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 32705 篇文献，本页显示第 18021 - 18040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18021 | 2025-10-07 |
Bayesian-optimized deep learning for identifying essential genes of mitophagy and fostering therapies to combat drug resistance in human cancers
2025-Jan, Journal of cellular and molecular medicine
IF:4.3Q2
DOI:10.1111/jcmm.18254
PMID:39834330
|
研究论文 | 提出贝叶斯优化深度学习模型BayeDEM用于识别线粒体自噬关键基因并开发克服癌症耐药性的治疗方法 | 开发首个贝叶斯优化深度学习框架BayeDEM用于精准识别线粒体自噬关键基因，并发现CERS1基因在调控线粒体自噬中的核心作用 | 研究主要聚焦于骨肉瘤，在其他癌症类型中的普适性需要进一步验证 | 识别调控线粒体自噬的关键枢纽基因并开发基于线粒体自噬的治疗策略以克服癌症耐药性 | 骨肉瘤细胞、线粒体自噬相关基因、免疫微环境 | 机器学习 | 骨肉瘤 | 深度学习、贝叶斯优化、基因功能分析 | 深度学习 | 基因表达数据、功能实验数据 | NA | NA | BayeDEM | AUC of ROC, AUC of PR curve, SHAP value | NA |
| 18022 | 2025-01-24 |
A multi-patch-based deep learning model with VGG19 for breast cancer classifications in the pathology images
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241313161
PMID:39839961
|
研究论文 | 本文提出了一种基于多片段的深度学习模型MPa-DCAE，结合VGG19用于病理图像中的乳腺癌检测和分类 | MPa-DCAE模型结合了VGG19的层次特征提取能力和深度卷积自编码器（DCAE）框架，通过多片段方法提取病理图像中的感兴趣区域，增强了模型的判别能力 | NA | 开发一种自动化的乳腺癌诊断方法，以提高病理图像中乳腺癌检测和分类的准确性 | 乳腺癌病理图像 | 计算机视觉 | 乳腺癌 | 深度学习 | VGG19, DCAE | 图像 | CBIS-DDSM和MIAS数据集 | NA | NA | NA | NA |
| 18023 | 2025-10-07 |
Artificial Intelligence-Assisted Segmentation of a Falx Cerebri Calcification on Cone-Beam Computed Tomography: A Case Report
2024-Dec-12, Medicina (Kaunas, Lithuania)
DOI:10.3390/medicina60122048
PMID:39768927
|
病例报告 | 通过病例报告和文献综述探讨人工智能在锥形束CT图像中分割大脑镰钙化的应用 | 首次系统评估AI在CBCT图像中分割大脑镰钙化的应用，并采用基于云的AI平台进行病例验证 | 区分大脑镰钙化与其他颅骨结构仍存在挑战，该领域研究文献数量有限 | 探索人工智能在放射学诊断中分割和检测大脑镰钙化的应用 | 大脑镰钙化患者（59岁病例）及相关文献研究 | 医学影像分析 | 颅内钙化 | 锥形束计算机断层扫描（CBCT） | 深度学习 | 医学影像 | 1例病例报告+4项文献研究 | 基于云的AI平台 | NA | 准确性 | 基于云的AI平台 |
| 18024 | 2025-10-07 |
From pixels to patients: the evolution and future of deep learning in cancer diagnostics
2024-Dec-11, Trends in molecular medicine
IF:12.8Q1
DOI:10.1016/j.molmed.2024.11.009
PMID:39665958
|
观点文章 | 探讨深度学习在癌症诊断中的演变历程和未来发展方向，重点关注从像素级图像分析到以患者为中心的综合诊疗模式转变 | 提出开发能够整合多模态数据的大语言模型，将AI从辅助工具转变为临床决策的核心组成部分 | NA | 分析深度学习在癌症诊断领域的发展轨迹和未来趋势 | 深度学习在癌症诊断中的应用 | 数字病理 | 癌症 | 深度学习 | 神经网络,大语言模型 | 医学影像,多模态数据 | NA | NA | NA | NA | NA |
| 18025 | 2025-10-07 |
Deep-AutoMO: Deep automated multiobjective neural network for trustworthy lesion malignancy diagnosis in the early stage via digital breast tomosynthesis
2024-Dec, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109299
PMID:39437606
|
研究论文 | 开发了一种名为Deep-AutoMO的深度自动多目标神经网络，用于通过数字乳腺断层合成实现早期乳腺病变恶性程度的可信诊断 | 提出了多目标免疫神经架构搜索(MINAS)同时优化敏感性和特异性，并采用基于熵的证据推理方法构建安全鲁棒模型 | NA | 构建可信赖的乳腺病变恶性诊断模型，在统一框架下实现平衡性、安全性和鲁棒性 | 数字乳腺断层合成(DBT)图像中的乳腺病变 | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成(DBT) | 深度学习神经网络 | 医学图像 | NA | NA | ResNet, DenseNet | 敏感性, 特异性 | NA |
| 18026 | 2025-01-24 |
Role of Artificial Intelligence in MRI-Based Rectal Cancer Staging: A Systematic Review
2024-Dec, Cureus
DOI:10.7759/cureus.76185
PMID:39840208
|
系统综述 | 本文系统综述了人工智能（AI）在基于磁共振成像（MRI）的直肠癌（RC）分期中的应用及其表现 | 首次对AI在MRI-based RC分期中的表现进行了全面评估，涵盖了多种AI模型和MRI技术 | 仅纳入了14项研究，样本量较小，且未对不同AI模型进行直接比较 | 评估AI模型在MRI-based RC分期中的诊断性能 | 直肠癌（RC）患者 | 数字病理 | 直肠癌 | MRI | 深度学习（DL）、卷积神经网络（CNN）、随机森林分类器、LASSO等 | MRI图像（T1加权、T2加权、扩散加权图像等） | 14项研究，涉及716条记录 | NA | NA | NA | NA |
| 18027 | 2025-10-07 |
Automated cell lineage reconstruction using label-free 4D microscopy
2024-Oct-07, Genetics
IF:3.3Q2
DOI:10.1093/genetics/iyae135
PMID:39139100
|
研究论文 | 提出一种无需标记的4D显微镜自动细胞谱系重建方法 | 开发了无需手动数据标注即可训练的embGAN深度学习流程，在无标记3D延时成像中实现自动细胞检测与追踪 | 在密集组织和胚胎的无标记3D成像中自动细胞检测与追踪的解决方案仍不可及 | 实现无标记3D延时成像中的自动细胞检测与追踪 | 秀丽隐杆线虫胚胎 | 计算机视觉 | NA | 4D无标记显微镜，3D延时成像 | GAN | 3D时间序列图像 | NA | NA | embGAN | 细胞检测精度，追踪精度 | NA |
| 18028 | 2025-10-07 |
Artificial intelligence strengthens cervical cancer screening - present and future
2024-09-19, Cancer biology & medicine
IF:5.6Q1
|
综述 | 本文综述了人工智能在宫颈癌筛查中的当前应用与未来发展前景 | 系统总结了AI技术在宫颈癌筛查领域的最新进展，并前瞻性分析了未来面临的挑战 | 未提供具体实验数据或性能指标验证 | 探讨人工智能如何提升宫颈癌筛查的准确性和效率 | 宫颈癌筛查的医学图像和诊断流程 | 计算机视觉 | 宫颈癌 | 深度学习 | NA | 医学图像 | NA | NA | NA | NA | NA |
| 18029 | 2025-10-07 |
Prospective deep learning-based quantitative assessment of coronary plaque by computed tomography angiography compared with intravascular ultrasound: the REVEALPLAQUE study
2024-Aug-26, European heart journal. Cardiovascular Imaging
DOI:10.1093/ehjci/jeae115
PMID:38700097
|
研究论文 | 本研究比较了基于深度学习的冠状动脉CT血管造影自动斑块分析方法与血管内超声的测量结果 | 开发了首个基于深度学习的自动冠状动脉斑块分割方法，并在多中心国际研究中验证其与IVUS的一致性 | 研究仅纳入临床稳定的已知冠状动脉疾病患者，样本量相对有限 | 验证AI辅助的冠状动脉CT血管造影在动脉粥样硬化定量评估中的准确性 | 来自美国和日本15个中心的237名临床稳定冠状动脉疾病患者的432个病变 | 医学影像分析 | 心血管疾病 | 冠状动脉CT血管造影，血管内超声 | 深度学习 | 医学影像 | 237名患者，432个病变 | NA | NA | 相关系数，斜率，Y截距，Bland-Altman分析 | NA |
| 18030 | 2025-10-07 |
Deep Learning for Pneumothorax Detection on Chest Radiograph: A Diagnostic Test Accuracy Systematic Review and Meta Analysis
2024-Aug, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371231220885
PMID:38189265
|
系统综述与荟萃分析 | 通过系统综述和荟萃分析评估深度学习算法在胸部X光片上检测气胸的诊断准确性 | 首次对深度学习在气胸检测领域的诊断性能进行系统性量化评估 | 纳入研究存在异质性，部分研究可能存在偏倚风险 | 评估深度学习算法在胸部X光片上检测气胸的整体诊断性能 | 成人患者胸部X光片 | 计算机视觉 | 气胸 | 胸部X光成像 | 深度学习算法 | 医学影像 | 34,011名患者，34,075张胸部X光片 | NA | NA | 灵敏度, 特异度 | NA |
| 18031 | 2025-10-07 |
A systematic review of generative adversarial networks (GANs) in plastic surgery
2024-Aug, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2024.04.007
PMID:38996662
|
系统综述 | 系统评估生成对抗网络在整形外科领域的应用规模与范围 | 首次系统构建了GAN在整形外科亚专业中的应用框架与评估标准 | 仅纳入7项符合标准的研究，样本量有限 | 评估GAN在整形外科中的应用潜力与发展方向 | 整形外科临床数据与患者图像 | 计算机视觉 | 整形外科疾病 | 深度学习 | GAN | 医学图像 | 平均54,652±112,180个样本 | NA | 条件生成对抗网络 | NA | NA |
| 18032 | 2025-10-07 |
Assessing the Influence of B-US, CDFI, SE, and Patient Age on Predicting Molecular Subtypes in Breast Lesions Using Deep Learning Algorithms
2024-Aug, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.16460
PMID:38581195
|
研究论文 | 本研究利用深度学习算法评估B超、彩色多普勒血流成像、应变弹性成像和患者年龄对乳腺病变分子亚型预测的影响 | 首次结合多种超声成像模态和患者年龄因素，使用深度学习预测乳腺病变分子亚型 | 样本量相对有限（198名患者），未与其他深度学习模型进行对比 | 评估多模态超声成像在预测乳腺病变分子亚型中的价值 | 乳腺病变患者 | 计算机视觉 | 乳腺癌 | B超成像、彩色多普勒血流成像、应变弹性成像 | CNN | 医学图像 | 198名患者的2272张多模态超声图像 | NA | ResNet-18 | 准确率, 精确率, 召回率, F1分数, 混淆矩阵 | NA |
| 18033 | 2025-10-07 |
Methodological evaluation of systematic reviews based on the use of artificial intelligence systems in chest radiography
2024 Jul-Aug, Radiologia
IF:1.1Q3
DOI:10.1016/j.rxeng.2023.01.015
PMID:39089793
|
方法学评估 | 评估基于人工智能系统的胸部X光系统评价的方法学质量 | 首次对胸部X光AI诊断系统相关系统评价进行方法学质量评估 | 仅纳入7篇系统评价，样本量有限 | 评估使用AI进行胸部病理诊断的系统评价的方法学质量 | 使用AI系统自动解读胸部X光的系统评价 | 医学影像分析 | 胸部疾病 | 深度学习 | 深度学习系统 | 胸部X光图像 | 7篇系统评价（平均每篇包含36项研究） | NA | NA | PRISMA-DTA, AMSTAR-2 | NA |
| 18034 | 2025-10-07 |
Generative AI in glioma: Ensuring diversity in training image phenotypes to improve diagnostic performance for IDH mutation prediction
2024-06-03, Neuro-oncology
IF:16.4Q1
DOI:10.1093/neuonc/noae012
PMID:38253989
|
研究论文 | 本研究评估生成式AI数据增强在胶质瘤IDH突变预测中的诊断性能提升 | 使用基于分数的扩散模型生成多样化的影像表型，首次系统比较生成式AI增强与神经放射科医生的诊断性能 | 样本主要来自三级医院和公开数据库，可能限制泛化性；仅评估了两种MRI序列 | 提高胶质瘤IDH突变类型的深度学习分类性能 | 胶质瘤患者MRI影像数据 | 医学影像分析 | 胶质瘤 | MRI（对比增强T1和FLAIR序列） | 扩散模型, CNN | 医学影像 | 565例患者（开发集），119例内部测试集，108例外部测试集 | NA | ResNet50 | AUC, Turing测试通过率 | NA |
| 18035 | 2025-10-07 |
UTILIZATION OF ARTIFICIAL INTELLIGENCE FOR PREDICTIVE MODELING IN DENTAL IMPLANTOLOGY
2024-May, Georgian medical news
PMID:39089263
|
综述 | 本文综述了人工智能在牙科种植学中预测模型的应用研究现状 | 系统评估了AI在牙科种植成功率预测中的多种算法应用，包括决策树、随机森林、人工神经网络和深度学习 | 由于缺乏具体研究结果和足够数量的可比研究，无法进行定量分析 | 探讨人工智能在牙科种植预测模型中的应用研究 | 牙科种植患者数据（X光片、病史记录） | 医疗人工智能 | 牙科疾病 | AI预测建模 | 决策树, 随机森林, ANN, 深度学习 | 医学影像, 文本数据 | NA | NA | NA | NA | NA |
| 18036 | 2025-10-07 |
ROBUST OUTER VOLUME SUBTRACTION WITH DEEP LEARNING GHOSTING DETECTION FOR HIGHLY-ACCELERATED REAL-TIME DYNAMIC MRI
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635530
PMID:39834646
|
研究论文 | 提出一种结合深度学习鬼影检测的外容积信号估计方法，用于提升实时动态MRI的加速成像质量 | 利用运动器官产生的伪周期性鬼影伪影特性，通过深度学习改进外容积信号估计，结合物理驱动的深度学习方法实现个体时间帧重建 | 未明确说明方法在非周期性运动场景下的适用性 | 提升实时动态MRI在高加速率下的图像质量 | 心脏成像中的动态MRI数据 | 医学影像分析 | 心血管疾病 | 动态MRI, 时间交错欠采样 | 深度学习 | MRI时间序列图像 | NA | NA | NA | 图像质量 | NA |
| 18037 | 2025-10-07 |
Utilization of Artificial Intelligence for the automated recognition of fine arts
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0312739
PMID:39585839
|
研究论文 | 本文提出了一种基于人工智能和深度学习的自动化美术作品识别方法 | 将先进特征提取技术与定制化CNN架构相结合，显著提升了美术作品分类的准确性和效率 | NA | 提升自动化美术作品识别的性能 | 美术作品 | 计算机视觉 | NA | 深度学习，特征提取技术 | CNN | 图像 | 基准数据集 | NA | 定制化CNN架构 | 准确率 | NA |
| 18038 | 2025-10-07 |
Integrating deep learning in public health: a novel approach to PICC-RVT risk assessment
2024, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2024.1445425
PMID:39839389
|
研究论文 | 本研究评估了七种机器学习算法在预测经外周置入中心静脉导管相关静脉血栓风险中的表现，并识别了关键预测因素 | 首次将时间序列数据整合到PICC-RVT风险评估中，比较了深度学习和传统机器学习模型的性能 | 回顾性多中心研究设计，可能存在选择偏倚 | 评估机器学习算法在PICC-RVT风险评估中的有效性并识别关键预测因素 | 接受PICC置管的5,272名患者 | 机器学习 | 静脉血栓 | 机器学习 | 深度学习, 传统机器学习 | 时间序列数据，包括人口统计学、临床病理学和治疗数据 | 5,272名患者 | NA | DeepSurv, Cox-Time | 一致性指数, Brier评分, 组内相关系数 | NA |
| 18039 | 2025-01-24 |
Deep learning captures the effect of epistasis in multifactorial diseases
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1479717
PMID:39839630
|
研究论文 | 本研究探讨了非线性和深度学习模型在预测多因素疾病风险中的应用，特别是考虑基因上位效应的影响 | 首次系统地比较了线性回归模型与非线性机器学习模型（包括深度学习）在模拟和真实遗传数据中捕捉基因上位效应的能力 | 研究主要基于模拟数据和特定疾病类型的真实数据，可能无法推广到所有多因素疾病 | 探索非线性和深度学习模型在预测多因素疾病风险中的有效性，特别是考虑基因上位效应 | 模拟数据和真实遗传数据，涉及肥胖、1型糖尿病和银屑病等疾病 | 机器学习 | 多因素疾病（如阿尔茨海默病、糖尿病、心血管疾病、癌症等） | GAMETES模拟数据生成，PyTOXO包生成渗透表 | 多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、Lasso回归、随机森林、梯度提升模型 | 遗传数据 | 模拟数据和真实遗传数据，具体样本数量未明确 | NA | NA | NA | NA |
| 18040 | 2025-01-24 |
AI predicting recurrence in non-muscle-invasive bladder cancer: systematic review with study strengths and weaknesses
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1509362
PMID:39839785
|
综述 | 本文系统回顾了基于机器学习的非肌层浸润性膀胱癌（NMIBC）复发预测框架，分析了其统计稳健性和算法效能 | 通过多模态数据集和多种机器学习模型（如神经网络、深度学习、随机森林）的结合，显著提高了预测准确性，并探讨了增强模型解释性的方法（如SHAP） | 由于数据集较小，模型的泛化能力有限，且高级模型的“黑箱”性质仍是一个挑战 | 提高非肌层浸润性膀胱癌（NMIBC）复发的预测精度，推动AI在肿瘤学中的应用 | 非肌层浸润性膀胱癌（NMIBC）患者 | 机器学习 | 膀胱癌 | 机器学习（ML）和人工智能（AI） | 神经网络、深度学习、随机森林、支持向量机 | 放射组学、临床、组织病理学、基因组数据 | NA | NA | NA | NA | NA |