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 42805 篇文献，本页显示第 4421 - 4440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4421 | 2026-02-12 |
Variational inference of single cell time series
2025-Sep-09, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.29.610389
PMID:39257806
|
研究论文 | 本文介绍了一种名为SNOW的深度学习算法，用于解卷积单细胞时间序列数据，分离时间依赖和独立成分 | 提出SNOW算法，能够构建有生物学意义的潜在空间、去除批次效应并生成逼真的单细胞时间序列 | NA | 分析时间过程单细胞RNA测序数据，解决时间与细胞类型贡献解卷积、区分真实动态与批次效应等挑战 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 深度学习 | 基因表达数据 | NA | NA | NA | NA | NA |
| 4422 | 2026-02-12 |
Deep learning-based super-resolution method for projection image compression in radiotherapy
2025-Sep-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2024-2962
PMID:40893517
|
研究论文 | 本文研究了一种基于深度学习的超分辨率方法，用于压缩放疗中的投影图像，以经济地存储大规模图像数据 | 结合超分辨率深度学习网络与视频编解码算法，对放疗投影图像进行压缩，在提高压缩比的同时保持图像质量 | 未明确提及方法在临床实际应用中的验证或与其他先进压缩方法的直接比较 | 开发一种经济有效的投影图像压缩方法，用于放疗中的图像存储 | 锥形束计算机断层扫描（CBCT）的投影图像 | 计算机视觉 | 癌症 | 锥形束计算机断层扫描（CBCT）成像 | CNN, ResNet, GAN | 图像 | 基于自然图像和投影图像的两个数据库 | NA | 卷积神经网络, 残差网络, 生成对抗网络 | 压缩比（CR）, 峰值信噪比（PSNR）, 视频质量度量（VQM）, 结构相似性指数（SSIM） | NA |
| 4423 | 2026-02-12 |
Learning Genetic Perturbation Effects with Variational Causal Inference
2025-Jun-05, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.05.657988
PMID:40501829
|
研究论文 | 本文提出了一种结合机制因果模型与变分深度学习的混合方法SCCVAE，用于预测单细胞水平上未见遗传扰动的转录组响应 | 提出SCCVAE模型，将机制因果模型与变分自编码器结合，实现从观测扰动到未见扰动的有效外推，并支持功能扰动模块识别和单基因敲除实验模拟 | 未明确讨论模型在更复杂或异质性细胞类型中的泛化能力，以及计算资源需求 | 开发一种能准确预测单细胞水平上遗传扰动效应的计算模型，以应用于功能基因组学和治疗靶点识别 | 单细胞转录组数据，特别是Perturb-seq技术生成的遗传扰动响应数据 | 机器学习 | NA | Perturb-seq，单细胞转录组测序 | 变分自编码器（VAE），因果模型 | 单细胞转录组数据 | NA | NA | SCCVAE（单细胞因果变分自编码器） | NA | NA |
| 4424 | 2026-02-12 |
Artificial Intelligence in Outpatient Primary Care: A Scoping Review on Applications, Challenges, and Future Directions
2025-May-13, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.12.25327223
PMID:40463551
|
综述 | 本文是一篇范围综述，探讨了人工智能在门诊初级保健中的应用、挑战和未来方向 | 系统性地梳理了2019年至2024年间人工智能在非紧急门诊初级保健中的功能、试验或整合情况，并指出了当前实施与研究的差距 | 研究主要基于文献综述，缺乏对实际临床环境中AI整合障碍的深入分析，且纳入的研究中临床试验数量有限 | 探索人工智能在门诊初级保健中的应用范围、实施现状及未来发展方向 | 2019年1月1日至2024年11月22日期间发表的关于人工智能与初级保健相关的研究 | 机器学习 | NA | 机器学习，深度学习，Transformer | NA | NA | 筛选了3203篇文献，最终纳入61篇符合条件的研究 | NA | NA | NA | NA |
| 4425 | 2026-02-12 |
VISTA Uncovers Missing Gene Expression and Spatial-induced Information for Spatial Transcriptomic Data Analysis
2025-Mar-18, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.26.609718
PMID:40166134
|
研究论文 | 本文介绍了一种名为VISTA的新方法，用于预测空间转录组学数据中未观测基因的表达水平 | VISTA通过变分推断和几何深度学习联合建模单细胞RNA-seq和空间转录组学数据，并整合不确定性量化，以解决空间转录组技术基因覆盖有限的挑战 | 未在摘要中明确提及 | 增强对空间诱导细胞状态和特征的理解，通过预测未观测基因表达来扩展空间转录组数据的分析能力 | 空间转录组学数据，特别是亚细胞空间转录组学技术生成的数据 | 空间转录组学 | NA | 单细胞RNA-seq, 空间转录组学 | 几何深度学习 | 基因表达数据, 空间数据 | 四个空间转录组学数据集 | NA | NA | 时间效率, 内存消耗 | NA |
| 4426 | 2026-02-12 |
Clinical Features and Physiological Signals Fusion Network for Mechanical Circulatory Support Need Prediction in Pediatric Cardiac Intensive Care Unit
2025-02, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3510217
PMID:40030552
|
研究论文 | 本研究通过融合临床特征和生理信号，利用机器学习/深度学习集成方法预测儿科心脏重症监护室中机械循环支持的需求 | 首次将血流动力学对正性肌力药物的反应与机械循环支持结果关联，并处理分钟级多传感器数据以早期识别高风险患者，不同于以往仅处理单一特征类型或短期诊断的研究 | 研究基于单一四级医院的儿科心脏重症监护室数据，临床决策在某些情况下可能不直接适用 | 预测儿科心脏重症监护室中急性失代偿性心力衰竭患者对机械循环支持的需求 | 儿科心脏重症监护室中因急性失代偿性心力衰竭入院的患者 | 机器学习 | 心血管疾病 | 血流动力学监测、心电图和动脉血压信号分析 | 机器学习/深度学习集成方法 | 表格临床特征、时间序列、原始波形 | NA | NA | NA | AUC | NA |
| 4427 | 2026-02-12 |
Scaling Synthetic Brain Data Generation
2025-02, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3520156
PMID:40030742
|
研究论文 | 本文介绍了Wirehead，一种可扩展的内存数据管道，旨在显著提升神经影像学中深度学习任务的实时合成数据生成性能 | 通过将数据生成与训练解耦，并利用多个独立并行进程运行生成器，实现了接近线性的性能提升，同时使用MongoDB高效处理TB级数据，大幅降低了存储成本 | 揭示了在优化生成与训练平衡以及资源分配方面存在未来研究机会 | 解决神经影像学研究中深度学习应用因数据稀缺而面临的挑战，通过提升合成数据生成效率来加速实验周期 | 合成脑影像数据生成工具SynthSeg及其在深度学习模型训练中的应用 | 神经影像学 | NA | 合成数据生成 | 深度学习模型 | 图像 | NA | NA | NA | 吞吐量提升倍数 | 并行生成器（16至20个） |
| 4428 | 2026-02-12 |
Deep learning for atrial electrogram estimation: toward non-invasive arrhythmia mapping using variational autoencoders
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1720244
PMID:41602444
|
研究论文 | 本文提出了一种基于变分自编码器的深度学习架构，用于从体表电位测量中非侵入性地重建心房内电信号图 | 采用双分支变分自编码器架构，通过共享潜在表征同时优化体表电位自重建和心内电信号预测，相比传统反问题方法（如Tikhonov正则化）在波形形态和频谱内容上更忠实 | 研究基于计算模型生成的合成数据集（680对体表电位-心内电信号对），尚未在真实临床数据上进行验证；对罕见心律失常类别的性能可能有限 | 开发非侵入性方法，从体表电位测量中估计心内电信号，以减少对侵入性标测的依赖，实现更安全、个性化的房性心律失常表征 | 心房心律失常，包括窦性心律、心房颤动、异位活动和纤维化基质 | 机器学习 | 心血管疾病 | 计算模型模拟，体表电位测量 | VAE | 电生理信号数据 | 680对体表电位-心内电信号数据对，由双心房计算模型生成，模拟多种心律 | NA | 变分自编码器 | 相关性，峰值检测精度，频谱相干性，空间电压和相位标测 | NA |
| 4429 | 2026-02-12 |
Deep learning approaches for EEG-based healthcare applications: a comprehensive review
2025, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2025.1689073
PMID:41657359
|
综述 | 本文全面综述了深度学习在基于脑电图（EEG）的医疗健康应用中的最新进展、关键挑战及未来方向 | 系统性地总结了深度学习（包括CNN、RNN、LSTM、Transformer及混合架构）与EEG在医疗应用中的融合，并批判性地分析了该领域面临的核心挑战与新兴趋势 | 作为一篇综述文章，本文未提出新的模型或实验，主要基于现有文献进行归纳与分析 | 旨在为基于EEG的医疗健康应用提供深度学习方法的全面概览，并推动该领域的未来研究 | 基于EEG信号的医疗健康应用，包括神经系统疾病诊断、脑功能恢复、心理健康状况评估及脑机接口（BCI） | 机器学习 | 神经系统疾病 | 脑电图（EEG） | CNN, RNN, LSTM, Transformer | EEG信号 | NA | NA | NA | NA | NA |
| 4430 | 2026-02-12 |
Evaluating deep learning-based image segmentation for radiotherapy planning in pelvic and abdominal cancers
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1632370
PMID:41657567
|
研究论文 | 本文提出了一种用于盆腔和腹部癌症放疗计划的注意力增强域自适应分割框架 | 引入了上下文感知注意力机制和微调适应模块，以提高在异质数据上的分割准确性并保持计算效率 | 模型可能难以在多中心数据集上泛化，且高计算需求和缺乏可解释性可能阻碍临床整合 | 评估基于深度学习的图像分割在盆腔和腹部癌症放疗计划中的应用 | 盆腔和腹部恶性肿瘤的肿瘤及周围风险器官 | 计算机视觉 | 盆腔和腹部癌症 | 图像分割 | 深度学习 | 图像 | NA | NA | U-Net | NA | NA |
| 4431 | 2026-02-12 |
CerevianNet: parameter efficient multi-class brain tumor classification using custom lightweight CNN
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1664673
PMID:41657565
|
研究论文 | 本研究提出了一种名为CerevianNet的轻量级自定义CNN模型，用于多类别脑肿瘤分类，旨在实现高精度且计算效率高的诊断 | 开发了一种新型轻量级自定义CNN模型，在保持高分类精度的同时显著减少了参数数量和计算复杂度，适用于小型设备部署 | 模型在数据量小或不平衡的数据集上表现不佳，且存在因标记数据有限而导致的过拟合风险，以及需要大量超参数调优以泛化到不同数据集 | 开发一个可扩展的多类别脑肿瘤分类框架，优化用于小型设备，以支持快速、准确且可扩展的计算机辅助诊断 | 脑肿瘤的医学图像数据 | 计算机视觉 | 脑肿瘤 | 深度学习 | CNN | 图像 | 使用了五个不同的数据集进行训练和测试，具体样本数量未明确说明 | NA | 自定义轻量级CNN, EfficientNetb3, ResNet-101, ResNet-50, Xception, AlexNet, DenseNet121, Swin Transformer | 准确率 | NA |
| 4432 | 2026-02-12 |
PalmNeXt: a ConvNeXt-based deep learning model for pest detection in date palm leaves
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1738129
PMID:41658551
|
研究论文 | 本文提出了一种基于ConvNeXt的深度学习模型PalmNeXt，用于椰枣叶害虫检测 | 引入了定制的预处理流程以增强特征质量，并基于ConvNeXt-Tiny构建轻量级框架，在小型多变数据集上实现高性能 | 未明确提及模型在更广泛作物或环境条件下的泛化能力，数据集规模相对有限 | 开发高效、轻量的自动化害虫检测方法，以支持精准农业中的及时作物监测 | 椰枣叶的RGB图像，包含害虫侵染和健康状态 | 计算机视觉 | 植物病虫害 | 图像预处理与深度学习 | CNN | 图像 | 3000张椰枣叶样本图像，涵盖四个类别（Bug, Dubas, Healthy, Honey） | 未明确指定，可能为PyTorch或TensorFlow | ConvNeXt-Tiny | 准确率, 精确率, 召回率, F1分数 | 未明确指定 |
| 4433 | 2026-02-12 |
Automated Deep Learning Based Cardiac Quantification in Hypertrophic Cardiomyopathy: A Comparative Study with Manual Segmentation
2025, Acta medica Lituanica
DOI:10.15388/Amed.2025.32.2.8
PMID:41659139
|
研究论文 | 本研究比较了基于深度学习的全自动心脏分割软件与手动分割在肥厚型心肌病患者心脏参数量化中的性能 | 首次在肥厚型心肌病这一复杂病理中验证全自动深度学习心脏量化软件的性能，并与传统手动分割进行系统比较 | 样本量较小（25例），且未在结构更复杂的病例中进行充分验证 | 评估深度学习算法在肥厚型心肌病患者心脏参数自动量化中的准确性和临床实用性 | 肥厚型心肌病患者的CMR图像 | 数字病理学 | 心血管疾病 | 心脏磁共振成像 | 深度学习 | 医学影像 | 25例成年肥厚型心肌病患者 | NA | NA | 相关系数, Bland-Altman分析 | 3.0 Tesla MRI扫描仪（西门子Vida） |
| 4434 | 2026-02-12 |
HED-Net: a hybrid ensemble deep learning framework for breast ultrasound image classification
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1672488
PMID:41660228
|
研究论文 | 本文提出了一种名为HED-Net的混合集成深度学习框架，用于乳腺癌超声图像分类 | 结合了三种不同的卷积神经网络模型（EffcientNetB7、DenseNet121、ConvNeXtTiny）来提取互补特征，并利用XGBoost作为特征融合分类器，同时采用软投票集成方法，提高了分类性能 | NA | 开发一个用于乳腺癌超声图像分类的深度学习框架，以提高诊断准确性并减少解读时间 | 乳腺癌超声图像 | 计算机视觉 | 乳腺癌 | 超声成像 | CNN | 图像 | 使用了三个数据集：BUSI、BUS-UCLM和UDIAT数据集 | NA | EffcientNetB7, DenseNet121, ConvNeXtTiny | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 4435 | 2026-02-12 |
Automatic Explainable Segmentation of Abdominal Aortic Aneurysm From Computed Tomography Angiography
2025, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2025.3620721
PMID:41660645
|
研究论文 | 本文提出了一种基于深度学习的自动化框架，用于从CT血管造影图像中分割腹主动脉瘤，以支持AAA筛查和分析 | 采用动态路由器将图像区域分配给三个专门的U-Net模型，每个模型处理分割的不同方面，并结合NURBS进行手动细化以提高临床准确性 | 在复杂病例中需要手动使用NURBS进行校正，校正时间每帧为3至20秒，未来需整合多模态成像并优化NURBS以提高准确性和效率 | 开发自动化深度学习框架以支持腹主动脉瘤的筛查和临床决策 | 腹主动脉瘤在CT血管造影图像中的分割 | 计算机视觉 | 心血管疾病 | CT血管造影 | U-Net | 图像 | 训练和验证使用9,080张图像，测试使用1,560张图像，代表22名独特患者 | NA | U-Net | Dice分数, IoU分数, Hausdorff距离 | NA |
| 4436 | 2026-02-12 |
Multimodal Deep Learning Approaches for Early Detection of Alzheimer's Disease: A Comprehensive Systematic Review of Image Processing Techniques
2025, Current Alzheimer research
IF:1.8Q4
|
综述 | 本文全面系统地回顾了用于阿尔茨海默病早期检测的多模态深度学习及图像处理技术 | 聚焦于多模态深度学习在阿尔茨海默病早期诊断中的应用，并整合了可解释人工智能（XAI）的最新进展 | 数据集不足或准备不充分、计算成本高、与临床实践缺乏整合 | 调查多模态深度学习在阿尔茨海默病早期诊断中的最新技术现状 | 阿尔茨海默病 | 计算机视觉 | 阿尔茨海默病 | 结构MRI、功能MRI、淀粉样蛋白PET | CNN, 迁移学习方法, 组合模型 | 图像 | NA | NA | NA | NA | NA |
| 4437 | 2026-02-12 |
Relationship between the volume of ventricles, brain parenchyma and neurocognition in children after hydrocephalus treatment
2024-Dec-14, Child's nervous system : ChNS : official journal of the International Society for Pediatric Neurosurgery
DOI:10.1007/s00381-024-06674-4
PMID:39673623
|
研究论文 | 本研究探讨了脑积水治疗后儿童脑室、脑实质体积与神经认知功能之间的关系，并利用深度学习模型预测脑发育情况 | 结合深度学习框架与统计分析方法，定量评估脑积水术后脑发育与神经认知的关联，超越了传统Evans指数的评估范围 | 样本量较小（52名儿童），年龄范围有限（10岁以下），且未考虑长期随访数据 | 评估脑积水治疗后儿童脑发育与神经认知功能的关系，并探索深度学习在预测术后恢复中的应用 | 52名接受脑积水治疗的10岁以下儿童 | 数字病理学 | 脑积水 | T1加权磁共振成像（T1w MRI），Gesell发育量表评估 | 分类模型 | 图像（MRI），临床评估数据 | 52名儿童 | NA | NA | 准确率 | NA |
| 4438 | 2026-02-12 |
Machine learning for automated classification of lung collagen in a urethane-induced lung injury mouse model
2024-Oct-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.527972
PMID:39421774
|
研究论文 | 本文提出了一种基于机器学习的自动化框架，用于对小鼠肺胶原含量进行评分，以克服传统手动病理评估的主观性和不一致性问题 | 结合了手动提取的胶原统计特征和预训练VGG16模型提取的隐藏特征，并采用多种无监督技术进行图像分析，实现了对肺胶原的自动分类 | 研究基于小鼠模型，结果可能无法直接推广到人类；多标签分类中某些组别的ROC AUC值较低（如0.38），表明模型在某些类别上性能有限 | 开发自动化评分框架以准确评估肺胶原含量，辅助理解肺疾病进展机制 | 成年雌性小鼠的肺组织切片图像，来自氨基甲酸乙酯诱导的肺损伤模型 | 数字病理学 | 肺癌 | 二次谐波生成（SHG）显微镜 | SVM, 深度学习模型 | 图像 | 未明确指定样本数量，但使用了成年雌性小鼠的肺切片图像数据集 | 未明确指定，但提及了预训练VGG16模型及多种机器学习技术 | VGG16 | 准确率, ROC AUC | NA |
| 4439 | 2026-02-12 |
Joint EANM/SNMMI guideline on radiomics in nuclear medicine : Jointly supported by the EANM Physics Committee and the SNMMI Physics, Instrumentation and Data Sciences Council
2023-01, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-022-06001-6
PMID:36326868
|
指南 | 本指南提供了核医学中稳健放射组学分析的最佳实践，涵盖手工特征和基于深度学习的方法 | 作为首个由EANM和SNMMI联合支持的核医学放射组学指南，它整合了当前最佳实践，并特别关注手工特征方法，同时为未来深度学习应用预留了更新空间 | 指南主要基于现有成熟技术，对深度学习方法的应用共识不足，需待更多研究后更新，且虽适用于多模态医学影像，但重点仅限核医学（如PET/CT、PET/MR和定量SPECT） | 制定核医学中放射组学分析的标准和推荐，以促进该领域的规范发展 | 核医学影像数据，包括PET/CT、PET/MR和定量SPECT | 医学影像分析 | NA | 放射组学分析，包括手工特征提取和深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 4440 | 2026-02-11 |
Use of uterine activity to predict preterm birth by artificial intelligence assisted models: a narrative systematic review
2026-Dec, The journal of maternal-fetal & neonatal medicine : the official journal of the European Association of Perinatal Medicine, the Federation of Asia and Oceania Perinatal Societies, the International Society of Perinatal Obstetricians
DOI:10.1080/14767058.2025.2582375
PMID:41663244
|
综述 | 本文通过系统综述评估了人工智能模型利用子宫活动（如子宫肌电图）预测早产的准确性和适用性 | 首次系统性地综述了人工智能模型在利用子宫收缩数据预测早产方面的应用，并比较了不同特征提取方法和分类器的性能 | 研究存在异质性，缺乏外部验证，数据不平衡、样本量小，且大多数研究存在偏倚风险 | 评估人工智能模型利用子宫收缩数据预测早产的准确性和临床适用性 | 利用子宫肌电图或时间序列数据进行早产预测的研究 | 机器学习 | 早产 | 子宫肌电图 | 深度学习, 机器学习, 神经网络 | 时间序列数据 | 53项研究记录 | NA | 神经网络 | 准确率, AUC | NA |