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 42805 篇文献，本页显示第 6861 - 6880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6861 | 2026-01-11 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_107676
PMID:41512848
|
研究论文 | 本研究通过融合多模态神经影像数据（T1-MRI和淀粉样蛋白-PET），利用深度学习模型提升阿尔茨海默病预测和追踪进展的准确性 | 结合多模态神经影像数据（T1-MRI和淀粉样蛋白-PET）训练深度学习模型，以捕捉大脑中的淀粉样蛋白（A）和萎缩（N）模式，从而提高痴呆风险评分（DRS）和早期AD阶段未来痴呆进展的预测能力 | 在预测未来MCI进展方面性能有所降低，表明需要通过进一步微调、更先进的多模态融合策略以及最佳模态（如FDG-PET和tau-PET）来改进 | 提高阿尔茨海默病（AD）的预测准确性，并追踪其早期阶段的进展 | 阿尔茨海默病（AD）患者、认知正常（CN）受试者以及轻度认知障碍（MCI）患者 | 医学影像分析 | 阿尔茨海默病 | T1-MRI, 淀粉样蛋白-PET | CNN | 神经影像数据（T1-MRI和淀粉样蛋白-PET） | 来自ADNI 1、2和GO数据集的受试者（具体数量未在摘要中提供） | NA | ResNet50 | 平衡准确率, AUC | NA |
| 6862 | 2026-01-11 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_107784
PMID:41513255
|
研究论文 | 本研究通过微调预训练的脑龄预测模型，利用3D脑部MRI数据来预测阿尔茨海默病的临床评估分数ADAS13 | 提出了一种基于预训练脑龄预测模型的微调方法，用于预测临床评估分数，该方法在数据有限的情况下表现出良好的泛化能力，且性能优于先前方法 | 研究主要依赖于ADNI数据集，模型在其他独立队列中的泛化能力有待进一步验证 | 开发一种能够有效预测阿尔茨海默病临床评估分数的深度学习模型，以辅助疾病严重程度评估和预后 | 阿尔茨海默病患者 | 数字病理学 | 阿尔茨海默病 | 3D脑部MRI | 深度学习模型 | 3D图像 | 11,041个MRI扫描（来自ADNI数据集），分为训练集5,536个、验证集2,815个、测试集2,690个 | NA | 集成模型（n=5） | 平均绝对误差, R2分数 | NA |
| 6863 | 2026-01-11 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_107749
PMID:41513459
|
研究论文 | 本文开发了一种基于迁移学习的DenseNet121架构，用于阿尔茨海默病的分类诊断，特别针对非洲人群进行优化 | 采用迁移学习策略，结合西方人群数据集预训练和非洲本地数据集微调，以捕捉人群特异性特征，显著提升了在非洲人群中的诊断性能 | 研究样本量相对较小（仅140名受试者），且仅基于单一医疗中心的数据，可能限制模型的泛化能力 | 开发并验证一个针对非洲人群的阿尔茨海默病诊断模型，以解决现有研究在西方人群主导下的适用性限制 | 阿尔茨海默病患者与非痴呆对照受试者，特别关注非洲人群的神经影像数据 | 数字病理学 | 阿尔茨海默病 | 神经影像分析（包括颅骨剥离、空间归一化、灰质分割等预处理技术） | CNN | 图像 | 140名受试者（63例痴呆，77例非痴呆），来自尼日利亚伊巴丹大学学院医院的本地数据集，并利用OASIS数据集进行预训练 | NA | DenseNet121 | 准确率, AUC, 灵敏度, 特异度, 精确率, F1分数 | NA |
| 6864 | 2026-01-11 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_106312
PMID:41517832
|
研究论文 | 本研究提出了一种基于高阶注意力机制的深度学习模型，用于通过MRI图像对四种痴呆症类型进行精确分类 | 引入了基于淀粉样蛋白/ tau病理预测模型学习的高阶注意力机制，以提取更具预测力的特征并捕捉特征间相互关系 | 样本量相对较小（99个MRI图像），且主要依赖于特定医院的数据，可能影响模型的泛化能力 | 开发一种基于MRI的深度学习模型，以提高痴呆症亚型的准确鉴别诊断 | 阿尔茨海默病（AD）、帕金森病（PD）、路易体痴呆（DLB）和皮质下血管性痴呆（SVaD）患者 | 数字病理学 | 老年疾病 | 磁共振成像（MRI） | 深度学习模型, SVM | 图像, 临床信息 | 99个T1加权MRI图像（24名AD患者，25名PD患者，25名DLB患者，25名SVaD患者），以及来自5个数据集的12091名患者数据用于低阶注意力分类器训练 | NA | 注意力机制, SVM | AUC | NA |
| 6865 | 2026-01-11 |
Attention-Base deep learning for 3D craniofacial soft tissue landmark detection and diagnosis in orthodontics
2025-Nov-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-30383-w
PMID:41318682
|
研究论文 | 本文提出了一种创新的两阶段注意力深度学习框架，用于三维颅面软组织标志点检测与正畸诊断分类 | 开发了结合测地线裁剪模块和动态标志点结构学习模块的两阶段注意力框架，首次将解剖学先验知识融入空间依赖建模，显著提升了定位精度与结构一致性 | 未明确说明模型在不同种族、年龄组或病理条件下的泛化能力，也未讨论计算效率是否满足实时临床需求 | 实现三维颅面软组织的自动化标志点检测与正畸治疗难度诊断分类 | 三维颅面软组织扫描数据 | 计算机视觉 | 错颌畸形 | 三维扫描成像 | 深度学习, Transformer | 三维点云数据 | 未在摘要中明确说明具体样本数量 | PyTorch | PointTransformerV3 | 平均径向误差, 成功检测率, 成功分类率, 诊断准确率 | NA |
| 6866 | 2026-01-11 |
Biological Age Prediction of the Cerebellar Vermis in the Human Lifespan
2025-Nov-19, Cerebellum (London, England)
DOI:10.1007/s12311-025-01929-5
PMID:41258571
|
研究论文 | 本研究利用深度学习从结构MRI中提取的脑结构年龄生物标志物，探究了人类小脑蚓部随年龄增长的区域特异性老化模式 | 首次使用深度学习衍生的脑结构年龄生物标志物系统评估小脑蚓部各亚区的老化轨迹，揭示了前后梯度差异及性别特异性老化模式 | 研究为横断面设计，无法推断因果关系；样本仅来自单一数据库（伊朗脑成像数据库），可能限制结果的普适性 | 评估小脑蚓部区域特异性老化模式及其影响因素 | 245名健康参与者的小脑蚓部结构MRI数据 | 医学影像分析 | NA | 结构磁共振成像 | 深度学习 | 3D T1加权磁共振图像 | 245名健康参与者（青年组20-39岁、中年组40-59岁、老年组≥60岁） | NA | NA | 调整后R方 | 3T MRI扫描仪（64通道线圈） |
| 6867 | 2026-01-11 |
AI-Driven Real-Time Monitoring of Cardiovascular Conditions With Wearable Devices: Scoping Review
2025-Nov-11, JMIR mHealth and uHealth
IF:5.4Q1
DOI:10.2196/73846
PMID:41218203
|
综述 | 本文是一篇范围综述，探讨了利用可穿戴设备和人工智能技术进行心血管疾病实时监测的主要挑战与潜在解决方案 | 系统性地识别了AI驱动平台在实时心血管监测中的关键挑战，并提出了跨学科研究需求，强调了从传统机器学习到轻量级深度学习算法的多种AI技术在可穿戴设备或云端处理中的应用 | 现有研究数量有限，缺乏全面的验证，多数依赖公开数据集而非社区环境下的真实世界验证，且实时部署的AI算法常未报告操作特性与挑战 | 识别AI驱动平台用于可穿戴设备实时心血管监测的主要挑战，并探索潜在解决方案，同时考察AI算法的开发与部署流程优化 | 使用可穿戴设备收集参与者数据并应用AI算法进行实时分析以检测或预测心血管事件与疾病的研究 | 机器学习 | 心血管疾病 | NA | 传统机器学习, 轻量级深度学习 | 心血管信号, 生命体征, 身体活动数据 | 从2385条记录中筛选，最终纳入19项研究 | NA | NA | NA | NA |
| 6868 | 2026-01-11 |
A deep learning-based approach for measuring patellar cartilage deformations from knee MR images
2025-Nov, Journal of biomechanics
IF:2.4Q3
DOI:10.1016/j.jbiomech.2025.112930
PMID:40915052
|
研究论文 | 本研究开发了一种基于深度学习的自动分割方法，用于从膝关节磁共振图像中测量髌骨软骨的变形 | 首次将2D和3D U-Net应用于髌骨及髌骨软骨的自动分割，并成功检测到跳跃活动引起的软骨变形 | 研究仅基于109例膝关节磁共振扫描，样本量相对有限，且未与其他自动分割方法进行广泛比较 | 开发卷积神经网络以分割髌骨及髌骨软骨，并评估其测量运动诱导软骨变形的能力 | 膝关节磁共振图像中的髌骨及髌骨软骨 | 计算机视觉 | 骨关节炎 | 磁共振成像 | CNN | 图像 | 109例膝关节磁共振扫描 | NA | U-Net | 平均Dice相似系数, ICC, 平均差异 | NA |
| 6869 | 2026-01-11 |
The potential role of machine learning and deep learning in differential diagnosis of Alzheimer's disease and FTD using imaging biomarkers: A review
2025-Oct, The neuroradiology journal
DOI:10.1177/19714009251313511
PMID:39787363
|
综述 | 本文综述了机器学习和深度学习在利用影像生物标志物区分阿尔茨海默病与额颞叶痴呆中的潜在作用 | 系统梳理并比较了2012年至2024年间31篇相关研究，特别指出了SVM在机器学习方法中以及ResNet在深度学习方法中的优越性能 | 强调仍需结合临床检查和患者症状评估以确保诊断的全面性和准确性，暗示现有AI方法尚不能完全替代传统诊断流程 | 探讨人工智能在辅助诊断额颞叶痴呆和阿尔茨海默病中的应用潜力 | 针对额颞叶痴呆和阿尔茨海默病的影像生物标志物 | 医学影像分析 | 阿尔茨海默病, 额颞叶痴呆 | MRI, DTI, fMRI, PET, SPECT | SVM, CNN | 影像数据 | 基于31篇文献的综合分析，未提供具体样本总数 | NA | ResNet | NA | NA |
| 6870 | 2026-01-11 |
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 | 本研究开发了一种基于深度学习的自动分割模型，用于从CT图像中分割胰腺癌及周围解剖结构，以辅助手术规划 | 采用分层Swin Transformer V2模型进行胰腺癌及周围结构的三维自动分割，并在多中心数据集上验证了其稳健性能 | 模型在胰腺癌分割上的准确性相对较低（DSC约54.5-57.0%），且分割性能受肿瘤大小影响 | 开发用于胰腺癌手术规划的深度学习自动分割模型 | 胰腺癌患者及其周围解剖结构 | 数字病理学 | 胰腺癌 | 计算机断层扫描（CT） | Transformer | 图像 | 275名患者（176名训练组，59名内部验证组，40名外部验证组） | NA | Swin Transformer V2 | Dice相似系数（DSC），定性评估（完全分割、部分分割、缺失分割） | NA |
| 6871 | 2026-01-11 |
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 | 开发并验证了一种基于深度学习超声影像组学模型，用于预测淋巴结结核的药物耐药性 | 首次将集成机器学习算法与AdaBoost结合应用于超声影像组学，以预测淋巴结结核的耐药性，并通过多中心数据进行了内部和外部验证 | 研究为回顾性设计，样本量相对有限（234例），且仅针对宫颈淋巴结结核，可能限制了模型的泛化能力 | 预测淋巴结结核的药物耐药性 | 淋巴结结核患者 | 数字病理学 | 结核病 | 超声影像 | 集成机器学习, AdaBoost | 图像 | 234例宫颈淋巴结结核患者（来自一个中心），以及来自另外两个中心的外部测试集 | NA | NA | AUC, 准确率, 精确率, 召回率, F1分数, 决策曲线分析 | NA |
| 6872 | 2026-01-11 |
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 | 本研究开发了一种基于治疗前CT的多通道预测器，整合了Transformer模型编码的深度学习特征，用于术前诊断非小细胞肺癌患者在接受新辅助免疫化疗后的主要病理缓解 | 创新性地将多通道深度学习与Transformer编码器融合，用于预测肺癌新辅助免疫化疗后的主要病理缓解，相比传统影像组学模型显著提升了分类准确率 | 研究为回顾性设计，样本量相对有限（332例），且仅基于CT影像，未整合其他模态数据 | 开发一种术前诊断工具，预测非小细胞肺癌患者接受新辅助免疫化疗后的主要病理缓解，以改善手术规划和治疗结果 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT影像分析 | 深度学习 | 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, 综合判别改善, 净重分类改善, DeLong检验 | NA |
| 6873 | 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 |
| 6874 | 2026-01-11 |
Pixel-level transformer GAN for enhanced parametric mapping of DCE MRI analysis
2025-Sep, Medical physics
IF:3.2Q1
DOI:10.1002/mp.18092
PMID:40891183
|
研究论文 | 本文提出了一种基于Vision Transformer和生成对抗网络的创新方法，用于将稀疏动态对比增强磁共振成像序列转换为高时间分辨率的参数图，以提升癌症诊断和监测的准确性 | 结合Vision Transformer和GAN的优势，首次提出VP-GAN模型，能够从稀疏DCE-MRI相位中生成密集时间分辨率的参数图，显著减少所需相位数量 | 研究未明确说明模型在不同癌症类型或更大数据集上的泛化能力，也未详细讨论计算资源需求或实时应用可行性 | 探索利用深度学习和稀疏DCE-MRI相位生成高时间分辨率DCE-MRI参数图的可行性 | 动态对比增强磁共振成像数据，特别是针对Ktrans和ve参数图 | 计算机视觉 | 癌症 | 动态对比增强磁共振成像 | GAN, Transformer | 图像 | NA | NA | Vision Transformer Pix2Pix GAN | 峰值信噪比, 结构相似性指数, Pearson相关分析, Bland-Altman分析 | NA |
| 6875 | 2026-01-11 |
A lightweight neural attention-based model for service chatbots
2025-Aug-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14215-5
PMID:40804277
|
研究论文 | 本文提出了一种轻量级神经注意力机制，用于提升服务聊天机器人的上下文相关性和可扩展性 | 在现有注意力得分计算中引入标量函数，针对seq2seq架构优化对齐序列，从而改善上下文相关性并降低资源需求 | 未与基于Transformer的架构结合，未来可扩展至更广泛的序列预测任务 | 开发一种轻量级神经注意力机制，以增强服务聊天机器人的响应准确性和上下文相关性 | 服务聊天机器人 | 自然语言处理 | NA | NA | seq2seq | 文本 | 真实世界的Customer Support Twitter数据集 | NA | seq2seq | BLEU-4, 训练时间, 验证损失 | NA |
| 6876 | 2026-01-11 |
The TDGL Module: A Fast Multi-Scale Vision Sensor Based on a Transformation Dilated Grouped Layer
2025-May-26, Sensors (Basel, Switzerland)
DOI:10.3390/s25113339
PMID:41498160
|
研究论文 | 本文提出了一种基于深度学习的快速多尺度视觉传感器模块TDGL，旨在提升道路目标特征提取网络的效率和精度 | 提出TDGL模块，通过GLConv单元引入缩放和偏移参数、修改膨胀策略及采用分组卷积，动态调整卷积操作以有效区分不同尺度特征，同时优化空间信息处理并降低计算成本 | NA | 提升道路目标检测任务中多尺度特征提取的效率和准确性 | 道路障碍物目标 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | BDD100K数据集 | NA | YOLO系列模型 | mAP, FPS | NA |
| 6877 | 2026-01-11 |
Low-Cost and Fast Epiretinal Membrane Detection and Quantification Based on SD-OCT
2025, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2025.3629332
PMID:41503050
|
研究论文 | 提出了一种基于SD-OCT B扫描的低成本、快速视网膜前膜检测与量化新方法 | 提出了一种新的en face投影技术（EPI），并利用YOLOv11x模型实现高精度检测，同时提出了一种将EPI投影与视网膜厚度图相关联的评分机制，揭示了视网膜前膜与视网膜增厚之间的空间关系 | 需要进一步的大规模验证以确认其临床可靠性 | 开发一种低成本、快速且准确的视网膜前膜检测与量化方法 | 视网膜前膜 | 计算机视觉 | 视网膜疾病 | SD-OCT | CNN | 图像 | NA | NA | YOLOv11x | mAP@50, mAP@50:95, 相关性评分, ICC, AAS, AR | NA |
| 6878 | 2026-01-11 |
Evidence for the role of transcription factors in the co-transcriptional regulation of intron retention
2023-03-22, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-023-02885-1
PMID:36949544
|
研究论文 | 本研究通过深度学习模型分析开放染色质区域，探索转录因子在共转录调控内含子保留中的作用 | 首次利用深度学习模型系统性地识别转录因子在调控内含子保留中的角色，并预测锌指家族转录因子为主要调控因子 | 研究主要基于计算预测和ChIP-seq数据验证，缺乏直接的实验机制验证 | 探究转录因子在共转录过程中调控内含子保留的机制 | 人类基因组中的内含子保留事件及相关转录因子 | 生物信息学 | NA | 深度学习, ChIP-seq | 深度学习模型 | 基因组序列数据, ChIP-seq数据 | NA | NA | NA | NA | NA |
| 6879 | 2026-01-11 |
Identifying symptomatic trigeminal nerves from MRI in a cohort of trigeminal neuralgia patients using radiomics
2022-Mar, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-022-02900-5
PMID:35043225
|
研究论文 | 本研究利用MRI影像的放射组学特征，通过深度学习分割和机器学习模型，识别三叉神经痛患者中有症状的三叉神经 | 首次将U-net深度学习网络用于三叉神经的自动分割，并结合放射组学特征与随机森林特征选择及浅层神经网络，以区分TN影响与未影响的神经 | 研究为回顾性设计，样本量相对较小（134名患者），且仅使用1.5-Tesla MRI，可能影响模型的泛化能力 | 探索MRI放射组学特征是否能区分三叉神经痛患者中有症状和无症状的三叉神经 | 三叉神经痛患者的MRI影像数据，包括TN影响和未影响的三叉神经 | 数字病理学 | 三叉神经痛 | MRI（3D T1-加权和T2-加权成像） | U-net, 随机森林, 浅层神经网络 | 图像 | 134名患者（268条神经） | NA | U-net | 准确率, AUC, 灵敏度, 特异性 | NA |
| 6880 | 2026-01-11 |
Deep learning for cardiovascular medicine: a practical primer
2019-07-01, European heart journal
IF:37.6Q1
DOI:10.1093/eurheartj/ehz056
PMID:30815669
|
综述 | 本文为心血管医学领域提供深度学习应用的实用入门指南，概述了其潜力、优势、局限性及未来挑战 | 系统性地为心血管临床医生和研究者整合了深度学习的当前状态，并提供了技术背景以理解其前景、陷阱和近期机遇 | 深度学习存在模型解释困难（'黑箱'批评）、需要大量标注数据、设计缺乏标准化、训练数据效率低、临床试验适用性有限等问题 | 为心血管医学领域提供深度学习的实用入门指南，帮助临床医生和研究者理解其应用前景与挑战 | 心血管医学中的深度学习应用，包括医疗图像解释、临床决策支持、新表型识别和治疗路径选择 | 机器学习 | 心血管疾病 | 深度学习 | NA | 医疗图像、血流动力学和电生理学数据、可穿戴设备数据 | NA | NA | NA | NA | NA |