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 9041 - 9060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9041 | 2025-06-04 |
Deep learning based motion correction in ultrasound microvessel imaging approach improves thyroid nodule classification
2025-May-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02728-y
PMID:40447670
|
研究论文 | 提出一种基于深度学习的运动校正技术，用于改善超声定量高清微血管成像中的甲状腺结节分类 | 引入深度学习技术校正超声图像中的帧间运动伪影，提高甲状腺结节分类的准确性 | 研究未提及是否在其他类型运动伪影或更大规模数据集上验证方法的普适性 | 改善甲状腺结节的超声分类准确性 | 甲状腺结节 | 数字病理 | 甲状腺疾病 | 定量高清微血管成像(qHDMI) | 深度学习 | 超声图像 | 根据运动量分为低运动和高运动病例的数据集 | NA | NA | NA | NA |
| 9042 | 2025-06-04 |
Artificial Intelligence in the Diagnosis and Prognostication of the Musculoskeletal Patient
2025-May-28, HSS journal : the musculoskeletal journal of Hospital for Special Surgery
IF:1.6Q2
DOI:10.1177/15563316251339660
PMID:40454292
|
review | 本文探讨了人工智能在肌肉骨骼疾病诊断和预后中的应用 | 介绍了计算机视觉算法和患者特异性多模态预测模型，并提出了一个简单的框架来讨论AI模型开发的局限性 | 讨论了AI模型开发的局限性 | 探讨人工智能在肌肉骨骼疾病诊断和预后中的应用 | 肌肉骨骼疾病患者 | computer vision | musculoskeletal diseases | machine learning, deep learning | generative AI | multimodal data | NA | NA | NA | NA | NA |
| 9043 | 2025-05-29 |
Reply to Commentary on "Machine Learning, Deep Learning, Artificial Intelligence and Aesthetic Plastic Surgery: A Qualitative Systematic Review"
2025-May-27, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-025-04938-1
PMID:40425882
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9044 | 2025-10-06 |
Development of an Automated Tool for the Estimation of Histological Remission in Ulcerative Colitis Using Single-Wavelength Endoscopy Technology
2025-May-08, Journal of Crohn's & colitis
DOI:10.1093/ecco-jcc/jjae180
PMID:39602814
|
研究论文 | 开发基于单波长内窥镜技术的自动化工具，用于评估溃疡性结肠炎的组织学缓解 | 首次将单波长内窥镜技术与计算机辅助诊断系统结合，通过增强毛细血管可见性提高组织学缓解检测准确率 | 研究样本量相对有限（112名患者），且使用原型内窥镜系统可能限制临床推广 | 评估基于白光内窥镜和单波长内窥镜的计算机辅助诊断系统在溃疡性结肠炎组织学活动评估中的准确性 | 溃疡性结肠炎患者的内窥镜图像数据 | 数字病理 | 溃疡性结肠炎 | 单波长内窥镜技术，白光内窥镜 | 深度学习模型 | 内窥镜图像 | 112名患者的6926组对应白光内窥镜和单波长内窥镜图像帧 | NA | NA | 准确率，灵敏度，特异性 | NA |
| 9045 | 2025-10-06 |
Evolving biomaterials design from trial and error to intelligent innovation
2025-05-01, Acta biomaterialia
IF:9.4Q1
DOI:10.1016/j.actbio.2025.03.013
PMID:40081552
|
综述 | 系统回顾生物材料设计技术的发展历程，重点探讨人工智能与高通量筛选技术的融合及其未来潜力 | 提出从传统试错法到人工智能驱动的智能创新范式转变，系统阐述AI在生物材料设计中的变革性作用 | 作为综述文章，未涉及具体实验验证和原始数据 | 总结生物材料设计技术的演进过程并展望未来发展方向 | 生物材料设计方法和技术 | 材料科学 | NA | 高通量筛选(HTS), 机器学习(ML), 深度学习 | NA | 材料性能数据 | NA | NA | NA | NA | NA |
| 9046 | 2025-10-06 |
Anatomy-derived 3D Aortic Hemodynamics Using Fluid Physics-informed Deep Learning
2025-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.240714
PMID:40326877
|
研究论文 | 本研究开发了一种基于流体物理信息的循环生成对抗网络，能够直接从主动脉解剖结构预测三维血流动力学参数 | 首次将流体物理信息融入循环生成对抗网络，实现了仅从解剖结构快速预测主动脉血流动力学 | 研究为回顾性设计，需要进一步前瞻性验证 | 评估生成式AI方法在量化主动脉血流动力学中的可行性和准确性 | 主动脉血流动力学参数预测 | 医学影像分析 | 心血管疾病 | 4D flow MRI, 对比增强MR血管成像 | CycleGAN | 三维医学影像 | 1765名患者（1242例二叶式主动脉瓣，523例三叶式主动脉瓣），外加60名患者的外部测试集 | NA | 流体物理信息循环生成对抗网络（FPI-CycleGAN） | 偏差, 一致性界限, 相关系数, 相对差异, Cohen's kappa系数 | NA |
| 9047 | 2025-10-06 |
Quantitative dynamics of neural uncertainty in sensory processing and decision-making during discriminative learning
2025-May, Experimental & molecular medicine
DOI:10.1038/s12276-025-01456-7
PMID:40335633
|
研究论文 | 使用深度学习方法量化感觉皮层在辨别学习过程中神经活动的不确定性 | 首次引入transformer模型解码随时间不一致的神经数据，揭示fS1区域同时编码振动刺激和决策过程的不确定性 | 研究局限于初级体感皮层前肢区域，未扩展到其他脑区 | 量化神经活动中的不确定性表征及其在感觉处理和决策中的作用 | 初级体感皮层前肢区域(fS1)的神经活动 | 机器学习 | NA | 深度学习 | transformer | 神经活动数据 | NA | NA | transformer | NA | NA |
| 9048 | 2025-06-04 |
Pathomics in Gastrointestinal Tumors: Research Progress and Clinical Applications
2025-May, Cureus
DOI:10.7759/cureus.85060
PMID:40452669
|
综述 | 本文综述了病理组学在胃肠道肿瘤中的研究进展及其临床应用 | 介绍了病理组学作为一种新型工具，结合高分辨率数字切片扫描技术和深度学习算法，用于胃肠道肿瘤的精确诊断和治疗 | 当前面临的挑战包括技术应用的局限性和未来发展方向的不确定性 | 探讨病理组学在胃肠道肿瘤诊断和治疗中的应用 | 胃肠道肿瘤 | 数字病理学 | 胃肠道肿瘤 | 高分辨率数字切片扫描技术、机器学习和深度学习 | 深度学习算法 | 全切片图像 | NA | NA | NA | NA | NA |
| 9049 | 2025-10-06 |
Automatic determination of the resection plane for shoulder arthroplasty in arthritic humeri: a deep learning model
2025-Apr-22, Journal of shoulder and elbow surgery
IF:2.9Q1
DOI:10.1016/j.jse.2025.03.010
PMID:40274011
|
研究论文 | 开发了一种基于深度学习的自动确定关节炎肱骨肩关节置换术中切除平面的方法 | 首个针对关节炎肱骨自动识别切除平面的深度学习模型，解决了因骨赘和畸形导致解剖标志模糊的问题 | 研究样本量较小（62个3D模型），仅在有限数据集上验证 | 实现肩关节置换术中肱骨头切除平面的自动精确定位 | 关节炎和非关节炎肱骨的3D模型 | 医学影像分析 | 骨关节炎 | 计算机断层扫描 | 深度学习 | 3D模型 | 62个肱骨3D模型（80%训练，20%测试） | NA | NA | 质心平均欧几里得距离，法向量角度误差 | NA |
| 9050 | 2025-10-06 |
Fluorescence images of skin lesions and automated diagnosis using convolutional neural networks
2025-Apr, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2024.104462
PMID:39736369
|
研究论文 | 本研究通过构建荧光皮肤病变图像数据集FLUO-SC，并应用卷积神经网络实现皮肤病变的自动分类诊断 | 首次创建了皮肤病变荧光图像公开数据集FLUO-SC，并证明荧光图像在皮肤病变分类中与临床图像具有竞争力 | 数据集规模有限（1,563张图像），且缺乏与其他先进深度学习方法的对比实验 | 开发基于荧光图像的皮肤癌自动诊断方法 | 主要皮肤病变的荧光图像 | 计算机视觉 | 皮肤癌 | 荧光宽场成像技术 | CNN | 图像 | 1,563张荧光皮肤病变图像 | NA | NA | 分类准确率 | NA |
| 9051 | 2025-10-06 |
WALINET: A water and lipid identification convolutional neural network for nuisance signal removal in 1 H $$ {}^1\mathrm{H} $$ MR spectroscopic imaging
2025-Apr, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30402
PMID:39737778
|
研究论文 | 提出一种基于改进Y-NET的深度学习网络WALINET，用于去除全脑质子磁共振波谱成像中的水和脂质干扰信号 | 首次将监督神经网络应用于MRSI处理中的水和脂质信号去除任务，相比传统方法显著提升了处理速度和性能 | 未明确说明训练数据的具体规模和多样性，可能影响模型的泛化能力 | 开发快速有效的全脑质子磁共振波谱成像干扰信号去除方法 | 全脑质子磁共振波谱成像数据 | 医学影像处理 | NA | 质子磁共振波谱成像 | CNN | 磁共振波谱数据 | 模拟模型和体内全脑MRSI数据 | NA | Y-NET | NMRSE, SNR, CRLB, FWHM | NA |
| 9052 | 2025-10-06 |
Electrocardiogram-based deep learning to predict left ventricular systolic dysfunction in paediatric and adult congenital heart disease in the USA: a multicentre modelling study
2025-04, The Lancet. Digital health
DOI:10.1016/j.landig.2025.01.001
PMID:40148010
|
研究论文 | 开发基于心电图和深度学习的方法预测儿童和成人先天性心脏病患者的左心室收缩功能障碍 | 首次将人工智能增强心电图分析全面应用于各类先天性心脏病病变的LVSD预测，并在多中心进行外部验证 | 研究主要基于美国两家儿童医院的数据，需要在更广泛人群中进一步验证 | 预测先天性心脏病患者的左心室收缩功能障碍 | 儿童和成人先天性心脏病患者 | 医疗人工智能 | 先天性心脏病 | 心电图、超声心动图 | CNN | 心电图信号、超声心动图数据 | 训练队列124,265对ECG-超声心动图（49,158名患者），内部测试21,068名患者，外部验证42,984名患者 | NA | 卷积神经网络 | AUROC, AUPRC, 风险比 | NA |
| 9053 | 2025-10-06 |
Automated Bi-Ventricular Segmentation and Regional Cardiac Wall Motion Analysis for Rat Models of Pulmonary Hypertension
2025-Apr, Pulmonary circulation
IF:2.2Q3
DOI:10.1002/pul2.70092
PMID:40356847
|
研究论文 | 提出用于肺动脉高压大鼠模型的自动化双心室分割和区域心脏壁运动分析的深度学习流程 | 开发了首个针对啮齿类动物的自动化双心室分割和3D壁运动分析流程，与临床心脏成像AI发展保持一致 | 研究仅限于大鼠模型，样本量为163个心脏磁共振扫描 | 开发自动化工具用于肺动脉高压疾病进展的心脏运动分析 | 肺动脉高压大鼠模型（MCT和SuHx模型） | 数字病理学 | 肺动脉高压 | 心脏磁共振成像 | 全卷积网络 | 短轴电影心脏磁共振扫描图像 | 163个心脏磁共振扫描 | NA | 全卷积网络 | Dice系数 | NA |
| 9054 | 2025-10-06 |
Global output of clinical application research on artificial intelligence in the past decade: a scientometric study and science mapping
2025-03-15, Systematic reviews
IF:6.3Q1
DOI:10.1186/s13643-025-02779-2
PMID:40089747
|
研究论文 | 通过科学计量学方法分析过去十年人工智能临床应用研究的现状、热点和发展趋势 | 首次对人工智能临床研究领域进行全面的科学计量分析，识别研究热点和新兴趋势 | 仅基于Web of Science数据库，可能遗漏其他数据库的重要文献 | 分析人工智能临床应用研究的现状、热点和发展趋势 | 人工智能临床应用相关的研究文献 | 机器学习 | NA | 科学计量分析，文献计量学 | NA | 文献数据 | 22,583篇文章，其中735篇人工智能临床应用研究 | VOSviewer, CiteSpace, SciMAT | NA | 发文量，被引频次，爆发词检测 | NA |
| 9055 | 2025-10-06 |
A systematic review on the impact of artificial intelligence on electrocardiograms in cardiology
2025-Mar, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2024.105753
PMID:39674006
|
系统综述 | 本文系统综述了人工智能在心电图分析中对心脏病学的影响 | 首次系统评估2014-2024年间AI技术在ECG分析中的应用进展，涵盖多种AI模型在心脏病预测诊断中的综合表现 | 仅纳入英文文献，可能存在语言偏倚；研究时间范围限定可能遗漏早期重要研究 | 探讨人工智能、机器学习和深度学习在ECG分析中的整合及其对心脏病预测诊断和治疗支持的影响 | 心电图数据和相关心脏病患者 | 机器学习 | 心血管疾病 | 心电图分析 | CNN, RNN, 混合模型 | 心电图信号 | 46项符合纳入标准的研究 | NA | NA | 诊断准确率, 诊断时间 | NA |
| 9056 | 2025-10-06 |
Deep learning-based pelvimetry in pelvic MRI volumes for pre-operative difficulty assessment of total mesorectal excision
2025-03, Surgical endoscopy
DOI:10.1007/s00464-024-11485-4
PMID:39753930
|
研究论文 | 本研究开发了一种基于深度学习的自动化骨盆测量方法，用于术前评估全直肠系膜切除术的难度 | 首次在MRI体积数据中实现基于深度学习的自动化骨盆测量 | 仅使用来自8个TME中心的1707名患者数据，需要进一步验证其泛化能力 | 开发自动化骨盆测量工作流程，辅助全直肠系膜切除术的术前难度评估 | 接受全直肠系膜切除术患者的术前MRI体积数据 | 医学影像分析 | 结直肠癌 | 磁共振成像 | CNN | 3D MRI体积数据 | 来自8个TME中心的1707名患者 | NA | 3D U-Net | 平均地标定位误差, Spearman相关系数 | NA |
| 9057 | 2025-10-06 |
DDEvENet: Evidence-based ensemble learning for uncertainty-aware brain parcellation using diffusion MRI
2025-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 开发了一种基于深度学习和扩散MRI的证据集成神经网络DDEvENet，用于解剖脑区划分 | 设计了证据深度学习框架，在单次推理中量化每个体素的预测不确定性，并提出了基于证据的集成学习方法 | NA | 开发不确定性感知的脑区划分方法，提高分割结果的准确性和可靠性 | 健康成人和多种脑部疾病患者（精神分裂症、双相情感障碍、注意力缺陷多动障碍、帕金森病、脑小血管病和脑肿瘤神经外科患者） | 医学影像分析 | 脑部疾病 | 扩散MRI | 集成神经网络 | 扩散MRI图像 | 来自多个成像源的大规模数据集，包括健康成人和多种脑部疾病患者 | 深度学习框架 | 包含五个并行子网络的集成架构 | 分割准确性，不确定性估计 | NA |
| 9058 | 2025-10-06 |
An in-depth review of AI-powered advancements in cancer drug discovery
2025-03, Biochimica et biophysica acta. Molecular basis of disease
DOI:10.1016/j.bbadis.2025.167680
PMID:39837431
|
综述 | 探讨人工智能与基因组学在癌症药物发现中的融合及其对个性化治疗发展的推动作用 | 系统阐述AI技术（包括深度学习和高级数据分析）在药物发现关键阶段（靶点识别、药物设计、临床试验优化和药物反应预测）的变革性作用，并重点介绍DrugnomeAI、PandaOmics和AlphaFold等前沿工具的创新应用 | 面临大规模基因组数据管理的技术挑战以及AI在医疗领域应用的伦理问题 | 加速癌症药物发现过程并推动精准医疗发展 | 人工智能技术在癌症药物研发中的应用 | 机器学习 | 癌症 | 基因组学数据分析 | 深度学习 | 基因组数据 | NA | NA | NA | NA | NA |
| 9059 | 2025-10-06 |
NetSDR: Drug repurposing for cancers based on subtype-specific network modularization and perturbation analysis
2025-03, Biochimica et biophysica acta. Molecular basis of disease
DOI:10.1016/j.bbadis.2025.167688
PMID:39862994
|
研究论文 | 提出基于网络模块化和扰动分析的癌症亚型特异性药物重定位框架NetSDR | 整合癌症亚型信息识别亚型特异性功能模块，结合深度学习构建加权药物响应网络，并采用动态扰动响应扫描方法进行药物优先排序 | 仅以胃癌为例进行验证，需要扩展到更多癌症类型和更大规模数据 | 开发针对特定癌症亚型的精准药物重定位方法 | 癌症亚型特异性功能模块和潜在药物靶点 | 系统生物学 | 癌症 | 网络医学方法，蛋白质组学数据分析，深度学习 | 深度学习模型 | 蛋白质组学数据，网络数据 | NA | NA | NA | NA | NA |
| 9060 | 2025-10-06 |
Deep learning model for identifying acute heart failure patients using electrocardiography in the emergency room
2025-Feb-20, European heart journal. Acute cardiovascular care
DOI:10.1093/ehjacc/zuaf001
PMID:39787045
|
研究论文 | 开发并评估一种利用心电图数据识别急诊室急性心力衰竭患者的深度学习模型 | 首次将常规12导联心电图与临床数据结合，使用CatBoost算法显著提升急性心力衰竭的识别准确率 | 回顾性研究设计，数据来源于三家医院可能限制泛化能力 | 提升急诊室中急性心力衰竭的诊断能力 | 急诊室就诊的急性心力衰竭患者 | 机器学习 | 心血管疾病 | 心电图分析 | CatBoost, XGBoost, Light GBM, 线性回归 | 心电图数据、临床参数 | 19285名急诊患者，其中9119名确诊急性心力衰竭患者 | CatBoost, XGBoost, Light GBM | 梯度提升决策树 | AUC, 准确率, 精确率, 召回率, F1分数 | NA |