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 16641 - 16660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 16641 | 2025-10-07 |
Deep Learning-Based Detect-Then-Track Pipeline for Treatment Outcome Assessments in Immunotherapy-Treated Liver Cancer
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01132-8
PMID:38740661
|
研究论文 | 开发了一种基于深度学习的检测-追踪流程，用于自动评估肝癌免疫治疗的治疗效果 | 首次提出将病灶检测与纵向追踪相结合的自动化流程，用于RECIST治疗结果评估 | 研究样本量相对有限，仅包含173名患者 | 开发自动化工具以减少放射科医生在肝癌治疗效果评估中的主观差异 | 肝癌患者接受免疫治疗的CT影像数据 | 计算机视觉 | 肝癌 | 3D CT扫描 | 深度学习 | 3D医学影像 | 173名多国患者（344个静脉期CT扫描），包含公共数据集和28个中心的两个内部队列 | NA | 检测-追踪流程 | 平均精度均值, 直径测量可靠性, 病灶追踪准确率, RECIST准确率 | NA |
| 16642 | 2025-10-07 |
Automated 3D Cobb Angle Measurement Using U-Net in CT Images of Preoperative Scoliosis Patients
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01211-w
PMID:39117939
|
研究论文 | 提出基于U-Net的深度学习框架SpineCurve-net，用于自动测量脊柱侧弯患者术前CT图像中的3D Cobb角 | 首次将U-Net与NURBS-net结合实现脊柱三维曲线拟合，提出两种3D Cobb角测量方法（PRED-3D-CA和MAP-2D-CA） | 样本量相对有限（116例患者），验证集年龄分布与训练集存在差异 | 开发自动测量脊柱侧弯患者3D Cobb角的技术 | 116例术前脊柱侧弯患者的CT图像 | 医学影像分析 | 脊柱侧弯 | CT成像 | U-Net | CT图像 | 116例患者（训练集89例，验证集27例） | NA | U-Net, NURBS-net | Pearson相关系数 | NA |
| 16643 | 2025-10-07 |
Allergy Wheal and Erythema Segmentation Using Attention U-Net
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01075-0
PMID:39120761
|
研究论文 | 本研究使用注意力U-Net深度学习模型和图像预处理技术对皮肤点刺试验中的风团和红斑进行自动分割 | 首次将注意力U-Net模型应用于皮肤点刺试验图像的风团和红斑分割，并结合CLAHE图像预处理技术增强图像对比度 | 样本量较小（46张图像来自33名参与者），模型敏感度相对较低（风团分割0.5621，红斑分割0.5787） | 开发自动分割皮肤点刺试验中风团和红斑的深度学习系统，简化诊断流程 | 皮肤点刺试验图像中的风团和红斑区域 | 计算机视觉 | 过敏性疾病 | 皮肤点刺试验，智能手机摄像 | 深度学习 | 图像 | 46张SPT图像来自33名参与者，风团分割训练集144个，红斑分割训练集150个 | NA | Attention U-Net | 准确度，敏感度，特异度，Dice相似系数 | NA |
| 16644 | 2025-10-07 |
Robust ROI Detection in Whole Slide Images Guided by Pathologists' Viewing Patterns
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01202-x
PMID:39122892
|
研究论文 | 提出一种基于病理学家观察模式引导的深度学习系统，用于全切片图像中感兴趣区域的鲁棒检测 | 利用病理学家诊断过程中的观察模式生成热力图，作为深度学习训练的引导信号，无需单个病例标注 | 缺乏眼动追踪数据时难以精确定位关注区域 | 改进计算机辅助诊断系统中感兴趣区域的检测性能 | 皮肤活检全切片图像中的黑色素瘤诊断相关区域 | 数字病理学 | 黑色素瘤 | 全切片图像分析 | 深度学习 | 医学图像 | NA | NA | U-Net, ResNet-18 | 精确率, 召回率, F1分数, 交并比 | NA |
| 16645 | 2025-10-07 |
CelloType: a unified model for segmentation and classification of tissue images
2025-Feb, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02513-1
PMID:39578628
|
研究论文 | 提出CelloType统一模型，用于空间组学图像中的细胞分割与分类 | 采用多任务学习策略，将分割与分类任务集成于单一端到端模型，取代传统两阶段方法 | NA | 开发用于空间组学数据分析的细胞分割与分类统一模型 | 多重荧光图像和空间转录组图像中的细胞及非细胞组织元素 | 数字病理学 | NA | 空间组学，多重荧光成像，空间转录组 | Transformer | 组织图像 | NA | NA | Transformer | 准确率 | NA |
| 16646 | 2025-10-07 |
STCNet: Spatio-Temporal Cross Network with subject-aware contrastive learning for hand gesture recognition in surface EMG
2025-Feb, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109525
PMID:39674068
|
研究论文 | 提出一种用于表面肌电信号手势识别的时空交叉网络STCNet，通过主题感知对比学习解决多被试间的变异性问题 | 结合卷积-循环架构与时空块特征提取，引入滚动卷积技术反映肌电设备环形结构，并提出主题感知对比学习框架 | NA | 开发鲁棒的手势识别系统以应对被试间变异性和环境因素影响 | 表面肌电信号(sEMG)数据 | 机器学习 | NA | 表面肌电信号测量 | CNN, RNN | 时序信号数据 | NA | NA | STCNet | NA | NA |
| 16647 | 2025-10-07 |
Predicting early recurrence in locally advanced gastric cancer after gastrectomy using CT-based deep learning model: a multicenter study
2025-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002184
PMID:39715142
|
研究论文 | 开发基于术前多期相CT图像的深度学习模型预测局部进展期胃癌胃切除术后早期复发 | 首次将DenseNet169与多层感知器结合，整合多期相2.5D CT图像和临床因素预测胃癌早期复发，并探索模型与肿瘤生物学特征关联 | 回顾性研究设计，样本量相对有限（620例患者） | 预测局部进展期胃癌患者胃切除术后早期复发 | 局部进展期胃癌患者 | 计算机视觉 | 胃癌 | 多期相计算机断层扫描，RNA测序 | CNN, MLP | CT图像，临床数据，RNA测序数据 | 620例来自三个医疗中心和TCIA的局部进展期胃癌患者（2015年1月至2023年3月） | NA | DenseNet169, 多层感知器 | AUC, 准确率, 敏感度, 特异性 | NA |
| 16648 | 2025-10-07 |
A Deep Learning-Based Approach to Detect Lamina Dura Loss on Periapical Radiographs
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01405-w
PMID:39838226
|
研究论文 | 开发用于检测根尖周X线片中硬骨板缺失的自定义人工智能模型 | 首个专门用于检测根尖周X线片中硬骨板缺失的AI算法应用 | 仅使用701张根尖周X线片，样本量相对有限 | 开发检测牙齿硬骨板缺失的AI模型，辅助临床诊断 | 前牙和后牙区域的根尖周X线片 | 计算机视觉 | 牙科疾病 | 图像预处理、数据增强 | CNN | X射线图像 | 701张根尖周X线片（训练72%、验证18%、测试10%） | TensorFlow | ResNet | 灵敏度, 特异度, 准确率, 精确率, F1分数, kappa系数 | NA |
| 16649 | 2025-10-07 |
A Neural Network Approach to Identify Left-Right Orientation of Anatomical Brain MRI
2025-Feb, Brain and behavior
IF:2.6Q3
DOI:10.1002/brb3.70299
PMID:39924951
|
研究论文 | 本研究开发了一种基于深度学习的创新方法，用于准确识别脑部MRI图像的左右方位 | 首次将三维卷积神经网络应用于脑部MRI左右方位识别，解决了医学图像处理中因元数据丢失导致的方位识别难题 | 在存在显著脑部特征变异（如蛛网膜囊肿或脑室不对称）的情况下，模型可能出现识别错误 | 提高脑部MRI图像左右方位识别的准确性，确保神经科学研究数据的可靠解读 | 脑部MRI扫描图像 | 医学影像分析 | 神经退行性疾病 | 脑部MRI成像 | CNN | 三维医学图像 | 训练集350个MRI，测试集3056个MRI（来自8个不同数据库） | NA | 三维卷积神经网络 | 准确率 | NA |
| 16650 | 2025-02-14 |
LeafDNet: Transforming Leaf Disease Diagnosis Through Deep Transfer Learning
2025-Feb, Plant direct
IF:2.3Q2
DOI:10.1002/pld3.70047
PMID:39943923
|
研究论文 | 本文介绍了一种创新的深度迁移学习方法，利用改进的Xception架构，专门用于识别玫瑰、芒果和番茄的植物病害 | 在基础Xception架构后增加了额外的卷积层，并结合多个可训练的密集层，采用先进的正则化和dropout技术，以优化特征提取和分类 | NA | 开发一种高效、准确的早期植物病害检测方法，以支持可持续农业实践 | 玫瑰、芒果和番茄的植物叶片 | 计算机视觉 | 植物病害 | 深度迁移学习 | 改进的Xception架构 | 图像 | 5491张图像，涵盖四种不同的病害类别 | NA | NA | NA | NA |
| 16651 | 2025-02-14 |
Spatial-temporal activity-informed diarization and separation
2025-Feb-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0035830
PMID:39945646
|
研究论文 | 本文提出了一种利用说话者时空活动的鲁棒多通道说话者分离和识别系统 | 系统采用混合架构，结合阵列信号处理单元和深度学习单元，提出了一种基于空间一致性矩阵的说话者识别方法和一种全局与局部活动驱动的说话者提取网络 | 未明确提及具体局限性 | 开发一种鲁棒的多通道说话者分离和识别系统 | 多通道音频信号中的说话者 | 自然语言处理 | NA | 深度学习，阵列信号处理 | Encoder-Decoder-based Attractor network, Global and Local Activity-driven Speaker Extraction network | 音频信号 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 16652 | 2025-10-07 |
Goose multi-omics database: A comprehensive multi-omics database for goose genomics
2025-Jan-23, Poultry science
IF:3.8Q1
DOI:10.1016/j.psj.2025.104842
PMID:39874782
|
研究论文 | 介绍了一个整合鹅类多组学数据的综合数据库GMD | 首次建立了统一的鹅类多组学数据集成平台，提供一站式基因信息搜索、分析和可视化功能 | 未提及数据库当前覆盖的数据量范围和更新机制 | 构建鹅类多组学数据库以促进鹅基因组学研究 | 鹅类基因组数据和多组学信息 | 生物信息学 | NA | 多组学分析、基因组学 | NA | 基因组数据、基因表达数据、基因组变异数据 | NA | NA | NA | NA | NA |
| 16653 | 2025-10-07 |
Where, why, and how is bias learned in medical image analysis models? A study of bias encoding within convolutional networks using synthetic data
2025-Jan, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2024.105501
PMID:39671751
|
研究论文 | 本研究通过合成脑磁共振成像数据系统性地分析了卷积神经网络中偏见的编码机制 | 首次系统研究医学图像分析模型中偏见编码的位置、原因和方式，使用已知疾病和偏见效应的合成数据进行客观分析 | 使用合成数据而非真实临床数据，可能无法完全反映真实世界的复杂性 | 理解深度学习模型在医学图像分析中算法偏见的编码机制 | 合成脑磁共振成像数据 | 医学图像分析 | 神经系统疾病 | 脑磁共振成像 | CNN | 医学图像 | NA | NA | 卷积神经网络 | NA | NA |
| 16654 | 2025-10-07 |
A step towards quantifying, modelling and exploring uncertainty in biomedical knowledge graphs
2025-Jan, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109355
PMID:39541901
|
研究论文 | 本研究提出使用深度学习技术基于文本支持证据自动量化和建模生物医学知识图谱中事实的不确定性 | 首次将句子转换器与朴素贝叶斯分类器结合用于生物医学知识图谱事实不确定性量化，并提出能够处理大规模知识图谱的KGB2U方法 | NA | 自动量化和建模生物医学知识图谱中事实的不确定性 | 生物医学知识图谱中的事实及其文本支持证据 | 自然语言处理 | NA | 深度学习 | 句子转换器, 朴素贝叶斯分类器 | 文本 | NA | NA | 句子转换器 | 分类性能 | NA |
| 16655 | 2025-02-14 |
Detection of Masses in Mammogram Images Based on the Enhanced RetinaNet Network With INbreast Dataset
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S493873
PMID:39935433
|
研究论文 | 本文提出了一种基于增强RetinaNet网络的乳腺X光图像肿块检测方法，旨在提高计算机辅助诊断的效率和准确性 | 在RetinaNet网络结构中引入ReLU函数处理特征图M5，以防止小肿块特征的分辨率损失，并采用迁移学习技术进行模型训练 | 研究仅基于INbreast数据集进行验证，未在其他数据集上测试模型的泛化能力 | 提高乳腺X光图像中肿块的检测准确率，减少假阳性和假阴性 | 乳腺X光图像中的肿块 | 计算机视觉 | 乳腺癌 | 深度学习 | RetinaNet | 图像 | INbreast数据集 | NA | NA | NA | NA |
| 16656 | 2025-02-14 |
Diagnosis of depression based on facial multimodal data
2025, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2025.1508772
PMID:39935533
|
研究论文 | 本研究提出了一种基于面部视频和音频数据的深度学习方法来自动诊断抑郁症 | 通过融合多模态数据，使用时空注意力模块增强视觉特征提取，并结合GCN和LSTM分析音频特征，有效捕捉与抑郁症相关的不同特征模式 | NA | 开发基于客观指标的自动诊断工具，以解决传统量表诊断方法的主观性强和误诊率高的问题 | 抑郁症患者 | 机器学习 | 抑郁症 | 深度学习 | GCN, LSTM | 面部视频, 音频数据 | 公开的临床数据集E-DAIC | NA | NA | NA | NA |
| 16657 | 2025-02-14 |
Mapping knowledge landscapes and emerging trends in artificial intelligence for antimicrobial resistance: bibliometric and visualization analysis
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1492709
PMID:39935800
|
研究论文 | 本文通过文献计量学分析，系统地绘制了人工智能在抗菌素耐药性研究中的应用知识图谱和发展趋势 | 整合了多种文献计量学方法，包括VOSviewer、CiteSpace和定量分析，以可视化合作网络和研究集群，并分析时间演变 | 数据来源仅限于Web of Science核心合集数据库，可能未涵盖所有相关研究 | 提供基于证据的见解，指导未来研究方向，并为这一动态领域的战略决策提供信息 | 2014年至2024年期间发表的关于人工智能在抗菌素耐药性研究中应用的出版物 | 机器学习 | 抗菌素耐药性 | 文献计量学分析、VOSviewer、CiteSpace | 人工神经网络、图神经网络 | 文献数据 | 2,408篇出版物 | NA | NA | NA | NA |
| 16658 | 2025-02-14 |
DPD-YOLO: dense pineapple fruit target detection algorithm in complex environments based on YOLOv8 combined with attention mechanism
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1523552
PMID:39935949
|
研究论文 | 本文提出了一种基于YOLOv8并结合注意力机制的DPD-YOLO算法，用于复杂环境下的菠萝果实目标检测 | DPD-YOLO算法引入了注意力机制（Coordinate Attention）和BiFPN（双向特征金字塔网络），并替换了YOLOv8的检测头为RT-DETR检测头，结合了Cross-Attention和Self-Attention机制，显著提高了模型在复杂背景和遮挡情况下的检测精度 | NA | 提高复杂环境下菠萝果实目标检测的准确性 | 菠萝果实 | 计算机视觉 | NA | NA | YOLOv8, DPD-YOLO, RT-DETR | 图像 | NA | NA | NA | NA | NA |
| 16659 | 2025-02-14 |
Dual-stream disentangled model for microvascular extraction in five datasets from multiple OCTA instruments
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1542737
PMID:39944497
|
研究论文 | 本文提出了一种新颖的双流解耦网络（D2Net），用于视网膜OCTA微血管分割，有效减少了不同成像仪器带来的噪声和伪影干扰 | 提出了一种双流编码器，分别学习图像伪影和潜在血管特征，通过引入血管结构作为先验约束和构建辅助信息，实现了解耦表示学习 | 尽管在多个数据集上验证了方法的鲁棒性和泛化能力，但仍需进一步验证其在更广泛临床环境中的适用性 | 提高视网膜OCTA微血管分割的准确性，减少噪声和伪影的干扰 | 视网膜OCTA图像中的微血管 | 计算机视觉 | 眼科疾病 | OCTA成像技术 | 双流解耦网络（D2Net） | 图像 | 五个数据集（包括FOCA、OCTA-500、ROSE-O、ROSE-Z和ROSE-H），数据来自不同仪器 | NA | NA | NA | NA |
| 16660 | 2025-02-14 |
Magnetic resonance imaging-based deep learning for predicting subtypes of glioma
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1518815
PMID:39944539
|
研究论文 | 本研究探讨了基于磁共振成像（MRI）的深度学习在胶质瘤亚型分类中的应用价值 | 开发了一套能够有效分类胶质瘤亚型的模型，并发现仅包含FLAIR序列的模型效果最佳 | 研究样本主要来自公开数据库和单一医院，可能存在样本选择偏差 | 探索基于MRI的深度学习在胶质瘤亚型分类中的应用 | 747名来自公开数据库和64名来自医院的经手术病理证实的胶质瘤成年患者 | 计算机视觉 | 胶质瘤 | 磁共振成像（MRI） | 深度学习 | 图像 | 811名患者（747名来自公开数据库，64名来自医院） | NA | NA | NA | NA |