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 8841 - 8860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8841 | 2025-10-06 |
Corrigendum: An enhanced pattern detection and segmentation of brain tumors in MRI images using deep learning technique
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1570979
PMID:40529250
|
correction | 对先前发表的关于使用深度学习技术增强MRI图像中脑肿瘤模式检测与分割的文章进行修正 | NA | NA | NA | NA | NA | 脑肿瘤 | NA | NA | MRI图像 | NA | NA | NA | NA | NA |
| 8842 | 2025-10-06 |
Precise Image-level Localization of Intracranial Hemorrhage on Head CT Scans with Deep Learning Models Trained on Study-level Labels
2024-11, Radiology. Artificial intelligence
DOI:10.1148/ryai.230296
PMID:39194400
|
研究论文 | 开发基于弱监督学习的深度学习模型，使用研究级标签自动检测和定位头CT扫描中的颅内出血 | 使用研究级标签而非像素级标注训练模型，通过注意力机制实现图像级定位，具有高度泛化能力 | 回顾性研究，依赖放射学报告提取标签，可能存在标注偏差 | 开发能够快速准确检测颅内出血的计算机辅助诊断工具 | 头CT扫描中的颅内出血 | 计算机视觉 | 颅内出血 | CT扫描 | CNN, 双向LSTM | 医学图像 | 本地数据集10699个非对比头CT扫描（7469名患者），外部测试集491个扫描 | NA | 注意力机制双向长短期记忆网络 | 阳性预测值, AUC | NA |
| 8843 | 2025-10-06 |
AI-integrated Screening to Replace Double Reading of Mammograms: A Population-wide Accuracy and Feasibility Study
2024-11, Radiology. Artificial intelligence
DOI:10.1148/ryai.230529
PMID:39230423
|
研究论文 | 本研究评估了AI集成筛查在乳腺X线摄影中替代双读法的准确性和可行性 | 比较了三种AI集成筛查场景与标准双读法的性能，首次在大型代表性筛查人群中系统评估AI在筛查工作流中不同部署位置的临床影响 | 回顾性研究设计，AI阈值部分基于先前验证设定，未在真实临床环境中验证 | 评估AI集成筛查替代传统双读法在乳腺X线摄影中的准确性和可行性 | 249,402张来自代表性筛查人群的乳腺X线影像 | 医学影像分析 | 乳腺癌 | 乳腺X线摄影筛查 | CNN | 医学影像 | 249,402张乳腺X线影像 | NA | NA | 敏感度, 阴性预测值, 召回率, 阳性预测值, 仲裁率 | NA |
| 8844 | 2024-11-28 |
Watch Your Back! How Deep Learning Is Cracking the Real World of CT for Cervical Spine Fractures
2024-11, Radiology. Artificial intelligence
DOI:10.1148/ryai.240604
PMID:39601670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8845 | 2025-10-06 |
Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning
2024-09-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-52263-z
PMID:39266547
|
研究论文 | 利用自发荧光显微镜和深度学习技术，实现无标记组织中淀粉样蛋白沉积的虚拟双折射成像和虚拟刚果红染色 | 首次使用单一神经网络将无标记组织的自发荧光图像转换为明场和偏振显微镜图像，匹配其组织化学染色版本 | 研究主要针对心脏组织，在其他器官组织中的适用性需要进一步验证 | 开发无需化学染色的淀粉样蛋白沉积可视化方法 | 人体组织样本中的淀粉样蛋白沉积 | 数字病理学 | 系统性淀粉样变性 | 自发荧光显微镜，深度学习 | 神经网络 | 图像 | 心脏组织样本（具体数量未明确说明） | NA | NA | 定量指标，病理学家评估 | NA |
| 8846 | 2025-10-06 |
Automated design of multi-target ligands by generative deep learning
2024-09-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-52060-8
PMID:39261471
|
研究论文 | 本研究利用生成式深度学习模型开发多靶点配体药物 | 首次将化学语言模型应用于多靶点配体的从头设计，通过小样本微调实现双靶点活性分子的生成 | 仅验证了12个设计分子对6个靶点对的活性，样本规模有限 | 探索生成式深度学习在多靶点药物设计中的应用 | 多靶点配体分子 | 机器学习 | NA | 化学语言模型，SMILES表示法 | 生成式深度学习模型 | 分子结构数据 | 12个设计分子，6个靶点对 | NA | 化学语言模型 | 纳摩尔级活性，双配体确认 | NA |
| 8847 | 2025-10-06 |
External Testing of a Deep Learning Model to Estimate Biologic Age Using Chest Radiographs
2024-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.230433
PMID:39046324
|
研究论文 | 本研究在亚洲人群中对基于深度学习的胸片年龄模型进行外部测试，评估其预测全因死亡率及特定疾病死亡率的预后价值 | 首次在大型亚洲队列中验证基于胸片影像的深度学习生物年龄预测模型的泛化能力 | 单中心回顾性研究，仅包含无症状亚洲人群 | 评估深度学习胸片年龄模型在外部测试队列中的预后价值 | 50-80岁无症状亚洲个体的胸片影像 | 计算机视觉 | 肺癌 | 胸片影像分析 | CNN | 医学影像 | 36,924名个体 | NA | NA | 风险比, 似然比检验 | NA |
| 8848 | 2025-10-06 |
Artificial Intelligence Outcome Prediction in Neonates with Encephalopathy (AI-OPiNE)
2024-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.240076
PMID:38984984
|
研究论文 | 开发深度学习算法预测缺氧缺血性脑病新生儿2年神经发育结局 | 首次结合多序列MRI和基础临床数据开发深度学习模型预测新生儿脑病长期神经发育结局 | 回顾性研究设计，样本量相对有限（414例） | 预测缺氧缺血性脑病新生儿2年神经发育结局 | 足月缺氧缺血性脑病新生儿 | 医学影像分析 | 新生儿脑病 | MRI（T1加权、T2加权、扩散张量成像） | CNN | 医学影像、临床数据 | 414例新生儿（来自17个机构） | NA | 深度学习分类器 | AUC, 准确率 | NA |
| 8849 | 2025-10-06 |
Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification
2024-09, Radiology. Artificial intelligence
DOI:10.1148/ryai.230601
PMID:38900043
|
研究论文 | 开发了一种基于深度学习的自动方法，用于在腹部CT扫描中检测腹水并量化其体积 | 首次提出使用深度学习自动分割和量化腹水体积的方法，并在肝硬化和卵巢癌患者中验证 | 回顾性研究，数据来源于特定机构，可能存在选择偏倚 | 评估深度学习模型在检测和量化腹水体积方面的性能 | 肝硬化腹水患者和卵巢癌患者 | 医学影像分析 | 肝硬化,卵巢癌 | CT扫描 | 深度学习 | 医学影像 | 训练集：TCGA卵巢癌数据集；测试集：NIH-LC(25例)、NIH-OV(166例)、UofW-LC(124例) | NA | NA | F1/Dice系数,体积估计误差,95%置信区间 | NA |
| 8850 | 2025-10-06 |
Noninvasive virtual biopsy using micro-registered optical coherence tomography (OCT) in human subjects
2024-04-12, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adi5794
PMID:38598626
|
研究论文 | 开发了一种基于光学相干断层扫描的非侵入式虚拟活检技术，通过深度学习将OCT图像转换为虚拟H&E染色切片 | 提出了微米级精度的配准方法，首次实现了从完整组织获取的3D OCT图像到2D H&E切片的精确对应，并展示了2D和3D的高保真虚拟染色 | 需要配对数据集进行训练，尚未应用于体内OCT图像的临床验证 | 开发非侵入式虚拟活检技术以减少不必要的活检程序 | 人类组织样本 | 数字病理学 | 癌症 | 光学相干断层扫描（OCT），H&E染色 | 条件生成对抗网络（cGAN） | 3D OCT图像，2D H&E组织切片 | NA | NA | 条件生成对抗网络 | 高保真度转换 | NA |
| 8851 | 2025-10-06 |
Three-dimensional assessments are necessary to determine the true, spatially-resolved composition of tissues
2024-Mar-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.12.04.569986
PMID:38106231
|
研究论文 | 本研究通过深度学习平台重建胰腺组织的三维微解剖结构，证明二维评估会显著低估组织异质性 | 首次使用深度学习平台CODA对正常和癌变人类胰腺标本进行三维微解剖重建，系统比较二维与三维评估在组织成分分析中的差异 | 研究样本仅限胰腺组织，未验证其他器官组织的适用性 | 评估三维组织映射在准确分析组织成分中的必要性 | 接受胰腺切除术患者的正常和癌变人类胰腺标本 | 数字病理学 | 胰腺癌 | 深度学习组织映射平台，三维组织重建 | 深度学习 | 全玻片图像，连续组织切片图像 | 包含二维全玻片图像队列和三维重建厚组织切片队列的胰腺标本 | NA | CODA平台 | 组织成分异质性误差分析 | NA |
| 8852 | 2025-10-06 |
Deep learning-based accurate diagnosis and quantitative evaluation of microvascular invasion in hepatocellular carcinoma on whole-slide histopathology images
2024-03, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.7104
PMID:38488408
|
研究论文 | 本研究开发了一种基于深度学习的肝细胞癌微血管浸润智能诊断模型，能够提高诊断效率和准确性 | 成功开发了MVI人工智能诊断模型，能够识别传统病理学难以区分的微小微血管浸润，并提供癌细胞数量和空间信息的自动量化 | 研究主要基于单一医疗中心数据，外部验证集来自公共数据库，可能存在数据异质性 | 开发深度学习模型以显著提高肝细胞癌微血管浸润诊断的效率和准确性 | 肝细胞癌患者的H&E染色全切片图像 | 数字病理学 | 肝细胞癌 | H&E染色 | 深度学习模型 | 全切片病理图像 | 753名患者（内部数据集）+ 358名患者（外部验证集） | NA | NA | 准确率, 精确率, 召回率, F1分数, ROC曲线下面积 | NA |
| 8853 | 2025-10-06 |
An enhanced pattern detection and segmentation of brain tumors in MRI images using deep learning technique
2024, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2024.1418280
PMID:38988988
|
研究论文 | 提出一种基于二元卷积神经网络的深度学习方法来增强脑部MRI图像中肿瘤的检测和分割 | 能够分割10种最常见的脑肿瘤类型，相比现有模型仅能分割4种类型有显著改进 | NA | 提高脑肿瘤在MRI图像中的检测和分割精度 | 脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN | 图像 | 6,600张脑部MRI图像 | NA | 二元卷积神经网络(BCNN) | 准确率,精确率,召回率,F-Measure | NA |
| 8854 | 2025-06-19 |
Coronary X-ray angiography segmentation using Artificial Intelligence: a multicentric validation study of a deep learning model
2023-07, The international journal of cardiovascular imaging
DOI:10.1007/s10554-023-02889-9
PMID:37253900
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8855 | 2025-06-18 |
Asymmetric scatter kernel estimation neural network for digital breast tomosynthesis
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S2.S22008
PMID:40520916
|
research paper | 提出了一种基于非对称散射核叠加的深度学习方法，用于数字乳腺断层合成（DBT）中的散射估计 | 该方法考虑了散射形成的物理基础，通过生成散射振幅分布、散射核宽度和非对称因子图，改进了现有端到端训练方法的不足 | NA | 改进数字乳腺断层合成中的散射估计方法 | 数字乳腺断层合成（DBT）投影数据 | digital pathology | breast cancer | deep learning | CNN | image | 数值模拟体模数据和物理实验数据 | NA | NA | NA | NA |
| 8856 | 2025-06-18 |
Comparing percent breast density assessments of an AI-based method with expert reader estimates: inter-observer variability
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S2.S22011
PMID:40520917
|
research paper | 比较基于AI的方法与专家评估的乳腺密度百分比，研究观察者间变异性 | 使用深度学习模型MAI-VAS进行乳腺密度评估，相比专家评估具有更低观察者间变异性 | 研究仅基于1328名女性的数据，可能无法代表更广泛人群 | 评估AI方法与专家在乳腺密度评估和乳腺癌风险预测方面的一致性和准确性 | 1328名女性的乳腺筛查数据 | digital pathology | breast cancer | deep learning | MAI-VAS | image | 1328名女性 | NA | NA | NA | NA |
| 8857 | 2025-06-18 |
A Hybrid Deep Learning-Based Approach for Visual Field Test Forecasting
2025 Sep-Oct, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100803
PMID:40520474
|
研究论文 | 本研究提出了一种混合深度学习框架，用于提高视野测试预测的灵活性和准确性 | 结合RNN和CNN，并引入深度变换器进行时空建模，提高了预测性能和鲁棒性 | 中晚期青光眼病例数据可靠性低仍是一个挑战 | 提高视野测试预测的准确性和灵活性 | 健康人群和青光眼患者 | 计算机视觉 | 青光眼 | 深度学习 | RNN, CNN, Hybrid-VF-Net | 图像 | 1750名受试者，包含19437次Humphrey视野测试 | NA | NA | NA | NA |
| 8858 | 2025-06-18 |
Keystone microbial taxa identified by deep learning reveal mechanisms of phosphorus stoichiometric homeostasis in submerged macrophytes under different hydrodynamic states
2025-Aug-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.123721
PMID:40311292
|
研究论文 | 本研究通过深度学习识别关键微生物类群，探讨了不同水动力状态下沉水植物磷化学计量稳态的机制 | 开发了基于深度学习的Keystoneness Taxa Identification (DLKTI)框架，用于识别关键微生物类群，并揭示了这些类群对沉水植物根际磷代谢的影响 | 研究仅针对两种沉水植物（Vallisneria natans和Myriophyllum spicatum），可能无法推广到其他植物或生态系统 | 优化植物修复策略，提高水生生态系统富营养化管理的效率 | 沉水植物（Vallisneria natans和Myriophyllum spicatum）及其根际微生物群落 | 生态学与深度学习 | NA | 深度学习 | DLKTI框架 | 微生物群落数据 | NA | NA | NA | NA | NA |
| 8859 | 2025-06-18 |
Comprehensive smartphone image dataset for fish species identification in Bangladesh's freshwater ecosystems
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111629
PMID:40521139
|
research paper | 本文介绍了一个用于孟加拉国淡水生态系统鱼类物种识别的智能手机图像数据集 | 提供了一个包含24,925张图像、涵盖21种淡水鱼类物种的全面数据集，支持鱼类物种识别和生物多样性研究 | 数据集仅涵盖孟加拉国的淡水鱼类，可能不适用于其他地区或海洋鱼类 | 为水生生物多样性研究、渔业管理以及机器学习模型开发提供数据支持 | 孟加拉国淡水生态系统中的21种常见鱼类 | computer vision | NA | 智能手机图像采集 | deep learning | image | 24,925张图像，涵盖21种鱼类 | NA | NA | NA | NA |
| 8860 | 2025-06-18 |
False data injection attack dataset for classification, identification, and detection for IIoT in Industry 5.0
2025-Aug, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111692
PMID:40521148
|
research paper | 该论文介绍了UKMNCT_IIoT_FDIA数据集，用于分类、识别和检测工业5.0中IIoT的虚假数据注入攻击 | 提出了一个独立且全面的数据集，覆盖多种网络配置和攻击场景，以反映IIoT中FDI攻击的动态特性 | 未提及具体的数据集规模或实验环境的局限性 | 提高工业5.0中IIoT环境的安全性，通过有效检测虚假数据注入攻击 | 工业物联网（IIoT）设备和虚假数据注入（FDI）攻击 | machine learning | NA | machine learning (ML) and deep learning (DL) algorithms | NA | network configurations and attack scenarios | NA | NA | NA | NA | NA |