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 32372 篇文献，本页显示第 7341 - 7360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7341 | 2025-10-06 |
Identifying visible tissue in intraoperative ultrasound: a method and application
2025-Jun-28, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-025-03415-z
PMID:40580392
|
研究论文 | 提出一种识别术中超声可见组织的迭代滤波和拓扑方法，用于分析探头-组织接触并构建感知显著性置信图 | 开发了新颖的迭代滤波和拓扑方法来识别可见组织，创建了评估探头-组织接触置信度的新框架 | NA | 分析术中超声探头-组织接触，检测声影并构建感知显著性置信图 | 术中超声扫描中的可见组织 | 医学影像分析 | NA | 超声成像 | NA | 超声图像 | 包含体内数据和医学体模数据的数据集 | NA | NA | Fβ分数, 归一化均方根误差 | NA |
| 7342 | 2025-10-06 |
Machine Learning Based Multi-Class Classification and Grading of Squamous Cell Carcinoma in Optical Microscopy
2025-Jun-27, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70016
PMID:40579786
|
研究论文 | 本研究利用机器学习和深度学习模型对鳞状细胞癌组织病理图像进行多分类和分级 | 结合机器学习特征分析和可解释深度学习模型，实现高精度的鳞状细胞癌自动分级 | NA | 开发自动化的鳞状细胞癌组织病理分级方法 | 鳞状细胞癌组织病理图像 | 数字病理 | 鳞状细胞癌 | 光学显微镜成像 | 支持向量机,朴素贝叶斯,决策树,KNN,神经网络,CNN | 图像 | NA | NA | 卷积神经网络 | 准确率 | NA |
| 7343 | 2025-10-06 |
Design and Optimization of an automatic deep learning-based cerebral reperfusion scoring (TICI) using thrombus localization
2025-Jun-26, Journal of neuroradiology = Journal de neuroradiologie
DOI:10.1016/j.neurad.2025.101366
PMID:40581292
|
研究论文 | 设计和优化基于深度学习的自动脑灌注评分(TICI)系统，利用血栓定位技术 | 首次将血栓定位信息整合到基于CNN的TICI评分分类模型中 | 三分类模型性能不足，自动血栓检测模块未能提升模型表现 | 开发人工智能辅助的脑梗死溶栓评分系统 | 接受机械取栓治疗的患者 | 医学影像分析 | 脑梗死 | 数字减影血管造影 | CNN | 医学影像 | 422名患者，2492个血栓标注，1609个DSA序列 | NA | 卷积神经网络 | 特异性, 敏感性, F1分数 | NA |
| 7344 | 2025-10-06 |
Fog-Enabled Modular Deep Learning Platform for Textual Data Mining in Healthcare for Pathology Detection in Burkina Faso
2025-Jun-26, Studies in health technology and informatics
DOI:10.3233/SHTI250696
PMID:40588904
|
研究论文 | 提出了一种面向布基纳法索医疗环境的深度学习诊断支持平台架构 | 结合诊断治疗指南与OCR提取的手写处方文本数据，并针对当地环境比较了雾计算与云计算两种架构 | 基于模拟验证，缺乏真实环境部署数据 | 开发适用于布基纳法索医疗体系的深度学习诊断支持平台 | 手写处方和电子健康记录中的文本数据 | 自然语言处理 | 病理学检测 | 光学字符识别（OCR） | 深度学习 | 文本 | NA | NA | NA | NA | 雾计算架构、云计算架构 |
| 7345 | 2025-10-06 |
Smart Wearable Analytics for Cycling: AI-Based Physical Exertion Prediction
2025-Jun-26, Studies in health technology and informatics
DOI:10.3233/SHTI250714
PMID:40588921
|
研究论文 | 本研究评估了基于深度学习的LSTM与多头注意力模型，用于骑行运动中身体劳累程度的分类和回归预测 | 首次将LSTM与多头注意力机制结合应用于运动生理数据预测，并采用MRMR和UFR特征选择方法识别关键预测因子 | 样本量较小（27名健康参与者），仅针对骑行运动，未验证其他运动场景 | 开发AI模型预测骑行运动中的身体劳累程度 | 27名健康参与者的骑行运动数据 | 机器学习 | NA | ECG信号分析，心率变异性特征提取 | LSTM | 生理时间序列数据 | 27名健康参与者，数据分为8个两分钟区间 | NA | LSTM with Multi-Head Attention | MSE, R2, 准确率, F1分数 | NA |
| 7346 | 2025-10-06 |
Reduction of Membrane-derived Noise Using Beam-tilt Measurement and Deep Learning in Observation using Environmental Cell
2025-Jun-24, Microscopy (Oxford, England)
DOI:10.1093/jmicro/dfaf031
PMID:40581827
|
研究论文 | 提出一种结合电子束倾斜测量和深度学习的方法来消除环境细胞中硅氮化物膜产生的噪声 | 首次将Noise2Noise深度学习方法应用于电子显微镜图像，通过电子束倾斜技术有效分离膜噪声与样品信息 | 未明确说明方法在不同类型样品或极端环境条件下的适用性 | 提高环境细胞电子显微镜的图像质量，实现高信噪比观测 | 催化剂和纳米材料在气体和液体环境中的观测 | 计算机视觉 | NA | 透射电子显微镜，环境细胞技术 | 深度学习 | 图像 | NA | NA | Noise2Noise | 信噪比 | NA |
| 7347 | 2025-10-06 |
Deep learning for osteoporosis screening in dental practice: a systematic review
2025-Jun-20, Dento maxillo facial radiology
DOI:10.1093/dmfr/twaf052
PMID:40580938
|
系统综述 | 评估深度学习工具在牙科影像中筛查骨质疏松症性能的系统综述 | 首个系统评估深度学习在牙科实践中骨质疏松筛查应用现状的综述 | 缺乏外部验证和临床整合研究，限制了实际应用价值 | 评估深度学习工具在牙科影像骨质疏松筛查中的性能及临床实施情况 | 使用牙科影像（放射线片或CT）的骨质疏松症成人患者 | 数字病理 | 骨质疏松症 | 双能X线吸收测定法（DXA），专家评估 | CNN | 影像 | 13项符合纳入标准的研究 | NA | VGG16, GoogleNet, ResNet, AlexNet, EfficientNet | 准确度 | NA |
| 7348 | 2025-10-06 |
Integrating GWAS and Transcriptomic Data Using PrediXcan and Multimodal Deep Learning Reveals Genetic Basis and Drug Repositioning Opportunities for Alzheimer's Disease
2025-Jun-10, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.01.02.25319880
PMID:40585083
|
研究论文 | 本研究整合多组学数据和人工智能方法揭示阿尔茨海默病的分子机制并探索个性化药物重定位策略 | 结合PrediXcan方法和多模态深度学习模型AD-MIF，首次在阿尔茨海默病研究中实现GWAS与转录组数据的深度融合，显著提升表型预测准确性 | 研究样本量相对有限（553个样本），主要基于ROSMAP数据库的背外侧前额叶皮层数据 | 阐明阿尔茨海默病的分子调控机制并开发个性化药物重定位策略 | 阿尔茨海默病患者脑组织样本和SAMP8 AD模型小鼠 | 机器学习 | 阿尔茨海默病 | GWAS, 转录组分析, 多组学数据整合 | 自编码器, 图自编码器, 深度学习 | 基因型数据, 基因表达数据 | 553个背外侧前额叶皮层样本 | NA | AD-MIF（多模态信息融合模型） | AUC（曲线下面积） | NA |
| 7349 | 2025-10-06 |
Deep Learning-Based Segmentation of Gravity-Loaded Human Spine
2025-Jun-10, Journal of visualized experiments : JoVE
DOI:10.3791/67781
PMID:40587489
|
研究论文 | 提出基于深度学习的重力负荷状态下人类脊柱分割方法 | 首次将3D U-Net与残差连接结合用于重力负荷CBCT图像的脊柱结构分割 | 未提及模型在多样化人群中的泛化性能验证 | 开发重力负荷条件下脊柱结构精准分割的深度学习方案 | 人类脊柱解剖结构（椎体、骨盆、股骨头） | 计算机视觉 | 肌肉骨骼疾病 | 负重锥形束计算机断层扫描（CBCT） | CNN | 3D医学图像 | NA | NA | U-Net | NA | NA |
| 7350 | 2025-10-06 |
Integrating Social Determinants of Health and Established Risk Factors to Predict Cardiovascular Disease Risk Among Healthy Older Adults
2025-Jun, Journal of the American Geriatrics Society
IF:4.3Q1
DOI:10.1111/jgs.19440
PMID:40099367
|
研究论文 | 本研究整合健康社会决定因素与传统风险因素，使用机器学习模型预测健康老年人群体心血管疾病风险 | 首次在心血管疾病风险预测中系统整合健康社会决定因素与传统风险因素，并发现社会决定因素对女性预测效果更显著 | 研究对象仅限于70岁及以上初始无心血管疾病的老年人，结果可能不适用于更年轻人群 | 开发整合社会决定因素的心血管疾病风险预测模型 | 12,896名70岁及以上初始无心血管疾病、痴呆和独立性受限身体残疾的老年人 | 机器学习 | 心血管疾病 | 纵向研究 | Random Survival Forest, Deepsurv, Neural Multi-Task Logistic Regression | 临床数据、社会决定因素数据 | 12,896人（5,884名男性，7,012名女性） | NA | Random Survival Forest, Deepsurv, NMTLR | C-index, 综合Brier评分, 5年和10年AUC | NA |
| 7351 | 2025-10-06 |
Longitudinal brain age in first-episode mania youth treated with lithium or quetiapine
2025-Jun, European neuropsychopharmacology : the journal of the European College of Neuropsychopharmacology
IF:6.1Q1
DOI:10.1016/j.euroneuro.2025.03.013
PMID:40222151
|
研究论文 | 研究锂和喹硫平对首次躁狂发作青少年脑龄的纵向影响 | 首次在首次躁狂发作青少年中使用基于深度学习的大规模脑龄预测模型评估两种药物的神经保护作用 | 样本量较小且随访时间有限，需要更大样本和更长随访时间确认治疗效果 | 评估锂和喹硫平对双相情感障碍和分裂情感性障碍早期阶段的神经保护作用 | 首次躁狂发作青少年（15-25岁） | 医学影像分析 | 双相情感障碍,分裂情感性障碍 | T1加权磁共振成像 | 深度学习 | 脑部结构MRI图像 | FEM参与者39人（锂组21人，喹硫平组18人），健康对照29人，训练数据集53,542人 | NA | NA | Cohen's d效应量, 95%置信区间, p值 | NA |
| 7352 | 2025-10-06 |
Fully automated image quality assessment based on deep learning for carotid computed tomography angiography: A multicenter study
2025-Jun, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.104990
PMID:40347553
|
研究论文 | 开发并评估基于深度学习的全自动模型用于颈动脉CT血管造影图像质量评估 | 首次提出结合3D Res U-net和多元逻辑回归算法的全自动图像质量评估方法，并在多中心数据集中验证 | 回顾性研究设计，样本量相对有限（840例） | 开发颈动脉CTA图像的自动化质量评估系统 | 颈动脉CT血管造影图像 | 计算机视觉 | 心血管疾病 | CT血管造影 | CNN, 逻辑回归 | 医学影像 | 840例颈动脉CTA图像（来自4家三级医院） | NA | 3D Res U-net | 敏感度, 特异度, 精确度, F分数, 准确率, AUC | NA |
| 7353 | 2025-10-06 |
Bppv nystagmus signals diagnosis framework based on deep learning
2025-Jun, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01542-0
PMID:40358819
|
研究论文 | 提出基于深度学习的BPPV眼震信号诊断框架，用于良性阵发性位置性眩晕的智能分析 | 开发了结合Egeunet神经网络模型与快速傅里叶变换的综合性眼震数据分析框架，实现了精确的眼部结构分割和眼动数据分析 | 未明确说明样本规模和研究人群特征 | 改进BPPV眼震数据的采集和分析方法，提升临床诊断效果 | 良性阵发性位置性眩晕患者的眼震信号 | 医学图像分析 | 前庭疾病 | 眼动捕捉技术，快速傅里叶变换 | 深度学习 | 眼动信号数据 | NA | NA | Egeunet | 敏感性，鲁棒性 | NA |
| 7354 | 2025-10-06 |
PanEcho: Complete AI-enabled echocardiography interpretation with multi-task deep learning
2025-Apr-16, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.11.16.24317431
PMID:40321248
|
研究论文 | 开发并验证了用于自动解读超声心动图的多任务深度学习AI系统PanEcho | 首个能够全面解读超声心动图（39个标签和测量值）的完整AI系统，在完整和有限成像方案中均保持高精度 | 回顾性研究，需进一步前瞻性验证 | 开发自动解读超声心动图的AI系统 | 超声心动图视频和患者 | 医学影像分析 | 心血管疾病 | 超声心动图 | 深度学习 | 视频 | 来自24,405名患者的32,265项TTE研究，包含120万段超声心动图视频 | NA | 多任务深度学习 | AUC, MAE | NA |
| 7355 | 2025-10-06 |
Deep learning radiomics nomograms predict Isocitrate dehydrogenase (IDH) genotypes in brain glioma: A multicenter study
2025-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2024.110314
PMID:39708927
|
研究论文 | 本研究开发了一种深度学习影像组学列线图模型，用于预测脑胶质瘤的IDH基因型 | 提出了一种融合深度学习特征、影像组学特征和临床特征的混合模型，并在多中心数据上验证了其预测性能 | 回顾性研究设计，样本量相对有限，仅基于T2图像 | 探索深度学习影像组学列线图在预测脑胶质瘤IDH基因型中的可行性 | 脑胶质瘤患者 | 医学影像分析 | 脑胶质瘤 | MRI成像 | 深度学习, 逻辑回归 | 医学影像(T2图像) | 402例来自两个独立中心的胶质瘤患者(训练集239例，内部验证103例，外部验证60例) | NA | NA | AUC, ROC曲线 | NA |
| 7356 | 2025-10-06 |
Multiscale deep learning radiomics for predicting recurrence-free survival in pancreatic cancer: A multicenter study
2025-Apr, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2025.110770
PMID:39894259
|
研究论文 | 开发并验证用于预测胰腺导管腺癌患者无复发生存期的多尺度深度学习放射组学列线图 | 结合手工放射组学特征和深度学习特征，构建多尺度预测模型，并在多中心数据中验证其优于传统AJCC分期系统的性能 | 样本量相对有限，且来自不同医院的数据质量可能存在差异 | 预测胰腺导管腺癌患者的无复发生存期 | 469名胰腺导管腺癌患者 | 医学影像分析 | 胰腺癌 | 放射组学分析，深度学习 | 深度学习模型 | 医学影像数据 | 469名患者来自四家医院 | NA | NA | C-index, AUC, Kaplan-Meier分析 | NA |
| 7357 | 2025-10-06 |
Multi-center study: ultrasound-based deep learning features for predicting Ki-67 expression in breast cancer
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94741-4
PMID:40133523
|
研究论文 | 本研究利用深度学习算法挖掘乳腺癌超声特征，构建预测Ki-67表达水平的机器学习模型 | 整合肿瘤区域和瘤周区域的深度特征构建融合模型，并在多中心数据集上进行验证 | 回顾性研究设计，样本量相对有限（929例患者） | 开发准确预测乳腺癌Ki-67表达水平的机器学习模型 | 929例乳腺癌患者的临床和超声数据 | 医学影像分析 | 乳腺癌 | 超声成像 | SVM, LightGBM | 超声图像 | 929例乳腺癌患者 | NA | NA | 准确率, ROAUC, 敏感性, 特异性, F1分数 | NA |
| 7358 | 2025-10-06 |
Artificial Intelligence for Predicting HER2 Status of Gastric Cancer Based on Whole-Slide Histopathology Images: A Retrospective Multicenter Study
2025-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202408451
PMID:39792693
|
研究论文 | 开发基于全切片病理图像的深度学习模型HER2Net，用于预测胃癌HER2状态 | 创新性地通过定量计算HER2高表达区域比例来预测HER2状态 | 回顾性研究，需要进一步前瞻性验证 | 开发经济可行且易于使用的工具来区分胃癌患者的HER2状态 | 胃癌患者的全切片病理图像 | 数字病理 | 胃癌 | 苏木精-伊红染色，全切片成像 | 深度学习模型 | 病理图像 | 内部训练集520名患者的531张WSI，内部测试集111名患者的115张WSI，外部多中心测试集101名患者的102张WSI | NA | HER2Net | 准确率 | NA |
| 7359 | 2025-10-06 |
Early and noninvasive prediction of response to neoadjuvant therapy for breast cancer via longitudinal ultrasound and MR deep learning: A multicentre study
2025-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.10.033
PMID:39542804
|
研究论文 | 本研究通过纵向超声和磁共振的深度学习模型，早期无创预测乳腺癌新辅助化疗疗效 | 首次结合纵向多模态影像（MR和超声）与深度学习特征，构建堆叠模型实现早期疗效预测 | 回顾性研究设计，样本量相对有限（448例） | 预测乳腺癌患者新辅助化疗后的病理完全缓解 | 乳腺癌患者 | 数字病理 | 乳腺癌 | 磁共振成像，超声成像 | CNN | 医学影像 | 448例来自三个中心的患者 | NA | ResNet50 | AUC, 准确率, 敏感度, 特异度 | NA |
| 7360 | 2025-10-06 |
Machine learning tool for predicting mature oocyte yield and trigger day from start of stimulation: towards personalized treatment
2025-02, Reproductive biomedicine online
IF:3.7Q1
DOI:10.1016/j.rbmo.2024.104441
PMID:39708575
|
研究论文 | 开发基于深度学习的机器学习工具，用于预测卵巢刺激周期开始时的成熟卵母细胞数量和触发日 | 提出两种新型渐进式深度学习算法，可在刺激周期开始时预测触发日和MII卵母细胞数量 | 需要纳入更多数据和来自不同诊所的验证 | 开发个性化治疗工具，预测卵巢刺激结果 | 56,490个卵巢刺激周期（主要数据集）和5,103个卵巢刺激周期（临床验证数据集） | 机器学习 | 生殖医学 | 深度学习 | 深度学习 | 临床数据 | 主要数据集56,490个刺激周期，其中13,090个用于模型开发，临床验证数据集5,103个刺激周期 | NA | NA | 平均绝对误差, R2值, 四分位根均方误差 | NA |