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 32373 篇文献，本页显示第 14901 - 14920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 14901 | 2025-03-25 |
Deep learning models reveal the link between dynamic brain connectivity patterns and states of consciousness
2024-12-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76695-1
PMID:39738114
|
研究论文 | 该研究利用深度学习模型探索动态脑功能连接模式与意识状态之间的关系 | 使用低维变分自编码器(VAE)研究脑动力学，扩展了潜在空间表征和建模方法，并提出了可解释的脑计算模型 | 未明确说明样本量或数据收集的具体限制 | 解码脑活动中的意识状态，研究动态脑功能连接与意识的关系 | 人脑动态功能连接模式 | 神经科学 | 意识障碍 | 静息态fMRI，变分自编码器(VAE) | VAE | fMRI图像数据 | NA | NA | NA | NA | NA |
| 14902 | 2025-03-25 |
Deep learning radiomics on grayscale ultrasound images assists in diagnosing benign and malignant of BI-RADS 4 lesions
2024-12-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-83347-x
PMID:39733121
|
研究论文 | 本研究探索了一种基于灰度超声图像的深度学习放射组学（DLR）模型，用于辅助放射科医生区分乳腺良性病变（BBL）和恶性病变（MBL） | 提出了一个名为CLDLR的模型，结合临床参数和DLR，通过灰度超声图像诊断乳腺病变，并通过AI评分和热图提升放射科医生的诊断性能 | 研究样本量相对较小（382例患者），且未提及模型在其他数据集上的泛化能力 | 开发一种非侵入性影像生物标志物，用于预测BI-RADS 4类乳腺病变的良恶性 | 乳腺病变患者（183例良性，199例恶性） | 数字病理 | 乳腺癌 | 深度学习放射组学（DLR） | CLDLR（结合临床参数和DLR的模型） | 灰度超声图像 | 382例患者（183例良性，199例恶性） | NA | NA | NA | NA |
| 14903 | 2025-03-25 |
Development and Validation of a Biparametric MRI Deep Learning Radiomics Model with Clinical Characteristics for Predicting Perineural Invasion in Patients with Prostate Cancer
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.013
PMID:39043515
|
研究论文 | 开发并验证了一种结合双参数MRI深度学习和临床特征的模型，用于预测前列腺癌患者的神经周围侵犯 | 整合了临床特征、放射组学和深度学习特征，构建了一个综合预测模型DLRC | 研究样本量有限，且仅基于术前MRI和根治性前列腺切除术的数据 | 非侵入性预测前列腺癌患者的神经周围侵犯(PNI) | 557名接受术前MRI和根治性前列腺切除术的前列腺癌患者 | 数字病理学 | 前列腺癌 | 双参数MRI | 深度学习放射组学模型(DLRC) | MRI图像和临床数据 | 557名患者，按7:3比例分为训练集和验证集 | NA | NA | NA | NA |
| 14904 | 2025-03-25 |
Gated SPECT-Derived Myocardial Strain Estimated From Deep-Learning Image Translation Validated From N-13 Ammonia PET
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.047
PMID:39095261
|
研究论文 | 本研究探讨了使用深度学习生成的虚拟PET样门控SPECT（SPECTVP）评估心肌应变的可行性，以克服传统SPECT的限制 | 利用深度学习技术将SPECT图像转换为PET样图像（SPECTVP），提高了心肌应变测量的准确性 | 研究样本量较小（18名患者在应激状态，23名患者在静息状态），且仅选择了射血分数无变化的患者进行训练 | 提高心肌应变测量的准确性，探索SPECTVP在临床中的应用价值 | 心肌应变 | 数字病理学 | 心血管疾病 | 深度学习图像转换 | 深度学习模型 | 医学图像（SPECT和PET） | 18名患者在应激状态（720对图像），23名患者在静息状态（920对图像） | NA | NA | NA | NA |
| 14905 | 2025-03-25 |
Preoperative Contrast-Enhanced CT-Based Deep Learning Radiomics Model for Distinguishing Retroperitoneal Lipomas and Well‑Differentiated Liposarcomas
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.035
PMID:39003228
|
research paper | 评估基于术前增强CT的深度学习放射组学列线图在区分腹膜后高分化脂肪肉瘤和脂肪瘤中的效能 | 结合放射组学和深度学习特征开发的新型列线图模型，用于术前预测MDM2基因扩增，以区分两种疾病 | 研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限 | 开发术前影像学生物标志物以区分腹膜后高分化脂肪肉瘤和脂肪瘤 | 167例MDM2阳性高分化脂肪肉瘤或MDM2阴性脂肪瘤患者 | digital pathology | liposarcoma | contrast-enhanced CT (CECT) | deep learning radiomics nomogram (DLRN) | medical imaging | 167例患者（训练集104例/外部测试集63例） | NA | NA | NA | NA |
| 14906 | 2025-03-25 |
Predicting the Prognosis of HIFU Ablation of Uterine Fibroids Using a Deep Learning-Based 3D Super-Resolution DWI Radiomics Model: A Multicenter Study
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.027
PMID:38969576
|
研究论文 | 评估基于深度学习的3D超分辨率扩散加权成像放射组学模型在预测高强度聚焦超声消融子宫肌瘤预后中的可行性和有效性 | 使用深度学习构建超分辨率DWI，并在预测HIFU消融子宫肌瘤预后方面优于高分辨率DWI模型和放射科专家评估 | 回顾性研究设计，样本量相对有限（360例患者） | 预测高强度聚焦超声（HIFU）消融子宫肌瘤的预后 | 子宫肌瘤患者 | 数字病理 | 子宫肌瘤 | 扩散加权成像（DWI），深度学习 | SVM, RF, LightGBM | 3D医学影像 | 360例患者（240例训练集，60例内部测试集，60例外部测试集） | NA | NA | NA | NA |
| 14907 | 2025-03-25 |
DeepSAP: A Novel Brain Image-Based Deep Learning Model for Predicting Stroke-Associated Pneumonia From Spontaneous Intracerebral Hemorrhage
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.025
PMID:38955592
|
research paper | 开发了一种基于脑部CT扫描的深度学习模型DeepSAP，用于预测自发性脑出血后的卒中相关性肺炎 | 首次结合脑部CT图像和临床数据，通过MRI模板进行图像配准消除样本间结构差异，实现了脑出血的统计量化和空间标准化 | 研究为回顾性研究，样本量相对较小(n=244)，需要进一步前瞻性验证 | 开发快速可靠的模型及时预测卒中相关性肺炎(SAP) | 244例自发性脑出血(ICH)患者 | digital pathology | cardiovascular disease | CT扫描，MRI-template-based图像配准技术 | deep-learning neural network | image (脑部CT扫描)和临床数据 | 244例ICH患者(训练集170例，测试集74例) | NA | NA | NA | NA |
| 14908 | 2025-03-25 |
Prospective Deployment of Deep Learning Reconstruction Facilitates Highly Accelerated Upper Abdominal MRI
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.044
PMID:38955591
|
研究论文 | 比较传统T1容积插值屏气检查（VIBE）与深度学习（DL）重建加速VIBE序列在上腹部MRI中的图像质量和诊断信心 | 使用深度学习重建技术将VIBE-SPAIR的屏气时间减少50%，同时提高图像质量 | 研究样本量较小（45例患者），且仅在单一三级中心进行 | 评估深度学习重建加速VIBE序列在上腹部MRI中的性能 | 上腹部MRI检查的患者 | 医学影像 | 上腹部疾病 | 深度学习重建技术 | DL | MRI图像 | 45例患者 | NA | NA | NA | NA |
| 14909 | 2025-03-25 |
Super-resolution Deep Learning Reconstruction for 3D Brain MR Imaging: Improvement of Cranial Nerve Depiction and Interobserver Agreement in Evaluations of Neurovascular Conflict
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.06.010
PMID:38897913
|
research paper | 该研究探讨了超分辨率深度学习重建（SR-DLR）在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果 | 首次比较了SR-DLR与DLR在3D FASE脑部MR图像中对颅神经描绘和神经血管冲突评估的影响 | 研究样本量较小（37例患者），且SR-DLR显示出更高的主观图像噪声 | 评估SR-DLR在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果 | 37例患者的3D FASE脑部MR图像 | digital pathology | 神经血管疾病 | 3D fast asymmetric spin echo (3D FASE)脑部MR成像 | 深度学习重建（DLR）和超分辨率深度学习重建（SR-DLR） | 3D MR图像 | 37例患者 | NA | NA | NA | NA |
| 14910 | 2025-03-25 |
Predicting Lymphovascular Invasion in Non-small Cell Lung Cancer Using Deep Convolutional Neural Networks on Preoperative Chest CT
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.010
PMID:38845293
|
研究论文 | 本研究利用术前胸部CT图像和深度学习技术，构建了一个非小细胞肺癌淋巴血管侵犯的无创预测诊断模型 | 结合2D和3D CT成像特征以及临床放射学数据，开发了四种不同的深度卷积神经网络预测模型，用于预测非小细胞肺癌的淋巴血管侵犯 | 研究为回顾性观察研究，样本中LVI阳性患者较少（106例），可能影响模型的泛化能力 | 开发非小细胞肺癌淋巴血管侵犯的无创预测方法 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | DCNN（包括Dual-head Res2Net_3D23F、Dual-head Res2Net_3D3F、Dual-head Res2Net_3D和EfficientNet-B0_2D） | 图像 | 3034例非小细胞肺癌患者（其中106例LVI阳性） | NA | NA | NA | NA |
| 14911 | 2025-03-25 |
Value of CT-Based Deep Learning Model in Differentiating Benign and Malignant Solid Pulmonary Nodules ≤ 8 mm
2024-12, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.021
PMID:38806374
|
研究论文 | 本研究探讨了基于CT的深度学习模型在区分≤8mm的良性和恶性实性肺结节中的有效性 | 使用MDANet构建的深度学习模型，结合结节和不同周围区域特征，优于传统算法 | 样本量有限（n=719），且所有患者均接受了手术切除，可能影响模型的泛化能力 | 评估基于CT的深度学习模型在区分小实性肺结节良恶性方面的性能 | ≤8mm的实性肺结节 | 数字病理学 | 肺癌 | CT扫描 | MDANet, VGG19, ResNet50, ResNeXt50, DenseNet121 | 医学影像 | 719例患者（内部训练、内部验证和外部验证队列） | NA | NA | NA | NA |
| 14912 | 2025-03-25 |
Assessment of Deep Learning-Based Triage Application for Acute Ischemic Stroke on Brain MRI in the ER
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.04.046
PMID:38908922
|
研究论文 | 评估基于深度学习的急性缺血性卒中在急诊室脑MRI上的分诊应用 | 开发并评估了一种深度学习应用（DLA），用于在急诊室环境下快速检测急性缺血性卒中（AIS），并研究了T2加权成像（T2WI）对其性能的影响 | 研究为回顾性分析，可能受到数据选择和采集时间的限制 | 评估深度学习应用在急诊室环境下检测急性缺血性卒中的效果 | 急诊室中接受脑MRI检查的患者 | 数字病理学 | 心血管疾病 | MRI（包括DWI和FLAIR序列） | 深度学习应用（DLA） | 医学影像（MRI） | 947名个体（平均年龄64±16岁，男性461名，女性486名），其中239名（25%）为急性缺血性卒中阳性 | NA | NA | NA | NA |
| 14913 | 2025-03-25 |
Multi-feature Fusion Network on Gray Scale Ultrasonography: Effective Differentiation of Adenolymphoma and Pleomorphic Adenoma
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.023
PMID:38871552
|
研究论文 | 开发一种深度学习放射组学图网络（DLRN），用于区分腮腺多形性腺瘤（PA）和腺淋巴瘤（AL） | 整合了灰度超声图像的深度学习特征、放射组学特征和临床特征，构建了DLRN模型，显著提高了诊断性能 | 数据集较小，可能影响模型的泛化能力 | 区分腮腺多形性腺瘤和腺淋巴瘤 | 287名经组织学确认的PA或AL患者 | 数字病理 | 腮腺肿瘤 | 灰度超声成像 | DLRN, LR, SVM, KNN, RF, ExtraTrees, XGBoost, LightGBM, MLP | 图像 | 287名患者（162名训练集，70名内部验证集，55名外部验证集） | NA | NA | NA | NA |
| 14914 | 2025-10-07 |
A Self-supervised Learning-Based Fine-Grained Classification Model for Distinguishing Malignant From Benign Subcentimeter Solid Pulmonary Nodules
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.05.002
PMID:38777719
|
研究论文 | 开发并验证了一种基于自监督学习的细粒度分类模型，用于区分亚厘米实性肺结节的良恶性 | 采用自监督预训练结合细粒度网络架构，专门针对亚厘米级别肺结节的良恶性分类问题 | 回顾性研究设计，内部数据集特别富集了恶性病例 | 开发用于区分亚厘米实性肺结节良恶性的深度学习模型 | 亚厘米实性肺结节（SSPNs） | 计算机视觉 | 肺癌 | CT影像分析 | 深度学习 | CT图像 | 内部数据集1276名患者的1389个SSPNs（625个良性），外部测试集202个SSPNs | NA | 自监督预训练细粒度网络 | AUC, 准确率, 敏感度, 特异度 | NA |
| 14915 | 2025-10-07 |
Deep Learning Model for Predicting Proliferative Hepatocellular Carcinoma Using Dynamic Contrast-Enhanced MRI: Implications for Early Recurrence Prediction Following Radical Resection
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.04.028
PMID:38749868
|
研究论文 | 开发并验证基于动态对比增强MRI的深度学习模型，用于预测增殖性肝细胞癌及术后早期复发风险 | 首次将深度学习模型应用于DCE-MRI图像来区分增殖性与非增殖性肝细胞癌，并用于预测根治性切除术后的早期复发风险 | 回顾性研究设计，样本量相对有限（355例患者），需进一步前瞻性验证 | 通过术前评估优化肝细胞癌治疗策略，预测早期复发风险 | 肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 动态对比增强MRI | 深度学习模型 | 医学影像 | 355例来自两个中国医疗中心的肝细胞癌患者（训练集251例，内部测试集62例，外部测试集42例） | NA | NA | AUC | NA |
| 14916 | 2025-10-07 |
Deep Learning Features and Metabolic Tumor Volume Based on PET/CT to Construct Risk Stratification in Non-small Cell Lung Cancer
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.04.036
PMID:38740530
|
研究论文 | 本研究结合PET/CT深度学习特征和全身代谢肿瘤体积构建风险分层模型，用于预测非小细胞肺癌患者的总生存期和无进展生存期 | 首次将深度学习特征与代谢肿瘤体积结合构建风险分层模型，作为TNM分期的补充预测工具 | 样本量相对有限（590例患者），测试集在预测总生存期时C-index提升未达统计显著性 | 提高非小细胞肺癌患者生存期预测准确性，辅助临床治疗决策 | 非小细胞肺癌患者 | 医学影像分析 | 肺癌 | PET/CT成像 | CNN | 医学影像（PET/CT图像） | 590例非小细胞肺癌患者（训练集413例，测试集177例） | NA | 卷积神经网络 | C-index | NA |
| 14917 | 2025-03-25 |
Accuracy of 18F-FDG PET Imaging in Differentiating Parkinson's Disease from Atypical Parkinsonian Syndromes: A Systematic Review and Meta-Analysis
2024-11, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.08.016
PMID:39183130
|
meta-analysis | 该研究通过系统综述和荟萃分析评估了18F-FDG PET成像在区分帕金森病（PD）与非典型帕金森综合征（APSs）中的准确性 | 比较了视觉解读与AI辅助自动分类在诊断PD中的表现，发现AI辅助方法的诊断准确性与放射科医师相当 | 纳入研究的方法学异质性可能影响结果的可靠性 | 定量评估18F-FDG PET在区分PD与APSs中的准确性 | 帕金森病（PD）与非典型帕金森综合征（APSs）患者 | 医学影像分析 | 帕金森病 | 18F-FDG PET成像 | 机器学习（ML）和深度学习（DL） | 医学影像数据 | 1508名PD患者和1370名APSs患者 | NA | NA | NA | NA |
| 14918 | 2025-03-25 |
Community assessment of methods to deconvolve cellular composition from bulk gene expression
2024-Aug-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-50618-0
PMID:39191725
|
research paper | 评估从批量基因表达数据中解卷积细胞组成的方法，通过社区范围的DREAM挑战进行 | 评估了多种解卷积方法，包括深度学习方法的强表现，确立了该范式在解卷积中的适用性 | 部分方法未针对所有功能性CD8+ T细胞状态进行训练或准确度较低 | 评估解卷积方法在推断肿瘤样本中免疫浸润水平的效果 | 体外和计算机模拟的癌症与健康免疫细胞的混合转录谱 | machine learning | cancer | bulk gene expression analysis | deep learning | gene expression data | NA | NA | NA | NA | NA |
| 14919 | 2025-03-25 |
Deep learning predicts postoperative opioids refills in a multi-institutional cohort of surgical patients
2024-08, Surgery
IF:3.2Q1
DOI:10.1016/j.surg.2024.03.054
PMID:38796387
|
research paper | 该研究探讨了深度学习模型在预测术后需要阿片类药物补充的患者中的应用 | 首次将深度学习模型应用于预测术后阿片类药物补充需求，并通过多机构队列验证其高准确性 | 研究为回顾性设计，且仅纳入单一医疗中心的患者数据 | 优化术后阿片类药物处方策略，平衡药物滥用风险与患者疼痛控制需求 | 接受择期手术的成年患者 | machine learning | NA | deep learning, random forest, eXtreme Gradient Boosting | 深度学习、随机森林、XGBoost | 临床医疗记录 | 9,731例择期手术患者（平均年龄62.1岁，51.4%为女性） | NA | NA | NA | NA |
| 14920 | 2025-10-07 |
Deep learning structural insights into heterotrimeric alternatively spliced P2X7 receptors
2024-Aug, Purinergic signalling
IF:3.0Q2
DOI:10.1007/s11302-023-09978-3
PMID:38032425
|
研究论文 | 本研究应用AlphaFold2-Multimer深度学习方法预测异源三聚体选择性剪接P2X7受体的结构 | 首次验证AF2M在预测三聚体P2X7受体结构中的准确性，并成功生成多种异源三聚体剪接变体的结构模型 | 模型验证主要依赖计算指标和分子动力学模拟，缺乏实验结构直接验证异源三聚体模型 | 探索选择性剪接对P2X7受体结构和功能的影响 | P2X7受体及其剪接变体（P2X7B、P2X7E、P2X7J、P2X7L） | 结构生物信息学 | NA | 深度学习结构预测，冷冻电镜，分子动力学模拟 | AlphaFold2-Multimer | 蛋白质序列，结构数据 | 多种P2X7受体剪接变体组合 | AlphaFold2 | AlphaFold2-Multimer | 模型置信度评分，分子动力学稳定性，保守区域灵活性 | NA |