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 36465 篇文献，本页显示第 1901 - 1920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1901 | 2025-12-03 |
Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks
2025-Aug, Zeitschrift fur medizinische Physik
IF:2.4Q2
DOI:10.1016/j.zemedi.2024.01.002
PMID:38302292
|
研究论文 | 提出一种基于上下文感知深度网络的增强直接联合衰减和散射校正方法，用于无CT或MR辅助的全身PET图像定量重建 | 通过上下文感知卷积核调制实现受试者和区域特异性滤波，以处理PET成像中的摄取变异，并利用大规模数据集（910例全身研究）进行训练 | 未明确说明模型在极端病理情况或罕见解剖变异下的泛化能力 | 开发一种无需结构信息（如CT或MR）的直接衰减和散射校正方法，以提高PET图像的定量准确性 | 全身PET图像 | 医学影像分析 | NA | PET成像 | CNN | 图像 | 910例全身研究 | NA | 上下文感知卷积网络 | 绝对相对误差, 相对误差 | NA |
| 1902 | 2025-12-03 |
Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI
2025-Jul-14, ArXiv
PMID:40709302
|
研究论文 | 本研究利用基于Swin Transformer的深度学习框架，结合多壳层扩散MRI数据，旨在支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 首次将Swin Transformer应用于多壳层扩散MRI数据，并集成低秩适应技术以在有限标记神经影像数据上高效微调模型 | 研究在数据有限的生物医学环境中进行，可能影响模型的泛化能力 | 支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常个体 | 计算机视觉 | 阿尔茨海默病 | 多壳层扩散MRI | Transformer | 图像 | 未明确说明具体样本数量 | PyTorch | Swin Transformer | 平衡准确率 | NA |
| 1903 | 2025-12-03 |
Multicycle Dosimetric Behavior and Dose-Effect Relationships in [177Lu]Lu-DOTATATE Peptide Receptor Radionuclide Therapy
2025-Jun-02, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.269389
PMID:40274371
|
研究论文 | 本研究探讨了[177Lu]Lu-DOTATATE肽受体放射性核素治疗在转移性神经内分泌肿瘤中的多周期剂量学行为及剂量-效应关系，旨在为个性化剂量引导治疗提供策略 | 首次系统分析了多周期治疗中肿瘤与肾脏的剂量学模式变化，并建立了基于估计肾小球滤过率的剂量-效应预测模型 | 样本量较小（30例患者），且肿瘤吸收剂量与疗效指标无显著关联 | 开发个性化剂量学引导的肽受体放射性核素治疗策略 | 转移性神经内分泌肿瘤患者 | 数字病理学 | 神经内分泌肿瘤 | SPECT/CT成像、蒙特卡洛剂量率模拟、深度学习分割 | 深度学习算法 | 医学影像（CT、SPECT、MRI） | 30例患者（22例完成全周期成像） | NA | NA | RECIST、改良RECIST、[Ga]Ga-DOTATATE PET标准、估计肾小球滤过率 | NA |
| 1904 | 2025-12-03 |
Boltz-1 Democratizing Biomolecular Interaction Modeling
2025-May-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.19.624167
PMID:39605745
|
研究论文 | 本文介绍了开源深度学习模型Boltz-1，该模型在预测生物分子复合物3D结构方面达到了AlphaFold3级别的精度，并提出了新的推理时间引导技术Boltz-steering | 提出了创新的模型架构、速度优化和数据处理方法，实现了与最先进商业模型相当的预测精度，并开发了能修正模型幻觉和非物理预测的Boltz-steering技术 | 未在摘要中明确说明 | 推动生物分子相互作用建模的民主化，为药物发现和蛋白质设计等领域提供强大工具 | 生物分子复合物的3D结构 | 结构生物学 | NA | 深度学习 | 深度学习模型 | 生物分子结构数据 | 未在摘要中明确说明 | 未在摘要中明确说明 | Boltz-1 | 结构预测精度 | 未在摘要中明确说明 |
| 1905 | 2025-12-03 |
scRegulate: Single-Cell Regulatory-Embedded Variational Inference of Transcription Factor Activity from Gene Expression
2025-May-05, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.17.649372
PMID:40654959
|
研究论文 | 本文提出了scRegulate，一种基于变分推断的生成式深度学习框架，用于从单细胞RNA测序数据中推断转录因子活性和基因调控网络 | 通过整合结构化生物先验知识与概率潜在空间模型，scRegulate能够捕捉新颖、动态和上下文特异的调控相互作用，超越了依赖确定性假设和静态数据库的现有方法 | 未明确提及具体局限性，但可能依赖于先验调控网络的准确性以及模型对数据噪声的敏感性 | 开发一个可扩展且生物可解释的框架，用于从单细胞RNA测序数据中准确推断转录因子活性和基因调控网络 | 单细胞RNA测序数据中的转录因子活性和基因调控网络 | 计算生物学 | NA | 单细胞RNA测序 | 变分自编码器 | 基因表达数据 | 多个公共实验和合成数据集，包括Perturb-seq数据集和PBMC单细胞RNA测序数据 | PyTorch | 变分推断模型 | AUROC, AUPRC, 平均log2倍数变化 | 未明确指定，但提及了可扩展性 |
| 1906 | 2025-12-03 |
Physics-informed deep learning for infectious disease forecasting
2025-Apr-29, ArXiv
PMID:39876937
|
研究论文 | 本研究提出了一种基于物理信息神经网络（PINN）的新型传染病预测模型，通过将疾病传播的动力学系统表示融入损失函数，结合流行病学理论和数据，以改进预测能力 | 将物理信息神经网络（PINN）应用于传染病预测，通过整合动力学系统表示和协变量子网络，防止过拟合并提升预测准确性 | 模型仅在加州州级COVID-19数据上进行了验证，未在其他地区或疾病上广泛测试 | 改进传染病预测方法，以更好地应对未来大流行病 | 传染病传播动态，特别是COVID-19的病例数、死亡数和住院数 | 机器学习 | 传染病 | 物理信息神经网络（PINN） | PINN, RNN, LSTM, GRU, Transformer | 时间序列数据 | 加州州级COVID-19数据 | NA | 物理信息神经网络（PINN），包含协变量子网络 | 预测一致性，与基准模型比较 | NA |
| 1907 | 2025-12-03 |
One-click image reconstruction in single-molecule localization microscopy via deep learning
2025-Apr-18, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.13.648574
PMID:40376092
|
研究论文 | 本文介绍了AutoDS和AutoDS3D两种基于深度学习的软件，用于单分子定位超分辨率显微镜数据的自动重建，显著减少了人工干预 | 通过自动从原始成像数据中提取实验参数，减少了模型训练中的人工调参需求，并优化了计算效率，实现了单点击图像重建 | 未明确提及模型的泛化能力在极端实验条件下的表现或潜在的数据偏差问题 | 开发自动化软件以简化单分子定位超分辨率显微镜的图像重建过程，提高成像通量和减少人工干预 | 单分子定位超分辨率显微镜数据，特别是复杂生物样本的成像数据 | 计算机视觉 | NA | 单分子定位超分辨率显微镜 | 深度神经网络 | 图像 | NA | NA | Deep-STORM, DeepSTORM3D | NA | NA |
| 1908 | 2025-12-03 |
MEF2C controls segment-specific gene regulatory networks that direct heart tube morphogenesis
2025-Mar-27, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.01.621613
PMID:39554149
|
研究论文 | 本文通过单核RNA测序和ATAC测序技术，结合深度学习模型，研究了转录因子MEF2C在早期心脏管形态发生中调控的基因调控网络，揭示了其在心脏节段特异性发育中的作用 | 首次整合多组学数据于深度学习模型中，构建了心脏流出道、心室和流入道节段的发育轨迹，并识别了MEF2C依赖的节段特异性增强子 | 研究主要基于小鼠胚胎模型，结果在人类或其他物种中的普适性有待验证，且深度学习模型的解释性可能有限 | 解析早期心脏管形态发生中由MEF2C控制的节段特异性基因调控网络 | 野生型和MEF2C缺失型小鼠胚胎的心脏组织 | 计算生物学 | 心脏发育异常 | 单核RNA测序, ATAC测序 | 深度学习模型 | 基因组学数据, 表观基因组学数据 | 野生型和MEF2C缺失型胚胎的时间序列样本 | NA | NA | NA | NA |
| 1909 | 2025-12-03 |
Automated Segmentation of MRI White Matter Hyperintensities in 8421 Patients with Acute Ischemic Stroke
2024-Dec-09, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8418
PMID:39013565
|
研究论文 | 本研究开发并验证了深度学习算法，用于在急性缺血性卒中患者中自动分割白质高信号病变，使用了来自9个中心的8421名患者的多中心数据集 | 首次在急性缺血性卒中患者中，利用大规模多中心MRI数据集（8421名患者）开发深度学习算法进行白质高信号自动分割，并引入了基于Kullback-Leibler散度的不确定性指数来识别分割不准确的病例 | 研究中使用的2D UNet和SE-UNet模型在内部测试和外部验证中的Dice相似系数略低于人工分割的可靠性（DSC=0.744），表明算法性能仍有提升空间，且不确定性指数在部分患者中较高，可能需要人工复核 | 开发并验证深度学习算法，以在急性缺血性卒中患者中准确分割白质高信号病变，解决因卒中相关病变模糊白质高信号边界而导致的复杂分割问题 | 8421名急性缺血性卒中患者，来自韩国的9个医疗中心 | 数字病理学 | 心血管疾病 | MRI, FLAIR序列 | CNN | 图像 | 8421名患者的FLAIR MRI图像，其中2408张来自3家医院用于训练，6013张来自6家医院用于验证 | NA | UNet, SE-UNet | Dice相似系数, 相关系数, 一致性相关系数 | NA |
| 1910 | 2025-12-03 |
Improving laryngeal cancer detection using chaotic metaheuristics integration with squeeze-and-excitation resnet model
2024-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-024-00296-5
PMID:39006830
|
研究论文 | 本文提出了一种结合混沌元启发式算法与SE-ResNet模型的高效喉癌检测方法 | 通过混沌自适应麻雀搜索算法优化SE-ResNet超参数，并结合极限学习机进行分类，提升了喉癌检测的准确性和效率 | 未提及方法在更大规模或多样化数据集上的泛化能力，以及计算资源消耗的具体分析 | 提高喉癌的早期检测准确率，减少计算复杂性和筛查时间 | 喉部区域图像 | 计算机视觉 | 喉癌 | 深度学习 | CNN | 图像 | 基准喉部区域图像数据库（具体数量未提及） | NA | Squeeze-and-Excitation ResNet, 极限学习机 | 准确性 | NA |
| 1911 | 2025-12-03 |
A transfer learning enabled approach for ocular disease detection and classification
2024-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-024-00293-8
PMID:38868156
|
研究论文 | 本研究提出了一种名为Ocular Net的新型深度学习模型，用于从眼部图像中检测和分类白内障、糖尿病性视网膜病变、葡萄膜炎和青光眼等眼部疾病 | 提出了一种结合迁移学习、平均池化层、Clipped ReLU和Leaky ReLU等多种层结构的新型Ocular Net模型，并在大型眼部图像数据集上实现了高精度疾病分类 | 未明确说明模型在外部验证集或临床环境中的泛化能力，以及数据集中各类别样本的具体分布情况 | 开发一种高精度的深度学习模型，用于眼部疾病的自动检测和分类 | 眼部疾病图像（白内障、糖尿病性视网膜病变、葡萄膜炎、青光眼）及正常眼部图像 | 计算机视觉 | 眼部疾病 | 深度学习，数据增强 | CNN | 图像 | 6200张患者双眼图像（4000张训练，2200张测试） | 未明确说明 | Ocular Net（自定义架构） | 准确率，损失值 | NA |
| 1912 | 2025-12-03 |
Predicting Therapeutic Response to Hypoglossal Nerve Stimulation Using Deep Learning
2024-Dec, The Laryngoscope
DOI:10.1002/lary.31609
PMID:38934474
|
研究论文 | 本研究开发并验证了基于药物诱导睡眠内窥镜图像的机器学习和深度学习模型，用于预测舌下神经刺激器植入的治疗效果 | 首次利用深度学习模型从药物诱导睡眠内窥镜图像中预测舌下神经刺激器的治疗效果，特别是发现腭咽部图像具有更高的预测准确性 | 研究为单中心数据，样本量相对有限，需要多机构数据来开发更具泛化性的预测模型 | 预测舌下神经刺激器植入的治疗效果，以改善患者选择 | 接受药物诱导睡眠内窥镜检查和舌下神经刺激器植入的患者 | 数字病理学 | 睡眠呼吸暂停 | 药物诱导睡眠内窥镜 | 深度学习, 机器学习 | 图像 | 127名患者的25,040张图像 | NA | VGG-16 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1913 | 2025-12-03 |
Pix2HDR - A Pixel-Wise Acquisition and Deep Learning-Based Synthesis Approach for High-Speed HDR Videos
2024-Dec, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2024.3410140
PMID:38837925
|
研究论文 | 本文提出了一种结合像素级采样和深度学习的高动态范围视频合成方法，用于高速视频采集 | 采用像素级可变曝光和相位偏移采样模式，而非传统的帧级多曝光方法，结合端到端深度学习权重转换，实现高时空分辨率且减少运动模糊 | NA | 解决高速高动态范围视频采集中的动态范围和运动模糊问题 | 动态场景中的视频数据 | 计算机视觉 | NA | 像素级可编程图像传感器采样 | 深度神经网络 | 视频 | NA | NA | NA | NA | NA |
| 1914 | 2025-12-03 |
Harbor seal whiskers optimization algorithm with deep learning-based medical imaging analysis for gastrointestinal cancer detection
2024-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-024-00294-7
PMID:38764569
|
研究论文 | 本文提出了一种基于海豹胡须优化算法与深度学习的医学影像分析技术，用于胃肠道癌症检测 | 结合了海豹胡须优化算法（HSWOA）与Xception模型进行特征提取，并采用飞蛾火焰优化算法（MFO）优化XGBoost模型的参数，形成了一种新的混合优化框架 | 实验仅在Kvasir数据库上进行验证，缺乏多中心、大规模的外部验证，且未详细讨论模型的计算复杂度和实时性 | 开发一种高效的医学影像分析技术，以实现胃肠道癌症的早期检测与诊断 | 胃肠道医学影像（如CT、内镜、MRI、超声、PET等图像） | 计算机视觉 | 胃肠道癌症 | 医学影像分析（包括CT、内镜、MRI、超声、PET） | CNN, XGBoost | 图像 | 使用Kvasir数据库，具体样本数量未明确说明 | 未明确指定，但涉及深度学习与机器学习优化算法 | Xception | 未明确列出具体指标，但提及了最佳可能解决方案的比较 | NA |
| 1915 | 2025-12-03 |
DeepEMC-T2 mapping: Deep learning-enabled T2 mapping based on echo modulation curve modeling
2024-Dec, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.30239
PMID:39129209
|
研究论文 | 本文提出了一种基于深度学习的方法DeepEMC-T2 mapping，用于从多回波自旋回波图像中高效估计准确的T2图 | 开发了基于改进U-Net的深度学习版本EMC-T2映射方法，无需繁琐的逐像素字典匹配步骤，并引入了多项新特征以提高T2和质子密度估计的准确性 | 研究主要基于特定采集参数和方向的MESE数据集，虽然评估了不同扫描参数和方向的泛化性，但可能仍需在更广泛的数据集和临床场景中进一步验证 | 开发一种高效、准确的T2量化方法，以简化多回波自旋回波成像中的T2弛豫时间估计 | 多回波自旋回波成像数据，用于估计T2弛豫时间和质子密度图 | 医学影像分析 | NA | 多回波自旋回波成像 | 深度学习 | 医学影像 | 124个MESE数据集（67个用于网络训练和评估，57个用于评估泛化性） | NA | 改进的U-Net | T2估计误差, PD估计误差 | NA |
| 1916 | 2025-12-03 |
New developments in the application of artificial intelligence to laryngology
2024-Dec-01, Current opinion in otolaryngology & head and neck surgery
IF:1.9Q2
DOI:10.1097/MOO.0000000000000999
PMID:39146248
|
综述 | 本文综述了人工智能在喉科学中的应用，总结了最新进展并指出了当前实施中的障碍 | 强调了人工智能在喉科学中的新兴应用，如声学生物标志物用于疾病筛查、深度学习分析喉镜视频识别病变，以及自动分割视频荧光镜检测误吸 | 现有研究大多缺乏大规模和多样化的数据集、外部验证以及一致的参考标准，这限制了结果的普适性 | 总结人工智能技术在喉科学中的应用现状，并探讨其临床转化潜力 | 喉科学相关的诊断、筛查和数据分析 | 自然语言处理, 计算机视觉 | 喉部疾病 | NA | 深度学习 | 视频, 音频 | NA | NA | NA | NA | NA |
| 1917 | 2025-12-03 |
Automated Field of Interest Determination for Quantitative Ultrasound Analyses of Cervical Tissues: Toward Real-time Clinical Translation in Spontaneous Preterm Birth Risk Assessment
2024-12, Ultrasound in medicine & biology
|
研究论文 | 本研究开发了一种自动确定宫颈超声感兴趣区域的方法，以替代手动绘制，促进定量超声技术在早产风险评估中的临床转化 | 首次提出使用深度学习模型自动确定宫颈超声的感兴趣区域，替代传统的手动绘制方法，提高了处理效率并减少了人为误差 | 研究基于特定数据集，可能未涵盖所有临床变异情况，且自动方法的泛化能力需进一步验证 | 评估自动与手动感兴趣区域在定量超声分析中的一致性，推动实时临床应用的实现 | 527名孕妇的宫颈超声数据 | 医学影像分析 | 早产 | 定量超声 | 深度学习模型 | B模式超声图像 | 527名孕妇 | NA | NA | 像素准确率, Dice系数, 皮尔逊相关系数 | NA |
| 1918 | 2025-12-03 |
SELFNet: Denoising Shear Wave Elastography Using Spatial-temporal Fourier Feature Networks
2024-12, Ultrasound in medicine & biology
|
研究论文 | 本文提出了一种基于物理信息深度学习的剪切波弹性成像去噪方法SELFNet，用于估计和去噪粒子位移信号 | 引入了空间-时间随机傅里叶特征在物理信息神经网络框架中，通过稀疏映射增强鲁棒性，并结合控制方程进行正则化，同时学习剪切模量的映射 | 方法在有限采集条件下评估，需成功转化才能扩展至临床应用 | 开发一种去噪剪切波弹性成像的方法，以提高组织刚度估计的准确性 | 组织模拟幻影中的病变和离体组织 | 医学影像处理 | 癌症或肝脏疾病 | 剪切波弹性成像 | 物理信息神经网络 | 粒子位移信号 | NA | 物理信息神经网络框架 | SELFNet | 相对ℓ2误差, 重建均方根误差 | NA |
| 1919 | 2025-12-03 |
Accelerated 2D radial Look-Locker T1 mapping using a deep learning-based rapid inversion recovery sampling technique
2024-Dec, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.5266
PMID:39358992
|
研究论文 | 本研究开发了一种基于深度学习加速的T1映射框架，用于在单次屏气期间实现高效的腹部覆盖 | 结合快速T1恢复曲线采样、选择性反转、优化的切片交错以及基于CNN的T1估计，显著缩短了采样时间 | NA | 开发一种高效的腹部T1映射方法，以克服临床中屏气时间和T1恢复时间的限制 | 腹部器官的T1映射 | 医学影像分析 | NA | T1映射，快速T1恢复曲线采样，切片选择性反转 | CNN | 医学影像数据 | NA | NA | 卷积神经网络 | Pearson相关系数，重复性系数，变异系数 | NA |
| 1920 | 2025-12-03 |
HIV-1 M group subtype classification using deep learning approach
2024-Dec, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109218
PMID:39369547
|
研究论文 | 本研究提出了首个基于深度学习的HIV-1 M群亚型分类方法HIV-1-M-SPBEnv，通过env基因序列实现高精度亚型鉴定 | 首次将深度学习应用于HIV-1 M群亚型分类，并采用人工分子进化技术生成适用于机器学习的合成数据集以克服样本量限制 | 未明确说明模型在其他HIV基因区域或病毒群组中的泛化能力 | 开发高精度的HIV-1 M群病毒亚型自动分类工具 | HIV-1 M群病毒的env基因序列 | 生物信息学 | HIV感染 | 基因测序 | 自编码器, 全连接神经网络 | DNA序列数据 | 通过人工分子进化技术生成的合成数据集（具体数量未说明） | 未明确说明 | 卷积自编码器（包含两个残差块和两个转置残差块） | 精确度, 准确率, 召回率, F1分数 | 未明确说明 |