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 33074 篇文献，本页显示第 18581 - 18600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 18581 | 2025-01-19 |
Pervasive glacier retreats across Svalbard from 1985 to 2023
2025-Jan-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-55948-1
PMID:39814715
|
研究论文 | 本文利用深度学习生成的1985年至2023年间149个海洋终止冰川的124919个冰崩前沿位置数据，揭示了斯瓦尔巴群岛非涌浪冰川在过去38年中的普遍冰崩前沿退缩现象 | 首次使用深度学习技术大规模分析斯瓦尔巴群岛海洋终止冰川的冰崩前沿退缩，揭示了季节性周期和区域海洋变暖对冰崩前沿变化的显著影响 | 研究主要依赖于遥感数据和深度学习模型，可能忽略了局部地形和冰川内部动力学的复杂性 | 研究目的是理解和预测海洋终止冰川的冰崩前沿退缩行为，特别是季节性变化和年际变化对冰川质量损失的影响 | 斯瓦尔巴群岛的149个海洋终止冰川 | 地球科学 | NA | 深度学习 | NA | 遥感数据 | 149个海洋终止冰川的124919个冰崩前沿位置数据 | NA | NA | NA | NA |
| 18582 | 2025-01-19 |
Artificial Intelligence in Computer-Aided Drug Design (CADD) Tools for the Finding of Potent Biologically Active Small Molecules: Traditional to Modern Approach
2025-Jan-15, Combinatorial chemistry & high throughput screening
IF:1.6Q3
|
综述 | 本文探讨了人工智能在计算机辅助药物设计（CADD）中的应用，特别是小分子药物的发现 | 本文强调了人工智能、生物信息学和数据科学在加速药物发现、降低成本和减少动物实验需求方面的作用，并讨论了深度学习在配体性质和靶标活性预测中的进展 | 本文未具体提及研究中使用的数据集或样本量，也未详细讨论AI模型的具体局限性 | 研究目的是探讨人工智能在药物发现和开发中的作用，特别是如何加速高效、靶向特异性药物的发现 | 研究对象是小分子药物及其与生物分子靶标的相互作用 | 药物发现 | NA | 结构基于虚拟筛选（SBVS）、深度学习（DL） | 深度学习（DL） | 分子性质数据、靶标结合数据、3D结构数据 | NA | NA | NA | NA | NA |
| 18583 | 2025-01-19 |
DANTE-CAIPI Accelerated Contrast-Enhanced 3D T1: Deep Learning-Based Image Quality Improvement for Vessel Wall MRI
2025-Jan-08, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8424
PMID:39038956
|
研究论文 | 本文探讨了深度学习去噪算法在加速、血液抑制后的颅内血管壁MRI（IVW）中的应用，以提高图像质量并缩短扫描时间 | 首次将深度学习去噪算法应用于DANTE-CAIPI-SPACE加速和血液抑制的IVW，显著减少了动脉和静脉流动伪影，并在较短的扫描时间内提高了信噪比（SNR） | 研究样本量较小（64名患者），且未进行长期随访以评估该技术的临床效果 | 提高加速和血液抑制后的颅内血管壁MRI（IVW）的图像质量，减少伪影并提高信噪比（SNR） | 64名连续接受IVW扫描的患者 | 医学影像 | NA | 深度学习去噪算法 | 深度卷积网络（DCNN） | MRI图像 | 64名患者 | NA | NA | NA | NA |
| 18584 | 2025-01-19 |
Deep Learning-Based Super-Resolution Reconstruction on Undersampled Brain Diffusion-Weighted MRI for Infarction Stroke: A Comparison to Conventional Iterative Reconstruction
2025-Jan-08, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8482
PMID:39779291
|
研究论文 | 本研究比较了基于深度学习的超分辨率重建与传统压缩感知重建在脑部扩散加权磁共振成像（DWI）中对梗死性卒中的图像质量和诊断信心的影响 | 首次将深度学习技术应用于脑部DWI的超分辨率重建，以提高梗死性卒中的诊断信心 | 研究为回顾性设计，样本量相对较小（114例），且未涉及其他类型的卒中 | 评估深度学习超分辨率重建在脑部DWI中对梗死性卒中的图像质量和诊断信心的提升效果 | 114名接受脑部DWI检查的参与者 | 医学影像 | 梗死性卒中 | 深度学习超分辨率重建 | 深度学习模型 | 磁共振成像（MRI）图像 | 114名参与者 | NA | NA | NA | NA |
| 18585 | 2025-01-19 |
Intelligent Diagnosis of Hypopigmented Dermatoses and Intelligent Evaluation of Vitiligo Severity on the Basis of Deep Learning
2024-Dec, Dermatology and therapy
IF:3.5Q1
DOI:10.1007/s13555-024-01296-9
PMID:39514178
|
研究论文 | 本研究提出了一种基于深度学习的智能诊断模型，用于分类诊断色素减退性皮肤病（HD）和评估白癜风严重程度 | 通过将squeeze-and-excitation (SE)模块与候选模型结合，构建了优化的诊断模型，并提出了一种客观的严重程度评估指标，结合分割模型形成了严重程度评估模型 | 研究中使用的数据集主要来自4744名患者，可能无法涵盖所有类型的HD和白癜风病例 | 开发一种客观、准确且方便的智能诊断和评估方法，用于色素减退性皮肤病和白癜风的严重程度评估 | 色素减退性皮肤病（HD）和白癜风患者 | 计算机视觉 | 皮肤病 | 深度学习 | SE_ResNet-18, HR-Net | 图像 | 4744名患者的11483张图像 | NA | NA | NA | NA |
| 18586 | 2025-01-19 |
Three-dimensional convolutional neural network for leak detection and localization in smart water distribution systems
2024-Dec-01, Water research X
IF:7.2Q1
DOI:10.1016/j.wroa.2024.100264
PMID:39822329
|
研究论文 | 本文提出了一种三维卷积神经网络（3D CNN）深度学习模型，用于智能水分配系统中的泄漏检测和定位 | 首次将3D CNN应用于水分配网络的泄漏检测和定位，能够处理压力和时间的空间分布信息 | 深度学习模型的适应性可能受限，且受水力模拟模型影响较大，网络变化时需要重新训练，可能耗时且难以处理多种故障情况 | 研究智能水分配系统中的泄漏检测和定位方法 | 水分配网络（WDNs）中的泄漏 | 机器学习 | NA | 深度学习 | 3D CNN | 压力数据 | 使用奥斯汀的一个真实水分配网络进行测试，生成了150毫米管道中3升/秒的泄漏模拟数据 | NA | NA | NA | NA |
| 18587 | 2024-11-23 |
Corrigendum to: Deep learning(s) in gaming disorder through the user-avatar bond: A longitudinal study using machine learning
2024-Nov-22, Journal of behavioral addictions
IF:6.6Q1
DOI:10.1556/2006.2024.30000
PMID:39576296
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18588 | 2025-01-19 |
NON-CARTESIAN SELF-SUPERVISED PHYSICS-DRIVEN DEEP LEARNING RECONSTRUCTION FOR HIGHLY-ACCELERATED MULTI-ECHO SPIRAL FMRI
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635551
PMID:39669313
|
研究论文 | 本文提出了一种基于物理驱动的深度学习（PD-DL）重建方法，用于加速多回波螺旋fMRI的10倍重建 | 本文的创新点在于将自监督学习算法修改并应用于非笛卡尔轨迹的优化训练，以实现高时空分辨率的多回波螺旋fMRI重建 | NA | 研究目的是通过深度学习技术加速多回波螺旋fMRI的重建，以提高时空分辨率 | 多回波螺旋fMRI数据 | 医学影像处理 | NA | 深度学习 | PD-DL网络 | fMRI图像数据 | NA | NA | NA | NA | NA |
| 18589 | 2025-10-07 |
Mapping cell-to-tissue graphs across human placenta histology whole slide images using deep learning with HAPPY
2024-Mar-28, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-46986-2
PMID:38548713
|
研究论文 | 开发了一种名为HAPPY的深度学习分层方法，用于量化胎盘组织学全切片图像中细胞和微观组织结构的变化 | 采用可解释的生物层次结构，在全切片图像上以单细胞分辨率表示细胞和组织内的细胞群落，不同于基于斑块的特征或分割方法 | NA | 量化胎盘组织学变异并建立健康胎盘基线指标 | 人类胎盘组织学全切片图像 | 数字病理学 | 胎盘疾病 | 组织学全切片成像 | 深度学习 | 组织学图像 | 健康足月胎盘和具有临床显著胎盘梗死的胎盘 | NA | 分层方法 | 与临床专家和胎盘生物学文献的预测一致性 | NA |
| 18590 | 2025-10-07 |
Using deep learning to quantify neuronal activation from single-cell and spatial transcriptomic data
2024-Jan-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-44503-5
PMID:38278804
|
研究论文 | 开发深度学习模型NEUROeSTIMator，通过整合转录组信号量化神经元激活 | 提出首个能够整合转录组信号估计神经元激活的深度学习模型，且对物种、细胞类型和脑区差异具有鲁棒性 | 目前主要在小鼠模型中验证，人类数据验证尚需进一步研究 | 开发量化神经元激活的计算工具 | 神经元细胞 | 机器学习 | NA | 单细胞RNA测序, 空间转录组学, Patch-seq电生理记录 | 深度学习 | 转录组数据, 电生理数据 | 已发表研究中的单细胞数据及雄性小鼠脑区数据 | NA | NA | 与电生理特征的关联性, 检测准确性 | NA |
| 18591 | 2025-10-07 |
New Technologies for Monitoring Coastal Ecosystem Dynamics
2025-Jan, Annual review of marine science
IF:14.3Q1
|
综述 | 本文综述了用于海岸带生态系统动态监测的新兴技术及其在应对气候变化和人为压力中的应用 | 系统整合了卫星监测、无人机、原位传感器网络、光纤系统和社区科学观测站等多种新兴监测技术，并强调了人工智能和深度学习在数据处理中的核心作用 | 海岸带生态系统监测仍存在重大空白，需要进一步解决以应对全球变化的加速 | 综合评估海岸带生态系统监测技术的最新进展 | 海岸带生态系统 | 环境监测 | NA | 卫星监测、空中和水下无人机、原位传感器网络、光纤系统、社区科学观测站 | 深度学习 | 多源遥感数据、传感器数据、社区观测数据 | NA | NA | NA | NA | NA |
| 18592 | 2025-10-07 |
Brief Review and Primer of Key Terminology for Artificial Intelligence and Machine Learning in Hypertension
2025-Jan, Hypertension (Dallas, Tex. : 1979)
|
综述 | 本文介绍了人工智能和机器学习在高血压领域应用的关键术语和基本概念 | 系统梳理了AI和机器学习在高血压医疗场景中的术语体系和应用框架 | NA | 为医疗专业人员提供人工智能在高血压管理中应用的基础知识 | 人工智能和机器学习技术及其在高血压管理中的应用 | 自然语言处理,计算机视觉 | 高血压 | NA | 神经网络,深度学习 | 血压数据,生物特征数据,文本数据,图像数据 | NA | NA | 大语言模型(如ChatGPT) | NA | NA |
| 18593 | 2025-10-07 |
Predicting therapeutic response to neoadjuvant immunotherapy based on an integration model in resectable stage IIIA (N2) non-small cell lung cancer
2025-Jan, The Journal of thoracic and cardiovascular surgery
IF:4.9Q1
DOI:10.1016/j.jtcvs.2024.05.006
PMID:38763304
|
研究论文 | 本研究开发了一种整合深度学习评分、血液肿瘤突变负荷和临床因素的模型，用于预测可切除IIIA期非小细胞肺癌新辅助免疫化疗的治疗反应 | 首次将基于CT的深度学习评分与血液肿瘤突变负荷及临床因素相结合构建集成预测模型 | 样本量较小（45例患者），且为单中心研究 | 预测可切除非小细胞肺癌患者对新辅助免疫化疗的治疗反应 | 45例IIIA期（N2）非小细胞肺癌患者 | 数字病理 | 肺癌 | ctDNA检测，深度学习方法 | 深度学习模型 | CT图像，血液样本，临床数据 | 45例IIIA期（N2）非小细胞肺癌患者 | NA | NA | AUC，疾病无进展生存期，总生存期 | NA |
| 18594 | 2025-10-07 |
TransEBUS: The interpretation of endobronchial ultrasound image using hybrid transformer for differentiating malignant and benign mediastinal lesions
2025-Jan, Journal of the Formosan Medical Association = Taiwan yi zhi
DOI:10.1016/j.jfma.2024.04.016
PMID:38702216
|
研究论文 | 开发基于混合Transformer的深度学习系统TransEBUS，用于支气管内超声图像中良恶性纵隔病变的分类 | 提出首个能自动提取和整合多成像模式时空特征的EBUS图像分析模型，无需人工选择代表性帧 | 在数据不足的情况下进行训练，可能影响模型泛化能力 | 建立EBUS图像的良恶性纵隔病变自动辅助诊断系统 | 支气管内超声图像中的纵隔病变 | 计算机视觉 | 纵隔病变 | 支气管内超声成像 | Transformer, CNN | 视频图像 | NA | NA | 混合Transformer, 双流模块 | 准确率, AUC | NA |
| 18595 | 2025-01-18 |
A deep learning-based method for modeling of RNA structures from cryo-EM maps
2025-Jan, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-024-02162-x
PMID:38396076
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 18596 | 2025-01-16 |
Deep learning radiomics analysis for prediction of survival in patients with unresectable gastric cancer receiving immunotherapy
2025-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2024.100626
PMID:39807092
|
研究论文 | 本研究旨在通过结合影像学和临床病理变量，利用深度学习放射组学分析预测接受免疫治疗的不可切除胃癌患者的生存期 | 采用多模态集成方法，结合CT影像数据和临床病理变量，构建深度学习模型预测患者生存期，并构建了列线图进行验证 | 样本量相对较小，且仅在中国人民解放军总医院的两个医疗中心进行，可能限制了结果的普适性 | 预测接受免疫治疗的不可切除胃癌患者的生存期 | 不可切除胃癌患者 | 数字病理 | 胃癌 | 深度学习 | 多模态集成模型 | CT影像数据和临床病理数据 | 训练队列79名患者，外部验证队列97名患者 | NA | NA | NA | NA |
| 18597 | 2025-01-16 |
Automated Detection of Filamentous Fungal Keratitis on Whole Slide Images of Potassium Hydroxide Smears with Multiple Instance Learning
2025 Mar-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100653
PMID:39811263
|
研究论文 | 本研究评估了深度学习框架双流多实例学习（DSMIL）在自动化分析氢氧化钾（KOH）涂片全片成像（WSI）中的有效性，以快速准确检测真菌感染 | 使用双流多实例学习（DSMIL）处理高分辨率WSI数据，自动检测真菌感染，并通过热图提供视觉解释 | 研究为回顾性观察研究，可能受限于样本选择和人类专家解释的一致性 | 自动化分析KOH涂片WSI，以快速准确检测真菌感染 | 568名疑似真菌性角膜炎患者的角膜刮片 | 数字病理学 | 真菌性角膜炎 | 双流多实例学习（DSMIL） | DSMIL | 图像 | 568名患者的角膜刮片 | NA | NA | NA | NA |
| 18598 | 2025-01-16 |
Frontal plane mechanical leg alignment estimation from knee x-rays using deep learning
2025-Mar, Osteoarthritis and cartilage open
DOI:10.1016/j.ocarto.2024.100551
PMID:39811691
|
研究论文 | 本研究开发并验证了一种深度学习模型，用于从膝关节前后位（AP）/后前位（PA）X光片中分类腿部对齐为“正常”或“错位”，使用可调的髋-膝-踝（HKA）角度阈值 | 该模型首次从膝关节X光片中分类腿部对齐，提供了一种实用的替代全腿X光片的方法 | 模型的性能依赖于X光片的质量和定位框架的使用 | 提高研究人群选择和患者管理的精确性 | 膝关节前后位（AP）/后前位（PA）X光片 | 计算机视觉 | 膝骨关节炎 | 深度学习 | 深度学习模型 | 图像 | 8878张数字X光片，包括6181张全腿X光片和2697张膝关节X光片 | NA | NA | NA | NA |
| 18599 | 2025-10-07 |
Predicting intraoperative 5-ALA-induced tumor fluorescence via MRI and deep learning in gliomas with radiographic lower-grade characteristics
2025-Feb, Journal of neuro-oncology
IF:3.2Q2
DOI:10.1007/s11060-024-04875-0
PMID:39560696
|
研究论文 | 本研究开发了一种基于MRI和深度学习的模型，用于预测具有影像学低级别特征的胶质瘤术中5-ALA诱导的肿瘤荧光 | 首次将预训练的U-Net模型与随机森林分类器结合，利用变分自编码器提取特征来预测胶质瘤荧光，为术前决策提供新方法 | 模型性能仍有提升空间，样本量相对有限（163例患者） | 分析深度学习模型是否能基于术前MRI预测胶质瘤术中荧光 | 163例胶质瘤患者（荧光组83例，非荧光组80例） | 医学影像分析 | 胶质瘤 | 磁共振成像（MRI） | CNN, 随机森林 | 医学影像 | 163例胶质瘤患者 | NA | U-Net, 变分自编码器（VAE） | 平衡准确率, 敏感性, 特异性 | NA |
| 18600 | 2025-10-07 |
A survey on deep learning in medical image registration: New technologies, uncertainty, evaluation metrics, and beyond
2025-Feb, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103385
PMID:39612808
|
综述 | 本文系统综述了深度学习在医学图像配准领域的最新进展，涵盖网络架构、损失函数、不确定性估计和评估指标 | 全面总结了深度学习在医学图像配准中的创新技术，包括新型网络架构、配准专用损失函数和不确定性估计方法 | 作为综述文章，主要整合现有研究而非提出原创方法 | 概述深度学习在医学图像配准领域的技术发展和应用前景 | 医学图像配准技术及其在医学影像中的应用 | 医学图像处理 | NA | 深度学习 | U-Net, 回归网络 | 医学图像 | NA | NA | U-Net | 配准评估指标 | NA |