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 13161 - 13180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13161 | 2025-04-25 |
Deep Learning-Powered Colloidal Digital SERS for Precise Monitoring of Cell Culture Media
2025-Feb-04, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.03.636280
PMID:39974903
|
研究论文 | 本文介绍了一种基于深度学习的胶体数字SERS平台，用于精确监测细胞培养基 | 利用深度学习和胶体数字SERS技术，通过将时间波动的SERS强度转换为数字二进制信号，显著提高了检测的准确性和可重复性 | 某些分析物缺乏特征SERS峰可能限制了该平台的广泛应用 | 开发一种快速、精确监测细胞培养基的新技术，以提高生物制药制造的质量控制 | 细胞培养基（特别是AMBIC 1.1）中的小分子关键过程参数和质量属性 | 生物医学诊断 | NA | 表面增强拉曼光谱（SERS），深度学习 | 深度学习 | 光谱数据 | NA | NA | NA | NA | NA |
| 13162 | 2025-04-25 |
UTSRMorph: A Unified Transformer and Superresolution Network for Unsupervised Medical Image Registration
2025-Feb, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3467919
PMID:39321000
|
research paper | 提出了一种名为UTSRMorph的新型无监督医学图像配准方法，结合Transformer和超分辨率网络以提升特征表示学习和生成详细位移场 | 提出融合注意力块和重叠注意力块，结合ConvNets和Transformers的优势，并使用超分辨率模块替代插值上采样以避免特征退化 | 未明确提及具体局限性，但可能涉及计算复杂度或特定数据集上的泛化能力 | 提升医学图像配准的准确性和效率 | 3D脑部MR图像（OASIS, IXI）和MR-CT数据集（腹部、颅颌面） | digital pathology | NA | 深度学习 | Transformer, ConvNet | 3D医学图像 | 多个公开数据集（OASIS, IXI, 腹部和颅颌面MR-CT） | NA | NA | NA | NA |
| 13163 | 2025-04-25 |
ConvexAdam: Self-Configuring Dual-Optimization-Based 3D Multitask Medical Image Registration
2025-Feb, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3462248
PMID:39283782
|
研究论文 | 提出了一种基于凸优化和Adam优化的自配置双优化3D多任务医学图像配准方法 | 结合预训练语义特征提取模型与快速双优化过程，提出自动超参数选择程序，实现自配置图像配准框架 | 需要依赖预训练模型，可能在不同数据集上的泛化能力有限 | 开发一种快速、通用且精确的医学图像配准方法 | 多任务医学图像配准 | 数字病理 | NA | 凸优化，Adam优化，预训练语义特征提取 | NA | 3D医学图像 | Learn2Reg挑战数据集中的所有可用数据 | NA | NA | NA | NA |
| 13164 | 2025-04-25 |
Artificial intelligence in dermatopathology: a systematic review
2025-Jan-27, Clinical and experimental dermatology
IF:3.7Q1
DOI:10.1093/ced/llae361
PMID:39226138
|
系统综述 | 本文系统综述了人工智能在皮肤病理学中的应用、挑战、机遇及未来潜力 | 全面评估了AI在皮肤病理学中的多种应用，并指出了未来的发展方向 | 研究受到小样本量和潜在偏倚的限制 | 探讨AI在皮肤病理学诊断和护理中的角色与潜力 | 皮肤病理学中的数字化切片和AI应用 | 数字病理学 | 皮肤疾病 | 深度学习 | NA | 图像 | 112篇论文 | NA | NA | NA | NA |
| 13165 | 2025-04-25 |
SeqSeg: Learning Local Segments for Automatic Vascular Model Construction
2025-Jan-27, ArXiv
PMID:39975447
|
研究论文 | 提出了一种基于深度学习的自动追踪和分割算法SeqSeg，用于构建基于图像的血管模型 | SeqSeg利用局部U-Net推理顺序分割医学图像中的血管结构，能够分割更完整的血管系统，并能泛化到训练数据中未标注的血管结构 | NA | 改进心血管功能计算建模中的模型生成过程 | 主动脉和主动脉-股动脉模型的CT和MR图像 | 数字病理学 | 心血管疾病 | 深度学习 | U-Net, nnU-Net | 医学图像 | NA | NA | NA | NA | NA |
| 13166 | 2025-04-25 |
A Comprehensive Review on Deep Learning Techniques in Alzheimer's Disease Diagnosis
2025, Current topics in medicinal chemistry
IF:2.9Q3
|
review | 本文全面综述了深度学习技术在阿尔茨海默病诊断中的应用 | 分类了阿尔茨海默病的ATN生物标志物，系统描述了多种深度学习算法用于早期评估，并讨论了广泛使用的在线数据集 | NA | 通过深度学习技术提升阿尔茨海默病早期诊断的有效方法 | 阿尔茨海默病及其相关生物标志物 | digital pathology | geriatric disease | 深度学习 | DNN, CNN, RNN, k-NN, DBM, DBN | 医学影像数据 | 涉及多个在线数据集如ADNI、OASIS等 | NA | NA | NA | NA |
| 13167 | 2025-04-25 |
Optimization of the automated Sunnybrook Facial Grading System - Improving the reliability of a deep learning network with facial landmarks
2025-Jan, European annals of otorhinolaryngology, head and neck diseases
DOI:10.1016/j.anorl.2024.07.005
PMID:39117479
|
研究论文 | 本研究通过在人脸关键点层的基础上优化自动化的Sunnybrook面部评分系统（SFGS），提高了深度学习网络的可靠性 | 在卷积神经网络（CNN）中新增人脸关键点层，显著提升了自动化SFGS的可靠性 | 研究样本量有限，仅包含116例单侧周围性面瘫患者和9例健康受试者 | 优化自动化SFGS的可靠性，使其在电子健康环境中更易用 | 单侧周围性面瘫患者和健康受试者的面部表情数据 | 计算机视觉 | 面瘫 | 深度学习 | CNN | 图像 | 116例患者和9例健康受试者 | NA | NA | NA | NA |
| 13168 | 2025-04-25 |
Prompt-Driven Latent Domain Generalization for Medical Image Classification
2025-Jan, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3443119
PMID:39137089
|
研究论文 | 提出了一种无需依赖域标签的医学图像分类统一域泛化框架PLDG，通过无监督域发现和提示学习提升模型在未见域上的表现 | 首次提出无需域标签的域泛化框架，结合伪域标签聚类和协作域提示学习，引入域提示生成器和域混合策略增强跨域知识学习 | 伪域标签的准确性可能影响模型性能，实验仅在有限医学图像任务上验证 | 解决医学图像分析中因分布偏移导致的临床诊断不可靠问题 | 医学图像分类任务 | 计算机视觉 | NA | 域泛化、提示学习 | Vision Transformer | 医学图像 | 三个医学图像分类任务和一个去偏任务的数据集 | NA | NA | NA | NA |
| 13169 | 2025-04-25 |
AutoSamp: Autoencoding k-Space Sampling via Variational Information Maximization for 3D MRI
2025-Jan, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3443292
PMID:39146168
|
research paper | 提出了一种名为AutoSamp的新型深度学习框架，通过变分信息最大化联合优化MRI扫描的采样模式和重建 | 利用变分信息最大化联合优化k空间采样模式和MRI重建，实现了非笛卡尔平面上k空间样本位置的连续优化 | 未明确提及具体局限性 | 优化MRI的k空间采样模式以提高重建质量 | 3D MRI扫描数据 | medical imaging | NA | 非均匀快速傅里叶变换和深度学习重建网络 | autoencoder | 3D MRI图像数据 | 公共3D MRI数据集 | NA | NA | NA | NA |
| 13170 | 2025-04-25 |
Unsupervised Non-Rigid Histological Image Registration Guided by Keypoint Correspondences Based on Learnable Deep Features With Iterative Training
2025-Jan, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3447214
PMID:39167523
|
research paper | 提出了一种基于可学习深度特征和迭代训练的无监督非刚性组织学图像配准方法 | 引入了固定深度特征和可学习深度特征作为关键点描述符，采用迭代训练策略联合优化配准网络和可学习深度特征 | 未明确提及具体局限性 | 解决组织学图像配准中由于多重染色导致的显著外观差异问题 | 组织学图像 | digital pathology | breast cancer | deep learning | unsupervised network | image | ANHIR和ACROBAT网站上的数据集 | NA | NA | NA | NA |
| 13171 | 2025-04-25 |
Detection and classification of electrocardiography using hybrid deep learning models
2025 Jan-Feb, Hellenic journal of cardiology : HJC = Hellenike kardiologike epitheorese
IF:2.7Q2
DOI:10.1016/j.hjc.2024.08.011
PMID:39218394
|
研究论文 | 本文提出了一种结合CNN和VAE的混合深度学习模型，用于心电图的检测和分类，以提高心血管疾病的自动诊断准确性 | 提出了一种新的CNN-VAE混合架构，用于心电图的分类，相比其他深度学习方法表现更优 | 模型仅在PTB-XL数据集上进行了训练和测试，可能需要更多样化的数据验证其泛化能力 | 提高心电图的自动分类准确性，以辅助心血管疾病的早期诊断 | 心电图数据 | 机器学习 | 心血管疾病 | 深度学习 | CNN-VAE混合模型 | 心电图信号 | PTB-XL数据集中的21,799条12导联心电图，来自18,869名患者 | NA | NA | NA | NA |
| 13172 | 2025-04-25 |
Artificial intelligence in interventional radiology: Current concepts and future trends
2025-Jan, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2024.08.004
PMID:39261225
|
综述 | 本文综述了人工智能在介入放射学中的当前应用和未来趋势 | 探讨了深度学习模型特别是基础模型在介入放射学中的应用，以及AI如何提升手术效率和安全性 | 未具体提及AI技术在介入放射学中应用的具体限制或挑战 | 概述人工智能在介入放射学中的潜在应用和未来发展方向 | 介入放射学的医疗实践和技术发展 | 数字病理学 | NA | 深度学习 | 基础模型 | 多模态数据 | NA | NA | NA | NA | NA |
| 13173 | 2025-04-25 |
Attention-Guided Learning With Feature Reconstruction for Skin Lesion Diagnosis Using Clinical and Ultrasound Images
2025-Jan, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2024.3450682
PMID:39208042
|
research paper | 提出一种结合临床和超声模态的注意力引导学习与特征重建的皮肤病变诊断网络，以提高诊断准确性 | 提出注意力引导学习模块和特征重建学习策略，融合临床和超声模态的表面和深度信息，增强特征表示 | 现有多模态方法仅局限于皮肤临床和皮肤镜模态的表面信息，限制了皮肤病变诊断准确性的进一步提升 | 提高皮肤病变的诊断准确性 | 皮肤病变 | digital pathology | skin lesion | deep learning | CNN | image | NA | NA | NA | NA | NA |
| 13174 | 2025-04-25 |
Multiple instance learning-based prediction of programmed death-ligand 1 (PD-L1) expression from hematoxylin and eosin (H&E)-stained histopathological images in breast cancer
2025, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.19201
PMID:40256728
|
research paper | 本研究利用基于弱监督多实例学习（MIL）的深度学习方法，从乳腺癌H&E染色组织病理学图像中预测PD-L1表达 | 采用Transformer-based TransMIL模型在MIL框架内有效捕捉高度异质性特征，并展示了强大的跨中心泛化能力 | 研究依赖于有限的内部和外部测试集数据，且TCGA-TNBC数据集的AUC相对较低 | 探索深度学习技术在乳腺癌H&E染色图像中预测PD-L1表达的可行性和效果 | 乳腺癌H&E染色组织病理学图像 | digital pathology | breast cancer | deep learning, multiple instance learning (MIL) | Transformer-based TransMIL | image | 内部测试集、独立外部测试集和公共TCGA-TNBC数据集 | NA | NA | NA | NA |
| 13175 | 2025-04-25 |
Estimating oxygen uptake in simulated team sports using machine learning models and wearable sensor data: A pilot study
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319760
PMID:40258017
|
研究论文 | 本研究探讨了使用机器学习模型和可穿戴传感器数据在团队运动中估计摄氧量的可行性 | 首次比较了多种机器学习模型（包括LSTM、CNN、MLP等深度学习模型）在团队运动摄氧量估计中的性能，并发现多传感器配置能提高预测精度 | 样本量较小（仅6名健康男性运动员），且为初步研究，需要更大规模验证 | 探索非侵入性实时监测团队运动生理负荷的方法 | 团队运动运动员的摄氧量 | 机器学习 | NA | 惯性测量单元(IMU)、心率监测器、呼吸频率传感器 | 多元线性回归(MLR)、XGBoost、LSTM、CNN、MLP | 传感器数据（加速度、心率、呼吸等） | 6名健康男性团队运动运动员 | NA | NA | NA | NA |
| 13176 | 2025-04-25 |
Multimodal Ensemble Fusion Deep Learning Using Histopathological Images and Clinical Data for Glioma Subtype Classification
2025, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/access.2025.3556713
PMID:40260100
|
研究论文 | 提出了一种多模态集成融合深度学习方法，结合组织病理学图像和临床数据对胶质瘤亚型进行分类 | 采用多模态数据融合和集成学习方法，显著提高了分类准确率 | 实验数据仅来自TCGA数据集，可能需要更多外部验证 | 提高胶质瘤亚型分类的准确性以支持临床诊断 | 弥漫性胶质瘤患者（GBM和LGG） | 数字病理学 | 胶质瘤 | 深度学习、机器学习 | 集成深度学习模型 | 组织病理学图像、临床数据 | 480名患者（240 GBM和240 LGG）的平衡数据集，以及383名患者（141 GBM和242 LGG）的不平衡数据集 | NA | NA | NA | NA |
| 13177 | 2025-04-25 |
A deep learning-based ensemble for autism spectrum disorder diagnosis using facial images
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321697
PMID:40261913
|
研究论文 | 本文提出了一种基于深度学习的集成模型，利用面部图像进行自闭症谱系障碍（ASD）的诊断 | 结合VGG16和Xception网络的集成模型，通过预处理技术克服现有数据集的局限性，实现了97%的准确率 | 未提及模型在其他数据集上的泛化能力 | 提高自闭症谱系障碍（ASD）的早期诊断准确率 | 自闭症谱系障碍（ASD）患者的面部图像 | 计算机视觉 | 自闭症谱系障碍 | 深度学习、集成学习、数据增强 | VGG16、Xception | 图像 | Kaggle ASD面部图像数据集 | NA | NA | NA | NA |
| 13178 | 2025-04-25 |
Detection of micro-pinhole defects on surface of metallized ceramic ring combining improved DETR network with morphological operations
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321849
PMID:40261923
|
研究论文 | 提出了一种结合改进DETR网络和形态学操作的方法，用于检测金属化陶瓷环表面的微孔缺陷 | 结合深度学习与形态学操作的双模块检测方法，改进DETR网络结构并引入无参数注意力机制SimAM | 未提及方法在复杂工业环境中的泛化能力测试 | 开发高精度的金属化陶瓷环表面微孔缺陷自动检测方法 | 金属化陶瓷环表面微孔缺陷 | 计算机视觉 | NA | 改进DETR网络、形态学操作 | DETR、EfficientNet-B2、ResNet-50 | 图像 | 未明确说明样本数量 | NA | NA | NA | NA |
| 13179 | 2025-04-25 |
Diagnosis of Irritant Dermatitis in Colorectal Cancer Postoperative Stoma Patients Using Smartphone Photographs: A Deep Learning Approach
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S515644
PMID:40264545
|
研究论文 | 本研究评估了两种先进的卷积神经网络（ConvNeXt和MobileViT）在利用智能手机拍摄的造口图像智能诊断刺激性皮炎中的有效性 | 首次将ConvNeXt和MobileViT应用于造口术后刺激性皮炎的智能诊断，并比较了两种模型的性能 | ConvNeXt在识别其他并发症方面表现有限，且MobileViT的准确性未超过ConvNeXt | 评估深度学习模型在造口术后刺激性皮炎早期诊断中的应用效果 | 结直肠癌术后造口患者 | 数字病理学 | 结直肠癌 | 深度学习 | CNN（ConvNeXt和MobileViT） | 图像 | 来自中国五家三甲医院的825张造口并发症图像 | NA | NA | NA | NA |
| 13180 | 2025-04-25 |
T-cell receptor dynamics in digestive system cancers: a multi-layer machine learning approach for tumor diagnosis and staging
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1556165
PMID:40264789
|
研究论文 | 本研究通过多层机器学习方法分析消化系统癌症中T细胞受体（TCR）的动态变化，用于肿瘤诊断和分期 | 首次在消化系统癌症中系统比较了CRC和GC的TCR库差异，并开发了基于机器学习的诊断模型，能够高精度区分癌症类型、转移状态和疾病分期 | 样本量相对较小（143例患者），且仅针对CRC和GC两种消化系统癌症 | 探索TCR库在消化系统癌症中的变异特征，并开发基于机器学习的诊断工具 | 结直肠癌（CRC）和胃癌（GC）患者 | 机器学习 | 消化系统癌症 | 高通量TCR测序 | ProteinBERT | 基因序列数据 | 143例肿瘤患者（96例CRC，47例GC） | NA | NA | NA | NA |