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 32843 篇文献，本页显示第 13681 - 13700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13681 | 2025-04-25 |
Bi-level graph learning unveils prognosis-relevant tumor microenvironment patterns in breast multiplexed digital pathology
2025-Mar-14, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101178
PMID:40182181
|
research paper | 提出了一种数据驱动且可解释的方法，用于识别与患者预后相关的肿瘤微环境中的细胞模式 | 引入了双层图模型（细胞图和群体图），提供了一种新的可解释的生物标志物识别方法 | 方法虽然在乳腺癌中验证，但在其他癌症类型中的普适性需要进一步验证 | 识别与患者预后相关的肿瘤微环境中的细胞模式 | 乳腺癌患者的肿瘤微环境 | digital pathology | breast cancer | deep learning | bi-level graph model | multiplexed digital pathology images | 在两个独立队列中验证 | NA | NA | NA | NA |
| 13682 | 2025-04-25 |
Structural Connectome Analysis using a Graph-based Deep Model for Age and Dementia Prediction
2025-Mar-13, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.09.642165
PMID:40161600
|
research paper | 该研究提出了一种基于图卷积网络（GCNs）的机器学习模型，用于预测年龄和迷你精神状态检查（MMSE）分数，基于从扩散磁共振图像中获取的结构性脑连接数据 | 模型架构的创新，特别是连接注意力模块，能够学习脑图的嵌入表示并提供图级注意力 | NA | 预测年龄和MMSE分数，以增进对健康和疾病的理解 | 结构脑连接数据 | machine learning | geriatric disease | diffusion magnetic resonance imaging | GCN | image | 公开可用的PREVENT-AD和OASIS3数据集 | NA | NA | NA | NA |
| 13683 | 2025-04-25 |
IDP-EDL: enhancing intrinsically disordered protein prediction by combining protein language model and ensemble deep learning
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf182
PMID:40254833
|
research paper | 提出了一种结合蛋白质语言模型和集成深度学习的方法IDP-EDL，用于增强内在无序蛋白质的预测 | 通过任务特定的监督微调捕捉长无序区域(LDRs)和短无序区域(SDRs)的不同特征，并集成三个任务特定的预测器 | 未明确提及具体局限性 | 提高内在无序区域(IDRs)的预测准确性，区分长无序区域(LDRs)和短无序区域(SDRs) | 蛋白质中的内在无序区域(IDRs) | 生物信息学 | NA | 蛋白质语言模型、集成深度学习 | ensemble deep learning | 蛋白质序列数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 13684 | 2025-04-25 |
The impact of deep learning on diagnostic performance in the differentiation of benign and malignant thyroid nodules
2025-Mar-02, Medical ultrasonography
IF:1.8Q3
DOI:10.11152/mu-4432
PMID:39231286
|
研究论文 | 本研究利用深度学习技术通过超声图像对甲状腺结节进行良恶性分类，并探讨了深度学习对不同经验水平的放射科医生诊断成功率的影响 | 首次系统评估了深度学习辅助诊断对不同经验水平放射科医生在甲状腺结节良恶性鉴别中的提升效果 | 研究样本量有限（576张超声图像），且仅评估了四种经验水平的放射科医生 | 提高甲状腺结节良恶性鉴别的诊断准确率 | 甲状腺结节超声图像 | 数字病理 | 甲状腺疾病 | 超声检查(US) | 深度学习模型（未指定具体架构） | 图像 | 576张甲状腺结节超声图像（80%训练集/20%测试集） | NA | NA | NA | NA |
| 13685 | 2025-04-25 |
Deep learning-based analysis of gross features for ovarian epithelial tumors classification: A tool to assist pathologists for frozen section sampling
2025-Mar, Human pathology
IF:2.7Q2
DOI:10.1016/j.humpath.2025.105762
PMID:40122402
|
research paper | 本研究提出了一种基于Swin Transformer的SGFD-network，用于辅助病理学家通过大体特征定位卵巢上皮性肿瘤的病变区域 | 首次利用深度学习分析大体图像特征辅助卵巢上皮性肿瘤分类，特别是针对冰冻切片采样中的微浸润鉴别难题 | 研究仅基于4129张大样本图像，未说明外部验证集的性能表现 | 开发辅助病理学家进行卵巢上皮性肿瘤冰冻切片采样的AI工具 | 卵巢上皮性肿瘤的大体图像特征 | digital pathology | ovarian cancer | deep learning | Swin Transformer | image | 4129张卵巢上皮性肿瘤大体图像 | NA | NA | NA | NA |
| 13686 | 2025-04-25 |
Blockchain-integrated IoT device for advanced inspection of casting defects
2025-Feb-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-86777-3
PMID:39939622
|
研究论文 | 本研究提出了一种创新的区块链集成物联网系统，用于铸件缺陷的高级检测，结合了基于ResNet的深度学习模型和区块链技术 | 结合ResNet深度学习模型与区块链技术，提升缺陷检测精度并确保数据完整性和可追溯性 | 可扩展性和能源效率仍有待改进 | 解决智能制造中的质量控制和数据管理挑战 | 铸件缺陷检测与数据管理 | 智能制造 | NA | 区块链技术、深度学习 | ResNet | 图像数据 | NA | NA | NA | NA | NA |
| 13687 | 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 |
| 13688 | 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 |
| 13689 | 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 |
| 13690 | 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 |
| 13691 | 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 |
| 13692 | 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 |
| 13693 | 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 |
| 13694 | 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 |
| 13695 | 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 |
| 13696 | 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 |
| 13697 | 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 |
| 13698 | 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 |
| 13699 | 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 |
| 13700 | 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 |