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 33008 篇文献，本页显示第 9021 - 9040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9021 | 2025-06-15 |
Enhancing differentiation between unipolar and bipolar depression through integration of machine learning and electroencephalogram analysis
2025-Jun-10, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.119599
PMID:40505986
|
研究论文 | 本研究通过整合机器学习和脑电图分析，提高了单相抑郁和双相抑郁的区分能力 | 首次将深度学习模型与EEG数据和临床特征结合，用于区分单相抑郁和双相抑郁 | 模型可解释性有待提高，未来需要整合多模态数据和开发更先进的特征提取技术 | 提高单相抑郁和双相抑郁的区分准确性 | 370名被诊断为单相抑郁或双相抑郁的患者 | 机器学习 | 抑郁症 | EEG分析 | SVM, Random Forest, FCNN, RNN, LSTM, Transformers | EEG数据和临床特征 | 370名患者 | NA | NA | NA | NA |
| 9022 | 2025-06-15 |
Towards prehospital risk stratification using deep learning for ECG interpretation in suspected acute coronary syndrome
2025-Jun-06, BMJ health & care informatics
IF:4.1Q2
DOI:10.1136/bmjhci-2024-101292
PMID:40480678
|
研究论文 | 本研究开发并验证了一种基于卷积神经网络（CNN）的模型，用于疑似非ST段抬高急性冠脉综合征（NSTE-ACS）患者的风险分层，并与现有的院前诊断工具进行比较 | 首次将CNN应用于院前ECG解读，用于NSTE-ACS的风险分层，并展示了AI与临床风险评分结合可提高诊断性能 | 研究人群中心肌梗死患病率较高，可能影响诊断性能的评估 | 开发并验证AI模型用于院前NSTE-ACS的风险分层 | 疑似NSTE-ACS患者 | 数字病理学 | 心血管疾病 | ECG解读 | CNN | ECG数据 | 5645名疑似NSTE-ACS患者（外部验证队列754名） | NA | NA | NA | NA |
| 9023 | 2025-06-15 |
Retinal Vessel Geometry and Retinal Abnormalities in Cerebral Autosomal Dominant Arteriopathy With Subcortical Infarcts and Leukoencephalopathy
2025-Jun-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.6.17
PMID:40488700
|
研究论文 | 研究CADASIL患者的视网膜血管几何形态和视网膜异常 | 使用基于深度学习模型的自动化视网膜血管几何评估程序，首次系统评估CADASIL患者的视网膜血管几何参数 | 样本量较小（35例患者和35例对照），且为回顾性研究 | 探讨CADASIL患者的视网膜血管几何形态和视网膜异常 | 35例CADASIL患者和35例正常对照 | 数字病理学 | 脑常染色体显性遗传动脉病伴皮质下梗死和白质脑病（CADASIL） | 深度学习 | 深度学习模型 | 图像 | 35例CADASIL患者和35例正常对照 | NA | NA | NA | NA |
| 9024 | 2025-05-01 |
BiaPy: accessible deep learning on bioimages
2025-Jun, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02699-y
PMID:40301624
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9025 | 2025-06-15 |
Artificial Intelligence in Aesthetic Medicine: Applications, Challenges, and Future Directions
2025-Jun, Journal of cosmetic dermatology
IF:2.3Q2
DOI:10.1111/jocd.70241
PMID:40501296
|
综述 | 本文探讨了人工智能在美容医学中的应用、挑战及未来发展方向 | 深入分析了AI在面部分析、机器人辅助手术、预测性患者结果建模和个性化治疗规划中的创新应用，并探讨了伦理问题和监管挑战 | 存在训练数据偏见、AI决策透明度不足、监管审批不一致等问题，过度依赖AI可能削弱美容医学中以人为本的核心方法 | 评估人工智能在美容医学领域的应用潜力及其面临的伦理和监管挑战 | 美容医学中的AI技术应用 | 医疗人工智能 | NA | 机器学习（ML）、深度学习、计算机视觉 | NA | 医学图像、患者数据 | NA | NA | NA | NA | NA |
| 9026 | 2025-06-15 |
Training Set Design for Uneven Illumination Correction in High-Resolution Whole Slide Images
2025-Jun, Journal of biomedical physics & engineering
DOI:10.31661/jbpe.v0i0.2502-1890
PMID:40510308
|
research paper | 本研究提出了一种新的训练集设计策略，用于高分辨率全切片图像中的不均匀光照校正 | 提出了一种新的训练集设计策略，优化神经网络性能并有效利用计算资源，确保整个WSI幻灯片上更均匀的校正 | 未具体提及样本量或实验验证的详细情况 | 提高深度学习模型在不均匀光照校正中的泛化能力和实用性 | 高分辨率全切片图像（WSI） | digital pathology | NA | deep learning | deep neural networks | image | NA | NA | NA | NA | NA |
| 9027 | 2025-06-15 |
AE-BoNet: A Deep Learning Method for Pediatric Bone Age Estimation using an Unsupervised Pre-Trained Model
2025-Jun, Journal of biomedical physics & engineering
DOI:10.31661/jbpe.v0i0.2304-1609
PMID:40510303
|
research paper | 本研究提出了一种基于无监督预训练模型的深度学习方法AE-BoNet，用于儿科骨龄评估 | 利用无监督预训练的自动编码器进行骨龄估计，解决了标记数据有限和手骨X光图像独特特征的挑战 | 未提及具体样本量外的其他限制 | 开发一种自动骨龄估计方法，减少对标记数据的依赖 | 儿科手骨X光图像 | digital pathology | geriatric disease | autoencoder | AE-BoNet | image | Radiological Society of North America (RSNA) X-ray image collection | NA | NA | NA | NA |
| 9028 | 2025-06-15 |
A comprehensive dataset of mandarin leaf images for classification
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111685
PMID:40510633
|
研究论文 | 该研究致力于使用深度学习方法对柑橘叶进行分类 | 提供了一个全面的柑橘叶图像数据集，并采用深度学习方法进行分类，支持早期健康叶片的识别 | 数据集仅包含健康叶片图像，可能限制了在病害叶片分类上的应用 | 提升柑橘叶分类技术，支持农业领域的自动化系统开发 | 柑橘叶片 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 1917张原始图像和8000张增强图像 | NA | NA | NA | NA |
| 9029 | 2025-06-15 |
An annotated image dataset of urban insects for the development of computer vision and deep learning models with detection tasks
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111673
PMID:40510639
|
research paper | 该研究创建了一个用于开发计算机视觉和深度学习模型的带注释的城市昆虫图像数据集 | 提供了一个大规模、高分辨率的城市昆虫图像数据集，包含超过25,000个注释，用于开发昆虫识别算法 | 数据集仅包含通过UV光陷阱捕获的昆虫，可能无法涵盖所有城市昆虫种类 | 开发用于自动检测城市昆虫多样性或害虫控制的深度学习模型 | 城市昆虫 | computer vision | NA | UV光陷阱、高分辨率扫描 | YOLO | image | 超过25,000个注释的昆虫图像 | NA | NA | NA | NA |
| 9030 | 2025-06-15 |
Commercial Products Using Generative Artificial Intelligence Include Ambient Scribes, Automated Documentation and Scheduling, Revenue Cycle Management, Patient Engagement and Education, and Prior Authorization Platforms
2025-May-24, Arthroscopy : the journal of arthroscopic & related surgery : official publication of the Arthroscopy Association of North America and the International Arthroscopy Association
IF:4.4Q1
DOI:10.1016/j.arthro.2025.05.021
PMID:40419172
|
research paper | 本文探讨了生成式人工智能在医疗保健领域的商业应用及其对临床工作流程的变革 | 重点介绍了大型语言模型(LLMs)在医疗保健中的新兴商业应用，如环境记录员、自动化文档和调度等 | 当前限制包括缺乏监管监督、现有偏见、与电子健康记录的互操作性不一致，以及由于对LLM输出缺乏信心导致的医生和利益相关者支持不足 | 研究生成式人工智能在医疗保健领域的应用及其潜在影响 | 商业生成式人工智能产品及其在医疗保健中的应用 | natural language processing | NA | large language models (LLMs), deep learning | LLM | text | NA | NA | NA | NA | NA |
| 9031 | 2025-06-15 |
Federated prediction for scalable and privacy-preserved knowledge-based planning in radiotherapy
2025-May-20, ArXiv
PMID:40470470
|
研究论文 | 开发了一个名为FedKBP+的联邦学习平台，用于放射治疗计划中的预测任务，以提高效率和保护数据隐私 | 提出了一个全面的联邦学习平台FedKBP+，支持集中式和完全分散式的联邦学习策略，并展示了其在多种预测任务中的高效性和鲁棒性 | 未明确提及具体局限性，但可能涉及在实际临床环境中的进一步验证需求 | 解决放射治疗计划中数据稀缺和异构性导致的模型泛化能力不足问题，同时保护患者数据隐私 | 放射治疗计划中的预测任务，包括3D剂量预测、脑肿瘤分割和器官分割 | 机器学习 | 脑肿瘤 | 联邦学习（FL） | SA-Net, FedAvg, FedProx, Gossip Contrastive Mutual Learning | 医学影像数据 | 340例（OpenKBP Challenge）、227例（BraTS challenge）、384例（PanSeg dataset） | NA | NA | NA | NA |
| 9032 | 2025-06-15 |
VADEr: Vision Transformer-Inspired Framework for Polygenic Risk Reveals Underlying Genetic Heterogeneity in Prostate Cancer
2025-May-18, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.16.25327672
PMID:40463543
|
research paper | 提出了一种基于Vision Transformer的框架VADEr，用于捕捉基因数据中的局部和全局交互，以预测前列腺癌的多基因风险 | 结合自然语言处理和计算机视觉技术，利用Vision Transformer架构捕捉基因变异间的复杂交互，并引入DARTH评分提供可解释的疾病风险驱动因素 | 研究仅针对前列腺癌，未验证在其他复杂疾病中的适用性 | 开发一种能够捕捉基因变异间复杂交互的多基因风险预测框架 | 前列腺癌（PCa）的多基因风险预测 | machine learning | prostate cancer | Vision Transformer (ViT) | Transformer | genetic data | NA | NA | NA | NA | NA |
| 9033 | 2025-06-15 |
ProtFun: A Protein Function Prediction Model Using Graph Attention Networks with a Protein Large Language Model
2025-May-17, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.13.653854
PMID:40463264
|
研究论文 | 提出了一种名为ProtFun的多模态深度学习架构，用于预测蛋白质功能 | 结合蛋白质大型语言模型（LLM）嵌入和图注意力网络（GAT）来学习蛋白质嵌入，并与InterPro的蛋白质特征表示整合 | 未提及具体局限性 | 开发计算方法来自动预测蛋白质功能 | 蛋白质 | 机器学习 | NA | 蛋白质大型语言模型（LLM）、图注意力网络（GAT） | GAT | 蛋白质序列数据 | 三个基准数据集 | NA | NA | NA | NA |
| 9034 | 2025-06-15 |
Distinct actin microfilament localization during early cell plate formation through deep learning-based image restoration
2025-May-08, Plant cell reports
IF:5.3Q1
DOI:10.1007/s00299-025-03498-7
PMID:40335746
|
研究论文 | 通过基于深度学习的图像恢复技术，实现了高分辨率4D成像，揭示了Lifeact-RFP标记的肌动蛋白微丝在细胞板形成初期的独特定位及其作用 | 利用深度学习进行图像恢复，实现了最小光损伤的高分辨率4D成像，揭示了两种不同标记的肌动蛋白微丝在细胞板形成初期的不同定位模式 | 研究仅使用了转基因烟草BY-2细胞，可能不适用于其他植物细胞类型 | 探究肌动蛋白微丝在细胞板形成初期的定位和功能 | 转基因烟草BY-2细胞 | 计算机视觉 | NA | 深度学习图像恢复技术 | 深度学习 | 图像 | 转基因烟草BY-2细胞 | NA | NA | NA | NA |
| 9035 | 2025-06-15 |
Unsupervised Deep Learning for Blood-Brain Barrier Leakage Detection in Diffuse Glioma Using Dynamic Contrast-enhanced MRI
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.240507
PMID:40172325
|
研究论文 | 开发了一种无监督深度学习框架，用于在弥漫性胶质瘤中通过动态对比增强MRI检测血脑屏障泄漏，无需药代动力学模型和动脉输入函数估计 | 采用基于自动编码器的异常检测方法，通过重构残差识别一维体素级时间序列异常信号，并将其分为残余泄漏信号和残余血管信号 | 研究为回顾性研究，可能存在选择偏差 | 开发一种无需药代动力学模型和动脉输入函数估计的血脑屏障泄漏检测方法 | 弥漫性胶质瘤患者 | 数字病理学 | 胶质瘤 | 动态对比增强MRI | 自动编码器 | MRI图像 | 274名患者（平均年龄54.4岁±14.6，其中164名男性） | NA | NA | NA | NA |
| 9036 | 2025-05-29 |
Pixels to Prognosis: Using Deep Learning to Rethink Cardiac Risk Prediction from CT Angiography
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.250260
PMID:40434277
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9037 | 2025-06-15 |
Gene expression inference based on graph neural networks using L1000 data
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf273
PMID:40505083
|
研究论文 | 本研究探讨了基于图神经网络（GNN）的基因表达推断方法，使用L1000数据，展示了其在预测基因表达值和基于表达的基因排序上的优越性 | 首次将图神经网络应用于基因表达推断，相比传统线性回归和非线性非GNN模型，GNN模型在减少10倍信息需求的同时达到可比性能 | 未明确提及具体的数据集规模限制或模型在特定生物环境下的适用性限制 | 探索非线性模型，特别是基于图结构的模型，在基因表达推断中的有效性 | 基因表达数据 | 生物信息学 | NA | L1000 | GNN | 基因表达数据 | 超过一百万种不同条件下的基因表达数据 | NA | NA | NA | NA |
| 9038 | 2025-06-15 |
AI-Driven Advancements in Bioinformatics: Transforming Healthcare and Science
2025-May, Journal of pharmacy & bioallied sciences
DOI:10.4103/jpbs.jpbs_389_25
PMID:40511171
|
review | 本文回顾了AI在生物信息学中的关键应用及其对医疗实践和科学研究的潜在影响 | 探讨了AI在基因组和蛋白质结构预测、药物发现算法及诊断解决方案中的创新应用 | 存在数据质量、模型可解释性不明确及伦理问题等限制 | 评估AI在生物信息学中的基础方法及其在医疗和科学研究中的应用 | 基因组、蛋白质结构、药物发现算法和诊断解决方案 | 生物信息学 | NA | 机器学习、深度学习 | NA | 生物数据 | NA | NA | NA | NA | NA |
| 9039 | 2025-06-15 |
Post-Training Network Compression for 3D Medical Image Segmentation: Reducing Computational Efforts via Tucker Decomposition
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240353
PMID:39812583
|
研究论文 | 本研究探讨了通过Tucker分解减少基于3D CT的多器官分割模型TotalSegmentator的计算量 | 首次将Tucker分解应用于医学图像分割模型的压缩，显著减少了模型参数和计算量，同时保持分割精度 | 不同GPU架构上的实际加速效果存在差异，在性能较低的硬件上加速效果更明显 | 降低医学图像分割模型的计算需求 | TotalSegmentator模型（基于nnU-Net的117个解剖结构自动分割模型） | 数字病理 | NA | Tucker分解 | nnU-Net | 3D CT图像 | 1228个分割CT扫描（训练集）+89个CT扫描（测试集） | NA | NA | NA | NA |
| 9040 | 2025-06-15 |
Optimising deep learning models for ophthalmological disorder classification
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75867-3
PMID:39856068
|
研究论文 | 本文利用深度学习模型对眼科疾病进行分类，采用基于迁移学习的CNN方法 | 使用MobileNet模型结合Adam优化器，在眼科疾病分类中取得了89.64%的测试准确率 | 仅使用了ODIR数据库中的数据进行实验，可能在其他数据集上表现不同 | 优化深度学习模型以提高眼科疾病分类的准确性 | 眼科疾病（如高血压、青光眼、糖尿病视网膜病变） | 计算机视觉 | 眼科疾病 | fundus imaging | CNN, MobileNet | image | ODIR数据库中的眼底图像（患者左右眼） | NA | NA | NA | NA |