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 46271 篇文献，本页显示第 34001 - 34020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 34001 | 2024-12-16 |
Representing Part-Whole Hierarchies in Foundation Models by Learning Localizability, Composability, and Decomposability from Anatomy via Self-Supervision
2024-Jun, Proceedings. IEEE Computer Society Conference on Computer Vision and Pattern Recognition
DOI:10.1109/cvpr52733.2024.01071
PMID:39670210
|
研究论文 | 本文介绍了一种新的自监督学习框架Adam-v2，通过学习局部性、组合性和分解性来表示医学图像中的部分-整体层次结构 | Adam-v2通过三个关键分支（局部性、组合性和分解性）显式地将部分-整体层次结构融入学习目标，从而提高了模型在医学图像处理中的通用性和鲁棒性 | NA | 克服深度学习在医学图像处理中缺乏显式部分-整体关系编码的局限性 | 医学图像中的解剖结构 | 计算机视觉 | NA | 自监督学习 | Adam-v2 | 图像 | 未标注的医学图像 | NA | NA | NA | NA |
| 34002 | 2024-12-16 |
A generalization performance study on the boosting radiotherapy dose calculation engine based on super-resolution
2024-May, Zeitschrift fur medizinische Physik
IF:2.4Q2
DOI:10.1016/j.zemedi.2022.10.006
PMID:36631314
|
研究论文 | 本研究开发了一种基于超分辨率的深度学习模型，用于在临床实践中快速准确地预测剂量分布 | 提出了多阶段剂量超分辨率网络（MDSR Net）架构，结合稀疏掩模模块和多阶段渐进剂量分布恢复方法，显著提高了剂量预测的准确性和泛化能力 | 未提及具体的局限性 | 开发一种高效准确的剂量计算方法，以促进在线自适应放射治疗技术（OLART）的广泛应用 | 不同疾病部位的VMAT计划中的剂量分布 | 机器学习 | NA | 深度学习 | 多阶段剂量超分辨率网络（MDSR Net） | 图像 | 340个VMAT计划，其中240个用于模型训练，60个用于模型基准测试，40个用于模型泛化评估 | NA | NA | NA | NA |
| 34003 | 2024-12-16 |
Automated quantification of vacuole fusion and lipophagy in Saccharomyces cerevisiae from fluorescence and cryo-soft X-ray microscopy data using deep learning
2024-04, Autophagy
IF:14.6Q1
DOI:10.1080/15548627.2023.2270378
PMID:37908116
|
研究论文 | 本文开发了一种基于深度学习的计算方法，结合软X射线断层扫描（SXT）和荧光显微镜，用于自动量化酵母细胞中的液泡融合和脂噬过程 | 本文首次开发了Deep Yeast Fusion Network（DYFNet）卷积神经网络模型，用于分类完全融合和部分融合的液泡，并实现了LipoSeg管道来自动化实例分割脂滴和液泡 | NA | 开发一种新方法，用于高分辨率和高通量地定量分析酵母细胞中的液泡融合和脂噬过程 | 酵母细胞中的液泡融合和脂噬过程，特别是NPC1和NPC2蛋白的功能 | 计算机视觉 | NA | 深度学习 | 卷积神经网络（CNN） | 图像 | NA | NA | NA | NA | NA |
| 34004 | 2024-12-16 |
Open-top Bessel beam two-photon light sheet microscopy for three-dimensional pathology
2024-Mar-15, eLife
IF:6.4Q1
DOI:10.7554/eLife.92614
PMID:38488831
|
研究论文 | 本文开发了一种开放式双光子光片显微镜（OT-TP-LSM）用于术中三维病理学研究 | 首次采用开放式双光子光片显微镜结合贝塞尔光束进行深层组织的三维成像，并利用深度学习网络将OT-TP-LSM图像转换为虚拟H&E图像 | NA | 开发一种新型的三维光学显微镜技术，以补充传统的破坏性H&E染色病理学方法 | 人体癌症组织样本，包括皮肤、胰腺和前列腺 | 数字病理学 | 癌症 | 双光子光片显微镜（TP-LSM） | 深度学习网络 | 图像 | 多种人体癌症组织样本 | NA | NA | NA | NA |
| 34005 | 2024-12-16 |
AutoTransOP: translating omics signatures without orthologue requirements using deep learning
2024-Jan-29, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-024-00341-9
PMID:38287079
|
研究论文 | 本文开发了一种名为AutoTransOP的神经网络自编码器框架，用于将指定物种或细胞环境的组学数据映射到全局潜在空间，从而在不要求匹配直系同源物的情况下识别相关信息 | 创新点在于提出了AutoTransOP框架，能够在不要求直系同源物匹配的情况下，将不同物种或细胞环境的组学数据映射到全局潜在空间，并识别相关信息 | NA | 开发一种能够在不要求直系同源物匹配的情况下，将不同物种或细胞环境的组学数据映射到全局潜在空间的方法 | 不同物种或细胞环境的组学数据 | 机器学习 | NA | 深度学习 | 神经网络自编码器 | 组学数据 | NA | NA | NA | NA | NA |
| 34006 | 2024-12-16 |
OCTOPUS - Optical coherence tomography plaque and stent analysis software
2023-Feb, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2023.e13396
PMID:36816277
|
研究论文 | 本文介绍并评估了一种高度自动化的软件包OCTOPUS，用于在血管内光学相干断层扫描（IVOCT）图像中进行冠状动脉斑块和支架的定量分析 | 开发了OCTOPUS软件，提供高度自动化的冠状动脉斑块和支架分析，包括深度学习斑块分割和机器学习支架支柱识别等算法 | 目前OCTOPUS主要作为离线研究工具使用，尚未应用于实时治疗规划 | 开发一种用于IVOCT图像中冠状动脉斑块和支架分析的自动化软件 | 冠状动脉斑块和支架 | 数字病理学 | 心血管疾病 | 光学相干断层扫描（IVOCT） | 深度学习模型和机器学习模型 | 图像 | 34个新的pullbacks样本 | NA | NA | NA | NA |
| 34007 | 2024-12-15 |
Automated Detection of Central Retinal Artery Occlusion Using OCT Imaging via Explainable Deep Learning
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100630
PMID:39669299
|
研究论文 | 本文展示了使用深度学习模型通过OCT影像自动检测视网膜中央动脉阻塞（CRAO）的能力 | 本文提出了一种可解释的深度学习模型，用于在OCT数据上检测CRAO，并展示了其在多分类任务中的高准确性 | 本文仅进行了回顾性外部验证研究，未来需要进一步的前瞻性研究来验证模型的临床应用 | 开发和验证一种深度学习模型，用于通过OCT影像自动检测视网膜中央动脉阻塞（CRAO） | 视网膜中央动脉阻塞（CRAO）及其鉴别诊断 | 计算机视觉 | 眼科疾病 | 深度学习 | 深度学习模型 | 图像 | 来自德国蒂宾根大学医学中心和汉堡-埃彭多夫大学医学中心的患者的OCT数据 | NA | NA | NA | NA |
| 34008 | 2024-08-07 |
Editorial for "Deep Learning Model for Grading and Localization of Lumbar Disc Herniation on Magnetic Resonance Imaging"
2025-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29457
PMID:38804734
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 34009 | 2024-12-15 |
A deep-learning system for diagnosing ectopic eruption
2025-Jan, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2024.105399
PMID:39424256
|
研究论文 | 构建了一个用于混合牙列诊断的多阶段深度学习网络模型，以预测恒牙的异位萌发 | 该研究创新性地将牙列分割整合到自动分类牙发育阶段的过程中，并展示了模型在多个场景中的适应性 | NA | 开发一种用于诊断异位萌发的深度学习系统 | 儿童的混合牙列和恒牙的异位萌发 | 机器学习 | NA | 深度学习 | 多阶段深度学习网络 | 图像 | 1576张儿童全景X光片，年龄范围为6-12岁 | NA | NA | NA | NA |
| 34010 | 2024-12-14 |
A combined deep learning framework for mammalian m6A site prediction
2024-Dec-11, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2024.100697
PMID:39571573
|
研究论文 | 本文设计了一个结合Transformer架构和循环神经网络的深度学习框架deepSRAMP，用于预测哺乳动物m6A位点 | deepSRAMP在性能上显著优于其前身SRAMP，并在多个基准数据集上超越了其他最先进的m6A预测器 | NA | 开发一种新的深度学习框架，用于精确预测哺乳动物mRNA中的m6A位点 | 哺乳动物mRNA中的m6A位点 | 机器学习 | NA | 深度学习 | Transformer架构和循环神经网络 | 序列数据和基因组数据 | 多个基准数据集 | NA | NA | NA | NA |
| 34011 | 2024-12-15 |
Prediction of gene expression-based breast cancer proliferation scores from histopathology whole slide images using deep learning
2024-Dec-11, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-024-13248-9
PMID:39663527
|
研究论文 | 本研究使用深度学习模型从全切片数字病理图像中预测乳腺癌的基因表达增殖评分 | 首次展示了使用深度卷积神经网络（CNN）从全切片数字病理图像中直接预测乳腺癌的基因表达增殖评分，并提供了临床预测信息 | 研究样本量有限，且仅限于侵袭性乳腺癌患者 | 评估是否可以从数字全切片图像中使用深度学习模型预测乳腺癌的分子增殖标志物 | 乳腺癌患者的全切片数字病理图像和RNA测序数据 | 数字病理学 | 乳腺癌 | RNA测序 | CNN | 图像 | 819名侵袭性乳腺癌患者的训练数据，172例内部测试集和997例外部独立测试集 | NA | NA | NA | NA |
| 34012 | 2024-12-15 |
Diagnostic accuracy of deep learning in prediction of osteoporosis: a systematic review and meta-analysis
2024-Dec-04, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-024-08120-7
PMID:39633356
|
meta-analysis | 本文系统回顾和荟萃分析了深度学习在骨质疏松预测中的诊断准确性 | 深度学习在骨质疏松诊断中的表现优于其他机器学习算法 | 需要进一步的临床试验来验证研究结果 | 研究深度学习在骨质疏松预测中的诊断准确性 | 深度学习算法在骨质疏松预测中的诊断性能 | machine learning | 代谢性疾病 | 深度学习 | CNN | NA | 10项研究 | NA | NA | NA | NA |
| 34013 | 2024-12-15 |
Transformer-based deep learning model for the diagnosis of suspected lung cancer in primary care based on electronic health record data
2024-Dec, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2024.105442
PMID:39536394
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型，用于在初级医疗中通过电子健康记录数据诊断疑似肺癌 | 该模型利用了电子健康记录中的时间序列数据，捕捉了癌症与非癌症路径之间的时序关系，从而提高了诊断的准确性 | 本文仅在英国的数据集上进行了验证，未来需要在外部数据集上进行验证 | 构建一个用于肺癌早期检测的模型，以提高诊断的准确性 | 疑似肺癌患者 | 机器学习 | 肺癌 | ALBERT | Transformer | 文本 | 3,303,992名患者，其中11,847例肺癌病例 | NA | NA | NA | NA |
| 34014 | 2024-12-15 |
Deep learning-based body composition analysis from whole-body magnetic resonance imaging to predict all-cause mortality in a large western population
2024-Dec, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2024.105467
PMID:39622188
|
研究论文 | 本文开发并测试了一种基于深度学习的框架，用于从全身磁共振成像（MRI）中自动量化体积身体成分测量，并研究其在预测西方大人群全因死亡率中的预后价值 | 本文首次使用深度学习技术自动量化全身MRI中的体积身体成分测量，并验证其在预测全因死亡率中的预后价值 | 本文仅在西方人群中进行了验证，尚未在其他人群中进行测试 | 开发一种基于深度学习的框架，用于自动量化全身MRI中的体积身体成分测量，并评估其在预测全因死亡率中的预后价值 | 全身MRI中的体积身体成分测量，包括皮下脂肪组织（SAT）、内脏脂肪组织（VAT）、骨骼肌（SM）、骨骼肌脂肪分数（SMFF）和肌内脂肪组织（IMAT） | 计算机视觉 | NA | 深度学习 | 深度学习框架 | 图像 | 36,317名UKBB参与者（平均年龄65.1±7.8岁，年龄范围45-84岁；51.7%为女性；1.7%全因死亡率；中位随访4.8年）和23,725名NAKO参与者（平均年龄53.9±8.3岁，年龄范围40-75；44.9%为女性） | NA | NA | NA | NA |
| 34015 | 2024-12-15 |
Deep learning-based prediction of nodal metastasis in lung cancer using endobronchial ultrasound
2024-Dec, JTCVS techniques
IF:1.7Q2
DOI:10.1016/j.xjtc.2024.09.008
PMID:39669341
|
研究论文 | 本文评估了基于深度学习的卷积神经网络在无监督情况下从内窥镜超声视频中自动提取图像，用于预测肺癌淋巴结转移的诊断性能 | 本文首次使用卷积神经网络从内窥镜超声视频中自动提取图像，进行肺癌淋巴结转移的预测 | 研究仅基于单中心数据库，未来需要在大规模前瞻性研究中验证算法的有效性 | 评估基于深度学习的卷积神经网络在预测肺癌淋巴结转移中的诊断性能 | 肺癌患者的纵隔和肺门淋巴结 | 计算机视觉 | 肺癌 | 卷积神经网络 | SqueezeNet | 视频 | 来自单中心数据库的患者和淋巴结数据 | NA | NA | NA | NA |
| 34016 | 2024-12-15 |
Automated crack localization for road safety using contextual u-net with spatial-channel feature integration
2024-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2024.102796
PMID:39669512
|
研究论文 | 本文提出了一种基于上下文U-Net深度学习模型的道路裂缝自动定位框架 | 该框架采用EfficientNet编码器捕捉道路图像中的空间特征和通道特征，并通过自定义的分层注意力机制使模型能够适应不同尺度和分辨率的裂缝定位 | NA | 提高道路裂缝定位的准确性和及时性，以保障道路安全和维护 | 道路图像中的裂缝 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 基准数据集和自定义数据集 | NA | NA | NA | NA |
| 34017 | 2024-12-15 |
Real-World and Clinical Trial Validation of a Deep Learning Radiomic Biomarker for PD-(L)1 Immune Checkpoint Inhibitor Response in Advanced Non-Small Cell Lung Cancer
2024-Dec, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.24.00133
PMID:39671539
|
研究论文 | 本研究开发并验证了一种基于深度学习的放射组学生物标志物，用于预测晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应 | 首次使用真实世界数据和临床试验数据验证了一种基于深度学习的放射组学生物标志物，用于预测免疫检查点抑制剂治疗的反应 | 研究仅限于晚期非小细胞肺癌患者，且依赖于特定的CT/PET-CT扫描数据 | 开发并验证一种新的深度学习放射组学生物标志物，用于预测晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应 | 晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应 | 数字病理学 | 肺癌 | 深度学习 | 深度学习特征提取器和生存模型 | 图像 | 1829名接受PD-(L)1免疫检查点抑制剂治疗的晚期非小细胞肺癌患者 | NA | NA | NA | NA |
| 34018 | 2024-12-15 |
Construction and validation of deep learning model for cachexia in extensive-stage small cell lung cancer patients treated with immune checkpoint inhibitors: a multicenter study
2024-Nov-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-543
PMID:39670020
|
研究论文 | 本研究构建并验证了一种深度学习模型，用于预测接受免疫检查点抑制剂治疗的广泛期小细胞肺癌患者的恶病质及其预后价值 | 本研究首次开发并验证了一种基于深度学习的恶病质预测模型，并展示了其在预测广泛期小细胞肺癌患者生存结果方面的优越性能 | 本研究的样本量相对较小，且仅在三家医院的数据上进行了验证，可能限制了模型的普适性 | 评估恶病质对免疫治疗效果的影响，开发并验证一种基于深度学习的恶病质预测模型及其预后价值 | 接受一线免疫治疗和化疗的广泛期小细胞肺癌患者 | 机器学习 | 肺癌 | 深度学习 | 深度学习模型 | 医学记录和CT图像 | 231名广泛期小细胞肺癌患者 | NA | NA | NA | NA |
| 34019 | 2024-12-15 |
Effect of Deep Learning Image Reconstruction Algorithms on Radiomic Features of Pulmonary Nodules in Ultra-Low-Dose CT
2024 Nov-Dec 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001634
PMID:39095065
|
研究论文 | 本研究探讨了深度学习图像重建（DLIR）算法对超低剂量CT中肺结节放射组学特征定量的影响 | DLIR算法在超低剂量CT中提高了放射组学特征的可重复性，特别是在纯磨玻璃结节（pGGNs）和实性结节（SNs）的纹理特征上 | 研究样本量相对较小，且仅比较了两种不同的重建算法 | 探讨DLIR算法在超低剂量CT中对放射组学特征定量的影响 | 肺结节的放射组学特征 | 计算机视觉 | 肺癌 | 深度学习图像重建（DLIR） | NA | 图像 | 183名肺结节患者 | NA | NA | NA | NA |
| 34020 | 2024-12-15 |
Image Quality Assessment of a Deep Learning-Based Automatic Bone Removal Algorithm for Cervical CTA
2024 Nov-Dec 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001637
PMID:39095057
|
研究论文 | 本研究评估了基于深度学习的自动骨移除算法在颈椎CTA中的后处理图像质量 | 深度学习算法在骨移除和血管完整性方面表现优于传统算法，特别是在复杂解剖结构和邻近骨的区域 | 研究仅涉及100名患者，样本量相对较小 | 评估深度学习算法在颈椎CTA中自动骨移除的图像质量 | 颈椎CTA图像中的骨移除和血管完整性 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 100名患者（31名女性，平均年龄61.4 ± 12.4岁） | NA | NA | NA | NA |