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 42795 篇文献，本页显示第 8521 - 8540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8521 | 2025-12-18 |
Development and validation of a machine learning-based prognostic model for gastric cancer: a multicenter retrospective study
2025-Nov-21, Langenbeck's archives of surgery
DOI:10.1007/s00423-025-03883-6
PMID:41269322
|
研究论文 | 本研究开发并验证了一种基于机器学习的胃癌预后预测模型，并在多中心真实世界数据中进行了评估 | 首次将多种特征选择方法与四种建模算法（包括Cox、RSF、CoxBoost和Deepsurv_Cox）结合，构建了用于胃癌总体生存期和癌症特异性生存期预测的集成模型，并在独立测试中超越了传统的TNM分期系统 | 研究为回顾性设计，可能存在选择偏倚；模型在外部验证中的表现仍需在更多样化的患者群体中进一步确认 | 开发并验证一种基于机器学习的胃癌预后预测模型，以提高生存预测的准确性 | 胃癌患者 | 机器学习 | 胃癌 | NA | Cox, RSF, CoxBoost, Deepsurv_Cox | 临床数据 | SEER数据库21,559名患者，两个中国医疗中心3,805名患者 | NA | 集成模型（堆叠模型） | C-index, 综合Brier评分, 平均AUC, 时间依赖性ROC曲线, 决策曲线分析 | NA |
| 8522 | 2025-12-18 |
Application of MobileNet and Xception neural networks to identify Sillago sihama populations in Vietnam's coastal waters based on otolith morphology
2025-Nov, Journal of fish biology
IF:1.7Q2
DOI:10.1111/jfb.70130
PMID:40731378
|
研究论文 | 本研究应用MobileNet和Xception深度学习模型，基于耳石形态对越南沿海水域的印度-太平洋鳕鱼种群进行识别 | 首次将MobileNet和Xception深度学习模型应用于耳石形态分析，显著提升了鱼类种群分类的准确性 | 研究仅基于越南三个沿海区域的样本，可能无法代表更广泛地理范围内的种群多样性 | 通过耳石形态分析识别越南沿海印度-太平洋鳕鱼的种群结构 | 越南沿海三个区域（包括Son Cha和Cat Ba）的印度-太平洋鳕鱼耳石样本 | 计算机视觉 | NA | 耳石形态分析 | CNN | 图像 | 来自越南三个沿海区域的印度-太平洋鳕鱼耳石样本 | NA | MobileNet, Xception | 准确率 | NA |
| 8523 | 2025-12-18 |
Effectiveness of AI-Based Tools in Detecting Diabetic Retinopathy in Low- and Middle-Income Countries: A Systematic Review of Diagnostic Performance and Implementation Feasibility
2025-Nov, Cureus
DOI:10.7759/cureus.96554
PMID:41393614
|
系统综述 | 本文系统综述了在低收入和中等收入国家中，基于AI的工具在检测糖尿病视网膜病变方面的诊断性能和实施可行性 | 聚焦于低收入和中等收入国家，系统评估AI工具在糖尿病视网膜病变筛查中的诊断准确性和实施可行性，填补了该领域证据分散的空白 | 符合条件的原始研究数量较少，且对基础设施需求、监管考虑和长期可持续性的报告有限 | 评估AI工具在低收入和中等收入国家中检测糖尿病视网膜病变的有效性和实施可行性 | 基于视网膜成像的AI、机器学习或深度学习工具 | 数字病理学 | 糖尿病视网膜病变 | 视网膜成像 | 深度学习, 机器学习 | 图像 | NA | NA | NA | 诊断准确性 | NA |
| 8524 | 2025-12-18 |
Artificial Intelligence in Radiology: Transforming Cancer Detection and Diagnosis
2025-Nov, Cureus
DOI:10.7759/cureus.96518
PMID:41393619
|
综述 | 本文综述了人工智能在放射肿瘤学中的应用，涵盖多种癌症类型和成像技术，探讨了其在癌症检测和诊断中的最新进展与挑战 | 综合了深度学习、放射组学和放射基因组学框架在多种癌症类型中的最新应用，并强调了AI作为放射科医生协作伙伴的角色，而非替代 | 模型在不同人群和机构间的泛化能力有限，存在数据孤岛、监管不确定性，以及临床环境中可解释AI输出的需求 | 评估人工智能在放射肿瘤学中的当前应用，并为其安全、公平和有效的实施提供战略方向 | 乳腺癌、肺癌、前列腺癌、脑癌、胃肠道癌和转移性疾病等主要癌症类型 | 数字病理学 | 肺癌, 前列腺癌, 乳腺癌, 脑癌, 胃肠道癌 | CT, MRI, PET/CT, 数字乳腺X线摄影 | 深度学习 | 图像 | NA | NA | NA | 准确性, 分割精度, 风险预测, 分子表型推断 | NA |
| 8525 | 2025-12-18 |
Efficiency of Artificial Intelligence in Three-Dimensional Reconstruction of Medical Imaging
2025-Nov, Cureus
DOI:10.7759/cureus.96580
PMID:41393720
|
综述 | 本文综述了人工智能在医学影像三维重建中的效率，探讨了其如何提升准确性、速度及临床效用 | 系统性地回顾了近10年AI驱动的三维重建技术，重点评估了深度学习模型在提升重建自动化、精度及临床应用方面的突破 | 研究仅纳入成人影像数据，排除了儿科及临床前研究，且存在高计算需求、标准化数据集缺乏、真实世界验证不足等挑战 | 评估人工智能在医学影像三维重建中的效率、临床应用及现存挑战 | 近10年发表的、针对成人人类影像的、基于AI的三维重建研究 | 计算机视觉 | NA | 医学影像三维重建 | 深度学习 | 医学影像 | NA | NA | U-Net, V-Net, DenseVNet, GAN | Dice系数 | NA |
| 8526 | 2025-12-18 |
Benchmarking robustness of automated CT pancreas segmentation: achieving human-level reliability through human-in-the-loop optimization
2025-Nov, Radiology advances
DOI:10.1093/radadv/umaf040
PMID:41394428
|
研究论文 | 本研究系统评估了深度学习模型在CT胰腺分割中的鲁棒性，并通过人机协同优化策略提升其可靠性，以达到人类水平的性能 | 引入分数阈值指标量化模型达到人类最小性能的比例，并采用主动学习策略识别高不确定性预测进行人工修订，显著提升模型鲁棒性 | 研究主要基于健康人群的CT数据，未充分验证在异常病例或不同扫描仪间的泛化能力 | 评估深度学习模型在CT胰腺分割中的鲁棒性，并探索提升其可靠性的方法 | CT扫描图像中的胰腺分割 | 数字病理学 | 胰腺疾病 | CT扫描 | 深度学习模型 | CT图像 | 903例静脉期CT扫描，其中803例用于训练/验证，100例健康测试病例 | NA | 3D U-Net | Dice相似系数, 归一化表面Dice, 分数阈值 | NA |
| 8527 | 2025-12-18 |
Advancing Point-of-Care Still's Murmur Identification: Evaluating the Efficacy of ConvNets and Transformers Using the StethAid Multicenter Heart Sound Database
2025-Sep-04, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3606341
PMID:40907040
|
研究论文 | 本研究评估了卷积神经网络和Transformer模型在识别儿童Still's杂音方面的效能，使用StethAid多中心心音数据库 | 首次收集并利用专门针对儿科人群的StethAid数据集，结合多种深度学习模型（包括SQ-NET、ResNet18、AST、DeiT、Swin Transformer、DINO）进行Still's杂音识别，填补了现有方法主要关注成人病理性杂音或杂音检测的空白 | 研究依赖于特定设备（StethAid数字听诊平台）采集的数据，可能限制了模型的泛化能力；数据集规模相对有限（527个PCG），且未详细讨论模型在真实临床环境中的部署挑战 | 开发并评估深度学习模型，以辅助初级保健提供者准确识别儿童Still's杂音，减少不必要的专科转诊和超声心动图使用 | 儿科患者的心音图数据，包括Still's杂音、其他良性杂音和病理性杂音 | 机器学习 | 心血管疾病 | 数字听诊技术 | CNN, Transformer | 心音图数据 | 527个心音图记录（来自StethAid数据集），加上先前Littmann 4100数据集的1450个记录 | NA | SQ-NET, ResNet18, AST, DeiT, Swin Transformer, DINO | 灵敏度, 特异度, 准确度 | NA |
| 8528 | 2025-12-18 |
A multi-stage training and deep supervision based segmentation approach for 3D abdominal multi-organ segmentation
2025-Sep, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996251355806
PMID:40671620
|
研究论文 | 本文提出了一种基于多阶段训练和深度监督的分割方法，用于三维腹部多器官分割 | 整合了多阶段训练、伪标签技术和带有注意力机制的深度监督模型（DLAU-Net），以解决腹部器官分布复杂、标记数据稀缺和结构多样性的挑战 | NA | 提高三维CT图像腹部多器官分割的准确性和效率 | 腹部器官（如肝脏、脾脏和肾脏） | 计算机视觉 | 腹部疾病 | X射线计算机断层扫描（CT） | CNN | 三维CT图像 | NA | NA | DLAU-Net | 平均器官准确率（AVG）, Dice相似系数（DSC） | NA |
| 8529 | 2025-12-18 |
Spatial Transcriptomics of the Respiratory System
2025-02, Annual review of physiology
IF:15.7Q1
|
综述 | 本文综述了呼吸系统空间转录组学的最新技术进展，包括常用分析流程及其优缺点，并展望了机器学习和人工智能在解读空间数据方面的应用前景 | 系统梳理了新兴空间解析基因表达技术与计算工具（特别是机器学习和深度学习）的结合应用，展示了其在呼吸系统研究中的转化潜力 | 作为综述文章，未提出原创性实验方法或模型，主要总结现有技术 | 探讨如何利用空间转录组学技术理解呼吸系统中细胞类型在三维空间中的相互作用及其在健康和疾病状态下的功能 | 呼吸系统（肺部和气道）的细胞类型及其空间组织 | 数字病理学 | 肺癌 | 空间转录组学 | 机器学习, 深度学习 | 空间基因表达数据 | NA | NA | NA | NA | NA |
| 8530 | 2025-12-18 |
Effect of feedback-integrated reflection, on deep learning of undergraduate medical students in a clinical setting
2025-Jan-14, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-025-06648-3
PMID:39810114
|
研究论文 | 本研究探讨了反馈整合反思与单独反思相比，对本科医学生在妇科临床环境中高阶多选题成绩的影响 | 通过随机对照试验，首次在妇科临床教育环境中量化比较了反馈整合反思与单独反思对医学生高阶认知学习效果的影响 | 样本量较小（68人），且研究聚焦于单一专业（妇科）和短期教学干预，结果的普适性有待进一步验证 | 评估反馈整合反思对医学生有意义学习及高阶多选题成绩的影响 | 68名本科五年级医学生 | 医学教育 | NA | 随机对照试验 | NA | 测试成绩数据、反思文本 | 68名本科五年级医学生 | NA | NA | 测试分数、百分比增益、标准化学习增益、净学习增益 | NA |
| 8531 | 2025-12-18 |
Computational models for pan-cancer classification based on multi-omics data
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1667325
PMID:41220429
|
综述 | 本文综述了基于多组学数据的泛癌分类计算模型，总结了现有数据、数据库、方法及其优缺点，并探讨了未来研究方向 | 系统性地比较了基于机器学习和深度学习的泛癌分类方法，并指出了当前框架在整合肿瘤动态时间变化和空间异质性方面的不足 | 现有框架难以整合肿瘤内的动态时间变化和空间异质性，限制了其实时临床应用性 | 研究泛癌分类的计算模型，以应对肿瘤异质性带来的诊断和治疗挑战 | 多组学数据（基因组学、转录组学、蛋白质组学）及泛癌图谱 | 机器学习 | 泛癌 | 多组学数据整合 | 机器学习, 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 8532 | 2025-12-18 |
A deep learning-driven cataract screening model derived from multicenter real-world dataset
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1691419
PMID:41393146
|
研究论文 | 本研究开发并验证了一个基于多中心真实世界数据的深度学习模型，用于白内障筛查 | 采用多中心、真实世界的大规模数据集训练模型，并设计了一个模拟临床诊断流程的级联框架，以提高模型在噪声数据上的可靠性和泛化能力 | 未明确提及模型在更广泛或国际数据集上的测试表现，以及在实际临床部署中的具体挑战 | 开发一个稳健且可泛化的深度学习模型，用于大规模眼科筛查，特别是白内障的检测 | 来自中国12个省市21家眼科机构的22,094张裂隙灯图像 | 计算机视觉 | 白内障 | 裂隙灯成像 | CNN | 图像 | 22,094张裂隙灯图像 | NA | ResNet50-IBN | 准确率, 特异性, AUC | NA |
| 8533 | 2025-12-18 |
Hybrid Deep Learning for Brain Tumor Detection: Combining DenseNet and Custom CNN for Enhanced Accuracy
2025, Biomedical engineering and computational biology
IF:2.3Q3
DOI:10.1177/11795972251395954
PMID:41393347
|
研究论文 | 本文提出了一种结合DenseNet和自定义CNN的混合深度学习架构，用于提高脑肿瘤检测的准确率、敏感性和特异性 | 创新点在于将DenseNet的特征重用和连接性与针对特定领域设计的自定义CNN相结合，以提取高级语义和细粒度特征，从而提升分类性能 | 未明确提及具体局限性，但可能涉及计算资源需求或模型泛化能力 | 研究目标是开发一种混合深度学习架构，以提高脑肿瘤医学图像分类的准确性、敏感性和特异性 | 研究对象是脑肿瘤医学图像数据集 | 计算机视觉 | 脑肿瘤 | 深度学习 | CNN | 图像 | 未明确提及具体样本数量 | 未明确提及 | DenseNet, 自定义CNN | 准确率, 敏感性, 特异性, FPS | 未明确提及 |
| 8534 | 2025-12-18 |
Artificial intelligence applications in intensive care unit nursing: A narrative review (2020-2025)
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251406302
PMID:41393841
|
综述 | 本文综述了2020年至2025年间人工智能在重症监护室护理中的应用研究，总结了趋势并指出了整合挑战 | 系统性地综合了近五年人工智能在ICU护理领域的最新研究进展，突出了早期预警、风险预测及工作流支持等应用趋势 | 纳入的研究多为回顾性，且缺乏校准、外部验证和人为因素评估的详细描述 | 综述人工智能在重症监护室护理中的应用，以识别趋势和整合挑战 | 2020年至2025年间发表的英文研究，重点关注ICU护理中的人工智能应用 | 机器学习 | NA | NA | 机器学习, 深度学习 | 电子健康记录, 数据库数据 | 37项研究（从4138篇文章中筛选） | NA | NA | AUC | NA |
| 8535 | 2025-12-18 |
Cluster segmentation and stereo vision-based apple localization algorithm for robotic harvesting
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1598414
PMID:41393871
|
研究论文 | 本文提出了一种结合增强K-Means聚类分割算法和立体视觉系统的苹果三维定位方法，用于机器人采摘 | 通过多特征融合（颜色、形态、纹理）提升分割鲁棒性，并集成立体视觉进行精确三维定位，无需大规模标注数据集或高性能硬件 | 未来工作需关注大规模果园部署、并行优化及扩展到其他水果类型 | 开发一种适用于复杂果园环境的自动化苹果采摘机器人定位算法 | 苹果 | 计算机视觉 | NA | 立体视觉 | K-Means聚类 | 图像 | NA | NA | K-Means, 块匹配立体模型 | 识别准确率, 平均精度均值, 平均坐标偏差, 正确识别率, 帧每秒, 深度定位误差 | 低计算需求，无需高性能硬件 |
| 8536 | 2025-12-18 |
Deep learning-based phenotyping of lettuce diseases using Efficient-FBM-FRMNet for precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1704647
PMID:41393894
|
研究论文 | 本研究提出了一种名为Efficient-FBM-FRMNet的模块化深度学习框架，用于自动化检测生菜病害 | 该模型整合了EfficientNetB4、扩张卷积、特征瓶颈模块、推理引擎和特征细化模块，增强了判别性特征学习、可解释性和稳定性，同时降低了计算成本 | NA | 实现快速准确的生菜病害识别，以支持精准农业和可持续作物管理 | 生菜叶片图像 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | 2,813张生菜叶片图像 | NA | EfficientNetB4, ResNet50, DenseNet121 | 准确率, 精确率, 召回率, F1分数 | NA |
| 8537 | 2025-12-18 |
PLFYNet-based edge-deployable detection system for Ginkgo biloba leaf diseases
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1679455
PMID:41393897
|
研究论文 | 本研究提出了一种名为PLFYNet的轻量级深度学习模型，用于在资源受限的嵌入式设备上实时检测银杏叶病害 | 提出了一种优化的轻量级主干网络，集成了注意力机制、改进的检测头、高效卷积技术和自定义特征融合模块，并应用了层自适应幅度剪枝技术，在保持精度的同时显著减少了模型参数量 | 研究仅针对银杏叶的三种病害类别（褪绿病、虫害、物理损伤），模型在其他作物或更复杂病害场景下的泛化能力有待验证 | 开发适用于复杂种植环境的轻量级实时病害检测系统，以解决现有系统在边缘部署时精度下降、效率低下和计算开销大的问题 | 银杏叶病害 | 计算机视觉 | 植物病害 | 深度学习，图像增强 | CNN, YOLO | 图像 | 7,158张增强图像，覆盖三种病害类别 | NA | LCNet-FusionYOLO, PLFYNet, YOLOv7-tiny | mAP@0.5, FPS, 参数量 | Jetson Orin Nano嵌入式平台 |
| 8538 | 2025-12-18 |
Development of a multimodal model combining radiomics and deep learning to predict malignant cerebral edema after endovascular thrombectomy
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1716443
PMID:41393997
|
研究论文 | 本研究开发了一种结合放射组学和深度学习的多模态模型，用于预测急性缺血性卒中患者接受血管内血栓切除术后恶性脑水肿的风险 | 首次整合临床数据、放射组学特征和深度学习特征构建多模态预测模型，显著提高了恶性脑水肿预测的准确性 | 研究样本量相对较小（共290例患者），且仅进行了内部验证，缺乏外部独立队列验证 | 提高急性缺血性卒中患者血管内血栓切除术后恶性脑水肿的风险预测准确性 | 接受血管内血栓切除术的急性缺血性卒中患者 | 医学影像分析 | 急性缺血性卒中 | 放射组学分析、深度学习特征提取 | 深度学习融合模型 | 临床数据、医学影像数据 | 290例患者（训练集189例，验证集47例，内部测试集54例） | NA | NA | AUC（曲线下面积） | NA |
| 8539 | 2025-12-18 |
The mediating role of psychological resilience in the relationship between deep learning approach and mathematical creativity: integrating structural equation model and network analysis
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1697817
PMID:41394065
|
研究论文 | 本研究通过整合结构方程模型和网络分析方法，探讨了深度学习方式、心理韧性与数学创造力之间的关系 | 首次将结构方程模型与网络分析方法结合，揭示学习方式、心理韧性与数学创造力之间的中介关系与网络关系 | 研究样本仅为中国大学生，结果可能受文化背景限制；采用横断面设计，无法确定因果关系 | 探究深度学习方式如何通过心理韧性预测数学创造力，并揭示三者间的网络关系 | 中国大学生 | 教育心理学 | NA | 问卷调查法 | 结构方程模型, 网络分析 | 问卷数据 | 986名中国大学生 | NA | NA | 节点中心性指标（强度、接近度、预期影响力） | NA |
| 8540 | 2025-12-18 |
RNA-EFM: energy-based flow matching for protein-conditioned RNA sequence-structure co-design
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf258
PMID:41394077
|
研究论文 | 提出了一种名为RNA-EFM的深度学习框架，用于蛋白质条件化的RNA序列与结构协同设计，通过结合基于能量的精炼和流匹配方法，以优化RNA的几何对齐和热力学稳定性 | 首次将基于能量的精炼与流匹配相结合，用于RNA序列与结构的协同设计，并整合了生物物理先验如Lennard-Jones势能和序列衍生的自由能，以确保生成的RNA在几何上合理且热力学稳定 | 未明确提及模型在处理大规模数据集或复杂蛋白质-RNA相互作用时的计算效率或泛化能力限制 | 开发一种能够设计特异性结合目标蛋白质的RNA分子的方法，同时考虑结构对齐、序列恢复和生物物理因素 | RNA分子及其与目标蛋白质的相互作用 | 机器学习 | NA | 深度学习框架，结合基于能量的精炼和流匹配 | NA | RNA序列和结构数据 | NA | NA | RNA-EFM（自定义框架，结合流匹配和基于能量的精炼） | RMSD, lDDT, 序列恢复率, 结合能改进 | NA |