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 14621 - 14640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14621 | 2025-04-01 |
Deep learning approaches in predicting ADMET properties
2020-11, Future medicinal chemistry
IF:3.2Q3
DOI:10.4155/fmc-2020-0259
PMID:33124448
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14622 | 2025-10-07 |
Feasibility of deep learning algorithm in diagnosing lumbar central canal stenosis using abdominal CT
2025-May, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04796-z
PMID:39249505
|
研究论文 | 开发基于U-Net架构的深度学习算法，使用腹部CT和腰椎CT自动诊断腰椎中央管狭窄症 | 首次利用腹部CT图像进行腰椎中央管狭窄症的自动诊断，并与专用腰椎CT的诊断性能进行比较 | 回顾性研究，样本量较小（仅109名患者），需要更大规模的前瞻性研究验证 | 开发深度学习算法用于腰椎中央管狭窄症的自动诊断 | 接受腹部CT和腰椎CT检查的患者 | 医学影像分析 | 腰椎疾病 | CT成像 | 深度学习 | CT图像 | 109名患者，990张CT图像 | NA | U-Net | 准确率, 敏感性, 特异性, Dice相似系数, 组内相关系数 | NA |
| 14623 | 2025-03-30 |
Utilization of Image-Based Deep Learning in Multimodal Glaucoma Detection Neural Network from a Primary Patient Cohort
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100703
PMID:40151357
|
研究论文 | 开发了一种基于多模态成像数据的深度学习模型，用于青光眼的检测 | 通过多模态数据（眼底照片、OCT扫描和HVF分析）的整合，提高了青光眼检测模型的性能和准确性 | 模型在外部数据集上的性能可能受到数据质量和一致性的影响 | 开发一种临床可用的多模态神经网络模型，用于青光眼的检测 | 青光眼和非青光眼患者的眼底照片、OCT扫描和HVF测试数据 | 数字病理学 | 青光眼 | 深度学习 | CNN和MLP | 图像 | 716次就诊数据（706只眼睛，571名患者）和4个外部单模态数据集 | NA | NA | NA | NA |
| 14624 | 2025-03-30 |
Artificial Intelligence Models to Identify Patients at High Risk for Glaucoma Using Self-reported Health Data in a United States National Cohort
2025 May-Jun, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100685
PMID:40151359
|
研究论文 | 本研究开发了基于自报健康调查数据的人工智能模型，用于预测青光眼高风险患者 | 利用自报健康调查数据而非专业眼科检查数据来预测青光眼风险，适用于资源匮乏环境的大规模筛查 | 模型性能依赖于电子健康记录中诊断代码的准确性，且未包含眼科影像数据 | 开发青光眼高风险人群的预筛查工具 | 美国全国队列中18岁以上、有≥2次眼科相关电子健康记录并提交健康调查的参与者 | 机器学习 | 青光眼 | 机器学习 | XGBoost, 逻辑回归, 全连接神经网络 | 结构化调查数据 | 8205名患者（其中873名确诊青光眼） | NA | NA | NA | NA |
| 14625 | 2025-10-07 |
The Usefulness of Low-Kiloelectron Volt Virtual Monochromatic Contrast-Enhanced Computed Tomography with Deep Learning Image Reconstruction Technique in Improving the Delineation of Pancreatic Ductal Adenocarcinoma
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01214-7
PMID:39136827
|
研究论文 | 评估低keV多期相CT结合深度学习图像重建技术在改善胰腺导管腺癌轮廓描绘方面的效果 | 首次将深度学习图像重建技术应用于低keV虚拟单色成像，显著提升胰腺导管腺癌的对比噪声比和病灶显着性 | 样本量较小（35例患者），为回顾性研究 | 比较深度学习图像重建与传统混合迭代重建在胰腺导管腺癌成像中的性能差异 | 胰腺导管腺癌患者 | 医学影像分析 | 胰腺癌 | 多期相计算机断层扫描，虚拟单色成像 | 深度学习 | CT影像 | 35例胰腺导管腺癌患者 | TrueFidelity | 深度学习图像重建 | 对比噪声比，病灶显着性评分 | NA |
| 14626 | 2025-10-07 |
Optimizing Acute Stroke Segmentation on MRI Using Deep Learning: Self-Configuring Neural Networks Provide High Performance Using Only DWI Sequences
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-00994-2
PMID:39138749
|
研究论文 | 本研究评估了深度学习模型在急性脑卒中MRI分割中的性能，发现仅使用DWI序列的自配置nnU-Net模型即可达到优异分割效果 | 首次系统评估DWI、ADC和FLAIR序列组合对脑梗死分割的价值，并证明自配置nnU-Net仅需DWI序列即可实现高性能分割 | 外部验证数据集包含颅内出血病例导致假阳性，样本量相对有限 | 优化急性脑卒中在MRI上的自动分割方法 | 缺血性脑卒中患者的脑梗死区域 | 医学影像分析 | 脑卒中 | MRI成像（DWI、ADC、FLAIR序列） | CNN | 3D医学影像 | 200个梗死病例用于训练，50个病例用于测试，50个外部临床MRI用于验证 | MONAI | nnU-Net, U-Net | Dice系数 | NA |
| 14627 | 2025-10-07 |
Ensemble of Deep Learning Architectures with Machine Learning for Pneumonia Classification Using Chest X-rays
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01201-y
PMID:39138748
|
研究论文 | 本研究开发了一种结合深度学习架构与机器学习分类器的集成方法，用于胸部X光图像的肺炎分类 | 提出将改进的VGG19、ResNet50V2和DenseNet121深度学习模型与五种机器学习分类器相结合的集成方法 | 未提及模型可解释性方法，需要进一步研究决策过程的透明度 | 提高肺炎分类的准确性和效率 | 胸部X光图像 | 计算机视觉 | 肺炎 | 医学影像分析 | CNN, 集成学习 | 图像 | NA | NA | VGG19, ResNet50V2, DenseNet121 | 准确率 | NA |
| 14628 | 2025-10-07 |
Deep Learning-Based Prediction of Post-treatment Survival in Hepatocellular Carcinoma Patients Using Pre-treatment CT Images and Clinical Data
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01227-2
PMID:39147884
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用治疗前CT图像和临床数据预测肝细胞癌患者治疗后的生存期 | 提出了一种级联式3D CNN模型，将CT图像特征与临床信息融合，采用离散时间生存预测方法优化预测性能 | 样本量相对有限，外部验证队列仅包含39例患者 | 预测肝细胞癌患者治疗后的生存期 | 692例肝细胞癌患者 | 医学影像分析 | 肝细胞癌 | CT成像 | CNN | CT图像, 临床数据 | 总样本692例（训练队列507例，测试队列146例，外部CT队列39例） | NA | DenseNet-121, 3D CNN | C-index, mC/D AUC, mBS | NA |
| 14629 | 2025-10-07 |
Construction and Validation of a General Medical Image Dataset for Pretraining
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01226-3
PMID:39147887
|
研究论文 | 构建并验证了一个用于医学图像预训练的通用数据集CPMID | 创建了首个专门用于医学图像预训练的通用数据集，并验证其在分类和分割任务中的有效性 | 数据集仅包含公开医学图像数据集，未涉及私有或专有数据 | 开发适用于医学图像分析的预训练数据集 | 医学图像数据 | 计算机视觉 | NA | 医学图像分析 | CNN, Transformer | 图像 | 多个公开医学图像数据集组成的CPMID数据集 | NA | ResNet, Vision Transformer | 准确率, ROC-AUC, 类激活图, 交并比 | NA |
| 14630 | 2025-10-07 |
Deep Learning-Based Model for Non-invasive Hemoglobin Estimation via Body Parts Images: A Retrospective Analysis and a Prospective Emergency Department Study
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01209-4
PMID:39160365
|
研究论文 | 开发基于多部位身体图像的深度学习模型用于无创血红蛋白估计 | 提出融合注意力机制的多身体部位图像分析模型，采用双损失函数结合回归与分类方法 | 前瞻性研究样本量较小（101例患者） | 开发无创血红蛋白估计方法以替代传统实验室检测 | 贫血患者 | 计算机视觉 | 贫血 | 图像分析 | 深度学习 | 图像 | 回顾性数据集EYES-DEFY-ANEMIA和前瞻性101例患者 | NA | BPANet | 准确率,F1分数 | NA |
| 14631 | 2025-10-07 |
DECNet: Left Atrial Pulmonary Vein Class Imbalance Classification Network
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01221-8
PMID:39164454
|
研究论文 | 提出DECNet网络解决左心房肺静脉分类不平衡问题，集成多尺度特征增强注意力和双特征提取分类器 | 结合多尺度特征增强注意力机制和双特征提取分类器，通过通道权重和空间权重增强深度特征表达能力，缓解数据不平衡导致的学习偏差 | NA | 解决左心房肺静脉解剖分类中的数据不平衡问题，提高分类准确性 | 左心房肺静脉的解剖形态分类 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 医学图像 | NA | NA | DECNet | 准确率 | NA |
| 14632 | 2025-10-07 |
Improved Automated Quality Control of Skeletal Wrist Radiographs Using Deep Multitask Learning
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01220-9
PMID:39187704
|
研究论文 | 开发基于深度多任务学习的卷积神经网络模型，用于腕部X光片的自动化质量控制 | 采用多任务深度学习框架同时检测腕部X光片的投照方位、侧位标记、石膏和手术内固定物 | 侧位标记检测性能较低（F1分数82.52%），特别是对部分可见或截断的标记识别效果不佳 | 开发自动化质量控制模型，确保X光片检查结果与图像申请元数据的一致性 | 腕部X光片 | 计算机视觉 | 骨科疾病 | X射线成像 | CNN | 图像 | 6283张腕部X光片（来自2591名患者） | NA | DenseNet 121 | F1分数 | NA |
| 14633 | 2025-10-07 |
Feature-Based vs. Deep-Learning Fusion Methods for the In Vivo Detection of Radiation Dermatitis Using Optical Coherence Tomography, a Feasibility Study
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01241-4
PMID:39231883
|
研究论文 | 本研究比较了基于特征的机器学习与深度学习融合方法在检测放射性皮炎方面的性能 | 首次将光学相干断层扫描的强度特征和新型特征与机器学习结合用于放射性皮炎的体内检测 | 样本量较小（22名患者），仅为可行性研究 | 开发放射性皮炎的定量评估工具以改善临床管理 | 接受放射治疗的癌症患者颈部皮肤 | 医学影像分析 | 放射性皮炎 | 光学相干断层扫描（OCT） | 机器学习, 深度学习 | OCT图像 | 22名患者，1487张图像 | NA | NA | 准确率 | NA |
| 14634 | 2025-10-07 |
Unsupervised and Self-supervised Learning in Low-Dose Computed Tomography Denoising: Insights from Training Strategies
2025-Apr, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01213-8
PMID:39231886
|
综述 | 本文系统综述了低剂量计算机断层扫描去噪中无监督和自监督深度学习的训练策略 | 首次对LDCT去噪中无监督和自监督深度学习的训练策略进行全面分类和系统评述 | 作为综述文章，不包含原始实验验证，主要基于现有文献分析 | 填补低剂量CT去噪领域无监督和自监督学习方法训练策略综述的空白 | 低剂量计算机断层扫描图像去噪方法 | 计算机视觉 | NA | 低剂量计算机断层扫描 | 深度学习 | 医学图像 | NA | NA | NA | NA | NA |
| 14635 | 2025-03-30 |
Accelerating fringe projection profilometry to 100k fps at high-resolution using deep learning
2025-Mar-27, Light, science & applications
DOI:10.1038/s41377-025-01802-4
PMID:40140350
|
research paper | 该论文通过深度学习技术将条纹投影轮廓测量法的速度提升至每秒10万帧，同时保持高分辨率 | 利用深度学习技术显著提升条纹投影轮廓测量法的速度至100k fps，同时保持高分辨率 | NA | 提升条纹投影轮廓测量法的速度和分辨率，扩展其在高速瞬态场景中的应用 | 条纹投影轮廓测量法 | computer vision | NA | deep learning | NA | 3D imaging data | NA | NA | NA | NA | NA |
| 14636 | 2025-03-30 |
Lightweight coal mine conveyor belt foreign object detection based on improved Yolov8n
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87848-1
PMID:40133307
|
research paper | 提出了一种基于改进Yolov8n模型的轻量级算法，用于煤矿传送带异物检测，以提高检测速度并降低模型复杂度 | 采用轻量级StarNet作为主干网络，提出C2f.-EIEM模块增强特征学习能力，使用LSKA机制改进SPPF，替换通道注意力机制为C2f_MLCA，增加轻量级检测头Detect-LSDECD，以及用MPDIoU替换CIoU损失函数 | 未提及算法在不同光照或极端环境下的表现，也未讨论模型在其他类型异物检测上的泛化能力 | 解决基于深度学习的传送带异物检测方法速度慢、参数多、计算需求高的问题 | 煤矿传送带上的异物 | computer vision | NA | NA | Yolov8n改进模型 | image | NA | NA | NA | NA | NA |
| 14637 | 2025-03-30 |
Integrating vibration signal analysis and image embedding for enhanced bearing fault diagnosis in manufacturing
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94351-0
PMID:40140467
|
研究论文 | 提出了一种名为ZERONE的新型图像嵌入方法，用于增强机械系统中轴承故障的诊断 | ZERONE方法通过将时域特征、频域特征和振动信号的操作条件整合到单一图像中，简化了表示，并利用CNN模型进行故障诊断，显著提高了诊断准确率 | 未明确提及方法的局限性 | 提高机械系统中轴承故障诊断的准确性和效率 | 机械系统中的轴承故障 | 计算机视觉 | NA | 振动信号分析、图像嵌入 | CNN | 图像、振动信号 | Paderborn University轴承数据集和Jiangnan University数据集 | NA | NA | NA | NA |
| 14638 | 2025-03-30 |
Research on the influence of spontaneous commercial space on the commercial vitality of historical and cultural districts
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-94712-9
PMID:40140652
|
研究论文 | 本研究探讨了自发商业空间对历史文化街区商业活力的影响，并利用深度学习和机器学习方法进行了系统分析 | 首次结合Mask R-CNN深度学习和随机森林回归分析，量化了自发商业空间对商业活力的影响，并提出了预测框架 | 研究仅基于武汉昙华林历史文化街区的数据，可能无法完全代表其他地区的情况 | 探究自发商业空间对历史文化街区商业活力的影响 | 武汉昙华林历史文化街区的自发商业空间 | 计算机视觉 | NA | Mask R-CNN深度学习、随机森林回归分析、SHAP解释方法 | Mask R-CNN、随机森林 | 图像 | 4217张标注图像 | NA | NA | NA | NA |
| 14639 | 2025-03-30 |
Steel surface defect detection based on multi-layer fusion networks
2025-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-74601-3
PMID:40140671
|
research paper | 该论文提出了一种基于多层融合网络的钢材表面缺陷检测方法，通过改进YOLOv5模型提高了复杂背景下大目标和小目标的检测能力 | 将RepBi-PAN融合网络集成到YOLOv5中，优化模型结构并引入DenseNet结构和归一化注意力模块(NAM)，提升了检测性能 | 未明确说明在极端低分辨率或极端复杂背景下的性能表现 | 提高钢材表面缺陷检测的准确率和召回率 | 钢材表面缺陷 | computer vision | NA | deep learning | YOLOv5 with RepBi-PAN and DenseNet | image | 未明确说明具体样本数量 | NA | NA | NA | NA |
| 14640 | 2025-03-30 |
Evaluating segmentation methods for UAV-Based Spoil Pile Delineation
2025-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77616-y
PMID:40133311
|
研究论文 | 本研究评估了不同分割方法在无人机拍摄的废料堆划分中的应用 | 比较了传统分割方法与深度学习方法，特别是基于形态学的深度学习分割方法Segment Anything Model (SAM)的优越性能 | 未提及具体的数据集大小或实验条件的限制 | 优化分割策略，以促进基于图像的废料堆监测和矿山环境的可持续管理 | 矿山废料堆 | 计算机视觉 | NA | 对象分类和图像分割 | Segment Anything Model (SAM) | 图像 | NA | NA | NA | NA | NA |