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 32373 篇文献，本页显示第 12301 - 12320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 12301 | 2025-05-03 |
External Validation of Deep Learning-Based Cardiac Arrest Risk Management System for Predicting In-Hospital Cardiac Arrest in Patients Admitted to General Wards Based on Rapid Response System Operating and Nonoperating Periods: A Single-Center Study
2024-03-01, Critical care medicine
IF:7.7Q1
DOI:10.1097/CCM.0000000000006137
PMID:38381018
|
研究论文 | 本研究验证了深度学习基础的心脏骤停风险管理系统DeepCARS在快速反应系统（RRS）运行和非运行期间的预测性能，并探索了其在RRS运行时间之外的潜力 | DeepCARS在RRS运行和非运行期间均表现出优于传统早期预警系统的预测性能，且性能稳定 | 研究为单中心回顾性研究，可能限制了结果的普遍性 | 验证DeepCARS在预测住院患者心脏骤停方面的性能，特别是在RRS非运行期间的有效性 | 入住普通病房的成年患者 | 医疗人工智能 | 心血管疾病 | 深度学习 | DeepCARS | 电子健康记录 | 2019年9月1日至2020年8月31日期间入住普通病房的成年患者数据 | NA | NA | NA | NA |
| 12302 | 2025-05-03 |
Bioinformatic analysis reveals the association between bacterial morphology and antibiotic resistance using light microscopy with deep learning
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1450804
PMID:39364166
|
研究论文 | 通过生物信息学分析结合深度学习方法，研究细菌形态与抗生素抗性之间的关联 | 首次在无抗生素条件下研究抗性细菌的形态特征，并开发新的深度学习单细胞分类方法 | 仅研究了10种抗生素抗性菌株，样本量有限 | 探索细菌形态特征与抗生素抗性之间的关联 | 10种抗生素抗性细菌菌株 | 生物信息学 | 细菌感染 | 光学显微镜、深度学习 | 深度学习 | 图像 | 10种抗生素抗性细菌菌株 | NA | NA | NA | NA |
| 12303 | 2025-10-07 |
Identification of Drug Compounds for Capsular Contracture Based on Text Mining and Deep Learning
2023-11-01, Plastic and reconstructive surgery
IF:3.2Q1
DOI:10.1097/PRS.0000000000010350
PMID:36862957
|
研究论文 | 通过文本挖掘和深度学习识别治疗包膜挛缩的候选药物化合物 | 首次结合文本挖掘、基因富集分析和DeepPurpose深度学习框架系统性地筛选包膜挛缩治疗药物 | 研究基于计算预测，缺乏实验验证；候选药物数量有限 | 探索包膜挛缩的非手术治疗方法，识别潜在治疗药物 | 包膜挛缩相关基因和靶向药物 | 生物信息学, 药物发现 | 包膜挛缩 | 文本挖掘, 基因富集分析, 蛋白质相互作用分析, 深度学习 | DeepPurpose | 基因数据, 药物靶点数据, 文本数据 | 55个相关基因, 8个候选基因, 100个候选药物 | DeepPurpose, GeneCodis, Cytoscape | NA | 预测结合亲和力 | NA |
| 12304 | 2025-05-02 |
Impact of synthetic data on training a deep learning model for lesion detection and classification in contrast-enhanced mammography
2025-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.S2.S22006
PMID:40302983
|
研究论文 | 探讨合成数据在训练深度学习模型用于对比增强乳腺摄影中病变检测和分类的影响 | 研究合成数据（特别是模拟微钙化簇）对提升深度学习模型性能的潜力，尤其是在真实数据稀缺的情况下 | 合成数据加入较小真实训练集时虽提高恶性病变检测灵敏度但降低了精确度，且集成模型性能不如独立DL模型 | 优化对比增强乳腺摄影中病变检测和分类的深度学习模型性能 | 乳腺摄影图像中的增强肿块和微钙化簇 | 数字病理学 | 乳腺癌 | 深度学习与放射组学分类器集成 | DL（深度学习模型）与放射组学分类器 | 图像（低能量与重组对比增强乳腺摄影图像） | 训练集：782例无病变乳房（合成数据）+850例真实患者；验证集：内部212例+外部279例真实患者 | NA | NA | NA | NA |
| 12305 | 2025-05-02 |
Artificial Intelligence Measurement of Preoperative Radiographs in Adolescent Idiopathic Scoliosis Based on Multiple-View Semantic Segmentation
2025-May, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682241270036
PMID:39109794
|
研究论文 | 本研究探讨了基于深度学习的青少年特发性脊柱侧凸（AIS）自动分类方法，并验证了机器分类与人工分类的一致性 | 利用U-Net语义分割神经网络技术和深度学习方法，实现了脊柱多视图的自动分割和对齐关系建立，以及Cobb角等脊柱特征的自动提取 | 研究样本量相对较小，且性别比例不均（男性81例，女性425例） | 开发并验证一种自动化的AIS影像分类方法，以提高分类的一致性和准确性 | 青少年特发性脊柱侧凸（AIS）患者 | 数字病理 | 脊柱侧凸 | 深度学习，U-Net语义分割神经网络 | U-Net | 图像 | 506例（训练集），107例（测试集） | NA | NA | NA | NA |
| 12306 | 2025-05-02 |
A New Method for Scoliosis Screening Incorporating Deep Learning With Back Images
2025-May, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682241282581
PMID:39264983
|
研究论文 | 提出了一种结合深度学习与背部图像的新方法用于脊柱侧弯筛查 | 利用深度学习算法自动进行脊柱侧弯筛查，减少不必要的辐射风险和筛查成本 | 研究样本量较小（247例），且为回顾性研究 | 开发一种自动化、准确、简洁且方便的脊柱侧弯筛查方法 | 脊柱侧弯患者 | 计算机视觉 | 脊柱侧弯 | 深度学习 | NA | 图像（正面、侧面、背部直立图像及X射线图像） | 247例脊柱侧弯患者（2008-2021年数据） | NA | NA | NA | NA |
| 12307 | 2025-05-02 |
Lumbar Spinal Stenosis Grading in Multiple Level Magnetic Resonance Imaging Using Deep Convolutional Neural Networks
2025-May, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682241299332
PMID:39487037
|
研究论文 | 该研究通过比较专家和深度卷积神经网络（CNN）对腰椎多水平磁共振成像（MRI）的狭窄分级，探讨深度学习在临床诊断中的应用 | 使用CNN进行腰椎狭窄分级和神经根分类，展示了深度学习在医学影像诊断中的潜力 | 解剖结构的突然变化可能导致仅基于图像的诊断困难 | 评估深度学习模型在腰椎狭窄分级和神经根分类中的性能 | 腰椎多水平磁共振成像 | 数字病理学 | 脊柱疾病 | MRI | CNN | 图像 | NA | NA | NA | NA | NA |
| 12308 | 2025-10-07 |
Prediction of Hypoglycemia From Continuous Glucose Monitoring in Insulin-Treated Patients With Type 2 Diabetes Using Transfer Learning on Type 1 Diabetes Data: A Deep Transfer Learning Approach
2025-May, Journal of diabetes science and technology
IF:4.1Q2
DOI:10.1177/19322968231215324
PMID:38014538
|
研究论文 | 本研究开发了一种基于迁移学习的深度学习模型，利用1型糖尿病数据预测2型糖尿病患者的低血糖事件 | 首次将1型糖尿病连续血糖监测数据通过迁移学习应用于2型糖尿病患者的低血糖预测 | 模型在外部验证集上的阳性预测值为40.49%，仍有提升空间 | 开发能够准确预测胰岛素治疗的2型糖尿病患者低血糖事件的深度学习模型 | 226名1型糖尿病患者和180名2型糖尿病患者的连续血糖监测数据 | 机器学习 | 糖尿病 | 连续血糖监测(CGM) | CNN | 时间序列数据 | 406名患者（226名T1D，180名T2D），外部验证使用334,711个一小时CGM样本 | NA | 卷积神经网络 | AUC, 阳性预测值, 特异性, 敏感性 | NA |
| 12309 | 2025-05-02 |
DDUM: Deformable Dilated U-structure Module for coronary stenosis detection
2025-May, Medical engineering & physics
IF:1.7Q3
DOI:10.1016/j.medengphy.2025.104337
PMID:40306887
|
research paper | 提出了一种可变形可扩展的U结构模块（DDUM），用于提高冠状动脉狭窄检测的准确性和泛化能力 | DDUM模块能够针对冠状动脉狭窄检测任务优化通用网络，显著提升模型性能和泛化能力 | 未提及具体的数据集规模和多样性限制 | 提高冠状动脉狭窄检测的准确性和模型泛化能力 | 冠状动脉狭窄检测 | computer vision | cardiovascular disease | deep learning | ResNet50 + faster R-CNN | medical imaging (coronary angiography) | NA | NA | NA | NA | NA |
| 12310 | 2025-05-02 |
Improved Image Quality of Virtual Monochromatic Images with Deep Learning Image Reconstruction Algorithm on Dual-Energy CT in Patients with Pancreatic Ductal Adenocarcinoma
2025-Apr-30, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01514-6
PMID:40307592
|
研究论文 | 本研究旨在评估使用深度学习图像重建（DLIR）算法在双能CT（DECT）上重建的虚拟单色图像（VMIs）在胰腺导管腺癌（PDAC）诊断中的图像质量 | 首次在DECT上应用DLIR算法重建VMIs，显著提高了图像质量，特别是在低keV水平下 | 研究样本量较小（50例患者），且为回顾性分析 | 评估DLIR算法在DECT上重建VMIs的图像质量，以改善PDAC的诊断 | 50例经组织学确认的PDAC患者 | 数字病理 | 胰腺癌 | 双能CT（DECT） | 深度学习图像重建（DLIR） | 医学影像 | 50例PDAC患者 | NA | NA | NA | NA |
| 12311 | 2025-05-01 |
Correction: Accurate, automated classification of radiographic knee osteoarthritis severity using a novel method of deep learning: Plug‑in modules
2025-Apr-29, Knee surgery & related research
IF:4.1Q1
DOI:10.1186/s43019-025-00268-3
PMID:40302005
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12312 | 2025-05-02 |
Harnessing deep learning to monitor people's perceptions towards climate change on social media
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97441-1
PMID:40295576
|
研究论文 | 利用深度学习监测社交媒体上人们对气候变化的看法 | 提出了一种基于自然语言处理的可扩展方法框架，用于长期监测社交媒体用户对气候变化的看法和反应 | 研究仅针对西班牙、葡萄牙和英语的社交媒体帖子，可能无法代表全球范围内的观点 | 监测和分析社交媒体上人们对气候变化的看法，以支持基于数据的决策 | 社交媒体用户对气候变化的看法和反应 | 自然语言处理 | NA | 自然语言处理 | 深度学习 | 文本 | 1771千条来自西班牙、葡萄牙和英语的X/Twitter帖子 | NA | NA | NA | NA |
| 12313 | 2025-05-02 |
SkinEHDLF a hybrid deep learning approach for accurate skin cancer classification in complex systems
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98205-7
PMID:40295588
|
research paper | 提出了一种名为SkinEHDLF的混合深度学习模型，用于提高皮肤癌分类的准确性 | 结合了ConvNeXt、EfficientNetV2和Swin Transformer的优势，并引入了自适应注意力特征融合机制 | 未提及具体局限性 | 提高皮肤癌分类的准确性和可靠性 | 皮肤病变图像 | computer vision | skin cancer | 深度学习 | ConvNeXt, EfficientNetV2, Swin Transformer | image | 401,059张皮肤病变图像 | NA | NA | NA | NA |
| 12314 | 2025-05-02 |
Optimizing photovoltaic integration in grid management via a deep learning-based scenario analysis
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98724-3
PMID:40295668
|
research paper | 该研究开发了一种结合深度学习技术的双阶段优化模型，以解决光伏系统并入电网的挑战 | 利用生成对抗网络（GANs）模拟多样化和高分辨率的能源生成-消耗模式，并通过实时自适应控制框架进行动态调整，显著提升电网效率和稳定性 | 未提及具体的地理或气候条件限制，可能影响模型的普适性 | 优化光伏系统在电网管理中的集成，提高经济与环境效益 | 光伏系统与电网的集成管理 | machine learning | NA | GANs | GAN | 能源生成与消耗数据 | NA | NA | NA | NA | NA |
| 12315 | 2025-05-02 |
Impact of fine-tuning parameters of convolutional neural network for skin cancer detection
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99529-0
PMID:40295678
|
research paper | 该研究探讨了卷积神经网络（CNN）参数微调对皮肤癌检测性能的影响 | 通过调整CNN的层数、Conv2D层的滤波器数量及去除dropout层，显著提高了分类器的准确率，从62.5%提升至85% | 研究未涉及其他类型的深度学习模型或更广泛的数据集验证 | 优化CNN参数以提高皮肤癌图像数据集的分类准确率 | 皮肤癌图像数据集 | computer vision | skin cancer | NA | CNN | image | NA | NA | NA | NA | NA |
| 12316 | 2025-05-02 |
Research on noninvasive electrophysiologic imaging based on cardiac electrophysiology simulation and deep learning methods for the inverse problem
2025-Apr-28, BMC cardiovascular disorders
IF:2.0Q3
DOI:10.1186/s12872-025-04728-2
PMID:40295939
|
研究论文 | 本研究结合心脏电生理模拟和深度学习方法，为非侵入性心脏电生理成像（ECGI）的实现提供了新方案 | 结合三维双域心脏电生理活动模型与深度学习算法（包括粒子群优化-反向传播神经网络、CNN和LSTM）来重建心脏表面电位 | 未提及实际临床应用中的潜在限制或样本多样性问题 | 开发非侵入性心脏电生理成像技术以改善心律失常的诊断和治疗 | 心脏电活动及体表电位映射 | 数字病理 | 心血管疾病 | 心脏电生理模拟、深度学习 | 粒子群优化-BP神经网络、CNN、LSTM | 模拟心电图数据 | NA | NA | NA | NA | NA |
| 12317 | 2025-05-02 |
Intermittent hypoxemia during hemodialysis: AI-based identification of arterial oxygen saturation saw-tooth pattern
2025-Apr-28, BMC nephrology
IF:2.2Q2
DOI:10.1186/s12882-025-04133-z
PMID:40295983
|
研究论文 | 利用人工智能技术自动识别血液透析患者中重复出现的间歇性动脉血氧饱和度锯齿模式 | 首次应用一维卷积神经网络(1D-CNN)对血液透析过程中的SaO2锯齿模式进行实时分类 | 研究样本量较小(仅22名患者)，且仅针对特定血管通路(动静脉瘘)患者 | 开发自动识别血液透析患者间歇性低氧血症的人工智能系统 | 维持性血液透析患者的动脉血氧饱和度(SaO2)数据 | 数字病理学 | 心血管疾病 | Crit-Line设备连续监测 | 1D-CNN | 时间序列数据 | 22名患者的89次血液透析治疗中的4075个5分钟片段 | NA | NA | NA | NA |
| 12318 | 2025-05-02 |
Deep learning-based tennis match type clustering
2025-Apr-28, BMC sports science, medicine & rehabilitation
DOI:10.1186/s13102-025-01147-w
PMID:40296175
|
研究论文 | 本研究旨在基于比赛方式定义和聚类网球比赛类型 | 首次使用深度学习模型对网球比赛类型进行聚类分析，并识别出四种不同的比赛类型 | 样本量较小，仅包含2023年国际网球公开赛五场决赛的32场比赛 | 聚类网球比赛类型并为每种类型制定比赛策略 | 2023年国际网球公开赛五场决赛的32场比赛 | 机器学习 | NA | 深度学习 | 三种未指定具体名称的聚类模型 | 比赛记录数据 | 32场比赛 | NA | NA | NA | NA |
| 12319 | 2025-05-02 |
Publisher Correction: The intelligent fault identification method based on multi-source information fusion and deep learning
2025-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99035-3
PMID:40295585
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12320 | 2025-05-02 |
18F-FDG PET/CT-based deep learning models and a clinical-metabolic nomogram for predicting high-grade patterns in lung adenocarcinoma
2025-Apr-28, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01684-3
PMID:40295979
|
research paper | 开发并验证基于18F-FDG PET/CT图像的深度学习和传统临床代谢模型，用于无创预测侵袭性肺腺癌的高级别模式 | 结合深度学习和临床代谢参数构建预测模型，并通过列线图可视化 | 样本量较小且为回顾性研究，可能影响模型的泛化能力 | 预测侵袭性肺腺癌的高级别模式 | 303名侵袭性肺腺癌患者 | digital pathology | lung cancer | 18F-FDG PET/CT | DL (deep learning), logistic regression | image (PET/CT) | 303名患者，按7:1:2比例分为训练集、验证集和测试集 | NA | NA | NA | NA |