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 32801 篇文献，本页显示第 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2025-10-30 |
Integrating Spatial Omics and Deep Learning: Toward Predictive Models of Cardiomyocyte Differentiation Efficiency
2025-Sep-27, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101037
PMID:41155036
|
系统综述 | 本系统综述探讨了空间组学技术与深度学习在心肌细胞分化效率预测模型中的整合应用 | 首次系统整合图神经网络和循环神经网络与空间多组学数据，推进心脏生物学研究和再生医学发展 | 基于88篇文献的系统综述，可能存在文献选择偏倚，且缺乏原始实验验证 | 建立AI驱动的心脏再生医学预测模型，加速再生治疗的临床转化 | 心肌细胞分化过程、心脏组织空间结构 | 机器学习 | 心血管疾病 | 空间转录组学、空间表观基因组学、单细胞多组学技术 | GNN, RNN | 空间多组学数据、单细胞数据 | 88篇PRISMA筛选的研究（2015-2025年） | NA | 图神经网络，循环神经网络 | NA | NA |
| 402 | 2025-10-30 |
Artificial Intelligence-Based Methods and Omics for Mental Illness Diagnosis: A Review
2025-Sep-27, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101039
PMID:41155039
|
综述 | 本文综述了基于人工智能的方法和多组学数据在精神疾病诊断中的应用现状与前景 | 整合人工智能方法与多组学数据，探索精神疾病的生物标志物和精准诊断新途径 | 精神疾病的异质性使得鉴别诊断复杂化，目前仍缺乏有效的患者友好型治疗方案和准确诊断测试 | 分析当前精神疾病生物标志物识别工作，探索机器学习、深度学习和计算建模在推进个性化精准诊断中的应用 | 主要精神疾病包括焦虑症、抑郁症和双相情感障碍 | 机器学习 | 精神疾病 | 多组学数据整合 | 机器学习,深度学习,计算建模 | 临床数据,生物分析数据 | NA | NA | NA | NA | NA |
| 403 | 2025-10-30 |
High Resolution TOF-MRA Using Compressed Sensing-based Deep Learning Image Reconstruction for the Visualization of Lenticulostriate Arteries: A Preliminary Study
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0025
PMID:39034144
|
研究论文 | 本研究比较压缩感知深度学习重建与传统压缩感知算法在时间飞跃磁共振血管成像中对豆纹动脉的显示效果 | 首次将压缩感知与深度学习相结合用于高分辨率TOF-MRA图像重建，提高了豆纹动脉的显示质量 | 样本量较小（仅5名健康志愿者），属于初步研究 | 评估基于压缩感知的深度学习重建算法在TOF-MRA中对豆纹动脉显示效果的改善 | 健康志愿者的豆纹动脉 | 医学影像分析 | 脑血管疾病 | 时间飞跃磁共振血管成像（TOF-MRA） | 深度学习 | 磁共振影像 | 5名健康志愿者 | NA | NA | 可见豆纹动脉数量、豆纹动脉长度、归一化均方误差、整体图像质量评分、外周豆纹动脉可见性评分 | NA |
| 404 | 2025-10-30 |
The Evolution and Clinical Impact of Deep Learning Technologies in Breast MRI
2025-Sep-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.rev.2024-0056
PMID:39477506
|
综述 | 本文综述了深度学习技术在乳腺MRI中的演变历程和临床影响，重点探讨其在图像重建、分类、检测、分割及临床结局预测等方面的应用 | 系统总结了深度学习在乳腺MRI多任务应用中的革命性进展，包括改善图像质量、提升良恶性病变鉴别精度以及实现个性化治疗策略预测 | 技术临床应用仍面临挑战，需要进一步研究验证并建立法律伦理框架 | 探讨深度学习技术在乳腺MRI领域的演进过程及其对临床实践的影响 | 乳腺MRI影像数据及相关临床结局（新辅助化疗反应、乳腺癌复发） | 医学影像 | 乳腺癌 | MRI | CNN, RNN, GAN | 医学影像 | NA | NA | NA | NA | NA |
| 405 | 2025-10-30 |
LLM-Enhanced Multimodal Framework for Drug-Drug Interaction Prediction
2025-Sep-26, Biomedicines
IF:3.9Q1
DOI:10.3390/biomedicines13102355
PMID:41153642
|
研究论文 | 提出一种融合多模态数据的深度学习框架用于药物相互作用预测 | 首次将领域特定大语言模型BioBERT的语义嵌入与化学结构和药理机制相结合，通过随机游走算法整合间接生物通路 | 未明确说明模型在不同类型药物相互作用上的泛化能力 | 开发可扩展且准确的药物相互作用预测方法以支持多药治疗决策 | 药物相互作用 | 自然语言处理, 机器学习 | 慢性疾病 | 多模态深度学习, 随机游走重启算法 | 深度学习框架, 语言模型 | 化学结构数据, 生物网络数据, 文本数据 | NA | TensorFlow/PyTorch | BioBERT, 多模态融合架构 | 分类准确率 | NA |
| 406 | 2025-10-30 |
Beyond PSA: The Future of Prostate Cancer Diagnosis Using Artificial Intelligence, Novel Biomarkers, and Advanced Imagery
2025-Sep-25, Life (Basel, Switzerland)
DOI:10.3390/life15101508
PMID:41157181
|
综述 | 本文全面分析了人工智能、新型生物标志物和先进影像技术在提高前列腺癌诊断准确性方面的应用前景 | 系统整合了人工智能驱动的影像解读、放射组学、基因组分类器和多模态数据融合等新兴技术，提出超越传统PSA检测的新型诊断模式 | 面临技术实施、监管审批和伦理考量等临床转化挑战 | 探索前列腺癌诊断技术的未来发展方向 | 前列腺癌诊断相关文献和研究 | 数字病理 | 前列腺癌 | MRI, 组织病理学, 基因组分类器 | 机器学习, 深度学习 | 医学影像, 基因组数据, 临床数据 | NA | NA | NA | 准确率, 可重复性, 诊断准确性 | NA |
| 407 | 2025-10-30 |
Ultra-High Resolution 9.4T Brain MRI Segmentation via a Newly Engineered Multi-Scale Residual Nested U-Net with Gated Attention
2025-Sep-24, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101014
PMID:41155013
|
研究论文 | 提出首个专门针对9.4T超高分辨率脑MRI分割的深度学习模型GA-MS-UNet++ | 首次针对9.4T脑MRI设计的分割模型，集成多尺度残差块、门控跳跃连接和空间通道注意力机制 | 标注数据有限 | 开发适用于9.4T超高分辨率脑MRI的自动分割方法 | 脑部MRI图像 | 医学图像分析 | 神经系统疾病 | MRI | CNN | 医学图像 | 12名患者的UltraCortex 9.4T数据集 | NA | U-Net, Multi-Scale Residual Nested U-Net with Gated Attention | Dice系数, 准确率, 精确率, 召回率 | NA |
| 408 | 2025-10-30 |
Deep Ensemble Learning and Explainable AI for Multi-Class Classification of Earthstar Fungal Species
2025-Sep-23, Biology
DOI:10.3390/biology14101313
PMID:41154716
|
研究论文 | 本研究利用深度学习和可解释人工智能技术对八种形态相似的地星真菌物种进行多类别图像分类 | 首次在文献中同时评估八种形态相似的地星真菌物种，并设计了两种混合集成模型（EfficientNet-B3 + DeiT 和 DenseNet121 + MaxViT-S） | 数据集仅包含实验室环境样本，未来需要扩展到不同生态区域的样本并在野外条件下测试 | 开发高精度且可解释的真菌物种分类方法 | 八种形态相似的宏观地星真菌物种 | 计算机视觉 | NA | 深度学习，可解释人工智能 | CNN, Transformer | 图像 | 使用独立测试集（占数据10%）进行评估 | NA | EfficientNetV2-M, DenseNet121, MaxViT-S, DeiT, RegNetY-8GF, MobileNetV3, EfficientNet-B3, MnasNet | 准确率, 精确率, 召回率, F1分数, 特异性, 对数损失, MCC | NA |
| 409 | 2025-10-30 |
Evaluation of UNeXt for Automatic Bone Surface Segmentation on Ultrasound Imaging in Image-Guided Pediatric Surgery
2025-Sep-23, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101008
PMID:41155007
|
研究论文 | 本研究开发了一种用于儿科手术中超声图像自动骨表面分割的深度学习模型 | 针对10岁以下儿童骨骼特征不明显的特殊需求，开发了专门适用于儿科患者的骨表面分割模型 | 样本量相对较小（仅16名患者），需要在更大规模数据集中验证模型性能 | 开发适用于图像引导儿科手术的自动骨表面分割方法 | 儿科患者的四肢、骨盆和胸部骨骼 | 医学图像分析 | 儿科疾病 | 超声成像 | 深度学习 | 超声图像 | 16名儿科患者的4309张超声图像 | NA | UNeXt | 平均中心线Dice分数, 平均表面距离 | NA |
| 410 | 2025-10-30 |
An Automated Diagnosis of Myopia from an Optic Disc Image Using YOLOv11: A Feasible Approach for Non-Expert ECPs in Computer Vision
2025-Sep-23, Life (Basel, Switzerland)
DOI:10.3390/life15101495
PMID:41157168
|
研究论文 | 提出一种基于YOLO架构的自动化方法，通过分析眼底图像中的视盘区域来检测近视 | 首次将YOLOv8和YOLOv11应用于近视自动诊断，设计可供非计算机专业眼科医生使用的轻量级AI筛查工具 | 使用单中心数据集，样本量相对有限（730张增强图像），需要更多外部验证 | 开发一种无需专业技术知识的自动化近视诊断方法 | 眼底图像中的视盘区域 | 计算机视觉 | 近视 | 眼底成像 | YOLO | 图像 | 730张增强训练图像，98张内部验证图像，50张独立测试图像 | YOLO | YOLOv8, YOLOv11-nano | 准确率, 敏感度, F1分数, AUC | NA |
| 411 | 2025-10-30 |
MedImg: An Integrated Database for Public Medical Images
2025-Sep-22, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzaf068
PMID:40833036
|
研究论文 | 构建了一个集成公共医学图像的综合数据库MedImg，包含105个数据集和近200万张图像 | 整合了来自多个公共来源的多样化医学图像数据集，构建了系统化的在线数据库平台 | 仅包含公开可用的数据集，可能无法覆盖所有医学图像类型和临床应用场景 | 解决医学图像分析中大规模、特征化数据集缺乏的问题，促进深度学习算法的验证和推广 | 医学图像数据集 | 医学图像分析 | 多疾病类型 | 医学影像采集技术 | NA | 医学图像 | 105个数据集，共1,995,671张图像 | NA | NA | NA | NA |
| 412 | 2025-09-15 |
A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images
2025-Sep-11, Journal of the American Academy of Dermatology
IF:12.8Q1
DOI:10.1016/j.jaad.2025.09.010
PMID:40945744
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 413 | 2025-10-30 |
Artificial Intelligence in Fracture Diagnosis on Radiographs: Evidence, Pitfalls, and Pathways for Clinical Integration (2020-2025)
2025-Sep, Cureus
DOI:10.7759/cureus.93124
PMID:41141172
|
综述 | 本文对2020-2025年间人工智能在X光片骨折诊断中的应用证据、局限性和临床整合路径进行叙事性综合评述 | 系统梳理了近五年AI骨折诊断的研究进展，重点关注临床部署实践和监管审批现状 | 存在数据集偏差、泛化能力有限、可解释性不足和患者中心结局不确定等挑战 | 评估AI在骨折诊断中的诊断性能、临床效用和整合路径 | X光片和其他影像模态中的骨折检测 | 医学影像分析 | 骨折 | 深度学习 | 深度学习系统 | X光影像 | 基于多项系统评价和荟萃分析的综合样本 | NA | NA | 灵敏度, 特异性 | NA |
| 414 | 2025-10-30 |
[Exploration and application of attention mechanism in survival analysis of competitive events in oral cancer]
2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41157971
|
研究论文 | 本研究基于注意力机制构建了OSAA模型用于口腔癌竞争事件生存分析，并探索其在口腔癌辅助诊疗中的应用价值 | 首次将注意力机制应用于口腔癌竞争事件的生存分析，开发了OSAA模型 | NA | 开发基于注意力机制的口腔癌竞争事件生存分析模型并评估其性能 | 来自SEER数据库的口腔癌患者数据 | 机器学习 | 口腔癌 | 生存分析 | 深度学习 | 临床数据 | NA | NA | 注意力机制 | C-index, IBS, Kaplan-Meier生存曲线, 时间依赖性ROC曲线 | NA |
| 415 | 2025-10-30 |
[Preliminary study of alveolar socket measurement on CBCT based on SAM]
2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41157983
|
研究论文 | 本研究开发了一种基于SAM的深度学习自动测量工具，用于CBCT影像中牙槽窝尺寸的测量 | 首次将Segment Anything Model(SAM)应用于CBCT影像的牙槽窝自动测量，开发了交互式分割测量工具 | 样本量较小（29名患者），仅评估了特定牙位（5-5位置）的测量准确性 | 评估基于深度学习的CBCT自动测量工具的准确性，并与手动测量进行比较验证 | 成人患者的CBCT影像和牙槽窝横断面 | 计算机视觉 | 口腔疾病 | CBCT成像 | SAM | 医学影像 | 29名成年患者（11男，18女），427个牙槽窝横断面 | NA | Segment Anything Model | 决定系数(R2), 测量误差, Pearson相关系数 | NA |
| 416 | 2025-10-30 |
A ViTUNeT-based model using YOLOv8 for efficient LVNC diagnosis and automatic cleaning of dataset
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0048
PMID:40460443
|
研究论文 | 提出结合ViTUNeT和YOLOv8的模型，用于左心室致密化不全诊断和数据集自动清洗 | 提出ViTUNeT架构（结合U-Net和Vision Transformers），并集成YOLOv8模型进行感兴趣区域检测和数据集自动清洗 | 数据集质量限制了模型精度的进一步提升 | 改进左心室致密化不全的诊断准确性和心脏图像分析 | 左心室致密化不全患者、Titin心肌病患者和健康个体的心脏MRI图像 | 计算机视觉 | 心血管疾病 | MRI | U-Net, Vision Transformer, YOLO | 医学图像 | 包含新患者和健康个体的扩展数据集 | NA | ViTUNeT, YOLOv8, U-Net | NA | NA |
| 417 | 2025-10-30 |
Radiomics of PET Using Neural Networks for Prediction of Alzheimer's Disease Diagnosis
2025-Jun, Statistics in medicine
IF:1.8Q1
DOI:10.1002/sim.70128
PMID:40468810
|
研究论文 | 本研究开发了基于图神经网络和Transformer编码器的深度学习模型，利用纵向PET图像和认知评分预测阿尔茨海默病的诊断和转化 | 首次将图神经网络和Transformer编码器应用于纵向PET图像序列分析，同时考虑了访间时间变异性 | 数据来源于单一研究ADNI，未在外部数据集验证 | 利用纵向PET图像和认知评分预测阿尔茨海默病的诊断和从认知正常或轻度认知障碍向AD的转化 | 阿尔茨海默病神经影像计划(ADNI)研究收集的数据 | 医学影像分析 | 阿尔茨海默病 | 正电子发射断层扫描(PET) | GNN, Transformer, RNN, FFN | 医学图像(PET图像), 认知评分 | ADNI研究数据集 | NA | 图神经网络, Transformer编码器, 循环神经网络, 前馈神经网络 | 准确率, AUC, Brier分数 | NA |
| 418 | 2025-10-30 |
Automated mitosis detection in stained histopathological images using Faster R-CNN and stain techniques
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0049
PMID:40491077
|
研究论文 | 本研究使用Faster R-CNN和染色技术实现染色组织病理图像中的自动有丝分裂检测 | 提出基于Faster R-CNN的两阶段目标检测模型，并应用染色增强和标准化技术解决组织病理图像分析中的域偏移挑战 | 未明确说明样本量的具体数值和计算资源细节 | 开发自动有丝分裂检测方法以辅助癌症诊断和治疗 | 染色组织病理图像中的有丝分裂细胞 | 数字病理 | 癌症 | 染色增强, 染色标准化 | Faster R-CNN, RetinaNet | 图像 | MIDOG++数据集 | PyTorch, fastai | Faster R-CNN, RetinaNet | F1分数 | NA |
| 419 | 2025-10-30 |
Integrating AI and genomics: predictive CNN models for schizophrenia phenotypes
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0057
PMID:40525405
|
研究论文 | 本研究利用深度学习分析遗传数据，预测与精神分裂症相关的表型特征 | 首次将卷积神经网络应用于大规模外显子组测序数据，识别精神分裂症的遗传模式 | 仅基于瑞典人群数据，遗传特征尚未完全解析 | 探索深度学习在揭示基因型-表型关系中的潜力，支持精神疾病的精准医疗 | 精神分裂症患者与对照组的遗传数据 | 机器学习 | 精神分裂症 | 外显子组测序 | CNN | 遗传数据 | 大规模病例对照样本（瑞典人群） | NA | 卷积神经网络 | 准确率 | NA |
| 420 | 2025-10-30 |
Leveraging transformers for semi-supervised pathogenicity prediction with soft labels
2025-Jun-01, Journal of integrative bioinformatics
IF:1.5Q3
DOI:10.1515/jib-2024-0047
PMID:40538169
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型，用于预测遗传变异的致病性 | 采用半监督学习方法处理包含明确标记和模糊标记的遗传变异数据，并利用Feature Tokenizer Transformer架构处理数值和分类基因组信息 | 模型对明确标记变异的预测准确性较高，但对不确定性数据的预测效果仍需改进 | 开发遗传变异致病性预测模型以推进个性化医疗 | 来自NGS输出的遗传变异数据，包括明确标记和模糊标记的变异 | 机器学习 | NA | NGS | Transformer | 基因组数据 | NA | NA | Feature Tokenizer Transformer | 准确率 | NA |