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 33008 篇文献，本页显示第 17321 - 17340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17321 | 2025-10-07 |
Fully and Weakly Supervised Deep Learning for Meniscal Injury Classification, and Location Based on MRI
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01198-4
PMID:39020156
|
研究论文 | 本研究开发了一种基于MRI图像的半月板损伤自动分类和定位深度学习管道 | 提出LGSA-UNet模型，融合相邻切片特征并调整Siam模块，使中心切片获得丰富上下文信息 | NA | 开发半月板损伤自动分类和定位方法 | 膝关节半月板 | 医学影像分析 | 骨科疾病 | MRI成像 | 深度学习 | 医学图像 | OAI数据库1756个膝关节，医院外部验证集206个膝关节 | NA | LGSA-UNet, Siam | DICE系数, AUC, 准确率 | NA |
| 17322 | 2025-10-07 |
Deep Learning-Based Localization and Detection of Malpositioned Nasogastric Tubes on Portable Supine Chest X-Rays in Intensive Care and Emergency Medicine: A Multi-center Retrospective Study
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01181-z
PMID:38980623
|
研究论文 | 开发基于深度学习的计算机辅助检测系统，用于定位鼻胃管并检测其位置异常 | 首次开发能够同时实现鼻胃管定位和位置异常检测的深度学习系统，并在多中心数据集上验证其泛化能力 | 回顾性研究设计，需要前瞻性验证 | 开发计算机辅助检测系统以改善鼻胃管位置监测 | 重症监护和急诊医学中的鼻胃管 | 计算机视觉 | NA | 便携式胸部X光成像 | CNN | X光图像 | 7378张便携式胸部X光片，来自两家医院 | NA | DeepLabv3+, ResNeSt50, DenseNet121 | Dice系数, AUC, 距离误差 | NA |
| 17323 | 2025-10-07 |
Adrenal Volume Quantitative Visualization Tool by Multiple Parameters and an nnU-Net Deep Learning Automatic Segmentation Model
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01158-y
PMID:38955963
|
研究论文 | 开发基于nnU-Net的肾上腺体积自动分割与可视化工具 | 使用包含多参数、多机型、多辐射剂量的大型数据集训练模型，显著提升了在低剂量CT扫描等多样化临床场景下的泛化能力 | 未明确说明具体样本数量及模型在其他医疗机构数据上的验证结果 | 开发高精度、强泛化能力的肾上腺自动分割工具以辅助临床诊疗 | 肾上腺器官 | 数字病理 | 肾上腺疾病（包括肾上腺增生、肾上腺腺瘤、肾上腺皮质腺癌等） | CT扫描 | 深度学习 | 医学影像 | 包含多参数、多机型、多辐射剂量的大型数据集（具体数量未说明） | nnU-Net | nnU-Net | Dice系数 | NA |
| 17324 | 2025-10-07 |
Heatmap-Based Active Shape Model for Landmark Detection in Lumbar X-ray Images
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01210-x
PMID:39103566
|
研究论文 | 提出一种结合热力图和主动形状模型的腰椎X射线图像关键点检测方法 | 将深度学习的图像分析能力与关键点分布的统计形状约束相结合，通过热力图响应和主动形状模型校正关键点位置 | 未明确说明方法对特定噪声类型或极端形状变异的处理能力 | 提高腰椎X射线图像中关键点检测的鲁棒性 | 腰椎X射线图像中的椎骨关键点 | 计算机视觉 | 腰椎疾病 | X射线成像 | CNN | 图像 | 3600张腰椎X射线图像 | NA | Pose-Net, M-Net | 最大误差平均值 | NA |
| 17325 | 2025-10-07 |
IEA-Net: Internal and External Dual-Attention Medical Segmentation Network with High-Performance Convolutional Blocks
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01217-4
PMID:39105850
|
研究论文 | 提出一种结合内部和外部双重注意力机制的医学图像分割网络IEA-Net，用于解决器官分割中的特征丢失和远程依赖建模问题 | 设计了内部和外部双重注意力模块(IEAM)，包含局部-全局高斯加权自注意力(LGGW-SA)和外部注意力(EA)模块，能够同时建模样本内特征相关性和样本间连接 | 仅在Synapse多器官分割数据集和ACDC心脏分割数据集上进行了验证，需要更多数据集测试泛化能力 | 改进医学图像分割性能，特别是人体器官分割任务 | 医学图像中的人体器官 | 计算机视觉 | 多器官疾病，心脏疾病 | 深度学习，图像分割 | CNN，注意力机制 | 医学图像 | NA | NA | IEA-Net，ICSwR模块，IEAM模块，LGGW-SA模块，EA模块 | NA | NA |
| 17326 | 2025-10-07 |
Concomitant Prediction of the Ki67 and PIT-1 Expression in Pituitary Adenoma Using Different Radiomics Models
2025-Feb, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01121-x
PMID:38750186
|
研究论文 | 本研究使用三种不同放射组学模型同时预测垂体腺瘤中Ki67高表达和PIT-1阳性表达 | 首次同时预测垂体腺瘤中Ki67和PIT-1两种生物标志物的表达状态，并比较了经典机器学习、深度学习和深度学习放射组学三种模型的性能 | 回顾性研究设计，样本量相对有限（247例患者） | 术前同时预测垂体腺瘤中Ki67高表达和PIT-1阳性表达 | 垂体腺瘤患者 | 数字病理 | 垂体腺瘤 | 放射组学分析，磁共振成像 | 逻辑回归，支持向量机，多层感知机 | 医学影像数据（对比增强T1WI、T1WI、T2WI） | 247例垂体腺瘤患者（训练集198例，测试集49例） | Scikit-learn | 多层感知机 | AUC，敏感度，特异度，准确率，阴性预测值，阳性预测值 | NA |
| 17327 | 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 |
| 17328 | 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 |
| 17329 | 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 |
| 17330 | 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 |
| 17331 | 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 |
| 17332 | 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 |
| 17333 | 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 |
| 17334 | 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 |
| 17335 | 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 |
| 17336 | 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 |
| 17337 | 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 |
| 17338 | 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 |
| 17339 | 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 |
| 17340 | 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 |