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 39696 篇文献，本页显示第 441 - 460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 441 | 2026-02-06 |
Deep Learning-Based Prediction of Daily COVID-19 Cases Using X (Twitter) Data
2024-08-22, Studies in health technology and informatics
DOI:10.3233/SHTI240824
PMID:39176883
|
研究论文 | 本研究利用X（Twitter）社交媒体数据和深度学习模型预测每日COVID-19病例 | 创新性地结合社交媒体推文数据和深度学习时间序列模型（TSMixer）进行COVID-19病例预测 | NA | 预测每日COVID-19确诊病例，以支持疫情控制 | X（Twitter）社交媒体数据和COVID-19病例数据 | 自然语言处理 | COVID-19 | 自然语言处理（NLP） | 深度学习时间序列模型 | 文本数据（推文）和时间序列数据 | NA | NA | 时间序列混合器（TSMixer） | 均方误差（MSE） | NA |
| 442 | 2026-02-06 |
Deep Learning Models for Health-Driven Forecasting of Indoor Temperatures in Heat Waves in Canada: An Exploratory Study Using Smart Thermostats
2024-08-22, Studies in health technology and informatics
DOI:10.3233/SHTI240826
PMID:39176885
|
研究论文 | 本研究探索了利用智能恒温器数据和深度学习模型预测加拿大热浪期间室内温度，以增强公共卫生应对能力 | 首次将智能恒温器（IoT设备）采集的室内实时数据与深度学习模型结合，用于热浪期间的室内温度预测，为公共卫生预警系统提供新方法 | 研究为探索性研究，模型在更广泛地理区域和建筑类型中的泛化能力尚未验证，且未考虑建筑结构、隔热性能等潜在影响因素 | 评估深度学习模型利用智能恒温器数据预测热浪期间室内温度的效果，以支持公共卫生决策和极端高温应对策略 | 加拿大热浪期间的家庭室内温度数据 | 机器学习 | NA | 智能恒温器（ecobee）传感器数据采集 | 深度学习模型 | 时间序列数据（温度、湿度） | 未明确说明具体样本数量，数据来源于安装ecobee智能恒温器的家庭 | NA | NA | NA | NA |
| 443 | 2026-02-06 |
Data encoding for healthcare data democratization and information leakage prevention
2024-Feb-21, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-45777-z
PMID:38383571
|
研究论文 | 本文探讨了通过不可逆数据编码实现医疗数据民主化并防止信息泄露的方法 | 提出利用随机投影和随机量子编码为密集和纵向或时间序列数据实现理想的编码框架，以在保护隐私的同时保持数据语义 | NA | 开发一种编码框架，以促进医疗数据民主化并防止深度学习模型中的信息泄露 | 医疗数据和临床模型 | 机器学习 | NA | 随机投影，随机量子编码 | 深度学习模型 | 时间序列数据，密集数据，纵向数据 | NA | NA | NA | 信息瓶颈原则 | NA |
| 444 | 2026-02-06 |
Patterns of diverse and changing sentiments towards COVID-19 vaccines: a sentiment analysis study integrating 11 million tweets and surveillance data across over 180 countries
2023-04-19, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocad029
PMID:36821435
|
研究论文 | 本研究通过整合社交媒体推文与公共卫生监测数据，分析了全球范围内对COVID-19疫苗的情感演变模式 | 首次结合超过1100万条推文和180多个国家的监测数据，采用人机协同深度学习模型，揭示疫苗情感与接种行为的关联，并特别关注孕妇亚群体的滞后模式 | 研究依赖推特数据，可能无法全面代表所有人群观点；情感分析模型虽表现良好，但仍可能存在误判 | 探究COVID-19疫苗的公众情感演变及其与疫苗接种行为的关联，为疫苗推广提供策略依据 | 来自全球180多个国家的2,203,681名推特用户发布的11,211,672条相关推文 | 自然语言处理 | COVID-19 | 情感分析，深度学习 | 深度学习模型 | 文本（推文），公共卫生监测数据 | 11,211,672条推文，涉及2,203,681名用户 | 未明确指定 | 未明确指定 | 准确率（0.92） | NA |
| 445 | 2026-02-05 |
Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images
2026-Mar, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70088
PMID:41147717
|
研究论文 | 本文提出了一种结合Xception卷积神经网络、深度最大输出网络和分数阶微积分的混合模型，用于基于组织病理学图像的乳腺癌分类 | 开发了Xception卷积深度最大输出网络（Xcov-DMN），该网络融合了深度最大输出网络、分数阶微积分和Xception卷积神经网络，以解决高分辨率图像中关键特征提取的困难并减少过拟合 | 未明确说明模型在外部验证集上的泛化能力或计算效率的具体评估 | 提高乳腺癌分类的准确性和精确性，以支持及时检测和治疗 | 乳腺癌组织病理学图像 | 数字病理学 | 乳腺癌 | 组织病理学成像 | CNN | 图像 | NA | NA | Xception Convolutional Neural Network, Deep Maxout Network | 准确率, 真阴性率, 真阳性率 | NA |
| 446 | 2026-02-05 |
Detection of Lymph Node Metastasis in Thyroid Cancer Using Deep Learning and Second Harmonic Generation Imaging
2026-Mar, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70082
PMID:41051062
|
研究论文 | 本研究提出了一种结合二次谐波成像与深度学习的自动化框架，用于甲状腺癌淋巴结转移的检测 | 首次将二次谐波成像技术与深度学习结合，构建了自动化的甲状腺癌淋巴结转移分类网络，并整合了病理信息与胶原特征 | 未提及外部验证集或临床前瞻性研究的应用，可能限制其泛化能力 | 开发一种自动化、定量的甲状腺癌淋巴结转移检测方法 | 甲状腺癌（特别是乳头状甲状腺癌）的淋巴结转移 | 数字病理 | 甲状腺癌 | 二次谐波成像 | 深度学习 | 图像 | NA | NA | Pyramid Vision Transformer v2, 多层感知机 | ROC曲线下面积 | NA |
| 447 | 2026-02-05 |
Deep learning-based morphological analysis of human sperm
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03418-7
PMID:40897949
|
研究论文 | 本文提出了一种基于深度学习的联合学习模型，用于精子头部分割和形态分类预测，以动态获取多帧多角度图像来准确分析精子形态 | 通过深度学习跟踪检测系统动态获取多帧多角度精子图像，结合分割和分类任务进行端到端形态分析，优于传统3D重建和计算机辅助评估系统 | 未明确提及样本量、计算资源细节或模型架构的具体名称 | 开发一种基于深度学习的精子形态分析方法，以预测男性精液质量 | 人类精子 | 计算机视觉 | NA | 深度学习 | 多任务模型 | 图像 | NA | NA | NA | NA | 最小计算能力，利用大多数胚胎学实验室已有设备 |
| 448 | 2026-02-05 |
A dual-branch encoder network based on squeeze-and-excitation UNet and transformer for 3D PET-CT image tumor segmentation
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03427-6
PMID:40911253
|
研究论文 | 本文提出了一种基于SE-UNet和Transformer的双分支编码器网络TASE-UNet，用于3D PET-CT图像的肿瘤自动分割 | 设计了结合SE-UNet和Transformer的双分支编码器，在跳跃连接中引入3D CBAM注意力模块，并采用BCE损失函数提升分割精度 | 仅在HECKTOR2022数据集上进行测试，未在其他多中心数据集验证泛化能力 | 实现PET-CT图像中肿瘤的自动精确分割 | 3D PET-CT医学图像中的肿瘤区域 | 数字病理学 | 肿瘤（未特指具体类型） | PET-CT影像技术 | 深度学习模型 | 3D医学图像（PET-CT融合影像） | HECKTOR2022数据集（具体样本数未说明） | 未明确说明 | SE-UNet, Transformer, 3D CBAM | DSC（戴斯系数）, HD95（豪斯多夫距离95百分位） | 未明确说明 |
| 449 | 2026-02-05 |
Integrating CT image reconstruction, segmentation, and large language models for enhanced diagnostic insight
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03446-3
PMID:40993406
|
研究论文 | 本研究开发了一个整合CT图像重建、分割和大语言模型的四步医学图像分析框架，旨在提升图像质量并生成自动化文本描述以辅助诊断 | 提出一个将CT图像重建、预处理、分割和图像描述生成集成的端到端框架，并引入FuseCap模型为分割后的图像生成自动化文本描述，以辅助放射科医生 | 未明确说明框架在临床环境中的实际验证情况，以及自动化描述生成的准确性和临床实用性有待进一步评估 | 开发一个医学图像分析框架，以提升CT图像质量、减少重建时间，并通过自动化描述为医疗专家提供决策支持工具 | 骨盆CT图像 | 医学影像分析 | 癌症 | CT成像 | CNN | CT图像 | NA | NA | NA | 峰值信噪比, 归一化均方误差, 结构相似性指数 | NA |
| 450 | 2026-02-05 |
Emerging trends and clinical challenges in AI-enhanced emotion diagnosis using physiological data
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03435-6
PMID:41026457
|
综述 | 本文综述了生理参数与情绪之间的关系，以及机器学习在情绪识别中的潜在价值、应用及挑战 | 将心率变异性（HRV）识别为情绪识别和生理参数分析的关键指标，并探讨了将其纳入模型以提升情绪管理精度的潜力 | 面临生理数据收集、隐私安全以及个体差异导致的个性化调整需求等多重挑战 | 探索生理参数与情绪之间的关联，并评估机器学习在情绪识别领域的应用价值与前景 | 心率、呼吸、血压、皮肤电反应、脑电图和心率变异性等生理参数，以及抑郁、焦虑、双相情感障碍和边缘型人格障碍等情绪障碍 | 机器学习 | 情绪障碍 | 机器学习，深度学习 | NA | 生理数据 | NA | NA | NA | NA | NA |
| 451 | 2026-02-05 |
Deep learning-based high precision 3D ultrasound imaging for large size organ
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03453-4
PMID:41075113
|
研究论文 | 本研究提出了一种基于深度学习的高精度三维超声成像方法，用于大型器官成像，通过改进标签策略和扫描轨迹规划来减少累积误差 | 提出了基于超声图像坐标系的标签策略以提高网络预测精度，并通过预规划扫描轨迹指导网络预测，显著降低了累积误差 | 未明确说明方法在其他组织或网络架构中的泛化能力验证细节 | 开发一种高精度的三维超声成像方法，以改善大型器官成像中的累积误差问题 | 健康志愿者和脊柱侧弯患者的脊柱 | 计算机视觉 | 脊柱侧弯 | 三维超声成像 | 深度学习网络 | 图像 | 健康志愿者和脊柱侧弯患者（具体数量未明确） | NA | NA | 预测精度，累积误差 | NA |
| 452 | 2026-02-05 |
Artifact-robust Deep Learning-based Segmentation of 3D Phase-contrast MR Angiography: A Novel Data Augmentation Approach
2025-Dec-25, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.tn.2024-0211
PMID:40619248
|
研究论文 | 本研究提出了一种新颖的数据增强方法，用于改善受搏动伪影影响的3D相位对比磁共振血管成像图像的深度学习分割效果 | 通过向k空间幅度添加周期性误差来模拟搏动伪影，从而创建了一种专门针对PC-MRA图像伪影的数据增强技术 | 研究仅在16名志愿者的数据集上进行评估，样本量相对较小 | 提高受搏动伪影影响的3D相位对比磁共振血管成像图像的血管分割准确性 | 3D相位对比磁共振血管成像图像 | 医学图像分析 | 心血管疾病 | 相位对比磁共振血管成像 | 深度学习模型 | 3D医学图像 | 16名志愿者的PC-MRA数据集 | NA | NA | Dice-Sørensen系数, Intersection over Union, 平均对称表面距离 | NA |
| 453 | 2025-09-10 |
Correction to: Deep Learning in High-Resolution Anoscopy: Assessing the Impact of Staining and Therapeutic Manipulation on Automated Detection of Anal Cancer Precursors
2025-09-01, Clinical and translational gastroenterology
IF:3.0Q2
DOI:10.14309/ctg.0000000000000894
PMID:40920629
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 454 | 2026-02-05 |
Role of artificial intelligence in advancing immunology
2025-Apr-24, Immunologic research
IF:3.3Q3
DOI:10.1007/s12026-025-09632-7
PMID:40272607
|
综述 | 本文综述了人工智能在免疫学领域的应用，包括疫苗开发、免疫疗法、过敏治疗及疾病诊断 | 系统总结了AI在免疫学中的最新工具和应用，强调了其在加速科学发现和临床诊断方面的潜力 | 作为综述文章，未提供原创实验数据或具体模型性能验证 | 探讨人工智能如何推动免疫学研究和医疗保健发展 | 免疫学相关研究，包括疫苗、免疫疗法、过敏原及免疫性疾病 | 机器学习 | 自身免疫性疾病, 免疫缺陷 | 基因组测序, 蛋白质结构分析 | 机器学习, 深度学习 | 基因组序列, 蛋白质结构, 患者病史, 实验室结果 | NA | NA | NA | NA | NA |
| 455 | 2026-02-05 |
Estimating Uncertainty of Geographic Atrophy Segmentations with Bayesian Deep Learning
2025 Jan-Feb, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100587
PMID:39380882
|
研究论文 | 本研究应用贝叶斯深度学习方法量化地理萎缩（GA）分割的不确定性，并与传统深度学习模型进行比较 | 首次将蒙特卡洛dropout和集成两种近似贝叶斯深度学习技术应用于GA分割的不确定性量化，同时提高了模型性能 | 研究为回顾性分析，样本量相对有限（126只眼），且仅基于单一队列（SWAGGER）的SS-OCT图像 | 通过量化GA分割的不确定性，提高模型的可信度并辅助临床决策 | 年龄相关性黄斑变性（AMD）患者的地理萎缩（GA）病变 | 数字病理学 | 年龄相关性黄斑变性 | 扫频源光学相干断层扫描（SS-OCT） | 深度学习分割模型 | 医学图像（OCT图像） | 126只眼（来自87名参与者） | NA | NA | Dice系数 | NA |
| 456 | 2026-02-05 |
Deep learning CT image restoration using system blur and noise models
2025-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.1.014003
PMID:39906485
|
研究论文 | 本文提出了一种结合系统模糊和噪声模型的深度学习CT图像恢复方法 | 通过整合系统模糊和噪声的辅助输入，将建模与深度学习结合，而非仅依赖图像输入进行盲恢复 | 未明确说明模型在极端噪声或模糊条件下的泛化能力，且可能依赖于准确的系统参数估计 | 提高CT图像恢复的质量，通过利用系统模糊和噪声特性来增强深度学习模型性能 | 受模糊和噪声影响的CT图像 | 计算机视觉 | NA | CT成像 | CNN | 图像 | NA | NA | 卷积神经网络 | 平均峰值信噪比, 结构相似性指数 | NA |
| 457 | 2026-02-05 |
Will Artificial Intelligence Be "Better" Than Humans in the Management of Syncope?
2024-Sep, JACC. Advances
DOI:10.1016/j.jacadv.2024.101072
PMID:39372450
|
综述 | 本文探讨了人工智能（包括机器学习、深度学习和自然语言处理）在晕厥诊断、管理和研究中的潜在应用、优势、局限性及解决方案 | 系统性地将AI技术（ML、DL、NLP）应用于晕厥这一临床挑战领域，并探讨其在临床决策、研究和教育三个维度的潜力，提出了从因果关系分析向相关性分析的模式转变 | 未提供具体实验数据或模型性能验证，主要基于理论探讨和潜在应用分析 | 评估人工智能在晕厥管理中的潜在作用，并探讨其是否可能优于人类临床决策 | 晕厥（一种短暂的意识丧失）患者的诊断、风险分层、临床管理和教育 | 自然语言处理, 机器学习 | 心血管疾病 | 机器学习, 深度学习, 自然语言处理 | NA | 临床数据, 文本数据 | NA | NA | NA | NA | NA |
| 458 | 2026-02-05 |
Coronary Artery Stenosis and High-Risk Plaque Assessed With an Unsupervised Fully Automated Deep Learning Technique
2024-Sep, JACC. Advances
DOI:10.1016/j.jacadv.2024.100861
PMID:39372456
|
研究论文 | 本研究开发并验证了一种全自动无监督深度学习系统，用于在冠状动脉CT血管造影（CCTA）中评估冠状动脉狭窄严重程度和高风险斑块 | 提出了一种全自动、无监督的深度学习技术，能够快速、准确地评估冠状动脉狭窄和高风险斑块，克服了传统CCTA评估耗时且需专业培训的限制 | 研究样本量有限，特别是高风险斑块的测试集仅包含45名患者（325条血管），可能影响模型的泛化能力 | 开发并验证一个全自动深度学习系统，用于在CCTA扫描中自动评估冠状动脉狭窄严重程度和表征高风险斑块 | 冠状动脉CT血管造影（CCTA）扫描图像 | 计算机视觉 | 心血管疾病 | 冠状动脉CT血管造影（CCTA） | 深度学习 | 医学影像（CT图像） | 训练集：570名患者；测试集：狭窄评估769名患者（3,012条血管），高风险斑块评估45名患者（325条血管） | NA | NA | 敏感性, 特异性, 阳性预测值, 阴性预测值, 曲线下面积（AUC） | NA |
| 459 | 2026-02-05 |
Automated Assessment of Right Atrial Pressure From Ultrasound Videos Using Machine Learning
2024-Sep, JACC. Advances
DOI:10.1016/j.jacadv.2024.101192
PMID:39372459
|
研究论文 | 本文开发了一种基于机器学习的全自动深度学习模型，用于从超声心动图视频中自动评估右心房压力 | 首次提出全自动深度学习模型，能够从超声心动图视频中自动识别下腔静脉扫描并估计右心房压力，其性能与心脏病专家评估相当，并具有良好的泛化能力 | 模型在测试数据集上与心脏病专家估计的一致性为80.3%，虽然高于文献报道的操作者间一致性（70-75%），但仍存在一定误差；外部验证数据集规模较小（仅来自另一机构） | 评估机器学习是否能够准确估计超声心动图测量的右心房压力，以实现自动化的血管内容积状态评估 | 超声心动图视频中的下腔静脉扫描，以及与之耦合的心脏病专家评估的右心房压力估计和右心导管测量的右心房压力 | 医学影像分析 | 心血管疾病 | 超声心动图，右心导管术 | 深度学习模型 | 视频 | 15,828个下腔静脉超声视频和319个右心导管测量的右心房压力数据 | NA | NA | 一致性百分比，受试者工作特征曲线下面积，P值 | NA |
| 460 | 2026-02-05 |
Impact of Case and Control Selection on Training Artificial Intelligence Screening of Cardiac Amyloidosis
2024-Sep, JACC. Advances
DOI:10.1016/j.jacadv.2024.100998
PMID:39372462
|
研究论文 | 本研究评估了基于心电图波形的人工智能模型在心脏淀粉样变性筛查中的性能，并探讨了不同病例和对照组定义标准对模型训练的影响 | 首次系统评估了病例和对照组选择策略对罕见疾病（心脏淀粉样变性）AI筛查模型性能的影响，揭示了模型在匹配测试集与真实世界人群中的泛化能力差异 | 研究主要基于单一医疗中心（Cedars-Sinai）的数据，可能限制结果的普适性；未详细说明模型的具体架构和超参数设置 | 评估心电图AI模型在心脏淀粉样变性筛查中的性能，并优化病例与对照组的选择策略 | 约130万份心电图记录，来自341,989名患者 | 机器学习 | 心脏淀粉样变性 | 心电图波形分析 | 深度学习模型 | 心电图波形数据 | 约130万份心电图，来自341,989名患者 | NA | NA | AUC | NA |