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 32492 篇文献，本页显示第 5541 - 5560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5541 | 2025-07-22 |
High-definition motion-resolved MRI using 3D radial kooshball acquisition and deep learning spatial-temporal 4D reconstruction
2025-Jun-17, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ade195
PMID:40472864
|
研究论文 | 开发一种结合3D径向kooshball采集和时空深度学习4D重建技术的自由呼吸高清(HD)肺部MRI方法，实现1.1毫米各向同性分辨率和扫描时间少于5分钟 | 提出两种高清Movienet (HD-Movienet)深度学习模型用于3D径向kooshball数据重建，显著缩短重建时间并保持图像质量 | 3D-based HD-Movienet虽然提高了重建质量，但重建时间更长 | 开发快速高分辨率的自由呼吸肺部MRI技术 | 八名健康志愿者和十名肺部肿瘤患者 | 医学影像 | 肺癌 | 3D径向kooshball序列采集，深度学习重建 | 2D-based HD-Movienet, 3D-based HD-Movienet | MRI影像 | 18人（8名健康志愿者和10名患者） | NA | NA | NA | NA |
| 5542 | 2025-10-06 |
Efficiency of oral keratinized gingiva detection and measurement based on convolutional neural network
2025-Jun, Journal of periodontology
IF:4.2Q1
DOI:10.1002/JPER.24-0151
PMID:39007745
|
研究论文 | 本研究基于卷积神经网络开发自动检测和测量口腔角化牙龈的方法 | 首次比较不同CNN网络在角化牙龈分割中的性能，并验证深度学习测量与临床医生测量的一致性 | 仅使用600张口腔内照片，样本量相对有限 | 评估不同卷积神经网络在检测和测量角化牙龈宽度方面的性能 | 口腔角化牙龈组织 | 计算机视觉 | 口腔疾病 | 口腔内摄影 | CNN | 图像 | 600张口腔内照片（来自1200张原始照片） | NA | ResNet50, DeepLab | 准确率, 交并比, F1分数 | NA |
| 5543 | 2025-07-22 |
A Diffusion-Based Framework for Designing Molecules in Flexible Protein Pockets
2025-May-30, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.27.656443
PMID:40502112
|
research paper | 提出了一种基于扩散的框架YuelDesign，用于设计适应柔性蛋白口袋的分子 | YuelDesign采用新的蛋白质编码方案和全连接图表示来编码蛋白口袋的灵活性，以及专门的键重建模块 | 未提及具体的局限性 | 解决基于结构的药物发现中柔性蛋白口袋分子设计的挑战 | 柔性蛋白口袋和分子设计 | machine learning | NA | 扩散模型 | diffusion-based framework | molecular structures | NA | NA | NA | NA | NA |
| 5544 | 2025-07-22 |
Operationalizing postmortem pathology-MRI association studies in Alzheimer's disease and related disorders with MRI-guided histology sampling
2025-05-28, Acta neuropathologica communications
IF:6.2Q1
DOI:10.1186/s40478-025-02030-y
PMID:40437594
|
研究论文 | 本文开发了一种结合7T MRI引导的组织病理学采样和数字成像的全面方案，用于阿尔茨海默病及相关疾病的死后病理-MRI关联研究 | 开发了患者特异性3D打印模具和半自动MRI到组织学配准流程，以及使用弱监督深度学习的定量病理评分系统 | 研究仅针对29个大脑样本进行验证，样本量相对较小 | 开发标准化方法整合组织学和MRI，以改进阿尔茨海默病及相关疾病的神经病理学研究 | 死后大脑组织，特别是阿尔茨海默病谱系疾病患者的大脑 | 数字病理学 | 阿尔茨海默病 | 7T MRI，全切片数字成像，弱监督深度学习 | 深度学习模型（具体类型未明确说明） | MRI图像，组织学图像 | 29个确诊为阿尔茨海默病谱系疾病的大脑 | NA | NA | NA | NA |
| 5545 | 2025-10-06 |
Empowering Data Sharing in Neuroscience: A Deep Learning Deidentification Method for Pediatric Brain MRIs
2025-May-02, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8581
PMID:39532533
|
研究论文 | 开发了一种基于深度学习的儿科脑部MRI面部去识别方法，以促进神经科学数据共享 | 首个专门针对儿科病例和多种MRI序列的自动去识别工具，解决了现有工具在儿科病例上的性能不足问题 | 耳朵区域去除准确率相对较低(73%)，主要针对儿科脑肿瘤患者数据 | 开发儿科脑部MRI的自动去识别工具，促进神经科学研究数据共享 | 儿科脑部MRI图像，包括脑肿瘤患者和临床对照患者 | 医学影像分析 | 脑肿瘤 | 多参数MRI (T1W, T1W-contrast-enhanced, T2W, T2W-FLAIR) | 深度学习 | 医学影像 | 244名患者(208名脑肿瘤患者+36名临床对照)，976张图像，年龄范围7天至21岁 | nnU-Net | U-Net | 准确率, 相关系数(r S), p值 | NA |
| 5546 | 2025-10-06 |
Perfusion estimation from dynamic non-contrast computed tomography using self-supervised learning and a physics-inspired U-net transformer architecture
2025-May, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03323-2
PMID:39832070
|
研究论文 | 提出一种基于自监督学习和物理启发U-net Transformer架构的新方法，从动态非对比计算机断层扫描中预测肺灌注成像 | 开发了适用于连体IE-CT输入的U-Net Transformer架构，结合物理模型见解和专门为肺功能预测设计的自监督学习策略 | 监督训练仅使用44名患者的小样本队列，需要进一步开发以扩展临床应用 | 从非对比吸气和呼气CT扫描预测肺灌注成像 | 肺灌注成像 | 医学影像分析 | 肺部疾病 | 计算机断层扫描(CT), 单光子发射计算机断层扫描(SPECT/CT) | U-Net, Transformer | 医学影像 | 自监督训练使用523个IE-CT图像，监督训练使用44名患者 | NA | U-Net Transformer | 空间Spearman相关系数, 中位数相关系数 | NA |
| 5547 | 2025-10-06 |
On-patient medical record and mRNA therapeutics using intradermal microneedles
2025-May, Nature materials
IF:37.2Q1
DOI:10.1038/s41563-024-02115-4
PMID:39994390
|
研究论文 | 开发了一种通过皮内微针同时实现mRNA治疗和患者医疗记录存储的隐形技术 | 首创将医疗记录以近红外荧光微粒形式存储在患者皮肤中，并与mRNA治疗共同递送 | 目前仅在猪模型中进行了长期研究，尚未进行人体临床试验 | 解决医疗记录不可靠或缺失的问题，提高治疗和疾病预防效果 | 猪模型和SARS-CoV-2 mRNA疫苗 | 数字病理 | 传染病 | 皮内微针技术，近红外荧光标记，mRNA治疗 | 深度学习 | 图像 | 猪模型长期研究 | NA | NA | 时间鲁棒性，空间鲁棒性，安全性，有效性，可靠性 | NA |
| 5548 | 2025-10-06 |
Accurate and rapid determination of metabolic flux by deep learning of isotope patterns
2025-Apr-15, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.06.565907
PMID:37986781
|
研究论文 | 开发了一种名为ML-Flux的机器学习框架，通过深度学习同位素标记模式来快速准确测定代谢通量 | 首创使用神经网络直接解析复杂同位素标记模式，替代传统的间接迭代求解器 | 目前仅涵盖中心碳代谢的26种关键示踪剂，网络覆盖范围有待扩展 | 开发快速准确的代谢通量定量分析方法 | 中心碳代谢中的同位素标记模式 | 机器学习 | NA | 同位素示踪技术 | 神经网络 | 同位素标记模式数据 | 26种关键C-葡萄糖、H-葡萄糖和C-谷氨酰胺示踪剂 | NA | NA | 准确性, 计算速度 | NA |
| 5549 | 2025-10-06 |
Deciphering epistatic genetic regulation of cardiac hypertrophy
2025-Apr-11, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.11.06.23297858
PMID:37987017
|
研究论文 | 本研究开发了低信号符号迭代随机森林方法，揭示了心脏肥大的复杂遗传调控机制 | 开发了低信号符号迭代随机森林新方法，首次系统性地揭示了心脏肥大中的上位性遗传调控网络 | 研究主要基于英国生物银行数据，样本来源相对单一，需要在其他人群中进一步验证 | 解析心脏肥大的上位性遗传调控机制 | 人类心脏组织、人类诱导多能干细胞来源的心肌细胞 | 生物信息学 | 心血管疾病 | 深度学习、RNA沉默、微流控单细胞形态分析、转录组网络分析 | 随机森林、深度学习模型 | 心脏MRI图像、基因组数据、转录组数据 | 29,661例英国生物银行心脏MRI，313例人类心脏组织 | NA | NA | NA | NA |
| 5550 | 2025-10-06 |
MUC5B Genotype and Other Common Variants Are Associated with Computational Imaging Features of Usual Interstitial Pneumonia
2025-Apr, Annals of the American Thoracic Society
IF:6.8Q1
DOI:10.1513/AnnalsATS.202401-022OC
PMID:39591102
|
研究论文 | 本研究探讨了MUC5B基因型及其他常见变异与通过计算成像分析获得的普通间质性肺炎特征之间的关联 | 首次将遗传风险谱与基于深度学习的计算成像表型相关联，为特发性肺纤维化提供了新的基因型-表型关联分析方法 | 样本量相对有限（329名参与者），且未发现常见变异与计算成像评估的纤维化程度之间的关联 | 确定IPF患者的遗传风险谱是否能识别独特的计算成像表型 | 特发性肺纤维化患者 | 数字病理 | 肺纤维化 | 计算断层扫描, 计算图像分析 | 深度学习 | CT图像 | 329名IPF参与者 | NA | NA | NA | NA |
| 5551 | 2025-10-06 |
Combination of deep learning reconstruction and quantification for dynamic contrast-enhanced (DCE) MRI
2025-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2024.110310
PMID:39710009
|
研究论文 | 提出一种结合深度学习重建与量化的端到端动态对比增强MRI技术 | 开发了新型深度重建网络DCE-Movienet，结合已有的DCE-Qnet量化网络，实现快速定量DCE-MRI | 仅在健康志愿者和一名宫颈癌患者中验证，样本规模有限 | 解决DCE-MRI在采集速度和量化性能方面的挑战 | 动态对比增强MRI数据 | 医学影像分析 | 宫颈癌 | 动态对比增强MRI | 深度学习网络 | 4D MRI数据 | 健康志愿者和一名宫颈癌患者 | NA | DCE-Movienet, DCE-Qnet | 重建时间，图像质量 | NA |
| 5552 | 2025-07-22 |
Foundation Model for Predicting Prognosis and Adjuvant Therapy Benefit From Digital Pathology in GI Cancers
2025-Apr-01, Journal of clinical oncology : official journal of the American Society of Clinical Oncology
IF:42.1Q1
DOI:10.1200/JCO-24-01501
PMID:40168636
|
研究论文 | 本文介绍了一种基于数字病理学的AI基础模型，用于预测胃肠道癌症的预后和辅助治疗效益 | 开发了一个基于自监督学习的AI基础模型，能够从标准H&E染色病理切片中预测预后，并在多个国际队列中验证了其预测生存结果的能力 | 需要前瞻性验证以确认模型的临床应用价值 | 提高胃肠道癌症的诊断和治疗效果 | 胃肠道癌症患者 | 数字病理学 | 胃肠道癌症 | 自监督学习 | 深度学习模型 | 图像 | 104,876张全切片图像中的1.3亿个补丁，包括1,619名胃和食管癌患者和2,594名结直肠癌患者 | NA | NA | NA | NA |
| 5553 | 2025-07-22 |
Accurate treatment effect estimation using inverse probability of treatment weighting with deep learning
2025-Apr, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooaf032
PMID:40290454
|
研究论文 | 本研究利用深度序列模型通过逆处理概率加权（IPTW）方法准确估计处理效应，无需特征处理 | 提出使用深度序列模型（如RNN和Transformer）直接从索赔记录中估计倾向得分，无需特征处理，提高了处理效应估计的准确性 | 研究主要基于合成和半合成数据集，未在真实世界数据中广泛验证 | 在存在时间依赖性混杂因素的情况下，准确估计处理效应 | 电子健康记录（EHRs）中的索赔记录 | 机器学习 | NA | 逆处理概率加权（IPTW） | RNN, Transformer | 电子健康记录（EHRs） | 合成和半合成数据集 | NA | NA | NA | NA |
| 5554 | 2025-07-22 |
Review of the Current State of Artificial Intelligence in Pediatric Cardiovascular Magnetic Resonance Imaging
2025-Mar-26, Children (Basel, Switzerland)
DOI:10.3390/children12040416
PMID:40310065
|
review | 本文综述了人工智能在儿科心血管磁共振成像（CMR）中的当前应用状态 | 探讨了AI如何通过深度学习技术提高CMR在先天性心脏病（CHD）中的效率、图像质量和减少错误 | 未提及具体的实验数据或样本量，可能缺乏实证支持 | 提高先天性心脏病（CHD）中心血管磁共振成像（CMR）的效率和质量 | 儿科心血管磁共振成像（CMR） | digital pathology | cardiovascular disease | deep learning | NA | image | NA | NA | NA | NA | NA |
| 5555 | 2025-10-06 |
Current Advancements in Digital Neuropathology and Machine Learning for the Study of Neurodegenerative Diseases
2025-Feb-13, The American journal of pathology
DOI:10.1016/j.ajpath.2024.12.018
PMID:39954963
|
综述 | 本文探讨计算神经退行性神经病理学这一新兴领域，重点分析全幻灯片图像和机器学习技术在神经退行性疾病研究中的应用与挑战 | 系统整合数字神经病理学与机器学习技术，提出通过无监督学习和可解释AI模型挖掘未标注数据中的新模式 | 面临专家标注有限、切片扫描可及性差、机构间差异大以及大型WSI数据集共享复杂等挑战 | 提升神经病理学评估、诊断和研究水平，推动对神经退行性疾病的深入理解 | 神经退行性疾病的神经病理学数据 | 数字病理学 | 神经退行性疾病 | 全幻灯片成像技术 | 深度学习, 无监督学习 | 全幻灯片图像 | NA | NA | NA | NA | NA |
| 5556 | 2025-10-06 |
3D convolutional deep learning for nonlinear estimation of body composition from whole body morphology
2025-Feb-02, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01469-6
PMID:39894882
|
研究论文 | 本研究提出使用3D卷积图网络和非线性高斯过程回归从全身形态估计身体成分的新方法 | 首次将深度3D卷积图网络应用于人体形状参数化和身体成分估计，相比传统线性方法显著提升预测精度 | 深度形状特征仅对男性显示出预测误差降低，数据集规模有限（4286个扫描） | 开发非线性方法从3D光学图像准确预测身体成分 | 人体身体形状和成分 | 计算机视觉 | NA | 3D光学成像 | 3D CNN, GPR | 3D图像 | 4286个身体扫描 | NA | 3D卷积图网络 | R, RMSE, 预测误差, 精度误差 | NA |
| 5557 | 2025-10-06 |
Whole-body low-dose computed tomography in patients with newly diagnosed multiple myeloma predicts cytogenetic risk: a deep learning radiogenomics study
2025-Feb, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04733-0
PMID:38937291
|
研究论文 | 开发基于全身低剂量CT的深度学习模型，用于预测多发性骨髓瘤患者的细胞遗传学风险 | 首次将深度学习放射基因组学应用于全身低剂量CT扫描，实现无创预测多发性骨髓瘤细胞遗传学异常 | 样本量相对有限（151例患者），未提及外部验证结果 | 建立基于影像学的无创方法预测多发性骨髓瘤细胞遗传学风险 | 新诊断的多发性骨髓瘤患者 | 放射基因组学 | 多发性骨髓瘤 | 全身低剂量CT，荧光原位杂交 | 深度学习 | 医学影像 | 151例多发性骨髓瘤患者 | NA | NA | AUROC | NA |
| 5558 | 2025-10-06 |
Spatial transcriptomic clocks reveal cell proximity effects in brain ageing
2025-Feb, Nature
IF:50.5Q1
DOI:10.1038/s41586-024-08334-8
PMID:39695234
|
研究论文 | 本研究通过构建空间转录组时钟模型，揭示了大脑衰老过程中细胞邻近效应的影响机制 | 开发了首个空间衰老时钟模型，能够识别罕见细胞类型的空间特异性转录组特征，并发现T细胞和神经干细胞对邻近细胞的显著影响 | 研究主要基于小鼠模型，人类大脑的验证仍需进一步研究；空间分辨率的限制可能影响细胞相互作用的精确解析 | 系统研究大脑衰老过程中细胞间相互作用及其对组织功能衰退的影响 | 成年生命周期中20个不同年龄段的420万个脑细胞 | 空间转录组学 | 神经退行性疾病 | 空间分辨单细胞转录组测序 | 机器学习模型,深度学习 | 空间转录组数据 | 420万个细胞，覆盖20个不同年龄段 | NA | 空间衰老时钟 | NA | NA |
| 5559 | 2025-10-06 |
Mapping the topography of spatial gene expression with interpretable deep learning
2025-Feb, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02503-3
PMID:39849132
|
研究论文 | 开发了一种名为GASTON的无监督可解释深度学习算法，用于分析空间转录组数据并构建组织切片的地形图 | 提出了isodepth概念来量化空间基因表达模式，并开发了首个能同时学习isodepth、空间梯度和分段线性表达函数的深度学习算法 | 未明确说明算法对数据稀疏性的具体处理能力和计算效率 | 解决空间转录组数据稀疏性问题，准确识别空间基因表达模式 | 多种组织类型的空间转录组数据，包括大脑神经元和肿瘤微环境 | 空间转录组学 | 肿瘤 | 空间转录组技术 | 深度学习 | 空间基因表达数据 | NA | NA | GASTON | 空间域识别准确性，标记基因识别准确性 | NA |
| 5560 | 2025-10-06 |
Association of Epicardial Adipose Tissue Changes on Serial Chest CT Scans with Mortality: Insights from the National Lung Screening Trial
2025-Feb, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240473
PMID:39964263
|
研究论文 | 本研究通过分析国家肺癌筛查试验中连续低剂量CT扫描数据，探讨心外膜脂肪组织变化与死亡率之间的关联 | 首次在大型肺癌筛查队列中利用深度学习算法自动量化心外膜脂肪组织变化，并发现非典型变化与全因死亡率、心血管死亡率和肺癌死亡率独立相关 | 为二次分析研究，可能存在未测量的混杂因素，且仅基于特定时间间隔的CT扫描 | 探究心外膜脂肪组织在2年间隔内的变化与接受肺癌筛查个体死亡率的关系 | 20,661名参与国家肺癌筛查试验的个体（平均年龄61.4岁，59.2%为男性） | 数字病理 | 肺癌,心血管疾病 | 低剂量CT扫描 | 深度学习算法 | 医学影像 | 20,661名参与者 | NA | NA | 风险比,置信区间 | NA |