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 11141 - 11160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11141 | 2025-10-07 |
INFERYS rescoring: Boosting peptide identifications and scoring confidence of database search results
2025-May, Rapid communications in mass spectrometry : RCM
IF:1.8Q2
DOI:10.1002/rcm.9128
PMID:34015160
|
研究论文 | 介绍了一种基于深度学习的肽段鉴定重评分方法INFERYS rescoring，可提升蛋白质组学数据库搜索结果的鉴定数量和评分可信度 | 首次将肽段碎片离子强度预测深度集成到商业蛋白质组学分析软件中，无需GPU即可在个人电脑上运行 | 方法主要针对Thermo Scientific Proteome Discoverer平台和Sequest HT搜索引擎，在其他平台上的适用性未验证 | 提高蛋白质组学中肽段鉴定的准确性和数量 | 肽段谱图匹配、蛋白质鉴定 | 蛋白质组学 | NA | 串联质谱、数据库搜索 | 深度学习 | 质谱数据 | HeLa标准样本、免疫肽组数据集 | INFERYS平台 | NA | 假发现率、肽段谱图匹配数量、肽段鉴定数量、蛋白质鉴定数量 | 个人计算机（无需GPU） |
| 11142 | 2025-05-12 |
Deep learning segmentation of periarterial and perivenous capillary-free zones in optical coherence tomography angiography
2025-May, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.5.056005
PMID:40342523
|
研究论文 | 本研究开发并评估了深度学习模型（包括CNN和ViT）用于光学相干断层扫描血管成像（OCTA）中动脉周围和静脉周围无毛细血管区（CFZs）的精确分割，以改善糖尿病视网膜病变（DR）的早期检测和监测 | 首次使用深度学习模型（如UNet++与EfficientNet-b7）实现CFZs的高精度自动分割，并定量分析CFZ特征作为DR的潜在生物标志物 | 研究样本仅包括健康对照组、无DR的糖尿病患者和轻度DR患者，未涵盖DR的中重度阶段 | 开发自动化CFZ分割方法并探索其作为DR生物标志物的潜力 | OCTA图像中的动脉周围和静脉周围无毛细血管区（CFZs） | 计算机视觉 | 糖尿病视网膜病变 | 光学相干断层扫描血管成像（OCTA） | UNet, UNet++, TransUNet, Segformer, CNN, ViT | 图像 | 健康对照组、无DR糖尿病患者和轻度DR患者的OCTA图像 | NA | NA | NA | NA |
| 11143 | 2025-05-12 |
Lung disease classification in chest X-ray images using optimal cross stage partial bidirectional long short term memory
2025-May, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996241304987
PMID:40343884
|
研究论文 | 本研究提出了一种深度学习模型OCBiNet，用于在胸部X光图像中对肺部疾病进行分类 | 提出了结合交叉阶段部分连接的双向长短期记忆网络(OCBiNet)和改进的母优化算法(ImMO)，以提高分类准确性和收敛速度 | 未提及模型在更大规模或多样化数据集上的泛化能力 | 提高肺部疾病分类的准确性和效率 | 胸部X光图像中的肺部疾病分类 | 计算机视觉 | 肺部疾病 | 深度学习 | OCBiNet（基于BiLSTM和交叉阶段部分连接） | 图像 | NA | NA | NA | NA | NA |
| 11144 | 2025-05-12 |
Localization and Classification of Adrenal Masses in Multiphase Computed Tomography: Retrospective Study
2025-Apr-24, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/65937
PMID:40273442
|
研究论文 | 本研究开发了一种基于深度学习的肾上腺肿块检测模型MA-YOLO，用于CT图像中肾上腺肿块的自动定位和分类 | 提出了Multi-Attention YOLO (MA-YOLO)模型，能够自动定位和分类6种常见肾上腺肿块 | 研究为回顾性分析，可能受到数据选择和标注偏差的影响 | 提高肾上腺肿块的诊断效率，改变当前临床术前诊断实践 | 肾上腺肿块患者 | 计算机视觉 | 肾上腺疾病 | 多期相CT成像 | MA-YOLO (改进的YOLO模型) | CT图像 | 516名患者（内部数据集21,649张训练图像，2,406张验证图像；外部数据集12,857张测试图像） | NA | NA | NA | NA |
| 11145 | 2025-05-12 |
Prediction of Reactivation After Antivascular Endothelial Growth Factor Monotherapy for Retinopathy of Prematurity: Multimodal Machine Learning Model Study
2025-Apr-23, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/60367
PMID:40267476
|
研究论文 | 本研究开发并验证了使用多模态机器学习算法预测早产儿视网膜病变（ROP）抗血管内皮生长因子（anti-VEGF）治疗后复发的模型 | 结合传统机器学习、深度学习和融合模型，构建了预测ROP复发的多模态机器学习模型，其中融合模型表现最佳 | 样本量相对较小（239例），且仅来自3家医院，可能存在选择偏差 | 预测ROP患者接受anti-VEGF治疗后复发的风险 | 接受anti-VEGF治疗的ROP婴儿 | 数字病理学 | 早产儿视网膜病变 | 多模态机器学习算法 | 传统机器学习模型、深度学习模型、融合模型 | 临床数据 | 239例ROP婴儿（90例复发，149例未复发） | NA | NA | NA | NA |
| 11146 | 2025-05-12 |
PM2.5 concentration prediction using a whale optimization algorithm based hybrid deep learning model in Beijing, China
2025-Apr-15, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.125953
PMID:40032225
|
研究论文 | 本研究提出了一种基于鲸鱼优化算法(WOA)的混合深度学习模型，用于预测北京的PM2.5浓度 | 结合了鲸鱼优化算法(WOA)、卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(AM)的混合模型，显著提高了预测精度 | 研究仅使用了2014年至2018年的数据，可能无法涵盖所有气象和污染情况 | 开发一种高精度的PM2.5浓度预测模型，以支持空气污染风险评估和早期预警 | 北京的PM2.5浓度 | 机器学习 | NA | 鲸鱼优化算法(WOA)、卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(AM) | WOA-CNN-LSTM-AM | 气象和空气污染数据 | 2014年至2018年的每日数据 | NA | NA | NA | NA |
| 11147 | 2025-05-12 |
Use of deep learning-based high-resolution magnetic resonance to identify intracranial and extracranial symptom-related plaques
2025-Apr-06, Neuroscience
IF:2.9Q2
|
research paper | 本研究旨在开发一种基于高分辨率血管壁成像（HR-VWI）的深度学习模型，用于区分症状相关的颅内和颅外斑块，这对中风治疗和预防至关重要 | 使用深度学习模型结合HR-VWI技术，首次实现了对症状相关颅内和颅外斑块的高效区分 | 研究样本量相对较小（235例患者），且为回顾性分析，可能影响模型的泛化能力 | 开发能够区分症状相关颅内和颅外斑块的深度学习模型，以指导中风治疗和预防 | 235例患者的HR-VWI数据 | digital pathology | cardiovascular disease | high-resolution vessel wall imaging (HR-VWI) | DenseNet 201 | image | 235例患者（训练集156例，测试集79例） | NA | NA | NA | NA |
| 11148 | 2025-05-12 |
Intuitive Human-Artificial Intelligence Theranostic Complementarity
2025-Apr, Cancer biotherapy & radiopharmaceuticals
DOI:10.1089/cbr.2025.0021
PMID:39973351
|
research paper | 本文探讨了人工智能在诊断影像学和核医学中的应用及其与人类直觉能力的互补性 | 提出了人工智能与核医学医生直觉能力的互补性概念，强调在癌症治疗中结合AI技术与人脑判断的重要性 | 未提及具体研究样本或实验数据来支持互补性概念的有效性 | 研究人工智能在核医学诊断和治疗决策中的作用及其局限性 | 核医学诊断和治疗决策过程 | digital pathology | cancer | deep learning, radiomics, genomics | large language models | medical imaging, electronic medical records | NA | NA | NA | NA | NA |
| 11149 | 2025-05-12 |
Role of Artificial Intelligence in the Detection and Management of Premalignant and Malignant Lesions of the Esophagus and Stomach
2025-Apr, Gastrointestinal endoscopy clinics of North America
DOI:10.1016/j.giec.2024.10.003
PMID:40021232
|
review | 本文综述了人工智能在食管和胃的癌前病变及恶性肿瘤检测和管理中的作用 | 展示了AI工具在食管鳞状细胞癌、Barrett食管相关肿瘤和胃癌筛查中的优越性能，超越内镜医师的表现 | NA | 探讨人工智能技术在消化道癌前病变和恶性肿瘤检测与管理中的应用 | 食管鳞状细胞癌、Barrett食管相关肿瘤和胃癌 | digital pathology | esophageal cancer, gastric cancer | deep learning | CNN | image | NA | NA | NA | NA | NA |
| 11150 | 2025-05-12 |
Role of Artificial Intelligence for Endoscopic Ultrasound
2025-Apr, Gastrointestinal endoscopy clinics of North America
DOI:10.1016/j.giec.2024.10.007
PMID:40021237
|
research paper | 探讨人工智能在内镜超声（EUS）中的作用及其在疾病诊断中的应用 | 利用深度学习技术如卷积神经网络（CNN）提高EUS图像的病变检测和特征分析能力 | 未提及具体样本量或实验设计的局限性 | 研究人工智能如何提升内镜超声的诊断准确性和效率 | 胆胰和胃肠道疾病的内镜超声图像 | digital pathology | biliopancreatic and gastrointestinal tract diseases | deep learning | CNN | image | NA | NA | NA | NA | NA |
| 11151 | 2025-05-12 |
Deep Learning Technique for Automatic Segmentation of Proximal Hip Musculoskeletal Tissues From CT Scan Images: A MrOS Study
2025-Apr, Journal of cachexia, sarcopenia and muscle
DOI:10.1002/jcsm.13728
PMID:40022453
|
研究论文 | 开发一种基于深度学习的自动分割技术，用于从CT扫描图像中分割和量化近端髋部的肌肉骨骼组织 | 首次针对近端髋部肌肉骨骼组织的自动分割技术进行研究，填补了该领域的研究空白 | 研究仅针对男性参与者，样本量相对有限（300人） | 开发一种快速准确的近端髋部肌肉骨骼组织分割和量化方法 | 近端髋部的肌肉骨骼组织（包括皮质骨、松质骨、骨髓脂肪组织等） | 数字病理学 | 骨质疏松症和肌肉减少症 | CT扫描 | U-Net-like深度学习模型 | 图像 | 300名男性参与者（73±6岁） | NA | NA | NA | NA |
| 11152 | 2025-05-12 |
A feasibility study of lung tumor segmentation on kilo-voltage radiographic images with transfer learning: Toward tumor motion tracking in radiotherapy
2025-Apr, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.104943
PMID:40023957
|
research paper | 研究通过迁移学习在千伏X射线影像上分割肺部肿瘤，以实现无标记肿瘤运动追踪 | 提出了一种结合迁移学习和深度分割网络陪审团委员会（TL-DSN-JC）的新算法，显著提升了肿瘤分割的准确性 | 研究样本量相对较小，仅包含80名患者的1150张影像，可能影响模型的泛化能力 | 开发一种无标记的肺部肿瘤运动追踪方法，以提高放射治疗的精确性 | 肺部肿瘤患者的千伏X射线影像 | digital pathology | lung cancer | 迁移学习，深度学习 | VGG-16/19, TL-DSN-JC | image | 1150张影像来自80名肺癌患者 | NA | NA | NA | NA |
| 11153 | 2025-05-12 |
Evaluating auto-contouring accuracy in reduced CT dose images for radiopharmaceutical therapies: Denoising and evaluation of 177Lu DOTATATE therapy dataset
2025-Apr, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70066
PMID:40025651
|
research paper | 评估在降低CT剂量图像中自动轮廓勾画的准确性，用于放射性药物治疗，特别是177Lu DOTATATE治疗数据集 | 使用深度学习方法（DenseNet）进行图像去噪，以支持在177Lu DOTATATE治疗期间降低CT剂量 | 研究仅针对177Lu DOTATATE治疗数据集，未涉及其他放射性药物治疗 | 评估降低CT剂量对器官分割准确性的影响，并探索去噪方法对提高剂量测定准确性的潜力 | 177Lu DOTATATE治疗患者的CT图像数据 | digital pathology | NA | CT, SPECT/CT, deep learning | DenseNet, TotalSegmentator | image | 177Lu DOTATATE患者数据集 | NA | NA | NA | NA |
| 11154 | 2025-05-12 |
GAICN: Graph Attention Iterative Contraction Network for Bioluminescence Tomography
2025-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3510837
PMID:40030505
|
研究论文 | 提出了一种名为GAICN的新型网络，用于生物发光断层扫描（BLT），以提高重建性能、稳定性和泛化能力 | 结合图注意力机制和迭代收缩激活函数，实现非局部特征聚合和动态权重调整，增强网络的泛化性、稳定性和可解释性 | 未明确提及具体局限性 | 提高生物发光断层扫描的重建性能、稳定性和泛化能力 | 生物发光断层扫描（BLT）中的光源分布 | 数字病理 | NA | 深度学习 | GAICN（Graph Attention Iterative Contraction Network） | 三维肿瘤信息 | 仿真和体内实验 | NA | NA | NA | NA |
| 11155 | 2025-05-12 |
Segmenting the Inferior Alveolar Canal in CBCTs Volumes: The ToothFairy Challenge
2025-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3523096
PMID:40030587
|
research paper | 本文介绍了ToothFairy挑战赛的细节及其参与者在分割下牙槽管（IAC）方面的贡献 | 首次在公共基准数据集上对IAC分割方法进行全面比较评估，并发布了最大的公开CBCT扫描数据集 | 数据集中的153个扫描有体素级注释，其余290个扫描可能缺乏详细注释 | 促进深度学习在下牙槽管分割领域的研究，并提供公共基准数据集 | 下牙槽管（IAC）在CBCT扫描中的分割 | digital pathology | NA | Cone-Beam Computed Tomography (CBCT) | NA | 3D medical images | 443 CBCT scans (153 with voxel-level annotations) | NA | NA | NA | NA |
| 11156 | 2025-05-12 |
Training-Free Image Style Alignment for Domain Shift on Handheld Ultrasound Devices
2025-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3522071
PMID:40030591
|
研究论文 | 提出了一种无需训练的图像风格对齐方法（TISA），用于解决手持超声设备数据与标准设备数据之间的领域偏移问题 | TISA无需源数据，能够在测试时转换图像风格并保留空间上下文，且避免了预训练模型的持续更新 | 未提及具体的数据集规模或实验条件的限制 | 解决手持超声设备数据与标准设备数据之间的领域偏移问题，提升自动诊断的准确性和稳定性 | 手持超声设备数据 | 计算机视觉 | NA | 图像风格对齐 | NA | 图像 | NA | NA | NA | NA | NA |
| 11157 | 2025-05-12 |
Enhanced DTCMR With Cascaded Alignment and Adaptive Diffusion
2025-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3523431
PMID:40030837
|
research paper | 提出了一种结合张量信息的深度学习框架，用于群组可变形配准，有效校正DTCMR中的帧间运动 | 引入了级联配准分支和平行分支的新框架，结合精炼的损失函数和去噪技术，显著提高了DTCMR成像的准确性 | 未提及方法在极端运动情况下的表现，以及在不同设备或采集参数下的泛化能力 | 改进扩散张量心血管磁共振成像（DTCMR）的帧间运动校正，提高临床生物标志物张量估计的准确性 | 心肌微结构的可视化 | digital pathology | cardiovascular disease | diffusion tensor cardiovascular magnetic resonance (DTCMR) | deep learning framework | image | 超过900例病例数据（2012-2023年） | NA | NA | NA | NA |
| 11158 | 2025-05-12 |
Amyloid-β Deposition Prediction With Large Language Model Driven and Task-Oriented Learning of Brain Functional Networks
2025-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3525022
PMID:40030867
|
研究论文 | 该论文提出了一种基于大型语言模型和任务导向学习的大脑功能网络预测淀粉样蛋白沉积的新方法 | 1) 预训练的大型语言模型节点嵌入编码器，用于从fMRI信号中提取任务相关特征；2) 任务导向的分层功能连接网络学习模块，增强不同脑区复杂关联的表示；3) 任务特征一致性损失，促进预测与真实淀粉样蛋白值的相似性 | NA | 开发一种基于功能连接网络的淀粉样蛋白沉积预测方法，以替代昂贵且具有高放射性的正电子发射断层扫描 | 阿尔茨海默病患者的大脑功能连接网络 | 数字病理学 | 阿尔茨海默病 | fMRI | 大型语言模型 | 功能磁共振成像数据 | NA | NA | NA | NA | NA |
| 11159 | 2025-05-12 |
CTUSurv: A Cell-Aware Transformer-Based Network With Uncertainty for Survival Prediction Using Whole Slide Images
2025-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3526848
PMID:40031069
|
研究论文 | 提出了一种基于细胞感知的Transformer网络CTUSurv，用于全切片图像的生存预测，并引入不确定性估计框架以提高预测的可靠性 | 首次结合细胞间及细胞与微环境相互作用建模，并开发区域级不确定性估计模块 | 未明确说明模型在临床环境中的实际部署可行性 | 提升全切片图像生存预测的准确性和可信度 | 全切片图像中的细胞及微环境特征 | 数字病理学 | NA | 深度学习 | Transformer | 全切片图像(WSI) | 四个数据集（未明确样本数量） | NA | NA | NA | NA |
| 11160 | 2025-05-12 |
Use of deep learning model for paediatric elbow radiograph binomial classification: initial experience, performance and lessons learnt
2025-04-01, Singapore medical journal
IF:1.7Q2
|
research paper | 本研究比较了基于卷积神经网络（CNN）的深度学习模型与儿科急诊医生在儿童肘部X光片二分类任务上的表现 | 使用EfficientNet B1网络架构训练AI模型，首次在儿童肘部X光片二分类任务中与医生表现进行对比 | 样本量相对较小（1314张X光片），医生间一致性仅为一般水平（fair inter-rater agreement） | 评估深度学习模型在儿童肘部X光片异常检测中的性能 | 儿童肘部侧位X光片（正常与异常） | digital pathology | NA | deep learning | CNN (EfficientNet B1) | image (radiographs) | 1314张儿科肘部X光片（平均年龄8.2岁），分为开发集（993张）、调优集（209张）和测试集（112张） | NA | NA | NA | NA |