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 39887 篇文献，本页显示第 3961 - 3980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3961 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101856
PMID:41447719
|
研究论文 | 本研究利用预训练的3D卷积神经网络Med3D，通过迁移学习从脑部MRI数据中检测帕金森病，显著提升了诊断性能 | 采用在多种医学影像任务上预训练的Med3D模型进行迁移学习，以解决帕金森病MRI数据标注不足的问题，并针对类别不平衡实施了采样技术 | 研究依赖于单一数据库（PPMI），样本量相对有限，且模型特异性较低（60%），可能影响在更广泛人群中的泛化能力 | 开发一种基于迁移学习的深度学习模型，用于从脑部MRI中准确检测帕金森病 | 帕金森病患者的脑部3D MRI扫描数据 | 数字病理学 | 帕金森病 | 磁共振成像 | CNN | 图像 | 662个3D MRI扫描（来自PPMI数据库） | PyTorch | Med3D | 准确率, 灵敏度, 特异性, 精确率, F1分数, AUC-ROC | NA |
| 3962 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101717
PMID:41448148
|
研究论文 | 本研究利用深度学习模型评估脑年龄，并探究阿尔茨海默病与路易体病理共存对脑老化、萎缩及认知功能的影响 | 首次结合α-突触核蛋白种子扩增检测与深度学习脑年龄模型，系统分析AD与LB病理共存对神经退行性变的协同放大效应 | 研究样本主要来自认知障碍队列，未涵盖更广泛的临床前阶段；横断面设计限制因果推断 | 探究AD与LB病理共存对脑老化加速、区域萎缩及认知衰退的影响机制 | 认知未受损个体（用于模型训练）及认知受损参与者（用于病理分组分析） | 数字病理学 | 阿尔茨海默病 | α-突触核蛋白种子扩增检测、脑脊液生物标志物检测、结构MRI | 深度学习 | 结构MRI图像、脑脊液生物标志物数据、认知评估数据 | 训练集4355名认知未受损个体，验证集803名认知受损参与者 | NA | 3D-DenseNet | 脑年龄差平均值、相关系数r、显著性p值 | NA |
| 3963 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101596
PMID:41448203
|
研究论文 | 本文提出了一种基于MRI的高泛化性深度学习方法，用于早期诊断轻度认知障碍向阿尔茨海默病的进展 | 采用多平面特征提取策略结合注意力机制，以应对MRI数据的异质性，从而提升分类性能和泛化能力 | NA | 早期诊断轻度认知障碍向阿尔茨海默病的进展 | 来自ADNI和GARD数据库的认知正常、轻度认知障碍、进展性轻度认知障碍和稳定性轻度认知障碍参与者 | 数字病理学 | 阿尔茨海默病 | 磁共振成像 | 深度学习 | 图像 | 来自ADNI和GARD数据库的参与者，具体数量未明确说明 | NA | NA | 准确率, AUC | NA |
| 3964 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101952
PMID:41448577
|
研究论文 | 本文提出了一种无监督深度学习模型UDIP-FA，用于从FA图像中提取128维特征，以更无偏和可遗传地描述白质微结构，并探索其与脑部疾病的遗传关联 | 采用无监督深度学习从FA图像中提取特征，避免了传统图谱方法的偏差，并首次系统评估了这些特征在脑部疾病分类和遗传分析中的应用 | 研究基于UK Biobank数据，可能受人群特异性限制；无监督方法可能难以解释所有提取特征的生物学意义 | 开发一种无偏的白质微结构表征方法，并探索其与脑部疾病的遗传机制 | 来自UK Biobank的6000名参与者的FA图像，以及后续GWAS分析中的25875名参与者 | 医学影像分析 | 阿尔茨海默病 | 扩散张量成像，全基因组关联研究 | 无监督深度神经网络 | MRI图像 | 初始训练6000人，GWAS分析25875人 | NA | NA | AUC | NA |
| 3965 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_102219
PMID:41448607
|
研究论文 | 本研究评估了五种主流自动化海马分割工具在痴呆症研究中对疾病的敏感性和测试-重测可靠性 | 首次系统比较了五种主流自动化海马分割工具在疾病敏感性和测试-重测可靠性方面的表现，并提供了评估工具临床准备度的流程 | 研究主要基于公开数据集，可能未涵盖所有临床场景；未评估工具在其他脑区或疾病中的表现 | 评估自动化海马分割工具在痴呆症研究中的临床准备度，重点关注其对疾病的敏感性和测试-重测可靠性 | 阿尔茨海默病和轻度认知障碍患者的T1加权MRI扫描 | 数字病理学 | 阿尔茨海默病 | T1加权MRI | 深度学习模型 | 图像 | 敏感性研究使用ADNI的2299例和NACC的1852例扫描；可靠性研究使用8个独立数据集的1264例扫描 | NA | FastSurfer, SynthSeg, Geodesic Information Flows (GIF), InnerEye, nnUNet | Cohen's d, 组内相关系数(ICC(2,1)) | NA |
| 3966 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_103473
PMID:41449130
|
研究论文 | 本研究通过分析ADNI队列中的神经影像生物标志物，探讨了APOE4携带者与非携带者在阿尔茨海默病病因和表现上的差异 | 首次使用名为DeepContrast的深度学习方法来识别结构MRI扫描中的功能性大脑活动特征，并揭示了APOE4携带者与非携带者在疾病病理异质性上的显著差异 | 研究基于ADNI队列，样本可能不具有普遍代表性，且未详细说明DeepContrast方法的验证过程 | 探究APOE4携带者与非携带者在阿尔茨海默病病因和表现上的差异 | ADNI队列中的APOE4携带者与非携带者 | 医学影像分析 | 阿尔茨海默病 | 神经影像学（Ab-PET、Tau-PET、FDG-PET、结构MRI、FLAIR MRI） | 深度学习 | MRI图像 | ADNI队列参与者（具体数量未明确） | NA | DeepContrast | NA | NA |
| 3967 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_103249
PMID:41449679
|
研究论文 | 本研究探讨了量子增强的迁移学习如何通过结合经典深度学习模型与量子电路，提升基于MRI图像的阿尔茨海默病及相关痴呆症的早期检测性能 | 将量子计算与经典深度学习模型结合，通过量子迁移学习技术，在参数显著减少的情况下，实现了痴呆检测性能的显著提升 | 研究使用了模拟器进行实验，未在真实量子硬件上验证；样本量相对较小（136名受试者），可能影响模型的泛化能力 | 展示量子迁移学习在增强经典深度学习模型用于痴呆检测方面的潜力 | 阿尔茨海默病及相关痴呆症（ADRD）患者与健康个体的MRI矢状面图像 | 机器学习 | 阿尔茨海默病及相关痴呆症 | 量子迁移学习 | CNN, DQN | 图像 | 136名受试者（64名痴呆患者和72名非痴呆患者） | Pennylane, IonQ | 未指定具体架构，但包含卷积层和密集层，结合了Dressed Quantum Circuit（DQN） | 准确率, 敏感度 | Pennylane的`default.qubit`模拟器和IonQ的Aria-1模拟器（噪声模拟） |
| 3968 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_103182
PMID:41449848
|
研究论文 | 本研究开发了一种基于神经病理学确认诊断的多标签深度学习网络，用于量化阿尔茨海默病、血管性痴呆和路易体痴呆的脑萎缩 | 首次利用神经病理学确认的诊断训练深度学习模型，并开发了新型DeepSPARE指数来可视化病理特异性模式 | 模型在路易体痴呆上的准确率相对较低（0.623），且样本主要来自特定数据集（NACC和ADNI） | 开发一种能够准确识别三种常见痴呆类型脑萎缩模式的深度学习框架 | 423名痴呆参与者和361名对照者的生前3D T1加权MRI扫描 | 数字病理学 | 老年疾病 | 3D T1加权MRI扫描 | 深度学习网络 | 图像 | 784名参与者（423名痴呆患者，361名对照），外加734名外部验证样本 | NA | 多标签深度学习网络 | 平衡准确率 | NA |
| 3969 | 2025-12-29 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_105825
PMID:41449899
|
研究论文 | 本研究通过融合视频骨骼关键点和可穿戴生理数据，利用深度学习模型提升痴呆患者躁动和攻击行为的早期检测能力 | 首次结合视频骨骼关键点与可穿戴生理数据，采用RNN-GRU与注意力机制的深度学习框架，实现多模态数据融合的早期AA预测 | 样本量较小（仅5名患者），数据收集时长存在差异，需进一步扩大研究规模以验证普适性 | 提升痴呆患者躁动和攻击行为的早期检测准确性，减少干预延迟和不适当精神药物使用 | 患有阿尔茨海默病或混合病理痴呆并伴有躁动和攻击行为的住院患者 | 机器学习 | 老年疾病 | 可穿戴生理监测、视频骨骼关键点提取 | RNN, GRU | 视频、生理信号 | 5名患者（3名女性，2名男性，年龄63-85岁），每人数据收集时长为36至95.5小时 | NA | RNN with GRU and attention mechanisms | 准确率 | NA |
| 3970 | 2025-12-29 |
deepBlastoid: a deep learning model for automated and efficient evaluation of human blastoids
2025-Dec, Life medicine
DOI:10.1093/lifemedi/lnaf026
PMID:41450875
|
研究论文 | 本文开发了一个名为deepBlastoid的深度学习模型，用于基于明场图像自动分类活体人类胚泡样结构 | 开发了首个用于自动评估人类胚泡样结构形态的深度学习模型，通过集成置信度指标将准确率提升至97%，并在通量上超越人类专家 | 模型性能依赖于图像质量和训练数据，可能无法覆盖所有胚泡样结构变异类型 | 开发自动化工具以高效评估人类胚泡样结构的形态，支持早期人类发育建模和高通量筛选 | 人类胚泡样结构 | 计算机视觉 | NA | 明场成像 | 深度学习模型 | 图像 | 超过10,000张图像 | NA | NA | 准确率, 置信度 | NA |
| 3971 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_103753
PMID:41452061
|
研究论文 | 本研究利用死后MRI和组织学数据，探讨了阿尔茨海默病（AD）和LATE相关神经退行性变中MRI形态测量指标与神经元数量、大小和密度等直接神经退行性变指标之间的关系 | 结合深度学习StarDist方法、弱监督学习和高斯混合模型，自动化检测神经元并区分神经元与胶质细胞，用于分析AD和LATE的萎缩模式差异 | 研究样本量较小（仅24名脑捐赠者），且为初步可行性结果，需要更大数据集验证 | 旨在通过MRI形态测量和组织学分析，更好地区分AD和LATE引起的萎缩，以开发更特异的生物标志物 | 24名脑捐赠者的海马体CA1亚区、下托和内嗅皮层组织 | 数字病理学 | 阿尔茨海默病 | 死后MRI（9.4T）、组织学染色（硫堇染色）、立体学测量 | 深度学习 | 图像 | 24名脑捐赠者（5名AD-LATE-，14名AD+LATE-，5名AD+LATE+） | StarDist | NA | 相关系数（r=0.72） | NA |
| 3972 | 2025-12-29 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_103816
PMID:41452665
|
研究论文 | 本研究利用3D卷积神经网络预测轻度认知障碍老年患者在未来两年内临床痴呆评定量表总分的变化 | 首次在三个独立的公开队列中，使用3D DenseNet-121 CNN模型，仅基于T1加权脑部MRI来预测未来认知功能下降，并将影像学预测结果整合到线性混合效应模型中以提高预测准确性 | 研究仅使用了T1加权MRI数据，未来需要纳入更丰富的神经影像数据（如淀粉样蛋白和tau蛋白PET、弥散MRI）以及探索其他数据融合方法 | 预测轻度认知障碍患者向阿尔茨海默病或相关痴呆症的进展，以辅助治疗决策、识别保护因素并指导临床试验 | 来自ADNI、OASIS-3和NACC三个公开队列的老年轻度认知障碍患者 | 数字病理学 | 阿尔茨海默病 | 3D T1加权脑部MRI | CNN, 线性混合效应模型 | 图像, 表格数据 | ADNI队列1136人，OASIS-3队列241人，NACC队列942人 | NA | 3D DenseNet-121 | 平均绝对误差, R² | NA |
| 3973 | 2025-12-29 |
Harnessing artificial intelligence to advance insights in systemic sclerosis skin and lung disease
2025-Nov-01, Current opinion in rheumatology
IF:5.2Q1
DOI:10.1097/BOR.0000000000001114
PMID:40767529
|
综述 | 本文综述了截至2024年人工智能在系统性硬化症皮肤和肺部疾病研究中的应用进展 | 总结了人工智能在系统性硬化症研究中从预测建模到患者亚群识别、疾病严重程度量化及影像分析的最新应用，强调了其在处理高维复杂数据中的潜力 | NA | 综述人工智能在系统性硬化症皮肤和肺部疾病研究中的应用，以推动个性化医疗 | 系统性硬化症患者的皮肤和肺部疾病数据 | 机器学习 | 系统性硬化症 | 监督机器学习、无监督机器学习、深度学习 | NA | 临床数据、数字图像（肺部影像、皮肤活检图像） | NA | NA | NA | NA | NA |
| 3974 | 2025-12-29 |
Automated synthetic contrast-enhanced MRI improves choroid plexus segmentation in Parkinsonian syndromes
2025-Nov, Radiology advances
DOI:10.1093/radadv/umaf042
PMID:41446781
|
研究论文 | 本研究开发了一种基于深度学习的合成对比增强MRI方法，用于改善帕金森综合征中脉络丛的分割和形态学分析 | 首次提出使用深度学习从T1加权图像生成合成对比增强MRI，以替代传统钆对比剂增强MRI，用于脉络丛分割和形态测量 | 研究为回顾性设计，且外部验证队列数据时间跨度较早，可能影响泛化性 | 开发并验证一种无需注射钆对比剂的合成对比增强MRI方法，以改善神经退行性疾病中脉络丛的成像和分割 | 帕金森病、特发性震颤和非典型帕金森综合征患者的脑部MRI图像 | 医学影像分析 | 帕金森综合征 | MRI, 深度学习图像合成 | 深度学习 | MRI图像 | 内部队列265名患者，外部队列58名患者 | NA | Nested-UNet, 3D-UNet | 峰值信噪比, 结构相似性指数, Dice系数, 组内相关系数, 平均绝对体积差异 | NA |
| 3975 | 2025-12-29 |
Tractography enhancement in clinically-feasible diffusion MRI using T1-weighted MRI and anatomical context
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3047112
PMID:41451395
|
研究论文 | 本文提出了一种结合T1加权MRI和解剖学背景的方法，从临床可行的扩散MRI数据中获取高质量的纤维束成像 | 通过整合T1加权MRI和解剖学标签作为输入，使用卷积循环神经网络（CoRNN）作为局部纤维束成像估计器，以提升临床质量扩散MRI数据的纤维束成像质量 | 未明确说明方法在更广泛数据集或不同临床环境下的泛化能力 | 从临床可行的扩散MRI数据中估计高质量的白质纤维束成像 | 人脑白质通路 | 医学影像分析 | NA | 扩散MRI（dMRI），T1加权MRI | 卷积循环神经网络（CoRNN） | 扩散MRI图像，T1加权MRI图像，解剖学标签 | NA | NA | 卷积循环神经网络（CoRNN） | 统计显著性差异，纤维束重建特征 | NA |
| 3976 | 2025-12-29 |
Forecasting daily bathtub-drowning mortality in Japan: a comparative analysis of statistical, machine learning, and deep learning approaches
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1715622
PMID:41450495
|
研究论文 | 本文比较了统计、机器学习和深度学习方法在预测日本每日浴缸溺水死亡率方面的性能 | 首次开发了全国范围的浴缸溺水死亡预测模型，并比较了DLNM、XGBoost和LSTM三种方法的预测准确性 | 模型依赖于历史数据，可能无法完全捕捉未来突发变化或未包含的风险因素 | 预测日本每日浴缸溺水死亡率，以支持公共卫生干预和及时预警 | 日本47个都道府县的浴缸溺水死亡数据 | 机器学习 | 老年疾病 | 死亡证明记录分析、气象数据整合 | DLNM, XGBoost, LSTM | 时间序列数据、气象数据、人口统计数据 | 99,930例浴缸溺水死亡记录，覆盖446,359个都道府县-天数据点 | NA | 分布式滞后非线性模型, 极端梯度提升, 长短期记忆网络 | 均方根误差, 平均绝对误差 | NA |
| 3977 | 2025-12-29 |
An adaptive hand exoskeleton rehabilitation training system integrating virtual reality and an AI-based assessment engine
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1724021
PMID:41450855
|
研究论文 | 本文提出了一种集成了虚拟现实和基于AI评估引擎的自适应手部外骨骼康复训练系统，用于中风后手部运动障碍的康复 | 融合了生物信号传感、AI分析和虚拟现实交互，实现了高效、自适应、可量化的闭环训练过程，并基于多模态数据融合、闭环自适应控制和神经可塑性多感官增强三大理论支柱 | 单臂设计限制了因果推断，样本量小（n=24），干预周期短（4周），FMA-UE代理标签通过线性插值构建，且为临床控制环境而非真实世界部署 | 开发一个数据驱动、多模态闭环康复系统，以解决传统康复中依从性低、评估主观和个性化不足的问题，促进中风后手部功能恢复 | 中风幸存者（中风后3-12个月，FMA-UE评分15-50） | 机器学习 | 心血管疾病 | 生物信号传感（6轴IMU，16通道sEMG），扩展卡尔曼滤波，虚拟现实交互 | 随机森林，支持向量回归 | 生物信号数据（运动学，肌肉激活），行为数据 | 24名中风幸存者，共479次训练会话，8,946个标注片段 | Scikit-learn | 随机森林（200棵树，深度8），支持向量回归（RBF核） | R², MAE, Spearman ρ, ICC, FMA-UE, ARAT, 握力, 标准化ROM, 任务成功率, SUS | 云AI引擎，通过MQTT与基于Unity的VR进行双向通信 |
| 3978 | 2025-12-29 |
Predicting Ki-67 expression levels in non-small cell lung cancer using an explainable CT-based deep learning radiomics model
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1655714
PMID:41450926
|
研究论文 | 本研究开发了一种可解释的CT影像深度学习放射组学模型，用于预测非小细胞肺癌中Ki-67的表达水平 | 结合临床放射学特征、放射组学特征和深度学习特征，构建了一个可解释的预测模型，并通过SHAP分析可视化特征贡献 | 回顾性研究设计，样本量相对有限，且仅基于两个中心的患者数据 | 预测非小细胞肺癌中Ki-67的表达水平，以辅助临床优化个性化治疗策略 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | 支持向量机 | 图像 | 371名患者（中心1: 259名，中心2: 112名） | Scikit-learn | ResNet18 | AUC, IDI | NA |
| 3979 | 2025-12-29 |
The research hotspots and trends of artificial intelligence technology in nursing management: a bibliometric study
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1710269
PMID:41451100
|
文献计量研究 | 本文通过文献计量学方法分析了人工智能在护理管理领域的研究热点与趋势 | 首次系统性地利用CiteSpace、VOSviewer和Bibliometrix工具对AI在护理管理领域的文献进行可视化分析，识别了五大研究集群和新兴热点 | 研究排除了非英语文献，且依赖文献计量分析，可能无法完全反映AI在临床实践中的实际应用情况 | 探索人工智能技术在护理管理领域的研究格局、热点与未来趋势 | Web of Science核心合集和Scopus数据库中1990年至2025年8月的151篇英文出版物 | 机器学习 | NA | 文献计量分析 | NA | 文本 | 151篇出版物 | CiteSpace, VOSviewer, Bibliometrix | NA | NA | NA |
| 3980 | 2025-12-29 |
Sentiment Analysis of Autologous Breast Reconstruction Using Natural Language Processing and Deep Learning
2025, Aesthetic surgery journal. Open forum
DOI:10.1093/asjof/ojaf145
PMID:41451120
|
研究论文 | 本研究利用自然语言处理和深度学习技术，对患者关于自体乳房重建（DIEP、TRAM、LD皮瓣）的公开评论进行情感分析 | 首次将RoBERTa等NLP模型应用于大规模患者论坛评论，以量化分析患者对特定乳房重建手术的情感与情绪，补充了传统临床研究 | 样本量较小（仅212条评论），数据来源单一（仅RealSelf平台），可能无法代表所有患者群体 | 评估患者对自体乳房重建手术（DIEP、TRAM、LD皮瓣）的情感态度和情绪体验 | RealSelf平台上关于DIEP、TRAM或LD皮瓣的公开患者评论 | 自然语言处理 | 乳腺癌 | 自然语言处理, 深度学习 | RoBERTa | 文本 | 212条患者评论（DIEP 153条，TRAM 20条，LD 39条） | NA | RoBERTa | NA | NA |