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 44618 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2026-05-20 |
AI Prognostication in Nonsmall Cell Lung Cancer: A Systematic Review
2026-02-01, American journal of clinical oncology
DOI:10.1097/COC.0000000000001238
PMID:40679809
|
综述 | 对人工智能算法在非小细胞肺癌预后预测中的应用进行系统文献综述 | 比较了不同人工智能类型（机器学习和深度学习）的预后性能，并评估了与TNM分期等传统预后系统的对比 | 建议在临床应用前需通过精心设计的临床试验进行充分验证 | 评估人工智能算法在非小细胞肺癌预后预测中的应用效果 | 非小细胞肺癌患者的预后预测 | 机器学习 | 肺癌 | NA | 机器学习, 深度学习 | 组织学数据, 遗传数据, CT, PET, MRI图像 | 初始3880篇文献，经筛选后纳入309篇 | NA | NA | 预后性能（具体指标未明确） | NA |
| 802 | 2026-05-20 |
Accelerated water residual removal in MRS: Exploring deep learning versus fitting-based approaches
2026-01, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70031
PMID:40891397
|
研究论文 | 提出并验证两种快速去除MRS中水残留信号的新方法：DeepWatR和WaterFit | 分别采用U-Net类似架构结合注意力机制和Torch自动微分技术，实现了快速准确的水残留去除，较传统HLSVDPro方法大幅提升速度 | 模拟数据集与实际临床数据的差异可能影响方法泛化性；DeepWatR在去除水后代谢物拟合精度低于WaterFit | 开发临床适用的快速水残留去除方法，提升磁共振波谱（MRS）的临床实用性 | 模拟和体内1H脑部MRS数据集中的水残留信号 | 机器学习 | NA | MRS | U-Net | 磁共振波谱数据 | 模拟和体内1H脑部数据集，包含10,000个体素和100个体素两个测试集 | PyTorch | U-Net | 平均百分比量化误差、速度提升倍数 | 低端图形处理单元（GPU） |
| 803 | 2026-05-20 |
Automatic classification of uveal melanoma response patterns following ruthenium-106 plaque brachytherapy using ultrasound images and deep convolutional neural network
2025-12-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28995-3
PMID:41461779
|
研究论文 | 利用超声图像和深度卷积神经网络自动分类葡萄膜黑色素瘤钌-106敷贴器治疗后反应模式 | 首次将深度学习模型（DenseNet121和ResNet34）应用于基于B型超声图像的葡萄膜黑色素瘤治疗后反应模式分类，并发现无预训练权重、使用dropout层和批次大小32的配置性能最佳 | 需要进一步验证并探索其融入临床实践的可行性 | 应用深度学习模型预测葡萄膜黑色素瘤患者接受敷贴治疗后肿瘤反应模式 | 葡萄膜黑色素瘤患者治疗前后的超声图像及其反应模式（消退、增大、稳定或其他） | 计算机视觉 | 葡萄膜黑色素瘤 | B型超声成像 | 卷积神经网络 | 图像 | 192名患者的B型超声图像样本 | PyTorch | DenseNet121, ResNet34 | 宏平均AUC, 每类评估, DeLong检验 | NA |
| 804 | 2026-05-20 |
Differences in different reconstruction algorithms for coronary CTA demonstrating pericoronary adipose tissue attenuation
2025-12-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28914-6
PMID:41461810
|
研究论文 | 评估三种不同重建算法（DLIR-H、ASiR-V50%和FBP）在冠状动脉CTA中展示冠状动脉周围脂肪衰减的差异 | 首次系统比较深度学习图像重建（DLIR-H）、自适应统计迭代重建（ASiR-V50%）和滤波反投影（FBP）三种算法对冠状动脉周围脂肪衰减指数（FAI）测量的影响 | 未提及样本量大小和患者选择的具体标准，未评估算法在不同医疗设备和扫描参数下的通用性 | 评估不同重建算法对冠状动脉周围脂肪衰减指数（FAI）测量的差异，强调标准化重建方案的必要性 | 冠状动脉周围脂肪组织、冠状动脉斑块（正常、无斑块、非钙化斑块、混合斑块、钙化斑块） | 计算机视觉 | 心血管疾病 | 冠状动脉计算机断层扫描血管造影（CCTA） | NA | 图像 | NA | NA | NA | 脂肪衰减值、图像噪声、脂肪衰减指数（FAI） | NA |
| 805 | 2026-05-20 |
PSMA PET Evaluation with a Deep Learning Platform Compared with a Standard Image Viewer and Histopathology
2025-12-03, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.125.270242
PMID:41101977
|
研究论文 | 比较深度学习平台aPROMISE与标准影像查看器ISP在PSMA PET/CT评估中的表现，并以组织病理学为金标准 | 首次将深度学习分割和报告软件与标准影像查看器进行系统比较，并以组织病理学为金标准验证 | 未分割病灶主要位于高尿液活性区域或PSMA表达较低；部分远处转移病灶未被自动分割 | 评估深度学习平台aPROMISE在PSMA PET/CT评估中的性能 | PSMA放射引导手术后的前列腺癌患者 | 机器学习 | 前列腺癌 | PSMA PET/CT | 深度学习 | 影像 | 96名前列腺癌患者 | NA | NA | Cohen κ系数, 一致性率 | NA |
| 806 | 2026-05-20 |
Deep Learning for Automated Measures of SUV and Molecular Tumor Volume in [68Ga]PSMA-11 or [18F]DCFPyL, [18F]FDG, and [177Lu]Lu-PSMA-617 Imaging with Global Threshold Regional Consensus Network
2025-11-03, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.125.270077
PMID:40967759
|
研究论文 | 提出全球阈值区域共识网络，用于自动化测量[68Ga]PSMA-11或[18F]DCFPyL、[18F]FDG和[177Lu]Lu-PSMA-617成像中的SUV和分子肿瘤体积 | 开发了基于阈值后处理的深度学习框架，显著提升PET和SPECT图像分割的边界定义和标签准确性，Dice准确度比nnU-Net提高3%-5% | 未提及 | 提高自动化测量PET成像中疾病体积和示踪剂亲和性的准确度，改善LuPSMA治疗的患者选择和预后评估 | 转移性去势抵抗性前列腺癌患者的[68Ga]PSMA-11或[18F]DCFPyL PET、[18F]FDG PET和[177Lu]Lu-PSMA-617 SPECT图像 | 数字病理学，计算机视觉 | 前列腺癌 | PET/CT, SPECT/CT | 卷积神经网络 | 图像 | 676张PSMA PET/390张FDG PET/477张LuPSMA SPECT图像用于训练，56例外部测试 | PyTorch | nnU-Net | Dice相似系数，Pearson系数 | NA |
| 807 | 2025-07-10 |
Corrigendum to 'CT-Based Deep Learning Predicts Prognosis in Esophageal Squamous Cell Cancer Patients Receiving Immunotherapy Combined with Chemotherapy' [Acad Radiol 32/6 (2025) 3397-3409]
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.06.036
PMID:40628644
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 808 | 2026-05-20 |
Predicting prognosis of light-chain cardiac amyloidosis by magnetic resonance imaging and deep learning
2025-10-30, European heart journal. Cardiovascular Imaging
DOI:10.1093/ehjci/jeaf248
PMID:40891072
|
研究论文 | 开发一种基于深度学习的心脏磁共振成像模型，用于预测轻链型心脏淀粉样变性的个体化预后 | 首次使用基于Transformer的深度学习模型对心脏磁共振晚期钆增强图像进行全心脏分析，结合对比预训练和集成学习策略，实现对轻链型心脏淀粉样变性个体化预后的高精度预测，超越了传统Mayo分期方法 | 未提及明确限制，但研究为单中心回顾性设计，样本量相对有限（394例），且仅包含接受标准化化疗的患者 | 开发一种新型深度学习模型，通过分析心脏磁共振晚期钆增强图像来预测轻链型心脏淀粉样变性的个体化预后 | 轻链型心脏淀粉样变性患者的晚期钆增强心脏磁共振图像及临床预后数据 | 医学影像分析 | 轻链型心脏淀粉样变性 | 心脏磁共振成像（CMR），晚期钆增强（LGE） | 基于Transformer的深度学习模型 | 图像 | 394例轻链型心脏淀粉样变性患者（训练集315例，测试集79例） | NA | Transformer | 一致性指数（C-index），曲线下面积（AUC），风险比（HR） | NA |
| 809 | 2026-05-20 |
Interpretable machine learning and signal processing for automated reading and quality control of lateral flow tests for schistosomiasis
2025-Oct-02, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.01.25337079
PMID:41256111
|
研究论文 | 提出一个端到端的自动化管道，用于分析血吸虫病的即时诊断测试，结合深度学习进行卡带分割和信号处理 | 首次实现即时诊断测试的自动化分析与质量控制的端到端管道，结合深度学习和信号处理解决视觉痕量不确定性 | 仅在单一队列（乌干达农村SchistoTrack队列）中评估，未在其他人群或疾病中验证 | 开发自动化诊断分类方法，提升血吸虫病即时诊断测试的准确性和效率 | 血吸虫病即时诊断测试（循环阴极抗原测试）的侧流试纸条 | 计算机视觉, 信号处理, 机器学习 | 血吸虫病 | 深度学习, 信号处理 | CNN（用于卡带分割的深度学习模型） | 图像（侧流试纸条图像） | 3188名来自乌干达农村SchistoTrack队列的个体 | NA | NA | 灵敏度, 特异度 | NA |
| 810 | 2026-05-20 |
Deep Learning Pipeline for Automated Assessment of Distances Between Tonsillar Tumors and the Internal Carotid Artery
2025-10, Head & neck
DOI:10.1002/hed.28200
PMID:40458868
|
研究论文 | 提出一种深度学习流水线自动评估扁桃体肿瘤与颈内动脉之间的距离 | 首次使用nnU-Net框架自动分割扁桃体肿瘤和颈内动脉，并自动计算最小距离 | 研究样本量较小，仅96例患者，且DSC值对肿瘤分割相对较低（0.67） | 开发自动评估扁桃体肿瘤与颈内动脉最小距离的工具，辅助术前规划 | 扁桃体肿瘤患者 | 计算机视觉, 数字病理学 | 扁桃体肿瘤 | CT成像 | nnU-Net（深度学习） | CT图像 | 96例扁桃体肿瘤患者的CT扫描 | nnU-Net | U-Net | Dice相似系数，平均Hausdorff距离 | NA |
| 811 | 2026-05-20 |
Performance Degradation between Development and Deployment of a Predictive Model for Central Line-Associated Bloodstream Infections in Hospitalized Children
2025-08, Applied clinical informatics
IF:2.1Q4
DOI:10.1055/a-2605-1847
PMID:40355126
|
研究论文 | 探讨儿童中心静脉导管相关血流感染预测模型从开发到部署过程中性能下降的原因及应对策略 | 首次系统分析预测模型在临床部署中性能下降的根因，包括训练/服务偏差、特征泄漏和过拟合，并提出多团队协作的解决框架 | 模型性能显著下降（AUROC从0.97降至<0.60），且仅针对单一医院数据集，未在多中心验证 | 实施儿科CLABSI预测模型并评估其在离线验证中的性能，以支持临床实践应用 | 住院儿童中的中心静脉导管相关血流感染（CLABSI）患者 | 机器学习 | 血流感染 | NA | 深度学习模型 | 结构化电子健康记录数据（8小时时间窗口特征） | 未明确样本量，但涉及住院儿童和多次迭代测试 | NA | 深度学习模型（未指定具体架构） | AUROC（接受者操作特征曲线下面积） | NA |
| 812 | 2026-05-20 |
Dynamic glucose enhanced imaging using direct water saturation
2025-07, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30447
PMID:40096575
|
研究论文 | 提出利用直接水饱和曲线的交换增宽效应进行动态葡萄糖增强MRI成像 | 首次提出基于直接水饱和曲线线宽变化的动态葡萄糖增强MRI方法，克服传统CEST/CESL方法效应量小和运动敏感的限制 | 临床样本量较小（仅4例脑肿瘤患者），需要更大规模研究验证 | 开发一种新的动态葡萄糖增强MRI技术以评估葡萄糖摄取 | 脑肿瘤患者及模拟血液、灰质、白质、脑脊液和恶性脑肿瘤组织 | 磁共振成像 | 脑肿瘤 | 动态葡萄糖增强MRI | 深度学习洛伦兹拟合模型 | 磁共振Z谱数据 | 4例脑肿瘤患者，35克D-葡萄糖输注 | NA | 深度学习洛伦兹拟合网络 | 曲线下面积 | 3 T全身MRI扫描仪 |
| 813 | 2026-05-20 |
On the use of generative models for evolutionary inference of malaria vectors from genomic data
2025-Jun-27, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.26.661760
PMID:40667127
|
研究论文 | 利用无监督机器学习和创新生成式深度学习算法，推断撒哈拉以南非洲疟疾媒介蚊虫的遗传结构和进化历史 | 首次将生成式深度学习算法应用于疟疾媒介蚊虫的进化推断，并开发了新型模型选择方法，发现包含迁移的进化模型更优且优于基于摘要统计的传统方法 | NA | 量化冈比亚按蚊复合体的遗传结构，并推断西非种群间的联合进化历史 | 撒哈拉以南非洲的冈比亚按蚊复合体种群 | 机器学习 | 疟疾 | NA | 生成式深度学习模型 | 基因组数据 | 来自几内亚和布基纳法索的蚊子种群样本 | NA | NA | 种群遗传分化捕获能力 | NA |
| 814 | 2026-05-20 |
Accelerated High-resolution T1- and T2-weighted Breast MRI with Deep Learning Super-resolution Reconstruction
2025-06, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.055
PMID:39794159
|
研究论文 | 该文评估了深度学习超分辨率重建算法对乳房MRI T1加权和T2加权序列的加速高分辨率成像性能 | 首次将自适应CS-Net和精确图像网两个卷积网络联合用于乳房MRI低分辨率图像的降噪和分辨率提升，显著降低采集时间同时改善图像质量 | 样本量有限（47名患者），且仅基于1.5T MRI系统，可能限制泛化性 | 评估行业开发的深度学习算法在重建低分辨率乳房MRI序列并对比标准序列中的表现 | 女性乳房MRI患者 | 数字病理学 | 乳腺癌 | MRI | 卷积神经网络 | 图像 | 47名患者，平均年龄58±11岁 | NA | 自适应CS-Net, 精确图像网 | 5点李克特量表评分, 表观信噪比, 表观对比噪声比, BI-RADS一致性的Cohen k系数 | NA |
| 815 | 2026-05-20 |
Integration of Deep Learning and Sub-regional Radiomics Improves the Prediction of Pathological Complete Response to Neoadjuvant Chemoradiotherapy in Locally Advanced Rectal Cancer Patients
2025-06, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.049
PMID:39809603
|
研究论文 | 开发和验证一种整合深度学习与亚区域影像组学的模型，用于预测局部进展期直肠癌患者对新辅助放化疗的病理完全缓解 | 首次将深度学习（3D ResNet50）与基于K-means聚类的亚区域影像组学相结合，构建了联合模型SRADL，显著提高了pCR预测的准确性和鲁棒性 | 回顾性研究设计，且样本来自三家医院，可能存在选择偏倚；需进一步在前瞻性多中心研究中验证 | 利用治疗前MRI图像预测LARC患者对新辅助放化疗的病理完全缓解，以优化个体化治疗方案 | 局部进展期直肠癌患者 | 计算机视觉 | 直肠癌 | MRI成像 | 3D ResNet50 | 图像 | 768名符合条件的参与者，来自三家独立医院 | NA | 3D ResNet50 | AUC, 决策曲线分析, Kaplan-Meier生存分析 | NA |
| 816 | 2026-05-20 |
Forensic dental age estimation with deep learning: a modified xception model for panoramic X-Ray images
2025-06, Forensic science, medicine, and pathology
DOI:10.1007/s12024-025-00962-4
PMID:39937388
|
研究论文 | 本研究旨在利用深度学习模型对口腔全景X光片进行改进的法医学年龄估计，特别是区分12岁以下和12岁以上个体 | 引入了新开发的Polygon Area Metric (PAM)来处理法医学应用中常见的不平衡数据集，并提出了基于Xception模型的改进版本“Forensic Xception” | 仅使用来自两个放射科的1941名儿科患者数据集，可能缺乏多样性；需要未来研究探索更多数据集以验证模型的泛化能力 | 开发一种改进的法医学年龄估计方法，利用深度学习模型对OPG图像进行分类，重点关注区分12岁以下和12岁以上个体 | 1941名5至15岁儿科患者的OPG图像 | 数字病理学, 机器学习 | NA | OPG成像 | CNN | 图像 | 1941名儿科患者的OPG图像 | NA | Xception（改进为Forensic Xception）, ResNet, ShuffleNet, InceptionV3, DarkNet, NasNet, DenseNet, EfficientNet, MobileNet, ResNet18, GoogleNet, SqueezeNet, AlexNet | 分类准确率, 灵敏度, 特异性, Kappa, 曲线下面积, Polygon Area Metric (PAM), F1分数 | NA |
| 817 | 2026-05-20 |
CT-Based Deep Learning Predicts Prognosis in Esophageal Squamous Cell Cancer Patients Receiving Immunotherapy Combined with Chemotherapy
2025-06, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.01.046
PMID:39956748
|
研究论文 | 构建深度学习模型预测食管鳞状细胞癌患者接受免疫联合化疗后的生存结局 | 首次结合肿瘤周围1像素扩大区域与临床特征构建多模态模型，用于ESCC患者免疫联合化疗前的风险分层 | 外部测试集C指数仅0.60，模型泛化能力有限；需进一步前瞻性验证 | 开发治疗前风险分层工具，辅助ESCC患者免疫联合化疗的个体化治疗决策 | 食管鳞状细胞癌（ESCC）患者 | 计算机视觉， 机器学习 | 食管癌 | 计算机断层扫描（CT） | 深度学习（DL） | 图像 | 482例患者（训练集322例，内部测试集79例，外部测试集81例） | NA | NA | Harrell's C-index， 受试者工作特征曲线（ROC）， 风险比（HR）， Kaplan-Meier分析 | NA |
| 818 | 2026-05-20 |
Sex estimation with convolutional neural networks using the patella magnetic resonance image slices
2025-06, Forensic science, medicine, and pathology
DOI:10.1007/s12024-025-00943-7
PMID:39969760
|
研究论文 | 使用卷积神经网络对髌骨磁共振图像切片进行性别评估 | 提出了一种基于深度学习架构自动分析髌骨MRI切片进行性别评估的方法，避免了传统形态测量法的耗时和需要专业人员的问题 | NA | 探索利用髌骨MRI切片通过深度学习模型进行自动性别评估的可行性 | 696名患者的6710张髌骨矢状位MRI切片（293名男性和403名女性） | 计算机视觉 | NA | MRI成像 | 卷积神经网络（CNN） | 图像 | 696名患者的6710张MRI切片 | NA | EfficientNetB3, MobileNetV2, VGG16, ResNet50, DenseNet121 | 准确率 | NA |
| 819 | 2026-05-20 |
Deep Learning-Enhanced Ultra-high-resolution CT Imaging for Superior Temporal Bone Visualization
2025-06, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.002
PMID:40000329
|
研究论文 | 评估深度学习重建算法在颞骨超高分辨率CT成像中的图像质量改进效果 | 首次使用供应商特定的深度学习重建算法AiCE Inner Ear与超高分辨率CT结合，显著提高颞骨微小结构可视化质量 | 单中心回顾性研究，样本量较小（35例患者57块颞骨），儿童样本仅5例 | 评估深度学习重建算法在颞骨超高分辨率CT中的图像质量表现 | 35例患者的57块颞骨（含5例儿童） | 计算机视觉 | 耳科疾病 | CT扫描 | 深度学习 | 图像 | 35例患者（57块颞骨，含5名儿童） | NA | AiCE Inner Ear | 信噪比（SNR）、对比噪声比（CNR）、5点Likert主观评分、噪声值 | NA |
| 820 | 2026-05-20 |
Deep Learning-Assisted Diagnosis of Malignant Cerebral Edema Following Endovascular Thrombectomy
2025-06, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.021
PMID:40023742
|
研究论文 | 开发并验证一种基于深度学习辅助的诊断模型，利用血栓切除术后头非对比CT的高衰减成像标志预测恶性脑水肿 | 首次利用ResNeXt-101神经网络结合高衰减成像标志，实现血管内血栓切除术后恶性脑水肿的早期预测，并显著提升放射科医生的诊断性能 | NA | 开发和验证基于深度学习的辅助诊断模型，用于预测血管内血栓切除术后患者的恶性脑水肿 | 接受血管内血栓切除术的急性缺血性卒中患者 | 计算机视觉, 数字病理学 | 脑血管疾病 | 非对比CT成像 | 卷积神经网络 | 图像 | 271名患者（训练队列168人，验证队列43人，前瞻性内部测试队列60人） | PyTorch | ResNet 50, ResNet 101, ResNeXt50_32×4d, ResNeXt101_32×8d, DenseNet 121 | AUC | NA |