深度学习在生物医药领域中的应用
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，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10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 25256 篇文献，本页显示第 4281 - 4300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4281 | 2025-04-27 |
Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modelling
2021-Aug, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-021-00357-4
PMID:40271424
|
研究论文 | 本文提出了一种结合深度学习与药代动力学/药效动力学（PK/PD）的新型神经-PK/PD框架，用于预测患者对治疗的反应时间过程 | 将药理学关键原理与神经常微分方程结合，直接从纵向患者数据中学习控制微分方程，实现了对未测试给药方案的患者反应模拟 | 需要大量患者数据进行训练，且模型性能依赖于数据质量 | 开发自动化预测患者反应时间过程的方法，减少对人工建模经验的依赖 | 患者对治疗的反应时间过程 | 机器学习 | NA | 神经常微分方程 | 神经-PK/PD模型 | 纵向患者数据 | 超过600名患者的临床数据集 |
| 4282 | 2025-04-27 |
A comprehensive review of deep learning-based single image super-resolution
2021, PeerJ. Computer science
DOI:10.7717/peerj-cs.621
PMID:34322592
|
综述 | 本文全面回顾了基于深度学习的单图像超分辨率技术的最新进展 | 提供了深度学习视角下的单图像超分辨率技术详细综述，并介绍了初始的经典方法 | 未涉及具体实验验证，仅为基础理论和方法回顾 | 总结和分类图像超分辨率技术，并探讨未来研究方向和开放性问题 | 图像超分辨率技术及其应用 | 计算机视觉 | NA | 深度学习 | EDSR, CinCGAN, MSRN, Meta-RDN, RBPN, SAN, SRFBN, WRAN | 图像 | NA |
| 4283 | 2025-04-26 |
Machine learning explainability for survival outcome in head and neck squamous cell carcinoma
2025-Jul, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105873
PMID:40121767
|
研究论文 | 本研究结合临床病理参数、治疗相关因素和社会人口学因素，构建机器学习模型预测头颈部鳞状细胞癌患者的总体生存率，并探讨这些输入参数的互补预后潜力 | 使用TabNet和XGBoost等先进算法预测生存率，并利用LIME和SHAP技术提供模型解释性 | 需要多机构数据集验证模型，并在临床试验中测试以确保临床安全性 | 构建预测头颈部鳞状细胞癌患者总体生存率的机器学习模型，并评估输入参数的预后潜力 | 头颈部鳞状细胞癌患者 | 机器学习 | 头颈部鳞状细胞癌 | TabNet, XGBoost, LIME, SHAP | TabNet, XGBoost, 投票集成 | 临床数据 | 419名来自瑞典三家大学医院的患者 |
| 4284 | 2025-04-26 |
Deep learning-assisted cellular imaging for evaluating acrylamide toxicity through phenotypic changes
2025-Jun, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association
IF:3.9Q1
DOI:10.1016/j.fct.2025.115401
PMID:40118138
|
研究论文 | 本研究开发了一种结合深度学习模型（U-Net和ResNet34）与细胞荧光成像的新方法，用于评估丙烯酰胺（AA）毒性引起的细胞表型变化 | 通过深度学习模型（U-Net和ResNet34）结合细胞荧光成像，实现了对丙烯酰胺毒性的高通量、准确评估，并建立了细胞表型与毒性之间的直接联系 | 未提及样本量的具体信息，且验证准确率为80%，仍有提升空间 | 评估丙烯酰胺（AA）毒性及其对细胞表型的影响 | 丙烯酰胺（AA）暴露下的细胞 | 数字病理学 | NA | 细胞荧光成像 | U-Net和ResNet34 | 图像 | NA |
| 4285 | 2025-04-26 |
Future prospects of deep learning in esophageal cancer diagnosis and clinical decision support (Review)
2025-Jun, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15039
PMID:40271007
|
review | 本文综述了深度学习在食管癌诊断和临床决策支持中的应用前景 | 深度学习在提高早期食管癌病变检测、区分良恶性病变以及辅助癌症分期和预后方面显示出巨大潜力 | 面临图像质量差异、数据标注不足和泛化能力有限等挑战 | 探讨深度学习在食管癌诊断和临床决策支持中的应用 | 食管癌（EC）及其癌前病变（如Barrett食管） | digital pathology | esophageal cancer | endoscopic examination, pathological analysis, computed tomography | deep learning (DL) | medical images | NA |
| 4286 | 2025-04-26 |
A comprehensive Malabar Spinach dataset for diseases classification
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111532
PMID:40275977
|
研究论文 | 本研究致力于开发针对马拉巴尔菠菜病害的机器视觉算法，以提高病害检测的准确性 | 开发了专门针对马拉巴尔菠菜病害的机器视觉算法，并构建了一个包含健康和患病植株图像的全面数据集 | 研究仅限于马拉巴尔菠菜的特定病害，可能不适用于其他作物 | 提高马拉巴尔菠菜病害的检测准确性，以支持精准农业和有效的作物管理 | 马拉巴尔菠菜的病害检测 | 计算机视觉 | 植物病害 | 机器视觉 | ResNet50 | 图像 | 包含健康和患病马拉巴尔菠菜植株图像的全面数据集 |
| 4287 | 2025-04-26 |
Development of an artificial intelligence-generated, explainable treatment recommendation system for urothelial carcinoma and renal cell carcinoma to support multidisciplinary cancer conferences
2025-May-02, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2025.115367
PMID:40107091
|
研究论文 | 开发了一种基于人工智能的可解释治疗推荐系统，用于支持多学科癌症会议中尿路上皮癌和肾细胞癌的治疗决策 | 首次展示了AI生成的可解释治疗推荐，并在尿路上皮癌和肾细胞癌中表现出色，为临床肿瘤学中的多学科癌症会议提供了高质量、基于证据的治疗支持工具 | 需要前瞻性验证结果 | 开发一种AI系统，为尿路上皮癌和肾细胞癌生成额外的治疗推荐，以支持多学科癌症会议中的决策 | 尿路上皮癌和肾细胞癌患者 | 数字病理 | 尿路上皮癌, 肾细胞癌 | 机器学习（CatBoost, XGBoost, Random Forest）和深度学习（TabPFN, TabNet, SoftOrdering CNN, FCN） | 多种模型包括CatBoost, XGBoost, Random Forest, TabPFN, TabNet, SoftOrdering CNN, FCN | 临床数据 | 1617例尿路上皮癌和880例肾细胞癌的多学科癌症会议推荐 |
| 4288 | 2024-08-07 |
Enhancing multimodal deep learning for improved precision and efficiency in medical diagnostics
2025-May, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20166
PMID:38808949
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4289 | 2024-09-23 |
Response to 'Enhancing multimodal deep learning for improved precision and efficiency in medical diagnostics'
2025-May, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20347
PMID:39305063
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4290 | 2025-04-26 |
Deep learning radiomic nomogram outperforms the clinical model in distinguishing intracranial solitary fibrous tumors from angiomatous meningiomas and can predict patient prognosis
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11082-y
PMID:39412667
|
研究论文 | 本文提出了一种基于MRI的深度学习放射组学列线图（DLRN），用于区分颅内孤立性纤维瘤（ISFTs）和血管瘤性脑膜瘤（AMs），并预测ISFT患者的总生存期（OS） | DLRN在区分ISFTs和AMs方面优于临床模型（CM），并能预测ISFT患者的OS | 研究样本主要来自两家医院，可能存在一定的选择偏差 | 评估基于MRI的DLRN在区分ISFTs和AMs及预测ISFT患者OS中的价值 | 颅内孤立性纤维瘤（ISFTs）和血管瘤性脑膜瘤（AMs）患者 | 数字病理学 | 脑肿瘤 | MRI | 深度学习放射组学列线图（DLRN） | 医学影像 | 1090名患者（主要队列）和131名患者（外部验证队列） |
| 4291 | 2025-04-26 |
Significance of Image Reconstruction Parameters for Future Lung Cancer Risk Prediction Using Low-Dose Chest Computed Tomography and the Open-Access Sybil Algorithm
2025-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001131
PMID:39437009
|
研究论文 | 本研究探讨了图像重建参数和CT扫描仪制造商对Sybil算法在低剂量胸部CT扫描中预测肺癌风险性能的影响 | 首次系统评估了不同图像重建参数和CT扫描仪制造商对Sybil算法性能的影响，并发现结合有利的重建参数可以显著提高2-4年预测能力 | 研究仅基于美国国家肺癌筛查试验的参与者数据，可能无法推广到其他人群 | 评估Sybil算法在不同图像重建参数和CT扫描仪条件下的性能稳定性 | 低剂量胸部CT扫描图像 | 数字病理学 | 肺癌 | 低剂量CT扫描 | 深度学习算法(Sybil) | 医学影像 | 1049对标准与骨重建滤波器图像，1961对标准与肺重建滤波器图像，1288对2mm与5mm轴向切片厚度图像 |
| 4292 | 2025-04-26 |
Unbiased and reproducible liver MRI-PDFF estimation using a scan protocol-informed deep learning method
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11164-x
PMID:39500799
|
research paper | 该研究提出了一种基于深度学习的VET-Net方法，用于从化学位移编码MR图像中精确且稳健地估计质子密度脂肪分数（PDFF） | VET-Net通过整合回波时间（TEs）作为辅助输入，能够在任何TE设置下计算PDFF，提高了方法的适应性和精确性 | 研究仅使用了单中心肝脏CSE-MRI数据集，可能限制了结果的广泛适用性 | 开发一种精确且对不同MR扫描仪和采集回波时间（TEs）稳健的PDFF估计方法 | 肝脏CSE-MR图像和脂肪-水幻影数据集 | 医学影像分析 | 肝脂肪变性 | 化学位移编码MR成像（CSE-MRI） | 深度学习（DL） | 图像 | 188名受试者的4146个轴向切片，以及一个开源的多中心多厂商脂肪-水幻影数据集 |
| 4293 | 2025-04-26 |
Using interpretable deep learning radiomics model to diagnose and predict progression of early AD disease spectrum: a preliminary [18F]FDG PET study
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11158-9
PMID:39477837
|
研究论文 | 本研究提出了一种基于[18F]FDG PET图像的可解释深度学习放射组学（IDLR）模型，用于诊断阿尔茨海默病（AD）的临床谱并预测从轻度认知障碍（MCI）到AD的进展 | 提出的IDLR模型结合了放射组学和深度学习的特征，提高了传统深度学习模型的解释性并提升了分类准确性 | 研究为初步结果，需要进一步验证 | 诊断AD的临床谱并预测MCI到AD的进展 | 1962名来自不同种族的受试者（包括ADNI的高加索人群和中国两家医院的亚洲人群） | 数字病理学 | 阿尔茨海默病 | [18F]FDG PET成像 | IDLR（可解释深度学习放射组学模型） | 图像 | 1962名受试者 |
| 4294 | 2025-04-26 |
Envelope spectrum knowledge-guided domain invariant representation learning strategy for intelligent fault diagnosis of bearing
2025-May, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2025.03.004
PMID:40102111
|
research paper | 该研究提出了一种基于包络谱知识引导的领域不变表示学习策略（DIRLs），用于轴承在不同工况下的智能故障诊断 | 通过包络谱知识蒸馏捕获傅里叶特征作为领域不变特征，并设计了一种创新的损失函数以最大化健康状态表示的二范式度量，丰富了表示的多样性 | 未明确提及具体局限性，但可能依赖于特定数据集的有效性 | 开发一种能够在不同工况下进行轴承故障诊断的智能方法 | 轴承故障诊断 | machine learning | NA | envelope spectrum knowledge distillation | domain-invariant representation learning strategy (DIRLs) | signal data | Paderborn-bearing数据集和私有轴承数据集 |
| 4295 | 2025-04-03 |
Closing the gap: commercialized deep learning solutions for knee MRI are already transforming clinical practice
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11550-z
PMID:40172638
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4296 | 2025-04-03 |
Reply to the Letter to the Editor: MRI deep learning models for assisted diagnosis of knee pathologies: a systematic review
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11552-x
PMID:40172639
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4297 | 2025-04-26 |
Predicting post-hepatectomy liver failure in patients with hepatocellular carcinoma: nomograms based on deep learning analysis of gadoxetic acid-enhanced MRI
2025-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-11173-w
PMID:39528755
|
研究论文 | 本研究旨在开发基于深度学习的钆塞酸增强MRI分析的列线图，用于预测肝细胞癌患者肝切除术后肝功能衰竭 | 利用深度学习算法测量钆塞酸增强肝胆期MRI中非肿瘤肝脏、预期残余肝脏和脾脏的体积及信号强度，构建预测模型并开发在线计算器 | 回顾性研究设计，样本仅来自两个转诊中心 | 预测肝细胞癌患者肝切除术后肝功能衰竭风险 | 接受钆塞酸增强MRI和肝切除术的肝细胞癌患者 | 数字病理学 | 肝细胞癌 | 钆塞酸增强MRI | 深度学习算法 | 医学影像 | 1760名患者（1395名男性，平均年龄60±10岁） |
| 4298 | 2025-04-26 |
Automatic prediction of stroke treatment outcomes: latest advances and perspectives
2025-May, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-025-00462-y
PMID:40271393
|
综述 | 本文综述了深度学习在预测中风治疗结果中的最新进展和应用 | 利用多模态信息（包括最终梗死数据）来更好地预测长期功能结果 | 医学图像分析领域内常见的数据标准化挑战 | 预测中风干预的结果以促进临床决策和改善患者护理 | 中风患者 | 数字病理学 | 心血管疾病 | 深度学习 | NA | 脑部扫描、医疗报告、EEG、ECG、EMG等传感器信息 | NA |
| 4299 | 2025-04-26 |
A multimodal deep learning-based algorithm for specific fetal heart rate events detection
2025-Apr-28, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2024-0334
PMID:39484683
|
研究论文 | 开发了一种基于多模态深度学习的算法，用于检测特定的胎儿心率事件，以增强胎儿健康的自动监测和智能评估 | 结合多种特征提取技术和深度学习算法，提出了一种多模型深度神经网络和预融合深度学习模型，用于准确分类来自胎心宫缩图信号的多模态参数 | 在分类四种不同的减速模式时，准确率为67.0%，其中晚期减速的准确率为80.9%，延长减速的准确率为98.9% | 开发一种算法，用于检测特定的胎儿心率事件，以增强胎儿健康的自动监测和智能评估 | 胎儿心率（FHR）和子宫收缩信号 | 机器学习 | 胎儿健康监测 | 深度学习 | 多模型深度神经网络和预融合深度学习模型 | 信号数据 | 基于专家标记的数据 |
| 4300 | 2025-04-26 |
FusionXNet: enhancing EEG-based seizure prediction with integrated convolutional and Transformer architectures
2025-Apr-25, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/adce33
PMID:40245880
|
研究论文 | 提出了一种结合CNN和Transformer的混合模型FusionXNet，用于提升基于EEG的癫痫发作预测性能 | 设计了令牌合成单元，结合CNN的局部特征提取和Transformer的全局注意力机制，提升了EEG信号的特征表示能力 | 模型仅在公开数据集上进行了验证，未说明在其他数据集上的泛化能力 | 开发一种混合模型以提高癫痫发作预测的准确性和可靠性 | 癫痫患者的EEG信号 | 机器学习 | 癫痫 | EEG信号分析 | CNN与Transformer混合模型 | EEG信号数据 | 波士顿儿童医院和麻省理工学院的公开数据集 |