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 32372 篇文献，本页显示第 481 - 500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 481 | 2025-10-05 |
Revolution or routine? Comparing AI and traditional imaging in thoracic surgery outcomes: a systematic review
2025-Aug, Journal of medicine and life
DOI:10.25122/jml-2025-0120
PMID:41020084
|
系统综述 | 比较人工智能与传统影像方法在胸外科术后成像中的应用及效果 | 系统比较AI/ML与传统影像方法在胸外科的应用，探讨深度学习等新兴技术的未来发展潜力 | NA | 评估AI和机器学习在胸外科术后影像中的当前应用和未来发展方向 | 胸外科术后患者的影像数据 | 医学影像分析 | 胸外科疾病 | 医学影像分析 | 深度学习,神经网络 | 医学影像 | NA | NA | NA | NA | NA |
| 482 | 2025-10-05 |
Fluctuation structure predicts genome-wide perturbation outcomes
2025-Jul-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.27.661814
PMID:40631127
|
研究论文 | 提出基于基因共波动预测全基因组扰动结果的CIPHER框架 | 利用统计物理学的线性响应理论，通过未扰动细胞的基因共波动预测转录组范围扰动结果 | NA | 开发能解释全基因组扰动结果的理论模型 | 单细胞扰动筛选数据 | 机器学习 | NA | 单细胞扰动筛选 | 贝叶斯推断 | 基因表达数据 | 11个大规模单细胞扰动数据集，涵盖4,234个扰动和超过136万细胞 | NA | 线性响应理论框架 | 模型性能比较 | NA |
| 483 | 2025-10-05 |
Deep learning inference of cell type-specific gene expression from breast tumor histopathology
2025-May-09, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.04.652089
PMID:41030996
|
研究论文 | 开发了一种从乳腺癌组织病理学全切片图像直接预测细胞类型特异性基因表达的深度学习工具 | 首次实现直接从常规组织病理学图像推断细胞类型特异性基因表达，无需进行昂贵的单细胞或批量RNA测序 | 在9种细胞类型中仅对癌症相关成纤维细胞、癌细胞和髓系细胞的预测效果最佳 | 开发低成本、快速的细胞类型特异性基因表达推断方法 | 乳腺癌组织样本 | 数字病理学 | 乳腺癌 | 单细胞RNA测序, 批量RNA测序, 组织病理学成像 | 深度学习 | 全切片图像, 基因表达数据 | TCGA乳腺癌队列和160例独立队列 | NA | NA | 化疗反应预测准确性 | NA |
| 484 | 2025-10-05 |
Assessing Quantitative Performance and Expert Review of Multiple Deep Learning-Based Frameworks for Computed Tomography-based Abdominal Organ Auto-Segmentation
2025-Apr, Intelligent oncology
DOI:10.1016/j.intonc.2025.03.003
PMID:41020282
|
研究论文 | 本研究对多种基于深度学习的框架在CT图像腹部器官自动分割中的性能进行了全面评估 | 首次对AutoML框架（Auto3DSeg、nnU-Net）与最先进的非AutoML框架（SwinUNETR）在腹部器官分割任务中进行了系统比较 | 仅使用122张训练图像和72张验证图像，样本量相对有限 | 评估不同深度学习框架在CT图像腹部器官自动分割中的性能表现 | 腹部器官CT图像分割 | 计算机视觉 | 肿瘤疾病 | 计算机断层扫描（CT） | 深度学习 | 医学图像 | 122张训练图像和72张验证图像，来自AMOS挑战赛数据集 | Auto3DSeg, nnU-Net, SwinUNETR | U-Net, Transformer | Dice相似系数, 表面DSC, 95百分位Hausdorff距离, Likert量表评分 | NA |
| 485 | 2025-10-05 |
Swin transformers are robust to distribution and concept drift in endoscopy-based longitudinal rectal cancer assessment
2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3046794
PMID:41018523
|
研究论文 | 本研究评估Swin Transformer在内镜图像纵向直肠癌评估中对分布偏移和概念漂移的鲁棒性 | 首次系统比较Swin Transformer与传统卷积网络在直肠癌内镜图像分析中对分布偏移的鲁棒性，并采用最优传输方法模拟颜色偏移 | 研究主要基于私有数据集和公共结肠镜数据集，需要更多外部验证 | 开发对分布偏移具有鲁棒性的直肠癌内镜图像自动评估方法 | 直肠癌患者的内镜图像 | 计算机视觉 | 直肠癌 | 内镜成像 | Transformer, CNN | 图像 | 私有数据集和公共结肠镜数据集 | NA | Swin Transformer, ResNet-50, WideResNet-50, Vision Transformer | 准确率 | NA |
| 486 | 2025-10-05 |
Design of a Low-Complexity Deep Learning Model for Diagnosis of Type 2 Diabetes
2025, Current diabetes reviews
IF:2.4Q3
|
研究论文 | 设计了一种用于2型糖尿病诊断的低复杂度深度学习模型 | 提出了一种结合CNN和MLP的混合模型，在保持高精度的同时降低了模型复杂度 | 仅使用PIMA印度糖尿病数据集进行验证，未在其他数据集上测试 | 开发适用于资源受限设备的糖尿病诊断模型 | 2型糖尿病患者 | 机器学习 | 糖尿病 | 深度学习 | CNN, MLP | 临床数据 | PIMA印度糖尿病数据集 | NA | CNN+MLP混合架构 | 准确率 | 适用于可穿戴设备和物联网健康监测应用的低复杂度设计 |
| 487 | 2025-10-05 |
Revolutionizing electrocardiography: the role of artificial intelligence in modern cardiac diagnostics
2025-Jan, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000002778
PMID:40109609
|
综述 | 探讨人工智能在心电图分析中的革命性应用及其对现代心脏诊断的影响 | 系统阐述深度学习模型（特别是CNN）在心电图分析中实现自动化高精度诊断的突破性进展 | 模型可解释性不足、数据隐私问题以及训练数据集多样性缺乏 | 提升心电图分析的准确性和效率，推动心脏诊断的自动化和个性化发展 | 心电图数据及其在心律失常检测、异常搏动分类和结构性心脏病预测中的应用 | 自然语言处理 | 心血管疾病 | NA | CNN | 心电图信号 | NA | NA | 卷积神经网络 | 准确率 | NA |
| 488 | 2025-10-05 |
The Current Research Landscape on the Machine Learning Application in Autism Spectrum Disorder: A Bibliometric Analysis From 1999 to 2023
2025, Current neuropharmacology
IF:4.8Q1
|
文献计量分析 | 通过文献计量分析方法研究1999-2023年间机器学习在自闭症谱系障碍领域的研究现状和热点主题 | 首次系统分析机器学习在自闭症谱系障碍领域的研究趋势、热点演变和未来发展方向 | 仅基于Web of Science数据库，可能未涵盖所有相关文献 | 探索机器学习在自闭症谱系障碍研究中的应用趋势和热点主题 | 1999-2023年间发表的1357篇相关学术论文 | 机器学习 | 自闭症谱系障碍 | 文献计量分析，神经影像技术，脑电图 | NA | 文献数据，神经影像数据，脑电图数据 | 1357篇论文 | Microsoft Excel, VOSviewer, CiteSpace | NA | NA | NA |
| 489 | 2025-10-05 |
AI Applications in Transfusion Medicine: Opportunities, Challenges, and Future Directions
2025, Acta haematologica
IF:1.7Q3
DOI:10.1159/000546303
PMID:40349705
|
综述 | 本文探讨人工智能在输血医学领域的应用机遇、挑战与未来发展方向 | 系统梳理AI技术在输血医学多领域的整合应用，包括机器学习、深度学习、自然语言处理和预测分析等工具 | 当前研究多处于探索阶段，存在临床工作流程差异、算法透明度、公平访问及数据隐私伦理等问题 | 分析AI在输血医学中的应用潜力与实施挑战 | 输血医学领域的AI驱动工具与应用场景 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理, 预测分析 | NA | NA | NA | NA | NA | NA | NA |
| 490 | 2025-10-05 |
Deep Learning Applications in Lymphoma Imaging
2025, Acta haematologica
IF:1.7Q3
DOI:10.1159/000547427
PMID:40659002
|
综述 | 本文综述了深度学习在淋巴瘤影像学中的应用现状、挑战与发展前景 | 系统总结了深度学习在PET/CT、CT和MRI等多种淋巴瘤影像模态中的自动化检测、分割和分类应用 | 存在影像协议差异性影响模型泛化性、依赖小型回顾性数据集、模型可解释性不足以及临床工作流整合困难等挑战 | 探讨深度学习技术在淋巴瘤影像诊断和管理中的应用价值与实施挑战 | 淋巴瘤患者的PET/CT、CT和MRI影像数据 | 医学影像分析 | 淋巴瘤 | PET/CT、CT、MRI | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 491 | 2025-10-05 |
Leveraging deep learning for early detection of cervical cancer and dysplasia in China using U-NET++ and RepVGG networks
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1624111
PMID:41018091
|
研究论文 | 本研究利用深度学习技术改进阴道镜图像分析，提高宫颈癌及癌前病变的早期检测准确率 | 结合U-NET++图像分割和RepVGG分类网络，专门针对中国农村地区宫颈癌早期检测需求开发AI诊断工具 | 研究样本量相对有限（848例），且仅来自单一医疗中心，需要更多外部验证 | 通过深度学习提高阴道镜图像诊断准确性，实现宫颈癌早期检测 | 宫颈癌、HPV感染和宫颈上皮内瘤变(CIN) | 计算机视觉 | 宫颈癌 | 阴道镜检查 | CNN | 图像 | 848名受试者的阴道镜图像，其中424张用于训练，424张用于验证 | NA | U-NET++, RepVGG | 准确率 | NA |
| 492 | 2025-10-05 |
Radiotherapy for glioma in the AI era: current applications and future prospects
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1673752
PMID:41018092
|
综述 | 本文综述了人工智能时代胶质瘤放射治疗的当前应用与未来前景 | 系统探讨了人工智能技术（包括影像组学、深度学习和预测建模）在胶质瘤放疗工作流程中的整合应用 | 未提及具体研究数据验证AI技术的临床效果 | 探讨人工智能在胶质瘤放射治疗中的应用潜力与发展方向 | 胶质瘤患者，特别是高级别胶质母细胞瘤（GBM） | 数字病理 | 胶质瘤 | 放射治疗技术（IMRT、质子治疗、碳离子放疗、术中放疗、FLASH放疗） | 深度学习 | 医学影像数据 | NA | NA | NA | NA | NA |
| 493 | 2025-10-05 |
RefineFuse: an end-to-end network for multi-scale refinement fusion of multi-modality images
2025, Visual intelligence
DOI:10.1007/s44267-025-00087-w
PMID:41018163
|
研究论文 | 提出RefineFuse多尺度交互网络，用于多模态图像融合任务 | 通过双注意力特征交互模块和全局注意力机制，在像素域和语义域建模跨模态特征耦合，实现深层语义信息与浅层细节信息的逐步融合 | NA | 提升融合网络在复杂场景下保留细节信息的能力 | 红外图像、可见光图像和医学图像 | 计算机视觉 | NA | 深度学习 | CNN | 多模态图像 | NA | NA | 多尺度交互网络 | NA | NA |
| 494 | 2025-10-05 |
Diagnostic performance and generalizability of deep learning for multiple retinal diseases using bimodal imaging of fundus photography and optical coherence tomography
2025, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2025.1665173
PMID:41018263
|
研究论文 | 开发并评估基于眼底彩照和光学相干断层扫描的双模态深度学习模型，用于多种视网膜疾病的诊断 | 首次将眼底彩照和光学相干断层扫描双模态成像结合，开发了融合多实例学习模型，并在多种设备和扫描模式下验证了其泛化能力 | 样本量相对有限，仅包含1,029名患者的数据 | 开发能够诊断多种视网膜疾病的深度学习模型，并评估其诊断性能和泛化能力 | 视网膜疾病患者，包括糖尿病视网膜病变、干性和湿性年龄相关性黄斑变性、病理性近视、视网膜前膜和黄斑水肿等七种视网膜疾病 | 医学影像分析 | 视网膜疾病 | 眼底彩照、光学相干断层扫描 | 深度学习 | 图像 | 1,445对CFP-OCT图像来自1,029名患者，另有1,184对图像用于ATN分类 | NA | Fusion-MIL, CFP-MIL, OCT-MIL | AUC, 准确率 | NA |
| 495 | 2025-10-05 |
TL-MED: Multiclass eye disease classification based on ensemble transfer learning and CRVO-BRVO detection via a single shot multibox detector
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251379729
PMID:41018518
|
研究论文 | 基于集成迁移学习和单发多框检测器的多类别眼病分类与视网膜静脉阻塞检测方法 | 提出五种基于迁移学习的深度卷积神经网络模型和一个集成模型，并首次将单发多框检测器应用于视网膜静脉阻塞检测 | 数据集规模相对有限（3744张原始视网膜图像），NASNetMobile模型准确率较低（87%） | 开发可靠的眼病早期精确检测AI解决方案 | 视网膜图像中的青光眼、白内障、糖尿病视网膜病变及视网膜静脉阻塞 | 计算机视觉 | 眼病 | 深度学习 | CNN, SSD | 图像 | 3744张原始视网膜图像 | NA | VGG16, ResNet152, DenseNet169, EfficientNetB3, NASNetMobile, 集成模型 | 准确率, 损失率 | NA |
| 496 | 2025-10-05 |
VAE deep learning model with domain adaptation, transfer learning and harmonization for diagnostic classification from multi-site neuroimaging data
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1553035
PMID:41018545
|
研究论文 | 开发了一种结合域适应、迁移学习和数据协调的VAE深度学习模型，用于多站点fMRI数据的诊断分类 | 首次将VAE-MMD模型应用于多站点fMRI数据的域适应，并展示了迁移学习和数据协调的协同效果 | 研究仅针对自闭症谱系障碍，未验证在其他神经发育疾病上的泛化能力 | 提高多站点神经影像数据的诊断分类性能 | 自闭症、阿斯伯格综合征和典型发育对照组的fMRI数据 | 医学影像分析 | 自闭症谱系障碍 | fMRI | VAE | 神经影像数据 | ABIDE-I和ABIDE-II数据集，外加HBN和AOMIC数据集的健康对照样本 | NA | VAE-MMD | 准确率 | NA |
| 497 | 2025-10-05 |
A review of AI-driven Google Earth Engine applications in surface water monitoring, assessment, and management
2025, Discover geoscience
DOI:10.1007/s44288-025-00255-x
PMID:41018550
|
综述 | 本文综述了人工智能与Google Earth Engine结合在地表水监测、评估和管理中的应用 | 系统总结了AI/ML/DL与GEE平台在地表水监测中的集成应用，并包含内布拉斯加州湖泊的案例研究 | 揭示了当前方法的局限性和改进机会 | 评估人工智能与地理空间技术在地表水监测和管理中的应用效果 | 地表水体的数量和质量监测 | 机器学习 | NA | 多传感器遥感技术 | 机器学习,深度学习 | 遥感影像 | 三个内布拉斯加州湖泊(2022-2023) | Google Earth Engine | NA | NA | 基于网络的并行处理平台 |
| 498 | 2025-10-05 |
An artificial intelligence model for early-stage breast cancer classification from histopathological biopsy images
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1627876
PMID:41018739
|
研究论文 | 提出一种基于深度学习的人工智能模型，用于从组织病理学活检图像中对早期乳腺癌进行分类 | 采用DenseNet121骨干网络结合多尺度特征融合策略，能够捕捉多个抽象层次的形态学特征 | 仅使用公开数据集进行验证，未在真实临床环境中测试 | 开发乳腺癌亚型分类的人工智能模型以辅助诊断 | 乳腺癌组织病理学活检图像 | 数字病理学 | 乳腺癌 | 组织病理学成像 | CNN | 图像 | BreaKHis公开数据集 | NA | DenseNet121 | 准确率 | NA |
| 499 | 2025-10-05 |
The Rise of Artificial Intelligence in Orthopedics: A Bibliometric and Visualization Analysis
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S536633
PMID:41019150
|
文献计量分析 | 通过文献计量学方法分析人工智能在骨科领域的研究进展和热点趋势 | 首次系统性地对人工智能在骨科领域的应用进行文献计量和可视化分析，识别当前研究热点 | 仅基于PubMed数据库，合作网络分析显示国际合作频率有限 | 调查人工智能在骨科领域的应用进展和研究现状 | 2010-2024年间PubMed数据库中112篇AI与骨科相关文献 | 文献计量学 | 骨科疾病 | 文献计量分析，可视化分析 | NA | 文献数据 | 112篇相关文章 | R软件 | NA | NA | R软件版本4.2.0 |
| 500 | 2025-10-05 |
Reshaping Anesthesia with Artificial Intelligence: From Concept to Reality
2025, Anesthesia and critical care (Houston, Tex.)
PMID:41019310
|
综述 | 本文综述人工智能在麻醉学领域的应用现状与发展前景 | 系统分析AI在麻醉领域从规则系统到深度学习模型的演进路径，提出可解释AI框架的整合方案 | 存在医疗系统间可重复性验证不足、伦理争议、临床质疑及数据深度不足等障碍 | 探讨人工智能技术在麻醉学领域的转化应用与未来发展 | 麻醉临床流程与患者管理 | 自然语言处理, 机器学习 | 围术期并发症 | 生理信号监测, 脑电图反馈, 超声成像, 药物基因组学 | 深度学习, 机器学习 | 生理信号, 文本记录, 影像数据 | NA | NA | NA | NA | NA |