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 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2025-10-23 |
Bayesian-Edge system for classification and segmentation of skin lesions in Internet of Medical Things
2024-Aug, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13878
PMID:39081158
|
研究论文 | 提出一种结合贝叶斯推理和边缘智能的皮肤病变分割模型 | 首次将贝叶斯推理与边缘智能相结合用于皮肤病变分割，在不增加计算参数的情况下提升诊断性能 | NA | 开发高效的皮肤病变分类和分割系统 | 皮肤病变图像 | 计算机视觉 | 皮肤疾病 | 深度学习 | 贝叶斯-边缘网络 | 图像 | NA | NA | 贝叶斯-边缘网络 | 分割性能 | 边缘计算 |
| 42 | 2025-10-23 |
Artificial Intelligence Models Are Limited in Predicting Clinical Outcomes Following Hip Arthroscopy: A Systematic Review
2024-Aug-01, JBJS reviews
IF:1.7Q2
DOI:10.2106/JBJS.RVW.24.00087
PMID:39172870
|
系统评价 | 系统评价分析了人工智能模型在预测髋关节镜术后临床结局方面的应用现状和局限性 | 首次系统评估AI模型在髋关节镜手术预后预测领域的应用效果和泛化能力 | 纳入研究数量有限（13项），所有模型均未经过外部验证，限制了临床适用性 | 评估基于AI的预测模型在髋关节镜手术中的结局预测性能、有效性和泛化能力 | 接受髋关节镜手术的患者 | 机器学习 | 骨科疾病 | 人工智能预测模型 | NA | 临床数据 | 13项研究（共6,568例患者） | NA | NA | AUC, 准确率 | NA |
| 43 | 2025-10-23 |
Machine Learning-Assisted Decision Making in Orthopaedic Oncology
2024-Jul-01, JBJS reviews
IF:1.7Q2
DOI:10.2106/JBJS.RVW.24.00057
PMID:38991098
|
综述 | 探讨机器学习在骨肿瘤科临床决策辅助中的应用现状与前景 | 系统阐述机器学习在骨肿瘤影像评估和生存预测中的创新应用 | 面临数据多样性不足、伦理问题和模型可解释性等挑战 | 评估机器学习在骨肿瘤临床决策支持中的潜力 | 原发性肉瘤和转移性骨病患者 | 机器学习 | 骨肿瘤 | 影像组学 | 机器学习算法 | 医学影像, 临床数据 | NA | NA | NA | 准确率 | NA |
| 44 | 2025-10-23 |
Creating High Fidelity Synthetic Pelvis Radiographs Using Generative Adversarial Networks: Unlocking the Potential of Deep Learning Models Without Patient Privacy Concerns
2023-10, The Journal of arthroplasty
IF:3.4Q1
DOI:10.1016/j.arth.2022.12.013
PMID:36535448
|
研究论文 | 本研究应用生成对抗网络创建高保真合成骨盆X光片，以解决深度学习模型训练中的患者隐私问题 | 首次使用GAN生成难以被专家和计算机识别的合成骨盆X光片，实现跨机构数据共享且不侵犯患者隐私 | 研究仅聚焦于前后位骨盆X光片，未涵盖其他投照角度或影像模态 | 开发能够生成高质量合成医学影像的方法，促进深度学习模型发展同时保护患者隐私 | 骨盆前后位X光片 | 计算机视觉 | 骨科疾病 | X射线成像 | GAN | 图像 | 37,640张真实X光片（来自16,782名患者），通过数据增强生成2,500万张训练图像 | NA | GAN | 准确率, Kappa系数 | NA |
| 45 | 2025-10-21 |
MISPEL: A supervised deep learning harmonization method for multi-scanner neuroimaging data
2023-10, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102926
PMID:37595405
|
研究论文 | 提出一种用于多扫描仪神经影像数据的监督深度学习协调方法MISPEL | 提出可自然扩展到两个以上扫描仪的多扫描仪协调方法，并设计了一套评估扫描仪相关技术变异性和协调技术的标准 | NA | 解决多扫描仪神经影像数据的技术变异性问题，开发数据协调方法 | 多扫描仪神经影像数据 | 神经影像分析 | NA | 3T T1磁共振成像 | 深度学习 | 神经影像数据 | 包含四个扫描仪的多扫描仪匹配数据集 | NA | MISPEL | NA | NA |
| 46 | 2025-10-19 |
Predictive Value of Social Determinants of Health on 90-Day Readmission and Health Utilization Following ACDF: A Comparative Analysis of XGBoost, Random Forest, Elastic-Net, SVR, and Deep Learning
2025-Nov, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682251332556
PMID:40173192
|
研究论文 | 本研究评估社会健康决定因素对前路颈椎间盘切除融合术患者90天再入院和医疗资源利用的预测价值 | 首次应用机器学习方法评估社会健康决定因素在ACDF手术预后中的作用 | 依赖单一医疗系统数据和使用代理SDH测量指标 | 评估社会健康决定因素对ACDF患者术后90天再入院和医疗资源利用的预测能力 | 3127名接受前路颈椎间盘切除融合术的患者 | 机器学习 | 颈椎疾病 | 社会脆弱性指数评估 | XGBoost, Random Forest, Elastic-Net, SVR, Deep Learning | 临床和人口统计学数据 | 3127名ACDF患者(2003-2023年) | NA | 平衡随机森林, 支持向量回归 | AUC, MAE | NA |
| 47 | 2025-10-19 |
3D auto-segmentation of pancreas cancer and surrounding anatomical structures for surgical planning
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002835
PMID:40576127
|
研究论文 | 开发基于深度学习的胰腺癌及周围解剖结构自动分割模型，用于辅助手术规划 | 采用分层Swin Transformer V2模型实现胰腺癌及周围结构的多中心3D自动分割 | 胰腺癌分割准确度相对较低（DSC 54.5-57.0），小肿瘤分割性能有待提升 | 通过CT图像自动分割提升胰腺癌手术规划效果 | 胰腺癌患者及周围解剖结构（胰腺实质、肠系膜动脉、门静脉等） | 计算机视觉 | 胰腺癌 | 计算机断层扫描（CT） | Transformer | 3D医学图像 | 275名患者（176训练集，59内部验证集，40外部验证集） | NA | 分层Swin Transformer V2 | Dice相似系数（DSC），定性评估（完全/部分/缺失分割） | NA |
| 48 | 2025-10-19 |
Development and validation of a deep learning ultrasound radiomics model for predicting drug resistance in lymph node tuberculosis a multicenter study
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002850
PMID:40607926
|
研究论文 | 开发并验证基于深度学习超声影像组学模型用于预测淋巴结结核耐药性 | 首次将集成机器学习与AdaBoost算法结合应用于淋巴结结核耐药性预测的多中心研究 | 回顾性研究设计，样本量相对有限 | 预测淋巴结结核患者的药物耐药性 | 234例颈部淋巴结结核患者 | 医学影像分析 | 结核病 | 超声影像 | 集成机器学习, AdaBoost | 超声图像 | 234例患者（来自三个医疗中心） | NA | 集成机器学习模型 | AUC, 准确率, 精确率, 召回率, F1分数, 决策曲线分析 | NA |
| 49 | 2025-10-19 |
Multichannel deep learning prediction of major pathological response after neoadjuvant immunochemotherapy in lung cancer: a multicenter diagnostic study
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002821
PMID:40607969
|
研究论文 | 开发基于预处理CT的多通道深度学习预测模型，用于术前诊断非小细胞肺癌患者新辅助免疫化疗后的主要病理反应 | 首次将Transformer模型编码的深度学习特征与多通道框架集成，用于预测肺癌新辅助免疫化疗疗效 | 回顾性研究设计，样本量相对有限（332例患者） | 开发术前预测非小细胞肺癌患者新辅助免疫化疗后主要病理反应的诊断工具 | 非小细胞肺癌患者 | 计算机视觉 | 肺癌 | CT成像 | 深度学习, Transformer | 医学图像 | 332例非小细胞肺癌患者来自四个中心 | NA | GoogLeNet, Transformer | AUC, 敏感性, 特异性, F1分数, 混淆矩阵, 校准曲线, 决策曲线分析, 综合判别改进, 净重分类改进, DeLong检验 | NA |
| 50 | 2025-07-12 |
Letter to Editor "Predicting NSCLC surgical outcomes using deep learning on histopathological images: development and multi-omics validation of Sr-PPS model"
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002840
PMID:40643594
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 51 | 2025-10-19 |
Modeling protein-small molecule conformational ensembles with PLACER
2025-Sep-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.25.614868
PMID:39386615
|
研究论文 | 开发了一种名为PLACER的图神经网络，用于生成蛋白质-小分子相互作用的构象集合 | 提出首个完全基于原子级描述的图神经网络方法，能够快速生成蛋白质-小分子系统的构象集合，在酶设计中获得比深度学习前设计更高的活性 | NA | 解决蛋白质-小分子相互作用构象异质性建模的挑战 | 蛋白质-小分子复合物系统 | 机器学习 | NA | 图神经网络 | GNN | 分子结构数据 | 来自剑桥结构数据库和蛋白质数据银行的数据 | NA | PLACER | 成功率、活性(/值) | NA |
| 52 | 2025-10-19 |
Exploiting correlations across trials and behavioral sessions to improve neural decoding
2025-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.14.613047
PMID:39314484
|
研究论文 | 本文提出两种新型神经解码模型，通过利用跨试验和跨行为会话的神经活动相关性来改善行为解码性能 | 开发了多会话降秩回归模型和多会话状态空间模型，首次系统性地利用跨试验和跨会话的神经活动相关性进行行为解码 | 未与传统深度学习方法进行直接性能比较，模型在更复杂行为任务上的泛化能力有待进一步验证 | 改进神经解码方法，通过利用跨试验和会话的神经活动相关性提高行为预测准确率 | 小鼠神经活动数据与四种不同行为之间的解码关系 | 神经科学计算分析 | NA | Neuropixels神经信号记录技术 | 降秩回归模型,状态空间模型 | 神经电生理信号 | 433个实验会话，覆盖270个大脑区域 | NA | 多会话降秩回归,多会话状态空间模型 | 解码准确率 | NA |
| 53 | 2025-10-19 |
"Frustratingly easy" domain adaptation for cross-species transcription factor binding prediction
2025-Aug-05, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.21.655414
PMID:40501927
|
研究论文 | 提出一种名为MORALE的简单而有效的领域自适应框架，用于跨物种转录因子结合预测 | 通过对齐跨物种序列嵌入的统计矩，无需对抗训练或复杂架构即可学习物种不变调控特征 | NA | 提高深度学习模型在跨物种转录因子结合预测中的泛化能力 | 多物种转录因子ChIP-seq数据集 | 机器学习 | NA | ChIP-seq | 深度学习 | DNA序列数据 | NA | NA | NA | 准确率 | NA |
| 54 | 2025-10-19 |
NeuroLens: organ localization using natural language commands for anatomical recognition in surgical training
2025-Aug, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03463-5
PMID:40555837
|
研究论文 | 介绍NeuroLens多模态系统，通过整合视频与文本语音输入增强手术训练中的解剖结构识别能力 | 开发了结合视频与自然语言命令的多模态深度学习定位系统，为手术训练提供交互式学习平台 | 样本量较小限制了结果的普适性 | 增强手术训练中的解剖结构识别能力 | 手术学员和执业外科医生 | 计算机视觉 | 神经系统疾病 | 神经内窥镜视频分析 | 深度学习定位模型 | 视频,文本,语音 | 5名参与者（手术学生和执业外科医生） | NA | NA | 准确率,平均交并比(mIoU),系统可用性量表(SUS) | NA |
| 55 | 2025-10-19 |
Exploring the uncertainty principle in neural networks through binary classification
2024-Nov-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-79028-4
PMID:39551816
|
研究论文 | 通过不确定性原理探索神经网络在准确性与鲁棒性之间的内在权衡关系 | 首次将量子力学中的不确定性原理引入神经网络分析，为理解模型脆弱性提供理论框架 | 研究主要基于理论分析，缺乏大规模实验验证 | 揭示神经网络准确性与对抗攻击鲁棒性之间的内在矛盾关系 | 神经网络模型 | 机器学习 | NA | 理论分析 | 神经网络 | NA | NA | NA | NA | 准确率, 鲁棒性 | NA |
| 56 | 2025-10-19 |
Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Color Images
2024-Nov-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2024.4269
PMID:39418057
|
研究论文 | 开发深度学习系统通过彩色眼底图像区分动脉炎性前部缺血性视神经病变与非动脉炎性前部缺血性视神经病变 | 首个基于彩色眼底图像的深度学习系统，能在急性期无需临床或生物标志物信息的情况下区分AAION与NAION | 研究仅使用彩色眼底图像，未整合临床症状和实验室检查数据 | 开发能够准确区分动脉炎性与非动脉炎性缺血性视神经病变的深度学习系统 | 802名患者的961只眼睛的彩色眼底图像 | 计算机视觉 | 缺血性视神经病变 | 彩色眼底成像 | 深度学习系统 | 图像 | 802名患者的961只眼睛，来自21个神经眼科中心的训练集和5个中心的测试集 | NA | NA | AUC, 敏感度, 特异度, 准确度 | NA |
| 57 | 2025-10-19 |
Decoding the brain: From neural representations to mechanistic models
2024-Oct-17, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2024.08.051
PMID:39423801
|
综述 | 本文详细阐述神经编码与解码的核心概念及其在运动、视觉和语言处理领域的应用 | 整合深度学习等数学工具系统解析神经编码与解码机制，推动基础与转化神经科学发展 | NA | 探讨大脑分布式计算中神经编码与解码的数学原理及其应用 | 大脑神经元网络与分布式神经回路 | 神经科学 | NA | 深度学习 | NA | 神经信号数据 | NA | NA | NA | NA | NA |
| 58 | 2025-10-19 |
Multicenter Validation of a Deep Learning Detection Algorithm for Focal Cortical Dysplasia
2022-May-24, Neurology
IF:7.7Q1
DOI:10.1212/WNL.0000000000200293
PMID:35513003
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 59 | 2025-10-17 |
Skin Lesion Analysis and Cancer Detection Based on Machine/Deep Learning Techniques: A Comprehensive Survey
2023-01-04, Life (Basel, Switzerland)
DOI:10.3390/life13010146
PMID:36676093
|
综述 | 本文对基于机器学习和深度学习技术的皮肤病变分析与癌症检测方法进行了全面综述 | 系统整合了皮肤癌检测中的预处理、分割、特征提取、特征选择和分类方法，识别了当前研究面临的挑战 | 由于皮肤病变特征的复杂性和罕见性，现有方法在分析中仍面临一些挑战 | 通过分析现有皮肤癌检测技术，识别研究障碍以帮助未来研究 | 皮肤病变和皮肤癌 | 计算机视觉,机器学习 | 皮肤癌 | NA | 深度学习,机器学习 | 医学图像 | NA | NA | NA | NA | NA |
| 60 | 2025-10-17 |
A Minority Class Balanced Approach Using the DCNN-LSTM Method to Detect Human Wrist Fracture
2023-01-03, Life (Basel, Switzerland)
DOI:10.3390/life13010133
PMID:36676082
|
研究论文 | 提出一种融合DCNN和LSTM的深度学习方法，用于从X射线图像中自动检测腕部骨折 | 首次将扩张卷积神经网络与长短期记忆网络融合，并采用旋转过采样方法解决类别不平衡问题 | 数据集规模较小（仅192张图像），需要更大样本量验证模型泛化能力 | 开发自动诊断工具作为医生辅助选项，减少腕部骨折漏诊 | 腕部X射线图像 | 计算机视觉 | 骨折 | X射线成像 | CNN, LSTM | 图像 | 192张腕部X射线图像 | NA | DCNN, LSTM | 准确率, 灵敏度, 特异性, 精确率, F1分数, Kappa系数 | NA |