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 9121 - 9140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9121 | 2025-10-06 |
Accelerated High-resolution T1- and T2-weighted Breast MRI with Deep Learning Super-resolution Reconstruction
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.055
PMID:39794159
|
研究论文 | 评估深度学习算法在加速高分辨率T1加权和T2加权乳腺MRI中的性能表现 | 使用两种卷积网络（Adaptive-CS-Net和Precise-Image-Net）对低分辨率图像进行去噪和分辨率提升，显著缩短采集时间 | 样本量相对较小（47例患者），仅在1.5 Tesla MRI设备上验证 | 评估深度学习超分辨率重建在乳腺MRI中的临床应用价值 | 需要进行乳腺MRI检查的女性患者 | 医学影像分析 | 乳腺疾病 | MRI成像，深度学习超分辨率重建 | CNN | 医学影像 | 47例女性患者（平均年龄58±11岁） | NA | Adaptive-CS-Net, Precise-Image-Net | 图像质量评分（5点Likert量表），表观信噪比，表观对比噪声比，Cohen kappa一致性 | NA |
| 9122 | 2025-10-06 |
AI image analysis as the basis for risk-stratified screening
2025-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01734-4
PMID:39794661
|
综述 | 本文综述了人工智能在乳腺癌筛查中风险预测模型的研究进展与应用挑战 | 系统整合了从传统影像生物标志物到前沿深度学习方法及多模态方法在乳腺癌风险预测中的发展 | AI风险模型目前主要处于研究阶段，尚未在临床实践中广泛采用 | 优化人工智能工具在乳腺癌筛查中的应用，改善不同人群的公平性和筛查结果 | 乳腺癌筛查中的风险预测模型 | 计算机视觉 | 乳腺癌 | NA | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 9123 | 2025-10-06 |
Integration of Deep Learning and Sub-regional Radiomics Improves the Prediction of Pathological Complete Response to Neoadjuvant Chemoradiotherapy in Locally Advanced Rectal Cancer Patients
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.049
PMID:39809603
|
研究论文 | 本研究开发了一种结合深度学习和亚区域影像组学的SRADL模型，用于预测局部晚期直肠癌患者新辅助放化疗后的病理完全缓解 | 首次将深度学习与肿瘤亚区域影像组学特征相结合，通过K-means分割肿瘤亚区域并整合多源特征 | 回顾性研究设计，样本仅来自三家医院 | 预测局部晚期直肠癌患者对新辅助放化疗的病理完全缓解 | 局部晚期直肠癌患者 | 医学影像分析 | 直肠癌 | MRI成像，影像组学分析 | 深度学习，机器学习 | MRI图像（T2加权） | 768名来自三家医院的参与者 | Pyradiomics，PyTorch（基于ResNet50推断） | 3D ResNet50 | AUC，决策曲线分析，Kaplan-Meier生存分析 | NA |
| 9124 | 2025-06-03 |
Deep Learning-Enhanced Ultra-high-resolution CT Imaging for Superior Temporal Bone Visualization
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.002
PMID:40000329
|
research paper | 本研究评估了使用混合迭代重建（HIR）和新型深度学习重建算法（DLR）AiCE Inner Ear在成人和儿童颞骨超高分辨率CT（UHR-CT）扫描中的图像质量 | 引入了新型深度学习重建算法（DLR）AiCE Inner Ear，显著提升了颞骨超高分辨率CT扫描的图像质量和诊断性能 | 研究为单中心回顾性研究，样本量较小（57例颞骨，35例患者），且仅评估了一种厂商特定的DLR算法 | 评估深度学习重建算法在颞骨超高分辨率CT扫描中的图像质量提升效果 | 成人和儿童的颞骨超高分辨率CT扫描图像 | digital pathology | NA | UHR-CT, HIR, DLR (AiCE Inner Ear) | deep learning-based reconstruction algorithm | CT图像 | 57例颞骨（来自35例患者，包括5名儿童和23名男性） | NA | NA | NA | NA |
| 9125 | 2025-06-03 |
Deep Learning-Assisted Diagnosis of Malignant Cerebral Edema Following Endovascular Thrombectomy
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.02.021
PMID:40023742
|
research paper | 本研究开发并验证了一种基于深度学习辅助的诊断模型，用于预测接受血管内血栓切除术（EVT）后恶性脑水肿（MCE）的发生 | 结合高衰减成像标志物（HIM）和深度学习模型（如ResNeXt101_32×8d）提高MCE预测的准确性 | 样本量相对较小，仅包含271名患者，且仅在内部测试队列中验证 | 开发并验证一种深度学习辅助的诊断模型，以帮助放射科医生预测EVT后的MCE | 接受EVT治疗的急性缺血性卒中患者 | digital pathology | cardiovascular disease | 非对比头部CT成像 | ResNet 50, ResNet 101, ResNeXt50_32×4d, ResNeXt101_32×8d, DenseNet 121 | image | 271名患者（168名训练组，43名验证组，60名前瞻性内部测试组） | NA | NA | NA | NA |
| 9126 | 2025-06-03 |
Prediction of Lymph Node Metastasis in Lung Cancer Using Deep Learning of Endobronchial Ultrasound Images With Size on CT and PET-CT Findings
2025-Jun, Respirology (Carlton, Vic.)
DOI:10.1111/resp.70010
PMID:40033122
|
研究论文 | 本研究评估了深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力，并强调了整合ROI、CT上的淋巴结大小和PET-CT结果的价值 | 首次将ROI、CT上的淋巴结大小和PET-CT结果整合到深度学习模型中，显著提高了诊断能力 | 研究仅基于回顾性数据，未进行前瞻性验证 | 评估深度学习在EBUS图像上检测肺癌纵隔淋巴结转移的诊断能力 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | 数字病理学 | 肺癌 | EBUS-TBNA, CT, PET-CT | ResNet18 | 图像 | 1454名肺癌患者的2055个纵隔淋巴结站的2901张EBUS图像 | NA | NA | NA | NA |
| 9127 | 2025-06-03 |
Using deep-learning based segmentation to enable spatial evaluation of knee osteoarthritis (SEKO) in rodent models
2025-Jun, Osteoarthritis and cartilage
IF:7.2Q1
DOI:10.1016/j.joca.2025.02.787
PMID:40139644
|
research paper | 该研究介绍了一种基于深度学习的组织学分析流程SEKO，用于定量和可视化啮齿动物膝关节内侧区域的关节重塑 | 开发了一个结合分割和可视化工具的深度学习流程SEKO，用于空间评估膝关节骨关节炎，并作为开源工具提供给研究社区 | 仅针对啮齿动物模型进行研究，尚未在人类样本中验证 | 开发一种客观比较骨关节炎进展和治疗干预效果的方法 | 啮齿动物膝关节 | digital pathology | osteoarthritis | histological analysis | U-NET, HRNet | image | NA | NA | NA | NA | NA |
| 9128 | 2025-04-03 |
Integrating Deep Learning in Breast MRI: Technical Advances and Clinical Promise
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.047
PMID:40169328
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9129 | 2025-06-03 |
Generating Synthetic T2*-Weighted Gradient Echo Images of the Knee with an Open-source Deep Learning Model
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.015
PMID:40175204
|
research paper | 开发一个开源深度学习模型，用于生成膝关节的合成T2*加权梯度回波图像 | 使用cycleGAN模型从脂肪抑制中间加权图像生成合成T2*W图像，提供开源代码和独立可执行文件 | 识别出四种伪影类型，包括几何畸变、物体插入/遗漏、环绕样伪影和不完全脂肪抑制伪影，但对诊断影响较小 | 开发一个能够生成高质量合成T2*W图像的深度学习模型，以补充常规膝关节MRI协议 | 膝关节MRI图像 | digital pathology | NA | MRI | cycleGAN | image | 训练集12,118张矢状位膝关节MR图像，测试集2,996张图像 | NA | NA | NA | NA |
| 9130 | 2025-06-03 |
Expanded AI learning: AI as a Tool for Human Learning
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.040
PMID:40210520
|
研究论文 | 探讨深度学习模型作为教学工具提升放射科医生在影像任务中的表现 | 首次提出将AI衍生的数据作为教学工具，以提升放射科医生在无AI辅助时的影像任务准确性 | 样本量较小，仅涉及三名放射科医生和有限数量的膝关节X光片 | 验证深度学习模型能否作为教学工具提升放射科医生的影像分类能力 | 放射科医生和膝关节X光片 | 数字病理 | NA | 深度学习 | DL | 图像 | 三名放射科医生和100张膝关节X光片（50张用于初始测试，50张用于后续测试） | NA | NA | NA | NA |
| 9131 | 2025-06-03 |
Strategies to Improve the Robustness and Generalizability of Deep Learning Segmentation and Classification in Neuroimaging
2025-Jun, BioMedInformatics
DOI:10.3390/biomedinformatics5020020
PMID:40271381
|
review | 本文回顾并总结了提高深度学习模型在神经影像分割和分类中鲁棒性和泛化能力的策略 | 识别并总结了包括正则化、数据增强、迁移学习和不确定性估计在内的关键策略，以应对数据变异性和领域转移等主要挑战 | 仅包括英文同行评审的脑成像研究，可能忽略了其他语言或非脑成像的相关研究 | 提高深度学习模型在神经影像分割和分类中的鲁棒性和泛化能力，以增强其在实际临床实践中的可靠性 | 神经影像数据 | machine learning | NA | 深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 9132 | 2025-10-06 |
Comparison of time-series models for predicting physiological metrics under sedation
2025-Jun, Journal of clinical monitoring and computing
IF:2.0Q2
DOI:10.1007/s10877-024-01237-z
PMID:39470955
|
研究论文 | 本研究系统比较了多种时间序列模型在预测镇静状态下生理指标方面的性能 | 首次在真实手术数据集上全面比较传统统计模型、药代动力学-药效学模型与现代深度学习模型在BIS预测中的表现 | 研究仅基于两个手术数据集，样本多样性可能有限 | 评估和比较不同时间序列模型在生理指标预测中的性能 | 镇静状态下的脑电双频指数(BIS) | 机器学习 | NA | 生理指标监测 | ARIMA, VAR, LSTM, GRU, TCN, Transformer | 时间序列生理数据 | 来自真实手术的两个生理指标数据集 | NA | LSTM, GRU, TCN, Transformer | 预测准确率 | NA |
| 9133 | 2025-10-06 |
Evaluation of a Deep Learning Denoising Algorithm for Dose Reduction in Whole-Body Photon-Counting CT Imaging: A Cadaveric Study
2025-Jun, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.052
PMID:39818525
|
研究论文 | 评估深度学习降噪算法在全身光子计数CT成像中降低辐射剂量的有效性 | 首次在真实人体尸体扫描中评估深度学习降噪算法对光子计数CT低剂量成像的质量保持效果 | 研究样本为尸体，缺乏活体组织的动态特性；样本量相对有限（24具尸体） | 评估深度学习降噪算法在降低PCCT辐射剂量时保持诊断图像质量的能力 | 24具人类尸体 | 医学影像 | NA | 光子计数CT成像 | 深度学习 | CT图像 | 24具人类尸体，在4个不同剂量水平下扫描，产生192个数据集 | NA | ClariCT.AI | CT值稳定性、图像噪声、对比噪声比、主观图像清晰度、锐度和对比度评估 | NA |
| 9134 | 2025-06-03 |
EEG-ConvoBLSTM: A novel hybrid model for efficient EEG signal classification
2025-Jun-01, The Review of scientific instruments
DOI:10.1063/5.0258358
PMID:40454762
|
研究论文 | 提出一种新型混合模型EEG-ConvoBLSTM，用于高效分类EEG信号以进行情感识别 | 结合卷积层和双向LSTM网络，实现对EEG信号时空特征的全面建模及长时依赖信息捕获 | 未明确说明模型在更大规模或多样化数据集上的泛化能力 | 提升基于EEG信号的情感识别准确率及跨被试泛化能力 | EEG信号的情感识别 | 机器学习 | NA | 深度学习 | CNN与BLSTM混合模型 | EEG信号 | 使用SEED数据集（具体样本量未说明） | NA | NA | NA | NA |
| 9135 | 2025-06-03 |
Physics-driven deep learning methods and numerically intractable "bad" Jaulent-Miodek equation
2025-Jun-01, Chaos (Woodbury, N.Y.)
DOI:10.1063/5.0264041
PMID:40455205
|
research paper | 该论文提出了一种结合PINN和PECANN的两阶段深度学习方法，用于解决'bad' Jaulent-Miodek (JM)方程的非线性波演化问题 | 将PINN和PECANN两种物理驱动的深度学习方法结合成一个两阶段神经网络，提高了计算效率并正确求解了'bad' JM方程 | NA | 解决具有不良性质的'bad' JM方程的非线性波演化问题 | 'bad' JM方程的非线性波演化 | machine learning | NA | Physics-Informed Neural Networks (PINN), Physics and Equality-Constrained Artificial Neural Networks (PECANN) | PINN+PECANN neural network | numerical data | NA | NA | NA | NA | NA |
| 9136 | 2025-10-06 |
Application of Deep Neural Networks in the Manufacturing Process of Mesenchymal Stem Cells Therapeutics
2025-May-30, International journal of stem cells
IF:2.5Q3
DOI:10.15283/ijsc24070
PMID:39322430
|
研究论文 | 本研究应用深度神经网络分析间充质干细胞图像，以监测细胞融合度和状态 | 首次基于深度学习方法分析细胞图像，直接影响干细胞治疗产品的产量和质量参数 | 异常细胞检测仅限于单层培养图像，多层培养仅在单层培养无异常细胞时进行 | 开发自动化的细胞治疗制造过程监控方法 | 间充质干细胞 | 计算机视觉 | NA | 细胞培养成像 | 深度神经网络 | 图像 | 多种培养容器中培养的间充质干细胞图像 | NA | NA | 准确率 | NA |
| 9137 | 2025-06-03 |
Bayesian deep-learning structured illumination microscopy enables reliable super-resolution imaging with uncertainty quantification
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60093-w
PMID:40447610
|
research paper | 本文提出了一种基于贝叶斯深度学习的结构光照明显微镜（BayesDL-SIM）方法，用于实现高保真超分辨率成像并量化不确定性 | 开发了BayesDL-SIM方法，首次在SIM中引入贝叶斯深度学习框架，实现了超分辨率不确定性的量化，并提升了密集标记结构的重建质量 | 未明确说明该方法在计算资源需求或处理速度方面的局限性 | 提高结构光照明显微镜（SIM）成像的可靠性和透明度，实现超分辨率不确定性的量化 | 生物过程的超分辨率成像，特别是活细胞成像 | computational microscopy | NA | structured illumination microscopy (SIM), Bayesian deep learning | Bayesian deep learning | microscopy images | NA（涉及活细胞成像实验，但未明确样本数量） | NA | NA | NA | NA |
| 9138 | 2025-06-03 |
Pixel super-resolved virtual staining of label-free tissue using diffusion models
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60387-z
PMID:40447613
|
研究论文 | 本文提出了一种基于扩散模型的像素超分辨率虚拟染色方法，用于将无标记组织显微镜图像转换为等效的组织化学染色样本 | 利用布朗桥过程增强空间分辨率和保真度，显著降低生成图像的方差，提高稳定性和准确性 | NA | 提高无标记组织虚拟染色的分辨率和图像质量，增强临床诊断的可靠性 | 无标记人类肺组织样本的自动荧光图像 | 数字病理学 | 肺癌 | 扩散模型 | 扩散模型 | 图像 | NA | NA | NA | NA | NA |
| 9139 | 2025-06-03 |
DeepDTAGen: a multitask deep learning framework for drug-target affinity prediction and target-aware drugs generation
2025-May-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59917-6
PMID:40447614
|
研究论文 | 本文提出了一种多任务深度学习框架DeepDTAGen，用于预测药物-靶标亲和力并生成靶标感知的新药物 | 开发了一个多任务学习框架，能够同时预测药物-靶标结合亲和力并生成新的靶标感知药物变体，解决了现有方法单任务设计的局限性 | 未提及具体的数据集规模限制或模型泛化能力的局限性 | 加速药物发现和开发过程，提高药物-靶标相互作用预测和新药生成的效率 | 药物分子和靶标蛋白质 | 机器学习 | NA | 深度学习 | 多任务深度学习框架 | 药物分子和蛋白质的结构数据 | 三个真实世界的数据集 | NA | NA | NA | NA |
| 9140 | 2025-06-03 |
Automated diagnosis for extraction difficulty of maxillary and mandibular third molars and post-extraction complications using deep learning
2025-May-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00236-7
PMID:40447616
|
研究论文 | 本研究提出了一种基于深度学习的方法，用于自动预测上下颌第三磨牙的拔牙难度及拔牙后并发症 | 首次提出一种同时预测拔牙难度和并发症（如上颌窦穿孔和下牙槽神经损伤）的自动化诊断方法 | NA | 开发一种自动化诊断方法，以辅助临床医生在手术前预测第三磨牙的拔牙难度和可能的并发症 | 上下颌第三磨牙（M3） | 数字病理学 | 口腔疾病 | 深度学习 | 语义分割和分类模型 | 图像（正颌全景片，OPGs） | 4,903张由专家标注的正颌全景片 | NA | NA | NA | NA |