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 9161 - 9180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9161 | 2025-06-03 |
Deep Learning-Based Chronic Obstructive Pulmonary Disease Exacerbation Prediction Using Flow-Volume and Volume-Time Curve Imaging: Retrospective Cohort Study
2025-May-15, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/69785
PMID:40373296
|
研究论文 | 本研究利用深度学习和呼吸功能测试图像预测慢性阻塞性肺疾病(COPD)急性加重事件 | 结合临床数据和呼吸功能测试图像(流量-容积环和容积-时间曲线)的AI模型，相比仅使用临床变量的模型，能更准确地预测COPD急性加重事件 | 回顾性研究设计可能引入选择偏倚，且仅来自两家教学医院的数据可能限制结果的普遍性 | 开发能更准确预测COPD急性加重的AI模型 | COPD患者 | 数字病理 | 慢性阻塞性肺疾病 | 深度学习 | AI-PFT-Clin模型(结合临床和图像数据的AI模型) | 图像(流量-容积环和容积-时间曲线)和临床数据 | 10,492例COPD病例(开发队列6,870例，外部验证队列3,622例) | NA | NA | NA | NA |
| 9162 | 2025-10-06 |
Assessing the Severity of Connective Tissue-Related Interstitial Lung Disease Using Computed Tomography Quantitative Analysis Parameters
2025 May-Jun 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001693
PMID:39761506
|
研究论文 | 本研究通过CT定量分析参数预测结缔组织病相关间质性肺病患者的肺功能损伤并评估疾病严重程度 | 结合CT深度学习模型和密度阈值方法，首次系统评估蜂窝状改变在CTD-ILD严重程度分级中的预测价值 | 回顾性研究设计，样本量相对有限（105例患者），缺乏外部验证 | 预测CTD-ILD患者肺功能损伤并评估疾病严重程度 | 结缔组织病相关间质性肺病患者和健康对照者 | 数字病理 | 间质性肺病 | 计算机断层扫描定量分析，深度学习模型，密度阈值分割 | 深度学习模型 | 胸部高分辨率CT图像 | 105例CTD-ILD患者（46男59女，中位年龄64岁）和80例健康对照 | NA | RDNet | AUC, 敏感性, 特异性, 相关系数 | NA |
| 9163 | 2025-10-06 |
Deep Learning Reconstruction for Enhanced Resolution and Image Quality in Breath-Hold MRCP: A Preliminary Study
2025 May-Jun 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001680
PMID:39761494
|
研究论文 | 本研究评估增强分辨率深度学习重建技术在磁共振胰胆管成像中的图像质量提升效果 | 首次将增强分辨率深度学习重建技术应用于单次屏气MRCP成像，显著提升图像分辨率和质量 | 样本量较小（34例患者），为初步研究，需要更大规模验证 | 评估ER-DLR技术在MRCP图像重建中的性能表现 | 胆道和胰腺疾病患者的MRCP图像 | 医学影像分析 | 胆道胰腺疾病 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 34例胆道胰腺疾病患者 | NA | NA | 信噪比, 对比度, 对比噪声比, 斜率, 图像噪声评分, 对比度评分, 伪影评分, 锐度评分, 整体图像质量评分 | 3T MRI系统 |
| 9164 | 2025-06-03 |
Sex-based differences in imaging-derived body composition and their association with clinical malnutrition in abdominal surgery patients
2025-Apr-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.05.25325276
PMID:40453372
|
研究论文 | 本研究通过深度学习分析腹部手术患者的术前CT扫描，探讨了性别差异在身体组成与临床营养不良之间的关联 | 首次全面评估了性别特异性身体组成特征与营养不良的关联，并利用深度学习进行量化分析 | 研究为单中心回顾性研究，结果可能受限于样本选择偏差 | 探究腹部手术患者术前影像学身体组成特征与营养不良的性别特异性关联 | 接受腹部手术的患者 | 数字病理 | NA | CT扫描 | 深度学习 | 图像 | 1,143名患者（52%为女性） | NA | NA | NA | NA |
| 9165 | 2025-06-03 |
Deep Learning-Accelerated Non-Contrast Abbreviated Liver MRI for Detecting Malignant Focal Hepatic Lesions: Dual-Center Validation
2025-Apr, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2024.0862
PMID:40150922
|
研究论文 | 比较深度学习加速的非增强简化MRI协议与标准简化MRI在肝脏恶性局灶性病变检测中的表现 | 采用深度学习加速的MRI协议，显著提高图像质量并减少扫描时间约50% | 研究为回顾性设计，样本量相对较小（155例患者） | 评估深度学习加速的简化MRI协议在肝脏恶性局灶性病变检测中的效能 | 肝脏恶性局灶性病变患者 | 医学影像分析 | 肝癌 | 深度学习加速的MRI序列（SSFSEDL和DWIDL） | 深度学习 | MRI图像 | 155例患者（其中64例有104个恶性病灶） | NA | NA | NA | NA |
| 9166 | 2025-10-06 |
A systematic review of deep learning in MRI-based cerebral vascular occlusion-based brain diseases
2025-Mar-05, Neuroscience
IF:2.9Q2
|
系统综述 | 本综述系统评估了2020-2024年间61项基于MRI的深度学习研究在脑血管闭塞相关脑部疾病诊断中的应用 | 首次系统比较了CNN和Vision Transformer在脑血管闭塞诊断中的优劣，并强调了伦理安全框架和模型可解释性的重要性 | 纳入研究存在数据集充分性和多样性不足的问题，面临数据隐私和算法可解释性挑战 | 评估深度学习在MRI-based脑血管闭塞相关脑部疾病诊断中的作用 | 脑血管闭塞及相关脑部疾病 | 医学影像分析 | 脑血管疾病 | 磁共振成像(MRI) | CNN, Vision Transformer | 医学影像 | 61项研究（具体样本量未明确说明） | NA | U-Net变体, Transformer-based模型 | NA | NA |
| 9167 | 2025-06-03 |
Artificial intelligence in early screening for esophageal squamous cell carcinoma
2025-Mar, Best practice & research. Clinical gastroenterology
DOI:10.1016/j.bpg.2025.102004
PMID:40451647
|
review | 本文综述了人工智能在食管鳞状细胞癌早期筛查中的变革性作用 | AI技术（如机器学习、深度学习和迁移学习）在优化筛查方式、提高成本效益及整合多源数据方面展现出显著潜力 | 数据集变异性、模型泛化能力、算法透明度及伦理法律问题仍需解决 | 探讨AI如何革新食管鳞状细胞癌的早期筛查 | 食管鳞状细胞癌（ESCC）高风险人群 | digital pathology | esophageal squamous cell carcinoma | machine learning, deep learning, transfer learning, liquid biopsy | NA | imaging, genomic, clinical data | NA | NA | NA | NA | NA |
| 9168 | 2025-10-06 |
A Radiograph Dataset for the Classification, Localization, and Segmentation of Primary Bone Tumors
2025-Jan-16, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-04311-y
PMID:39820508
|
研究论文 | 本文建立了用于原发性骨肿瘤分类、定位和分割的X射线影像数据集BTXRD | 首个公开的原发性骨肿瘤X射线数据集，包含临床信息、全局标签和肿瘤实例的精确标注 | 数据集规模相对有限，仅包含3,746张图像 | 解决骨肿瘤诊断领域缺乏公开X射线数据集的问题，支持计算机辅助诊断算法开发 | 原发性骨肿瘤的X射线影像 | 数字病理 | 骨肿瘤 | X射线成像 | NA | 医学影像 | 3,746张骨图像（1,879张正常，1,867张肿瘤） | NA | NA | NA | NA |
| 9169 | 2025-10-06 |
LDCT image biomarkers that matter most for the deep learning classification of indeterminate pulmonary nodules
2025-Jan, Cancer biomarkers : section A of Disease markers
IF:2.2Q3
DOI:10.3233/CBM-230444
PMID:38848168
|
研究论文 | 本研究通过图像掩蔽和显著性激活图探索LDCT图像中肺实质和肿瘤区域对不确定肺结节分类的贡献 | 首次系统性地结合图像掩蔽和Grad-CAM技术分析深度神经网络在肺结节分类中依赖的放射学特征 | 研究仅针对4-20mm直径的实性肺结节，样本来源单一 | 识别低剂量CT图像中对深度学习分类最重要的生物标志物 | 来自国家肺部筛查试验(NLST)的实性肺结节患者 | 计算机视觉 | 肺癌 | 低剂量CT扫描 | 深度神经网络 | 医学影像 | NLST数据库中直径4-20mm的实性肺结节病例 | NA | NA | AUC | NA |
| 9170 | 2025-10-06 |
Machine Learning, Deep Learning, Artificial Intelligence and Aesthetic Plastic Surgery: A Qualitative Systematic Review
2025-Jan, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-024-04421-3
PMID:39384606
|
系统综述 | 系统评估机器学习、深度学习和人工智能在美容整形外科中的应用 | 首次对AI技术在美容整形外科领域的应用进行全面系统的定性评估 | 患者可能看到AI生成但无法实现的理想化图像，需避免创造不切实际的期望 | 评估机器学习、深度学习和人工智能在美容整形外科中的应用 | 美容整形外科手术患者，包括隆胸、乳房缩小、鼻整形、面部年轻化等 | 机器学习 | 整形外科 | 机器学习、深度学习、人工智能算法 | NA | 图像数据 | 筛选2148项研究，最终纳入18项研究（2019-2024年发表） | NA | NA | NA | NA |
| 9171 | 2025-10-06 |
Blip-up blip-down circular EPI (BUDA-cEPI) for distortion-free dMRI with rapid unrolled deep learning reconstruction
2025-Jan, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2024.110277
PMID:39566835
|
研究论文 | 开发用于BUDA-cEPI扩散磁共振成像的快速深度学习重建方法 | 提出结合虚拟线圈概念和仅需六次梯度更新的展开式神经网络重建框架 | 未详细讨论模型在不同临床场景下的泛化能力 | 开发快速重建算法以实现BUDA-cEPI在临床和神经科学中的常规应用 | 扩散磁共振成像数据 | 医学影像处理 | NA | 扩散磁共振成像 | U-Net, 人工神经网络 | 医学影像数据 | NA | NA | U-Net | 归一化均方根误差 | NA |
| 9172 | 2025-06-03 |
Do Sharpness-Based Optimizers Improve Generalization in Medical Image Analysis?
2025, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/ACCESS.2025.3568641
PMID:40443707
|
research paper | 本文评估了基于锐度的优化器在医学图像分析中提高深度学习模型泛化能力的有效性 | 首次系统评估了多种基于锐度的优化器在医学图像数据集上的表现，发现SAM是唯一能一致提升泛化性能的方法 | 研究仅使用了三种医学图像数据集，可能无法代表所有医学图像场景 | 评估基于锐度的优化器在医学图像分析中提高模型泛化能力的有效性 | 医学图像数据集（乳腺超声、胸部X光和结肠组织病理学图像） | digital pathology | breast cancer, lung disease, colon disease | deep learning optimization | CNN, vision transformers | image | 三种医学图像数据集 | NA | NA | NA | NA |
| 9173 | 2025-06-03 |
Advances in Electrocardiogram-Based Artificial Intelligence Reveal Multisystem Biomarkers
2025, Journal of clinical & experimental cardiology
PMID:40443717
|
review | 本文讨论了基于心电图的人工智能在临床心脏病学中的进展、局限性和未来方向 | 利用基于心电图的深度学习模型识别心脏壁运动异常，并超越人类专家解释 | 讨论了深度学习模型在基于心电图的人工智能应用中的局限性和公平性考虑 | 探讨人工智能在临床心脏病学中的应用，提供创新的诊断、预后和治疗解决方案 | 心电图数据 | machine learning | cardiovascular disease | Deep Learning | DL | ECG数据 | NA | NA | NA | NA | NA |
| 9174 | 2025-06-03 |
XLLC-Net: A lightweight and explainable CNN for accurate lung cancer classification using histopathological images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322488
PMID:40445896
|
研究论文 | 该研究介绍了一种轻量级且可解释的CNN模型XLLC-Net，用于从组织病理学图像中准确分类肺癌 | XLLC-Net是一种轻量级CNN模型，仅包含300万个参数，显著降低了计算资源需求，同时集成了可解释AI技术（如Saliency Map和GRAD-CAM）以增强模型的可解释性 | 研究仅关注了LC25000数据集中的三类肺癌，未包含其他类型的癌症或更广泛的数据集 | 开发一种轻量级且可解释的深度学习模型，用于肺癌的准确分类 | 组织病理学图像中的三类肺癌 | 数字病理学 | 肺癌 | 深度学习 | CNN | 图像 | LC25000数据集中的三类肺癌样本 | NA | NA | NA | NA |
| 9175 | 2025-06-03 |
Deep learning reconstruction of free-breathing, diffusion-weighted imaging of the liver: A comparison with conventional free-breathing acquisition
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320362
PMID:40445963
|
研究论文 | 本研究比较了自由呼吸下使用深度学习重建的扩散加权成像（FB-DL-DWI）与传统扩散加权成像（FB-C-DWI）在肝脏MRI中的图像质量和实体性肝脏局灶性病变（FLL）评估 | 首次在自由呼吸条件下应用深度学习重建技术进行肝脏扩散加权成像，并与传统方法进行对比 | FB-DL-DWI表现出比FB-C-DWI更强的人工感觉（P<0.001） | 比较两种扩散加权成像技术在肝脏MRI中的表现 | 199名接受临床肝脏MRI检查的患者 | 医学影像分析 | 肝脏疾病 | 扩散加权成像（DWI），深度学习重建 | 深度学习模型（具体类型未说明） | 医学影像数据 | 199名患者（其中110名患有慢性肝病），138个实体性肝脏局灶性病变 | NA | NA | NA | NA |
| 9176 | 2025-06-03 |
Prediction of drug-target interactions based on substructure subsequences and cross-public attention mechanism
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324146
PMID:40445972
|
研究论文 | 提出了一种基于子结构子序列和交叉公共注意力机制的药物-靶点相互作用预测模型SSCPA-DTI | 采用多特征信息挖掘模块(MIMM)提取药物和蛋白质的原始及子结构特征，并利用交叉公共注意力模块(CPA)整合特征及提取相互作用信息，提高了预测准确性和可解释性 | 仅在三个公共数据集上进行了实验，未在其他数据集上验证模型的泛化能力 | 提高药物-靶点相互作用预测的准确性和可解释性 | 药物和蛋白质的相互作用 | 机器学习 | NA | 深度学习 | SSCPA-DTI (基于注意力机制的模型) | 序列数据(SMILES序列和蛋白质序列) | 三个公共数据集 | NA | NA | NA | NA |
| 9177 | 2025-06-03 |
Enhancing the dataset of CycleGAN-M and YOLOv8s-KEF for identifying apple leaf diseases
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321770
PMID:40445983
|
研究论文 | 本研究提出了一种基于深度学习的方法，通过改进CycleGAN-M和YOLOv8s-KEF模型来提高苹果叶病害的识别准确率 | 使用多尺度注意力机制增强CycleGAN-M网络生成合成样本，改进YOLOv8s-KEF模型的特征提取能力，特别是针对小病变和复杂纹理 | 模型大小增加了6MB，可能影响部署效率 | 提高苹果叶病害的识别准确率，解决数据集有限、样本量小和识别精度低的问题 | 苹果叶病害 | 计算机视觉 | 植物病害 | 深度学习 | CycleGAN-M, YOLOv8s-KEF | 图像 | NA | NA | NA | NA | NA |
| 9178 | 2025-06-03 |
ArsenicNet: An efficient way of arsenic skin disease detection using enriched fusion Xception model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322405
PMID:40446004
|
研究论文 | 提出了一种名为ArsenicNet的融合Xception模型，用于高效检测砷污染引起的皮肤疾病 | 结合Xception模型与Inception模块的深度学习架构，在砷皮肤疾病检测中表现出优越性能 | 数据集样本量较小（仅1287个样本），且仅基于孟加拉国人群 | 开发高效准确的砷皮肤疾病检测方法 | 砷污染引起的皮肤疾病 | 计算机视觉 | 皮肤疾病 | 深度学习 | Xception与Inception模块融合的CNN | 图像 | 1287张基于孟加拉国人群的皮肤图像 | NA | NA | NA | NA |
| 9179 | 2025-06-03 |
Segmentation-based deep 2D-3D multibranch learning approach for effective hyperspectral image classification
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321559
PMID:40446012
|
研究论文 | 本文提出了一种基于分割的深度2D-3D多分支学习方法，用于高效的高光谱图像分类 | 提出了一种新颖的多层多分支2D-3D CNN模型，结合了SPCA和mRMR技术，能够分层处理不同重要性的特征 | 未明确提及具体局限性，但可能涉及计算复杂性和模型泛化能力 | 解决高光谱图像分类中的数据冗余、计算成本高、样本不足和维度诅咒等问题 | 高光谱图像中的土地覆盖物体分类 | 计算机视觉 | NA | Segmented Principal Component Analysis (SPCA), minimum-Redundancy-Maximum-Relevance (mRMR) | 2D-3D CNN | 高光谱图像 | Salinas Scene、University of Pavia和Indian Pines高光谱图像数据集 | NA | NA | NA | NA |
| 9180 | 2025-10-06 |
Deep Learning in Ultrasound Localization Microscopy: Applications and Perspectives
2024-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2024.3462299
PMID:39288061
|
综述 | 本文全面综述了深度学习在超声定位显微镜中的多样化应用及其未来发展前景 | 首次系统梳理了基于稀疏微泡分布的深度学习在ULM中的应用，重点分析了微泡定位优化的多种网络架构和问题建模方法 | 当前方法仍存在计算复杂度高、对高浓度微泡适应性有限等挑战 | 探索深度学习技术在超声定位显微镜中的创新应用以提升成像性能 | 超声定位显微镜成像中的微泡信号和血管结构 | 医学影像分析 | 心血管疾病 | 超声定位显微镜 | 深度学习 | 超声图像 | NA | NA | NA | 图像质量，处理时间 | NA |