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 43016 篇文献，本页显示第 8261 - 8280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8261 | 2025-12-26 |
AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
2025-Dec-16, ArXiv
PMID:41445815
|
研究论文 | 提出一种名为AnySleep的通道无关深度学习系统，用于在多中心队列中进行高分辨率睡眠分期 | 开发了首个能够使用任意EEG或EOG数据、在可调时间分辨率下进行睡眠分期的深度学习模型，并在跨21个数据集的超过19,000条夜间记录上验证了其鲁棒性 | 未明确说明模型在极少数特殊电极配置或罕见睡眠障碍中的表现 | 解决多中心睡眠研究中由于电极数量、导联方式和受试者特征差异导致的标准化难题，并探索更短时间尺度上的新型生物标志物 | 多中心收集的睡眠多导图（PSG）记录，包括EEG和EOG数据 | 数字病理学 | 老年疾病 | 多导睡眠图（PSG） | 深度神经网络 | 时间序列信号（EEG/EOG） | 超过19,000条夜间记录，来自21个数据集，总计近200,000小时的EEG和EOG数据 | 未明确说明 | 未明确说明 | 未明确说明具体指标，但提及达到最先进性能并在30秒时段上超越或持平现有基线 | 未明确说明 |
| 8262 | 2025-12-26 |
Scaling deep learning for material imaging with a pseudo 3D model for domain transfer
2025-Dec-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-66449-6
PMID:41387957
|
研究论文 | 提出了一种名为P3T-Net的伪三维域迁移网络，用于将多样化的3D图像统一到同一域，以提高深度学习模型在材料成像中的泛化能力 | 引入伪三维域迁移网络P3T-Net，能够将不同成像条件下的3D图像迁移到统一域，从而允许重用已训练模型处理新图像，并显著降低跨域迁移的计算成本 | 未明确提及模型在极端成像条件下的表现或对特定材料类型的适用性限制 | 减少3D X射线成像中因成像条件变化导致的图像不一致性，实现单一深度学习模型处理多数据集 | 地质岩石、氢燃料电池、锂离子电池等材料的3D X射线图像 | 计算机视觉 | NA | 3D X射线成像 | 深度学习网络 | 3D图像 | 涉及多种材料（地质岩石、氢燃料电池、锂离子电池）的图像，具体样本数量未明确 | NA | P3T-Net | NA | 单GPU（支持万亿体素规模的3D迁移） |
| 8263 | 2025-12-09 |
Artificial intelligence based quantification of T lymphocyte infiltrate predicts prognosis in high grade breast cancer using deep learning and statistical validation
2025-Dec-07, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-04185-5
PMID:41353687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8264 | 2025-12-26 |
Deploying TinyML for energy-efficient object detection and communication in low-power edge AI systems
2025-Dec-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-27818-9
PMID:41350337
|
研究论文 | 本文提出了一种针对低功耗边缘AI系统的实时物体检测系统，通过模型压缩技术和双模通信协议优化能量效率和可扩展性 | 将MobileNetV2轻量化神经网络与8位后训练量化结合，在资源受限的微控制器上实现存储减少3倍，同时集成双模TCP/UDP通信以平衡可靠性与低延迟 | 研究基于Visual Wake Words数据集，可能未涵盖更复杂的物体检测场景；系统在极端资源约束下的性能边界尚未充分探索 | 开发适用于低功耗边缘AI系统的能量高效物体检测与通信解决方案 | 资源受限的微控制器单元（MCUs）及边缘AI应用场景 | 计算机视觉 | NA | 模型量化 | CNN | 图像 | 使用Visual Wake Words数据集（具体样本数未明确） | TensorFlow Lite Micro（推断），未明确训练框架 | MobileNetV2 | 准确率，延迟（每帧3.47-14.98毫秒），能量消耗（每次推断10.6-22.1焦耳），存储占用（286-536 KB） | 低功耗微控制器平台（1 MB闪存/256 KB SRAM），集成摄像头和Wi-Fi模块 |
| 8265 | 2025-12-26 |
Photon-Counting Detector CT of the Brain Reduces Variability of Hounsfield Units and Has a Mean Offset Compared with Energy-Integrating Detector CT
2025-Dec-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8910
PMID:40592542
|
研究论文 | 本研究比较了光子计数探测器CT与能量积分探测器CT在脑部成像中的亨氏单位变异性、图像噪声及对比度 | 首次使用基于深度学习的自动化脑部分割技术，系统比较新型光子计数探测器CT与传统能量积分探测器CT在脑组织衰减测量中的性能差异 | 研究为回顾性设计，未包含脑部病理患者，且未探讨窗口预设调整的临床影响 | 评估光子计数探测器CT技术在脑部CT成像中对组织衰减测量的精确性和图像质量的改进 | 无脑部病理患者的脑部CT图像 | 医学影像分析 | NA | CT成像，光子计数探测器技术，能量积分探测器技术 | 深度学习 | 医学图像（CT扫描） | 总计509名患者（329名EID-CT，180名PCD-CT），年龄匹配子集包含314名患者 | NA | NA | 亨氏单位，灰白质比率，对比噪声比 | NA |
| 8266 | 2025-12-26 |
Artificial Intelligence-Driven Detection of Large Vessel Occlusions on NCCT: A Multi-Institutional Study
2025-Dec-04, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8923
PMID:41067911
|
研究论文 | 本研究评估了一种名为“Triage Stroke”的深度学习算法在非增强CT上检测前循环大血管闭塞的性能 | 首次在多机构研究中评估了AI软件在NCCT上检测LVO的性能，并与放射科医师进行了前瞻性比较，同时探索了结合NIHSS评分对模型性能的优化 | 研究仅针对前循环LVO，样本量相对有限（612例），且仅在美国的3个卒中中心进行 | 评估深度学习算法在非增强CT上识别急性缺血性卒中患者前循环大血管闭塞的预测能力 | 疑似急性缺血性卒中的患者 | 数字病理学 | 心血管疾病 | 非增强CT，CTA | 深度学习算法 | 医学影像 | 612名来自3个美国综合性卒中中心的疑似急性缺血性卒中患者 | NA | Triage Stroke (Brainomix 360) | 灵敏度, 特异度, 阳性预测值, 阴性预测值, AUC | NA |
| 8267 | 2025-12-26 |
Deep Learning Detection of Retinitis Pigmentosa Inheritance Forms through Synthetic Data Expansion of a Rare Disease Dataset
2025-Dec-02, Research square
DOI:10.21203/rs.3.rs-8002154/v1
PMID:41377980
|
研究论文 | 本研究提出了一种基于Vision Transformer的深度学习模型，通过合成数据扩展策略，利用彩色眼底摄影自动区分视网膜色素变性的常染色体和X连锁遗传模式 | 首次将Vision Transformer模型应用于视网膜色素变性遗传模式的自动分类，并引入基于变分自编码器的创新数据扩展策略以解决罕见疾病数据稀缺问题 | 研究聚焦于视网膜色素变性，可能无法直接推广到其他遗传性视网膜疾病；数据量虽经扩展但仍相对有限 | 开发一种基于深度学习的方法，用于自动推断遗传性视网膜疾病的遗传模式，以辅助诊断和遗传咨询 | 视网膜色素变性患者的彩色眼底图像 | 计算机视觉 | 视网膜色素变性 | 彩色眼底摄影 | Vision Transformer | 图像 | NA | NA | Vision Transformer | AUC | NA |
| 8268 | 2024-08-07 |
Deep learning-assisted approaches in screening of marine natural products for acetylcholinesterase inhibition activity
2025-Dec, Natural product research
IF:1.9Q3
DOI:10.1080/14786419.2024.2383992
PMID:39075812
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8269 | 2025-12-26 |
Diagnostic Accuracy of Artificial Intelligence Models for Predicting Postoperative Complications Following Free Flap Reconstruction: A Systematic Review and Meta-Analysis
2025-Dec, Microsurgery
IF:1.5Q3
DOI:10.1002/micr.70143
PMID:41231400
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了人工智能模型在预测游离皮瓣重建术后并发症方面的诊断准确性 | 首次对AI模型在皮瓣术后并发症预测中的诊断性能进行系统评估，并比较了不同输入模态在模型训练中的效果 | 纳入研究数量有限（12项），且存在异质性，可能影响结果的普适性 | 系统评估人工智能模型在预测皮瓣手术后并发症的诊断性能 | 接受游离皮瓣重建手术的患者 | 机器学习 | 术后并发症 | NA | 深度学习模型 | 照片数据等多种输入模态 | 18,520名患者，32,148个输入数据点 | NA | NA | 敏感性, 特异性, 似然比, SROC曲线下面积 | NA |
| 8270 | 2025-12-26 |
Noninvasive Coronary Artery Disease Detection Using Retinal Images: A Multimodal Study
2025-Dec, JACC. Advances
DOI:10.1016/j.jacadv.2025.102341
PMID:41265390
|
研究论文 | 本研究开发了一种基于深度学习的多模态框架，利用视网膜图像和临床指标进行冠状动脉疾病的无创检测 | 首次提出结合视网膜图像与临床指标的多模态深度学习框架用于CAD检测，并引入了跨模态注意力机制进行信息融合 | 研究为横断面设计，样本量相对有限（383例），且仅来自4家医院，需要更大规模的前瞻性研究验证 | 开发一种安全、无创的冠状动脉疾病检测方法 | 接受冠状动脉造影的患者 | 计算机视觉, 数字病理学 | 心血管疾病 | 视网膜成像 | CNN, 多层感知机, 注意力机制 | 图像, 临床指标 | 383名来自4家医院的患者（2022年11月至2024年9月） | NA | 卷积网络, 医学大语言模型, 多层感知机, 跨模态注意力机制 | AUC, 灵敏度, 特异性, 准确率 | NA |
| 8271 | 2025-12-26 |
Enhanced Diagnosis of Lung and Colon Cancer Severity Through Deep Feature Analysis Using DenseNet201 and SVM With Histopathological Images: A Super-Resolution Approach
2025-Dec, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70439
PMID:41432706
|
研究论文 | 本研究提出了一种结合超分辨率卷积神经网络（FSRCNN）和基于DenseNet201的支持向量机（SVM）模型的新方法，用于提高肺癌和结肠癌组织病理学图像的诊断准确性 | 创新点在于采用FSRCNN进行图像增强以提升分辨率，并结合DenseNet201提取的深度特征与SVM进行分类，实现了对肺癌和结肠癌严重程度的高精度诊断 | 局限性在于仅使用了LC25000数据集，未来需要更广泛和多样化的数据集进行验证，并考虑整合遗传数据和电子健康记录等补充诊断技术 | 研究目标是开发一种基于深度学习的诊断方法，以提高肺癌和结肠癌检测的准确性 | 研究对象是肺癌和结肠癌的组织病理学图像 | 数字病理学 | 肺癌, 结肠癌 | 组织病理学成像, 超分辨率技术 | CNN, SVM | 图像 | 25000张组织病理学图像 | NA | DenseNet201, FSRCNN | 准确率, 精确率, 灵敏度, F1分数, 特异性 | NA |
| 8272 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110306
PMID:41433463
|
研究论文 | 本研究通过纵向分析老年驾驶者的自然驾驶行为，探讨了白质高信号对复杂认知表现的影响 | 首次将白质高信号的区域特异性分布与自然驾驶行为中的复杂认知功能变化联系起来，并使用深度学习算法精确量化白质高信号体积和分布 | 样本量相对较小（212名认知完好的老年人），且研究仅限于特定队列（DRIVES项目），可能限制了结果的普适性 | 探究白质高信号如何影响老年人的真实世界认知功能，特别是驾驶行为 | 认知完好的老年人（年龄≥65岁，临床痴呆评分为0） | 数字病理学 | 阿尔茨海默病 | 3T MRI脑部扫描，深度学习算法 | 深度学习算法 | 图像（MRI扫描），驾驶行为数据（来自车载数据记录器） | 212名认知完好的老年人，共74,275周的驾驶数据 | NA | NA | FDR校正的p值 | NA |
| 8273 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110308
PMID:41433484
|
研究论文 | 本研究利用结构脑MRI神经影像估计大脑年龄，并探讨白质高信号与大脑年龄、脑萎缩及加速脑老化之间的关系 | 结合深度学习自动分割白质高信号与基于回归的3D全卷积网络计算大脑年龄，在多站点健康人群中系统分析了WMH与大脑老化指标的相关性 | 样本主要来自健康参与者，缺乏临床患者队列；使用1.5T MR机器可能限制图像分辨率；未调整时序年龄以避免共线性可能影响模型 | 探究白质高信号与大脑年龄、脑体积变化及加速脑老化之间的关联 | 1,164名健康参与者（平均年龄55.17岁，52%女性，48%男性，39%非白人） | 数字病理学 | 阿尔茨海默病 | 结构脑MRI，FLAIR成像，T1加权MRI | CNN，全卷积网络 | 图像 | 1,164名健康参与者（训练数据来自120个个体和5,500名健康个体） | TensorFlow，PyTorch | 2D卷积神经网络，3D Simple Fully Convolutional Network | 部分相关系数，p值，回归t值 | NA |
| 8274 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_110298
PMID:41433495
|
研究论文 | 本研究开发了一种名为DeepSUVR的深度学习方法来校正淀粉样蛋白PET成像中的标准化摄取值比（SUVR）量化，以提高阿尔茨海默病成像的准确性和一致性 | 提出了一种基于深度学习的方法，通过从纵向趋势中学习扫描特异性变异来校正SUVR量化，从而改善跨大型队列和不同PET示踪剂的数据协调 | 模型训练需要纵向数据，尽管推理可独立进行；研究主要针对特定示踪剂（如18F-Florbetapir）进行了验证，可能需要进一步扩展至其他示踪剂 | 提高淀粉样蛋白PET成像的量化准确性，以改善阿尔茨海默病的诊断和干预研究 | 阿尔茨海默病及相关认知障碍患者的淀粉样蛋白PET图像 | 数字病理学 | 阿尔茨海默病 | PET成像，Centiloid量化，SPM8管道 | 深度学习网络 | 图像 | 8,806名参与者，12,320次扫描 | NA | DeepSUVR | Spearman秩相关，AUC，组间分离，效应大小 | NA |
| 8275 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109684
PMID:41433506
|
研究论文 | 本研究提出了一种基于注意力U-Net的深度学习方法，用于从SWI MRI图像中自动检测脑微出血，以辅助评估抗淀粉样蛋白治疗相关的影像学异常 | 采用带有深度监督的注意力U-Net架构来处理脑微出血的小尺寸和形态相似性，提高了检测的准确性和可靠性 | 研究为单中心数据，未来需要进行多中心外部验证，并且目前仅支持SWI序列，未纳入其他ARIA相关因素 | 开发一个自动化的脑微出血检测系统，以改善抗淀粉样蛋白治疗监测中ARIA-H评估的效率和可靠性 | 来自峨山医学中心的SWI MRI扫描图像，用于检测和分类脑微出血 | 数字病理学 | 阿尔茨海默病 | SWI MRI | CNN | 图像 | 565例SWI MRI扫描（429例阳性，136例阴性），其中114例用于测试 | NA | Attention U-Net | AUC, 敏感性, 特异性, Dice系数, Matthews相关系数 | NA |
| 8276 | 2025-12-26 |
Alzheimer's Imaging Consortium
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70862_109899
PMID:41433536
|
研究论文 | 本研究探讨了2型糖尿病与高内脏脂肪共同作用对脑体积损失的影响，特别是与阿尔茨海默病易感区域的关系 | 首次结合2型糖尿病和高内脏脂肪，使用深度学习模型量化内脏脂肪并分析其对脑体积的影响，强调了可改变风险因素在阿尔茨海默病预防中的重要性 | 研究为横断面设计，无法确定因果关系；依赖自我报告的糖尿病史；样本主要来自特定地理区域，可能限制普适性 | 调查2型糖尿病与高内脏脂肪的联合作用对神经退行性变关键生物标志物——脑体积损失的影响 | 4,213名成年人（平均年龄55.39岁，57.3%女性），包括2型糖尿病患者和不同内脏脂肪水平个体 | 数字病理学 | 阿尔茨海默病 | 全身MRI（1.5T），包括T1加权、T2加权、STIR和Dixon技术图像 | 深度学习模型 | MRI图像 | 4,213名成年人 | Fastsurfer | NA | ANCOVA调整后的统计显著性（p值），脑体积比较 | Siemens Espree和Aera MRI扫描仪 |
| 8277 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108230
PMID:41433562
|
研究论文 | 本文开发了一种基于深度学习的模型，用于从基线MRI预测两年纵向皮质萎缩率，并旨在识别阿尔茨海默病神经影像学倡议（ADNI）中异常高萎缩率模式 | 利用深度学习模型从单次基线MRI预测长期皮质萎缩率，并建立健康参考百分位曲线以识别异常萎缩模式，为个体化疾病进展监测提供新方法 | 研究样本主要来自ADNI队列，可能缺乏外部验证；模型仅基于MRI数据，未整合其他生物标志物；样本量相对有限，特别是痴呆组 | 开发深度学习模型以预测阿尔茨海默病患者的纵向皮质萎缩率，并识别异常高萎缩模式，以辅助临床试验受试者筛选 | 阿尔茨海默病神经影像学倡议（ADNI）的参与者，包括认知正常（CU）、轻度认知障碍（MCI）和痴呆患者 | 数字病理学 | 阿尔茨海默病 | 3T T1加权MRI扫描、基于张量的形态测量学（TBM） | 深度学习 | MRI图像 | 训练集706人，测试集包括83名认知正常者、72名轻度认知障碍者和16名痴呆患者 | NA | U-Net | 总异常计数（tOC）、统计显著性（p值） | NA |
| 8278 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108442
PMID:41433628
|
研究论文 | 本文提出了一种名为PerMod-MoE的新型多模态融合方法，用于改进阿尔茨海默病进展预测，特别是在推理阶段神经影像模态缺失严重的情况下 | 通过为每个神经影像模态引入独立的稀疏混合专家路由器，改进了现有Flex-MoE模型，在模态缺失时显著提升了预测性能 | 研究仅基于ADNI数据集中的469名MCI患者，可能无法完全代表更广泛的阿尔茨海默病人群 | 开发一种能够有效处理神经影像模态缺失的阿尔茨海默病进展预测模型 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的469名轻度认知障碍（MCI）患者 | 数字病理学 | 阿尔茨海默病 | T1加权MRI、FLAIR、淀粉样蛋白β PET、tau PET神经影像 | 深度学习模型 | 神经影像数据 | 469名MCI患者 | NA | Per-Modality Mixture-of-Experts (PerMod-MoE), Flex-MoE | 均方根误差（RMSE） | NA |
| 8279 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_109003
PMID:41433693
|
研究论文 | 本研究通过免疫组化、单核RNA与ATAC测序及空间转录组学，探究了阿尔茨海默病中尾状核的病理变化，特别是磷酸化Tau蛋白与淀粉样蛋白β的影响 | 首次在阿尔茨海默病中系统研究尾状核的细胞类型变化，并发现其与皮质不同的特异性反应，如星形胶质细胞和小胶质细胞类型的独特增加 | 样本量相对较小（42名捐赠者），且空间转录组学仅针对10名捐赠者子集进行，可能限制统计效力 | 探究阿尔茨海默病在尾状核中的病理影响，特别是磷酸化Tau蛋白和淀粉样蛋白β对细胞组成和基因表达的作用 | 42名仅患有典型蛋白病且无共病的捐赠者的尾状核组织 | 数字病理学 | 阿尔茨海默病 | 免疫组化染色（AT8, 6e10）、单核RNA测序、ATAC测序、空间转录组学 | 深度学习 | 图像、转录组数据、表观基因组数据 | 42名捐赠者的尾状核组织，其中10名用于空间转录组学 | NA | NA | NA | NA |
| 8280 | 2025-12-26 |
Developing Topics
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70861_108149
PMID:41433715
|
研究论文 | 本研究探讨了MRI可见的血管周围间隙与记忆表现、神经退行性变及阿尔茨海默病生物标志物之间的关系 | 在临床前老年人群中，使用深度学习算法对血管周围间隙进行区域特异性分割，并首次发现基底节区血管周围间隙计数与血浆p-tau217水平呈正相关 | 样本量较小（n=120），横断面设计无法确定因果关系，血管周围间隙分割可能受MRI分辨率限制 | 探究血管周围间隙作为早期神经退行性变和阿尔茨海默病风险生物标志物的潜力 | 120名老年参与者（平均年龄72.19岁，66.6%女性） | 数字病理学 | 阿尔茨海默病 | T1加权磁共振成像，深度学习分割，18F-florbetapir-PET淀粉样蛋白成像，血浆生物标志物检测 | 深度学习算法 | MRI图像，神经心理学测试数据，生物标志物数据 | 120名老年参与者 | NA | NA | 相关系数，p值 | NA |