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 13461 - 13480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13461 | 2025-10-07 |
Development of a Deep Learning Tool to Support the Assessment of Thyroid Follicular Cell Hypertrophy in the Rat
2025-Apr, Toxicologic pathology
IF:1.4Q4
DOI:10.1177/01926233241309328
PMID:39825517
|
研究论文 | 开发基于深度学习的图像分析工具，通过形态学测量量化评估大鼠甲状腺滤泡细胞肥大 | 首次将U-Net卷积神经网络应用于甲状腺组织分析，不仅能识别组织成分还能分割单个滤泡，并开发了优于传统方法的甲状腺活性评分系统 | 研究仅针对大鼠甲状腺组织，未验证在其他物种或组织的适用性 | 开发支持病理学家评估甲状腺滤泡细胞肥大的深度学习工具 | 大鼠甲状腺组织切片 | 数字病理学 | 甲状腺疾病 | 组织病理学分析 | CNN | 图像 | NA | NA | U-Net | 与病理学家评分比较 | NA |
| 13462 | 2025-10-07 |
Analyzing heterogeneity in Alzheimer disease using multimodal normative modeling on imaging-based ATN biomarkers
2025-Apr, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.70143
PMID:40235115
|
研究论文 | 本研究采用基于深度学习的多模态规范建模框架分析阿尔茨海默病在ATN生物标志物上的个体异质性 | 首次将深度学习多模态规范建模应用于ATN成像生物标志物，能够量化个体水平的异常偏离并计算疾病严重程度指数 | 研究采用横断面数据，样本量相对有限（发现队列665人，复制队列430人） | 分析阿尔茨海默病在ATN生物标志物上的异质性特征 | 阿尔茨海默病患者和淀粉样蛋白阴性对照人群 | 医学影像分析 | 阿尔茨海默病 | T1加权磁共振成像，淀粉样蛋白和tau蛋白正电子发射断层扫描 | 深度学习 | 多模态医学影像 | 发现队列665人，复制队列430人 | NA | NA | 疾病严重程度指数，认知功能评估，疾病进展风险 | NA |
| 13463 | 2025-10-07 |
Automatic mandibular third molar and mandibular canal relationship determination based on deep learning models for preoperative risk reduction
2025-Mar-25, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-025-06285-6
PMID:40128451
|
研究论文 | 本研究探索基于深度学习模型对下颌第三磨牙与下颌管空间关系进行自动分类的方法 | 首次将多种先进卷积神经网络应用于下颌第三磨牙与下颌管关系的自动分类，实现高达99.44%的准确率 | 仅使用305例锥形束CT扫描数据，样本量相对有限 | 通过深度学习模型提高术前下颌第三磨牙与下颌管关系分类的准确性和一致性 | 下颌第三磨牙与下颌管的空间关系 | 计算机视觉 | 口腔疾病 | 锥形束计算机断层扫描 | CNN | 医学影像 | 305例锥形束CT扫描 | NA | MobileNet, Xception, DenseNet201 | 准确率 | NA |
| 13464 | 2025-10-07 |
c-Triadem: A constrained, explainable deep learning model to identify novel biomarkers in Alzheimer's disease
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320360
PMID:40228177
|
研究论文 | 提出一种约束性可解释深度学习模型c-Triadem，用于识别阿尔茨海默病的新型血液生物标志物 | 开发了结合基因分型数据、基因表达数据和临床信息的三重输入深度学习模型，通过约束神经网络结构增强可解释性 | 模型验证主要基于ADNI数据集，需要在更广泛的人群中进一步验证 | 开发早期诊断阿尔茨海默病的血液生物标志物识别方法 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常参与者 | 机器学习 | 阿尔茨海默病 | 基因分型、微阵列基因表达分析 | 深度神经网络 | 基因分型数据、基因表达数据、临床信息 | ADNI数据集中的参与者 | NA | 约束性三重输入神经网络 | AUC, 准确率 | NA |
| 13465 | 2025-10-07 |
Deep learning models for segmenting phonocardiogram signals: a comparative study
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320297
PMID:40228205
|
研究论文 | 本研究比较不同深度学习模型在心音图信号分割中的性能 | 首次对CirCor DigiScope心音图数据集进行分割研究，并比较GRU、双向GRU和双向LSTM模型在心音信号分割中的表现 | NA | 开发准确可靠的心音图信号分割方法 | 心音图信号的四个特定区域：S1（lub音）、收缩期区域、S2（dub音）和舒张期区域 | 数字病理 | 心血管疾病 | 心音图信号分析 | GRU, Bidirectional-GRU, BiLSTM | 心音信号 | 三个公开数据集：PhysioNet/Computing in Cardiology Challenge 2016、MITHSDB和CirCor DigiScope Phonocardiogram | NA | GRU, Bidirectional-GRU, BiLSTM | 准确率 | NA |
| 13466 | 2025-04-21 |
Multi-Source Data and Knowledge Fusion via Deep Learning for Dynamical Systems: Applications to Spatiotemporal Cardiac Modeling
2025, IISE transactions on healthcare systems engineering
IF:1.5Q3
DOI:10.1080/24725579.2024.2398592
PMID:40248641
|
研究论文 | 本文提出了一种基于深度学习的多源数据和知识融合框架，应用于时空心脏建模 | 该框架不仅通过捕捉基于物理的信息流实现有效数据融合，还通过图拉普拉斯算子整合3D系统的几何信息，用于稳健的时空预测建模 | NA | 开发可靠的时空动态系统预测模型 | 心脏电动力学在健康和疾病状态下的建模 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习框架 | 多源感知数据 | NA | NA | NA | NA | NA |
| 13467 | 2025-04-21 |
Recent Advances in Predictive Modeling with Electronic Health Records
2024-Aug, IJCAI : proceedings of the conference
DOI:10.24963/ijcai.2024/914
PMID:40248670
|
综述 | 本文系统回顾了基于电子健康记录（EHR）数据的深度学习预测模型的最新进展 | 总结了深度学习在EHR数据预测建模中的多种应用视角，并提出了未来的研究方向 | 未提及具体模型的性能比较或实际应用中的具体限制 | 探讨如何利用EHR数据进行预测建模 | 电子健康记录（EHR）数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 电子健康记录数据 | NA | NA | NA | NA | NA |
| 13468 | 2025-10-07 |
Secure deep learning for distributed data against malicious central server
2022, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0272423
PMID:35913921
|
研究论文 | 提出一种针对分布式数据的深度学习安全系统，能够检测恶意中央服务器活动并支持多种神经网络训练方式 | 系统具备恶意服务器检测能力和支持垂直/水平神经网络训练的独特特性 | NA | 开发安全的分布式深度学习系统以防范恶意中央服务器 | 分布式训练器与中央参数服务器组成的系统 | 机器学习 | NA | 深度学习 | 神经网络 | 磁共振图像，X射线图像 | NA | NA | NA | AUC（曲线下面积） | NA |
| 13469 | 2025-04-20 |
Prior guided deep difference meta-learner for fast adaptation to stylized segmentation
2025-Jun-30, Machine learning: science and technology
DOI:10.1088/2632-2153/adc970
PMID:40247921
|
研究论文 | 提出一种先验引导的深度差异元学习器（DDL），用于快速适应不同风格的解剖结构分割，以提高放疗治疗计划中分割的精确性 | 利用初始患者数据学习分割风格与解剖定义之间的一致差异，并将其应用于预训练模型，无需重新训练即可适应新风格 | 需要一定数量的初始患者数据来学习风格差异，且测试数据规模相对较小（30例） | 提高放疗治疗计划中解剖结构分割的精确性和效率 | 前列腺临床靶区（CTV）、腮腺和直肠的轮廓 | 数字病理 | 前列腺癌 | 深度学习 | Prior-guided deep difference meta-learner (DDL) | 医学图像 | 440例患者用于模型开发，30例用于测试 | NA | NA | NA | NA |
| 13470 | 2025-10-07 |
Deep learning-based prediction of tumor aggressiveness in RCC using multiparametric MRI: a pilot study
2025-May, International urology and nephrology
IF:1.8Q3
DOI:10.1007/s11255-024-04300-5
PMID:39671158
|
研究论文 | 本研究开发了一种基于卷积神经网络的多参数MRI融合模型，用于术前预测肾细胞癌的肿瘤侵袭性 | 首次将多b值图像与临床特征通过CNN融合模型结合，用于RCC侵袭性预测 | 样本量较小（47例患者），为初步研究 | 开发非侵入性方法预测肾细胞癌的肿瘤侵袭性 | 47例经病理证实的肾细胞癌患者 | 计算机视觉 | 肾细胞癌 | 多参数磁共振成像 | CNN | 医学影像 | 47例患者（37名男性，10名女性） | NA | 卷积神经网络 | AUC | NA |
| 13471 | 2025-10-07 |
A novel clinical investigation using deep learning and human-in-the-loop approach in orbital volume measurement
2025-May, Journal of cranio-maxillo-facial surgery : official publication of the European Association for Cranio-Maxillo-Facial Surgery
DOI:10.1016/j.jcms.2025.01.007
PMID:39875226
|
研究论文 | 本研究开发了一种结合深度学习和人机协同方法进行眼眶体积测量的临床研究 | 首次将人机协同方法应用于眼眶体积测量，在保持高精度的同时显著提升测量效率 | 研究仅纳入无眼眶创伤或先天异常的患者，样本代表性可能存在局限 | 开发高效准确的眼眶体积测量方法以辅助手术规划 | 349名19岁及以上接受三维面部CT扫描的患者 | 医学影像分析 | 眼眶疾病 | 三维计算机断层扫描(3DCT) | 深度学习 | 医学影像 | 349名患者的三维CT数据 | NA | NA | Dice系数, 推理时间 | NA |
| 13472 | 2025-10-07 |
Sleep Apnea Detection Using EEG: A Systematic Review of Datasets, Methods, Challenges, and Future Directions
2025-May, Annals of biomedical engineering
IF:3.0Q3
DOI:10.1007/s10439-025-03691-5
PMID:39939549
|
系统综述 | 本文系统回顾了基于脑电图（EEG）检测睡眠呼吸暂停（SA）的数据集、方法、挑战和未来方向 | 首次系统分析了过去十年间EEG信号在SA检测中的应用，重点关注各种深度学习和机器学习技术 | 仅纳入了2010年至2024年间的63篇论文，可能遗漏部分相关研究 | 回顾和分析EEG信号在睡眠呼吸暂停检测和分类中的潜力 | 睡眠呼吸暂停患者的EEG信号 | 医疗信号处理 | 睡眠呼吸暂停 | EEG信号分析 | 深度学习, 机器学习 | EEG信号 | 402篇论文筛选，63篇深入分析 | NA | NA | NA | NA |
| 13473 | 2025-10-07 |
Incorporating indirect MRI information in a CT-based deep learning model for prostate auto-segmentation
2025-May, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2025.110806
PMID:39988305
|
研究论文 | 开发了一种基于CT的深度学习模型，用于前列腺癌放疗中的自动分割，该模型旨在在CT图像中实现MRI标准的轮廓分割 | 首个设计用于在CT成像中实施MRI轮廓分割指南的深度学习模型，也是首个按照ESTRO-ACROP轮廓分割指南训练的模型 | 模型在开发过程中从未接触过MRI图像，仅依赖于CT扫描数据 | 开发能够在CT图像中准确分割前列腺和危及器官的深度学习模型 | 165名前列腺癌患者的CT扫描数据 | 数字病理 | 前列腺癌 | CT扫描，MRI图像融合 | 深度学习 | CT图像 | 165名患者（136个训练样本，29个测试样本） | NA | 三维U-Net | Dice相似系数，95百分位Hausdorff距离 | NA |
| 13474 | 2025-10-07 |
Artificial intelligence for osteoporosis detection on panoramic radiography: A systematic review and meta analysis
2025-May, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2025.105650
PMID:40010536
|
系统综述与荟萃分析 | 本文系统回顾和荟萃分析了人工智能在全景X线片上检测骨质疏松症的应用效果 | 首次对AI在全景X线片上检测骨质疏松症进行系统综述和荟萃分析，量化评估其诊断准确性 | 研究间存在显著异质性，可能存在小样本效应和发表偏倚，需要进一步验证和标准化 | 评估人工智能在全景X线片上检测骨质疏松症的诊断准确性 | 使用AI检测骨质疏松症的全景X线影像研究 | 数字病理 | 骨质疏松症 | 全景X线摄影 | 深度学习 | X线影像 | 24项研究纳入分析 | NA | NA | 准确率, 敏感性, 特异性, 诊断比值比, 阳性似然比 | NA |
| 13475 | 2025-04-20 |
Geometric and Dosimetric Evaluation of a RayStation Deep Learning Model for Auto-Segmentation of Organs at Risk in a Real-World Head and Neck Cancer Dataset
2025-May, Clinical oncology (Royal College of Radiologists (Great Britain))
DOI:10.1016/j.clon.2025.103796
PMID:40120536
|
研究论文 | 评估基于深度学习的自动分割模型在头颈癌患者真实数据集中的几何准确性和剂量学影响 | 在大型、多样化的头颈癌患者数据集上评估3D U-Net深度学习分割模型的性能，并分析其剂量学影响 | 模型在11例具有显著解剖挑战和伪影的患者中失败，部分器官的剂量学差异较大 | 评估深度学习分割模型在头颈癌患者器官风险自动分割中的准确性和剂量学影响 | 124例接受强度调制质子治疗的头颈癌患者 | 数字病理 | 头颈癌 | 强度调制质子治疗(IMPT) | 3D U-Net | CT图像 | 124例头颈癌患者 | NA | NA | NA | NA |
| 13476 | 2025-04-20 |
CT-based artificial intelligence system complementing deep learning model and radiologist for liver fibrosis staging
2025-Apr-18, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112224
PMID:40248124
|
研究论文 | 本研究开发了一种基于CT的人工智能系统，结合深度学习模型和放射科医生进行肝纤维化分期 | 提出了深度学习-放射科医生互补决策系统（DRCDS），通过决策模型决定采用Model-C的诊断还是放射科医生的诊断，解决了模型泛化和人机互补问题 | 未提及具体样本量及数据来源的详细信息 | 开发非侵入性肝纤维化分期方法，提高诊断准确性 | 肝纤维化患者 | 数字病理 | 肝纤维化 | 深度学习 | Model-C（基于深度学习的分类模型） | CT图像 | NA | NA | NA | NA | NA |
| 13477 | 2025-04-20 |
Rapid pathologic grading-based diagnosis of esophageal squamous cell carcinoma via Raman spectroscopy and a deep learning algorithm
2025-Apr-14, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v31.i14.104280
PMID:40248385
|
research paper | 该研究利用拉曼光谱和深度学习算法快速诊断食管鳞状细胞癌的病理分级 | 提出了一种1D-transformer网络模型用于分类食管鳞状细胞癌的光谱数据，并结合深度学习模型可视化拉曼光谱数据并解释其分子特征 | 样本量相对较小（360组拉曼光谱数据），可能需要更大样本量验证模型的泛化能力 | 检测食管肿瘤不同阶段的拉曼光谱信息变化，提高分类准确性 | 不同分级的食管病变组织 | digital pathology | esophageal squamous cell carcinoma | Raman spectroscopy | 1D-transformer network | spectral data | 360组拉曼光谱数据 | NA | NA | NA | NA |
| 13478 | 2025-04-20 |
Automatic Generation of Liver Virtual Models with Artificial Intelligence: Application to Liver Resection Complexity Prediction
2025-Apr-11, Annals of surgery
IF:7.5Q1
DOI:10.1097/SLA.0000000000006722
PMID:40211963
|
研究论文 | 本研究开发了一种基于人工智能的自动工具，用于从术前CT扫描预测肝切除手术的复杂性 | 提出了一种新的解剖参考框架（HCZ）和全自动管道来量化肿瘤位置，并通过AI模型预测手术复杂性 | 研究仅针对145名HCC患者，样本量有限 | 预测肝切除手术的复杂性以改善手术规划 | 肝切除手术患者 | 数字病理 | 肝癌 | Deep Learning | NA | CT扫描图像 | 145名HCC患者 | NA | NA | NA | NA |
| 13479 | 2025-10-07 |
The STRIPED Dietary Supplement Label Explorer: A Tool to Identify Supplements Sold with Weight-Loss, Muscle-Building, and Cleanse/Detox Claims
2025-Apr, The Journal of nutrition
IF:3.7Q2
DOI:10.1016/j.tjnut.2025.02.007
PMID:39954739
|
研究论文 | 开发了一个基于膳食补充剂标签数据库的分类工具，用于识别具有减肥、增肌和排毒/清洁声称的补充剂 | 首次利用DSLD API开发了专门针对减肥、增肌和排毒声称的补充剂分类工具，结合了系统启发式方法和多模态深度学习模型 | 系统启发式方法虽然性能更好但效率较低（110小时对比30小时），且仅针对三种特定声称类型 | 开发易于使用的工具来分类具有减肥、增肌和排毒/清洁声称的膳食补充剂标签 | 美国销售的膳食补充剂标签 | 自然语言处理 | NA | API数据获取，文本分类 | 多模态深度学习模型 | 文本标签数据 | 4745个DSLD标签（初始5000个） | NA | NA | 召回率，特异性，精确度，阴性预测值，F1分数，准确度，ROC曲线 | NA |
| 13480 | 2025-10-07 |
Multiscale Dissection of Spatial Heterogeneity by Integrating Multi-Slice Spatial and Single-Cell Transcriptomics
2025-Apr, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202413124
PMID:39999288
|
研究论文 | 提出一种名为SMILE的新型深度学习方法，用于整合多切片空间和单细胞转录组数据以解析空间异质性 | 首次将图对比自编码器与多层感知器结合局部约束，实现多尺度空间表征学习，能同时处理跨切片域对齐和单切片内细胞类型解卷积 | 未明确说明方法对数据质量和规模的敏感性，以及计算复杂度分析 | 开发能够同时解析多尺度空间异质性的计算方法 | 空间分辨转录组数据（SRT）和单细胞转录组数据 | 生物信息学 | NA | 空间分辨转录组学（SRT），单细胞转录组学 | 图对比自编码器，多层感知器（MLP） | 空间转录组数据，单细胞转录组数据 | 模拟数据集和真实数据集（具体数量未说明） | NA | 图对比自编码器，多层感知器 | 空间对齐，域识别，细胞类型解卷积 | NA |