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 44210 篇文献，本页显示第 1221 - 1240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1221 | 2026-05-02 |
Neoadjuvant Chemotherapy Response in Triple-Negative Apocrine Carcinoma: Comparing Apocrine Morphology, Androgen Receptor, and Immune Phenotypes
2025-04-01, Archives of pathology & laboratory medicine
IF:3.7Q1
DOI:10.5858/arpa.2023-0561-OA
PMID:38960391
|
研究论文 | 评估三阴性乳腺癌中新辅助化疗反应，比较顶浆分泌形态、雄激素受体和免疫表型的影响 | 发现顶浆分泌形态比雄激素受体表达更能可靠预测新辅助化疗反应，且顶浆分泌形态与低Ki-67LI相关 | 单中心研究，样本量有限，且顶浆分泌形态为罕见亚型 | 评估三阴性乳腺癌对新辅助化疗的反应及顶浆分泌形态、雄激素受体、Ki-67标记指数和肿瘤浸润淋巴细胞的影响 | 三阴性乳腺癌患者 | 数字病理学 | 乳腺癌 | 免疫组织化学 | 深度学习模型 | 图像 | 232例三阴性乳腺癌患者 | NA | NA | 病理完全缓解率 | NA |
| 1222 | 2026-05-02 |
Prediction of testicular histology in azoospermia patients through deep learning-enabled two-dimensional grayscale ultrasound
2025-03-01, Asian journal of andrology
IF:3.0Q1
DOI:10.4103/aja202480
PMID:39363830
|
研究论文 | 开发了一种基于深度学习的模型，通过二维灰度超声图像预测无精子症患者的睾丸组织学结果 | 首次利用深度学习融合超声图像和睾丸体积数据，无创区分无精子症患者的精子存在与缺失，并进一步分类成熟停滞和仅支持细胞综合征 | 未提供具体局限性信息 | 建立睾丸灰度超声图像与睾丸组织学之间的关联，避免不必要的睾丸活检 | 无精子症患者的睾丸组织学类型，包括精子存在（SPP）和精子缺失（SAP）以及成熟停滞（MA）和仅支持细胞综合征（SCOS） | 机器学习 | 无精子症 | 二维灰度超声 | 深度学习 | 图像 | 353名男性，共4357张图像 | NA | NA | AUC、准确率、灵敏度、特异度 | NA |
| 1223 | 2026-05-02 |
Global genotype by environment prediction competition reveals that diverse modeling strategies can deliver satisfactory maize yield estimates
2025-02-05, Genetics
IF:3.3Q2
DOI:10.1093/genetics/iyae195
PMID:39576009
|
研究论文 | 通过全球基因型-环境预测竞赛，发现多样化建模策略均可有效预测玉米产量 | 首次举办公开的基因型-环境互作预测竞赛，整合基因组变异、表型、气象和管理数据，系统评估多种建模策略（包括传统育种工具、机器学习/深度学习、机械模型和集成模型）的预测能力，验证了无单一模型绝对优越的结论 | 未明确讨论模型可解释性、数据偏差或跨环境泛化性的潜在问题 | 探索结合遗传和环境因素预测作物表型的方法，提升产量预测精度以保障粮食安全 | 玉米（Maize）的产量性状预测 | 机器学习 | 不适用 | 基因组变异分析、表型采集、气象数据记录、田间管理记录 | 混合模型（随机森林、岭回归、最小二乘法、深度学习/机器学习、机械模型、集成模型） | 基因型数据、表型数据、气象数据、管理记录 | 涵盖9年（2022-2023年）的多地点玉米数据集，具体样本量未在摘要中明确 | 不适用（竞赛中涉及多种框架，如随机森林、岭回归等，但未在摘要中指定具体框架） | 随机森林、岭回归、最小二乘法、深度学习网络（具体架构未指定）、机械模型、集成模型 | 产量预测精度（未在摘要中明确具体指标，如R²或RMSE等） | 未指定具体计算资源 |
| 1224 | 2026-05-02 |
Preoperative Prediction of Axillary Lymph Node Metastasis in Patients With Breast Cancer Through Multimodal Deep Learning Based on Ultrasound and Magnetic Resonance Imaging Images
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.029
PMID:39107188
|
研究论文 | 基于超声和磁共振成像的多模态深度学习模型用于预测乳腺癌患者腋窝淋巴结转移 | 首次将超声和磁共振成像的深度学习预测结果与临床参数结合，构建多模态深度学习模型，用于预测乳腺癌患者腋窝淋巴结转移 | 回顾性研究设计，样本量有限（共588例），外部验证队列样本量较小（123例） | 开发并验证基于超声和磁共振成像的多模态深度学习模型，以无创方式预测乳腺癌患者腋窝淋巴结转移 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | NA | 卷积神经网络 | 图像 | 588例，其中主要队列465例，外部验证队列123例 | NA | 卷积神经网络 | 受试者工作特征曲线下面积、决策曲线 | NA |
| 1225 | 2026-05-02 |
Comparative Analysis of the Diagnostic Value of S-Detect Technology in Different Planes Versus the BI-RADS Classification for Breast Lesions
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.005
PMID:39138111
|
研究论文 | 评估S-Detect技术在超声不同切面诊断乳腺病变的表现并与BI-RADS分类进行比较 | 首次系统分析S-Detect技术在径向和反径向两个切面间的不一致性及其对诊断性能的影响，识别导致不一致的病变特征 | 仅基于回顾性数据，且未考虑操作者间差异；S-Detect在切面不一致时的诊断效能显著下降，需谨慎引用其结果 | 评估S-Detect在不同超声切面的诊断效能并分析不一致性的影响因素 | 711名患者的756个乳腺病变 | 机器学习 | 乳腺病变 | 超声成像 | 深度学习模型（S-Detect） | 超声图像 | 711名患者，756个乳腺病变 | NA | NA | 准确率, AUC | NA |
| 1226 | 2026-05-02 |
Ultrasound-Based Deep Learning Radiomics Nomogram for Tumor and Axillary Lymph Node Status Prediction After Neoadjuvant Chemotherapy
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.036
PMID:39183131
|
研究论文 | 探索深度学习放射组学列线图在预测乳腺癌患者新辅助化疗后肿瘤状态和腋窝淋巴结转移中的可行性 | 融合了临床特征、放射组学特征和深度学习迁移学习特征，构建了综合列线图，并利用Cox回归模型进行生存分析验证算法有效性 | 本研究为回顾性研究，样本量有限，可能存在选择偏倚，且未进行外部验证 | 评估深度学习放射组学列线图在预测乳腺癌新辅助化疗后肿瘤和淋巴结状态中的诊断性能及预后价值 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 超声成像 | 深度学习模型（结合放射组学） | 图像 | 243例乳腺癌患者 | NA | 深度学习迁移学习模型 | ROC曲线下面积、一致性指数、决策曲线分析、Kaplan-Meier生存曲线 | NA |
| 1227 | 2026-05-02 |
Accelerated T2-weighted MRI of the Bowel at 3T Using a Single-shot Technique with Deep Learning-based Image Reconstruction: Impact on Image Quality and Disease Detection
2025-01, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.023
PMID:39198137
|
研究论文 | 比较常规6mm HASTE与深度学习重建的DL-HASTE（4mm和6mm层厚）在3T肠道MRI中的图像质量和疾病检测能力 | 首次评估深度学习单次扫描技术DL-HASTE在肠道MRI中的应用，展示其在缩短采集时间的同时提升图像质量 | 样本量较小（91例），且仅评估了盆腔肠道成像，未涵盖其他腹部区域；DL-HASTE仅在3T设备上测试，通用性有待验证 | 比较DL-HASTE与常规HASTE在肠道MRI中的图像质量和疾病检测性能 | 91例接受3T MR肠造影的患者（51名女性，平均年龄44±10岁） | 医学影像 | 肠道疾病（包括回肠壁增厚、回肠炎症、狭窄、穿透性疾病） | 深度学习图像重建（DL-HASTE） | 深度学习模型 | MRI图像 | 91例患者 | NA | DL-HASTE | 图像质量、伪影、肠壁清晰度、诊断信心（5点Likert量表） | NA |
| 1228 | 2026-05-02 |
Harnessing AI for Improved Detection and Classification of Pleural Effusion: Insights and Innovations
2025, Canadian respiratory journal
IF:2.1Q3
DOI:10.1155/carj/2882255
PMID:40809325
|
综述 | 本文综述了人工智能和机器学习在胸腔积液检测与分类中的应用，展示了这些技术在提升诊断准确性和效率方面的潜力 | 系统梳理了包括LGB和XGBoost在内的多种机器学习模型在胸腔积液诊断中的应用，并指出整合多元诊断参数可显著提高准确性 | 未提及具体样本量和数据来源的差异可能影响模型泛化能力 | 评估AI和ML技术在胸腔积液检测与分类中的当前应用现状并指出未来研究方向 | 胸腔积液的检测与分类方法 | 机器学习 | 胸腔积液 | NA | 深度学习, 集成方法 | 临床数据, 实验室数据, 影像数据 | NA | NA | Light Gradient Boosting Machine, XGBoost | 准确率, AUC | NA |
| 1229 | 2026-05-02 |
An in-silico simulation study to generate computed tomography images from ultrasound data by using deep learning techniques
2025-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubaf005
PMID:42064001
|
研究论文 | 通过深度学习模型从超声数据生成类似CT的图像，以增强病变检测能力 | 首次使用原始超声射频数据作为条件生成对抗网络（cGAN）的输入来生成CT样图像，显著改善病变可检测性并减轻声影伪影 | 研究基于模拟数据，未使用真实患者数据验证；数据集规模较小（每个数据集1000样本） | 探究深度学习能否从原始超声数据生成CT样图像，以提高实质器官病变检测性能 | 模拟体模中的超声数据和CT图像 | 医学影像处理 | NA | k-wave超声模拟工具包、Astra CT模拟工具包 | 条件生成对抗网络（cGAN） | 图像（超声数据、CT模拟数据） | 2个数据集，每个1000样本（训练800，测试200） | NA | pix2pix条件生成对抗网络 | 广义对比度噪声比（gCNR）、结构相似性指数（SSIM）、Jaccard指数 | NA |
| 1230 | 2026-05-02 |
CT-based deep learning prediction of complete response in intermediate-stage hepatocellular carcinoma treated with drug-eluting beads transarterial chemoembolization
2025-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubaf018
PMID:42063993
|
研究论文 | 开发基于CT的深度学习模型预测中期肝细胞癌患者在接受药物洗脱微球经动脉化疗栓塞术后的完全缓解 | 采用具有时空视频视觉Transformer架构的双网络深度学习模型，利用基线专用肝脏CT数据预测完全缓解，并应用8折交叉验证与集成技术提高预测性能 | 模型灵敏度中等，需改进以提升灵敏度；样本量有限（93例），需要更大数据集和前瞻性研究验证 | 开发基于CT的深度学习模型预测中期肝细胞癌患者接受药物洗脱微球经动脉化疗栓塞术后的完全缓解 | 初治巴塞罗那临床肝癌B期肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | CT成像 | 视频视觉Transformer | 图像 | 93例患者（机构1: 50例，机构2: 49例） | NA | 时空视频视觉Transformer | 特异性、AUC、灵敏度、平衡准确率 | NA |
| 1231 | 2026-05-02 |
Prognostic modeling in head and neck cancer: deep learning or handcrafted radiomics?
2025-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubaf008
PMID:42064005
|
review | 系统评价了手工放射组学与深度学习模型在头颈癌预后预测中的表现 | 首次全面比较手工放射组学与深度学习模型在头颈癌预后预测中的方法学严谨性和性能指标 | 纳入研究的方法学、预后定义和性能指标存在显著异质性，亟需标准化 | 评估手工放射组学与深度学习模型在头颈鳞状细胞癌患者预后预测中的性能 | 接受（放）化疗的头颈鳞状细胞癌患者 | machine learning | 头颈癌 | 放射组学 | 深度学习模型、手工放射组学模型 | 医学影像 | 23项符合纳入标准的研究 | NA | NA | 总体生存率、局部区域复发率、远处转移率 | NA |
| 1232 | 2026-05-02 |
Deep learning automates Cobb angle measurement compared with multi-expert observers
2025-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubaf009
PMID:42064002
|
研究论文 | 本文介绍了一种基于深度学习的全自动Cobb角测量软件，与多位专家观察者进行对比，展现出更高的测量精度和可解释性 | 开发了全自动Cobb角测量软件，不仅精确测量角度，还直接在原始图像上可视化测量结果；与七位专家读者对比，表现优于人类观察者 | 文章未明确提及限制 | 实现全自动Cobb角测量，提高脊柱侧弯评估的准确性和可重复性 | 脊柱X光图像中的Cobb角测量 | 计算机视觉 | 脊柱侧弯 | NA | 深度神经网络 | 图像 | NA | PyTorch | NA | 平均偏差, 组内相关系数(ICC), 皮尔逊相关系数 | NA |
| 1233 | 2026-05-02 |
Automated assessment of EEG background for neurodevelopmental prediction in neonatal encephalopathy
2024-12, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.52233
PMID:39543820
|
研究论文 | 评估新生儿脑病中基于深度学习的脑状态指数（BSN）预测神经发育结局的能力 | 首次将深度学习的BSN趋势用于新生儿脑病EEG背景自动评估，并证明其在出生后24小时内即可提供客观、定量的预后预测能力 | 样本量较小（92名婴儿），且仅针对18个月时的神经发育结局，缺乏长期随访数据 | 评估BSN趋势预测新生儿脑病神经发育结局的能力 | 92名新生儿脑病患儿 | 机器学习 | 新生儿脑病 | 深度学习 | BSN（深度神经网络） | EEG信号 | 92名婴儿 | NA | NA | AUC | NA |
| 1234 | 2026-05-02 |
Diagnostic evaluation of blunt chest trauma by imaging-based application of artificial intelligence
2024-11, The American journal of emergency medicine
DOI:10.1016/j.ajem.2024.08.019
PMID:39213808
|
综述 | 回顾人工智能在钝性胸部创伤影像诊断中的应用，并探讨其挑战与优化方向 | 系统总结了AI在钝性胸部创伤（肋骨骨折、肺挫伤、血气胸等）诊断中的进展，并首次聚焦于多任务综合诊断的局限性 | 当前深度学习研究集中于特定临床场景，缺乏对钝性胸部创伤复杂性的全面诊断和预后评估能力 | 评估AI在钝性胸部创伤诊断中的潜在效用，并提出优化其临床应用的策略 | 钝性胸部创伤患者及相关影像数据 | 计算机视觉, 数字病理学 | 胸部创伤 | 影像学 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1235 | 2026-05-02 |
Automated cell lineage reconstruction using label-free 4D microscopy
2024-10-07, Genetics
IF:3.3Q2
DOI:10.1093/genetics/iyae135
PMID:39139100
|
研究论文 | 描述了一种无需手动标注的深度学习管道embGAN，用于从无标记4D显微镜图像中自动重建细胞谱系 | 首次实现无需荧光标记或转基因的无标记3D延时成像中自动细胞检测与追踪，且训练无需手动数据标注，具备尺度和实验室间泛化能力 | 在密集组织和胚胎中自动检测与追踪的挑战尚未完全解决；性能以秀丽隐杆线虫胚胎为基准，可能在其他生物体中泛化性有限 | 开发一种自动化细胞谱系重建方法，以替代荧光显微镜中的人工标注过程，实现高通量研究 | 秀丽隐杆线虫（Caenorhabditis elegans）胚胎的细胞谱系 | 计算机视觉 | NA | 无标记4D显微镜 | 深度学习管道（embGAN） | 无标记3D延时图像 | 多个实验室和多台仪器获取的图像（具体数量未说明） | NA | embGAN（基于生成对抗网络的架构） | 细胞检测与追踪性能（接近最先进水平，具体指标未说明） | NA |
| 1236 | 2026-05-02 |
Deep Learning Reconstruction of Accelerated MRI: False-Positive Cartilage Delamination Inserted in MRI Arthrography Under Traction
2024-Aug-01, Topics in magnetic resonance imaging : TMRI
DOI:10.1097/RMR.0000000000000313
PMID:39016321
|
病例报告 | 通过深度学习重建加速MRI中出现的假阳性软骨分层案例 | 首次报告深度学习重建加速MRI在髋关节牵引下关节造影中产生假阳性软骨分层的现象 | 仅基于单个病例，未进行系统性测试，且未深入分析训练数据偏差的影响 | 指出深度学习重建技术在临床应用中的潜在假阳性风险 | 30岁健康男性患者的右髋关节 | 计算机视觉 | 软骨病变 | MRI加速成像 | 深度学习重建模型 | 图像 | 1例患者 | NA | NA | 假阳性率 | NA |
| 1237 | 2024-08-07 |
FasterRib: A deep learning algorithm to automate identification and characterization of rib fractures on chest computed tomography scans: Erratum
2024-08-01, The journal of trauma and acute care surgery
IF:2.9Q1
DOI:10.1097/TA.0000000000004427
PMID:38996424
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1238 | 2026-05-02 |
EPInformer: a scalable deep learning framework for gene expression prediction by integrating promoter-enhancer sequences with multimodal epigenomic data
2024-Aug-01, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.01.606099
PMID:39131276
|
研究论文 | 提出可扩展深度学习框架EPInformer，通过整合启动子-增强子序列与多模态表观基因组数据预测基因表达 | 集成启动子-增强子相互作用、序列、表观基因组信号和染色质接触信息，在跨染色体验证中超越现有模型，并能通过CRISPR扰动实验验证增强子-基因相互作用 | 现有方法无法捕捉增强子等远端元件的调控效应导致预测精度受限，且需要大量资源进行训练或适应新数据 | 开发可扩展的深度学习框架用于基因表达预测 | 基因表达预测中的启动子-增强子相互作用、表观基因组信号和染色质接触 | 机器学习 | NA | 深度学习 | EPInformer框架 | 序列数据、表观基因组信号、染色质接触数据 | NA | PyTorch | EPInformer | 跨染色体验证准确性、CRISPR扰动验证准确性 | NA |
| 1239 | 2026-05-02 |
X-ray absorption spectroscopy combined with deep learning for auto and rapid illicit drug detection
2024-07-03, The American journal of drug and alcohol abuse
DOI:10.1080/00952990.2024.2377262
PMID:39158551
|
研究论文 | 利用X射线吸收光谱结合改进的Transformer编码器模型实现毒品的自动快速检测 | 首次将X射线吸收光谱与深度学习结合用于毒品检测，并采用改进的Transformer编码器模型实现高准确率（96.73%）和快速训练（1.4小时） | 仅使用50种毒品类似物进行实验，未涉及实际毒品样本；且需要进一步验证该方法在临床和执法场景中的实用性 | 实现快速、无损、自动的毒品检测 | 毒品及其类似物（同分异构体或分子式相似的化合物） | 机器学习 | NA | X射线吸收光谱 | Transformer, LSTM, ResU-net | 光谱数据 | 50种毒品类似物 | NA | 改进的Transformer编码器, LSTM, ResU-net | 准确率, 训练时间 | NA |
| 1240 | 2026-05-02 |
Radiomics based on T2-weighted and diffusion-weighted MR imaging for preoperative prediction of tumor deposits in rectal cancer
2024-06, American journal of surgery
IF:2.7Q1
DOI:10.1016/j.amjsurg.2024.01.002
PMID:38272767
|
研究论文 | 开发并验证基于T2加权和弥散加权MRI的影像组学列线图，用于直肠癌肿瘤沉积的术前预测 | 首次结合T2WI和ADC图像的影像组学特征与临床因素构建列线图，优于传统机器学习模型 | 回顾性研究设计及相对较小的样本量可能限制泛化能力 | 实现直肠癌肿瘤沉积的术前无创预测 | 199例直肠癌患者的T2WI和DWI影像数据及临床资料 | 数字病理学 | 直肠癌 | MRI（T2加权成像、弥散加权成像） | 影像组学列线图 | 影像数据 | 199例（训练集159例，验证集40例） | NA | 随机森林、支持向量机、深度学习模型（对比模型） | AUC, 准确率, 灵敏度, 特异度, 阳性预测值, 阴性预测值 | NA |