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 33074 篇文献，本页显示第 8441 - 8460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8441 | 2025-10-06 |
Prediction of B/T Subtype and ETV6-RUNX1 Translocation in Pediatric Acute Lymphoblastic Leukemia by Deep Learning Analysis of Giemsa-Stained Whole Slide Images of Bone Marrow Aspirates
2025-Aug, Pediatric blood & cancer
IF:2.4Q1
DOI:10.1002/pbc.31797
PMID:40399768
|
研究论文 | 开发深度学习模型通过分析吉姆萨染色骨髓涂片全玻片图像预测儿童急性淋巴细胞白血病的B/T亚型和ETV6-RUNX1易位 | 首次使用深度学习分析常规吉姆萨染色骨髓涂片图像预测白血病分子亚型，为资源有限地区提供替代诊断方案 | 外部验证队列性能相对较低（AUC 0.72和0.69），需要进一步优化模型泛化能力 | 开发基于深度学习的儿童急性淋巴细胞白血病诊断和分型工具 | 儿童急性淋巴细胞白血病患者的骨髓涂片样本 | 数字病理学 | 急性淋巴细胞白血病 | 吉姆萨染色，全玻片图像扫描 | CNN | 图像 | 未明确具体样本数量，包含内部训练集和外部验证队列 | NA | NA | AUC | NA |
| 8442 | 2025-10-06 |
Assessment of image quality on the diagnostic performance of clinicians and deep learning models: Cross-sectional comparative reader study
2025-Jul, Journal of the European Academy of Dermatology and Venereology : JEADV
IF:8.4Q1
DOI:10.1111/jdv.20462
PMID:39655640
|
研究论文 | 本研究比较了不同图像质量对皮肤科医生和深度学习模型诊断皮肤病变性能的影响 | 首次系统评估HDR增强图像质量对临床医生和CNN模型诊断性能的交叉比较研究 | 样本量相对有限（303张图像，101个皮肤病变），仅使用单一CNN模型架构 | 探究不同图像质量（包括HDR增强图像）对皮肤病变诊断性能的影响 | 皮肤病变图像和皮肤科医生诊断能力 | 计算机视觉 | 皮肤癌 | 皮肤镜检查，HDR图像增强 | CNN | 图像 | 303张图像，包含101个皮肤病变 | NA | NA | 灵敏度，特异度，准确率 | NA |
| 8443 | 2025-10-06 |
Quantitative Ischemic Lesions of Portable Low-Field Strength MRI Using Deep Learning-Based Super-Resolution
2025-Jul, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.124.050540
PMID:40235448
|
研究论文 | 本研究评估深度学习超分辨率技术提升便携式低场强MRI在缺血性病灶定量分析中的诊断性能 | 首次将基于SCUNet架构的深度学习超分辨率技术应用于便携式低场强MRI，显著提升缺血性病灶的定量检测性能 | 回顾性研究设计，样本量有限（282例），需进一步前瞻性验证 | 评估合成超分辨率MRI技术对低场强MRI诊断缺血性病灶性能的改善效果 | 178名卒中患者和104名健康对照者 | 医学影像分析 | 缺血性脑卒中 | 磁共振成像，深度学习超分辨率 | 深度学习 | 磁共振图像 | 282例（178患者+104对照） | NA | SCUNet（Swin-Conv-UNet） | 灵敏度，特异性，组内相关系数，Pearson相关系数 | NA |
| 8444 | 2025-10-06 |
Deep Learning Based on Ultrasound Images Differentiates Parotid Gland Pleomorphic Adenomas and Warthin Tumors
2025-Jul, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346251319410
PMID:40156239
|
研究论文 | 本研究基于超声图像开发深度学习模型，用于自动区分腮腺多形性腺瘤和沃辛瘤 | 首次将多种CNN模型应用于腮腺肿瘤的超声图像分类，并与不同经验水平的超声医师进行诊断性能比较 | 回顾性研究设计，样本量相对有限（91例患者），仅包含两种腮腺肿瘤类型 | 开发基于超声图像的自动诊断模型，提高腮腺肿瘤诊断准确性和一致性 | 腮腺多形性腺瘤和沃辛瘤患者 | 计算机视觉 | 腮腺肿瘤 | 超声成像 | CNN | 图像 | 91例患者，526张超声图像 | NA | ResNet18, MobileNetV3Small, InceptionV3 | 准确率, AUC, 灵敏度, 特异性, 阳性预测值, 阴性预测值, Kappa值 | NA |
| 8445 | 2025-10-06 |
Deep Learning Model for Real-Time Nuchal Translucency Assessment at Prenatal US
2025-Jul, Radiology. Artificial intelligence
DOI:10.1148/ryai.240498
PMID:40304583
|
研究论文 | 开发并评估用于产前超声检查中实时颈项透明层平面识别和测量的人工智能模型 | 开发了首个用于实时颈项透明层评估的AI模型，实现了与放射科医生工作流程的高度一致性 | 回顾性多中心研究，可能存在选择偏倚 | 开发AI模型用于产前超声颈项透明层自动评估 | 胎儿颈项透明层 | 计算机视觉 | 产前筛查 | 超声成像 | CNN | 图像,视频 | 内部数据集3153个胎儿的3959张NT图像，外部数据集267个胎儿的267个超声视频 | NA | NA | AUC,准确率,平均绝对误差 | NA |
| 8446 | 2025-10-06 |
Automatic Detection of B-Lines in Lung Ultrasound Based on the Evaluation of Multiple Characteristic Parameters Using Raw RF Data
2025-Jul, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346251330111
PMID:40539654
|
研究论文 | 提出一种基于射频信号和多特征参数评估的肺超声B线垂直伪影自动识别方法 | 通过分析扫描线而非完整图像，结合多种特征参数和非线性SVM分类器，显著降低了对大型图像数据集的依赖 | 方法在多种实验条件下进行了验证，但未提及临床验证的规模和多样性 | 开发自动识别肺超声中B线伪影的方法以提高诊断准确性 | 肺超声中的B线区域识别 | 医学影像分析 | 肺部疾病 | 射频信号分析，超声成像 | SVM | 射频信号，超声扫描线 | 包含滴水海绵模型、含玻璃珠或明胶液滴的明胶体模以及体内实验 | NA | 非线性支持向量机 | 准确率，灵敏度，特异性，F1分数 | 处理速度27,000-33,000扫描线/秒，帧率超过100 FPS |
| 8447 | 2025-10-06 |
Predicting Primary Graft Dysfunction in Systemic Sclerosis Lung Transplantation Using Machine-Learning and CT Features
2025-Jul, Clinical transplantation
IF:1.9Q3
DOI:10.1111/ctr.70217
PMID:40552679
|
研究论文 | 本研究利用机器学习和CT影像特征预测系统性硬化症患者肺移植后的原发性移植物功能障碍 | 首次在系统性硬化症肺移植人群中结合深度学习提取的CT特征和多种机器学习算法预测PGD | 样本量相对有限（92例患者），且为单中心回顾性研究 | 预测系统性硬化症患者肺移植后的原发性移功能障碍 | 92例接受双侧肺移植的系统性硬化症患者 | 医学影像分析 | 系统性硬化症 | CT影像分析，深度学习 | 逻辑回归，SVM，随机森林，MLP | CT影像，临床数据 | 92例系统性硬化症肺移植患者 | NA | 多层感知器 | AUROC | NA |
| 8448 | 2025-10-06 |
[A deep learning method for differentiating nasopharyngeal carcinoma and lymphoma based on MRI]
2025-Jul, Lin chuang er bi yan hou tou jing wai ke za zhi = Journal of clinical otorhinolaryngology head and neck surgery
|
研究论文 | 开发基于常规MRI的深度学习模型，用于鼻咽癌和鼻咽淋巴瘤的自动分割与鉴别诊断 | 首次将预训练ResNet101模型应用于鼻咽癌与淋巴瘤的MRI影像鉴别诊断，并采用多序列图像组合策略提升性能 | 回顾性研究，样本量有限（434例），数据来自单一医疗机构 | 建立基于MRI的自动分割和鉴别诊断深度学习模型 | 鼻咽癌和鼻咽淋巴瘤患者 | 医学影像分析 | 头颈部肿瘤 | 常规MRI（T1WI、T2WI、T1CE） | CNN | 医学影像（MRI） | 434例患者（142例淋巴瘤，292例鼻咽癌），其中80例用于分割模型训练 | PyTorch/TensorFlow（基于ImageNet预训练） | ResNet101 | Dice系数，AUC | NA |
| 8449 | 2025-10-06 |
Application Value of Deep Learning-Based AI Model in the Classification of Breast Nodules
2025-Jun-25, British journal of hospital medicine (London, England : 2005)
DOI:10.12968/hmed.2025.0078
PMID:40554435
|
研究论文 | 本研究开发了基于深度学习的AI模型，用于辅助超声医师进行乳腺结节的BI-RADS分类 | 利用卷积神经网络构建AI模型提升乳腺结节分类准确性，并验证其临床辅助诊断价值 | 回顾性研究设计，样本仅来自单一医疗中心 | 评估基于深度学习的AI模型在乳腺结节分类中的临床应用价值 | 558例经病理证实的BI-RADS 3-5类乳腺结节患者 | 计算机视觉 | 乳腺癌 | 超声检查 | CNN | 超声图像 | 558例患者共1026个乳腺结节（765个良性，261个恶性） | NA | 卷积神经网络 | 灵敏度, 特异度, 准确率, ROC曲线, Cohen's加权Kappa系数 | NA |
| 8450 | 2025-06-26 |
Letter by Sacoransky Regarding Article, "Deep Learning-Derived Cardiac Chamber Volumes and Mass From PET/CT Attenuation Scans: Associations With Myocardial Flow Reserve and Heart Failure"
2025-Jun-25, Circulation. Cardiovascular imaging
DOI:10.1161/CIRCIMAGING.125.018652
PMID:40557525
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8451 | 2025-10-06 |
Regional free-water diffusion is more strongly related to neuroinflammation than neurodegeneration
2025-Jun-25, Journal of neurology
IF:4.8Q1
DOI:10.1007/s00415-025-13201-1
PMID:40560468
|
研究论文 | 本研究通过扩散MRI数据分析，发现区域自由水扩散与神经炎症的生物标志物GFAP关联性更强于神经退行性生物标志物NfL | 首次系统比较自由水扩散对神经炎症和神经退行性病变生物标志物的预测能力，提出自由水扩散作为神经炎症非侵入性影像学生物标志物 | 研究样本来自单一队列，需要外部验证；横断面设计无法确定因果关系 | 评估自由水扩散作为神经炎症非侵入性生物标志物的有效性 | 367名神经退行性疾病患者（阿尔茨海默病/轻度认知障碍、额颞叶痴呆、肌萎缩侧索硬化、帕金森病、血管性认知障碍） | 医学影像分析 | 神经退行性疾病 | 扩散MRI，血浆生物标志物检测 | 深度学习 | 医学影像，生物流体数据 | 367名患者 | NA | NA | 预测性能 | NA |
| 8452 | 2025-10-06 |
Deep learning classification of drug-related problems from pharmaceutical interventions issued by hospital clinical pharmacists during medication prescription review: a large-scale descriptive retrospective study in a French university hospital
2025-Jun-24, European journal of hospital pharmacy : science and practice
IF:1.6Q3
DOI:10.1136/ejhpharm-2024-004139
PMID:39122480
|
研究论文 | 本研究利用深度学习模型对医院临床药师在处方审核中提出的药物相关问题进行自动分类和大规模回顾性分析 | 开发了新的深度神经网络分类器来自动识别药物相关问题，并在法国大学医院进行了为期3年的大规模回顾性分析 | 研究为回顾性设计，数据来源于单一医院系统 | 利用深度学习技术自动分类药物相关问题并分析其分布特征 | 医院临床药师在处方审核中提出的药物干预措施 | 自然语言处理 | NA | 深度学习 | 深度神经网络 | 文本数据（药物干预记录） | 2,930,656条处方记录，涉及119,689名患者，其中48,202名患者（40.2%）发生了153,335次药物干预 | Python 3.8, Keras | 深度神经网络 | NA | NA |
| 8453 | 2025-10-06 |
High-Precision Intelligent Diagnosis of Pancreatic Cancer: Flowing Diffuseness from Single to Whole
2025-Jun-24, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c00465
PMID:40296678
|
研究论文 | 提出一种基于线扫描拉曼光谱和深度学习的智能诊断方法LRSHA，用于快速准确的胰腺癌组织诊断 | 首次将线扫描技术用于拉曼光谱快速采集，并通过谱循环图变换将1D光谱转为2D编码图，结合邻域增强方法显著提升诊断准确率 | NA | 开发快速高效的胰腺癌组织智能诊断方法 | 胰腺癌组织样本 | 医学影像分析 | 胰腺癌 | 拉曼光谱，线扫描技术 | 深度学习 | 光谱数据，图像数据 | NA | NA | NA | 准确率 | NA |
| 8454 | 2025-10-06 |
Ultrasound Displacement Tracking Techniques for Post-Stroke Myofascial Shear Strain Quantification
2025-Jun-24, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3582275
PMID:40553666
|
研究论文 | 评估四种超声位移跟踪技术在卒中后肌筋膜剪切应变量化中的可靠性 | 提出新的临床假说——卒中患侧（麻痹侧）肩部肌筋膜剪切应变低于健侧，并首次系统比较四种位移估计算法在该假说下的性能 | L1-SOUL-Search算法运行速度较慢，样本量较小（仅10名参与者） | 评估不同超声位移跟踪技术对肌筋膜剪切应变估计可靠性的影响 | 卒中后肌筋膜肩痛的十名研究参与者 | 医学影像分析 | 卒中后遗症 | 超声位移跟踪，T1ρ磁共振成像 | NA | 超声影像，磁共振影像 | 10名卒中后肌筋膜肩痛患者 | NA | NA | 位移梯度均值与方差，边缘清晰度 | NA |
| 8455 | 2025-06-26 |
Author Correction: Detection of cotton crops diseases using customized deep learning model
2025-Jun-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-07853-2
PMID:40555723
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8456 | 2025-10-06 |
Artificial intelligence for predicting the risk of bone fragility fractures in osteoporosis
2025-Jun-24, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-025-00572-3
PMID:40555880
|
研究论文 | 探讨人工智能在预测骨质疏松患者脆性骨折风险中的潜在优势和方法学问题 | 提出人工神经网络可更好识别易发生脆性骨折的骨质疏松患者，并预测未来骨折风险 | 高质量数据集稀缺、AI模型可解释性差、临床工作流程整合不足、预测准确性验证不充分 | 评估AI方法在支持骨质疏松临床决策中的潜力 | 骨质疏松患者群体 | 医疗人工智能 | 骨质疏松 | 人工神经网络 | 深度学习 | 临床和放射学数据 | NA | NA | 人工神经网络 | 预测准确性 | NA |
| 8457 | 2025-10-06 |
Multimodal Deep Learning Based on Ultrasound Images and Clinical Data for Better Ovarian Cancer Diagnosis
2025-Jun-24, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01566-8
PMID:40555943
|
研究论文 | 开发并验证基于超声图像和临床数据的多模态深度学习模型用于卵巢癌诊断 | 首次将2D灰度超声图像与临床数据结合构建多模态深度学习模型，显著提升卵巢癌诊断性能 | 回顾性研究设计，样本量相对有限（1899例患者） | 提高卵巢癌的诊断准确性和一致性 | 附件肿块患者（1899例接受术前超声检查和后续手术的患者） | 计算机视觉 | 卵巢癌 | 超声检查 | 深度学习 | 图像, 临床数据 | 1899例患者（2019-2024年） | NA | 多模态深度学习模型 | ROC曲线, 准确率, F1分数, AUC | NA |
| 8458 | 2025-10-06 |
Artificial Intelligence Powered Real-Time Coronary Stenosis Recognition and Quantification in Angiography
2025-Jun-24, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01578-4
PMID:40555942
|
研究论文 | 开发用于冠状动脉造影中狭窄病变实时自动检测和量化的深度学习系统 | 首个集成血管类型分类、关键帧选择、病变检测、血管分割和定量冠状动脉造影五大核心组件的实时深度学习系统 | 研究数据仅来自两家三级医院，需要更多外部验证 | 开发实时冠状动脉狭窄自动识别和量化系统 | 冠状动脉狭窄病变 | 计算机视觉 | 心血管疾病 | 冠状动脉造影 | 深度学习 | 医学影像 | 502名成年患者的2651张诊断性冠状动脉造影图像 | NA | NA | 准确率,召回率,精确率 | NA |
| 8459 | 2025-10-06 |
Modeling Active-State Conformations of G-Protein-Coupled Receptors Using AlphaFold2 via Template Bias and Explicit Protein Constrains
2025-Jun-23, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00489
PMID:40440630
|
研究论文 | 本研究探索了使用AlphaFold2通过模板偏置和显式蛋白质约束来建模G蛋白偶联受体的活性态构象 | 扩展了AlphaFold2在蛋白质构象建模中的应用，通过引入模板偏置和显式约束来预测GPCRs的活性态结构 | 在变构效应建模方面存在局限，特别是受体胞外位点的预测准确性降低，可能影响基于结构的药物设计应用 | 评估深度学习方法在G蛋白偶联受体活性态构象建模中的能力和局限性 | G蛋白偶联受体的构象状态，特别是活性态结构 | 机器学习 | NA | 蛋白质结构预测 | 深度学习 | 蛋白质结构数据 | NA | AlphaFold2 | AlphaFold2架构 | 预测准确性 | NA |
| 8460 | 2025-10-06 |
Data Scaling and Generalization Insights for Medicinal Chemistry Deep Learning Models
2025-Jun-23, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00538
PMID:40454949
|
研究论文 | 本文通过深度学习与传统机器学习方法研究小分子预测模型在药物发现中的性能表现与泛化能力 | 开发了能够解释81%模型性能差异的缩放关系，并成功识别图神经网络优于传统方法的因素 | 未明确说明具体数据集的详细特征和模型的具体参数设置 | 理解和改进药物发现中小分子预测模型的性能 | 小分子化合物 | 机器学习 | NA | 深度学习，传统机器学习 | 图神经网络，XGBoost，随机森林 | 化学结构数据，ADMET数据，药物发现实验数据 | 大型内部数据集和公开可用数据集 | NA | 图神经网络 | 性能方差解释率 | NA |