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 32492 篇文献，本页显示第 13101 - 13120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13101 | 2025-10-07 |
Using CT images to assist the segmentation of MR images via generalization: Segmentation of the renal parenchyma of renal carcinoma patients
2025-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17494
PMID:39494916
|
研究论文 | 探索通过CT图像辅助MR图像分割的泛化能力，用于肾细胞癌患者肾实质分割 | 首次系统研究利用CT图像通过泛化能力辅助MR图像分割，无需复杂跨模态框架 | 需要更全面的测试验证，研究仅针对特定类型医学图像 | 探索CT图像通过泛化能力辅助MR图像分割的可行性和鲁棒性 | 肾细胞癌患者的肾实质 | 医学图像分析 | 肾细胞癌 | CT成像，磁共振成像 | 3D-UNET | 医学图像 | 116例CT图像，240例MR图像，79例外部验证CT图像 | NA | 3D-UNET | Dice相似系数，Pearson相关系数 | NA |
| 13102 | 2025-10-07 |
4DCT image artifact detection using deep learning
2025-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17513
PMID:39540716
|
研究论文 | 本研究开发了一种基于深度学习的4DCT图像伪影检测方法 | 该模型能够同时检测多种伪影类型（重复、错位、截断和插值），而先前模型仅针对单一伪影类型设计 | NA | 识别4DCT图像中伪影的位置 | 4DCT扫描图像 | 计算机视觉 | NA | 4DCT成像 | CNN | 医学图像 | 从98个4DCT扫描中提取的23000多个冠状切片 | NA | U-net | 灵敏度, 特异性, 精确度, ROC曲线下面积, 精确度-召回率曲线下面积 | NA |
| 13103 | 2025-10-07 |
Applications and potential of machine, learning augmented chest X-ray interpretation in cardiology
2025-Feb, Minerva cardiology and angiology
IF:1.4Q3
DOI:10.23736/S2724-5683.24.06288-4
PMID:39535525
|
综述 | 探讨机器学习在心脏X光片判读中的应用现状与未来潜力 | 系统梳理机器学习在心脏X光判读中的多维度应用，并从临床和技术双视角展望未来发展方向 | NA | 改善心脏病学领域临床决策支持系统 | 胸部X光影像及其临床判读 | 计算机视觉 | 心血管疾病 | 胸部X光成像 | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 13104 | 2025-10-07 |
Glottic opening detection using deep learning for neonatal intubation with video laryngoscopy
2025-Feb, Journal of perinatology : official journal of the California Perinatal Association
IF:2.4Q1
DOI:10.1038/s41372-024-02171-3
PMID:39537817
|
研究论文 | 本研究开发了一种基于深度学习的AI方法，用于在新生儿视频喉镜检查中自动检测声门开口 | 首次将YOLOv8深度学习模型应用于新生儿视频喉镜检查中的声门开口自动检测，并与不同经验水平的医疗提供者进行性能比较 | 样本量相对有限（84例新生儿插管），需要在更大数据集上进一步验证 | 开发AI辅助工具以提高新生儿插管的安全性和效率 | 新生儿插管过程中的声门开口 | 计算机视觉 | NA | 视频喉镜检查 | CNN | 视频帧 | 84例新生儿插管的1623个视频帧 | NA | YOLOv8 | 精确率, 召回率 | NA |
| 13105 | 2025-10-07 |
DeepMEns: an ensemble model for predicting sgRNA on-target activity based on multiple features
2025-Jan-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae043
PMID:39528429
|
研究论文 | 提出基于深度学习的集成可解释模型DeepMEns，用于预测sgRNA的靶向活性 | 提出集成可解释模型，结合多种特征和架构，通过五个子回归器的平均预测提高性能 | 模型内在机制仍存在解释难度，性能提升空间未明确量化 | 提高CRISPR/Cas9系统中sgRNA靶向活性的预测准确性 | 化脓性链球菌CRISPR/Cas9系统的单导RNA（sgRNA） | 机器学习 | NA | 基因编辑技术 | CNN, Transformer, LSTM | 序列数据，DNA形状特征，位置编码特征 | 五个不同的训练和验证数据集，十个独立测试数据集 | NA | CNN with Transformer encoder, LSTM with attention mechanism | Spearman相关系数 | NA |
| 13106 | 2025-04-27 |
Toward Personalized Digital Experiences to Promote Diabetes Self-Management: Mixed Methods Social Computing Approach
2025-Jan-07, JMIR diabetes
DOI:10.2196/60109
PMID:39773324
|
研究论文 | 本研究采用混合方法社交计算方法，分析数字健康社区中的同伴互动，以促进糖尿病自我管理的个性化干预 | 结合深度学习和社交网络分析技术，从大规模社交媒体数据中识别社交影响力模式，为个性化干预提供依据 | 研究仅基于美国糖尿病协会支持社区的数据，可能无法推广到其他文化或平台 | 探索社交影响力在糖尿病自我管理中的作用，并开发个性化干预措施 | 美国糖尿病协会支持社区中的同伴互动数据（2014-2021年） | 社交计算 | 糖尿病 | 深度学习、社交网络分析 | 深度学习模型 | 文本 | 约73,000次同伴互动，其中1,501条手动标注 | NA | NA | NA | NA |
| 13107 | 2025-10-07 |
Evaluating the Efficacy of Deep Learning Reconstruction in Reducing Radiation Dose for Computer-Aided Volumetry for Liver Tumor: A Phantom Study
2025 Jan-Feb 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001657
PMID:39511829
|
研究论文 | 通过体模研究评估深度学习重建在降低肝脏肿瘤计算机辅助容积测量辐射剂量方面的效果 | 首次系统比较四种CT重建方法（FBP、混合型IR、MBIR和DLR）在肝脏肿瘤容积测量中的辐射剂量降低能力 | 基于体模研究，尚未在真实患者中进行验证 | 评估不同CT重建方法对肝脏肿瘤计算机辅助容积测量准确性的影响 | 商用人体腹部体模中的模拟肝脏肿瘤 | 医学影像分析 | 肝脏肿瘤 | CT扫描，计算机辅助容积测量 | 深度学习重建 | CT影像数据 | 体模在四种不同管电流（600mA、400mA、200mA、100mA）下各扫描5次 | NA | NA | 信噪比，容积测量平均差异 | 320排探测器CT扫描仪 |
| 13108 | 2025-10-07 |
EvoAI enables extreme compression and reconstruction of the protein sequence space
2025-Jan, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02504-2
PMID:39528677
|
研究论文 | 开发了一种名为EvoAI的混合实验计算方法，用于极端压缩和重建蛋白质序列空间 | 提出EvoScan方法全面分割和扫描高适应性序列空间获取锚点，结合深度学习和大型语言模型从锚点准确重建序列空间 | 需要生物分子功能能够与转录输出耦合 | 设计具有改进功能的蛋白质，理解序列与功能关系 | 蛋白质序列空间，阻遏蛋白 | 机器学习 | NA | 转录输出耦合 | 深度学习模型，大型语言模型 | 蛋白质序列数据 | 82个锚点 | NA | NA | 压缩比 | NA |
| 13109 | 2025-04-27 |
Prediction of traffic accident risk based on vehicle trajectory data
2025, Traffic injury prevention
IF:1.6Q4
DOI:10.1080/15389588.2024.2402936
PMID:39570198
|
研究论文 | 本研究利用车辆轨迹数据开发了一个基于LSTM的交通事故风险预测模型 | 直接从低质量原始轨迹数据中提取事故相关危险状态特征，实现细粒度时间分辨率的事故概率预测 | NA | 进行精确的交通事故风险预测 | 城市道路和高速公路场景下的车辆轨迹数据 | 机器学习 | NA | 深度学习 | LSTM | 车辆轨迹数据 | 超过3000辆车的原始轨迹样本 | NA | NA | NA | NA |
| 13110 | 2025-10-07 |
Prediction of Bone Mineral Density based on Computer Tomography Images Using Deep Learning Model
2025, Gerontology
IF:3.1Q3
DOI:10.1159/000542396
PMID:39527924
|
研究论文 | 开发基于多阶段深度学习模型自动测量椎体骨密度并预测骨质疏松症 | 提出多阶段深度学习模型实现椎体自动分割和骨密度预测，替代传统定量CT测量方法 | 样本来源单一（801名受试者），缺乏外部验证数据集 | 开发自动测量骨密度的深度学习模型以提高骨质疏松症诊断率 | 801名接受胸腹部配对CT和QCT扫描的受试者（410名男性，391名女性）及其2080个椎体 | 计算机视觉 | 骨质疏松症 | 计算机断层扫描（CT），定量计算机断层扫描（QCT） | 深度学习模型 | CT图像 | 801名受试者（23-84岁），2080个椎体（训练集1433个，验证集243个，测试集404个） | NA | 多阶段深度学习模型 | 准确率，精确率，召回率，F1分数，决定系数（R2） | NA |
| 13111 | 2025-10-07 |
Automatic segmentation and visualization of cortical and marrow bone in mandibular condyle on CBCT: a preliminary exploration of clinical application
2025-Jan, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-024-00780-4
PMID:39520662
|
研究论文 | 开发基于深度学习的下颌骨髁突皮质骨和骨髓自动分割方法，并探索其临床应用价值 | 提出改进的3D U-Net架构，同时分割皮质骨和骨髓，并开发了可视化定量分析系统辅助诊断 | 初步探索性研究，样本仅来自单一医疗集团的三家中心 | 开发下颌骨髁突自动分割方法并评估其临床应用潜力 | 下颌骨髁突的皮质骨和骨髓组织 | 医学影像分析 | 颞下颌关节疾病 | 锥形束CT成像 | 深度学习 | 3D医学影像 | 490例CBCT图像中的825个髁突样本，来自三家医疗中心 | NA | 3D U-Net | Dice相似系数, Hausdorff距离 | NA |
| 13112 | 2025-10-07 |
Expert level of detection of interictal discharges with a deep neural network
2025-Jan, Epilepsia
IF:6.6Q1
DOI:10.1111/epi.18164
PMID:39530797
|
研究论文 | 开发并验证用于检测脑电图痫样放电的深度神经网络，性能达到专家水平 | 首次将深度神经网络与多位专家在痫样放电检测方面进行系统性比较，并采用混合方法进行外部验证 | 样本量相对有限，专家间存在观察者间变异性 | 评估深度神经网络在脑电图痫样放电自动检测中的临床应用潜力 | 脑电图记录和痫样放电 | 医疗人工智能 | 癫痫 | 脑电图分析 | 深度神经网络 | 脑电图信号 | 内部验证：50例脑电图研究（22例有痫样放电，28例对照）；外部验证：174例脑电图研究 | NA | 深度神经网络 | 灵敏度，特异性，假阳性率，Cohen's κ，Fleiss' κ | NA |
| 13113 | 2025-10-07 |
Enhancing detection of various pancreatic lesions on endoscopic ultrasound through artificial intelligence: a basis for computer-aided detection systems
2025-Jan, Journal of gastroenterology and hepatology
IF:3.7Q2
DOI:10.1111/jgh.16814
PMID:39538430
|
研究论文 | 开发基于人工智能的计算机辅助检测系统，用于实时检测和分割内镜超声下的各种胰腺病变 | 首次针对内镜超声开发实时胰腺病变检测和分割的深度学习模型，为计算机辅助检测系统奠定基础 | 单中心研究，需要进一步验证和泛化研究 | 开发用于内镜超声的计算机辅助检测系统，减少操作者依赖性 | 胰腺病变（恶性肿瘤、神经内分泌肿瘤、良性囊肿、胰腺炎等） | 计算机视觉 | 胰腺疾病 | 内镜超声 | 深度学习模型 | 图像 | 165名患者的1497张内镜超声图像 | NA | NA | IoU, PPV, NPV, 准确率, ROC | NA |
| 13114 | 2025-04-27 |
Lymph Node Metastasis Prediction From In Situ Lung Squamous Cell Carcinoma Histopathology Images Using Deep Learning
2025-Jan, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2024.102187
PMID:39542104
|
研究论文 | 本研究利用深度学习模型从肺鳞状细胞癌组织病理学图像中预测淋巴结转移，提供了一种更准确和客观的诊断和预后方法 | 采用创新的技术如补丁似然直方图和词袋方法表示全切片图像特征，并使用ExtraTrees算法训练机器学习分类器，构建了名为LN_ISLUSCH的模型 | 需要更大和更多样化的队列来验证模型，并探索整合其他组学数据以提高预测准确性和临床实用性 | 预测肺鳞状细胞癌的淋巴结转移，提高病理诊断的精确性 | 肺鳞状细胞癌（LUSC）的原发肿瘤组织病理学图像 | 数字病理学 | 肺癌 | 深度学习、多实例学习、迁移学习 | ResNet-18、ExtraTrees算法 | 图像 | 来自Outdo-LUSC和癌症基因组图谱队列的全切片图像（WSIs） | NA | NA | NA | NA |
| 13115 | 2025-04-25 |
Retraction: Unreferenced English articles' translation quality-oriented automatic evaluation technology using sparse autoencoder under the background of deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0322063
PMID:40267925
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13116 | 2025-04-27 |
Elevator fault precursor prediction based on improved LSTM-AE algorithm and TSO-VMD denoising technique
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320566
PMID:40273057
|
研究论文 | 提出一种结合VMD、BILSTM和AEAM的电梯故障前兆预测方法，提升预测的稳定性和准确性 | 整合VMD、BILSTM和AEAM算法，提出VMD-BILSTM-AEAM模型，有效解决电梯运行数据中的特征冗余和噪声干扰问题 | 未提及模型在极端噪声环境下的表现或对其他类型机械故障的适用性 | 提升电梯故障前兆预测的准确性和稳定性 | 电梯运行参数（电流、电压、运行速度等） | 机器学习 | NA | VMD（变分模态分解）、BILSTM（双向长短期记忆网络）、AEAM（带注意力机制的自编码器） | VMD-BILSTM-AEAM | 时间序列数据 | 未明确提及具体样本数量，仅提到电梯运行参数数据集 | NA | NA | NA | NA |
| 13117 | 2025-04-27 |
Leveraging deep learning models to increase the representation of nomadic pastoralists in health campaigns and demographic surveillance
2025, PLOS global public health
DOI:10.1371/journal.pgph.0004018
PMID:40273062
|
研究论文 | 本文提出了一种基于计算机视觉的方法，通过卫星图像自动定位游牧民族定居点，以提高健康服务和人口监测中的代表性 | 利用公开的道路和水基础设施数据，开发了一种新的训练策略，解决了标记定居点数据不足带来的性能差距 | 研究依赖于卫星图像的质量和分辨率，且模型在更大范围内的适用性尚未验证 | 提高游牧民族在健康服务和人口监测中的代表性 | 游牧民族定居点 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 卫星图像 | 约1,000个历史活跃定居点的卫星图像数据集，覆盖埃塞俄比亚奥莫河谷和肯尼亚桑布鲁县 | NA | NA | NA | NA |
| 13118 | 2025-04-27 |
N-Beats architecture for explainable forecasting of multi-dimensional poultry data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320979
PMID:40273069
|
研究论文 | 本研究提出了一种新颖的N-BEATS架构应用，用于多维度家禽数据预测，并通过集成的可解释AI（XAI）框架增强了可解释性 | 首次将N-BEATS架构应用于家禽数据预测，并结合XAI框架提高模型的可解释性 | NA | 优化家禽生产中的预测分析，提升农场管理决策效率 | 家禽疾病诊断的多维数据 | 机器学习 | NA | 时间序列建模 | N-BEATS | 多元时间序列数据 | NA | NA | NA | NA | NA |
| 13119 | 2025-04-27 |
Definer: A computational method for accurate identification of RNA pseudouridine sites based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320077
PMID:40273178
|
研究论文 | 提出了一种基于深度学习的计算方法Definer，用于准确识别RNA假尿苷位点 | 结合了NCP和One-hot两种序列编码方案，并利用CNN、GRU和Attention构建深度学习模型 | 仅针对三种物种（智人、酿酒酵母和小鼠）进行了测试 | 准确识别RNA假尿苷位点，以解释该修饰位点的功能机制 | RNA假尿苷位点 | 生物信息学 | NA | 深度学习 | CNN, GRU, Attention | RNA序列数据 | 三种物种（智人、酿酒酵母和小鼠）的基准数据集 | NA | NA | NA | NA |
| 13120 | 2025-04-27 |
Intelligent recognition of human activities using deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321754
PMID:40273193
|
research paper | 该研究利用深度学习技术，通过集成3D-AlexNet-RF和InceptionV3 Google-Net模型，提高了RGB视频中人类活动识别的准确性 | 采用集成方法结合两种深度学习模型的预测结果，显著提升了人类活动识别的性能 | 研究仅基于HMDB51数据集进行评估，可能在其他数据集上的泛化能力有待验证 | 提升人类活动识别（HAR）的准确性，以改善患者护理、增强安全监控和促进人机交互 | RGB视频中的人类活动 | computer vision | NA | 深度学习 | 3D-AlexNet-RF, InceptionV3 Google-Net | video | HMDB51数据集 | NA | NA | NA | NA |