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 33074 篇文献，本页显示第 10401 - 10420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10401 | 2025-10-07 |
Optimizing MR-based attenuation correction in hybrid PET/MR using deep learning: validation with a flatbed insert and consistent patient positioning
2025-Jun, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07086-5
PMID:39912939
|
研究论文 | 本研究利用平板插入器和统一患者体位，通过深度学习优化PET/MR中的MR-based衰减校正，并与CT-based衰减校正进行精确对比验证 | 采用平板插入器和手臂下放体位确保PET/CT与PET/MR扫描位置一致性，开发基于深度学习的合成CT生成框架用于多种MRAC方法比较 | 在骨骼丰富区域（如脊柱和肝脏）的SUV定量存在较大变异性且可重复性较低 | 优化PET/MR系统中的MR-based衰减校正方法，提高定量准确性 | 21名接受全身[18F]FDG PET/CT和PET/MR扫描的患者 | 医学影像分析 | NA | PET/CT, PET/MR, 深度学习 | 深度学习 | 医学影像（MR图像, CT图像） | 21名患者用于验证，300名患者用于训练 | NA | NA | 标准化摄取值（SUV）, 相关系数（r）, p值, 联合直方图分析 | NA |
| 10402 | 2025-10-07 |
Evaluation of deep learning-based scatter correction on a long-axial field-of-view PET scanner
2025-Jun, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07120-6
PMID:39918764
|
研究论文 | 评估基于深度学习的散射校正方法在长轴视野PET扫描仪上的性能 | 首次将深度学习散射估计方法应用于长轴视野PET系统，相比传统单散射模拟方法具有更高精度和鲁棒性 | 未使用[18F]-PSMA数据进行训练，但仍在临床数据中表现一致 | 评估深度学习散射估计方法在长轴视野PET系统中的性能 | 长轴视野PET系统的散射校正 | 医学影像处理 | NA | PET成像，蒙特卡洛模拟 | CNN | 正弦图，医学影像 | XCAT体模模拟数据及7个临床数据集（[18F]-FDG和[18F]-PSMA） | NA | U-Net | 精度，鲁棒性，病灶对比度恢复 | NA |
| 10403 | 2025-10-07 |
Eliminating the second CT scan of dual-tracer total-body PET/CT via deep learning-based image synthesis and registration
2025-Jun, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07113-5
PMID:39932542
|
研究论文 | 开发并验证一种深度学习框架，用于消除双示踪剂全身PET/CT成像中的第二次CT扫描 | 将注册生成对抗网络与非刚性配准技术相结合，首次实现通过深度学习合成伪衰减校正CT图像 | 研究为回顾性设计，样本量相对有限（247例患者） | 减少双示踪剂全身PET/CT成像中的CT辐射剂量 | 接受双示踪剂全身PET/CT成像的患者 | 医学影像分析 | 肿瘤疾病 | PET/CT成像，深度学习图像合成 | GAN, 深度学习 | 医学影像（CT和PET图像） | 247例患者，分为三个队列：167例[68Ga]Ga-DOTATATE/[18F]FDG，50例[68Ga]Ga-PSMA-11/[18F]FDG，30例[68Ga]Ga-FAPI-04/[18F]FDG | NA | RegGAN（注册生成对抗网络） | MAE, PSNR, SSIM, SUV偏差 | NA |
| 10404 | 2025-05-29 |
Skin Cancer Detection Using Deep Learning Approaches
2025-Jun, Cancer biotherapy & radiopharmaceuticals
DOI:10.1089/cbr.2024.0161
PMID:40151158
|
review | 该综述探讨了多种深度学习方法在皮肤病变识别和分类中的应用 | 评估了不同深度学习方法在皮肤癌检测中的表现，特别是CNN在视觉病变识别中的高准确性和GAN在训练增强中的潜力 | 现有数据集存在肤色多样性不足、计算需求高、病变表示不均等问题，可能影响模型的效率、包容性和泛化能力 | 通过深度学习方法提高皮肤癌的早期检测效率和准确性 | 皮肤病变图像 | computer vision | skin cancer | deep learning | CNN, GAN, ANN, KNN | image | NA | NA | NA | NA | NA |
| 10405 | 2025-05-29 |
Deep learning-based intraoperative visual guidance model for ureter identification in laparoscopic sigmoidectomy
2025-Jun, Surgical endoscopy
DOI:10.1007/s00464-025-11694-5
PMID:40263136
|
研究论文 | 本研究评估了一种基于深度学习的计算机视觉模型在腹腔镜乙状结肠切除术中实时识别左侧输尿管的性能 | 开发了基于语义分割算法的深度学习模型，用于腹腔镜手术中输尿管的实时识别，并实现了高精度的实时操作 | 样本量有限，手术方法缺乏多样性，手术过程不完整，且缺乏外部验证 | 评估深度学习模型在腹腔镜乙状结肠切除术中实时识别左侧输尿管的可行性 | 腹腔镜乙状结肠切除术中的左侧输尿管 | 计算机视觉 | NA | 语义分割算法 | YOLO 8 和 YOLO 11 | 视频 | 86 例腹腔镜乙状结肠切除术录像，1237 张手动标注的图像 | NA | NA | NA | NA |
| 10406 | 2025-05-29 |
DeepMBEnzy: An AI-Driven Database of Mycotoxin Biotransformation Enzymes
2025-May-28, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.5c02477
PMID:40378051
|
研究论文 | 开发了一个名为DeepMBEnzy的AI驱动数据库，用于预测和存档霉菌毒素生物转化酶 | 通过微调预训练模型并使用冷蛋白数据分割方法，开发了EPP-MB模型，用于预测霉菌毒素生物转化酶，并构建了DeepMBEnzy数据库 | 目前仅识别了少数霉菌毒素生物转化酶，且模型的验证准确率为79%，仍有提升空间 | 促进霉菌毒素解毒研究和应用中的酶候选物的探索和利用 | 霉菌毒素及其生物转化酶 | 机器学习 | NA | 深度学习 | 预训练模型微调 | 蛋白质数据 | 超过4000种霉菌毒素 | NA | NA | NA | NA |
| 10407 | 2025-05-29 |
Data augmentation using masked principal component representation for deep learning-based SSVEP-BCIs
2025-May-28, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/add9d1
PMID:40378852
|
研究论文 | 本研究提出了一种基于主成分表示掩码的数据增强方法（MPCR），用于提升基于稳态视觉诱发电位的脑机接口（BCI）中深度学习模型的分类准确率 | 提出了一种新的组件级数据增强方法MPCR，通过主成分表示和随机掩码策略引入随机扰动，同时保留EEG信号的主要内在结构 | 未明确提及具体局限性，但暗示当前信号级数据增强方法可能导致EEG信号显著失真 | 提升基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）中深度学习模型的分类准确率 | 稳态视觉诱发电位（SSVEP）和脑电图（EEG）信号 | 脑机接口（BCI） | NA | 主成分分析（PCA）和随机掩码策略 | 深度学习模型（未指定具体类型） | 脑电图（EEG）信号 | 两个广泛使用的公共数据集（未明确样本数量） | NA | NA | NA | NA |
| 10408 | 2025-05-29 |
Brain stimulation outcome prediction in Major Depressive Disorder by deep learning models using EEG representations
2025-May-28, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2511222
PMID:40434017
|
research paper | 该研究利用深度学习模型基于脑电图（EEG）表征预测重度抑郁症（MDD）患者对重复经颅磁刺激（rTMS）治疗的反应 | 开发了一种基于三种预训练卷积神经网络（DenseNet121、EfficientNetB0和Xception）的深度混合神经网络，用于从三种EEG表征中预测治疗效果，其中使用原始EEG图像序列的分类准确率最高达到94.7% | 研究样本量较小（83名患者），且未提及模型在其他独立数据集上的验证情况 | 开发个体化治疗选择框架，以节省MDD患者的治疗时间和成本，并避免可能的副作用 | 83名接受rTMS治疗的MDD患者 | digital pathology | geriatric disease | EEG, rTMS | CNN (DenseNet121, EfficientNetB0, Xception) | EEG信号（包括小波变换图像、电极间连接矩阵和原始EEG信号） | 83名MDD患者 | NA | NA | NA | NA |
| 10409 | 2025-05-29 |
Frontalis Only Contracts in One Direction: AI-Quantum Elasticity and Resistance Gradient Reveals True Nature of Forehead Muscle Movement
2025-May-27, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-025-04924-7
PMID:40425886
|
research paper | 本研究通过AI驱动的生物力学模型和量子弹性与阻力梯度（QERG）模型，揭示了额肌收缩的单向性及其与皮肤相互作用的机制 | 引入了量子弹性与阻力梯度（QERG）模型，挑战了传统的双向收缩理论，并通过AI模型高精度预测皮肤行为 | 研究样本虽多样化，但可能未涵盖所有可能的种族和年龄组，且证据等级为III级，需进一步验证 | 探究额肌收缩的生物力学特性及其与皮肤相互作用的真实机制 | 额肌收缩及其对皮肤的动态影响 | 生物力学 | NA | 深度学习框架（TensorFlow, PyTorch）、有限元分析、随机森林、深度神经网络 | AI-driven biomechanical model, QERG model | 3D面部扫描数据 | 600名不同种族、性别和年龄的受试者 | NA | NA | NA | NA |
| 10410 | 2025-05-29 |
Development of a No-Reference CT Image Quality Assessment Method Using RadImageNet Pre-trained Deep Learning Models
2025-May-27, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01542-2
PMID:40425960
|
研究论文 | 提出了一种基于RadImageNet预训练深度学习模型的无参考CT图像质量评估方法 | 利用结合噪声和模糊两种退化因素的数据集训练CNN模型，并采用RadImageNet预训练模型增强对真实世界退化的适应性 | 仅考虑了噪声和模糊两种退化因素，可能未涵盖所有实际临床中的退化类型 | 开发一种无需参考图像即可准确评估CT图像质量的方法 | CT图像 | 计算机视觉 | NA | 深度学习 | CNN（ResNet50, DenseNet121, InceptionV3, InceptionResNetV2） | 图像 | 人工退化图像数据集和真实临床图像数据集 | NA | NA | NA | NA |
| 10411 | 2025-05-29 |
Deep Learning Auto-segmentation of Diffuse Midline Glioma on Multimodal Magnetic Resonance Images
2025-May-27, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01557-9
PMID:40425959
|
研究论文 | 开发了一种基于改进CNN的3D-Unet工具，用于自动准确分割弥漫性中线胶质瘤（DMG）在磁共振（MR）图像中的区域 | 首次针对DMG开发了自动分割工具，采用改进的3D U-Net架构，结合多种MR图像序列，实现了高精度的肿瘤分割 | 样本量相对较小（52名患者，70张图像），且仅针对特定类型的儿科脑干癌 | 提高DMG肿瘤分割的自动化水平和准确性，以支持诊断和预测模型的开发 | 弥漫性中线胶质瘤（DMG）H3 K27M突变型患者的MR图像 | 数字病理学 | 脑癌 | 磁共振成像（MRI） | 3D U-Net with residual blocks | 图像 | 52名DMG患者，70张MR图像（包含T1W、T2W和FLAIR序列） | NA | NA | NA | NA |
| 10412 | 2025-05-29 |
PlaNet-S: an Automatic Semantic Segmentation Model for Placenta Using U-Net and SegNeXt
2025-May-27, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01549-9
PMID:40425958
|
研究论文 | 本研究开发了一个名为PlaNet-S的自动胎盘语义分割模型，结合了U-Net和SegNeXt架构 | 通过集成学习结合U-Net和SegNeXt架构，提出了一种新的胎盘自动分割模型PlaNet-S，显著提高了分割精度 | 与U-Net++的性能差异无统计学意义，且样本量相对有限 | 开发一个全自动的胎盘语义分割模型，以解决医生辅助手动分割耗时的问题 | 218名疑似胎盘异常的孕妇的MRI图像 | 数字病理学 | 胎盘异常 | MRI | U-Net, SegNeXt, 集成学习 | 图像 | 218名孕妇的1090张标注图像 | NA | NA | NA | NA |
| 10413 | 2025-10-07 |
Deep learning in 3D cardiac reconstruction: a systematic review of methodologies and dataset
2025-May, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03273-y
PMID:39753994
|
系统综述 | 本文系统综述了使用深度学习方法进行3D心脏重建的技术和数据集 | 结合统计形状建模、图卷积网络和渐进式GAN的混合方法，特别针对先天性心脏病生成合成数据进行增强 | NA | 解决心脏建模和分割中的关键挑战，开发自动化的高分辨率3D心脏重建方法 | 心脏器官的三维重建 | 医学影像分析 | 心脏病 | 统计形状建模，图卷积网络，渐进式GAN | GCN, GAN | 医学影像数据 | 包含UK Biobank、MICCAI MM-WHS挑战赛和先天性心脏病临床数据集的多数据集 | NA | 渐进式GAN, 图卷积网络 | Dice相似系数, Chamfer距离, Hausdorff距离 | NA |
| 10414 | 2025-10-07 |
Large blood vessel segmentation in quantitative DCE-MRI of brain tumors: A Swin UNETR approach
2025-May, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110342
PMID:39892479
|
研究论文 | 本研究提出基于Swin UNETR的深度学习方法，用于脑肿瘤定量DCE-MRI图像中的大血管自动分割 | 首次将Swin UNETR架构应用于脑肿瘤DCE-MRI图像的大血管分割，并与U-Net和Attention U-Net进行性能比较 | NA | 开发自动准确的大血管分割方法以提升脑肿瘤分级和治疗评估的准确性 | 脑肿瘤患者的大血管区域 | 医学影像分析 | 脑肿瘤 | 动态对比增强磁共振成像(DCE-MRI) | 深度学习 | MRI图像 | 187例脑肿瘤患者的MRI数据，来自两个中心、两种设备厂商和两种场强扫描仪 | NA | Swin UNETR, U-Net, Attention U-Net | Dice系数 | NA |
| 10415 | 2025-10-07 |
Deterministic Autoencoder using Wasserstein loss for tabular data generation
2025-May, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107208
PMID:39893805
|
研究论文 | 提出一种基于Wasserstein损失函数的确定性自编码器用于表格数据生成 | 将Wasserstein自编码器的确定性编码机制应用于表格数据生成，解决了变分自编码器随机性导致的潜在空间塌陷问题 | NA | 开发更稳定有效的表格数据生成方法 | 表格数据 | 机器学习 | NA | 深度学习 | 自编码器 | 表格数据 | NA | NA | Wasserstein自编码器 | NA | NA |
| 10416 | 2025-10-07 |
Patient- and fraction-specific magnetic resonance volume reconstruction from orthogonal images with generative adversarial networks
2025-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17668
PMID:39904621
|
研究论文 | 开发了一种基于条件生成对抗网络的个性化微调工作流，用于从正交二维MR图像重建三维MR体积 | 提出了患者和分次特定的微调方法，能够在有限数据情况下实现个性化三维MR体积重建 | 研究样本量相对较小（43名患者），需要进一步验证在更大数据集上的泛化能力 | 开发用于在线剂量适应的三维MR体积重建方法 | 接受MR引导自适应放射治疗的前列腺癌患者 | 医学影像分析 | 前列腺癌 | 磁共振成像 | GAN | 医学图像 | 43名患者的2473个三维MR体积 | NA | 条件生成对抗网络 | SSIM, PSNR, RMSE, MAE, Dice系数, Hausdorff距离 | NA |
| 10417 | 2025-05-29 |
A magnetic resonance image-based deep learning radiomics nomogram for hepatocyte cytokeratin 7 expression: application to predict cholestasis progression in children with pancreaticobiliary maljunction
2025-May, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06225-2
PMID:40186654
|
研究论文 | 利用磁共振图像构建深度学习放射组学列线图，预测胰腺胆管连接不良患儿肝细胞角蛋白7表达及胆汁淤积进展 | 首次开发基于MRI的非侵入性方法评估肝细胞CK7状态，结合放射组学和深度学习特征构建预测模型 | 样本量较小（180例），且为回顾性研究 | 开发术前识别肝细胞CK7状态并评估胆汁淤积进展的预测工具 | 胰腺胆管连接不良患儿 | 数字病理学 | 胰腺胆管连接不良 | MRI、免疫组化分析 | ResNet50 | 磁共振图像 | 180例胰腺胆管连接不良患者（训练集144例，验证集36例） | NA | NA | NA | NA |
| 10418 | 2025-05-29 |
Evaluating and mitigating bias in AI-based medical text generation
2025-May, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00789-7
PMID:40269315
|
research paper | 该研究评估并减轻了基于AI的医学文本生成中的偏见问题 | 提出了一个算法，针对服务不足的群体进行选择性优化以减少偏见 | 研究主要集中在医学文本生成领域，未涉及其他AI应用领域 | 评估和减轻AI在医学文本生成中的偏见 | 不同种族、性别和年龄组的医学文本生成 | natural language processing | NA | deep learning | NA | text | 多个数据集和模态 | NA | NA | NA | NA |
| 10419 | 2025-05-29 |
Optimizing Deep Learning Models for Luminal and Nonluminal Breast Cancer Classification Using Multidimensional ROI in DCE-MRI-A Multicenter Study
2025-May, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.70931
PMID:40347080
|
research paper | 本研究通过多维ROI在DCE-MRI中的应用，优化深度学习模型以区分乳腺癌症的luminal和非luminal亚型 | 首次探索了ROI维度（2D/2.5D/3D）、瘤周扩展水平（0-8 mm）和分割场景（仅ROI vs. ROI原始）的协同效应 | 研究为回顾性设计，可能受到数据收集偏差的影响 | 优化深度学习模型以区分乳腺癌症的分子亚型 | 426名原发性浸润性乳腺癌患者 | digital pathology | breast cancer | DCE-MRI | deep transfer learning models | image | 426名患者（训练队列108名，验证队列1 165名，验证队列2 153名） | NA | NA | NA | NA |
| 10420 | 2025-05-29 |
DNA data storage for biomedical images using HELIX
2025-May, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00793-x
PMID:40360759
|
research paper | 提出了一种名为HELIX的基于DNA的生物医学图像存储系统，该系统针对生物医学图像特性设计了图像压缩算法和纠错编码算法 | HELIX系统针对生物医学图像特性定制了图像压缩算法，并引入了无需索引的纠错编码算法，提高了存储密度和解码速度 | 目前仅进行了体外实验，存储的生物医学图像类型和数量有限 | 开发适用于生物医学图像的DNA数据存储系统 | 生物医学图像 | 数字病理 | NA | DNA数据存储 | 深度学习 | 图像 | 两张时空基因组学图像 | NA | NA | NA | NA |