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 5761 - 5780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5761 | 2025-10-06 |
A Hybrid 2D Gaussian Filter and Deep Learning Approach with Visualization of Class Activation for Automatic Lung and Colon Cancer Diagnosis
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241301297
PMID:39632623
|
研究论文 | 提出一种结合2D高斯滤波和深度学习的方法，用于自动诊断肺癌和结肠癌 | 采用2D高斯滤波进行图像预处理，结合三种CNN模型，并使用类激活映射进行可视化解释 | 未明确说明模型的计算复杂度和实时性能限制 | 通过自动化诊断系统提高肺癌和结肠癌的检测率 | 肺癌和结肠癌的组织病理学图像 | 计算机视觉 | 肺癌,结肠癌 | 组织病理学成像 | CNN | 图像 | 25000张组织病理学图像 | NA | MobileNet,VGG16,ResNet50 | 准确率 | NA |
| 5762 | 2025-10-06 |
Predicting High-Grade Patterns in Stage I Solid Lung Adenocarcinoma: A Study of 371 Patients Using Refined Radiomics and Deep Learning-Guided CatBoost Classifier
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241308610
PMID:39692551
|
研究论文 | 开发了一种结合优化影像组学和深度学习特征的RRDLC-Classifier算法，用于预测临床I期实性肺腺癌的高级别病理模式 | 首次提出融合优化影像组学和深度学习特征的CatBoost分类器，在预测肺腺癌高级别模式方面表现出优越性能 | 回顾性研究设计，样本量相对有限（371例患者），需要进一步外部验证 | 预测临床I期实性肺腺癌的病理高级别模式 | 371例临床I期实性肺腺癌患者 | 医学影像分析 | 肺癌 | 影像组学分析，深度学习 | CatBoost分类器 | 医学影像数据 | 371例患者，按7:3比例随机分为训练集和验证集 | CatBoost | RRDLC-Classifier（优化影像组学和深度学习特征引导的CatBoost分类器） | AUC, 准确率, 敏感性, 特异性, 受试者工作特征曲线 | NA |
| 5763 | 2025-10-06 |
Noninvasive grading of glioma brain tumors using magnetic resonance imaging and deep learning methods
2023-Dec, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05389-4
PMID:37698684
|
系统综述 | 本系统综述分析了2010-2022年间使用磁共振成像和深度学习方法进行胶质瘤脑肿瘤无创分级的研究现状 | 系统梳理了深度学习在胶质瘤诊断研究中的应用现状，并指出胶质瘤分割研究比检测和分类研究更受关注 | 仅纳入了2010-2022年间的英文文献，可能遗漏其他重要研究 | 分析深度学习技术在胶质瘤脑肿瘤诊断研究中的应用现状 | 胶质瘤脑肿瘤 | 医学影像分析 | 脑肿瘤 | 磁共振成像 | CNN | 医学影像 | 77篇学术文章 | NA | ConvNets | 分类准确率,Dice相似系数 | NA |
| 5764 | 2025-10-06 |
Predicting cutaneous malignant melanoma patients' survival using deep learning: a retrospective cohort study
2023-Dec, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05421-7
PMID:37755576
|
研究论文 | 本研究开发了一种基于深度学习的皮肤恶性黑色素瘤生存预测模型DeepCMM | 首次将深度学习技术应用于皮肤恶性黑色素瘤患者的生存预测，并开发了可供临床医生使用的Windows软件 | 回顾性研究设计，数据来源于单一数据库 | 准确预测皮肤恶性黑色素瘤患者的生存预后以指导临床决策 | 皮肤恶性黑色素瘤患者 | 机器学习 | 皮肤癌 | 深度学习 | 深度学习生存模型 | 临床数据 | 来自SEER数据库的皮肤恶性黑色素瘤患者，按诊断时间分为训练队列(2010-2013)、验证队列(2014)和测试队列(2015) | NA | DeepCMM | AUC | Windows 64位软件 |
| 5765 | 2025-10-06 |
Diagnostic accuracy of contrast-enhanced computed tomography in assessing cervical lymph node status in patients with oral squamous cell carcinoma
2023-Dec, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05470-y
PMID:37875746
|
研究论文 | 评估增强CT在口腔鳞状细胞癌患者颈部淋巴结转移诊断中的准确性 | 首次将可疑淋巴结分为强化型、肿大型和融合型三类进行对比分析，并探索了与诊断可靠性相关的临床病理因素 | 回顾性研究设计，样本量有限（239例），缺乏外部验证 | 评估增强CT检测淋巴结转移的诊断准确性并探索相关影响因素 | 239例接受术前CT检查和根治性手术的原发性口腔鳞状细胞癌患者 | 医学影像诊断 | 口腔鳞状细胞癌 | 增强计算机断层扫描（CT） | NA | 医学影像数据 | 239例口腔鳞状细胞癌患者 | NA | NA | 灵敏度, 特异度, 阳性预测值, 阴性预测值 | NA |
| 5766 | 2025-10-06 |
A deep learning approach based on multi-omics data integration to construct a risk stratification prediction model for skin cutaneous melanoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05358-x
PMID:37673824
|
研究论文 | 本研究开发了一种基于多组学数据整合的深度学习框架，用于构建皮肤黑色素瘤风险分层预测模型 | 结合早期融合特征自编码器和晚期融合特征自编码器的深度学习框架，相比单一策略的自编码器或PCA方法能更好地区分风险亚型 | NA | 构建皮肤黑色素瘤的风险亚型分型模型以改善预后预测 | 皮肤黑色素瘤患者 | 机器学习 | 皮肤黑色素瘤 | mRNA测序, miRNA测序, DNA甲基化测序 | 自编码器, SVM | 多组学数据 | TCGA数据库中的皮肤黑色素瘤患者数据及两个独立验证数据集 | NA | 自编码器 | C-index, log-rank P值 | NA |
| 5767 | 2025-10-06 |
Development and external validation of the multichannel deep learning model based on unenhanced CT for differentiating fat-poor angiomyolipoma from renal cell carcinoma: a two-center retrospective study
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05339-0
PMID:37672075
|
研究论文 | 开发并验证基于平扫CT的多通道深度学习模型，用于区分乏脂肪血管平滑肌脂肪瘤与肾细胞癌 | 首次提出基于平扫CT的多通道深度学习模型，通过全肿瘤分析实现fp-AML与RCC的准确区分 | 回顾性研究设计，样本量相对有限（共452例患者），仅在两所医疗中心进行验证 | 开发并评估用于区分乏脂肪血管平滑肌脂肪瘤与肾细胞癌的深度学习模型 | 肾肿瘤患者，包括乏脂肪血管平滑肌脂肪瘤和肾细胞癌病例 | 数字病理 | 肾癌 | CT成像 | 深度学习 | CT图像 | 452例患者（FAHSYSU 320例，SYSUCC 132例） | NA | 多通道深度学习模型 | AUC, 95%置信区间 | NA |
| 5768 | 2025-10-06 |
SMiT: symmetric mask transformer for disease severity detection
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05223-x
PMID:37698681
|
研究论文 | 提出一种用于疾病严重程度检测的对称掩码Transformer模型SMiT | 采用纯Transformer框架而非传统CNN模型，提出对称掩码预训练方法使模型更专注于病灶区域细节特征 | NA | 开发用于病理图像诊断分级的智能诊断系统 | 结直肠癌病理图像和糖尿病视网膜病变图像 | 计算机视觉 | 结直肠癌, 糖尿病视网膜病变 | 高斯滤波去噪 | Transformer | 图像 | 4500张结直肠癌组织病理图像和公开数据集APTOS2019 | NA | Transformer | 准确率, Cohen Kappa, F1-score | NA |
| 5769 | 2025-10-06 |
Combining radiomics and deep learning features of intra-tumoral and peri-tumoral regions for the classification of breast cancer lung metastasis and primary lung cancer with low-dose CT
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05329-2
PMID:37642722
|
研究论文 | 本研究结合瘤内和瘤周区域的影像组学与深度学习特征，开发融合模型用于区分乳腺癌肺转移和原发性肺癌 | 首次将瘤内区域和瘤周区域的深度学习特征与传统影像组学特征相结合，采用多区域策略的融合模型 | 回顾性研究，样本量较小（仅100例患者），需要更大规模的前瞻性验证 | 利用低剂量CT鉴别诊断乳腺癌肺转移和原发性肺癌 | 100例乳腺癌伴肺部病变患者（60例乳腺癌肺转移，40例原发性肺癌） | 医学影像分析 | 乳腺癌，肺癌 | 低剂量CT成像 | CNN | CT图像 | 100例患者LDCT图像 | NA | ResNet18, 多输入残差卷积网络 | AUC | NA |
| 5770 | 2025-10-06 |
Identifying immune infiltration by deep learning to assess the prognosis of patients with hepatocellular carcinoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05097-z
PMID:37450030
|
研究论文 | 本研究开发了一种基于深度学习的模型，通过分析肝细胞癌组织的免疫浸润来评估患者预后 | 首次将ResNet 101V2网络应用于肝细胞癌全切片图像的免疫浸润分析，并建立了与预后相关的深度学习评估模型 | 验证集中TLS分类效果较差（PR曲线下面积0.713），可能由于样本数量不足 | 评估肝细胞癌患者的免疫浸润情况及其与预后的关系 | 肝细胞癌患者 | 数字病理学 | 肝细胞癌 | 全切片图像分析 | CNN | 图像 | 训练集包含100张全切片图像和165,293个图像块，使用西京医院队列和TCGA队列数据 | TensorFlow, ML.NET | ResNet 101V2 | AccuracyMicro, AccuracyMacro, ROC曲线, PR曲线, AUC | 使用Visual Studio 2022和C#进行编程开发 |
| 5771 | 2025-10-06 |
Cancer detection in breast cells using a hybrid method based on deep complex neural network and data mining
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05191-2
PMID:37486394
|
研究论文 | 提出一种基于深度复数神经网络和数据挖掘的混合方法用于乳腺癌细胞检测 | 首次将深度复数神经网络与数据挖掘技术相结合应用于乳腺癌热图像诊断 | 样本量相对较小（187名志愿者），仅使用热成像数据 | 提高乳腺癌诊断的准确性和速度 | 乳腺癌细胞和热成像图像 | 计算机视觉 | 乳腺癌 | 热成像技术 | 深度复数神经网络 | 热成像图像 | 187名志愿者（152名健康人，35名癌症患者），共1870张热成像图像 | NA | ResNet18, ResNet50, VGG19, Xception | NA | NA |
| 5772 | 2025-10-06 |
A comprehensive analysis of recent advancements in cancer detection using machine learning and deep learning models for improved diagnostics
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05216-w
PMID:37540254
|
综述 | 本文对使用传统机器学习和深度学习模型进行多种癌症检测的最新进展进行了比较分析 | 对2018-2023年间130篇文献的系统性综述，涵盖四种癌症类型，比较了机器学习和深度学习技术的性能差异 | 仅使用准确率作为性能评估指标，可能无法全面反映模型性能；仅包含近5年发表的同行评审论文 | 比较机器学习和深度学习模型在癌症早期检测中的诊断效果和技术进展 | 脑癌、肺癌、皮肤癌和乳腺癌四种癌症类型 | 机器学习 | 癌症 | 机器学习、深度学习 | 传统机器学习模型、深度学习模型 | 医学图像、数据集 | 130篇文献（56篇基于机器学习，74篇基于深度学习） | NA | NA | 准确率 | NA |
| 5773 | 2025-10-06 |
Enhanced breast mass mammography classification approach based on pre-processing and hybridization of transfer learning models
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05249-1
PMID:37567987
|
研究论文 | 提出一种基于预处理和迁移学习模型混合的乳腺肿块 mammography 分类方法 | 提出两阶段分类方法，包括三子策略预处理阶段和基于两个预训练CNN混合的特征提取架构 | 仅使用单一数据集CBIS-DDSM进行验证，未在其他数据集测试泛化能力 | 开发可靠的乳腺肿块检测方法以提高乳腺癌早期诊断准确率 | 乳腺 mammography 图像中的肿块区域 | 计算机视觉 | 乳腺癌 | 医学影像分析 | CNN, 迁移学习 | 医学图像 | CBIS-DDSM数据集 | NA | 预训练CNN混合架构 | 准确率, 敏感度, 特异度 | NA |
| 5774 | 2025-10-06 |
Development and verification of a deep learning-based m6A modification model for clinical prognosis prediction of renal cell carcinoma
2023-Nov, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05169-0
PMID:37558767
|
研究论文 | 开发并验证基于深度学习的m6A修饰模型用于肾细胞癌临床预后预测 | 首次报道基于深度学习的m6A修饰模型用于肾细胞癌预后预测，并深入探索METTL14在肾细胞癌中的重要作用 | NA | 开发肾细胞癌临床预后预测模型并探索METTL14的生物学功能 | 肾细胞癌患者和肾癌细胞 | 机器学习 | 肾细胞癌 | Western blotting, 实时定量PCR, 免疫组织化学, RNA免疫沉淀 | 深度学习 | 临床数据, 实验数据 | 两个独立患者队列和一个泛癌患者队列 | NA | 高级神经网络 | 5年随访生存状态预测 | NA |
| 5775 | 2025-10-06 |
Circular-SWAT for deep learning based diagnostic classification of Alzheimer's disease: application to metabolome data
2023-Nov, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2023.104820
PMID:37806288
|
研究论文 | 本研究提出Circular-SWAT方法，利用深度学习对阿尔茨海默病进行代谢组学数据分类诊断 | 在现有SWAT方法基础上提出Circular-SWAT，通过特征相关性分析、特征选择和分类三步法提高分类准确率 | 仅使用ADNI队列的997名参与者数据，需要进一步验证 | 提高阿尔茨海默病的诊断分类准确性 | 阿尔茨海默病患者与认知正常老年人的血清代谢组学数据 | 机器学习 | 阿尔茨海默病 | 代谢组学，脂质组学 | CNN, Random Forest | 代谢组学数据 | 997名ADNI参与者 | NA | NA | 准确率, AUC | NA |
| 5776 | 2025-10-06 |
Deep learning model for predicting the survival of patients with primary gastrointestinal lymphoma based on the SEER database and a multicentre external validation cohort
2023-Oct, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-05123-0
PMID:37428248
|
研究论文 | 基于SEER数据库和多中心外部验证队列开发深度学习模型预测原发性胃肠道淋巴瘤患者的生存期 | 首次将DeepSurv深度学习算法应用于PGIL患者生存预测，并通过多中心外部验证队列验证模型性能 | 外部验证队列样本量较小（仅82例患者） | 建立预测原发性胃肠道淋巴瘤患者生存期的预后模型 | 原发性胃肠道淋巴瘤患者 | 机器学习 | 胃肠道淋巴瘤 | 生存分析 | CoxPH, RSF, DeepSurv | 临床数据 | SEER数据库11,168例患者（训练和测试队列），三个医疗中心82例患者（外部验证队列） | NA | 神经多任务逻辑回归 | C-index, 校准曲线, 决策曲线分析 | NA |
| 5777 | 2025-10-06 |
Affine image registration of arterial spin labeling MRI using deep learning networks
2023-10-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2023.120303
PMID:37536525
|
研究论文 | 本研究探索基于卷积神经网络的仿射配准网络在低信噪比动脉自旋标记灌注MRI图像配准中的可行性 | 首次将深度学习应用于低信噪比ASL灌注fMRI图像的仿射配准，相比传统SPM方法在精度和速度上均有显著提升 | 仅针对仿射变换进行研究，未考虑更复杂的非线性配准问题 | 开发适用于低信噪比功能磁共振图像的快速准确配准方法 | 动脉自旋标记灌注fMRI图像时间序列 | 医学图像处理 | 双相情感障碍, 衰老相关疾病 | 动脉自旋标记灌注fMRI, 磁共振成像 | CNN | 三维医学图像, 时间序列图像 | 多个独立数据集：冥想研究(10受试者×2)、双相障碍研究(26对照,19患者)、衰老研究(27年轻受试者,33老年受试者) | NA | 仿射配准网络 | 平移误差, 旋转误差, MSE, L1, DSSIM, 总误差 | NA |
| 5778 | 2025-10-06 |
Self-Supervised Contrastive Learning to Predict the Progression of Alzheimer's Disease with 3D Amyloid-PET
2023-Sep-28, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering10101141
PMID:37892871
|
研究论文 | 提出一种自监督对比学习方法SMoCo，基于3D淀粉样蛋白PET预测轻度认知障碍向阿尔茨海默病的转化 | 在预训练阶段同时利用标记和未标记数据，并结合标签信息生成针对下游分类任务的专用表示，不同于传统生成任务无关表示的自监督学习方法 | 仅使用ADNI数据集进行验证，需要更多外部数据集验证泛化能力 | 预测轻度认知障碍患者向阿尔茨海默病的转化进程 | 轻度认知障碍患者 | 计算机视觉 | 阿尔茨海默病 | 淀粉样蛋白PET成像 | 深度学习模型 | 3D医学图像 | ADNI数据集 | NA | SMoCo | AUROC, 准确率, 灵敏度, 特异性 | NA |
| 5779 | 2025-10-06 |
The Swin-Transformer network based on focal loss is used to identify images of pathological subtypes of lung adenocarcinoma with high similarity and class imbalance
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04795-y
PMID:37097394
|
研究论文 | 提出基于Focal Loss的Swin-Transformer网络(FL-STNet)用于肺腺癌病理亚型分类 | 首次开发基于11分类的深度学习分类器，结合Focal Loss解决类别不平衡问题，融合Swin-Transformer模型优势 | NA | 改进肺腺癌病理分类的临床问题，提供辅助诊断 | 肺腺癌及其他肺部疾病亚型 | 数字病理 | 肺腺癌 | 全切片图像(WSI)组织病理学 | Transformer | 图像 | 360例确诊肺腺癌及其他肺部疾病患者样本 | NA | Swin-Transformer | 准确率,F1-score,AUC | NA |
| 5780 | 2025-10-06 |
Deep learning-based methods for classification of microsatellite instability in endometrial cancer from HE-stained pathological images
2023-Sep, Journal of cancer research and clinical oncology
IF:2.7Q3
DOI:10.1007/s00432-023-04838-4
PMID:37150803
|
研究论文 | 本研究开发了一种基于注意力机制的深度学习架构，用于从子宫内膜癌HE染色病理图像中分类微卫星不稳定性状态 | 提出结合注意力模块的新架构来提取病理图像特征，并采用词袋方法聚合预测概率获得切片级微卫星状态 | NA | 开发快速、低成本的微卫星不稳定性自动检测方法，替代传统劳动密集且昂贵的检测方式 | 子宫内膜癌患者的HE染色全切片图像 | 数字病理 | 子宫内膜癌 | HE染色 | 深度学习 | 图像 | 来自癌症基因组图谱子宫内膜癌队列的HE染色全切片图像 | NA | 基于注意力模块的架构 | AUC, 准确率, 灵敏度, F1分数 | NA |