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 14601 - 14620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14601 | 2025-04-01 |
Deep Learning and Radiomics for Gastric Cancer Lymph Node Metastasis: Automated Segmentation and Multi-Machine Learning Study from Two Centers
2025-Feb-13, Oncology
IF:2.5Q3
DOI:10.1159/000544179
PMID:39947156
|
研究论文 | 本研究开发了一种基于深度学习的自动分割脾脏CT图像方法，并结合放射组学和深度学习特征构建了胃癌淋巴结转移预测模型 | 使用U-Mamba深度学习模型实现脾脏CT图像的全自动分割，结合放射组学和深度学习特征构建预测模型，并生成列线图以探索临床指导意义 | 研究仅纳入284名患者，样本量相对有限 | 开发胃癌淋巴结转移的预测方法 | 284名经病理确诊的胃癌患者 | 数字病理 | 胃癌 | CT成像 | U-Mamba, 机器学习方法 | CT图像 | 284名胃癌患者 | NA | NA | NA | NA |
| 14602 | 2025-04-01 |
Segmentation of the iliac crest from CT-data for virtual surgical planning of facial reconstruction surgery using deep learning
2025-01-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83031-0
PMID:39773990
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于从CT数据中分割髂嵴，以辅助面部重建手术的虚拟规划 | 首次采用3D U-Net架构的卷积神经网络实现髂嵴的自动化分割，并应用迁移学习优化模型训练 | 研究仅针对髂嵴分割，未涉及其他骨骼结构的自动化处理 | 开发自动化分割髂嵴的方法，以支持数字化手术规划流程 | 髂嵴的CT影像数据 | 数字病理 | 面部重建手术 | CT成像 | 3D U-Net | CT影像 | 1,398个手动分割的数据集（其中400个用于训练和验证，177个用于测试） | NA | NA | NA | NA |
| 14603 | 2025-04-01 |
Prediction of white matter hyperintensities evolution one-year post-stroke from a single-point brain MRI and stroke lesions information
2025-01-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83128-6
PMID:39774013
|
研究论文 | 本研究利用单点脑MRI和卒中病灶信息预测卒中后一年白质高信号（WMH）的演变 | 结合卒中病灶信息并使用概率深度学习模型预测WMH演变，提出了一种新的体积损失函数以提高预测准确性 | 研究主要针对轻度卒中事件后的WMH演变，可能不适用于其他类型的卒中或脑部疾病 | 预测卒中后一年白质高信号的演变，以支持个性化治疗干预 | 轻度卒中患者的白质高信号（WMH）和卒中病灶 | 数字病理学 | 心血管疾病 | T2-FLAIR脑MRI | Probabilistic U-Net | 图像 | NA | NA | NA | NA | NA |
| 14604 | 2025-04-01 |
Multi-scale feature fusion of deep convolutional neural networks on cancerous tumor detection and classification using biomedical images
2025-01-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84949-1
PMID:39774273
|
研究论文 | 本文提出了一种基于多尺度特征融合的深度卷积神经网络（MFFDCNN-CTDC）模型，用于生物医学图像中的癌症肿瘤检测和分类 | 结合ResNet50和EfficientNet架构进行多尺度特征融合，并采用混合烟花鲸鱼优化算法（FWWOA）进行参数调优 | 未提及模型在临床环境中的实际应用效果及泛化能力 | 开发一种高效的癌症肿瘤检测和分类方法 | 皮肤癌肿瘤 | 数字病理学 | 皮肤癌 | 深度学习 | CNN（ResNet50, EfficientNet, Unet3+, CAE） | 图像 | ISIC 2017和HAM10000数据集 | NA | NA | NA | NA |
| 14605 | 2025-04-01 |
Deep learning-based encryption scheme for medical images using DCGAN and virtual planet domain
2025-01-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84186-6
PMID:39774748
|
research paper | 提出了一种基于DCGAN和VPD的医学图像加密新技术 | 整合DCGAN和VPD方法生成诱饵图像，并利用时间戳、随机数和1-DEC映射生成加密密钥 | 未明确提及具体样本量或实验数据集的详细构成 | 增强医学图像的安全性，防止未经授权的访问和篡改 | 医学图像 | 数字病理 | NA | DCGAN, VPD, 1-DEC映射 | DCGAN | image | NA | NA | NA | NA | NA |
| 14606 | 2025-04-01 |
Ensemble genetic and CNN model-based image classification by enhancing hyperparameter tuning
2025-01-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76178-3
PMID:39762285
|
研究论文 | 提出了一种结合遗传算法和卷积神经网络的集成模型（EGACNN），通过优化超参数来提升图像分类的效率和准确率 | 结合遗传算法（GA）和卷积神经网络（CNN）进行超参数优化，提出EGACNN模型，显著提高了图像分类的准确率 | 研究仅基于MNIST数据集，未在其他更复杂的数据集上进行验证 | 提升基于CNN的图像分类系统的性能，利用集成学习和遗传算法的优势 | 图像分类模型 | 计算机视觉 | NA | 遗传算法（GA） | CNN, GA, 集成学习（EGACNN, CSNN） | 图像 | MNIST数据集 | NA | NA | NA | NA |
| 14607 | 2025-04-01 |
Prediction of ECG signals from ballistocardiography using deep learning for the unconstrained measurement of heartbeat intervals
2025-01-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84049-0
PMID:39762351
|
研究论文 | 利用深度学习从心冲击图(BCG)信号中提取心电图(ECG)波形，并探索其在R-R间期(RRI)估计中的应用 | 提出了一种基于双向长短期记忆网络(BiLSTM)的深度学习模型，能够从BCG信号中预测ECG信号，实现无约束的心跳间隔测量 | 模型在长期记录数据上的泛化能力仍有提升空间，且样本量相对较小(18名参与者用于训练，12名用于验证) | 开发一种无约束的心率监测方法，适用于家庭环境中的长期心脏健康监测 | 心冲击图(BCG)信号和心电图(ECG)信号 | 机器学习 | 心血管疾病 | 深度学习信号处理 | BiLSTM | 生理信号(BCG和ECG) | 18名参与者用于训练模型，12名不同参与者用于长期记录验证 | NA | NA | NA | NA |
| 14608 | 2025-04-01 |
Explainable attention based breast tumor segmentation using a combination of UNet, ResNet, DenseNet, and EfficientNet models
2025-01-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-84504-y
PMID:39762417
|
研究论文 | 本研究提出了一种基于改进UNet架构的深度学习技术，用于乳腺肿瘤分割，结合了注意力机制和先进的编码器架构 | 结合了CBAM和非局部注意力机制，以及ResNet、DenseNet和EfficientNet等先进的编码器架构，显著提升了分割性能 | 未来研究需探索多模态成像、实时临床应用以及更先进的注意力机制以进一步提升分割性能 | 提高乳腺肿瘤分割的准确性和可靠性 | 乳腺超声图像（BUSI）数据集中的乳腺肿瘤 | 计算机视觉 | 乳腺癌 | 深度学习 | UNet、ResNet、DenseNet、EfficientNet | 图像 | BUSI数据集中的乳腺超声图像 | NA | NA | NA | NA |
| 14609 | 2025-04-01 |
Diagnostic Performance of a Computer-aided System for Tuberculosis Screening in Two Philippine Cities
2025, Acta medica Philippina
DOI:10.47895/amp.vi0.8950
PMID:39967706
|
research paper | 评估qXR3.0技术在菲律宾两个城市中用于结核病筛查的诊断性能 | 首次在菲律宾本地评估基于AI的结核病筛查系统qXR3.0的性能，并与放射科医生的诊断进行比较 | 样本量较小（82名参与者），未来研究需要更大样本量验证结果 | 评估qXR3.0技术在结核病筛查中的诊断性能，并验证其是否符合WHO标准 | 菲律宾15岁及以上成年人 | digital pathology | tuberculosis | deep learning neural networks (DLNNs) | qXR3.0 | chest radiographs (CXRs) | 82名参与者 | NA | NA | NA | NA |
| 14610 | 2025-04-01 |
Detection of ionospheric disturbances with a sparse GNSS network in simulated near-real time Mw 7.8 and Mw 7.5 Kahramanmaraş earthquake sequence
2025, GPS solutions
IF:4.5Q1
DOI:10.1007/s10291-024-01808-2
PMID:39990601
|
研究论文 | 本文开发了一种近实时检测电离层扰动的方法，用于识别由地震引起的电离层异常信号 | 利用LSTM神经网络自动检测地震引起的电离层扰动，无需事先知晓地震事件 | 方法在夜间电离水平较低时可能无法检测到较小幅度的扰动 | 开发近实时电离层扰动检测方法，用于地震监测 | 由Kahramanmaraş地震序列引起的电离层扰动 | 地球物理监测 | NA | GNSS总电子含量(TEC)测量 | LSTM | 卫星信号数据 | 2023年2月6日Kahramanmaraş地震序列数据 | NA | NA | NA | NA |
| 14611 | 2025-03-30 |
Correction: Detection and recognition of foreign objects in Pu-erh Sun-dried green tea using an improved YOLOv8 based on deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0321409
PMID:40153338
|
correction | 对一篇关于使用改进的YOLOv8深度学习模型检测和识别普洱茶晒青毛茶中外来物的文章进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14612 | 2024-10-02 |
Deep learning sharpens vistas on biodiversity mapping
2024-Oct-08, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2416358121
PMID:39348547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14613 | 2025-04-01 |
A Deep Learning-based Pipeline for Segmenting the Cerebral Cortex Laminar Structure in Histology Images
2024-Oct, Neuroinformatics
IF:2.7Q3
DOI:10.1007/s12021-024-09688-0
PMID:39417954
|
研究论文 | 本文提出了一种基于深度学习的流程，用于在组织学图像中分割大脑皮层的层状结构 | 开发了一种新颖的计算框架，结合AI工具获取皮层标签，并使用深度学习模型进行皮层分层分割，相比现有方法在分割质量上有显著提升 | 仅针对普通狨猴的Nissl染色和髓鞘染色切片图像进行研究，未在其他物种或染色方法上验证 | 理解大脑皮层层状结构的解剖学特征及其连接模式，为神经系统疾病研究提供见解 | 普通狨猴大脑的Nissl染色和髓鞘染色切片图像 | 数字病理学 | 神经系统疾病 | 深度学习 | 深度学习模型（未明确具体类型） | 图像 | 普通狨猴大脑切片图像（具体数量未说明） | NA | NA | NA | NA |
| 14614 | 2025-04-01 |
Modeling protein-small molecule conformational ensembles with ChemNet
2024-Sep-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.09.25.614868
PMID:39386615
|
research paper | 该研究开发了一种名为ChemNet的图神经网络，用于模拟蛋白质-小分子系统的构象异质性 | ChemNet能够快速生成小分子和蛋白质-小分子系统的构象集合，并在酶设计方面表现出更高的成功率和活性 | NA | 模拟蛋白质-小分子系统的构象异质性，并提高酶设计的成功率 | 蛋白质-小分子系统 | machine learning | NA | graph neural network | ChemNet | atomic level structures | 数据来自Cambridge Structural Database和Protein Data Bank | NA | NA | NA | NA |
| 14615 | 2024-08-07 |
Comment on 'Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: a systematic review and meta-analysis'
2024-Sep-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000001718
PMID:38814316
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14616 | 2025-10-07 |
Automated segmentation of the median nerve in patients with carpal tunnel syndrome
2024-07-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-65840-5
PMID:39033223
|
研究论文 | 本研究开发了一种基于U-Net的自动分割算法，用于识别腕管综合征患者的正中神经并测量其横截面积 | 首次使用U-Net网络对正中神经在完整远端前臂行程中进行自动分割和测量 | 样本量较小（仅25例患者和26例健康对照），需要更大规模验证 | 开发自动分割正中神经的算法以辅助腕管综合征诊断 | 腕管综合征患者和健康对照者的正中神经超声图像 | 医学影像分析 | 腕管综合征 | 超声成像 | CNN | 图像 | 25例腕管综合征患者和26例健康对照，共2355张手动分割图像 | NA | U-Net | Dice系数, 面积测量差异百分比 | NA |
| 14617 | 2025-10-07 |
VesselBoost: A Python Toolbox for Small Blood Vessel Segmentation in Human Magnetic Resonance Angiography Data
2024-May-22, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.22.595251
PMID:38826408
|
研究论文 | 开发了一个名为VesselBoost的Python工具箱，用于在人类磁共振血管造影数据中进行小血管分割 | 结合深度学习与不完美训练标签进行血管分割，并采用创新的数据增强技术利用血管结构相似性 | NA | 实现高分辨率MRA数据中小血管的精确分割 | 人类大脑磁共振血管造影数据中的小血管 | 医学图像分析 | 脑血管疾病 | 磁共振血管造影(MRA) | 深度学习 | 医学图像 | NA | Python | NA | NA | NA |
| 14618 | 2025-10-07 |
Areas of interest and sentiment analysis towards second generation antipsychotics, lithium and mood stabilizing anticonvulsants: Unsupervised analysis using Twitter
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.01.234
PMID:38290587
|
研究论文 | 通过分析Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗惊厥药物的推文，探索用户关注点和情感态度 | 首次利用无监督分析方法对15年间近90万条相关推文进行情感分析和主题挖掘 | 推文长度限制可能影响讨论深度分析，药物广泛治疗用途使特定疾病讨论难以分离，仅分析英语和西班牙语推文限制了文化广度 | 了解患者和公众对精神疾病治疗药物的态度和认知 | Twitter上关于第二代抗精神病药物、锂盐和情绪稳定抗惊厥药物的推文 | 自然语言处理 | 精神疾病 | 机器学习，深度学习，自然语言处理 | NA | 文本 | 893,289条推文（2008-2022年） | NA | NA | NA | NA |
| 14619 | 2025-10-07 |
Larger hypothalamic subfield volumes in patients with chronic insomnia disorder and relationships to levels of corticotropin-releasing hormone
2024-04-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.02.023
PMID:38341156
|
研究论文 | 本研究通过深度学习自动分割工具探究慢性失眠障碍患者下丘脑亚区体积变化及其与促肾上腺皮质激素释放激素水平的关系 | 首次使用先进深度学习工具在体量化分析慢性失眠患者下丘脑亚区体积变化，并揭示前下丘脑肥大在CRH水平与失眠严重程度关系中的中介作用 | 样本量相对有限，横断面研究设计无法确定因果关系 | 探究慢性失眠障碍患者下丘脑亚区体积变化及其与HPA轴生物标志物的关联 | 150名慢性失眠障碍患者和155名人口学匹配的健康对照 | 医学影像分析 | 睡眠障碍 | T1加权结构磁共振成像 | 深度学习 | MRI图像 | 305名参与者（150名患者+155名健康对照） | FreeSurfer | 基于深度学习的自动分割工具 | NA | NA |
| 14620 | 2025-10-07 |
Research and application of deep learning-based sleep staging: Data, modeling, validation, and clinical practice
2024-04, Sleep medicine reviews
IF:11.2Q1
DOI:10.1016/j.smrv.2024.101897
PMID:38306788
|
综述 | 全面回顾基于深度学习的睡眠分期方法及其临床应用 | 系统梳理深度学习在睡眠分期领域的数据处理、建模流程和临床应用，重点关注大规模数据集、跨学科合作和人机交互等前沿方向 | 未提出新的具体模型或算法，主要进行系统性综述和分析 | 提升睡眠分期的效率和准确性，推动自动化睡眠分期系统在临床实践和日常生活中的应用 | 睡眠分期相关数据和方法 | 机器学习 | 睡眠障碍 | 深度学习 | NA | 生理信号数据 | NA | NA | NA | 准确率等性能指标 | NA |