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 33776 篇文献，本页显示第 11361 - 11380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11361 | 2025-10-07 |
Breast cancer early detection and molecular subtype prediction by combination of Raman spectroscopy with deep learning
2025-May-12, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126396
PMID:40412234
|
研究论文 | 本研究结合拉曼光谱与深度学习技术，开发用于乳腺癌早期检测和分子亚型预测的高效模型 | 提出基于高效通道注意力机制的卷积神经网络，显著减少参数数量并提高训练速度，实现端到端的乳腺癌检测与分子分型 | 样本量相对有限（541名志愿者），未提及外部验证结果 | 开发计算效率高的端到端模型，实现乳腺癌检测和分子分型预测，无需复杂特征工程 | 541名志愿者的血清样本，包括HER2阳性、HER2阴性、导管原位癌患者和健康个体 | 数字病理 | 乳腺癌 | 拉曼光谱 | CNN | 光谱数据 | 541名志愿者 | NA | 基于通道注意力机制的卷积神经网络 | 准确率, AUC | NA |
| 11362 | 2025-10-07 |
Interpretable MRI-Based Deep Learning for Alzheimer's Risk and Progression
2025-May-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.06.25326606
PMID:40385384
|
研究论文 | 本研究将基于MRI的深度学习模型应用于中国SILCODE队列，验证其在阿尔茨海默病风险预测和进展评估中的跨种族泛化能力 | 首次在大型中国队列中验证北美开发的MRI深度学习模型的跨种族泛化能力，无需重新训练即可实现高性能AD分类和早期风险预测 | 模型最初在北美数据上训练，虽在中国队列表现良好但未进行本地化优化 | 开发可访问、时间效率高的生物标志物用于阿尔茨海默病早期诊断和风险预测 | 722名中国SILCODE队列参与者，共1,105次脑部MRI扫描 | 医学影像分析 | 阿尔茨海默病 | 脑部MRI扫描 | 深度学习 | 医学影像 | 722名参与者，1,105次脑部MRI扫描 | NA | NA | AUC, 敏感度 | NA |
| 11363 | 2025-10-07 |
Recent topics in musculoskeletal imaging focused on clinical applications of AI: How should radiologists approach and use AI?
2025-May, La Radiologia medica
DOI:10.1007/s11547-024-01947-z
PMID:39992330
|
综述 | 本文探讨人工智能在肌肉骨骼影像领域的临床应用现状与未来发展 | 聚焦深度学习重建和MRI皮质骨成像等新兴技术的临床应用，并讨论AI在罕见病诊断和预防医学中的潜在作用 | NA | 为放射科医生提供AI在肌肉骨骼影像领域的应用指南 | 肌肉骨骼影像 | 医学影像 | 肌肉骨骼疾病 | MRI, 深度学习重建, 皮质骨成像 | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 11364 | 2025-10-07 |
Deep learning reconstruction for accelerated 3-D magnetic resonance cholangiopancreatography
2025-May, La Radiologia medica
DOI:10.1007/s11547-025-01987-z
PMID:40100541
|
研究论文 | 比较传统3D磁共振胰胆管成像与深度学习加速MRCP在采集时间和图像质量方面的差异 | 使用深度学习技术实现八倍加速的MRCP成像，相比传统三倍加速方法显著缩短采集时间 | 单中心研究，样本量相对较小（30名参与者） | 评估深度学习加速MRCP序列在临床实践中的可行性和优势 | 接受MRCP检查的连续患者 | 医学影像分析 | 胆胰系统疾病 | 磁共振胰胆管成像 | 深度学习 | 3D医学影像 | 30名参与者（16名男性，14名女性，平均年龄63±15岁） | NA | NA | 图像质量评分，采集时间，Fleiss' κ | 1.5T MRI设备 |
| 11365 | 2025-10-07 |
Deep learning-based segmentation of ultra-low-dose CT images using an optimized nnU-Net model
2025-May, La Radiologia medica
DOI:10.1007/s11547-025-01989-x
PMID:40100539
|
研究论文 | 本研究开发了一种基于优化nnU-Net模型的深度学习流程，用于超低剂量CT图像的器官分割 | 针对传统模型在低剂量CT图像上性能下降的问题，专门开发了适用于超低剂量CT的专用分割模型 | 研究使用的低剂量CT图像是通过模拟生成的，虽然也使用了外部真实低剂量数据集进行验证，但主要训练数据为模拟数据 | 开发适用于超低剂量CT图像的深度学习器官分割方法 | CT图像中的22个器官，包括骨骼组织(6个器官)、软组织(15个器官)和身体轮廓 | 医学影像分析 | NA | CT成像，迭代重建算法 | nnU-Net | CT图像 | 274个CT原始数据集，以及外部验证数据集 | NA | nnU-Net | Dice系数 | NA |
| 11366 | 2025-10-07 |
Hybrid Electromagnetic-Triboelectric Hip Energy Harvester for Wearables and AI-Assisted Motion Monitoring
2025-May, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202500643
PMID:40190045
|
研究论文 | 开发了一种AI辅助的可穿戴髋关节能量采集器，可将髋关节运动的机械能转化为电能并同时监测人体运动 | 结合电磁发电机和独立式摩擦纳米发电机实现能量采集与运动感知的双重功能，并采用深度学习算法处理运动信号 | NA | 开发能够同时实现能量收集和运动监测的可穿戴设备 | 人体髋关节运动 | 可穿戴设备，人工智能辅助监测 | 老年疾病 | 电磁发电，摩擦纳米发电，深度学习 | 深度学习算法 | 运动信号，电信号 | NA | NA | NA | 准确率 | NA |
| 11367 | 2025-10-07 |
UCS: A Unified Approach to Cell Segmentation for Subcellular Spatial Transcriptomics
2025-May, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202400975
PMID:39763408
|
研究论文 | 提出一种统一细胞分割方法UCS，专门用于处理来自不同平台的亚细胞空间转录组数据 | 首次提出统一方法处理多平台SST数据，通过整合细胞核分割和转录数据实现高精度细胞分割 | 未明确说明方法在特定组织类型或数据质量较差情况下的性能表现 | 开发适用于多平台亚细胞空间转录组数据的统一细胞分割方法 | 亚细胞空间转录组数据中的细胞分割 | 数字病理学 | NA | 亚细胞空间转录组学 | 深度学习 | 图像, 转录组数据 | NA | NA | NA | NA | NA |
| 11368 | 2025-10-07 |
Convolutional variational auto-encoder and vision transformer hybrid approach for enhanced early Alzheimer's detection
2025-May, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.3.034501
PMID:40415866
|
研究论文 | 提出一种结合卷积变分自编码器和视觉Transformer的混合模型，用于增强阿尔茨海默病的早期检测 | 首次将卷积变分自编码器与视觉Transformer相结合，通过CVAE的无监督特征提取增强ViT识别早期阿尔茨海默病微小结构异常的能力 | 仅使用ADNI和SCAN数据库的MRI数据，未在其他数据集上验证模型泛化能力 | 开发更精确和快速的阿尔茨海默病早期自动诊断方法 | 阿尔茨海默病患者的结构MRI扫描图像 | 计算机视觉 | 阿尔茨海默病 | 结构磁共振成像 | CVAE, ViT | 医学图像 | 14,000个结构MRI样本 | NA | 卷积变分自编码器, 视觉Transformer | 准确率 | NA |
| 11369 | 2025-10-07 |
Deep learning analysis of hematoxylin and eosin-stained benign breast biopsies to predict future invasive breast cancer
2025-Apr-30, JNCI cancer spectrum
IF:3.4Q2
DOI:10.1093/jncics/pkaf037
PMID:40193520
|
研究论文 | 本研究使用深度学习分析良性乳腺活检的H&E染色全切片图像，预测未来发生浸润性乳腺癌的风险 | 首次将深度学习应用于良性乳腺疾病的H&E染色切片图像，结合临床病理特征构建多模态预测模型 | 样本量相对有限（946名女性），需要更大规模研究验证 | 开发基于深度学习的乳腺癌风险预测模型 | 良性乳腺疾病患者的活检组织样本 | 数字病理学 | 乳腺癌 | H&E染色全切片成像 | CNN, AutoML, 多模态网络 | 病理图像, 临床数据 | 946名女性（训练集：331例病例+331例对照，测试集：142例病例+142例对照） | NA | VGG-16 | AUROC, 准确率, 敏感性, 特异性 | NA |
| 11370 | 2025-10-07 |
SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses
2025-Apr-29, ArXiv
PMID:40395941
|
研究论文 | 本研究开发了首个公开的肩部病理专家标注数据集ScopeMRI，并提出了用于检测Bankart病变的深度学习框架 | 首个公开的肩部病理专家标注数据集；结合CNN和Transformer的深度学习框架；在标准MRI上实现与放射科医生相当的诊断性能 | 外部验证仅展示了初步的泛化能力；数据集规模相对有限（586个MRI） | 开发深度学习模型检测Bankart病变，减少对侵入性MRA的依赖 | 肩部Bankart病变（前下盂唇撕裂） | 医学影像分析 | 肩部损伤 | MRI, MRA, 关节镜检查 | CNN, Transformer | 3D医学影像 | 586个肩部MRI（335个标准MRI，251个MRA），来自558名患者 | NA | CNN, Transformer | AUC, 敏感度, 特异度 | NA |
| 11371 | 2025-10-07 |
Innovative Artificial Intelligence System in the Children's Hospital in Japan
2025-Apr-28, JMA journal
IF:1.5Q2
DOI:10.31662/jmaj.2024-0312
PMID:40415999
|
研究论文 | 介绍日本儿童医院创新人工智能系统的开发与应用 | 将深度学习技术综合应用于儿科医疗多个领域，包括病理诊断加速、细菌种类区分、眼疾早期检测等 | 未提供具体性能数据和样本规模细节 | 推进儿科医疗领域的AI技术创新与应用 | 儿科患者医疗数据（图像、基因组、行为数据等） | 医疗人工智能 | 儿科疾病 | 深度学习 | 深度学习模型 | 医疗图像、基因组数据、行为数据 | NA | 多种机器学习框架 | NA | NA | 高速计算、云计算 |
| 11372 | 2025-05-27 |
Deep Learning Auto-Segmentation of Organs at Risk in a Real-World Head and Neck Cancer Proton Beam Radiotherapy Planning
2025-Apr-23, Clinical oncology (Royal College of Radiologists (Great Britain))
DOI:10.1016/j.clon.2025.103849
PMID:40414067
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11373 | 2025-10-07 |
Hybrid AI models for predicting heat distribution in complex tissue structures with bioheat transfer simulation
2025-Apr, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2025.104122
PMID:40311397
|
研究论文 | 提出一种结合深度学习的分式勒让德小波生物热传递模型，用于精确预测工程组织构造中的热分布 | 首次将分式勒让德小波方法与深度学习相结合用于生物热传递模拟，实现实时预测能力 | 实验验证仅限于5cm组织构造，需要进一步验证在更复杂组织结构中的性能 | 开发精确预测生物组织热行为的计算模型，用于热疗和肿瘤消融等医疗应用 | 工程组织构造，包括皮肤、肌肉、脂肪和骨骼等不同组织类型 | 机器学习 | 肿瘤 | 生物热传递模拟，深度学习增强模型 | 深度学习 | 热分布数据，温度测量数据 | 5cm组织构造，暴露于10W-30W不同功率热源 | NA | 分式勒让德小波方法 | 平均绝对误差，预测速度 | NA |
| 11374 | 2025-10-07 |
Enhancing Patient Outcome Prediction Through Deep Learning With Sequential Diagnosis Codes From Structured Electronic Health Record Data: Systematic Review
2025-Mar-18, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/57358
PMID:40100249
|
系统性综述 | 本系统性综述评估了利用电子健康记录中顺序诊断代码的深度学习模型在预测患者结局中的应用现状 | 首次系统性地评估了顺序诊断代码在深度学习模型中的应用情况，并分析了样本量与模型性能的关系以及模型泛化能力 | 研究方法和结果的异质性较大，大多数研究存在高偏倚风险 | 评估顺序诊断数据在深度学习模型中的应用情况，分析数据整合方式、样本量对性能的影响以及模型泛化能力 | 使用顺序诊断代码训练深度学习算法预测患者结局的研究 | 医疗人工智能 | 多种疾病 | 电子健康记录数据分析 | RNN, Transformer | 顺序诊断代码 | 84项符合条件的研究 | NA | 循环神经网络及其衍生模型, Transformer | AUC | NA |
| 11375 | 2025-10-07 |
Oculomics approaches using retinal imaging to predict mental health disorders: a systematic review and meta-analysis
2025-Mar-18, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03500-x
PMID:40100514
|
系统综述与荟萃分析 | 通过荟萃分析评估眼组学方法利用视网膜影像诊断精神健康障碍的诊断性能 | 首次系统评估眼组学方法在多种精神障碍诊断中的应用价值 | 纳入研究存在高偏倚风险、样本量小、缺乏外部验证、可能存在过拟合问题 | 评估眼组学方法在精神障碍诊断中的准确性和临床应用价值 | 重度抑郁障碍、双相情感障碍、精神分裂症、强迫症和自闭症谱系障碍患者 | 医学影像分析 | 精神健康障碍 | 彩色眼底照相、光学相干断层扫描、OCT血管成像 | 深度学习, 机器学习, 逻辑回归 | 视网膜影像 | 11项研究中的13个诊断模型 | NA | NA | 敏感性, 特异性, 曲线下面积 | NA |
| 11376 | 2025-10-07 |
Artificial Vision Systems for Fruit Inspection and Classification: Systematic Literature Review
2025-Feb-28, Sensors (Basel, Switzerland)
DOI:10.3390/s25051524
PMID:40096367
|
系统文献综述 | 本文通过系统文献综述方法分析水果检测与分类中的人工视觉系统应用 | 采用PRISMA方法对2015-2024年间56篇文献进行系统分析，全面总结水果分选在不同应用场景的技术配置 | 仅涵盖特定数据库（Web of Science和Scopus）的文献，时间范围限定为近十年 | 识别水果分选的不同应用领域、典型硬件配置及使用的技术与算法 | 水果分选与质量检测系统 | 计算机视觉 | NA | 计算机视觉、多光谱成像 | 深度学习模型 | 图像 | 56篇文献（2015-2024年） | NA | ResNet, VGG | NA | NA |
| 11377 | 2025-10-07 |
A Review of Machine Learning and Deep Learning Methods for Person Detection, Tracking and Identification, and Face Recognition with Applications
2025-Feb-26, Sensors (Basel, Switzerland)
DOI:10.3390/s25051410
PMID:40096196
|
综述 | 本文系统回顾了人脸识别、人员检测与追踪技术的最新发展，重点分析了机器学习和深度学习方法在该领域的应用现状与挑战 | 采用PRISMA系统综述方法对142篇相关文献进行质量评估，揭示了从传统方法向深度学习方法的技术转变趋势 | 模型在多变环境条件（如不同光照和遮挡）、不同摄像机角度下的鲁棒性仍需提升，且存在隐私权相关的伦理法律问题 | 评估人员检测、追踪识别和人脸识别技术的最新发展状况 | 142篇相关学术论文 | 计算机视觉 | NA | 系统文献综述 | 机器学习,深度学习 | 文献数据 | 142篇相关论文 | NA | NA | 报告合规性,充分性,方法学质量 | NA |
| 11378 | 2025-10-07 |
Development of a model for measuring sagittal plane parameters in 10-18-year old adolescents with idiopathic scoliosis based on RTMpose deep learning technology
2025-Jan-11, Journal of orthopaedic surgery and research
IF:2.8Q1
DOI:10.1186/s13018-024-05334-2
PMID:39799363
|
研究论文 | 本研究开发了一种基于RTMpose深度学习技术的模型，用于自动测量青少年特发性脊柱侧凸患者的全脊柱X射线矢状面参数 | 首次将RTMpose深度学习技术应用于青少年特发性脊柱侧凸的脊柱参数自动测量，解决了传统手动测量耗时且存在个体差异的问题 | 数据来自内蒙古五家医院，可能存在地域局限性；不同医院数据格式和规格不一致需要通过数据增强技术处理 | 开发快速自动测量青少年特发性脊柱侧凸患者全脊柱X射线的深度学习模型 | 10-18岁青少年特发性脊柱侧凸患者 | 计算机视觉 | 脊柱侧凸 | X射线成像 | 深度学习 | X射线图像 | 560张全脊柱矢状面X射线图像（500张用于训练验证，60张用于外部验证） | RTMpose | RTMpose | 一致性百分比，准确率，组内相关系数，平均绝对误差 | NA |
| 11379 | 2025-10-07 |
[Deep Learning Approaches to Address the Shortage of Observers]
2025, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.25-1554
PMID:40414718
|
研究论文 | 本研究开发了一种基于深度学习的AI观察器来解决熟练人类观察者短缺的问题，并评估了用AI替代人类观察者的影响 | 首次开发基于VGG19和VGG16的深度学习AI观察器，并在不同模块条件下评估其替代人类观察者的可行性 | 训练好的模型无法修改评估标准或阶段 | 解决熟练人类观察者短缺问题并评估AI替代的可行性 | CT系统扫描的体模图像 | 计算机视觉 | NA | CT扫描 | CNN | 医学图像 | 24张图像（6种管电流条件各扫描2次） | NA | VGG19,VGG16 | 方差,平均偏好度,统计显著性 | NA |
| 11380 | 2025-05-27 |
Editorial: Advances in computer vision: from deep learning models to practical applications
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1615276
PMID:40415892
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |