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 32371 篇文献，本页显示第 1501 - 1520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1501 | 2025-09-24 |
Machine Learning-Based Prediction of Abdominal Subcutaneous Fat Thickness During Pregnancy
2023-11, Metabolic syndrome and related disorders
IF:1.3Q4
DOI:10.1089/met.2023.0043
PMID:37669001
|
研究论文 | 开发基于机器学习的孕期腹部皮下脂肪厚度预测模型 | 首次结合三种机器学习算法（深度学习、随机森林、支持向量机）对孕期不同阶段腹部皮下脂肪厚度进行预测建模 | 样本量有限（354例），未说明模型的外部验证效果 | 预测孕妇腹部皮下脂肪厚度以评估皮下注射安全性 | 孕妇群体 | 机器学习 | 妊娠期糖尿病 | 机器学习算法（深度学习、随机森林、支持向量机） | 深度学习、随机森林、支持向量机 | 临床测量数据 | 354例孕妇 | NA | NA | NA | NA |
| 1502 | 2025-09-24 |
Deep learning for metabolic pathway design
2023-11, Metabolic engineering
IF:6.8Q1
DOI:10.1016/j.ymben.2023.09.012
PMID:37734652
|
综述 | 本文评估了深度学习等数字策略在代谢通路预测和酶发现中的应用 | 探讨深度学习技术在代谢通路设计中的最新进展及其在推动生物基循环经济中的潜力 | NA | 评估计算机辅助工具在代谢通路设计中的应用效果 | 微生物细胞工厂的代谢通路设计 | 机器学习 | NA | 深度学习 | 深度学习 | 化学与代谢域数据 | NA | NA | NA | NA | NA |
| 1503 | 2025-09-24 |
Design and implementation of a smart Internet of Things chest pain center based on deep learning
2023-10-10, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2023840
PMID:38052586
|
研究论文 | 基于深度学习设计并实现了一个智能物联网胸痛中心系统 | 整合物联网三层架构与BiLSTM-CRF算法，实现胸痛患者信息的智能采集和症状自动提取 | 仅在一家医院（辽宁省人民医院）进行应用验证，缺乏多中心临床验证 | 解决胸痛中心数据录入非智能化导致的效率低下和错误率高的问题 | 胸痛患者及其医疗数据 | 智慧医疗 | 心血管疾病 | 物联网技术、UWB定位、BiLSTM-CRF算法 | BiLSTM-CRF | 电子医疗记录、定位数据、移动应用数据 | 未明确说明具体样本数量 | NA | NA | NA | NA |
| 1504 | 2025-09-24 |
ECA-TFUnet: A U-shaped CNN-Transformer network with efficient channel attention for organ segmentation in anatomical sectional images of canines
2023-10-07, Mathematical biosciences and engineering : MBE
DOI:10.3934/mbe.2023827
PMID:38052573
|
研究论文 | 提出一种结合CNN和Transformer的U型网络ECA-TFUnet，用于犬类解剖断面图像的器官分割 | 首次在Unet网络的第一跳跃连接层集成Transformer模块以学习全局依赖关系，并引入高效通道注意力机制增强模型鲁棒性 | 未明确说明模型在复杂解剖结构或小器官分割中的具体表现 | 提升犬类解剖断面图像中器官自动分割的精度 | 犬类解剖断面图像中的器官 | 数字病理 | NA | 深度学习 | U-Net, Transformer, CNN | 医学图像 | 未明确说明具体样本数量，但包含公开数据集验证 | NA | NA | NA | NA |
| 1505 | 2025-09-24 |
Microbial carbon use efficiency promotes global soil carbon storage
2023-06, Nature
IF:50.5Q1
DOI:10.1038/s41586-023-06042-3
PMID:37225998
|
研究论文 | 本研究通过多方法融合揭示了微生物碳利用效率对全球土壤碳储量的主导作用 | 首次量化证明CUE对土壤碳储量的影响是其他因素（碳输入、分解等）的四倍以上，并建立其与气候/植被/土壤性质的关联模型 | 未明确微生物群落结构对CUE的具体调控机制 | 探究微生物碳利用效率在土壤有机碳持久保存中的作用机制 | 全球尺度土壤碳库与微生物活动 | 环境微生物学 | NA | 数据同化、深度学习、meta分析 | 微生物过程显式模型 | 全球尺度数据集 | 全球多源土壤碳库数据 | NA | NA | NA | NA |
| 1506 | 2025-09-24 |
Segmenting Skin Biopsy Images with Coarse and Sparse Annotations using U-Net
2022-10, Journal of digital imaging
IF:2.9Q2
DOI:10.1007/s10278-022-00641-8
PMID:35501416
|
研究论文 | 提出一种使用粗标注和稀疏标注的两阶段分割流程，用于皮肤活检图像中黑色素细胞病变的语义分割 | 开发了基于U-Net的两阶段分割流程，仅需对全切片图像的小区域进行粗标注和稀疏标注即可训练模型 | 需要专家标注作为金标准，标注过程仍然需要专业医学知识 | 开发高效的医学图像分割方法以辅助黑色素瘤诊断 | 皮肤活检组织切片中的黑色素细胞病变区域 | 数字病理学 | 黑色素瘤 | 深度学习图像分析 | U-Net | 医学图像 | NA | NA | NA | NA | NA |
| 1507 | 2025-09-19 |
Response to letter regarding "A deep learning approach for gastroscopic manifestation recognition based on Kyoto Gastritis Score"
2025-Dec, Annals of medicine
IF:4.9Q1
DOI:10.1080/07853890.2025.2561801
PMID:40964794
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1508 | 2025-09-23 |
A Novel Deep Learning Radiomics Nomogram Integrating B-Mode Ultrasound and Contrast-Enhanced Ultrasound for Preoperative Prediction of Lymphovascular Invasion in Invasive Breast Cancer
2025-Nov, Ultrasound in medicine & biology
|
研究论文 | 开发一种整合B超和超声造影的深度学习影像组学列线图，用于术前预测浸润性乳腺癌淋巴血管侵犯 | 首次将B超和超声造影的深度学习特征与手工特征结合构建预测模型，并采用多中心数据验证 | 回顾性研究设计，样本来源仅限于三家医院 | 术前无创预测浸润性乳腺癌的淋巴血管侵犯状态 | 浸润性乳腺癌患者 | 医学影像分析 | 乳腺癌 | 深度学习影像组学 | 深度学习列线图 | 超声图像（B超和超声造影） | 981例患者（834例来自医院I，147例来自医院II和III） | NA | NA | NA | NA |
| 1509 | 2025-09-23 |
A Learnable Physical Deep Learning Model for Sparse Limited View Photoacoustic Tomography
2025-Nov, Ultrasound in medicine & biology
|
研究论文 | 提出一种可学习的物理深度学习模型，用于稀疏有限视角光声断层成像的高质量重建 | 结合物理模型与深度学习，实现仅需16个探测器的极稀疏信号的高质量光声成像重建 | NA | 开发稀疏重建算法以降低光声成像系统对密集阵列探头的制造需求 | 光声断层成像信号与重建图像 | 医学影像处理 | NA | 光声断层成像 | 深度学习模型（具体架构未说明） | 光声信号与医学影像 | 数值模拟与活体实验（具体样本数未说明） | NA | NA | NA | NA |
| 1510 | 2025-09-23 |
Breast Cancer Diagnosis Using a Dual-Modality Complementary Deep Learning Network With Integrated Attention Mechanism Fusion of B-Mode Ultrasound and Shear Wave Elastography
2025-Nov, Ultrasound in medicine & biology
|
研究论文 | 开发一种融合B超和剪切波弹性成像的双模态互补深度学习网络，用于提升乳腺肿瘤分类和腋窝淋巴结转移预测性能 | 提出结合注意力机制的双模态特征融合网络，首次将结构特征与刚度特征进行互补性融合 | 回顾性研究，样本量有限（218例患者），需多中心前瞻性验证 | 通过多模态深度学习提高乳腺肿瘤诊断和转移预测的准确性 | 乳腺肿瘤患者（含良性/恶性分类及腋窝淋巴结转移状态） | 计算机视觉 | 乳腺癌 | 深度学习、注意力机制、多模态融合 | DCFAN（双模态互补特征注意力网络） | 医学图像（B超和弹性成像配对图像） | 218名患者的387对B超和剪切波弹性成像图像 | NA | NA | NA | NA |
| 1511 | 2025-09-23 |
Ovarian masses suggested for MRI examination: assessment of deep learning models based on non-contrast-enhanced MRI sequences for predicting malignancy
2025-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04891-2
PMID:40116887
|
研究论文 | 评估四种基于非增强MRI序列的深度学习模型在区分卵巢良恶性肿瘤方面的诊断效能 | 首次系统比较四种不同深度学习架构在非增强MRI上对卵巢肿瘤良恶性的鉴别性能，并分析模型参数效率 | 回顾性研究设计，样本量相对有限（526例），未包含对比增强MRI序列 | 开发基于非增强MRI的深度学习辅助诊断工具，降低卵巢肿瘤诊断成本 | 经病理证实的卵巢肿瘤患者（良恶性共526例） | 数字病理 | 卵巢癌 | 非增强磁共振成像（T1WI/T2WI/DWI） | ConvNeXt/FBNet/GhostNet/ResNet50 | 医学影像 | 526例患者（367例训练集，159例验证集） | NA | NA | NA | NA |
| 1512 | 2025-09-23 |
Optimizing bladder magnetic resonance imaging: accelerating scan time and improving image quality through deep learning
2025-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04895-y
PMID:40167648
|
研究论文 | 本研究探讨深度学习在膀胱磁共振T2加权成像中加速扫描时间和提升图像质量的价值 | 首次将深度学习重建技术应用于膀胱磁共振T2加权成像，实现扫描时间减少近50%的同时提升图像质量 | 样本量较小（28例患者），需要更大规模研究验证 | 评估深度学习技术在膀胱磁共振成像中的临床应用价值 | 膀胱癌患者 | 医学影像分析 | 膀胱癌 | 磁共振成像（MRI）、深度学习重建 | 深度学习 | 医学影像 | 28例连续入组的膀胱癌患者 | NA | NA | NA | NA |
| 1513 | 2025-09-23 |
Arterial phase CT radiomics for non-invasive prediction of Ki-67 proliferation index in pancreatic solid pseudopapillary neoplasms
2025-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04921-z
PMID:40178588
|
研究论文 | 基于动脉期CT影像组学特征开发深度学习模型，用于胰腺实性假乳头状瘤Ki-67增殖指数的无创预测 | 首次结合CT影像组学特征与深度学习算法构建非侵入性预测模型，识别CTscore和形态学特征作为关键预测因子 | 回顾性研究设计，样本量有限（92例患者），需多中心前瞻性验证 | 术前无创预测胰腺实性假乳头状瘤的Ki-67增殖指数水平 | 经病理确诊的胰腺实性假乳头状瘤患者 | 数字病理 | 胰腺肿瘤 | CT影像组学分析、深度学习 | GBM、深度学习算法 | 医学影像（动脉期CT图像） | 92例患者（训练集64例，验证集28例） | NA | NA | NA | NA |
| 1514 | 2025-09-23 |
Deep learning assisted detection and segmentation of uterine fibroids using multi-orientation magnetic resonance imaging
2025-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04934-8
PMID:40188260
|
研究论文 | 开发基于多方位MRI的深度学习模型，用于子宫肌瘤的自动检测和分割 | 首次采用三维nnU-Net框架构建多方位（矢状面和轴向）T2加权MRI的自动分割模型，并对不同尺寸和FIGO分型的肌瘤进行亚组分析 | NA | 实现子宫肌瘤的自动化检测与分割 | 经诊断患有子宫肌瘤的患者 | 医学影像分析 | 子宫肌瘤 | 磁共振成像（MRI） | 三维nnU-Net | 医学影像（T2加权MRI） | 内部数据集299例患者（训练集239例，内部测试集60例），外部验证集45例患者 | NA | NA | NA | NA |
| 1515 | 2025-09-23 |
Multi-View Self-Supervised Learning Enhances Automatic Sleep Staging From EEG Signals
2025-Oct, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3561228
PMID:40232903
|
研究论文 | 提出一种基于多视图自监督学习的自动睡眠分期方法，通过脑电图信号实现高效睡眠阶段分类 | 设计多视图特征编码器（时域和频域），引入跨视图对比损失和动态加权算法，显著提升特征可迁移性和模型鲁棒性 | 未明确说明模型在不同人群或临床环境中的泛化能力限制 | 开发不依赖大量标注数据的自动睡眠分期框架，提升模型泛化能力 | 睡眠脑电图（EEG）信号 | 机器学习 | 睡眠障碍 | 自监督学习（SSL）、对比学习 | 多视图神经网络（含时序编码器和频谱编码器） | EEG信号（时域原始信号和时频特征） | 三个公开数据集（SleepEDF-20、SleepEDF-78、MASS），具体样本量未明确说明 | NA | NA | NA | NA |
| 1516 | 2025-09-23 |
Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunotherapy for hepatocellular carcinoma
2025-Oct, Journal of hepatology
IF:26.8Q1
DOI:10.1016/j.jhep.2025.04.017
PMID:40246150
|
研究论文 | 本研究开发了基于放射组学和临床数据的机器学习模型，用于预测肝细胞癌患者免疫治疗后的生存结果 | 首次将深度学习自动分割与多种机器学习模型结合，开发了优于传统临床生物标志物的集成预测模型 | 回顾性研究设计，样本量相对有限（152例患者） | 预测肝细胞癌患者接受阿特珠单抗联合贝伐珠单抗免疫治疗后的生存结果和治疗反应 | 152例接受A/B方案治疗的不可切除肝细胞癌患者 | 医学影像分析 | 肝细胞癌 | 深度学习自动分割、机器学习建模、K-means聚类 | 七种机器学习模型结合13种特征选择技术 | CT影像数据和临床变量 | 152例患者来自两个国际医疗中心（伦敦帝国理工学院队列和巴黎公立医院联盟队列） | NA | NA | NA | NA |
| 1517 | 2025-09-23 |
Deep Learning-Augmented Sleep Spindle Detection for Acute Disorders of Consciousness: Integrating CNN and Decision Tree Validation
2025-Oct, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3562067
PMID:40279237
|
研究论文 | 提出一种结合CNN和决策树验证的深度学习增强算法，用于急性意识障碍患者的自动睡眠纺锤波检测 | 首次将CNN与决策树辅助验证相结合，利用小波变换原理提升ADOC患者低频纺锤波的检测精度 | 样本量有限（MASS SS2数据集n=19，自采ADOC数据集n=24），需要更大规模临床验证 | 开发高精度的自动睡眠纺锤波检测算法，探索纺锤波密度与ADOC患者预后的相关性 | 急性意识障碍（ADOC）患者的睡眠纺锤波 | 医疗人工智能 | 急性意识障碍 | 小波变换、Spearman相关系数分析 | CNN（卷积神经网络）与决策树集成 | 睡眠脑电信号 | MASS SS2数据集19例，自采ADOC患者数据集24例 | NA | NA | NA | NA |
| 1518 | 2025-09-23 |
Preclinical Evaluation of an Interactive Image Search System of Oral Pathology
2025-Oct, Journal of dental research
IF:5.7Q1
DOI:10.1177/00220345251329042
PMID:40320652
|
研究论文 | 评估基于深度学习的交互式图像检索系统Luigi-Oral在口腔肿瘤诊断中的临床实用性 | 首次在近临床环境中远程评估交互式CBIR系统对病理医生诊断准确性的影响 | 误诊可能源于查询输入不当、罕见形态类型检索性能差、缺乏详细临床信息或系统无法检索到准确类别 | 验证交互式图像检索系统在口腔肿瘤诊断中的辅助效果 | 口腔肿瘤病理图像 | 数字病理 | 口腔肿瘤 | 深度学习、基于内容的图像检索(CBIR) | 深度学习模型 | 病理图像 | 603个病例的54,676张图像块，涵盖85种口腔肿瘤类型；28名病理医生参与评估 | NA | NA | NA | NA |
| 1519 | 2025-09-23 |
Enhanced risk stratification for stage II colorectal cancer using deep learning-based CT classifier and pathological markers to optimize adjuvant therapy decision
2025-Oct, Annals of oncology : official journal of the European Society for Medical Oncology
IF:56.7Q1
DOI:10.1016/j.annonc.2025.05.537
PMID:40480552
|
研究论文 | 开发结合深度学习CT分类器和病理标志物的智能风险整合系统，用于优化II期结直肠癌辅助治疗决策 | 首次将Swin Transformer深度学习模型与病理标志物结合，创建四层风险分层系统，显著提升风险预测精度 | 研究基于回顾性多中心数据，需要前瞻性临床试验验证 | 提高II期结直肠癌患者风险分层准确性，优化辅助化疗决策 | II期结直肠癌患者 | 数字病理 | 结直肠癌 | 深度学习、计算机断层扫描成像分析 | Swin Transformer | CT图像、病理标志物数据 | 2992例II期结直肠癌患者来自12个中心 | NA | NA | NA | NA |
| 1520 | 2025-09-23 |
Artificial Intelligence for Alzheimer's disease diagnosis through T1-weighted MRI: A systematic review
2025-Oct, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111028
PMID:40902465
|
系统综述 | 本文系统评估了基于T1加权MRI数据使用人工智能技术对阿尔茨海默病多个阶段进行分类的研究现状 | 首次系统综述专注于使用AI技术基于T1加权MRI对AD连续谱中多个阶段进行分类的研究，并比较了不同方法的性能 | 研究方法存在异质性，存在过拟合风险，且过度依赖ADNI数据库导致数据集多样性不足 | 评估人工智能在阿尔茨海默病多阶段诊断中的应用效果 | 阿尔茨海默病患者及其不同疾病阶段的神经影像数据 | 医学影像分析 | 阿尔茨海默病 | T1加权磁共振成像 | CNN、非卷积神经网络、传统机器学习 | 医学影像 | 基于ADNI数据库的多中心研究数据 | NA | NA | NA | NA |