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 13321 - 13340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13321 | 2025-10-07 |
Development and Validation of Multiparametric MRI-based Interpretable Deep Learning Radiomics Fusion Model for Predicting Lymph Node Metastasis and Prognosis in Rectal Cancer: A Two-center Study
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.045
PMID:39638641
|
研究论文 | 开发基于多参数MRI的可解释深度学习放射组学融合模型，用于预测直肠癌淋巴结转移和预后 | 结合深度学习和放射组学特征构建融合模型，并利用SHAP工具增强模型可解释性 | 回顾性研究，样本量有限（共352例患者） | 预测直肠癌术前淋巴结转移和患者预后 | 经组织病理学确认的直肠癌患者 | 数字病理 | 直肠癌 | 多参数磁共振成像（T2WI, DWI） | 深度学习, 机器学习 | 医学影像 | 352例患者（中心1：286例训练集，中心2：66例外部队列） | NA | MobileNet-V3-large, Inception-V3, ResNet50, VGG16 | AUC | NA |
| 13322 | 2025-10-07 |
Deep Learning for Contrast Enhanced Mammography - A Systematic Review
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.035
PMID:39643464
|
系统综述 | 系统回顾深度学习在对比增强乳腺摄影中的应用研究 | 首次系统综述深度学习在对比增强乳腺摄影中的应用，涵盖多种深度学习算法和临床任务 | 纳入研究数量有限，大多数为回顾性研究，缺乏前瞻性临床验证 | 评估深度学习算法在对比增强乳腺摄影图像自动分析中的应用效果 | 对比增强乳腺摄影图像 | 计算机视觉 | 乳腺癌 | 对比增强乳腺摄影 | CNN | 医学影像 | 16项相关研究（2018-2024年） | NA | 卷积神经网络，注意力机制 | AUC, 准确率 | NA |
| 13323 | 2025-10-07 |
SMART: Development and Application of a Multimodal Multi-organ Trauma Screening Model for Abdominal Injuries in Emergency Settings
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.056
PMID:39690074
|
研究论文 | 开发并应用用于急诊环境中腹部损伤的多模态多器官创伤筛查模型SMART | 结合非对比CT扫描和非结构化文本数据构建多模态诊断模型，通过集成GPT-4嵌入API、nnU-Net和DenseNet121实现快速准确的腹部创伤筛查 | NA | 提高急诊科创伤护理中腹部损伤诊断的速度和准确性 | 接受腹部CT扫描的患者 | 医学影像分析 | 腹部创伤 | 非对比计算机断层扫描，文本数据分析 | 多模态深度学习模型 | CT图像，非结构化文本 | 2638名患者（459例阳性，2179例阴性腹部创伤病例），测试集包含1006名患者的1632个连续数据点 | GPT-4 API, nnU-Net, DenseNet121 | nnU-Net, DenseNet121, 逻辑回归集成模型 | 敏感度，AUC（受试者工作特征曲线下面积） | NA |
| 13324 | 2025-10-07 |
Interpretable Deep-learning Model Based on Superb Microvascular Imaging for Noninvasive Diagnosis of Interstitial Fibrosis in Chronic Kidney Disease
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.067
PMID:39690075
|
研究论文 | 开发基于超微血管成像的可解释深度学习模型，用于无创诊断慢性肾病间质纤维化程度 | 首次结合超微血管成像和可解释深度学习技术，通过SHAP方法提供模型决策的可视化解释 | 研究样本量相对有限，需要更大规模的多中心验证 | 开发无创诊断慢性肾病间质纤维化程度的深度学习模型 | 慢性肾病患者 | 医学影像分析 | 慢性肾病 | 超微血管成像，超声影像学，彩色多普勒超声 | 深度学习 | 医学影像 | 365名慢性肾病患者 | NA | NA | AUC，ROC曲线，决策曲线分析 | NA |
| 13325 | 2025-10-07 |
The Quality and Accuracy of Radiomics Model in Diagnosing Osteoporosis: A Systematic Review and Meta-analysis
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.065
PMID:39701845
|
系统评价与荟萃分析 | 通过系统评价和荟萃分析评估放射组学模型在骨质疏松诊断中的性能表现及研究质量 | 首次对骨质疏松诊断放射组学模型进行全面的质量评估和诊断性能荟萃分析 | 纳入研究的方法学质量存在异质性，不同影像模态可能影响结果一致性 | 评估当前放射组学模型在骨质疏松诊断中的诊断性能和研究质量 | 骨质疏松患者和非骨质疏松患者 | 医学影像分析 | 骨质疏松 | 放射组学分析 | 深度学习算法 | 医学影像数据（CT等） | 24项研究，共3753名患者（1553名骨质疏松患者，2200名非骨质疏松患者） | NA | NA | 诊断比值比(DOR), 敏感性, 特异性, 受试者工作特征曲线下面积(AUC) | NA |
| 13326 | 2025-10-07 |
Deep Learning Model for the Differential Diagnosis of Nasal Polyps and Inverted Papilloma by CT Images: A Multicenter Study
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.011
PMID:39730250
|
研究论文 | 本研究开发了一种基于CT图像的深度学习模型，用于区分鼻腔息肉和倒置性乳头状瘤 | 首次采用3D深度学习模型进行鼻腔良性肿瘤的鉴别诊断，并通过多中心数据和蛋白质组学分析验证模型性能 | 回顾性研究设计，样本来源仅限于两家医院 | 开发能够区分鼻腔息肉和倒置性乳头状瘤的深度学习诊断模型 | 鼻腔良性肿瘤患者 | 计算机视觉 | 鼻腔肿瘤 | CT成像，蛋白质组学分析 | CNN | CT图像 | 1791名患者来自两家医院，其中70名患者进行了蛋白质组学分析 | NA | 3D ResNet, 3D Xception, HRNet | AUC, 准确率, 敏感性, 特异性 | NA |
| 13327 | 2025-10-07 |
Multimodal Deep Learning Fusing Clinical and Radiomics Scores for Prediction of Early-Stage Lung Adenocarcinoma Lymph Node Metastasis
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.018
PMID:39730249
|
研究论文 | 开发并验证基于CT影像和临床知识的多模态深度学习模型，用于预测早期肺腺癌淋巴结转移 | 提出基于InceptionResNetV2架构的多模态特征融合深度学习网络，有效整合影像和临床知识预测淋巴结转移 | 回顾性研究，样本量有限（724例），仅包含两个中心的患者数据 | 预测早期肺腺癌淋巴结转移状态 | 724例经病理证实的早期浸润性肺腺癌患者 | 医学影像分析 | 肺腺癌 | CT影像分析，放射组学特征提取 | 深度学习 | CT影像，临床数据 | 724例患者（中心1：524例，中心2：200例） | NA | InceptionResNetV2 | AUC, 敏感性, 平均精确率 | NA |
| 13328 | 2025-10-07 |
Multi-Energy Evaluation of Image Quality in Spectral CT Pulmonary Angiography Using Different Strength Deep Learning Spectral Reconstructions
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.11.049
PMID:39732618
|
研究论文 | 评估和比较使用标准与强深度学习谱重建在双能CT肺动脉造影中不同能量水平虚拟单色图像的图像质量 | 首次系统比较不同强度深度学习谱重建在双能CT肺动脉造影中的图像质量表现 | 回顾性研究设计，样本量相对较小（70例患者） | 评估深度学习谱重建技术对CT肺动脉造影图像质量的改善效果 | 接受双能CT肺动脉造影检查的患者 | 医学影像分析 | 肺栓塞 | 双能CT扫描，深度学习谱重建 | 深度学习 | CT影像数据 | 70例患者（15例有肺栓塞，55例无肺栓塞） | NA | NA | 信噪比，对比噪声比，图像噪声，主观图像质量评分 | NA |
| 13329 | 2025-10-07 |
Radiomics and Deep Learning Model for Benign and Malignant Soft Tissue Tumors Differentiation of Extremities and Trunk
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.026
PMID:39753479
|
研究论文 | 开发基于脂肪抑制T2加权成像的放射组学和深度学习模型，用于术前区分良恶性软组织肿瘤 | 结合放射组学和深度学习特征构建DLR模型，在外部验证集上取得0.941的AUC值，实现高精度术前鉴别诊断 | 样本量相对有限（训练集115例，验证集70例），仅使用单一模态FS-T2WI图像 | 开发术前无创鉴别良恶性软组织肿瘤的影像学方法 | 四肢和躯干软组织肿瘤患者 | 医学影像分析 | 软组织肿瘤 | 脂肪抑制T2加权成像 | 3D ResNet, 机器学习算法 | 医学影像 | 训练集115例，外部验证集70例 | NA | 3D ResNet | AUC, 决策曲线分析, 校准曲线 | NA |
| 13330 | 2025-10-07 |
Development and Validation of an AI-Based Multimodal Model for Pathological Staging of Gastric Cancer Using CT and Endoscopic Images
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.029
PMID:39753481
|
研究论文 | 开发并验证了一种基于AI的多模态模型，用于使用CT和内镜图像进行胃癌病理分期 | 首次将CT图像的深度学习和手工放射组学特征与内镜图像的深度特征通过堆叠集成方法融合，创建了多模态集成模型 | 回顾性研究设计，数据因伦理原因未公开 | 提高胃癌术前病理分期的准确性 | 691例胃癌患者 | 数字病理 | 胃癌 | CT成像，内镜成像 | 深度学习，机器学习 | CT图像，内镜图像 | 691例胃癌患者（2017年3月至2024年3月） | NA | ResNet-50 | ROC-AUC，敏感性，特异性 | NA |
| 13331 | 2025-10-07 |
Improved Image Quality Through Deep Learning Acceleration of Gradient-Echo Acquisitions in Uterine MRI: First Application with the Female Pelvis
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.021
PMID:39843279
|
研究论文 | 本研究比较深度学习加速的VIBE序列与标准VIBE序列在子宫MRI中的图像质量 | 首次将深度学习加速技术应用于女性盆腔MRI的梯度回波采集序列 | 样本量相对较小（54例患者），仅使用1.5T MRI扫描仪 | 评估深度学习加速MRI序列在女性盆腔成像中的图像质量改进 | 61名接受盆腔MRI检查的女性患者（最终分析54例） | 医学影像分析 | 妇科疾病 | 磁共振成像（MRI），梯度回波采集，对比增强扫描 | 深度学习模型 | MRI图像 | 54例女性患者盆腔MRI数据 | NA | NA | 图像质量评分（4点李克特量表），诊断置信度，运动伪影评分，噪声评分，统计学显著性（p值） | 1.5T MRI扫描仪 |
| 13332 | 2025-10-07 |
Photoacoustic Imaging with Attention-Guided Deep Learning for Predicting Axillary Lymph Node Status in Breast Cancer
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.020
PMID:39848886
|
研究论文 | 本研究开发了一种结合光声成像和注意力引导深度学习的模型，用于预测乳腺癌患者腋窝淋巴结状态 | 首次将光声成像与注意力引导深度学习相结合用于腋窝淋巴结状态预测，并开发了包含深度学习模型和临床参数的诺模图 | 回顾性研究设计，样本量相对有限（324例患者） | 开发精确预测乳腺癌患者腋窝淋巴结状态的方法 | 经组织学确认的早期乳腺癌患者 | 医学影像分析 | 乳腺癌 | 光声-超声双模态成像 | 深度学习 | 医学影像 | 324例患者（训练队列259例，测试队列65例） | NA | 注意力引导深度学习模型 | AUC, 决策曲线分析 | NA |
| 13333 | 2025-10-07 |
PSMA PET/CT based multimodal deep learning model for accurate prediction of pelvic lymph-node metastases in prostate cancer patients identified as candidates for extended pelvic lymph node dissection by preoperative nomograms
2025-May, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-024-07065-2
PMID:39865180
|
研究论文 | 开发并验证基于PSMA PET/CT的多模态深度学习模型，用于预测前列腺癌患者盆腔淋巴结转移 | 首次结合PSMA PET/CT深度学习特征、定量PET参数和临床参数构建多模态模型，相比传统列线图和PET/CT视觉评估具有更高的预测准确性 | 样本量较小（仅116例患者），需要更大规模的外部验证 | 提高前列腺癌患者盆腔淋巴结转移的预测准确性，减少不必要的扩大盆腔淋巴结清扫术 | 经术前列线图筛选需行扩大盆腔淋巴结清扫术的前列腺癌患者 | 数字病理 | 前列腺癌 | PSMA PET/CT成像 | 深度学习,支持向量机 | 医学影像(PET/CT),临床参数 | 116例前列腺癌患者（训练集82例，测试集34例） | Med3D | Med3D,多核支持向量机 | AUC,校准曲线,决策曲线分析 | NA |
| 13334 | 2025-10-07 |
Non-invasive Assessment of Human Epidermal Growth Factor Receptor 2 Expression in Gastric Cancer Based on Deep Learning: A Computed Tomography-based Multicenter Study
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.12.041
PMID:39870563
|
研究论文 | 基于深度学习开发并验证了一种通过CT影像非侵入性评估胃癌HER2表达的预测模型 | 首次基于CT影像开发HER2表达预测模型，采用多中心数据验证模型稳健性 | 回顾性研究设计，HER2阳性样本比例较低（训练集8.60%，测试集5.60%） | 开发并验证基于CT的胃癌HER2表达预测模型 | 1059例来自三家医院的胃癌患者 | 计算机视觉 | 胃癌 | CT影像分析 | 逻辑回归, SVM | CT影像 | 1059例患者（训练集720例，测试集339例） | NA | NA | AUC, 决策曲线分析 | NA |
| 13335 | 2025-10-07 |
Exploring the role of multimodal [18F]F-PSMA-1007 PET/CT and multiparametric MRI data in predicting ISUP grading of primary prostate cancer
2025-May, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07099-0
PMID:39871017
|
研究论文 | 本研究探索多模态影像技术（[18F]F-PSMA-1007 PET/CT和多参数MRI）在预测前列腺癌ISUP分级中的作用 | 首次将[18F]F-PSMA-1007 PET/CT与多参数MRI进行多模态融合，并应用小样本学习解决前列腺癌影像数据有限的问题 | 回顾性研究设计，样本量相对有限（341例患者） | 提高前列腺癌ISUP分级的诊断准确性，改善临床决策 | 341例前列腺癌患者（2019-2023年入组） | 数字病理 | 前列腺癌 | [18F]F-PSMA-1007 PET, CT, DWI, T2WI, ADC | 深度学习网络 | 多模态医学影像数据 | 341例前列腺癌患者 | NA | 小样本深度学习网络 | 预测准确性 | NA |
| 13336 | 2025-04-23 |
Association Between Aortic Imaging Features and Impaired Glucose Metabolism: A Deep Learning Population Phenotyping Approach
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.01.032
PMID:39934079
|
研究论文 | 本研究开发了一个深度学习框架，用于从MRI中量化主动脉表型，并研究主动脉特征与糖代谢受损之间的关联 | 使用深度学习框架自动量化主动脉特征，并首次发现主动脉长度和体积与糖代谢受损的独立关联 | 样本量相对较小（381名参与者），且仅基于一个地区的人群数据 | 研究主动脉特征与糖代谢受损之间的关联，超越传统心血管风险因素 | 来自KORA研究的381名参与者（58%男性，平均年龄56岁） | 数字病理学 | 心血管疾病 | MRI | 深度学习 | 图像 | 381名参与者（231名血糖正常，97名糖尿病前期，53名糖尿病患者） | NA | NA | NA | NA |
| 13337 | 2025-04-23 |
Development of Hybrid radiomic Machine learning models for preoperative prediction of meningioma grade on multiparametric MRI
2025-May, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia
IF:1.9Q4
DOI:10.1016/j.jocn.2025.111118
PMID:40048835
|
research paper | 开发并比较了基于多参数MRI的机器学习模型，用于术前预测脑膜瘤的分级 | 结合手工提取的放射组学特征和深度学习特征，开发了混合模型（HRO和HDLR）用于脑膜瘤分级预测 | 模型的敏感性和阳性预测值（PPV）存在不一致性，需要更大规模的多中心研究验证 | 开发机器学习模型以区分低级别和高级别脑膜瘤 | 脑膜瘤患者的术前多参数MRI数据 | digital pathology | 脑膜瘤 | 多参数MRI（T1、T1CE、T2、T2 FLAIR、DWI/ADC） | Random Forest, XGBoost | image | 115例（97例低级别和18例高级别脑膜瘤） | NA | NA | NA | NA |
| 13338 | 2025-03-29 |
Advancing Bone Marrow MRI Segmentation Using Deep Learning-Based Frameworks
2025-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.03.030
PMID:40148166
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13339 | 2025-04-23 |
Enhancing brain age estimation under uncertainty: A spectral-normalized neural gaussian process approach utilizing 2.5D slicing
2025-May-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121184
PMID:40180003
|
研究论文 | 提出了一种结合谱归一化神经高斯过程（SNGP）和2.5D切片的方法，用于在低计算成本下实现脑年龄估计中的不确定性整合 | 首次将SNGP与2.5D切片方法结合，实现了在单一网络中无缝整合不确定性估计，同时保持低计算成本和模型复杂度 | 未明确提及具体局限性，但可能包括模型在更广泛人群中的验证不足 | 开发一种能够准确估计脑年龄并量化不确定性的方法，以提升脑异常检测的临床适用性 | 脑MRI数据 | 医学影像分析 | 脑部异常（如ADHD） | 磁共振成像（MRI） | SNGP（谱归一化神经高斯过程） | 2.5D MRI切片 | 11个公共数据集（N=6327）和独立验证集（N=301） | NA | NA | NA | NA |
| 13340 | 2025-04-23 |
Automated segmentation of the dorsal root ganglia in MRI
2025-May-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121189
PMID:40185423
|
研究论文 | 开发了一种基于深度学习的全自动背根神经节（DRG）MRI分割工作流程 | 首次提出全自动DRG分割方法，使用CNN在nnU-Net框架上训练，分割效果与专家标注相当但速度提高10倍 | 方法仅在健康对照组和Fabry疾病患者中验证，需要更多疾病类型验证 | 开发全自动DRG分割方法以促进DRG成像生物标志物的研究和应用 | 背根神经节（DRG） | 医学影像分析 | Fabry病 | MRI | CNN | 3D T2加权MR图像 | 220个健康对照DRG | NA | NA | NA | NA |