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 8341 - 8360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8341 | 2025-06-14 |
A physics-informed deep learning model for predicting beam dose distribution of intensity-modulated radiation therapy treatment plans
2025-Apr, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100779
PMID:40502721
|
研究论文 | 开发了一种基于物理信息的深度学习模型，用于预测鼻咽癌患者调强放射治疗（IMRT）中的束流剂量分布 | 提出了一种专门用于束流剂量预测任务的物理信息深度学习网络，并通过交叉采样方案解决了深度学习模型的可解释性挑战 | 样本量相对较小（100例），且为回顾性研究 | 开发用于IMRT束流剂量预测的深度学习模型 | 鼻咽癌患者的IMRT治疗计划 | 医学影像分析 | 鼻咽癌 | 深度学习 | U-Net | CT图像和轮廓输入 | 100例九束IMRT病例（72例训练集，8例验证集，20例测试集） | NA | NA | NA | NA |
| 8342 | 2025-06-14 |
Comparison of Multimodal Deep Learning Approaches for Predicting Clinical Deterioration in Ward Patients
2025-Mar-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.03.06.25322855
PMID:40093217
|
研究论文 | 比较不同多模态深度学习方法在预测病房患者临床恶化方面的效果 | 首次比较了结合结构化数据与临床笔记信息的多种深度学习方法在预测临床恶化方面的性能 | 添加临床笔记信息并未显著提升模型性能 | 评估多模态深度学习模型预测病房患者临床恶化的效果 | 病房患者 | 机器学习 | NA | 深度循环神经网络 | RNN | 结构化数据和非结构化文本数据 | 506,076名病房患者 | NA | NA | NA | NA |
| 8343 | 2025-06-14 |
REMED-T2D: A robust ensemble learning model for early detection of type 2 diabetes using healthcare dataset
2025-Mar, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.109771
PMID:39914204
|
研究论文 | 开发了一种名为REMED-T2D的集成机器学习模型，用于2型糖尿病的早期检测 | 首次使用Pima数据集进行综合分析，整合多种机器学习算法，并开发了公开可访问的Web服务器 | 模型主要针对亚洲女性，可能在其他人群中的适用性有限 | 提高2型糖尿病的早期检测准确性和鲁棒性 | Pima Indian Diabetes数据集、RTML1和Pabna数据集 | 机器学习 | 2型糖尿病 | 集成学习、欠采样方法 | 集成ML模型 | 医疗数据集 | Pima Indian Diabetes数据集生成的五个平衡数据集，以及RTML1、Pabna和RTML2数据集 | NA | NA | NA | NA |
| 8344 | 2025-06-14 |
Deep Learning-based Brain Age Prediction Using MRI to Identify Fetuses with Cerebral Ventriculomegaly
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240115
PMID:39969279
|
研究论文 | 本研究探讨了基于深度学习的胎儿脑龄预测模型在识别脑室扩大胎儿及其严重程度和相关中枢神经系统异常方面的诊断性能 | 使用二维单通道CNN与多平面MRI切片相结合的胎儿脑龄预测新方法，能够辅助识别脑室扩大及相关中枢神经系统异常 | 样本量相对有限，且仅使用了MRI数据 | 评估深度学习模型在胎儿脑室扩大及相关异常诊断中的临床应用价值 | 胎儿（包括脑室扩大胎儿和正常发育胎儿） | 数字病理学 | 脑室扩大 | MRI | CNN | 图像 | 500例胎儿（317例脑室扩大胎儿和183例正常发育胎儿） | NA | NA | NA | NA |
| 8345 | 2025-06-14 |
Real-time detection and monitoring of public littering behavior using deep learning for a sustainable environment
2025-01-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77118-x
PMID:39848984
|
research paper | 利用深度学习实时检测和监控公共乱扔垃圾行为，以促进可持续环境 | 结合MoViNet视频分类模型和YOLOv8目标检测模型，通过面部识别和车牌识别技术识别乱扔垃圾的个体 | 数据收集困难，需通过模拟真实场景获取数据 | 通过技术手段减少公共乱扔垃圾行为，保护环境和人类健康 | 车辆和行人的乱扔垃圾行为 | computer vision | NA | 深度学习、计算机视觉 | MoViNet, YOLOv8, LRCN, CNN-RNN | 视频 | 模拟真实场景收集的数据集 | NA | NA | NA | NA |
| 8346 | 2025-01-24 |
From pixels to patients: the evolution and future of deep learning in cancer diagnostics: (Trends in Molecular Medicine, published online December 11, 2024)
2025-Jan-21, Trends in molecular medicine
IF:12.8Q1
DOI:10.1016/j.molmed.2024.12.012
PMID:39843287
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8347 | 2025-06-14 |
Deep Learning Applied to Diffusion-weighted Imaging for Differentiating Malignant from Benign Breast Tumors without Lesion Segmentation
2025-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240206
PMID:39565222
|
研究论文 | 评估和比较不同人工智能模型在扩散加权成像（DWI）中区分良性和恶性乳腺肿瘤的性能，并与放射科医生的评估进行比较 | 应用深度学习模型（特别是小型2D CNN）在无需病灶分割的情况下，利用DWI数据区分乳腺肿瘤的良恶性，且性能与放射科医生相当 | 研究为回顾性设计，样本量相对较小（334个乳腺病灶），且所有患者均为女性 | 评估AI模型在乳腺肿瘤良恶性鉴别中的性能 | 乳腺肿瘤患者 | 计算机视觉 | 乳腺癌 | 扩散加权成像（DWI） | 2D CNN, ResNet-18, EfficientNet-B0, 3D CNN | 医学影像 | 293名女性患者的334个乳腺病灶 | NA | NA | NA | NA |
| 8348 | 2025-06-14 |
Innovative data techniques for centrifugal pump optimization with machine learning and AI model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325952
PMID:40493691
|
research paper | 本文探讨了利用机器学习和AI模型优化离心泵的数据技术 | 采用Dewesoft FFT DAQ系统和传感器融合技术提取高质量数据，结合EDA、数据可视化和特征工程提升数据可解释性，并通过假设测试验证数据完整性 | 未提及具体模型在极端条件下的表现或泛化能力 | 提高离心泵的运营效率并减少模型训练时间 | 离心泵机器(CPM) | machine learning | NA | Exploratory Data Analysis (EDA), Data Visualization, Feature Engineering (FE) | machine learning classifiers, deep learning algorithms | sensor data | NA | NA | NA | NA | NA |
| 8349 | 2025-06-14 |
A User-Friendly Machine Learning Pipeline for Automated Leaf Segmentation in Atriplex lentiformis
2025, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322251344033
PMID:40496491
|
研究论文 | 本文介绍了一种用于植物表型分析的端到端深度学习管道，专注于自动化叶片分割 | 结合了微调的Mask R-CNN模型与自然语言提示技术，并集成了QR码自动识别功能，开发了用户友好的Streamlit网络应用 | 训练数据集较小（仅176张植物图像） | 开发一个准确、可扩展且用户友好的自动化叶片分割管道 | Atriplex lentiformis植物的叶片 | 计算机视觉 | NA | 深度学习 | Mask R-CNN, Segment Anything Model (SAM), Grounded SAM | 图像 | 176张植物图像 | NA | NA | NA | NA |
| 8350 | 2025-06-14 |
An integrated approach for mental health assessment using emotion analysis and scales
2025 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.12040
PMID:40502325
|
research paper | 该研究提出了一种结合情绪分析和量表的综合方法进行心理健康评估，特别是针对抑郁症的初步评估 | 整合了四种模块（面部情绪识别、量表问卷、语音情绪识别和医生聊天）进行抑郁症评估，提高了预测的准确性 | 情绪识别的准确性仍有提升空间，且用户可能需要与真实医生交流以消除疑虑 | 开发一种综合方法，通过情绪分析和量表评估抑郁症 | 抑郁症患者或潜在患者 | machine learning | mental illness | Facial Emotion Recognition (FER), Speech Emotion Recognition (SER), 量表问卷 | 深度学习模型（未明确具体类型） | image, audio, text | 使用了FER2013数据集以及RAVDESS、TESS、SAVEE和CREMA-D数据集 | NA | NA | NA | NA |
| 8351 | 2025-06-14 |
Integration of T cell repertoire, CyTOF, genotyping and symptomatology data reveals subphenotypic variability in COVID-19 patients
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.016
PMID:40502932
|
研究论文 | 该研究通过整合T细胞受体库、CyTOF、基因分型和症状学数据，揭示了COVID-19患者的亚表型变异性 | 使用LCM-BIC算法整合多种免疫表型和遗传数据，识别出三个新的患者聚类，并通过深度学习分析TCR氨基酸序列，发现与疾病严重程度相关的SARS-CoV-2特异性TCR序列 | 样本量较小（61名患者），且仅来自西班牙人群，可能限制结果的普适性 | 通过整合多种数据识别COVID-19患者的免疫和遗传特征，以帮助分层和管理患者 | 61名西班牙COVID-19患者（33名轻度，28名重度） | 免疫学 | COVID-19 | CyTOF, TCRseq, SNP分析, 深度学习 | LCM-BIC算法, 深度学习模型 | 免疫表型数据, 基因分型数据, 症状学数据 | 61名COVID-19患者（33名轻度，28名重度） | NA | NA | NA | NA |
| 8352 | 2025-06-14 |
Prediction of CRISPR-Cas9 on-target activity based on a hybrid neural network
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.001
PMID:40502933
|
研究论文 | 提出了一种基于混合神经网络CRISPR_HNN的CRISPR-Cas9靶向活性预测方法 | 整合了MSC、MHSA和BiGRU模块，有效捕捉局部动态特征和全局长距离依赖关系，并采用One-hot Encoding和Label Encoding策略 | 未提及具体的数据集局限性或模型泛化能力测试 | 提高sgRNA活性的预测准确性，以增强CRISPR-Cas9基因编辑技术的安全性和有效性 | CRISPR-Cas9系统中的sgRNA活性 | 机器学习 | NA | CRISPR-Cas9基因编辑技术 | 混合深度神经网络（整合MSC、MHSA和BiGRU） | 基因序列数据 | 未明确提及具体样本量，仅说明在公共数据集上测试 | NA | NA | NA | NA |
| 8353 | 2025-06-14 |
Deep Learning Prostate MRI Segmentation Accuracy and Robustness: A Systematic Review
2024-07, Radiology. Artificial intelligence
DOI:10.1148/ryai.230138
PMID:38568094
|
系统性综述 | 本研究通过系统性综述探讨了深度学习在前列腺MRI分割中的准确性和鲁棒性，并与专业放射科医生进行了比较 | 首次系统性评估深度学习在前列腺MRI分割中的表现，并比较不同MRI厂商、前列腺区域和测试方法下的性能 | 仅纳入截至2022年7月31日前的英文文献，可能遗漏最新研究成果 | 评估深度学习在前列腺MRI分割中的准确性和鲁棒性 | 前列腺MRI图像 | 数字病理学 | 前列腺癌 | MRI | 深度学习算法 | 医学影像 | 48项研究（来自691篇初步筛选文献） | NA | NA | NA | NA |
| 8354 | 2025-06-14 |
Validation of de novo designed water-soluble and transmembrane β-barrels by in silico folding and melting
2024-Jul, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.5033
PMID:38864690
|
研究论文 | 通过计算机模拟折叠和熔解验证了从头设计的水溶性和跨膜β桶蛋白 | 揭示了AlphaFold2和ESMFold在不同任务中的优势，并引入了一种基于预测增量扰动的'计算机模拟熔解'新方法 | 缺乏高质量预测模型与实验成功机会之间关系的正式证据 | 验证和比较深度学习结构预测算法在蛋白质设计中的应用 | 从头设计的水溶性和跨膜β桶蛋白 | 计算生物学 | NA | 深度学习结构预测算法(AlphaFold2, ESMFold) | AlphaFold2, ESMFold | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 8355 | 2025-06-14 |
A Semiautonomous Deep Learning System to Reduce False Positives in Screening Mammography
2024-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.230033
PMID:38597785
|
research paper | 评估半自主人工智能模型在筛查乳腺X光片中识别非乳腺癌可疑病例并减少假阳性检查的能力 | 开发了一种半自主深度学习系统，显著减少乳腺癌筛查中的假阳性率和不必要的医疗程序 | 研究基于回顾性数据，需要在更多前瞻性研究中验证其效果 | 降低乳腺癌筛查中的假阳性率和相关医疗负担 | 乳腺X光筛查图像 | digital pathology | breast cancer | deep learning | AI | image | 123,248张训练用乳腺X光片（含6,161例癌症）和14,831例筛查检查（含1,026例癌症）的回顾性研究 | NA | NA | NA | NA |
| 8356 | 2025-06-14 |
SCIseg: Automatic Segmentation of T2-weighted Intramedullary Lesions in Spinal Cord Injury
2024-Apr-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.01.03.24300794
PMID:38699309
|
研究论文 | 开发了一种名为SCIseg的深度学习工具，用于自动分割脊髓损伤中的T2加权髓内病变 | SCIseg模型通过三阶段训练过程，包括主动学习，能够自动分割脊髓和髓内病变，且在不同病因、扫描仪制造商和图像分辨率下表现良好 | 研究为回顾性研究，可能存在选择偏差 | 开发自动分割脊髓损伤中T2加权髓内病变的深度学习工具 | 脊髓损伤患者的T2加权MRI图像 | 数字病理学 | 脊髓损伤 | 深度学习 | SCIseg（基于深度学习的模型） | MRI图像 | 191名脊髓损伤患者（平均年龄48.1岁±17.9，142名男性） | NA | NA | NA | NA |
| 8357 | 2025-10-06 |
Multicenter Evaluation of a Weakly Supervised Deep Learning Model for Lymph Node Diagnosis in Rectal Cancer at MRI
2024-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.230152
PMID:38353633
|
研究论文 | 开发用于直肠癌MRI淋巴结诊断的弱监督深度学习模型WISDOM | 提出弱监督学习框架WISDOM，仅使用患者级病理信息而非像素级标注训练淋巴结诊断模型 | 回顾性研究，需进一步前瞻性验证 | 开发基于MRI的直肠癌淋巴结诊断AI模型 | 直肠癌患者的MRI影像和术后病理数据 | 医学影像分析 | 直肠癌 | MRI（T2加权和弥散加权成像） | 深度学习 | 医学影像 | 1014例患者（训练队列589例，内部测试146例，两个外部测试队列279例） | NA | WISDOM | AUC, C指数 | NA |
| 8358 | 2025-10-06 |
Prior Clinico-Radiological Features Informed Multi-Modal MR Images Convolution Neural Network: A novel deep learning framework for prediction of lymphovascular invasion in breast cancer
2024-02, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.6932
PMID:38230837
|
研究论文 | 提出一种融合临床影像先验特征的多模态MRI卷积神经网络框架PCMM-Net，用于预测乳腺癌淋巴血管侵犯 | 首次将临床先验知识融入多模态MRI的深度学习框架，通过PCMM-Net实现更精准的LVI预测 | 样本量有限（341例患者），需更大规模数据验证 | 开发深度学习框架提升乳腺癌淋巴血管侵犯的预测准确率 | 早期乳腺癌患者 | 医学影像分析 | 乳腺癌 | 多参数MRI（T1加权、T2加权、对比增强T1加权） | CNN | 医学影像 | 341例乳腺癌患者（7:3随机分为训练组和验证组） | NA | PCMM-Net, MM-Net | AUC | NA |
| 8359 | 2025-06-14 |
Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images
2024, Npj imaging
DOI:10.1038/s44303-024-00021-7
PMID:38948152
|
research paper | 提出了一种基于深度学习的虚拟H&E染色方法，从无标记的自发荧光寿命图像中生成临床级虚拟H&E染色图像 | 结合先进的深度学习模型和当代图像质量度量，利用荧光寿命信息（而不仅仅是强度）实现更准确的虚拟染色重建 | 未提及具体样本量的限制或模型在更广泛组织类型上的泛化能力 | 解决FLIM图像快速精确解释的难题，实现无标记组织样本的即时准确细胞级分析 | 肿瘤微环境中常见的七种不同细胞类型 | digital pathology | multiple cancer types | fluorescence lifetime imaging microscopy (FLIM) | DL (unspecified architecture) | autofluorescence lifetime images | NA (未明确提及具体样本数量) | NA | NA | NA | NA |
| 8360 | 2025-10-06 |
Expert-centered Evaluation of Deep Learning Algorithms for Brain Tumor Segmentation
2024-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.220231
PMID:38197800
|
研究论文 | 本研究通过文献调查和专家评估，分析了脑肿瘤分割深度学习算法的评估实践与专家质量感知 | 首次系统调查脑肿瘤分割算法评估实践，并揭示专家质量感知与常用定量指标之间的差异 | 专家评估样本量有限，且存在评分者间一致性较低的问题 | 评估深度学习算法在脑肿瘤分割中的性能表现与临床专家质量感知的一致性 | 脑肿瘤分割算法和医学影像专家 | 医学影像分析 | 脑肿瘤 | 深度学习分割算法 | NA | 医学影像 | 180篇文献调查和60例脑肿瘤分割案例的专家评估 | NA | NA | Dice分数, 敏感度, Hausdorff距离, Krippendorff α, Kendall tau | NA |