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 32801 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 |
Learning with Context Encoding for Single-Stage Cranial Bone Labeling and Landmark Localization
2022-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-16452-1_28
PMID:39911317
|
研究论文 | 提出一种结合上下文编码的单阶段颅骨标记与标志点定位方法 | 设计新型上下文编码模块并引入标志点空间关系建模作为辅助任务 | 仅在274例儿科CT数据集上验证，未说明泛化能力 | 医学图像中颅骨自动分割与解剖标志点定位 | 儿科患者颅骨CT图像 | 数字病理 | 颅面疾病 | CT成像 | CNN | 3D医学图像 | 274例儿科3D CT图像 | NA | U-Net | NA | NA |
| 17322 | 2025-10-07 |
Deep Learning-Based Techniques in Glioma Brain Tumor Segmentation Using Multi-Parametric MRI: A Review on Clinical Applications and Future Outlooks
2025-Mar, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29543
PMID:39074952
|
综述 | 本文全面回顾了深度学习在多参数MRI胶质瘤脑肿瘤分割中的应用现状与未来展望 | 系统梳理了从早期CNN到最新注意力机制和Transformer模型的技术演进，并探讨了基因组数据整合等未来方向 | 存在数据质量、梯度消失和模型可解释性等挑战 | 探讨深度学习在多参数MRI胶质瘤分割中的临床应用与发展前景 | 胶质瘤脑肿瘤 | 数字病理 | 脑肿瘤 | 多参数磁共振成像 | CNN, Transformer | 医学影像 | NA | NA | CNN, 注意力机制, Transformer | NA | NA |
| 17323 | 2024-08-07 |
Editorial for "Deep Learning Assisted Classification of T1ρ-MR Based Intervertebral Disc Degeneration Phases"
2025-Mar, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29509
PMID:39016471
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17324 | 2025-10-07 |
Multiparametric MRI-Based Deep Learning Radiomics Model for Assessing 5-Year Recurrence Risk in Non-Muscle Invasive Bladder Cancer
2025-Mar, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29574
PMID:39167019
|
研究论文 | 本研究开发了一种基于多参数MRI的深度学习放射组学模型，用于评估非肌层浸润性膀胱癌的5年复发风险 | 首次将多参数MRI的放射组学特征、深度学习特征与临床因素整合，构建了优于传统EORTC模型的复发风险评估模型 | 回顾性研究设计，样本量相对有限（191例患者） | 改进非肌层浸润性膀胱癌的5年复发风险评估方法 | 非肌层浸润性膀胱癌患者 | 数字病理 | 膀胱癌 | 多参数MRI，包括T2加权成像、扩散加权成像和动态对比增强序列 | 深度学习模型 | 医学影像 | 191例患者（训练队列115例，验证和测试队列各38例） | NA | NA | AUC, Harrell's concordance index | NA |
| 17325 | 2025-10-07 |
Role of artificial intelligence in treatment planning and outcome prediction of jaw corrective surgeries by using 3-D imaging: a systematic review
2025-Mar, Oral surgery, oral medicine, oral pathology and oral radiology
DOI:10.1016/j.oooo.2024.09.010
PMID:39701860
|
系统综述 | 系统评估人工智能在基于3D成像的颌骨矫正手术治疗方案制定和结果预测中的应用 | 首次系统综述AI在颌骨矫正手术规划与预后预测中的角色，重点关注3D成像技术的应用 | 纳入研究存在显著异质性且数据报告不足，无法进行荟萃分析 | 评估AI在颌骨矫正手术治疗规划和结果预测中的应用效果 | 颌骨矫正手术患者 | 医学影像分析 | 颌面畸形 | 3D成像，CT扫描 | 深度学习，机器学习 | 3D医学影像，CT数据 | 14项研究（11项使用深度学习，3项使用机器学习） | NA | NA | 预测误差，Dice分数，准确率 | NA |
| 17326 | 2025-02-08 |
Predicting craniofacial fibrous dysplasia growth status: an exploratory study of a hybrid radiomics and deep learning model based on computed tomography images
2025-Mar, Oral surgery, oral medicine, oral pathology and oral radiology
DOI:10.1016/j.oooo.2024.11.002
PMID:39725588
|
研究论文 | 本研究旨在开发基于CT图像的三种模型，用于区分颅面纤维性发育不良（CFD）患者的病变进展状态 | 结合了放射组学和深度学习的混合模型（Model Rad+DL），在评估CFD病变进展方面表现出优越性 | 研究为回顾性分析，样本量有限（148例患者） | 开发并评估基于CT图像的模型，以区分CFD患者的病变进展状态 | 148名CFD患者的术前CT扫描图像 | 数字病理学 | 颅面纤维性发育不良 | 3D-Slicer软件用于图像分割和特征提取 | 混合模型（放射组学和深度学习） | CT图像 | 148名CFD患者 | NA | NA | NA | NA |
| 17327 | 2025-02-08 |
Editorial for "Multiparametric MRI-Based Deep Learning Radiomics Model for Assessing 5-Year Recurrence Risk in Non-Muscle Invasive Bladder Cancer"
2025-Mar, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29592
PMID:39258759
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17328 | 2025-02-08 |
A joint three-plane physics-constrained deep learning based polynomial fitting approach for MR electrical properties tomography
2025-Feb-15, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121054
PMID:39863005
|
研究论文 | 本文提出了一种结合物理约束和深度学习的多项式拟合方法，用于磁共振电特性成像，以提高电导率估计的准确性和计算效率 | 结合物理约束的深度学习框架，通过在三平面上联合优化神经网络权重，提高了电导率估计的准确性和计算效率 | 需要大量的训练数据，且对未见数据的泛化能力有限 | 提高磁共振电特性成像中电导率估计的准确性和计算效率 | 体内组织的电特性 | 数字病理 | NA | 磁共振电特性成像 | 深度学习 | 3D数据 | 模拟的异质脑模型 | NA | NA | NA | NA |
| 17329 | 2025-02-08 |
A novel deep learning framework for retinal disease detection leveraging contextual and local features cues from retinal images
2025-Feb-07, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03314-0
PMID:39918766
|
研究论文 | 本文提出了一种新的深度学习框架，用于从视网膜图像中提取上下文和局部特征线索，以准确分类视网膜疾病 | 提出了一种结合全局上下文信息和局部细粒度信息的深度学习框架，通过DCM-CNN和LP-CNN模块的协同工作，克服了眼底图像中的类间相似性、类内变异、局部信息有限等挑战 | NA | 提高视网膜疾病的自动诊断准确性 | 视网膜图像 | 计算机视觉 | 视网膜疾病 | 深度学习 | Densely Connected Multidilated Convolution Neural Network (DCM-CNN), Local-Patch-based Convolution Neural Network (LP-CNN) | 图像 | 两个公开的基准数据集：RFMiD和ODIR-5K | NA | NA | NA | NA |
| 17330 | 2025-02-08 |
Automated 24-sector grid-map algorithm for prostate mpMRI improves precision and efficacy of prostate lesion location reporting
2025-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111897
PMID:39729944
|
研究论文 | 本研究开发了一种基于深度学习的自动前列腺24分区网格图算法，用于提高前列腺病变位置报告的精确性和效率 | 首次开发了一种自动化的24分区网格图算法，用于前列腺多参数磁共振成像（mpMRI）的病变定位，显著提高了定位报告的准确性 | 研究样本量较小，仅使用了50个mpMRI数据集进行验证 | 训练并验证一种基于深度学习的前列腺自动分区映射算法，以提高前列腺病变位置报告的精确性和效率 | 前列腺病变 | 数字病理学 | 前列腺癌 | 深度学习 | 深度学习模型 | 图像 | 50个mpMRI数据集 | NA | NA | NA | NA |
| 17331 | 2025-02-08 |
Applying deep learning for underwater broadband-source detection using a spherical array
2025-Feb-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0035787
PMID:39918577
|
研究论文 | 本文开发了一种基于深度神经网络（DNN）的球形阵列水下宽带源检测和到达方向估计方法 | 该方法通过球形傅里叶变换将元素压力信号转换为球形傅里叶系数作为DNN输入，并采用高斯分布设计DNN标签，显著提高了检测能力并有效抑制了误估计 | 该方法在训练数据中引入白噪声，可能对实际应用中的噪声环境适应性有限 | 提高水下宽带源的被动检测能力 | 水下宽带源 | 机器学习 | NA | 深度神经网络（DNN） | DNN | 声压信号 | 模拟和实验处理结果 | NA | NA | NA | NA |
| 17332 | 2025-02-08 |
Inference of the Mass Composition of Cosmic Rays with Energies from 10^{18.5} to 10^{20} eV Using the Pierre Auger Observatory and Deep Learning
2025-Jan-17, Physical review letters
IF:8.1Q1
DOI:10.1103/PhysRevLett.134.021001
PMID:39913843
|
研究论文 | 本文利用Pierre Auger Observatory的表面探测器和深度学习技术，首次在事件级别上推断出宇宙射线的大气深度最大值X_{max}，并扩展了X_{max}分布的测量范围至100 EeV，揭示了极端能量下宇宙射线的质量组成 | 首次在事件级别上推断X_{max}，并利用深度学习技术扩展了测量范围至100 EeV，提供了极端能量下宇宙射线质量组成的新见解 | NA | 研究极端能量下宇宙射线的质量组成 | 宇宙射线 | 机器学习 | NA | 深度学习 | NA | 探测器数据 | NA | NA | NA | NA | NA |
| 17333 | 2025-10-07 |
Computational Resources for lncRNA Functions and Targetome
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4290-0_13
PMID:39702714
|
综述 | 本文全面综述了长链非编码RNA（lncRNA）功能与靶标组研究领域的计算资源，包括数据库和预测工具 | 提供了跨物种（人类、小鼠、植物等）lncRNA资源的系统性总结，并包含最新版本资源的更新信息 | 作为章节综述，可能未涵盖该领域所有最新进展 | 总结lncRNA研究领域的计算资源，帮助生物学家选择合适的工具 | 长链非编码RNA（lncRNA）及其相关数据库和预测工具 | 生物信息学 | NA | 深度学习、支持向量机、随机森林 | 深度学习, SVM, RF | 基因组数据、表达数据、调控数据 | NA | NA | NA | NA | NA |
| 17334 | 2025-10-07 |
Structure-Based Prediction of lncRNA-Protein Interactions by Deep Learning
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4290-0_16
PMID:39702717
|
研究论文 | 介绍基于三维结构信息预测lncRNA-蛋白质相互作用的基本框架和深度学习方法 | 利用几何深度学习方法处理非欧几里得结构数据，实现lncRNA-蛋白质相互作用的自动表征和学习 | 未提及具体实验验证和性能评估结果 | 预测lncRNA-蛋白质相互作用并解析其机制 | 长非编码RNA（lncRNA）和蛋白质 | 机器学习 | NA | 三维结构分析 | 深度学习 | 非欧几里得结构数据 | NA | NA | 几何深度学习网络 | NA | NA |
| 17335 | 2025-02-08 |
Physics-guided multistage neural network: A physically guided network for step initial values and dispersive shock wave phenomena
2024-Dec, Physical review. E
DOI:10.1103/PhysRevE.110.065307
PMID:39916289
|
研究论文 | 本文提出了一种物理引导的多阶段神经网络（PgMSNN）模型，用于模拟复杂的色散冲击波现象 | 通过集成残差学习范式并在现有PINN方法中引入色散因子，显著增强了物理信息神经网络（PINNs）描述复杂色散现象的能力，并提出了一种高度自适应的深度Runge-Kutta方法 | NA | 提高物理信息神经网络（PINNs）在色散冲击波现象中的数值模拟精度和稳定性 | 色散冲击波现象 | 机器学习 | NA | 物理引导的多阶段神经网络（PgMSNN） | 物理引导的多阶段神经网络（PgMSNN） | 数值数据 | NA | NA | NA | NA | NA |
| 17336 | 2025-10-07 |
Impact of Deep Learning-Based Computer-Aided Detection and Electronic Notification System for Pneumothorax on Time to Treatment: Clinical Implementation
2024-Nov-19, Journal of the American College of Radiology : JACR
IF:4.0Q1
DOI:10.1016/j.jacr.2024.11.009
PMID:39566875
|
研究论文 | 评估基于深度学习的计算机辅助检测和电子通知系统对气胸患者治疗时间的影响 | 首次在真实临床环境中评估深度学习CAD结合电子通知系统对气胸治疗时间的影响 | 仅观察到氧疗时间显著改善，其他治疗方式无显著差异 | 评估深度学习辅助检测和通知系统在临床实践中的效果 | 气胸患者的胸部X光片和治疗时间 | 计算机视觉 | 气胸 | 胸部X光摄影 | 深度学习 | 医学影像 | 603,028张胸部X光片，来自140,841名患者，气胸患病率2.0% | NA | NA | 治疗时间差异，置信区间，P值 | NA |
| 17337 | 2025-10-07 |
Role of artificial intelligence in brain tumour imaging
2024-Jul, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111509
PMID:38788610
|
综述 | 探讨人工智能在脑肿瘤影像学中的应用及其潜力 | 全面综述AI在脑肿瘤影像中从病灶检测到预后评估的多领域应用，并涵盖神经胶质瘤与非胶质瘤肿瘤 | 数据质量、标准化和系统整合等实施挑战尚未完全解决 | 评估人工智能技术在脑肿瘤影像诊断与治疗中的临床应用价值 | 脑肿瘤影像数据及相关临床病例 | 医学影像分析 | 脑肿瘤 | 机器学习, 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 17338 | 2025-10-07 |
Demographic bias in misdiagnosis by computational pathology models
2024-Apr, Nature medicine
IF:58.7Q1
DOI:10.1038/s41591-024-02885-z
PMID:38641744
|
研究论文 | 本研究揭示了计算病理学模型在不同人口群体中存在的诊断性能差异，并探索了自监督视觉基础模型在减轻这种偏差方面的潜力 | 首次系统评估计算病理学模型在乳腺癌、肺癌和胶质瘤诊断中的人口统计学偏差，并证明自监督视觉基础模型能有效减少群体间性能差异 | 自监督视觉基础模型未能完全消除人口群体间的性能差异，需要进一步开发偏差缓解策略 | 评估计算病理学模型在不同人口群体中的诊断性能差异并探索缓解方法 | 乳腺癌和肺癌亚型分类以及胶质瘤IDH1突变预测 | 计算病理学 | 乳腺癌,肺癌,脑肿瘤 | 全切片图像分析 | 深度学习,自监督视觉基础模型 | 病理全切片图像 | 来自癌症基因组图谱、EBRAINS脑肿瘤图谱和内部患者数据的公共数据集 | NA | NA | AUC | NA |
| 17339 | 2025-10-07 |
Deep learning to decode sites of RNA translation in normal and cancerous tissues
2024-Mar-25, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.21.586110
PMID:38585907
|
研究论文 | 开发基于Transformer模型的RiboTIE方法，用于绘制正常和癌组织中RNA翻译位点图谱 | 提出首个基于Transformer的RNA翻译位点解码方法，在核糖体分析数据中提供无与伦比的精确度和灵敏度 | 仅应用于正常脑组织和髓母细胞瘤样本，尚未在其他组织或癌症类型中验证 | 解码正常和癌组织中RNA翻译位点的变异 | 正常脑组织和髓母细胞瘤癌症样本 | 生物信息学 | 髓母细胞瘤 | 核糖体分析 | Transformer | 核糖体分析数据 | 正常脑组织和髓母细胞瘤样本（具体数量未明确） | NA | Transformer | 精确度, 灵敏度 | NA |
| 17340 | 2025-10-07 |
Classification of Schizophrenia, Bipolar Disorder and Major Depressive Disorder with Comorbid Traits and Deep Learning Algorithms
2024-Mar-07, Research square
DOI:10.21203/rs.3.rs-4001384/v1
PMID:38496574
|
研究论文 | 本研究利用42种共病性状的多基因风险评分和深度神经网络对精神分裂症、双相情感障碍和重度抑郁症进行分类与区分 | 首次证明仅使用共病性状的PRS（不包含目标疾病PRS）即可有效分类精神障碍，为数据驱动的客观诊断提供新思路 | 样本量相对有限，未在独立队列中验证模型泛化能力 | 探索共享遗传风险在精神障碍分类与鉴别诊断中的应用价值 | 精神分裂症、双相情感障碍和重度抑郁症患者及健康对照 | 机器学习 | 精神疾病 | 全基因组关联研究，多基因风险评分 | DNN | 遗传风险评分数据 | SCZ病例6317例对照7240例，BIP病例2634例对照4425例，MDD病例1704例对照3357例 | NA | 深度神经网络 | 准确率，AUC | NA |