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 36465 篇文献，本页显示第 4741 - 4760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4741 | 2025-11-02 |
Utilizing a Novel Convolutional Neural Network for Diagnosis and Lesion Delineation in Colorectal Cancer Screening
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01396-8
PMID:39821781
|
研究论文 | 本研究开发了一种新型卷积神经网络模型，用于结直肠癌筛查中的癌症分类和病变区域定位 | 提出具有并行全局和局部特征提取分支的创新CNN架构，以及独特的分类头设计，能够同时实现癌症分类和生成病变区域热力图 | 研究仅在四个医疗机构的8260张图像上进行训练和验证，需要更大规模的多中心研究进一步验证 | 提高结直肠癌筛查的效率和准确性，实现早期检测 | 结直肠癌筛查图像 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 图像 | 8260张来自四个医疗机构的筛查图像 | NA | 具有并行全局和局部特征提取分支的定制CNN架构 | 准确率,精确率,召回率,F1分数 | NA |
| 4742 | 2025-11-02 |
PBCS-ConvNeXt: Convolutional Network-Based Automatic Diagnosis of Non-alcoholic Fatty Liver in Abdominal Ultrasound Images
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01394-w
PMID:39841370
|
研究论文 | 提出基于卷积网络的深度学习模型PBCS-ConvNeXt，用于腹部超声图像中非酒精性脂肪肝的自动诊断 | 提出包含三个关键组件的创新架构：用于鲁棒特征提取的可训练预处理模块、增强通道特征处理的ConvNeXt块、以及集成多阶段特征的增强块 | NA | 开发自动化的非酒精性脂肪肝计算机辅助诊断系统 | 腹部B模式超声图像 | 计算机视觉 | 非酒精性脂肪肝病 | 超声成像 | CNN | 图像 | NA | NA | ConvNeXt | 准确率, 敏感性, 特异性 | NA |
| 4743 | 2025-11-02 |
Breast Cancer Histopathological Image Classification Based on Graph Assisted Global Reasoning
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01403-y
PMID:39843721
|
研究论文 | 提出一种基于图辅助全局推理的双流全局-局部网络(DSGLNet)用于乳腺癌组织病理图像分类 | 采用双流特征提取架构，结合卷积网络提取局部特征和图卷积映射构建全局特征交互空间，实现局部与全局特征的深度融合 | NA | 利用深度学习提取组织病理学特征并自动识别肿瘤信息，辅助医生进行高精度病理诊断 | 乳腺癌组织病理图像 | 数字病理学 | 乳腺癌 | 组织病理图像分析 | CNN, 图卷积网络 | 图像 | 公开BreakHis数据集，包含不同放大倍率的图像 | NA | 双流全局-局部网络(DSGLNet) | 准确率, 精确率 | NA |
| 4744 | 2025-11-02 |
How to Efficiently Annotate Images for Best-Performing Deep Learning-Based Segmentation Models: An Empirical Study with Weak and Noisy Annotations and Segment Anything Model
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01408-7
PMID:39843720
|
研究论文 | 本文通过实证研究评估了不同图像标注策略对深度学习分割模型性能的影响 | 首次对六种标注策略变体（共9-10种子变体）在4个数据集上进行了全面的成本效益评估，发现精确轮廓标注在预算有限时几乎不是最优选择 | 研究仅基于4个数据集，可能需要更多数据集验证普适性 | 评估不同标注策略的成本效益，为研究者提供高效的图像标注方案 | 图像分割任务的标注策略 | 计算机视觉 | NA | 图像标注技术 | 深度神经网络 | 图像 | 4个数据集 | NA | Segment Anything Model | 分割性能，成本效益 | NA |
| 4745 | 2025-11-02 |
Semi-Supervised Medical Image Segmentation Based on Frequency Domain Aware Stable Consistency Regularization
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01397-7
PMID:39843719
|
研究论文 | 提出一种基于频域感知稳定一致性正则化的半监督医学图像分割方法 | 利用图像固有频域信息作为一致性约束，并在编码器阶段引入监督机制 | NA | 改进半监督医学图像分割方法的性能 | 医学图像 | 计算机视觉 | NA | 深度学习 | NA | 医学图像 | NA | NA | NA | NA | NA |
| 4746 | 2025-11-02 |
Deep Learning-Based Multi-View Projection Synthesis Approach for Improving the Quality of Sparse-View CBCT in Image-Guided Radiotherapy
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01390-0
PMID:39849201
|
研究论文 | 提出一种基于深度学习的多视图投影合成方法，用于改善图像引导放疗中稀疏视图CBCT的图像质量 | 首次将动态卷积层和残差学习技术整合到2D U-Net中，用于正弦图恢复，并通过多视图投影合成方法准确合成缺失投影 | 研究仅基于163例真实患者数据，需要更大规模数据验证通用性 | 提高图像引导放疗中稀疏视图低剂量CBCT的图像质量 | 锥束计算机断层扫描(CBCT)图像 | 医学影像处理 | 肿瘤放疗 | 锥束计算机断层扫描(CBCT) | CNN | 医学影像 | 163例训练患者，30例验证患者，30例测试患者 | NA | 2D U-Net | RMSE, PSNR, SSIM, FSIM | NA |
| 4747 | 2025-11-02 |
Wound Segmentation with U-Net Using a Dual Attention Mechanism and Transfer Learning
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01386-w
PMID:39849203
|
研究论文 | 提出一种融合双注意力机制和迁移学习的U-Net模型用于精确伤口分割 | 在U-Net架构中集成双注意力机制，结合VGG16和迁移学习技术 | NA | 开发精确的伤口图像分割方法以辅助皮肤病诊断和治疗 | 糖尿病足溃疡图像、急性和慢性伤口图像 | 计算机视觉 | 皮肤病 | 深度学习 | CNN, U-Net | 图像 | NA | NA | U-Net, VGG16 | Dice系数, IoU | NA |
| 4748 | 2025-11-02 |
Multi-class Classification of Retinal Eye Diseases from Ophthalmoscopy Images Using Transfer Learning-Based Vision Transformers
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01416-7
PMID:39871038
|
研究论文 | 本研究探索基于视觉变换器和卷积神经网络的迁移学习方法，用于从眼底图像中分类视网膜疾病 | 采用眼科专用预训练ViT骨干网络，在视网膜疾病多分类任务中实现显著准确率提升 | 仅使用4217张图像的平衡子集，数据集规模有限 | 开发自动诊断视网膜疾病的深度学习模型 | 糖尿病视网膜病变、青光眼和白内障三种常见眼病 | 计算机视觉 | 视网膜疾病 | 眼底成像 | CNN, ViT | 图像 | 4217张眼底图像 | TensorFlow, PyTorch | ResNet50, DenseNet121, Inception-ResNetV2, ViT | 准确率, 精确率, 召回率, F1分数 | NA |
| 4749 | 2025-11-02 |
In Vivo Confocal Microscopy for Automated Detection of Meibomian Gland Dysfunction: A Study Based on Deep Convolutional Neural Networks
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01174-y
PMID:39871043
|
研究论文 | 本研究基于深度卷积神经网络开发了一个自动诊断和分类睑板腺功能障碍的模型 | 首次将DenseNet-169架构应用于睑板腺功能障碍的IVCM图像自动诊断和分类 | 第五分类中睑板腺萎缩伴阻塞组的精确度相对较低 | 构建基于IVCM图像的睑板腺功能障碍自动诊断和分类系统 | 睑板腺功能障碍患者的在体共聚焦显微镜图像 | 计算机视觉 | 眼科疾病 | 在体共聚焦显微镜 | CNN | 图像 | 训练集6643张IVCM图像（来自3家医院），测试集1661张IVCM图像（来自另外2家医院） | NA | DenseNet-169 | AUROC, 准确率, 精确率, 召回率, 真阴性率, 真阳性率, 假阳性率 | NA |
| 4750 | 2025-11-02 |
Validation of UniverSeg for Interventional Abdominal Angiographic Segmentation
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01349-7
PMID:39871044
|
研究论文 | 验证UniverSeg模型在介入性腹部血管造影分割中的可行性 | 首次在介入性血管造影数据上验证无血管造影训练的跨学习分割模型UniverSeg | 研究基于回顾性数据，模型性能受血管直径和分叉数量影响 | 评估UniverSeg模型在血管造影分割中的适用性 | 234名接受腹腔干介入性荧光检查的患者 | 医学影像分析 | 血管疾病 | 介入性荧光检查 | 深度学习分割模型 | 医学影像 | 234名患者的303张最大对比度图像 | NA | UniverSeg | Dice相似系数, 平衡平均Hausdorff距离 | NA |
| 4751 | 2025-11-02 |
MHNet: Multi-view High-Order Network for Diagnosing Neurodevelopmental Disorders Using Resting-State fMRI
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01399-5
PMID:39875742
|
研究论文 | 提出一种多视角高阶网络MHNet，利用静息态功能磁共振成像数据诊断神经发育障碍 | 首次结合欧几里得空间和非欧几里得空间的多视角特征学习，通过高阶特征提取提升神经发育障碍分类性能 | 未明确说明模型计算复杂度及对临床应用的适用性 | 开发深度学习模型用于神经发育障碍的自动诊断 | 神经发育障碍患者（包括ASD和ADHD）的脑功能网络 | 医学影像分析 | 神经发育障碍 | 静息态功能磁共振成像 | CNN,GNN | 脑功能网络数据 | 三个公共数据集（未指定具体样本量） | NA | MHNet（包含ESFE模块、Non-ESFE模块和FFC模块） | 分类准确率 | NA |
| 4752 | 2025-11-02 |
End-to-End Deep Learning Prediction of Neoadjuvant Chemotherapy Response in Osteosarcoma Patients Using Routine MRI
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01424-7
PMID:39875741
|
研究论文 | 开发端到端深度学习模型预测骨肉瘤患者新辅助化疗疗效 | 首次将ResUNet肿瘤分割与3D-ResNet-18疗效预测整合为端到端深度学习框架 | 回顾性研究且样本量有限（112例患者） | 利用常规MRI预测骨肉瘤患者新辅助化疗反应 | 经组织学确认的骨肉瘤患者 | 医学影像分析 | 骨肉瘤 | 磁共振成像（MRI） | 深度学习 | 医学影像 | 112例骨肉瘤患者（51例反应良好，61例反应不佳） | NA | ResUNet, 3D-ResNet-18 | AUC, ACC, Dice系数, IoU, 敏感度, 特异度, F1分数 | NA |
| 4753 | 2025-11-02 |
Automatic Identification of Adenoid Hypertrophy via Ensemble Deep Learning Models Employing X-ray Adenoid Images
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01423-8
PMID:39885079
|
研究论文 | 本研究开发了一种基于集成深度学习的腺样体肥大自动识别方法，通过比较掩码和非掩码X射线图像分类性能 | 首次将集成深度学习模型应用于腺样体肥大识别，并系统比较了掩码预处理对分类性能的影响 | 数据集仅来自单一医院，样本来源有限，需要更多外部验证 | 开发自动识别腺样体肥大的AI方法，提高诊断准确性 | 腺样体肥大患者 | 计算机视觉 | 腺样体肥大 | X射线成像 | CNN | 图像 | 来自Batman培训研究医院的掩码和非掩码X射线图像数据集 | NA | EfficientNet, MobileNet, ResNet50, ResNet152, VGG16, Xception | 准确率, F1分数 | NA |
| 4754 | 2025-11-02 |
DICOM LUT is a Key Step in Medical Image Preprocessing Towards AI Generalizability
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01418-5
PMID:39890738
|
研究论文 | 本研究探讨了医学图像预处理技术对深度学习模型泛化能力的影响 | 首次系统评估了直方图均衡化和VOI-LUT变换在胸部X光图像预处理中对AI模型泛化性能的影响 | 研究仅针对气胸诊断任务和胸部X光图像，未涵盖其他疾病类型和影像模态 | 评估不同医学图像预处理技术对深度学习模型性能的影响 | 胸部X光图像 | 医学影像分析 | 气胸 | 直方图均衡化, VOI-LUT变换 | 深度学习分类器 | 医学图像 | 内部CXR数据集和两个外部验证集 | NA | NA | 泛化性能, 过拟合程度 | NA |
| 4755 | 2025-11-02 |
[Applications and perspectives of artificial intelligence in periodontology]
2025-Oct-01, Hua xi kou qiang yi xue za zhi = Huaxi kouqiang yixue zazhi = West China journal of stomatology
DOI:10.7518/hxkq.2025.2025103
PMID:41159323
|
综述 | 本文综述人工智能在牙周病学领域的应用现状与发展前景 | 系统阐述AI如何通过多模态数据整合推动牙周病精准医疗发展 | 模型泛化能力、数据质量、伦理问题和可解释性仍存在挑战 | 探讨人工智能技术在牙周病学领域的应用潜力与发展方向 | 牙周病临床诊疗与科研教育体系 | 自然语言处理, 机器学习 | 牙周病 | 深度学习, 机器学习, 自然语言处理 | NA | 影像数据, 医疗记录, 生活方式数据 | NA | NA | NA | NA | 多中心大数据平台 |
| 4756 | 2025-11-02 |
Panoramic Nailfold Flow Velocity Measurement Method Based on Enhanced Plasma Gap Information
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01379-1
PMID:39762546
|
研究论文 | 提出一种基于增强血浆间隙信息的甲襞全景血流速度测量方法 | 使用深度学习模型将全景血流速度测量任务分解为多个血管流速测量任务，并提出血浆间隙信息增强方法 | NA | 开发甲襞全景血流速度自动测量方法 | 甲襞微循环血管 | 计算机视觉 | 血管疾病 | 甲襞成像 | 深度学习模型 | 视频 | NA | NA | NA | Pearson相关系数, 平均误差, t检验 | NA |
| 4757 | 2025-11-02 |
Radiomics and Artificial Intelligence in Pulmonary Fibrosis
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01377-3
PMID:39762544
|
综述 | 本文通过范围综述探讨了放射组学与人工智能在特发性肺纤维化诊断和预后评估中的应用 | 系统评估了基于HRCT的深度学习方法在肺纤维化特征提取中的价值，并分析了定量评估纤维化程度的预后意义 | 纤维化程度定量评估的额外预后价值仍不确定，需要进一步研究验证 | 研究放射影像学和人工智能在特发性肺纤维化诊断和预后评估中的作用 | 特发性肺纤维化患者的HRCT影像数据 | 数字病理学 | 肺纤维化 | 高分辨率计算机断层扫描(HRCT) | 深度学习 | 医学影像 | NA | NA | NA | k折交叉验证 | NA |
| 4758 | 2025-11-02 |
Deep Learning Analysis of White Matter Hyperintensity and its Association with Comprehensive Vascular Factors in Two Large General Populations
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01372-8
PMID:39762547
|
研究论文 | 使用深度学习模型分析两个大规模普通人群中白质高信号与综合血管因素之间的关联 | 首次在两个大规模普通人群队列中系统评估综合血管因素与白质高信号体积的关联 | 横断面研究设计无法确定因果关系 | 探究血管因素与白质高信号体积在普通人群中的关联 | 两个普通人群队列：Asan医学中心健康检查人群(n=7471)和韩国基因组与流行病学研究队列(n=2511) | 医学影像分析 | 脑血管疾病 | 磁共振成像 | 深度学习 | 医学影像 | 总计9982个样本(AMC:7471, KoGES:2511) | nnU-Net | nnU-Net | β系数, 95%置信区间, p值 | NA |
| 4759 | 2025-11-02 |
Multi-Class Brain Tumor Grades Classification Using a Deep Learning-Based Majority Voting Algorithm and Its Validation Using Explainable-AI
2025-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01368-4
PMID:39779641
|
研究论文 | 开发基于MRI和集成深度学习的多类别脑肿瘤分级分类系统，并通过可解释AI验证结果 | 采用基于多数投票算法的集成深度学习框架，结合七种深度学习模型和七种机器学习模型，并首次在脑肿瘤分类中应用LIME可解释AI算法 | NA | 开发一种经济高效、非侵入性的MRI辅助诊断工具，用于准确快速识别脑肿瘤分级 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI | CNN, 集成学习 | 医学图像 | 五个数据集：二分类(C2)、三分类(C3)、四分类(C4)、五分类(C5)和六分类(C6) | NA | EfficientNet, VGG16, ResNet18, GoogleNet, ResNet50, Inception-V3, DarkNet | 准确率 | NA |
| 4760 | 2025-11-02 |
Application of Explainable Artificial Intelligence Based on Visual Explanation in Digestive Endoscopy
2025-Sep-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12101058
PMID:41155057
|
综述 | 系统回顾基于视觉解释的可解释人工智能在消化内镜图像分析中的研究进展与应用 | 首次系统梳理消化内镜领域视觉解释型XAI方法的应用现状，重点关注模型决策透明化 | 仅纳入34篇文献，样本量有限；未涉及非视觉解释方法 | 构建可信赖的AI辅助消化内镜诊疗系统 | 消化内镜图像（食管胃十二指肠镜、结肠镜、超声内镜、无线胶囊内镜） | 计算机视觉 | 胃肠道疾病 | 消化内镜成像 | 深度学习 | 医学图像 | 34篇研究文献 | NA | NA | NA | NA |