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 5081 - 5100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5081 | 2025-10-29 |
Evaluation of a Mammography-based Deep Learning Model for Breast Cancer Risk Prediction in a Triennial Screening Program
2025-Oct, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250391
PMID:41147910
|
研究论文 | 评估基于乳腺X线摄影的深度学习模型Mirai在英国三年期筛查项目中预测乳腺癌风险的能力 | 首次在三年期乳腺癌筛查项目中系统评估深度学习风险预测模型对间期癌的预测性能 | 回顾性研究设计，仅包含两个筛查中心和两种主要乳腺X线摄影系统的数据 | 评估深度学习算法在三年期乳腺癌筛查中预测间期癌的能力 | 英国50-70岁参与三年期乳腺X线筛查的女性 | 数字病理 | 乳腺癌 | 数字乳腺X线摄影 | 深度学习 | 医学影像 | 134,217例检查（来自相同数量女性），包含524例间期癌 | NA | Mirai | AUC, C指数, 真阳性率 | NA |
| 5082 | 2025-10-29 |
Reducing False Alarms in Lung Cancer Screening: The Promise of Deep Learning
2025-Oct, Radiology
IF:12.1Q1
DOI:10.1148/radiol.252917
PMID:41147921
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5083 | 2025-10-29 |
DL-SDE: A deep learning framework for source depth estimation in shallow water using vertical linear array
2025-Oct-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0039667
PMID:41147943
|
研究论文 | 提出一种基于深度学习的浅水声源深度估计框架DL-SDE，通过多尺度卷积和残差多头自注意力模块捕捉垂直线阵中的声波干涉模式 | 首次将多尺度局部干涉模式与全局非均匀关系建模相结合，通过物理机制引导的深度学习框架解决水下声源深度估计问题 | 性能在100Hz以上频率和覆盖至少50%水柱的阵列深度时保持稳定，对更低频率或更浅阵列的适用性未验证 | 开发鲁棒且准确的水下声源深度估计方法 | 浅水环境中的水下声源 | 机器学习 | NA | 垂直线性阵列声学测量 | CNN, 自注意力机制 | 声学干涉模式数据 | NA | 深度学习框架 | 多尺度卷积模块, 残差多头自注意力模块 | 平均绝对误差, 可信定位概率 | NA |
| 5084 | 2025-10-29 |
Deep learning for automated boundary detection and segmentation in organ donation photography
2025-Sep, Innovative surgical sciences
IF:1.7Q2
DOI:10.1515/iss-2024-0022
PMID:40568340
|
研究论文 | 开发用于器官捐献摄影中肾脏和肝脏自动边界检测与分割的深度学习模型 | 首次在器官捐献摄影领域应用深度学习进行精确自动分割，比较了两种新颖模型(Detectron2和YoloV8)与传统背景去除工具的性能 | 研究仅针对肾脏和肝脏器官，未涉及其他器官类型 | 开发能够准确从背景中分割器官的深度学习模型，以支持医学摄影中的计算机视觉应用 | 肾脏和肝脏的器官捐献摄影图像 | 计算机视觉 | 器官移植 | 医学摄影 | 深度学习分割模型 | 图像 | 训练/内部验证集(821张肾脏图像和400张肝脏图像)，外部验证集(203张肾脏图像和208张肝脏图像) | Detectron2 | Detectron2, YoloV8 | IoU | NA |
| 5085 | 2025-10-29 |
External Test of a Deep Learning Algorithm for Pulmonary Nodule Malignancy Risk Stratification Using European Screening Data
2025-Sep, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250874
PMID:40956165
|
研究论文 | 本研究使用欧洲三大肺癌筛查试验数据对深度学习算法进行外部测试，评估其在肺结节恶性风险分层中的性能 | 首次在欧洲多中心筛查数据上对深度学习算法进行外部验证，并与PanCan模型进行对比 | 回顾性研究设计，数据来源于特定欧洲人群 | 评估深度学习算法在肺结节恶性风险分层中的外部验证性能 | 来自丹麦、意大利和荷兰-比利时肺癌筛查试验的参与者 | 医学影像分析 | 肺癌 | 低剂量CT筛查 | 深度学习算法 | CT影像 | 4146名参与者，7614个良性结节和180个恶性结节 | NA | NA | AUC, 敏感性, 假阳性率 | NA |
| 5086 | 2025-10-29 |
Radiomics and deep learning methods for predicting the growth of subsolid nodules based on CT images
2025-Aug-29, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000044104
PMID:40898494
|
研究论文 | 本研究通过结合影像组学和深度学习方法，基于CT图像预测亚实性肺结节的生长风险 | 首次将影像组学特征与深度学习模型通过基于ResNet的融合网络进行集成，显著提升了亚实性结节生长预测性能 | 回顾性研究设计，样本量相对有限（387个结节），需要多中心前瞻性验证 | 评估深度学习和影像组学方法在预测亚实性肺结节生长方面的临床应用价值 | 353名患者的387个亚实性肺结节 | 医学影像分析 | 肺癌 | CT成像 | 深度学习, 影像组学 | CT图像 | 387个亚实性肺结节（195个生长组，192个非生长组） | NA | ResNet18 | AUC, 决策曲线分析 | NA |
| 5087 | 2025-10-29 |
Artificial intelligence in joint arthroplasty: A bibliometric analysis of global research trends (2001-2025)
2025-Aug-29, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000044136
PMID:40898573
|
文献计量分析 | 通过文献计量分析探讨2001-2025年人工智能在关节置换领域的研究趋势和热点 | 首次系统分析人工智能在关节置换领域的全球研究趋势和发展脉络 | 仅基于Web of Science数据库，可能未涵盖所有相关文献 | 揭示人工智能在关节置换领域的研究重点和全球发展趋势 | 关节置换相关的人工智能研究文献 | 医学信息学 | 骨科疾病 | 文献计量分析 | NA | 文献数据 | 533篇出版物 | CiteSpace, VOSviewer, Scimago Graphica | NA | NA | NA |
| 5088 | 2025-10-29 |
On the Utility of Virtual Staining for Downstream Applications as it relates to Task Network Capacity
2025-Aug-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.04.668552
PMID:40799532
|
研究论文 | 系统研究虚拟染色技术对下游临床应用效用的影响，重点关注任务网络容量的作用 | 首次系统研究虚拟染色对下游任务性能的影响，并揭示任务网络容量在此过程中的关键作用 | 仅使用生物数据集进行实证评估，未涉及更广泛的临床场景 | 评估虚拟染色技术对下游生物或临床任务的实际效用 | 虚拟染色生成的合成荧光图像及其对分割和分类任务的影响 | 数字病理 | NA | 深度学习图像到图像转换 | NA | 图像 | NA | NA | NA | 分割性能, 分类性能 | NA |
| 5089 | 2025-10-29 |
Impact of Deep Learning-Based Image Conversion on Fully Automated Coronary Artery Calcium Scoring Using Thin-Slice, Sharp-Kernel, Non-Gated, Low-Dose Chest CT Scans: A Multi-Center Study
2025-Aug, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2025.0177
PMID:40527737
|
研究论文 | 评估基于深度学习的图像转换技术对使用薄层、锐利核、非门控、低剂量胸部CT扫描进行自动冠状动脉钙化评分的准确性影响 | 首次在多中心研究中利用深度学习技术将低剂量CT图像转换为模拟标准钙化评分CT图像，显著提升了自动钙化评分的准确性 | 研究为回顾性设计，样本量相对有限（225对图像），仅使用特定厂商的软件进行图像转换 | 提高低剂量胸部CT扫描在自动冠状动脉钙化评分中的准确性和临床应用价值 | 来自四个医疗机构的225对低剂量CT和钙化评分CT图像 | 医学影像分析 | 心血管疾病 | 深度学习图像转换，CT成像 | 深度学习模型 | 医学CT图像 | 225对来自四个医疗机构的LDCT和CSCT图像 | NA | NA | Bland-Altman分析，一致性相关系数（CCC），加权kappa统计量 | NA |
| 5090 | 2025-10-29 |
Deep Learning-based Hierarchical Brain Segmentation with Preliminary Analysis of the Repeatability and Reproducibility
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2023-0124
PMID:38960679
|
研究论文 | 开发基于深度学习的层次化脑部分割方法并评估其体积测量的可重复性和再现性 | 提出新型深度学习层次化脑部分割方法，能够在临床可行时间内分割107个脑部子区域 | 仅使用11名健康受试者的扫描-重扫描数据进行评估，样本量有限 | 评估深度学习脑部分割方法在体积测量中的可重复性和再现性 | 人脑T1加权磁共振图像 | 医学图像分析 | 脑部疾病 | T1加权磁共振成像 | 深度学习模型 | 3D医学图像 | 486名受试者用于训练，11名健康受试者用于评估 | NA | 层次化分割模型 | 可重复性, 再现性 | NA |
| 5091 | 2025-10-29 |
Utility of Thin-slice Fat-suppressed Single-shot T2-weighted MR Imaging with Deep Learning Image Reconstruction as a Protocol for Evaluating the Pancreas
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0017
PMID:38910138
|
研究论文 | 比较薄层脂肪抑制单次激发T2加权成像与深度学习图像重建和传统快速自旋回波T2加权成像在胰腺评估中的效用 | 首次将深度学习图像重建技术应用于薄层脂肪抑制单次激发T2加权成像，用于胰腺评估 | 回顾性研究设计，样本量较小（42例患者），仅针对胰腺癌患者 | 评估不同T2加权成像序列结合深度学习图像重建在胰腺成像中的性能 | 胰腺癌患者的MRI图像 | 医学影像分析 | 胰腺癌 | MRI（钆塞酸增强磁共振成像），T2加权成像，深度学习图像重建 | 深度学习 | 医学影像 | 42例胰腺癌患者（平均年龄70.2岁） | NA | NA | 信噪比，胰腺-病灶对比度，图像质量评分（5分制） | NA |
| 5092 | 2025-10-29 |
Thin-slice 2D MR Imaging of the Shoulder Joint Using Denoising Deep Learning Reconstruction Provides Higher Image Quality Than 3D MR Imaging
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2023-0115
PMID:38777762
|
研究论文 | 比较薄层2D磁共振成像结合深度学习去噪重建与3D磁共振成像在肩关节成像中的图像质量 | 首次将并行成像、部分傅里叶技术和深度学习去噪重建结合应用于肩关节薄层2D成像，并与传统3D成像进行系统比较 | 样本量较小（仅18例患者），未详细说明深度学习模型的具体架构和训练细节 | 评估薄层2D脂肪饱和质子密度加权成像结合先进重建技术在肩关节成像中的临床应用价值 | 肩关节磁共振图像 | 医学影像分析 | 肌肉骨骼疾病 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 18例患者 | NA | NA | 变异系数，Likert量表评分，Gwet一致性系数 | NA |
| 5093 | 2025-10-29 |
On the Utility of Virtual Staining for Downstream Applications as it relates to Task Network Capacity
2025-Jul-31, ArXiv
PMID:40766889
|
研究论文 | 系统研究虚拟染色技术对下游临床任务效用的影响，重点关注任务网络容量的作用 | 首次系统分析虚拟染色对下游任务性能的影响，并揭示任务网络容量在此过程中的关键作用 | 研究基于生物数据集进行实证评估，可能受限于特定数据集特性 | 评估虚拟染色技术对下游临床任务（如分割和分类）的实际效用 | 生物医学图像及其下游分析任务 | 数字病理 | NA | 深度学习图像到图像转换 | 深度学习网络 | 无标记图像、虚拟染色图像、真实荧光图像 | NA | NA | 图像到图像转换网络 | 分割性能、分类性能 | NA |
| 5094 | 2025-06-05 |
Geometric Deep Learning for Multimodal Data in CKD
2025-Jun-03, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.0000000778
PMID:40459949
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5095 | 2025-10-29 |
A Robust and Data-Efficient Deep Learning Model for Cardiac Assessment without Segmentation
2024-Oct-28, Research square
DOI:10.21203/rs.3.rs-5290766/v1
PMID:39574901
|
研究论文 | 提出一种无需心室分割的鲁棒且数据高效深度学习模型用于心脏评估 | 通过分解和转换卷积编码器输出估计与心动周期相关的帧级权重，无需分割模型即可处理噪声输入 | 未明确说明模型在极端噪声条件下的性能表现 | 开发无需心室分割的鲁棒心脏评估深度学习算法 | 经胸超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 深度学习 | R(2+1)D CNN | 视频 | NA | NA | R(2+1)D卷积编码器 | NA | NA |
| 5096 | 2025-10-29 |
Predicting the effort required to manually mend auto-segmentations
2024-Jun-13, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.12.24308779
PMID:38947045
|
研究论文 | 本研究探讨如何评估医学图像自动分割结果所需的人工修正工作量 | 提出混合指标Mendability Index (MI)评估修正工作量，并探索使用深度学习模型预测修正工作量的可行性 | 研究仅基于7个对象的数据集，样本量相对有限 | 探索评估医学图像自动分割结果临床适用性的合适方法 | 医学图像自动分割结果及其人工修正过程 | 医学图像分析 | NA | CT成像 | 深度学习模型 | CT图像, 分割掩码 | 来自三个不同机构的7个对象数据集 | NA | NA | Dice系数, Hausdorff距离, 表面Dice系数, 添加路径长度, Mendability指数 | NA |
| 5097 | 2025-10-26 |
VASCilia (Vision Analysis StereoCilia): A Napari Plugin for Deep Learning-Based 3D Analysis of Cochlear Hair Cell Stereocilia Bundles
2025-Sep-23, bioRxiv : the preprint server for biology
DOI:10.1101/2024.06.17.599381
PMID:38948743
|
研究论文 | 开发了一个名为VASCilia的Napari插件，用于基于深度学习的耳蜗毛细胞立体纤毛束3D分析 | 首个专门用于耳蜗毛细胞立体纤毛束3D分析的深度学习工具套件，包含五个深度学习模型和自动化计算工具 | NA | 开发自动化工具以解决耳蜗毛细胞立体纤毛束3D形态分析的挑战 | 耳蜗毛细胞立体纤毛束 | 计算机视觉 | 听力障碍 | 共聚焦显微镜，鬼笔环肽染色 | 深度学习模型 | 3D图像堆栈 | 约55个3D图像堆栈，包含502个内毛细胞束和1,703个外毛细胞束 | Napari | Z-Focus Tracker, PCPAlignNet, 分割模型, 位置预测工具, 分类工具 | NA | NA |
| 5098 | 2025-10-28 |
Deep learning analysis of histopathological images predicts immunotherapy prognosis and reveals tumour microenvironment features in non-small cell lung cancer
2024-Dec, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-024-02856-8
PMID:39455880
|
研究论文 | 本研究开发了一种基于深度学习分析H&E组织病理图像的免疫检查点抑制剂预后预测模型 | 首次基于H&E染色图像开发免疫相关病理预后特征，采用改进的ResNet模型结合渐进式增长策略和AdamW优化器 | 样本量相对有限，仅包含本地队列106例和TCGA队列899例患者 | 预测非小细胞肺癌患者对免疫检查点抑制剂的治疗反应和预后 | 非小细胞肺癌患者的H&E染色组织病理图像 | 数字病理 | 肺癌 | H&E染色 | CNN | 图像 | 本地队列106例，TCGA队列899例 | PyTorch | ResNet18-PG | AUC, 召回率, 风险比, 对数秩检验P值 | NA |
| 5099 | 2025-10-27 |
MCA-GAN: A lightweight Multi-scale Context-Aware Generative Adversarial Network for MRI reconstruction
2025-Dec, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110465
PMID:40780320
|
研究论文 | 提出一种轻量级多尺度上下文感知生成对抗网络MCA-GAN，用于加速MRI重建 | 通过双域生成器协同优化k空间和图像域表示，集成多个轻量级模块实现高效多尺度特征提取和全局上下文建模 | NA | 提高MRI重建质量同时显著降低计算成本 | MRI图像重建 | 医学影像处理 | NA | 磁共振成像 | GAN | MRI图像 | IXI、MICCAI 2013和MRNet膝关节数据集 | NA | MCA-GAN, 包含DWLA、AGRB、MSCMB、CSMS模块 | PSNR, SSIM | NA |
| 5100 | 2025-10-27 |
Deep learning-based automatic contour quality assurance for auto-segmented abdominal MR-Linac contours
2024-Oct-25, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad87a6
PMID:39413822
|
研究论文 | 开发基于深度学习的自动轮廓质量评估模型，用于评估腹部MR-Linac中自动分割的胰腺和十二指肠轮廓质量 | 首次提出基于3D卷积神经网络的自动轮廓质量评估模型，能够快速识别需要编辑的自动分割轮廓 | 训练数据集规模有限（103个数据集），且使用内部开发的轮廓分类工具进行质量标注 | 优化MR引导在线自适应放疗中自动分割轮廓的质量保证流程 | 腹部MRI中的胰腺和十二指肠自动分割轮廓 | 数字病理 | 腹部恶性肿瘤 | MRI | CNN | 3D医学图像 | 103个训练数据集，34个独立测试数据集 | NA | 3D卷积神经网络 | 准确率 | NA |