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 15921 - 15940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15921 | 2025-10-07 |
Deep Learning Phenotyping of Tricuspid Regurgitation for Automated High Throughput Assessment of Transthoracic Echocardiography
2024-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.06.22.24309332
PMID:38978651
|
研究论文 | 开发用于经胸超声心动图自动高通量评估三尖瓣反流的深度学习表型分析流程 | 首个用于三尖瓣反流自动检测和分层的深度学习流程，在两个不同医疗系统中验证 | 研究数据来自特定医疗中心，需在更广泛人群中验证 | 开发自动化三尖瓣反流评估系统，实现高通量筛查 | 经胸超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 超声心动图，彩色多普勒 | 深度学习 | 视频 | 训练集：47,312项研究（2,079,898个视频）；测试集：CSMC 2,462项研究（108,138个视频），SHC 5,549项研究（278,377个视频） | NA | NA | AUC, 敏感性, 特异性 | NA |
| 15922 | 2025-10-07 |
Deep learning evaluation of echocardiograms to identify occult atrial fibrillation
2024-Apr-13, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-024-01090-z
PMID:38615104
|
研究论文 | 使用深度学习算法分析经胸超声心动图视频来识别隐匿性心房颤动 | 开发了两阶段深度学习算法，不仅能区分窦性心律和房颤，还能预测窦性心律患者90天内发生房颤的风险 | 模型在预测隐匿性房颤时的AUPRC相对较低(0.19)，表明在正样本较少的情况下性能有限 | 通过深度学习技术实现房颤的早期筛查和识别 | 经胸超声心动图视频数据 | 计算机视觉 | 心血管疾病 | 经胸超声心动图 | CNN | 视频 | 111,319个TTE视频用于训练，10,203个TTE视频用于外部验证 | NA | 基于视频的卷积神经网络 | AUC, AUPRC | NA |
| 15923 | 2025-10-07 |
Deep Learning to Estimate Cardiovascular Risk From Chest Radiographs : A Risk Prediction Study
2024-04, Annals of internal medicine
IF:19.6Q1
DOI:10.7326/M23-1898
PMID:38527287
|
研究论文 | 开发并验证一种基于胸部X光片预测10年主要不良心血管事件风险的深度学习模型 | 首次利用常规胸部X光片通过深度学习直接预测心血管风险，为无法计算传统风险评分的患者提供补充评估方法 | 基于电子医疗记录的回顾性研究设计 | 开发从常规胸部X光片估计10年心血管风险的深度学习模型 | 符合初级心血管预防条件的门诊患者 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 胸部X光图像 | 开发集来自癌症筛查试验数据，外部验证集包括8869名未知ASCVD风险患者和2132名已知风险患者 | NA | CXR CVD-Risk | 风险比, 置信区间 | NA |
| 15924 | 2025-10-07 |
Automatic end-to-end VMAT treatment planning for rectal cancers
2024-Apr, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.14259
PMID:38317597
|
研究论文 | 开发并临床评估用于直肠癌VMAT治疗的端到端自动分割与自动计划系统 | 首次将自动分割和自动计划整合为完整的端到端流程，仅需肿瘤大体体积轮廓和CT扫描作为输入 | 大、小肠区分困难，端到端流程的医生接受率存在差异（88%和62%） | 实现直肠癌VMAT治疗的自动化计划流程 | 直肠恶性肿瘤患者 | 数字病理 | 直肠癌 | 容积旋转调强放疗(VMAT) | 深度学习 | CT扫描图像 | CTV分割174例患者，其他结构18例患者，计划评估20+34+16例患者 | nnU-Net | nnU-Net | Dice相似系数, 95% Hausdorff距离, 李克特五分量表评分 | NA |
| 15925 | 2025-10-07 |
Prospective Evaluation of Automated Contouring for CT-Based Brachytherapy for Gynecologic Malignancies
2024-Apr, Advances in radiation oncology
IF:2.2Q2
DOI:10.1016/j.adro.2023.101417
PMID:38435965
|
研究论文 | 评估深度学习自动勾画在妇科恶性肿瘤CT引导近距离放疗中的准确性和效率 | 首次前瞻性评估自动勾画在妇科放疗临床实践中的应用效果 | 样本量较小（30例自动勾画组 vs 31例手动勾画组），单中心研究 | 评估自动勾画危及器官在妇科近距离放疗计划中的临床应用价值 | 妇科恶性肿瘤患者 | 数字病理 | 妇科恶性肿瘤 | CT引导近距离放疗 | 深度学习 | CT图像 | 61例患者（30例自动勾画组，31例手动勾画组） | NA | NA | Likert评分，Dice相似系数，平均表面距离，95% Hausdorff距离，Hausdorff距离，剂量体积直方图指标 | NA |
| 15926 | 2025-10-07 |
Deep learning for transesophageal echocardiography view classification
2024-01-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-023-50735-8
PMID:38167849
|
研究论文 | 本研究开发了一种基于深度学习的经食管超声心动图视图分类模型，用于对术中及术中TEE影像数据进行结构化处理 | 首次开发了针对术中及术中TEE影像的多类别视图分类深度学习模型，并在两个独立医疗中心进行了外部验证 | NA | 解决TEE影像复杂非结构化特性对深度学习应用的限制，实现标准化TEE视图的自动分类 | 经食管超声心动图影像数据 | 计算机视觉 | 心血管疾病 | 经食管超声心动图成像 | CNN | 视频 | 来自Cedars-Sinai医学中心和斯坦福大学医学中心的术中及术中TEE视频 | NA | NA | AUC | NA |
| 15927 | 2025-03-01 |
Commentary on "A systematic review on machine learning and deep learning techniques in cancer survival prediction": Validation of survival methods
2023-10, Progress in biophysics and molecular biology
DOI:10.1016/j.pbiomolbio.2023.08.001
PMID:37579795
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15928 | 2025-10-07 |
A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease
2023-Sep-12, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-023-00916-6
PMID:37700032
|
研究论文 | 开发基于深度学习的静息心电图风险评分模型SEER，用于预测长期心血管死亡和疾病风险 | 首次证明仅使用静息心电图即可通过深度学习准确预测长期心血管死亡率，且仅需单导联心电图即可实现高性能预测 | 模型在预测动脉粥样硬化疾病方面的性能相对较低（AUC 0.67），且仅在美国三家医疗中心进行验证 | 开发基于心电图的心血管风险预测工具以改善风险分层和医疗决策 | 心电图数据和心血管疾病患者 | 医疗人工智能 | 心血管疾病 | 心电图检测 | CNN | 心电图信号 | 斯坦福大学医学中心收集的大规模静息12导联心电图数据集 | NA | 深度卷积神经网络 | AUC | NA |
| 15929 | 2025-10-07 |
Prediction of Coronary Artery Calcium Using Deep Learning of Echocardiograms
2023-05, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2022.12.014
PMID:36566995
|
研究论文 | 本研究开发了一种基于视频的深度学习模型，通过经胸超声心动图视频预测冠状动脉钙化评分 | 首次使用经胸超声心动图视频结合深度学习技术预测冠状动脉钙化评分，为无法进行CT检查的患者提供了替代方案 | 样本量相对有限，外部验证集仅包含92例TTE视频，需要更大规模的研究验证 | 探索使用广泛可用的经胸超声心动图替代CT扫描进行冠状动脉钙化评估的可行性 | 冠状动脉钙化患者 | 计算机视觉 | 心血管疾病 | 经胸超声心动图，冠状动脉钙化CT | CNN | 视频 | 2,881个TTE视频与冠状动脉钙化CT配对数据，外部验证集92个TTE视频 | NA | 卷积神经网络 | AUC, F1分数, 精确召回曲线, 接收者操作特征曲线 | NA |
| 15930 | 2025-10-07 |
High-Throughput Precision Phenotyping of Left Ventricular Hypertrophy With Cardiovascular Deep Learning
2022-04-01, JAMA cardiology
IF:14.8Q1
DOI:10.1001/jamacardio.2021.6059
PMID:35195663
|
研究论文 | 本研究开发了一种深度学习工作流程，用于自动量化心室肥厚并预测左心室壁增厚的原因 | 开发了全自动深度学习工作流程，能够精确测量左心室尺寸并区分不同原因的心室肥厚，相比人工专家具有更高的可重复性和精确度 | 研究基于回顾性数据，需要在前瞻性研究中进一步验证 | 评估深度学习工作流程在量化心室肥厚和预测左心室壁增厚原因方面的准确性 | 左心室肥厚患者，特别是肥厚型心肌病和心脏淀粉样变性患者 | 医学影像分析 | 心血管疾病 | 超声心动图视频分析 | 深度学习 | 超声心动图视频 | 23745名患者，包括斯坦福医疗保健和CSMC的胸骨旁长轴视频和心尖四腔视频 | NA | NA | 平均绝对误差(MAE), AUC, R2 | NA |
| 15931 | 2025-10-07 |
Using deep learning to study emotional behavior in rodent models
2022, Frontiers in behavioral neuroscience
IF:2.6Q3
DOI:10.3389/fnbeh.2022.1044492
PMID:36483523
|
综述 | 探讨深度学习技术在啮齿类动物情绪行为研究中的应用及不同模型架构的影响 | 系统比较监督、无监督和自监督学习方法在动物行为分析中的优劣，建立行为状态表征与神经活动的关联框架 | 未提供具体实验数据验证，属于方法论讨论而非实证研究 | 研究深度学习如何提升动物情绪行为分析的客观性和效率 | 啮齿类动物的情绪相关行为（焦虑、社交互动、奖赏和应激反应） | 计算机视觉 | NA | 视频姿态估计 | 深度学习 | 视频 | NA | NA | NA | NA | NA |
| 15932 | 2025-03-01 |
Systematic Quantification of Sources of Variation in Ejection Fraction Calculation Using Deep Learning
2021-11, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2021.06.018
PMID:34274282
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 15933 | 2025-02-28 |
Identification of an ANCA-associated vasculitis cohort using deep learning and electronic health records
2025-Apr, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105797
PMID:39864108
|
研究论文 | 本研究利用深度学习和电子健康记录（EHR）识别ANCA相关性血管炎（AAV）病例，提出了一种比传统方法更准确的病例识别模型 | 首次使用深度学习模型分析EHR数据来识别AAV病例，相比传统基于规则的方法，能够发现更多遗漏的病例 | 模型在测试队列中的阳性预测值（PPV）较低（0.262），可能影响其在实际应用中的可靠性 | 开发一种基于深度学习的模型，用于从电子健康记录中准确识别ANCA相关性血管炎（AAV）病例 | 电子健康记录（EHR）中的临床文档 | 自然语言处理 | 血管炎 | 深度学习 | 分层注意力网络（HAN） | 文本 | 三个数据集分别包含6000、3008和7500个注释部分，测试队列包含2000个样本 | NA | NA | NA | NA |
| 15934 | 2025-02-28 |
Hip prosthesis failure prediction through radiological deep sequence learning
2025-Apr, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105802
PMID:39884035
|
研究论文 | 本研究开发了基于多张连续X光片的人工智能模型，用于预测髋关节假体失败 | 首次结合时间序列和空间信息，利用多张连续X光片进行髋关节假体失败预测 | 外部验证集的样本量较小（14例患者），可能影响模型的泛化能力 | 开发基于多张连续X光片的人工智能模型，用于预测髋关节假体失败 | 224名患者的髋关节X光片序列 | 计算机视觉 | 骨科疾病 | 深度学习 | CNN（卷积神经网络）与GRU（门控循环单元）或LSTM（长短期记忆网络）结合 | X光片图像 | 224名患者的X光片序列，其中14名用于外部验证 | NA | NA | NA | NA |
| 15935 | 2025-02-28 |
Deep learning based prediction of depression and anxiety in patients with type 2 diabetes mellitus using regional electronic health records
2025-Apr, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105801
PMID:39889672
|
研究论文 | 本研究开发并验证了一个深度学习模型REDAPM，利用区域电子健康记录（EHR）数据预测2型糖尿病患者中的抑郁和焦虑 | REDAPM模型首次整合了区域异构EHR数据，包括结构化和非结构化数据，捕捉临床事件的时间依赖性，显著提升了预测性能 | 研究依赖于特定区域（南京）的EHR数据，可能限制了模型的普适性 | 开发并验证一个深度学习模型，用于预测2型糖尿病患者中的抑郁和焦虑 | 2型糖尿病患者 | 机器学习 | 糖尿病 | 深度学习 | REDAPM | 电子健康记录（EHR）数据 | 内部验证数据集包含24,724名患者，外部验证数据集包含34,340名患者 | NA | NA | NA | NA |
| 15936 | 2025-02-03 |
A deep learning model for QRS delineation in organized rhythms during in-hospital cardiac arrest
2025-Apr, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105803
PMID:39891984
|
研究论文 | 本文介绍了一种新的深度学习模型，用于在院内心脏骤停期间准确描绘有组织心律中的QRS复合波 | 提出了一种基于U-Net模型的深度学习方法，首次在心脏骤停心律中测试并准确描绘QRS复合波 | 未提及具体局限性 | 提高在院内心脏骤停期间QRS复合波的准确描绘，以支持临床诊断和治疗策略优化 | 院内心脏骤停患者和血流动力学稳定的患者 | 数字病理学 | 心血管疾病 | 深度学习 | U-Net | ECG信号 | 332次院内心脏骤停事件（151815个QRS复合波）和105名血流动力学稳定的患者（112497个QRS复合波） | NA | NA | NA | NA |
| 15937 | 2025-10-07 |
Randomized controlled trial of an artificial intelligence diagnostic system for the detection of esophageal squamous cell carcinoma in clinical practice
2025-Mar, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2421-3194
PMID:39317205
|
研究论文 | 评估人工智能诊断系统在临床实践中检测食管鳞状细胞癌效果的前瞻性随机对照试验 | 首个在临床环境中评估AI系统辅助内镜医师检测食管鳞癌的前瞻性随机对照研究 | 单中心研究，样本量有限，未能证明AI系统显著提高癌症检出率 | 确定AI系统在临床环境中如何帮助内镜医师检测食管鳞状细胞癌 | 接受食管胃十二指肠镜检查的食管鳞癌高危患者 | 计算机视觉 | 食管癌 | 白光成像，窄带成像，碘染色 | 深度学习系统 | 内镜图像 | 320名患者 | NA | NA | 检出率 | NA |
| 15938 | 2025-02-28 |
Advanced deep learning techniques for recognition of dental implants
2025 Mar-Apr, Journal of oral biology and craniofacial research
DOI:10.1016/j.jobcr.2025.01.016
PMID:40008072
|
研究论文 | 本研究评估了一种先进的深度学习技术DEtection TRanformer，用于识别牙科植入物 | 使用基于Transformer的深度学习技术DEtection TRanformer进行牙科植入物识别，这是一种新颖的应用 | 模型在未见过的验证数据上表现不佳，需要在准确性和效率之间进行优化 | 开发一种能够通过分析X光片图像来预测植入物类型的人工智能工具 | 牙科植入物 | 计算机视觉 | NA | 深度学习 | DEtection TRanformer | 图像 | 1138张图像，包含五种植入物类型，来自根尖和全景X光片 | NA | NA | NA | NA |
| 15939 | 2025-02-28 |
Ion Gel Pressure Sensor with High Sensitivity and a Wide Linear Range Enabled by Magnetically Induced Gradient Microstructures
2025-Feb-26, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.4c23005
PMID:39943829
|
研究论文 | 本文开发了一种新型电容式压力传感器，灵感来源于树蛙脚趾垫的梯度微结构，适用于纹理识别、运动监测和物体抓取识别等多种应用 | 该传感器采用磁感应技术精确控制梯度微结构形态，并结合离子凝胶和导电纳米材料，实现了低至0.5 Pa的微小压力检测和高达93.5 kPa的宽线性范围 | NA | 开发一种能够精确检测微小压力变化并同时具有宽线性范围和高灵敏度的电容式压力传感器 | 电容式压力传感器 | 智能传感 | NA | 磁感应技术 | 深度学习算法 | 压力信号 | NA | NA | NA | NA | NA |
| 15940 | 2025-02-28 |
Explained Deep Learning Framework for COVID-19 Detection in Volumetric CT Images Aligned with the British Society of Thoracic Imaging Reporting Guidance: A Pilot Study
2025-Feb-26, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01444-3
PMID:40011345
|
研究论文 | 本研究介绍了一种多类深度学习模型，用于在CT图像中识别英国胸科影像学会（BSTI）的COVID-19分类，并评估了其性能 | 该研究首次将深度学习模型与BSTI的COVID-19检测报告指南对齐，并引入了后验视觉解释性特征以提高结果的可解释性 | 模型在检测'不确定'COVID-19类别时表现不佳，移除该类别后模型准确率显著提高 | 开发一种符合BSTI指南的深度学习模型，用于COVID-19的自动检测 | 疑似COVID-19患者的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 3D ResNet | CT图像 | 56例CT图像 | NA | NA | NA | NA |