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 37356 篇文献，本页显示第 9141 - 9160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9141 | 2025-10-06 |
Evaluation method for driver comfort under multi axis coherent vibration of seats
2025-Sep-03, Ergonomics
IF:2.0Q3
DOI:10.1080/00140139.2025.2553136
PMID:40901779
|
研究论文 | 本研究使用深度学习方法评估座椅多轴相干振动对驾驶员舒适度的影响 | 提出了一种融合多模态相干特征的深度学习模型来定量评估驾驶员舒适度 | NA | 开发驾驶员舒适度评估方法 | 驾驶员座椅的多轴振动信号 | 机器学习 | NA | 道路测试、振动信号采集 | 深度学习 | 振动信号、主观评价数据 | NA | NA | NA | NA | NA |
| 9142 | 2025-10-06 |
Virtual Staging of Indoor Panoramic Images via Multi-task Learning and Inverse Rendering
2025-Sep-03, IEEE computer graphics and applications
IF:1.7Q3
DOI:10.1109/MCG.2025.3605806
PMID:40902042
|
研究论文 | 提出VISPI框架，通过多任务学习和逆向渲染实现单张全景图像的室内虚拟场景布置 | 结合多任务深度学习和实时渲染技术，从杂乱场景中同时提取几何、语义和材质信息，实现交互式场景重布置 | NA | 解决室内全景图像虚拟场景布置中移除现有家具和插入新物体的挑战 | 室内全景图像和虚拟场景布置 | 计算机视觉 | NA | 多任务深度学习，逆向渲染 | Vision Transformer | 全景图像 | Structured3D和FutureHouse数据集 | NA | Vision Transformer | NA | NA |
| 9143 | 2025-10-06 |
CINeMA: Conditional Implicit Neural Multi-Modal Atlas for a Spatio-Temporal Representation of the Perinatal Brain
2025-Sep-03, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3605194
PMID:40902057
|
研究论文 | 提出一种用于围产期大脑时空表示的条件隐式神经多模态图谱框架CINeMA | 在潜在空间操作，避免计算密集型图像配准，将图谱构建时间从数天缩短至数分钟，支持基于孕周、出生年龄和病理特征的灵活条件生成 | 在病理数据稀缺场景下开发，但未明确说明训练数据的具体规模限制 | 开发适用于低数据设置的高分辨率时空多模态大脑图谱构建方法 | 胎儿和新生儿大脑 | 医学影像分析 | 脑部发育异常 | 磁共振成像 | 隐式神经表示 | 医学影像 | NA | PyTorch | 条件隐式神经表示 | 准确性, 效率, 多功能性 | NA |
| 9144 | 2025-10-06 |
Stroke-Aware CycleGAN: Improving Low-Field MRI Image Quality for Accurate Stroke Assessment
2025-Sep-03, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3605566
PMID:40902054
|
研究论文 | 提出一种基于3D深度学习的Stroke-Aware CycleGAN模型，用于提升低场便携MRI图像质量以改善常规卒中评估 | 在传统CycleGAN基础上引入卒中病灶先验知识，通过空间特征变换机制和梯度差异损失解决合成图像过度平滑问题 | NA | 提升低场便携MRI图像质量，改善卒中诊断准确性和病灶量化 | 卒中患者的低场和高场扩散加权成像(DWI)图像 | 医学影像处理 | 卒中 | 扩散加权成像(DWI) | GAN, CycleGAN | 3D医学影像 | 101对高场和低场DWI图像（同一患者短时间内双扫描） | NA | CycleGAN, SA-CycleGAN | 相关系数(R), 平均绝对差异(mL) | NA |
| 9145 | 2025-10-06 |
One scan, many stories: deep learning for signal separation in multi-tracer PET imaging
2025-Sep-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae02db
PMID:40902629
|
研究论文 | 本文开发了一种用于多示踪剂PET成像中信号分离的深度学习方法 | 使用单一扫描即可实现多示踪剂PET成像中的信号分离 | NA | 开发多示踪剂PET成像中的信号分离技术 | 多示踪剂PET成像数据 | 医学影像分析 | NA | PET成像 | 深度学习 | PET影像 | NA | NA | NA | NA | NA |
| 9146 | 2025-10-06 |
Colorectal mucosal exposure area assessment based on artificial intelligence: a multi-center, prospective, observational study
2025-Sep-03, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2695-1832
PMID:40902624
|
研究论文 | 本研究提出基于深度学习的结直肠黏膜暴露面积评估系统，并通过多中心前瞻性观察研究验证其作为结肠镜检查质量指标的可行性 | 首次提出累积结直肠黏膜暴露面积作为结肠镜检查质量控制新指标，并开发基于深度学习的人工智能评估系统 | 研究样本量相对有限，需要更大规模研究进一步验证 | 开发并验证基于人工智能的结肠镜检查质量评估系统 | 接受结肠镜检查的患者 | 计算机视觉 | 结直肠癌 | 结肠镜检查 | CNN | 医学图像 | 510名参与者（合格组270人，不合格组240人） | NA | ResNet50, UNet++ | 腺瘤检出率, 息肉检出率, 调整后比值比, 发病率比 | NA |
| 9147 | 2025-09-05 |
Correction: Deep learning based classification of tibio-femoral knee osteoarthritis from lateral view knee joint X-ray images
2025-Sep-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17772-x
PMID:40903478
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9148 | 2025-10-06 |
Accurately Predicting Cell Type Abundance from Spatial Histology Image Through HPCell
2025-Sep-03, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00757-9
PMID:40903657
|
研究论文 | 提出HPCell深度学习框架，直接从H&E染色组织学图像预测细胞类型丰度 | 首个直接从组织学图像估计细胞类型丰度的框架，结合病理基础模块、超图模块和Transformer模块的多模态架构 | 未明确说明模型在跨机构数据上的泛化能力及计算效率的具体指标 | 开发从组织学图像预测细胞类型丰度的低成本方法 | 空间转录组学数据和组织学图像中的细胞类型 | 数字病理学 | NA | 空间转录组学，H&E染色 | 深度学习，Transformer | 组织学图像，全切片图像 | 多个空间转录组学数据集（未指定具体数量） | NA | Transformer，超图神经网络 | NA | NA |
| 9149 | 2025-10-06 |
MRI-based deep learning radiomics in predicting histological differentiation of oropharyngeal cancer: a multicenter cohort study
2025-Sep-03, Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico
IF:2.8Q2
DOI:10.1007/s12094-025-04042-5
PMID:40903693
|
研究论文 | 本研究开发并验证了一种基于MRI的深度学习放射组学框架，用于预测口咽癌的组织学分化等级 | 首次将放射组学特征与深度学习特征相结合构建DLR模型，并在多中心队列中验证其对口咽癌组织学分级的预测能力 | 回顾性研究设计，样本量相对有限（122例患者），需要更大规模的前瞻性研究验证 | 预测口咽癌的组织学分化等级 | 口咽癌患者 | 数字病理 | 口咽癌 | 磁共振成像（MRI） | 深度学习 | 医学影像 | 122例口咽癌患者（训练集85例，测试集37例）来自中国三家医疗机构 | NA | 深度学习放射组学（DLR）模型 | AUC（曲线下面积）, DCA（决策曲线分析） | NA |
| 9150 | 2025-10-06 |
Precise Identification of Gastric Cancer Pathological Differentiation Based on Hyperspectral Imaging and Lightweight Deep Learning Models
2025-Sep-03, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.202500242
PMID:40903818
|
研究论文 | 本研究提出一种结合高光谱成像和轻量级深度学习模型的胃癌病理分化精准识别方法 | 提出改进深度残差网络(IDRN)结合高光谱成像技术，通过光谱预处理、降维和注意力机制增强特征提取能力 | NA | 实现胃癌组织分化的精准识别，为预后和治疗决策提供支持 | 胃癌组织样本 | 计算机视觉 | 胃癌 | 高光谱成像 | CNN | 高光谱图像 | NA | NA | 改进深度残差网络(IDRN), ResNet50, ViT | NA | NA |
| 9151 | 2025-10-06 |
Implementation of convolutional neural networks for microbial colony recognition
2025-Sep-02, Microbiology spectrum
IF:3.7Q2
DOI:10.1128/spectrum.02885-24
PMID:40700097
|
研究论文 | 本研究应用深度学习技术实现微生物菌落的自动识别分类 | 首次将八种不同卷积神经网络应用于微生物菌落识别任务，并比较其性能表现 | 数据集仅包含五个类别，每类1000张图像，样本多样性可能有限 | 开发辅助微生物学家进行临床分类的决策工具 | 临床分离的微生物菌落 | 计算机视觉 | 微生物感染 | 深度学习 | CNN | 图像 | 5个类别，每类1000张图像，总计5000张48×48像素的微生物菌落图像 | NA | AlexNet, GoogLeNet, MobileNet, ShuffleNet | 准确率, 精确率, 召回率, F1分数 | NA |
| 9152 | 2025-10-06 |
Deep computer vision with artificial intelligence based sign language recognition to assist hearing and speech-impaired individuals
2025-Sep-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-09106-8
PMID:40890185
|
研究论文 | 提出一种基于哈里斯鹰优化的深度学习模型，用于手语识别以帮助听力和语言障碍人士 | 结合哈里斯鹰优化算法与Bi-LSTM模型进行超参数优化，提高手语分类性能 | NA | 开发自动手语识别系统以帮助听力和语言障碍人士进行交流 | 手语图像数据 | 计算机视觉 | 听力障碍 | 深度学习 | CNN, Bi-LSTM | 图像 | NA | NA | ResNet-152, Bi-LSTM | 准确率 | NA |
| 9153 | 2025-10-06 |
Diabetic retinopathy screening using machine learning: a systematic review
2025-Sep-02, BMC biomedical engineering
DOI:10.1186/s42490-025-00098-0
PMID:40890865
|
系统综述 | 本文系统综述了机器学习在糖尿病视网膜病变筛查中的应用研究现状 | 系统性地识别和分析了视网膜眼底图像数据集，总结了常用的预处理技术，并分析了机器学习技术在DR筛查中的进展 | 缺乏标准化质量的视网膜数据集，深度学习模型复杂且需要高计算资源 | 分析和评估机器学习技术在糖尿病视网膜病变筛查中的集成应用 | 糖尿病视网膜病变筛查相关的研究文献和技术方法 | 医学影像分析 | 糖尿病视网膜病变 | 机器学习，深度学习 | NA | 视网膜眼底图像 | NA | NA | NA | NA | 高计算资源需求 |
| 9154 | 2025-10-06 |
Deep learning-based morphological analysis of human sperm
2025-Sep-02, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03418-7
PMID:40897949
|
研究论文 | 提出基于深度学习的精子头部形态分析方法，通过联合学习模型实现精子头部分割和形态分类 | 开发多任务联合学习模型，结合精子头部分割和形态分类，利用多帧多角度时序图像克服传统2D图像局限性 | NA | 通过精子头部形态分析预测男性精液质量 | 人类精子 | 计算机视觉 | 生殖健康 | 深度学习 | 多任务学习模型 | 多帧多角度时序图像 | NA | NA | NA | NA | 最小计算需求，可利用现有胚胎学实验室设备 |
| 9155 | 2025-10-06 |
Promoting Li Transfer and Storage in Si Anode Through Dynamically Precise Modulation of Constructed Carbon Coating
2025-Sep-02, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202505151
PMID:40898652
|
研究论文 | 通过动态精确调控构建的碳涂层来促进硅负极中锂的传输和存储 | 设计了三种不同微观结构的碳涂层，发现具有均匀分布膨胀石墨层和孔隙的类硬碳涂层能提供快速锂/电子扩散通道并有效缓冲硅膨胀 | NA | 研究碳涂层微观结构与电化学行为之间的关系，提升硅负极性能 | 硅基锂离子电池负极材料 | 材料科学 | NA | 原位电子显微镜，深度学习 | 深度学习 | 显微图像数据 | 三种不同微观结构的碳涂层样品 | NA | NA | 电化学稳定性，倍率性能 | NA |
| 9156 | 2025-10-06 |
Association of visceral fat obesity with structural change in abdominal organs: fully automated three-dimensional volumetric computed tomography measurement using deep learning
2025-09, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04834-x
PMID:39937214
|
研究论文 | 本研究利用基于深度学习的全自动三维容积CT测量方法探讨内脏脂肪肥胖与腹部器官结构变化之间的关联 | 首次采用全自动三维容积CT测量结合深度学习算法系统评估内脏脂肪肥胖患者腹部器官的体积和CT衰减值变化 | 样本量相对有限（610例），且为横断面研究无法确定因果关系 | 探索内脏脂肪肥胖与腹部器官结构变化的关系 | 610名患者（295名男性，315名女性，平均年龄68.4岁） | 医学影像分析 | 肥胖相关代谢疾病 | 三维容积计算机断层扫描 | 深度学习算法 | CT影像 | 610例患者 | NA | NA | 相关系数，p值 | NA |
| 9157 | 2025-10-06 |
3D Deep Learning for Virtual Orbital Defect Reconstruction: A Precise and Automated Approach
2025-Sep-01, The Journal of craniofacial surgery
IF:1.0Q3
DOI:10.1097/SCS.0000000000011143
PMID:39960444
|
研究论文 | 本研究提出一种改进的3D U-Net+++架构，用于实现精确自动的虚拟眼眶缺损重建 | 针对传统镜像技术无法处理跨越中线的双侧眼眶缺损的局限性，开发了新型3D深度学习架构，在双侧和跨中线缺损重建方面表现优异 | 研究样本量有限（300个合成缺损和15个临床病例），需要更大规模的临床验证 | 开发精确自动的虚拟眼眶缺损重建方法，改善术前规划 | 眼眶缺损患者，包括单侧和双侧/跨中线眼眶骨折病例 | 计算机视觉 | 眼眶骨折 | 螺旋CT扫描 | 3D CNN | 3D医学图像 | 300个合成缺损和15个临床病例 | NA | 3D U-Net+++ | Hausdorff距离, 平均对称表面距离, 表面Dice相似系数, 峰值信噪比, 结构相似性指数, 5点Likert量表 | NA |
| 9158 | 2025-10-06 |
Enhanced ISUP grade prediction in prostate cancer using multi-center radiomics data
2025-09, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04858-3
PMID:40047870
|
研究论文 | 本研究利用多中心放射组学数据开发前列腺癌ISUP分级预测模型 | 基于前列腺解剖亚区域（外周区和中央腺体）提取放射组学特征，并采用组合模型提高预测性能 | 需要未来进一步验证该策略在临床决策中的适用性 | 探索基于解剖ROI的放射组学特征在前列腺癌ISUP分级预测中的价值 | 前列腺癌患者 | 数字病理 | 前列腺癌 | 放射组学分析，MRI成像（T2WI，ADC，DWI） | 随机森林 | 医学影像 | 1500例前列腺癌患者（多中心研究） | NA | 随机森林分类器 | AUC | NA |
| 9159 | 2025-10-06 |
The value of radiomics and deep learning based on PET/CT in predicting perineural nerve invasion in rectal cancer
2025-09, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04833-y
PMID:40053051
|
研究论文 | 本研究探讨基于PET/CT的影像组学和深度学习特征在预测直肠癌神经侵犯中的价值 | 首次将PET代谢参数、影像组学特征和深度学习特征相结合构建联合预测模型 | 回顾性研究且样本量有限（共151例患者） | 预测直肠癌神经侵犯状态 | 直肠癌患者 | 医学影像分析 | 直肠癌 | PET/CT影像分析 | 深度学习, 逻辑回归 | PET/CT医学影像 | 151例直肠癌患者（120例内部数据集，31例外部队列） | NA | NA | AUC | NA |
| 9160 | 2025-10-06 |
Multiple perception contrastive learning for automated ovarian tumor classification in CT images
2025-09, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04879-y
PMID:40074925
|
研究论文 | 提出一种基于监督对比学习和多重感知编码器的自动化卵巢肿瘤CT图像分类方法 | 引入T-Pro技术增强数据多样性，结合多重感知模块和多注意力模块提升对卵巢肿瘤复杂形态和细微特征的敏感性 | NA | 开发自动化、可信赖的卵巢肿瘤诊断技术以提高早期识别准确率 | 卵巢肿瘤CT图像 | 计算机视觉 | 卵巢癌 | CT成像 | 深度学习,对比学习 | 医学图像 | NA | NA | Multiple Perception Encoder (MP Encoder), Multi-Scale Perception Module (MSP Module), Multi-Attention Module (MA Module) | 分类准确率 | NA |