深度学习在生物医药领域中的应用
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，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10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 25889 篇文献，本页显示第 1341 - 1360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1341 | 2025-05-25 |
Deep learning-driven imaging of cell division and cell growth across an entire eukaryotic life cycle
2024-Apr-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.04.25.591211
PMID:38712227
|
research paper | 该研究开发了一个深度学习驱动的成像框架，用于跟踪真核微生物的整个生命周期，包括细胞分裂和细胞生长 | 结合微流体培养、显微镜图像的生命周期阶段特异性分割和新型细胞追踪算法FIEST，通过深度学习视频帧插值增强单细胞掩模的连续性 | 该方法目前仅应用于酿酒酵母的性生命周期，尚未在其他真核微生物中验证 | 开发定量研究完整真核微生物生命周期的方法 | 真核微生物（特别是酿酒酵母）的性生命周期 | digital pathology | NA | microfluidic culturing, fluorescent reporter system, High-Cdk1 activity sensor (LiCHI) | CNN | image | NA |
| 1342 | 2025-05-24 |
Cerebral ischemia detection using deep learning techniques
2025-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-025-00352-8
PMID:40400660
|
research paper | 该研究利用深度学习技术检测脑缺血，旨在通过NCCT扫描早期识别中风症状 | 采用多种知名深度学习架构（VGG3D、ResNet3D和DenseNet3D）处理3D脑部图像，DenseNet3D模型表现最佳 | 研究未提及模型在临床环境中的实际应用效果或跨中心验证结果 | 开发基于NCCT的早期中风检测系统以减少死亡率和残疾率 | 出现中风症状患者的NCCT扫描图像 | digital pathology | cardiovascular disease | NCCT成像 | VGG3D, ResNet3D, DenseNet3D | 3D医学图像 | NA |
| 1343 | 2025-05-24 |
Convolutional autoencoder-based deep learning for intracerebral hemorrhage classification using brain CT images
2025-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-025-10259-5
PMID:40401248
|
研究论文 | 本文提出了一种基于卷积自编码器（CAE）和密集神经网络（DNN）的混合深度学习模型，用于通过脑部非对比计算机断层扫描（NCCT）图像自动诊断脑内出血（ICH） | 结合CAE进行特征提取和降维，以及DNN进行分类，模型在准确率、敏感性、特异性、精确度和F1分数上均优于现有方法，并能通过显著性图突出显示与ICH密切相关的区域 | 研究数据集仅来自单一医疗中心，样本量相对有限，可能影响模型的泛化能力 | 开发一种自动化的ICH诊断方法，以解决专家读取不足和观察者间变异性的问题 | 脑内出血（ICH）患者和非出血性卒中患者的脑部NCCT图像 | 数字病理学 | 脑内出血 | 非对比计算机断层扫描（NCCT） | 卷积自编码器（CAE）和密集神经网络（DNN） | 图像 | 3293张标记图像（1645张ICH类，1648张正常类），来自108名患者 |
| 1344 | 2025-05-24 |
Label-free rapid diagnosis of jaw osteonecrosis via the intersection of Raman spectroscopy and deep learning
2025-Aug, Bone
IF:3.5Q2
DOI:10.1016/j.bone.2025.117510
PMID:40320103
|
research paper | 该研究通过结合拉曼光谱和深度学习技术，建立了一个无标记、快速诊断颌骨坏死的方法 | 结合拉曼光谱和ResNet18深度学习模型，显著提高了颌骨坏死的诊断准确率 | 样本量较小（90个骨组织样本），且仅针对特定类型的颌骨坏死 | 建立一种精确高效的诊断框架，用于区分药物相关性颌骨坏死、放射性颌骨坏死和正常骨组织 | 90个骨组织样本（30个MRONJ，30个ORN，30个对照） | digital pathology | jaw osteonecrosis | Raman spectroscopy | ResNet18 | spectral data | 90个骨组织样本（30 MRONJ，30 ORN，30对照），共采集900个光谱 |
| 1345 | 2025-05-24 |
Establishment and evaluation of an automatic multi?sequence MRI segmentation model of primary central nervous system lymphoma based on the nnU?Net deep learning network method
2025-Jul, Oncology letters
IF:2.5Q3
DOI:10.3892/ol.2025.15080
PMID:40400535
|
研究论文 | 本研究基于nnU-Net深度学习网络方法，建立并评估了一种用于原发性中枢神经系统淋巴瘤(PCNSL)的多序列MRI自动分割模型 | 开发了一种多模态人工智能深度学习分割模型，解决了传统2D测量和MRI手动体积评估的挑战 | T2WI序列的表现相对较差，训练、测试和外部验证的Dice相似系数较低 | 提高原发性中枢神经系统淋巴瘤(PCNSL)的MRI定量评估准确性，以辅助治疗计划、监测和预后评估 | 49例经病理证实的PCNSL患者 | 数字病理 | 淋巴瘤 | MRI | nnU-Net, 3D CNN | MRI图像 | 49例PCNSL患者的对比增强T1加权和T2加权MRI扫描数据 |
| 1346 | 2025-05-24 |
Effect of Deep Learning Image Reconstruction on Image Quality and Pericoronary Fat Attenuation Index
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01234-3
PMID:39299956
|
research paper | 比较深度学习图像重建（DLIR）和自适应统计迭代重建V（ASIR-V）在不同管电压下对冠状动脉CT血管造影（CCTA）图像质量和心周脂肪衰减指数（FAI）的影响 | 首次在不同管电压下比较DLIR和ASIR-V对CCTA图像质量和FAI的影响，并验证DLIR-H在低管电压下保持图像质量的能力 | 研究仅基于中国BMI分类选择管电压，可能限制了结果的普适性 | 评估DLIR在不同管电压下对CCTA图像质量和FAI的改善效果 | 301名接受CCTA检查的患者 | 医学影像处理 | 心血管疾病 | CT血管造影（CCTA） | 深度学习图像重建（DLIR） | 医学影像 | 301名患者，分为120 kV组和低管电压组（70 kV、80 kV、100 kV） |
| 1347 | 2025-05-24 |
Children Are Not Small Adults: Addressing Limited Generalizability of an Adult Deep Learning CT Organ Segmentation Model to the Pediatric Population
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01273-w
PMID:39299957
|
research paper | 评估成人训练的深度学习CT器官分割模型在儿科患者中的泛化能力，并探索优化策略以提高儿科分割性能 | 揭示了成人训练的深度学习模型在儿科CT扫描中的局限性，并提出了两种优化方法（儿科专用模型和成人模型微调）以改善儿科分割准确性 | 研究仅关注腹部CT扫描和特定器官，可能无法推广到其他身体部位或器官 | 评估和改进深度学习模型在儿科CT器官分割中的性能 | 成人和儿科患者的腹部CT扫描 | digital pathology | NA | CT扫描 | 3D nnU-Net | image | 成人数据集（n=300）和儿科数据集（n=359） |
| 1348 | 2025-05-24 |
A Robust Deep Learning Method with Uncertainty Estimation for the Pathological Classification of Renal Cell Carcinoma Based on CT Images
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01276-7
PMID:39313716
|
研究论文 | 本研究开发并验证了一种基于深度学习的诊断模型，通过不确定性估计帮助放射科医生基于CT图像术前区分肾细胞癌的病理亚型 | 结合不确定性估计的深度学习模型，为临床医生提供RCC亚型预测及诊断置信度指标 | 外部验证样本量较小（78例），可能影响模型泛化性能评估 | 开发辅助肾细胞癌病理亚型术前鉴别的AI诊断工具 | 肾细胞癌患者的CT影像数据 | 数字病理 | 肾细胞癌 | CT成像 | 深度学习模型（未指定具体架构） | 医学影像（CT图像） | 668例训练集（中心1），78例外部验证集（中心2） |
| 1349 | 2025-05-24 |
Automatic Segmentation of Ultrasound-Guided Quadratus Lumborum Blocks Based on Artificial Intelligence
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01267-8
PMID:39320548
|
研究论文 | 本研究开发了一种基于人工智能的深度学习模型Q-VUM，用于自动分割超声引导下的腰方肌阻滞图像 | 提出了一种基于VGG16网络的U型网络Q-VUM，能够精确分割腰方肌等多种组织 | 研究样本量相对较小（112名患者，3162张图像），且为回顾性研究 | 提高超声引导腰方肌阻滞的精确性和效率 | 腰方肌、腹外斜肌、腹内斜肌、腹横肌（统称EIT）和骨骼 | 医学影像分析 | 围手术期镇痛 | 深度学习 | U-Net based on VGG16 | 超声图像 | 112名患者（3162张图像） |
| 1350 | 2025-05-24 |
BSNEU-net: Block Feature Map Distortion and Switchable Normalization-Based Enhanced Union-net for Acute Leukemia Detection on Heterogeneous Dataset
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01252-1
PMID:39322814
|
research paper | 提出了一种基于深度学习的BSNEU-net框架，用于检测急性白血病，结合了块特征图扭曲和可切换归一化技术 | 引入了块特征图扭曲(BFMD)和可切换归一化(SN)技术，以提高模型的泛化能力和收敛性 | 未提及具体局限性 | 开发深度学习模型以提高急性白血病的检测准确率 | 急性白血病(ALL和AML)及健康病例的血液涂片图像 | digital pathology | acute leukemia | deep learning | BSNEU-net (基于Union Blocks的CNN变体) | image | 2400张新数据集血液涂片图像 + 2700张来自公开数据集的异质数据集图像 |
| 1351 | 2025-05-24 |
Identification of Bipolar Disorder and Schizophrenia Based on Brain CT and Deep Learning Methods
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01279-4
PMID:39327378
|
研究论文 | 本研究旨在构建基于CT图像的深度学习模型，用于识别双相情感障碍和精神分裂症 | 开发了DenseMD模型，采用多实例学习方法，在识别双相情感障碍和精神分裂症方面表现优于其他经典深度学习模型 | 样本量相对有限，且仅基于CT图像进行分析 | 探索深度学习模型在基于脑部CT图像识别精神疾病方面的潜力 | 双相情感障碍和精神分裂症患者及健康对照者 | 数字病理学 | 精神疾病 | 深度学习 | DenseMD, ResNet-18, ResNeXt-50, DenseNet-121 | 图像 | 共685名受试者（506名患者和179名健康对照者），外加105名外部测试集受试者 |
| 1352 | 2025-05-24 |
Deep Learning Classification of Ischemic Stroke Territory on Diffusion-Weighted MRI: Added Value of Augmenting the Input with Image Transformations
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01277-6
PMID:39349784
|
研究论文 | 本研究旨在利用AI构建一个患者级别的DWI中风区域分类器，以促进中风快速分诊至专用中风中心 | 通过图像变换增强预训练模型的输入，提高了DWI中受影响区域的分类准确性 | 研究样本来自两个中心，可能存在数据偏差 | 构建一个快速准确的中风区域分类器 | 急性缺血性中风患者的DWI图像 | 计算机视觉 | 心血管疾病 | DWI | MobileNetV2, EfficientNetB0 | 图像 | 271名和122名连续急性缺血性中风患者（来自两个中心） |
| 1353 | 2025-05-24 |
Deep Learning Approaches for Brain Tumor Detection and Classification Using MRI Images (2020 to 2024): A Systematic Review
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01283-8
PMID:39349785
|
综述 | 本文系统回顾了2020年至2024年1月间发表的60篇关于使用深度学习方法和MRI图像进行脑肿瘤检测与分类的研究 | 总结了现有研究的局限性和重要亮点，提供了分析比较和未来方向 | 仅涵盖了2020年至2024年1月间发表的研究，可能未包括最新进展 | 为脑肿瘤分类和检测的自动技术提供全面理解 | MRI图像中的脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | 深度学习（包括迁移学习、自动编码器、transformer和注意力机制） | 图像 | 60篇研究文章 |
| 1354 | 2025-05-24 |
MobileNet-V2: An Enhanced Skin Disease Classification by Attention and Multi-Scale Features
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01271-y
PMID:39354294
|
研究论文 | 该研究提出了一种结合MobileNet-V2、SE模块、ASPP和通道注意力机制的皮肤疾病分类模型，旨在提高诊断的准确性和效率 | 结合MobileNet-V2、SE模块、ASPP和通道注意力机制，增强了特征提取能力和多尺度上下文信息的融合 | 研究中存在一些局限性，并提出了未来研究的方向 | 开发一种高效的皮肤疾病分类工具 | 皮肤疾病 | 计算机视觉 | 皮肤癌 | 深度学习 | MobileNet-V2, SE, ASPP | 图像 | 四个数据集（PH2、HAM10000、DermNet、ISIC） |
| 1355 | 2025-05-24 |
Dual Energy CT for Deep Learning-Based Segmentation and Volumetric Estimation of Early Ischemic Infarcts
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01294-5
PMID:39384719
|
research paper | 该研究评估了双能CT（DECT）采集是否能提高机器学习对早期梗塞的可见性，并利用深度学习模型进行分割和体积估计 | 使用双能CT数据结合深度学习模型，提高了早期梗塞的分割准确性，特别是在发病后6至12小时内 | 体积准确性的提升在统计学上不显著（p=0.07），且研究为回顾性设计 | 评估双能CT对早期梗塞分割和体积估计的改进效果 | 早期缺血性梗塞 | digital pathology | cardiovascular disease | dual-energy CT (DECT) | 3D nnU-Net | CT and MRI images | 330 DECT scans acquired between 2016 and 2022 |
| 1356 | 2025-05-24 |
Deep Learning-Based Estimation of Radiographic Position to Automatically Set Up the X-Ray Prime Factors
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01256-x
PMID:39402356
|
研究论文 | 本文提出了一种基于深度学习的创新方法，通过拍摄X光前的照片自动估计放射位置，以选择最佳的X光主要参数 | 首次使用深度学习从拍摄的照片中自动估计放射位置，用于优化X光主要参数的设置 | 大多数错误发生在患者姿势相似的放射位置 | 优化X光检查中的辐射剂量和图像质量 | X光主要参数（KVp、mAs和源-探测器距离）的设置 | 计算机视觉 | NA | 深度学习 | 轻量级ConvNeXt | 图像 | 75名志愿者，66种放射位置 |
| 1357 | 2025-05-24 |
BCCHI-HCNN: Breast Cancer Classification from Histopathological Images Using Hybrid Deep CNN Models
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01297-2
PMID:39402357
|
research paper | 该研究提出了一种基于深度卷积神经网络（CNN）的混合模型BCCHI-HCNN，用于从组织病理学图像中分类乳腺癌，旨在实现早期和精确的乳腺癌识别 | 通过结合多种分类器（如SVM、决策树和KNN）并利用迁移学习技术，提高了模型的性能，其中SVM算法结合PCA特征达到了99.5%的准确率 | 决策树模型虽然准确率高（99.4%），但速度较SVM慢 | 改进乳腺癌的早期诊断方法，提高诊断准确性和效率 | 乳腺癌的组织病理学图像 | digital pathology | breast cancer | deep learning, transfer learning, PCA | CNN, SVM, decision tree, KNN | image | NA |
| 1358 | 2025-05-24 |
Transformer-Integrated Hybrid Convolutional Neural Network for Dose Prediction in Nasopharyngeal Carcinoma Radiotherapy
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01296-3
PMID:39424665
|
研究论文 | 提出了一种结合CNN和Transformer的混合剂量预测模型，用于鼻咽癌放疗中的剂量预测 | 设计了一种具有通道注意力机制的分层密集循环编码器，以及一种通过逐层重建高维特征图保留更丰富纹理信息的渐进式解码器，并引入了对象驱动的跳跃连接 | 实验仅在内部数据集上进行，未涉及外部验证 | 提高鼻咽癌放疗剂量预测的准确性和效率 | 鼻咽癌放疗的剂量分布 | 数字病理学 | 鼻咽癌 | 深度学习 | CNN和Transformer混合模型 | 图像 | 内部数据集（具体数量未提及） |
| 1359 | 2025-05-24 |
Knee Osteoarthritis SCAENet: Adaptive Knee Osteoarthritis Severity Assessment Using Spatial Separable Convolution with Attention-Based Ensemble Networks with Hybrid Optimization Strategy
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01306-4
PMID:39438366
|
research paper | 该研究提出了一种基于深度学习的膝关节骨关节炎严重程度评估模型SCAENet，用于准确识别患者病情 | 提出了一种新的空间可分离卷积与注意力机制结合的集成网络SCAENet，并采用混合优化策略HESM-BESO进行特征池生成 | 未提及模型在临床实际应用中的验证效果及样本多样性问题 | 提高膝关节骨关节炎严重程度评估的准确性和效率 | 膝关节骨关节炎患者 | digital pathology | geriatric disease | 深度学习 | SCAENet（集成ResNet/VGG16/DenseNet与1DCNN） | image | NA（仅提及在线资源获取图像，未说明具体数量） |
| 1360 | 2024-10-24 |
Correction: Checklist for Reproducibility of Deep Learning in Medical Imaging
2025-Jun, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01295-4
PMID:39438367
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |