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 32373 篇文献，本页显示第 5041 - 5060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5041 | 2025-07-26 |
Dynamic risk prediction model for multiple myeloma: Through deep learning, the model is able to adapt to future data, such as emerging treatment modalities and combinations
2024-05-01, Cancer
IF:6.1Q1
DOI:10.1002/cncr.35294
PMID:38604987
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5042 | 2025-10-06 |
Synthetic PET from CT improves diagnosis and prognosis for lung cancer: Proof of concept
2024-Mar-19, Cell reports. Medicine
DOI:10.1016/j.xcrm.2024.101463
PMID:38471502
|
研究论文 | 开发了一种从CT扫描生成合成PET图像的深度学习模型，用于改善肺癌的诊断和预后 | 首次使用条件生成对抗网络从诊断性CT扫描生成FDG-PET图像，并通过多中心验证证实其临床价值 | 概念验证研究，样本量相对有限(n=1,478)，需要在更广泛人群中进一步验证 | 解决PET检查成本高且不易获取的问题，通过深度学习技术从CT生成合成PET图像 | 肺癌患者的多中心多模态影像数据 | 医学影像分析 | 肺癌 | FDG-PET, CT扫描 | GAN | 医学影像 | 1,478例来自多中心的肺癌患者 | NA | 条件生成对抗网络 | 影像质量评估、肿瘤对比度、放射基因组学一致性、诊断准确性、分期准确性、风险预测、预后评估 | NA |
| 5043 | 2025-10-06 |
Identifying primary tumor site of origin for liver metastases via a combination of handcrafted and deep learning features
2024-01, The journal of pathology. Clinical research
DOI:10.1002/cjp2.344
PMID:37822044
|
研究论文 | 本研究结合手工特征和深度学习特征识别肝转移瘤的原发部位 | 首次将手工病理形态特征与深度学习分类器相结合用于肝转移瘤原发部位识别，并开发了决策融合策略 | 样本量较小（114例患者），属于初步研究 | 开发计算机辅助方法识别肝转移瘤的原发部位 | 肝转移瘤患者组织切片 | 数字病理 | 肝转移瘤 | 全玻片图像分析 | 随机森林,深度学习网络 | 病理图像 | 114例患者，175张玻片 | NA | NA | AUC | NA |
| 5044 | 2025-10-06 |
Chest CT Image based Lung Disease Classification - A Review
2024, Current medical imaging
IF:1.1Q3
|
综述 | 本文对基于胸部CT图像的肺部疾病分类方法进行了全面回顾与分析 | 提供了肺部疾病分类方法的系统性综述，特别关注机器学习技术的最新进展 | 作为综述文章，不包含原始实验数据或新模型开发 | 分析肺部疾病分类的现有方法，为研究人员构建更先进系统提供指导 | 肺部疾病分类的机器学习方法 | 计算机视觉 | 肺部疾病 | CT扫描 | 深度学习 | CT图像 | NA | NA | NA | NA | NA |
| 5045 | 2025-10-06 |
Retracted: Deep Learning-Based Glaucoma Detection Using CNN and Digital Fundus Images: A Promising Approach for Precise Diagnosis
2024, Current medical imaging
IF:1.1Q3
|
撤稿声明 | 关于一篇基于深度学习的青光眼检测论文的撤稿说明 | NA | 原论文需要大幅修改以提高清晰度、连贯性和科学严谨性 | NA | NA | 计算机视觉 | 青光眼 | NA | CNN | 数字眼底图像 | NA | NA | NA | NA | NA |
| 5046 | 2025-10-06 |
Motion-resolved 3D Pulmonary MRI Reconstruction using Sinusoidal Representation Networks
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于正弦表示网络的运动分辨3D肺部MRI重建方法 | 使用正弦表示网络学习配准映射，实现仅依赖欠采样数据的无监督学习重建 | 仅在十个数据集上进行了验证，样本量有限 | 开发自由呼吸状态下肺部MRI的深度学习重建方法 | 肺部MRI图像 | 医学影像处理 | 肺部疾病 | MRI | SIREN | 3D医学图像 | 十个数据集 | NA | 正弦表示网络 | 视觉比较,定量比较 | NA |
| 5047 | 2025-10-06 |
An Evaluation Analysis for Computed Tomography Image Quality of Primary Liver Cancer Lesions Based on Deep Learning Image Reconstruction
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 基于深度学习图像重建技术评估原发性肝癌病灶的计算机断层扫描图像质量 | 首次将深度学习图像重建(DLIR)与滤波反投影(FBP)和自适应统计迭代重建-V(ASIR-V)在原发性肝癌动态增强CT成像质量方面进行系统比较 | 样本量较小(48例肝癌患者)，部分评价指标的Kappa值一致性一般 | 评估深度学习图像重建技术对原发性肝癌病灶动态增强CT成像质量的影响 | 48例肝癌患者的CT图像数据 | 计算机视觉 | 肝癌 | 多层螺旋CT、对比增强扫描、深度学习图像重建 | 深度学习重建模型 | CT医学图像 | 48例肝癌患者 | NA | NA | 图像噪声、信噪比(SNR)、对比信噪比(CNR)、Kappa一致性系数 | NA |
| 5048 | 2025-10-06 |
Machine Learning in Magnetic Resonance Images of Glioblastoma: A Review
2024, Current medical imaging
IF:1.1Q3
|
综述 | 本文综述了机器学习在胶质母细胞瘤磁共振图像中的应用现状、成果与趋势 | 提出了基于机器学习的胶质母细胞瘤问题分类体系，涵盖肿瘤区域特征提取、鉴别诊断、表征分析和遗传学基础四大类别 | 机器学习方法的主要局限在于可解释性和泛化能力 | 识别可通过磁共振成像和机器学习技术解决的胶质母细胞瘤相关问题 | 胶质母细胞瘤磁共振图像及相关临床数据 | 医学影像分析 | 胶质母细胞瘤 | 磁共振成像 | 支持向量机,随机森林,卷积神经网络 | 医学影像 | 基于50篇最相关文献的分析 | NA | NA | 准确率 | NA |
| 5049 | 2025-10-06 |
Automated Diagnosis of Bone Metastasis by Classifying Bone Scintigrams Using a Self-defined Deep Learning Model
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于自定义深度学习模型的骨扫描图像分类方法，用于自动诊断肺癌骨转移 | 设计了包含特征提取和特征分类子网络的自定义卷积神经网络，并采用膀胱区域排除的图像预处理策略 | 仅针对肺癌骨转移进行二分类，未验证对其他癌症类型骨转移的适用性 | 开发自动诊断骨转移的深度学习系统 | SPECT骨扫描图像 | 计算机视觉 | 肺癌 | SPECT骨显像 | CNN | 图像 | NA | NA | 自定义卷积神经网络 | 准确率,精确率,召回率,特异性,F1分数,AUC | NA |
| 5050 | 2025-10-06 |
Computational Model for the Detection of Diabetic Retinopathy in 2-D Color Fundus Retina Scan
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出一种基于卷积神经网络的计算模型，用于从2D彩色眼底扫描中检测糖尿病视网膜病变 | 开发了专门用于糖尿病视网膜病变检测的DRCNN模型，结合VGG-16架构和自适应矩估计优化器 | NA | 利用2D彩色眼底视网膜扫描确定个体是否患有糖尿病视网膜病变 | 糖尿病视网膜病变患者的眼底扫描图像 | 计算机视觉 | 糖尿病视网膜病变 | 眼底扫描 | CNN | 图像 | NA | NA | VGG-16, DRCNN | 准确率 | NA |
| 5051 | 2025-10-06 |
Research Progress in Tumor Diagnosis Based on Raman Spectroscopy
2024, Current medical imaging
IF:1.1Q3
|
综述 | 本文综述了拉曼光谱在肿瘤诊断中的应用研究进展 | 探讨了深度学习与拉曼光谱结合在肿瘤诊断中的优势 | 指出了基于拉曼光谱的肿瘤诊断方法存在的相关问题 | 介绍拉曼光谱在肿瘤检测中的应用 | 人体不同部位的肿瘤 | 医学光谱分析 | 癌症 | 拉曼光谱技术 | 深度学习 | 光谱数据 | NA | NA | NA | NA | NA |
| 5052 | 2025-10-06 |
Application Exploration of Medical Image-aided Diagnosis of Breast Tumour Based on Deep Learning
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究探索基于深度学习的医学图像辅助诊断在乳腺肿瘤诊断中的应用 | 结合二维CNN训练模式构建三维CNN模型，并建立诊断结果评估指标 | NA | 研究医学图像辅助诊断在乳腺肿瘤诊断中的应用 | 乳腺肿瘤患者的医学图像数据 | 计算机视觉 | 乳腺肿瘤 | 磁共振成像(MRI) | CNN | 医学图像 | NA | NA | 3D CNN | 准确率 | NA |
| 5053 | 2025-10-06 |
Epistasis regulates genetic control of cardiac hypertrophy
2023-Nov-20, Research square
DOI:10.21203/rs.3.rs-3509208/v1
PMID:38045390
|
研究论文 | 本研究开发新方法揭示心脏肥大的复杂遗传架构，发现表观遗传相互作用在心脏结构调控中的重要作用 | 开发低信号符号迭代随机森林方法，结合深度学习从心脏MRI估计左心室质量，首次系统揭示心脏肥大的表观遗传调控网络 | 研究方法仍处于早期发展阶段，样本来源相对单一（主要基于UK Biobank数据） | 探索心脏肥大的复杂遗传调控机制，特别是表观遗传相互作用 | 人类心脏组织、诱导多能干细胞来源的心肌细胞 | 机器学习 | 心血管疾病 | 心脏MRI、RNA沉默、单细胞形态分析、微流体系统 | 随机森林、深度学习 | 遗传数据、医学影像数据、转录组数据 | UK Biobank中29,661个体的心脏MRI扫描，313例人类心脏组织的转录组数据 | NA | NA | NA | NA |
| 5054 | 2025-10-06 |
Deep Learning-Accelerated Designs of Tunable Magneto-Mechanical Metamaterials
2022-Jul-27, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.2c09052
PMID:35833606
|
研究论文 | 开发了一种基于深度学习的逆向设计框架，用于设计可调谐磁机械超材料 | 使用深度残差网络替代传统有限元分析，实现快速逆向设计磁机械超材料 | NA | 开发能够根据预定性能逆向设计磁机械超材料的框架 | 磁机械超材料 | 机器学习 | NA | 直接墨水书写打印方法 | 深度学习 | 模拟数据 | NA | NA | ResNet | NA | NA |
| 5055 | 2025-10-06 |
Enhancing biliary tract cancer diagnosis using AI-driven 3D optical diffraction tomography
2025-Sep, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2025.06.003
PMID:40484187
|
研究论文 | 本研究结合三维光学衍射断层扫描和卷积神经网络，基于脂滴特征实现胆道癌细胞的自动分类 | 首次将3D光学衍射断层扫描与深度学习结合用于胆道癌诊断，并通过脂滴 metadata 和多视图分数融合显著提升分类性能 | 研究仅使用细胞系数据，尚未在临床样本中验证 | 开发基于脂滴特征的胆道癌自动诊断系统 | 人类胆道癌细胞系(SNU1196、SNU308、SNU478)和正常胆管细胞系(H69) | 计算机视觉 | 胆道癌 | 三维光学衍射断层扫描 | CNN | 三维折射率断层图像 | 4种细胞系(3种癌细胞系和1种正常细胞系) | NA | EfficientNet-b3 | AUC, 准确率 | NA |
| 5056 | 2025-10-06 |
AI-powered liquid biopsy for early detection of gastrointestinal cancers
2025-Sep-01, Clinica chimica acta; international journal of clinical chemistry
DOI:10.1016/j.cca.2025.120484
PMID:40669686
|
综述 | 本文综述人工智能驱动的液体活检技术在胃肠道癌症早期检测中的最新进展与应用潜力 | 整合机器学习与深度学习技术提升液体活检对循环肿瘤DNA、外泌体RNA和肿瘤教育血小板的检测精度，实现多组学数据融合分析 | 存在数据标准化不足、算法偏差风险和监管验证缺失等关键挑战 | 探索人工智能技术如何增强液体活检在胃肠道癌症早期诊断中的临床效用 | 胃肠道癌症患者的循环生物标志物（ctDNA、外泌体RNA、肿瘤教育血小板） | 机器学习 | 胃肠道癌症 | 液体活检，多组学整合分析，甲基化分析，片段组学 | 机器学习，深度学习 | 基因组数据，表观遗传数据，生物分子数据 | NA | NA | NA | 灵敏度，特异性 | 联邦学习框架 |
| 5057 | 2024-12-05 |
Multimodal Deep Learning-based Radiomics Approach for Predicting Surgical Outcomes in Patients With Cervical Ossification of the Posterior Longitudinal Ligament
2025-Aug-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005227
PMID:39618126
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5058 | 2025-10-06 |
Multimodal Deep Learning for Grading Carpal Tunnel Syndrome: A Multicenter Study in China
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.043
PMID:40157849
|
研究论文 | 开发用于腕管综合征分级的多模态深度学习模型CTSGrader，整合临床信息和多模态超声特征 | 首次开发结合临床信息和多模态超声特征的联合深度学习模型用于CTS分级，并进行多中心验证和跨设备测试 | 回顾性研究设计，需要进一步前瞻性验证 | 通过深度学习模型改进腕管综合征的严重程度分级 | 腕管综合征患者 | 医学影像分析 | 腕管综合征 | 超声成像，电生理检查 | 深度学习模型 | 超声图像，临床数据 | 训练集680例，内部验证集173例，外部验证集174例，跨设备验证集224例 | NA | CTSGrader | AUC，准确率 | NA |
| 5059 | 2025-10-06 |
Deep learning-based prediction of enhanced CT scans for lymph node metastasis in esophageal squamous cell carcinoma
2025-Aug, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01780-y
PMID:40214915
|
研究论文 | 本研究开发了一种结合CNN和LSTM的深度学习模型LymphoReso-Net，用于基于增强CT图像预测食管鳞癌淋巴结转移 | 提出了新型深度学习框架LymphoReso-Net，结合CNN和LSTM网络处理医学影像数据，并集成GRAD-CAM增强模型可解释性 | 回顾性研究设计，样本量相对有限（441例患者） | 优化食管鳞癌治疗策略，通过预测淋巴结转移改善患者预后 | 食管鳞癌患者 | 计算机视觉 | 食管癌 | 增强CT扫描 | CNN, LSTM | 医学影像 | 441例接受根治性食管切除术和区域淋巴结清扫术的ESCC患者 | NA | LymphoReso-Net | 准确率, 敏感度, 特异度, AUC-ROC | NA |
| 5060 | 2025-10-06 |
Habitat Radiomics and Deep Learning Features Based on CT for Predicting Lymphovascular Invasion in T1-stage Lung Adenocarcinoma: A Multicenter Study
2025-Aug, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.04.005
PMID:40253221
|
研究论文 | 本研究基于CT影像开发栖息地放射组学模型，用于预测T1期肺腺癌患者的淋巴血管侵犯 | 首次将栖息地放射组学应用于T1期肺腺癌LVI预测，并通过多中心研究验证其优于传统放射组学和深度学习模型 | 回顾性研究设计，样本量相对有限（349例患者） | 预测T1期肺腺癌患者的淋巴血管侵犯状态 | T1期肺腺癌患者 | 医学影像分析 | 肺癌 | CT成像，K-means聚类算法 | 放射组学模型，栖息地模型，深度学习模型 | CT影像 | 349例T1期肺腺癌患者（来自三个医疗中心） | NA | NA | AUC，校准曲线，决策曲线分析 | NA |