养与健康领域的复杂挑战，包括个性化饮食反应、疾病风险评估和公共卫生政策 | 机器学习 | NA | 多组学技术，可穿戴生物传感器 | NA | 多模态数据 | NA | NA | NA | NA | NA |
| 337 | 2025-12-13 |
Development and validation of a deep learning model for automatic severity grading of hip osteoarthritis: a multi-center study
2025-Dec, Annals of medicine
IF:4.9Q1
DOI:10.1080/07853890.2025.2584361
PMID:41208350
|
研究论文 | 本研究开发并验证了一种基于深度学习的模型，用于自动对髋关节骨关节炎的严重程度进行Kellgren-Lawrence分级 | 结合ResNet-50与卷积块注意力模块，实现了自动、客观的髋关节骨关节炎严重程度分级，并在多中心数据上验证了其性能，可与副主任医师水平相媲美 | 大多数错误分类局限于相邻的KL分级 | 开发并验证一个深度学习模型，用于自动对髋关节骨关节炎进行严重程度分级 | 髋关节骨关节炎患者的X光片 | 计算机视觉 | 骨关节炎 | X光成像 | CNN | 图像 | 20,745张来自两家中国医院的X光片用于模型开发，1,928张来自第三家医院用于外部验证，1,249个髋关节来自骨关节炎倡议数据集 | NA | ResNet-50, Convolutional Block Attention Module | 准确率, AUC | NA |
| 338 | 2025-12-13 |
Evaluation of domain shift sources and generalisability in AI-based prostate MRI autocontouring for radiotherapy
2025-Dec, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.105188
PMID:41240504
|
研究论文 | 本文评估了AI模型在前列腺MRI自动轮廓勾画中域偏移的来源及泛化能力 | 首次强调了图像采集/标注协议对域偏移的影响，并比较了混合域训练模型与内部模型的性能 | 研究仅基于66例外部评估数据，样本量相对有限 | 分析域偏移的不同来源并评估AI模型在前列腺MRI自动轮廓勾画中的泛化性能 | 前列腺MRI图像 | 数字病理学 | 前列腺癌 | MRI成像 | 深度学习模型 | 医学图像 | 来自五个公共数据集的轴向T2加权前列腺MRI图像，以及66例用于外部评估的MRI | nnU-Net | U-Net | Dice相似系数, 95% Hausdorff距离 | NA |
| 339 | 2025-12-13 |
Systematic review and comparison of machine learning and conventional statistical models for predicting cardiovascular events in dialysis patients
2025-Dec, Renal failure
IF:3.0Q1
DOI:10.1080/0886022X.2025.2587490
PMID:41261018
|
系统综述 | 本文系统综述并比较了机器学习模型与传统统计模型在预测透析患者心血管事件方面的性能 | 首次系统性地比较了机器学习（包括深度学习）与传统统计模型在透析患者心血管事件预测领域的性能，并进行了亚组分析以探讨异质性 | 研究存在地域偏倚（主要来自中国），外部验证不足，在准确性与可解释性之间存在权衡，且样本量相对有限 | 评估和比较机器学习模型与传统统计模型预测透析患者心血管事件的性能 | 透析患者 | 机器学习 | 心血管疾病 | NA | 深度学习, 传统机器学习, 传统统计模型 | NA | 14项研究，共涉及29,310名患者和34个模型 | NA | NA | AUC, C-index | NA |
| 340 | 2025-12-13 |
Risk factors for complications associated with peripherally inserted central venous catheters for parenteral nutrition: Machine learning and survival analysis based on deep learning
2025-Dec, Clinical nutrition (Edinburgh, Scotland)
DOI:10.1016/j.clnu.2025.11.008
PMID:41314112
|
研究论文 | 本研究开发了基于人工智能的生存分析和机器学习模型，用于预测经外周静脉置入中心静脉导管（PICC）相关并发症并识别关键风险因素 | 结合机器学习模型（如逻辑回归、支持向量机、随机森林、极端梯度提升）和深度学习生存分析模型（如随机生存森林、DeepSurv、DeepHit）进行PICC并发症预测，并应用可解释AI技术解释模型功能 | 研究为回顾性设计，样本量相对较小（218名患者），且生存分析模型的C指数（0.61）较低，集成Brier评分（0.170）较高，表明模型预测性能有提升空间 | 开发AI模型以预测PICC相关并发症并识别风险因素，支持临床决策 | 接受全肠外营养（TPN）并置入PICC的218名患者 | 机器学习 | NA | 回顾性医疗记录分析 | 逻辑回归, 支持向量机, 随机森林, 极端梯度提升, 随机生存森林, DeepSurv, DeepHit | 医疗记录数据 | 218名患者 | NA | 随机森林, 极端梯度提升, 随机生存森林, DeepSurv, DeepHit | 准确率, 一致性指数（C-index）, 集成Brier评分（IBS） | NA |