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 33008 篇文献，本页显示第 601 - 620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 601 | 2025-10-30 |
DWI of the rectum with deep learning reconstruction: comparison of PROPELLER, reduced FOV, and conventional DWI
2025-Nov, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04950-8
PMID:40244478
|
研究论文 | 比较PROPELLER、rFOV和常规DWI结合深度学习重建在直肠肿瘤评估中的图像质量和诊断性能 | 首次将深度学习重建技术应用于三种不同DWI序列（PROPELLER、rFOV和常规DWI）的系统性比较研究 | 样本量较小（42次MRI检查），诊断准确性改善未达统计学显著性 | 评估不同DWI序列结合深度学习重建在直肠肿瘤成像中的表现 | 38名直肠肿瘤患者的42次MRI检查 | 医学影像分析 | 直肠癌 | 扩散加权成像（DWI），深度学习重建（DLR） | 深度学习 | MRI影像 | 38名患者的42次MRI检查 | NA | NA | 图像质量评分，诊断准确性，加权kappa值 | NA |
| 602 | 2025-10-30 |
Deep learning reconstruction of diffusion-weighted imaging with single-shot echo-planar imaging in endometrial cancer: a comparison with multi-shot echo-planar imaging
2025-Nov, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04955-3
PMID:40249551
|
研究论文 | 评估深度学习重建在子宫内膜癌单次激发平面回波成像扩散加权成像中的效果，并与多次激发平面回波成像进行比较 | 首次将深度学习重建技术应用于子宫内膜癌的单次激发平面回波成像扩散加权成像，并与传统方法进行系统比较 | 回顾性研究设计，样本量较小（31例患者） | 评估深度学习重建在子宫内膜癌扩散加权成像中的图像质量和诊断准确性 | 31例经手术确诊的子宫内膜癌患者 | 医学影像分析 | 子宫内膜癌 | 扩散加权成像，磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 31例子宫内膜癌患者 | NA | NA | 图像质量评分，表观扩散系数值，噪声，信噪比，对比噪声比，诊断准确率 | NA |
| 603 | 2025-10-30 |
The value of deep learning and radiomics models in predicting preoperative serosal invasion in gastric cancer: a dual-center study
2025-Nov, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04949-1
PMID:40285792
|
研究论文 | 本研究通过整合临床特征、影像组学特征和深度学习特征，建立并验证了预测胃癌术前浆膜侵犯的联合模型 | 首次将手工提取的影像组学特征与8种迁移学习模型的深度学习特征相结合，构建了多中心验证的HCR-DLR模型，并与临床特征整合形成CRC联合模型 | 回顾性研究设计，样本量相对有限（335例患者），仅基于双中心数据 | 预测胃癌患者术前浆膜侵犯状态 | 胃癌患者 | 医学影像分析 | 胃癌 | CT静脉期影像 | 迁移学习,机器学习 | 医学影像,临床数据 | 335例来自两个医疗中心的患者 | NA | 8种迁移学习模型 | AUC | NA |
| 604 | 2025-10-30 |
State of the art review of AI in renal imaging
2025-Nov, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04963-3
PMID:40293518
|
综述 | 本文综述了人工智能在肾脏影像学中的最新应用进展 | 系统总结了AI在肾脏病变检测、分割和分类中的最新成果，并指出了临床实施面临的挑战 | 存在数据变异性、可解释性问题和发表偏倚等局限性 | 探讨AI在肾脏病变评估中的当前作用及其在术前诊断中的潜力 | 肾脏病变和肾细胞癌 | 医学影像分析 | 肾细胞癌 | 机器学习、深度学习 | NA | 影像数据 | NA | NA | NA | NA | NA |
| 605 | 2025-10-30 |
Computer-aided diagnosis tool utilizing a deep learning model for preoperative T-staging of rectal cancer based on three-dimensional endorectal ultrasound
2025-Nov, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04966-0
PMID:40304753
|
研究论文 | 开发基于三维直肠内超声和深度学习模型的计算机辅助诊断工具，用于直肠癌术前T分期 | 首次将深度学习模型与三维直肠内超声结合用于直肠癌术前T分期，并验证其对放射科医生诊断性能的提升 | 回顾性研究，样本量相对有限（216例患者），需进一步前瞻性验证 | 开发计算机辅助诊断工具以提高直肠癌术前分期的准确性 | 216例直肠癌患者的三维直肠内超声图像 | 计算机视觉 | 直肠癌 | 三维直肠内超声 | 深度学习模型 | 三维超声图像 | 216例患者（训练队列156例，测试队列60例） | NA | NA | AUC, κ值 | NA |
| 606 | 2025-10-30 |
Segmentation of renal vessels on non-enhanced CT images using deep learning models
2025-Nov, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04984-y
PMID:40358703
|
研究论文 | 本研究评估了使用深度学习模型在非增强CT图像上进行肾血管重建的可行性 | 首次在非增强CT图像上应用深度学习模型进行肾血管重建，无需对比剂增强参考 | 模型在识别副肾动脉和副肾静脉方面准确率较低，特别是对小型附属血管识别困难 | 评估深度学习模型在非增强CT图像上重建肾血管的准确性和可行性 | 177名患者的肾脏CT扫描图像 | 医学影像分析 | 肾脏疾病 | CT扫描 | 深度学习模型 | CT图像 | 177名患者（训练集120，验证集20，测试集37） | NA | NA | 准确率 | NA |
| 607 | 2025-10-30 |
Development and validation of an artificial intelligence system for triple-negative breast cancer identification and prognosis prediction: a multicentre retrospective study
2025-Nov, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103557
PMID:41140446
|
研究论文 | 开发并验证用于三阴性乳腺癌识别和预后预测的人工智能系统TRIP | 首个基于H&E染色全切片图像同时实现TNBC识别和预后预测的深度学习系统，结合病理热图和多组学分析增强模型可解释性 | 主要基于术后组织数据，未整合临床变量，限制了在术前场景的即时应用 | 开发人工智能系统用于三阴性乳腺癌的识别和预后预测 | 乳腺癌患者，特别是三阴性乳腺癌患者 | 数字病理 | 乳腺癌 | H&E染色全切片成像，多组学分析 | 深度学习 | 病理图像 | 内部队列2045例（其中451例TNBC有随访结果），外部验证2793例（TNBC识别）和463例（预后预测） | NA | NA | AUC, C-index | NA |
| 608 | 2025-10-30 |
Deep learning algorithms for identifying developmental dysplasia of the hip based on sonographic images: a retrospective, prospective, multicenter study in China
2025-Nov, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103552
PMID:41140452
|
研究论文 | 开发并验证基于超声图像的深度学习算法HipSonoNeuNet用于识别发育性髋关节发育不良 | 首次使用多中心髋关节超声数据开发深度学习算法，并在回顾性和前瞻性研究中验证其性能 | 研究仅限于中国22家医院的数据，需要进一步外部验证 | 开发能够准确识别发育性髋关节发育不良的深度学习算法 | 疑似发育性髋关节发育不良的婴儿 | 计算机视觉 | 发育性髋关节发育不良 | 超声成像 | CNN | 图像 | 3082名参与者，7286张髋关节超声图像（1429张动态，5857张静态） | NA | HipSonoNeuNet | AUC, 敏感度, 特异度, F1分数, 准确率, Kappa系数 | NA |
| 609 | 2025-10-30 |
Automated Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy in Breast Carcinoma Using Deep Learning on Pretreatment Core Needle Biopsy Samples
2025-Nov, Anticancer research
IF:1.6Q4
DOI:10.21873/anticanres.17856
PMID:41151888
|
研究论文 | 开发基于深度学习的融合模型，利用治疗前核心针穿刺活检样本预测乳腺癌新辅助化疗的病理完全缓解 | 首次直接利用全切片图像而非人工标注区域，结合临床元数据开发融合分类模型，无需专家标注即可实现准确预测 | 样本量相对有限（130例患者），仅针对浸润性导管癌患者 | 评估治疗前核心针穿刺活检全切片图像对新辅助化疗病理完全缓解的预测价值 | 130例接受新辅助化疗后手术的浸润性导管癌患者 | 数字病理学 | 乳腺癌 | 数字病理全切片图像分析 | 深度学习融合分类模型 | 病理图像, 临床元数据 | 130例乳腺癌患者 | NA | NA | 准确率 | NA |
| 610 | 2025-10-30 |
Improved classification of oral cancer through a personalized transfer learning CNN architecture
2025 Nov-Dec, Journal of oral biology and craniofacial research
DOI:10.1016/j.jobcr.2025.10.002
PMID:41158527
|
研究论文 | 本研究提出了一种基于卷积神经网络和迁移学习的个性化架构，用于口腔癌的自动检测 | 采用个性化迁移学习CNN架构，结合SMOTE和数据增强技术处理小样本和类别不平衡问题 | 未进行外部验证，数据集规模较小且存在类别不平衡 | 开发可靠的口腔癌早期检测系统 | 口腔癌患者 | 计算机视觉 | 口腔癌 | 深度学习 | CNN | 图像 | 小规模数据集 | NA | 个性化迁移学习CNN架构，包含两个全连接层（FC1特征嵌入层和FC2分类头） | 准确率, 精确率, 召回率, F1分数, ROC-AUC | NA |
| 611 | 2025-10-30 |
Identifying EEG-based neurobehavioral risk markers of gaming addiction using machine learning and iowa gambling task
2025-Oct-29, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae0b75
PMID:40997844
|
研究论文 | 本研究利用机器学习方法分析脑电图信号和爱荷华赌博任务数据，识别游戏成瘾的神经行为风险标志物 | 结合EEG信号和IGT行为任务，采用多种信号变换技术构建特征空间，实现93%的分类准确率 | 研究仅针对健康参与者，未包含临床确诊的游戏障碍患者 | 开发游戏成瘾的早期客观检测方法 | 健康参与者的神经生理和行为数据 | 机器学习 | 游戏成瘾 | 脑电图(EEG), 爱荷华赌博任务(IGT) | Random Forest, CNN | 脑电信号, 行为数据 | NA | NA | 卷积神经网络 | 准确率 | NA |
| 612 | 2025-10-30 |
Can Artificial Intelligence Revolutionise Surgical Decision-Making for Appendectomy? A Narrative Review
2025-Oct-29, Surgical innovation
IF:1.2Q3
DOI:10.1177/15533506251393123
PMID:41159301
|
综述 | 本文探讨人工智能在阑尾炎手术决策中的潜在应用价值 | 系统评估多种AI模型在阑尾炎诊断和预后预测中的表现，并与传统诊断评分系统进行对比 | 数据需求量大且缺乏标准化，临床广泛应用仍面临挑战 | 评估人工智能在急性阑尾炎诊疗决策中的革命性潜力 | 急性阑尾炎患者 | 机器学习 | 急性阑尾炎 | 机器学习，深度学习 | 随机森林，逻辑回归，神经网络，支持向量机，XGBoost | 医学诊断数据 | NA | NA | NA | 诊断准确率 | NA |
| 613 | 2025-10-30 |
Predicting Immunotherapy Outcomes in NSCLC Using RNA and Pathology from Multicenter Clinical Trials
2025-Oct-29, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202502037
PMID:41159493
|
研究论文 | 本研究开发了基于RNA的LIRA模型，用于预测非小细胞肺癌患者免疫治疗疗效 | 首次结合多中心临床试验数据开发RNA模型，发现LRP8和HDAC4与免疫治疗结局相关，并通过深度学习识别全切片图像中的关键区域 | 研究样本主要来自临床试验队列，需要进一步外部验证 | 预测非小细胞肺癌患者免疫治疗疗效并探索潜在耐药机制 | 1127例晚期非小细胞肺癌患者 | 数字病理 | 肺癌 | RNA-seq, scRNA-seq, 全切片图像分析 | 随机森林, 深度学习 | 转录组数据, 病理图像 | 1127例患者（来自OAK、POPLAR、ORIENT-11试验及内部队列） | NA | NA | 风险比, 置信区间 | NA |
| 614 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Oct-29, JAMA
DOI:10.1001/jama.2025.16625
PMID:41160021
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 615 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning-Reply
2025-Oct-29, JAMA
DOI:10.1001/jama.2025.16627
PMID:41160035
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 616 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Oct-29, JAMA
DOI:10.1001/jama.2025.16623
PMID:41160046
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 617 | 2025-10-30 |
Artificial Intelligence in Critical Care Nephrology: Current Applications, Emerging Techniques, and Challenges to Clinical Integration
2025-Oct-28, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000001037
PMID:41148218
|
综述 | 本文综述人工智能在重症监护肾病学中的当前应用、新兴技术及临床整合挑战 | 系统阐述AI技术在重症肾病领域的前沿应用，包括符合预测、因果推断和强化学习等新兴方法，并提出四大发展重点 | 对患者中心结局（如死亡率、透析依赖性）的影响仍不明确，存在数据异质性、外部验证不足等推广障碍 | 推动人工智能技术在重症监护肾病学领域的临床应用与发展 | 重症肾病患者及相关临床诊疗流程 | 医疗人工智能 | 急性肾损伤 | 机器学习、深度学习、强化学习、生成式AI | NA | 临床数据 | NA | NA | NA | 预测准确性、诊断能力 | NA |
| 618 | 2025-10-30 |
Simulation, artificial intelligence, and deep learning enhance emergency department leadership in life-threatening scenarios
2025-Oct-28, CJEM
DOI:10.1007/s43678-025-01035-9
PMID:41148511
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 619 | 2025-10-30 |
Applications of artificial intelligence in diagnosis and treatment planning of orthodontics: a narrative review
2025-Oct-28, The Saudi dental journal
DOI:10.1007/s44445-025-00077-0
PMID:41148504
|
综述 | 本文综述了人工智能在正畸诊断和治疗计划中的应用现状与发展前景 | 系统梳理了AI在正畸领域的多种应用场景，包括标志点识别、错颌畸形分类、治疗计划制定等，并强调其作为辅助工具而非替代临床判断的定位 | 需要更多临床试验来验证和优化这些模型的准确性和可靠性 | 探讨人工智能在正畸学中的相关性和应用价值 | 正畸学领域的诊断和治疗规划 | 医学人工智能 | 口腔正畸疾病 | 深度学习 | 深度学习模型 | 二维和三维医学影像 | NA | NA | NA | 准确度 | NA |
| 620 | 2025-10-30 |
Deep learning model integrating contrast-enhanced ultrasound spatiotemporal imaging with clinical data for the differential diagnosis between hepatocellular carcinoma and intrahepatic cholangiocarcinoma
2025-Oct-28, La Radiologia medica
DOI:10.1007/s11547-025-02132-6
PMID:41148561
|
研究论文 | 开发了一种融合超声造影时空成像特征与临床数据的深度学习模型，用于肝细胞癌和肝内胆管癌的鉴别诊断 | 首次将动态CEUS的时空特征与患者临床参数相结合构建深度学习模型CEUS-CD-Net | 回顾性研究，样本量相对有限（305例患者） | 提高肝细胞癌和肝内胆管癌的鉴别诊断准确性 | 165例ICC患者和140例HCC患者的CEUS数据和临床参数 | 医学影像分析 | 肝癌 | 超声造影（CEUS），使用SonoVue®-六氟化硫微泡造影剂 | 深度学习模型 | 动态超声造影图像序列和临床数据 | 305例患者（165例ICC，140例HCC） | NA | CEUS-CD-Net | AUC | NA |