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 33632 篇文献，本页显示第 9801 - 9820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9801 | 2025-01-24 |
From pixels to patients: the evolution and future of deep learning in cancer diagnostics: (Trends in Molecular Medicine, published online December 11, 2024)
2025-Jan-21, Trends in molecular medicine
IF:12.8Q1
DOI:10.1016/j.molmed.2024.12.012
PMID:39843287
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9802 | 2025-06-14 |
Deep Learning Applied to Diffusion-weighted Imaging for Differentiating Malignant from Benign Breast Tumors without Lesion Segmentation
2025-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240206
PMID:39565222
|
研究论文 | 评估和比较不同人工智能模型在扩散加权成像（DWI）中区分良性和恶性乳腺肿瘤的性能，并与放射科医生的评估进行比较 | 应用深度学习模型（特别是小型2D CNN）在无需病灶分割的情况下，利用DWI数据区分乳腺肿瘤的良恶性，且性能与放射科医生相当 | 研究为回顾性设计，样本量相对较小（334个乳腺病灶），且所有患者均为女性 | 评估AI模型在乳腺肿瘤良恶性鉴别中的性能 | 乳腺肿瘤患者 | 计算机视觉 | 乳腺癌 | 扩散加权成像（DWI） | 2D CNN, ResNet-18, EfficientNet-B0, 3D CNN | 医学影像 | 293名女性患者的334个乳腺病灶 | NA | NA | NA | NA |
| 9803 | 2025-06-14 |
Innovative data techniques for centrifugal pump optimization with machine learning and AI model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325952
PMID:40493691
|
research paper | 本文探讨了利用机器学习和AI模型优化离心泵的数据技术 | 采用Dewesoft FFT DAQ系统和传感器融合技术提取高质量数据，结合EDA、数据可视化和特征工程提升数据可解释性，并通过假设测试验证数据完整性 | 未提及具体模型在极端条件下的表现或泛化能力 | 提高离心泵的运营效率并减少模型训练时间 | 离心泵机器(CPM) | machine learning | NA | Exploratory Data Analysis (EDA), Data Visualization, Feature Engineering (FE) | machine learning classifiers, deep learning algorithms | sensor data | NA | NA | NA | NA | NA |
| 9804 | 2025-06-14 |
A User-Friendly Machine Learning Pipeline for Automated Leaf Segmentation in Atriplex lentiformis
2025, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322251344033
PMID:40496491
|
研究论文 | 本文介绍了一种用于植物表型分析的端到端深度学习管道，专注于自动化叶片分割 | 结合了微调的Mask R-CNN模型与自然语言提示技术，并集成了QR码自动识别功能，开发了用户友好的Streamlit网络应用 | 训练数据集较小（仅176张植物图像） | 开发一个准确、可扩展且用户友好的自动化叶片分割管道 | Atriplex lentiformis植物的叶片 | 计算机视觉 | NA | 深度学习 | Mask R-CNN, Segment Anything Model (SAM), Grounded SAM | 图像 | 176张植物图像 | NA | NA | NA | NA |
| 9805 | 2025-06-14 |
An integrated approach for mental health assessment using emotion analysis and scales
2025 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.12040
PMID:40502325
|
research paper | 该研究提出了一种结合情绪分析和量表的综合方法进行心理健康评估，特别是针对抑郁症的初步评估 | 整合了四种模块（面部情绪识别、量表问卷、语音情绪识别和医生聊天）进行抑郁症评估，提高了预测的准确性 | 情绪识别的准确性仍有提升空间，且用户可能需要与真实医生交流以消除疑虑 | 开发一种综合方法，通过情绪分析和量表评估抑郁症 | 抑郁症患者或潜在患者 | machine learning | mental illness | Facial Emotion Recognition (FER), Speech Emotion Recognition (SER), 量表问卷 | 深度学习模型（未明确具体类型） | image, audio, text | 使用了FER2013数据集以及RAVDESS、TESS、SAVEE和CREMA-D数据集 | NA | NA | NA | NA |
| 9806 | 2025-06-14 |
Integration of T cell repertoire, CyTOF, genotyping and symptomatology data reveals subphenotypic variability in COVID-19 patients
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.016
PMID:40502932
|
研究论文 | 该研究通过整合T细胞受体库、CyTOF、基因分型和症状学数据，揭示了COVID-19患者的亚表型变异性 | 使用LCM-BIC算法整合多种免疫表型和遗传数据，识别出三个新的患者聚类，并通过深度学习分析TCR氨基酸序列，发现与疾病严重程度相关的SARS-CoV-2特异性TCR序列 | 样本量较小（61名患者），且仅来自西班牙人群，可能限制结果的普适性 | 通过整合多种数据识别COVID-19患者的免疫和遗传特征，以帮助分层和管理患者 | 61名西班牙COVID-19患者（33名轻度，28名重度） | 免疫学 | COVID-19 | CyTOF, TCRseq, SNP分析, 深度学习 | LCM-BIC算法, 深度学习模型 | 免疫表型数据, 基因分型数据, 症状学数据 | 61名COVID-19患者（33名轻度，28名重度） | NA | NA | NA | NA |
| 9807 | 2025-06-14 |
Prediction of CRISPR-Cas9 on-target activity based on a hybrid neural network
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.001
PMID:40502933
|
研究论文 | 提出了一种基于混合神经网络CRISPR_HNN的CRISPR-Cas9靶向活性预测方法 | 整合了MSC、MHSA和BiGRU模块，有效捕捉局部动态特征和全局长距离依赖关系，并采用One-hot Encoding和Label Encoding策略 | 未提及具体的数据集局限性或模型泛化能力测试 | 提高sgRNA活性的预测准确性，以增强CRISPR-Cas9基因编辑技术的安全性和有效性 | CRISPR-Cas9系统中的sgRNA活性 | 机器学习 | NA | CRISPR-Cas9基因编辑技术 | 混合深度神经网络（整合MSC、MHSA和BiGRU） | 基因序列数据 | 未明确提及具体样本量，仅说明在公共数据集上测试 | NA | NA | NA | NA |
| 9808 | 2025-06-14 |
Deep Learning Prostate MRI Segmentation Accuracy and Robustness: A Systematic Review
2024-07, Radiology. Artificial intelligence
DOI:10.1148/ryai.230138
PMID:38568094
|
系统性综述 | 本研究通过系统性综述探讨了深度学习在前列腺MRI分割中的准确性和鲁棒性，并与专业放射科医生进行了比较 | 首次系统性评估深度学习在前列腺MRI分割中的表现，并比较不同MRI厂商、前列腺区域和测试方法下的性能 | 仅纳入截至2022年7月31日前的英文文献，可能遗漏最新研究成果 | 评估深度学习在前列腺MRI分割中的准确性和鲁棒性 | 前列腺MRI图像 | 数字病理学 | 前列腺癌 | MRI | 深度学习算法 | 医学影像 | 48项研究（来自691篇初步筛选文献） | NA | NA | NA | NA |
| 9809 | 2025-06-14 |
Validation of de novo designed water-soluble and transmembrane β-barrels by in silico folding and melting
2024-Jul, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.5033
PMID:38864690
|
研究论文 | 通过计算机模拟折叠和熔解验证了从头设计的水溶性和跨膜β桶蛋白 | 揭示了AlphaFold2和ESMFold在不同任务中的优势，并引入了一种基于预测增量扰动的'计算机模拟熔解'新方法 | 缺乏高质量预测模型与实验成功机会之间关系的正式证据 | 验证和比较深度学习结构预测算法在蛋白质设计中的应用 | 从头设计的水溶性和跨膜β桶蛋白 | 计算生物学 | NA | 深度学习结构预测算法(AlphaFold2, ESMFold) | AlphaFold2, ESMFold | 蛋白质序列和结构数据 | NA | NA | NA | NA | NA |
| 9810 | 2025-06-14 |
A Semiautonomous Deep Learning System to Reduce False Positives in Screening Mammography
2024-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.230033
PMID:38597785
|
research paper | 评估半自主人工智能模型在筛查乳腺X光片中识别非乳腺癌可疑病例并减少假阳性检查的能力 | 开发了一种半自主深度学习系统，显著减少乳腺癌筛查中的假阳性率和不必要的医疗程序 | 研究基于回顾性数据，需要在更多前瞻性研究中验证其效果 | 降低乳腺癌筛查中的假阳性率和相关医疗负担 | 乳腺X光筛查图像 | digital pathology | breast cancer | deep learning | AI | image | 123,248张训练用乳腺X光片（含6,161例癌症）和14,831例筛查检查（含1,026例癌症）的回顾性研究 | NA | NA | NA | NA |
| 9811 | 2025-06-14 |
SCIseg: Automatic Segmentation of T2-weighted Intramedullary Lesions in Spinal Cord Injury
2024-Apr-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.01.03.24300794
PMID:38699309
|
研究论文 | 开发了一种名为SCIseg的深度学习工具，用于自动分割脊髓损伤中的T2加权髓内病变 | SCIseg模型通过三阶段训练过程，包括主动学习，能够自动分割脊髓和髓内病变，且在不同病因、扫描仪制造商和图像分辨率下表现良好 | 研究为回顾性研究，可能存在选择偏差 | 开发自动分割脊髓损伤中T2加权髓内病变的深度学习工具 | 脊髓损伤患者的T2加权MRI图像 | 数字病理学 | 脊髓损伤 | 深度学习 | SCIseg（基于深度学习的模型） | MRI图像 | 191名脊髓损伤患者（平均年龄48.1岁±17.9，142名男性） | NA | NA | NA | NA |
| 9812 | 2025-10-06 |
Multicenter Evaluation of a Weakly Supervised Deep Learning Model for Lymph Node Diagnosis in Rectal Cancer at MRI
2024-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.230152
PMID:38353633
|
研究论文 | 开发用于直肠癌MRI淋巴结诊断的弱监督深度学习模型WISDOM | 提出弱监督学习框架WISDOM，仅使用患者级病理信息而非像素级标注训练淋巴结诊断模型 | 回顾性研究，需进一步前瞻性验证 | 开发基于MRI的直肠癌淋巴结诊断AI模型 | 直肠癌患者的MRI影像和术后病理数据 | 医学影像分析 | 直肠癌 | MRI（T2加权和弥散加权成像） | 深度学习 | 医学影像 | 1014例患者（训练队列589例，内部测试146例，两个外部测试队列279例） | NA | WISDOM | AUC, C指数 | NA |
| 9813 | 2025-10-06 |
Prior Clinico-Radiological Features Informed Multi-Modal MR Images Convolution Neural Network: A novel deep learning framework for prediction of lymphovascular invasion in breast cancer
2024-02, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.6932
PMID:38230837
|
研究论文 | 提出一种融合临床影像先验特征的多模态MRI卷积神经网络框架PCMM-Net，用于预测乳腺癌淋巴血管侵犯 | 首次将临床先验知识融入多模态MRI的深度学习框架，通过PCMM-Net实现更精准的LVI预测 | 样本量有限（341例患者），需更大规模数据验证 | 开发深度学习框架提升乳腺癌淋巴血管侵犯的预测准确率 | 早期乳腺癌患者 | 医学影像分析 | 乳腺癌 | 多参数MRI（T1加权、T2加权、对比增强T1加权） | CNN | 医学影像 | 341例乳腺癌患者（7:3随机分为训练组和验证组） | NA | PCMM-Net, MM-Net | AUC | NA |
| 9814 | 2025-10-06 |
Expert-centered Evaluation of Deep Learning Algorithms for Brain Tumor Segmentation
2024-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.220231
PMID:38197800
|
研究论文 | 本研究通过文献调查和专家评估，分析了脑肿瘤分割深度学习算法的评估实践与专家质量感知 | 首次系统调查脑肿瘤分割算法评估实践，并揭示专家质量感知与常用定量指标之间的差异 | 专家评估样本量有限，且存在评分者间一致性较低的问题 | 评估深度学习算法在脑肿瘤分割中的性能表现与临床专家质量感知的一致性 | 脑肿瘤分割算法和医学影像专家 | 医学影像分析 | 脑肿瘤 | 深度学习分割算法 | NA | 医学影像 | 180篇文献调查和60例脑肿瘤分割案例的专家评估 | NA | NA | Dice分数, 敏感度, Hausdorff距离, Krippendorff α, Kendall tau | NA |
| 9815 | 2025-10-06 |
A Deep Learning Pipeline for Assessing Ventricular Volumes from a Cardiac MRI Registry of Patients with Single Ventricle Physiology
2024-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.230132
PMID:38166332
|
研究论文 | 开发用于单心室生理患者心脏MRI心室自动分割的端到端深度学习流程 | 提出包含三个深度学习模型的端到端流程，专门针对Fontan循环患者的多中心心脏MRI数据进行自动化心室分割 | 在475例未见过的检查中，26%需要轻微调整，5%需要重大调整，0.4%的裁剪模型失败 | 开发自动化的心室分割方法以评估单心室生理患者的心室容积 | Fontan循环患者的心脏MRI数据 | 医学影像分析 | 先天性心脏病 | 心脏MRI | 深度学习 | 医学影像 | 250例心脏MRI检查用于训练验证测试，475例未见过的检查用于进一步评估 | NA | U-Net 3+ | Dice分数, Bland-Altman分析, 组内相关系数 | NA |
| 9816 | 2025-10-06 |
Revisiting the Trustworthiness of Saliency Methods in Radiology AI
2024-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.220221
PMID:38166328
|
研究论文 | 评估放射学AI中显著性方法对输入扰动的敏感性和鲁棒性 | 提出预测-显著性相关性(PSC)指标来量化显著性方法的敏感性和鲁棒性 | 仅针对胸部X光片和脑部MRI图像进行评估，未涵盖其他医学影像模态 | 验证放射学AI中显著性方法的可信度 | 胸部X光片和脑部肿瘤MRI图像 | 计算机视觉 | 胸部疾病,脑肿瘤 | 深度学习 | 深度学习模型 | 医学影像 | 191229张胸部X光片和7022张脑部MRI图像 | NA | NA | PSC系数,AUC | NA |
| 9817 | 2025-10-06 |
Deep Learning-based Identification of Brain MRI Sequences Using a Model Trained on Large Multicentric Study Cohorts
2024-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.230095
PMID:38166331
|
研究论文 | 开发基于深度学习的全自动设备无关和序列无关卷积神经网络，用于可靠高效地标记异质非结构化脑部MRI数据 | 使用来自249家医院的大规模多中心脑部MRI数据训练模型，能够区分九种MRI序列类型，且模型性能不受肿瘤存在与否的影响 | 仅使用二维中间切片图像进行分析，未包含完整三维序列信息 | 开发可靠高效的脑部MRI序列自动识别系统 | 脑部MRI序列图像 | 计算机视觉 | 胶质母细胞瘤 | MRI | CNN | 图像 | 2179名患者，8544次检查，63327个序列，来自249家医院和29种扫描仪类型 | NA | ResNet-18, ResNet-50 | 准确率, 置信区间 | NA |
| 9818 | 2025-10-06 |
Examination-Level Supervision for Deep Learning-based Intracranial Hemorrhage Detection on Head CT Scans
2024-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.230159
PMID:38294324
|
研究论文 | 比较弱监督（仅检查级别标签）和强监督（图像级别标签）在头部CT扫描颅内出血检测中的深度学习模型效果 | 首次系统比较弱监督与强监督在颅内出血检测中的性能差异，证明弱监督方法可显著减少标注工作量 | 回顾性研究，需在前瞻性数据集中进一步验证 | 评估不同监督级别对深度学习模型检测颅内出血性能的影响 | 头部CT扫描图像 | 计算机视觉 | 颅内出血 | CT扫描 | CNN | 医学图像 | 21736次检查（RSNA数据集），436次检查（CQ500数据集），75次检查（CT-ICH数据集） | NA | 基于注意力的卷积神经网络 | AUC | NA |
| 9819 | 2025-10-06 |
Active learning to classify macromolecular structures in situ for less supervision in cryo-electron tomography
2021-Aug-25, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btab123
PMID:33620460
|
研究论文 | 提出一种混合主动学习框架，用于冷冻电子断层扫描中的亚断层图分类，以减少标注需求 | 结合不确定性采样、判别器和子集采样策略，同时满足主动学习中的区分性和代表性准则 | 在真实数据上的性能相比全监督方法平均有3%的准确率下降 | 减少冷冻电子断层扫描中生物大分子结构分类的标注负担 | 冷冻电子断层扫描中的亚断层图 | 计算机视觉 | NA | 冷冻电子断层扫描 | 深度学习 | 3D图像数据 | 模拟数据和真实数据 | NA | NA | 准确率 | NA |
| 9820 | 2025-10-06 |
Gene expression inference with deep learning
2016-06-15, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btw074
PMID:26873929
|
研究论文 | 提出一种基于深度学习的基因表达推断方法D-GEX，通过少量标志基因表达预测全基因组表达谱 | 首次将深度学习应用于基因表达推断领域，相比线性回归方法能捕捉基因间的复杂非线性关系 | 模型在RNA-Seq数据集上的性能提升相对较小（6.57%），且仍有18.69%的靶基因误差高于线性回归 | 开发更准确的基因表达推断计算方法，降低全基因组表达谱分析成本 | 基因表达谱数据 | 机器学习 | NA | 微阵列基因表达分析，RNA-Seq | 深度学习 | 基因表达数据 | 训练集：111,000个表达谱（Gene Expression Omnibus）；测试集：2,921个表达谱（GTEx） | NA | NA | 平均绝对误差，基因间误差比较 | NA |