深度学习在生物医药领域中的应用
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，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10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 23714 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1901 | 2025-04-13 |
qlty: handling large tensors in scientific imaging deep-learning workflows
2024-Sep, Software impacts
IF:1.3Q3
DOI:10.1016/j.simpa.2024.100696
PMID:40206204
|
research paper | 介绍了一个名为qlty的工具包，用于处理科学成像中深度学习工作流程中的大型张量数据 | 提出了一个专门用于处理超出标准GPU内存容量的大型体积数据集的工具包qlty，通过张量管理技术实现有效训练和推理 | 未提及具体的性能对比实验或与其他工具的比较 | 解决科学成像中深度学习工作流程中大型张量数据处理的问题 | 大型体积数据集 | computer vision | NA | NA | NA | image | NA |
| 1902 | 2025-04-13 |
Multiscale Computational and Artificial Intelligence Models of Linear and Nonlinear Composites: A Review
2024-May, Small science
IF:11.1Q1
DOI:10.1002/smsc.202300185
PMID:40213577
|
综述 | 本文综述了多尺度建模方法在硬质和软质复合材料中的应用，包括分子动力学模拟、有限元分析和机器学习/深度学习替代模型 | 综述了最新的多尺度建模方法，包括无网格方法、混合机器学习和有限元模型，以及非线性本构材料模型 | 计算资源可用性、模型保真度和可重复性方面的限制 | 为读者提供复合材料多尺度建模研究和开发的未来趋势的清晰展望 | 硬质（聚合物、金属、纱线、纤维、纤维增强聚合物和聚合物基复合材料）和软质（如脑白质[BWM]等生物组织）复合材料 | 机器学习 | NA | 分子动力学模拟、有限元分析、机器学习/深度学习 | 分子动力学、有限元、机器学习/深度学习替代模型 | 数值模拟和大量实验结果 | NA |
| 1903 | 2025-04-13 |
Development and Validation of a Deep Learning Algorithm to Differentiate Colon Carcinoma From Acute Diverticulitis in Computed Tomography Images
2023-01-03, JAMA network open
IF:10.5Q1
|
研究论文 | 开发并验证了一种深度学习算法，用于在CT图像中区分结肠癌和急性憩室炎 | 提出了一种3D卷积神经网络(CNN)模型，能够显著提高放射科医生在区分结肠癌和急性憩室炎方面的诊断准确性 | 研究样本仅包括2005年至2020年间接受手术的患者，可能无法代表所有病例 | 开发并评估能够区分结肠癌和急性憩室炎的AI支持系统 | 结肠癌和急性憩室炎患者 | 数字病理学 | 结肠癌/急性憩室炎 | 3D卷积神经网络 | 3D CNN | CT图像 | 585名患者(267例AD，318例CC) |
| 1904 | 2025-04-12 |
Tracking protein kinase targeting advances: integrating QSAR into machine learning for kinase-targeted drug discovery
2025-Dec, Future science OA
IF:2.4Q3
DOI:10.1080/20565623.2025.2483631
PMID:40181786
|
综述 | 本文探讨了定量构效关系（QSAR）模型在激酶药物发现中的应用，重点介绍了将传统QSAR与机器学习（ML）和结构数据相结合的进展 | 深度学习增强的QSAR在自动特征提取和捕捉复杂关系方面具有创新性，超越了传统QSAR方法 | 强调了可解释性和实验验证对于临床转化的重要性 | 提高激酶靶向药物设计的效率和准确性 | 蛋白激酶及其选择性抑制剂 | 机器学习 | NA | 定量构效关系（QSAR）、机器学习（ML）、深度学习 | CNN、RNN | 结构数据、实验数据 | NA |
| 1905 | 2025-04-12 |
Leveraging multi-modal feature learning for predictions of antibody viscosity
2025-Dec, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2490788
PMID:40214197
|
研究论文 | 本文报告了一种多模态特征学习工作流程在预测治疗性抗体粘度中的应用 | 整合了多种数据源，包括序列、结构、物理化学性质以及语言模型的嵌入，使模型能够从分子模拟的物理化学规则和大型预训练深度学习模型捕获的蛋白质进化模式中学习 | 未提及具体样本量或实验验证的局限性 | 预测治疗性抗体的粘度，以解决皮下给药制剂的高粘度问题 | 治疗性抗体 | 机器学习 | NA | 多模态特征学习 | 深度学习模型 | 序列、结构、物理化学性质数据 | NA |
| 1906 | 2025-04-12 |
Simulation of a Free Boundary Cell Migration Model through Physics Informed Neural Networks
2025-Jul, Journal of the mechanical behavior of biomedical materials
IF:3.3Q3
DOI:10.1016/j.jmbbm.2025.106961
PMID:40058062
|
研究论文 | 本研究通过物理信息神经网络模拟了具有移动边界的迁移细胞中的一维肌动球蛋白流动 | 使用物理信息神经网络解决具有移动边界的复杂生物物理问题，无需合成数据进行训练 | 模型仅针对一维情况，未扩展到更高维度 | 理解单细胞迁移的复杂机制 | 迁移细胞中的肌动球蛋白流动 | 计算生物学 | NA | 物理信息神经网络 | PINN(物理信息神经网络) | 数值模拟数据 | NA |
| 1907 | 2025-03-04 |
Corrigendum to "A case for the use of deep learning algorithms for individual and population level assessments of mental health disorders: Predicting depression among China's elderly" [J. Affect. Disord. Volume 369, 15 January 2025, Pages 329-337]
2025-Jun-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.02.070
PMID:40024843
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1908 | 2025-04-12 |
Predicting postoperative prognosis in clear cell renal cell carcinoma using a multiphase CT-based deep learning model
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04593-1
PMID:39311948
|
研究论文 | 评估基于CT图像的深度学习模型在预测透明细胞肾细胞癌患者术后预后中的价值 | 提出了一种基于三期CT图像的深度学习模型，并与Leibovich评分结合，显著提高了预测性能 | 研究为回顾性设计，样本量相对较小，且未进行外部验证 | 预测透明细胞肾细胞癌患者的术后预后 | 382名透明细胞肾细胞癌患者 | 数字病理学 | 肾细胞癌 | CT成像 | ResNet50, ELM | 图像 | 382名患者（训练集229名，测试集153名） |
| 1909 | 2025-04-12 |
Improving Accuracy and Reproducibility of Cartilage T2 Mapping in the OAI Dataset Through Extended Phase Graph Modeling
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29646
PMID:39467097
|
研究论文 | 本研究通过扩展相位图（EPG）建模提高了骨关节炎倡议（OAI）数据集中软骨T2映射的准确性和可重复性 | 首次将EPG建模应用于OAI数据集，解决了传统单指数模型忽略刺激回波和B1不均匀性的问题 | 研究样本量相对较小（100名受试者），且为回顾性研究 | 评估不同拟合方法（包括基于EPG和基于指数的方法）对OAI数据集中软骨T2准确性和可重复性的影响 | OAI数据集中的受试者膝关节软骨 | 医学影像分析 | 骨关节炎 | Multi-Echo Spin-Echo (MESE)序列，扩展相位图（EPG）建模 | 非线性最小二乘法、字典匹配、深度学习 | 医学影像数据 | 100名受试者（50名骨关节炎患者和50名健康对照） |
| 1910 | 2024-11-07 |
Editorial for "Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy"
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29637
PMID:39501638
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1911 | 2025-04-12 |
Development of a Dual-Plane MRI-Based Deep Learning Model to Assess the 1-Year Postoperative Outcomes in Lumbar Disc Herniation After Tubular Microdiscectomy
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29639
PMID:39501646
|
研究论文 | 开发一种基于双平面MRI的深度学习模型，用于评估腰椎间盘突出症患者接受管状显微椎间盘切除术后的1年预后效果 | 首次将术前双平面MRI的深度学习特征与临床特征相结合，用于评估管状显微椎间盘切除术的1年预后效果 | 研究为回顾性设计，可能存在选择偏倚；外部验证集的样本量相对较小 | 评估深度学习模型在预测腰椎间盘突出症手术预后中的应用价值 | 接受管状显微椎间盘切除术的腰椎间盘突出症患者 | 数字病理学 | 腰椎间盘突出症 | MRI (T2加权序列) | ResNet50, ResNet101, ResNet152 | 图像 | 548名患者（训练集305名，内部验证集131名，外部验证集112名） |
| 1912 | 2025-04-12 |
Evaluation of SR-DLR in low-dose abdominal CT: superior image quality and noise reduction
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04686-x
PMID:39560744
|
research paper | 评估超分辨率深度学习重建（SR-DLR）在低剂量腹部CT成像中的效果，与混合迭代重建（HIR）和传统深度学习重建（cDLR）算法进行比较 | SR-DLR在噪声纹理和分辨率方面优于cDLR，提供了更优的图像质量和噪声降低 | 研究样本量较小（35名患者），且为回顾性分析 | 评估不同图像重建算法在低剂量腹部CT成像中的效果 | 低剂量腹部CT扫描图像 | 数字病理 | NA | 超分辨率深度学习重建（SR-DLR），混合迭代重建（HIR），传统深度学习重建（cDLR） | 深度学习 | CT图像 | 35名患者的腹部CT扫描数据 |
| 1913 | 2025-04-12 |
Development and Validation of a Deep Learning System to Differentiate HER2-Zero, HER2-Low, and HER2-Positive Breast Cancer Based on Dynamic Contrast-Enhanced MRI
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29670
PMID:39643475
|
研究论文 | 开发并验证了一种基于动态对比增强MRI（DCE-MRI）的深度学习系统，用于自动分割肿瘤并分类HER2-zero、HER2-low和HER2-positive状态的乳腺癌 | 首次使用深度学习系统（ResNetGN）基于DCE-MRI数据自动分割肿瘤并分类HER2状态，填补了此前研究在深度学习应用上的不确定性 | 研究为回顾性设计，可能存在选择偏差，且样本仅来自三个中心，可能影响模型的泛化能力 | 开发一种自动化工具，通过DCE-MRI数据在术前区分乳腺癌的HER2表达状态，以指导治疗决策 | 1294名乳腺癌患者（训练集811例，内部测试集204例，外部测试集279例）的DCE-MRI数据 | 数字病理学 | 乳腺癌 | 动态对比增强MRI（DCE-MRI） | ResNetGN | MRI图像 | 1294例乳腺癌患者（训练集811例，内部测试集204例，外部测试集279例） |
| 1914 | 2025-04-12 |
Deep learning algorithm classification of tympanostomy tube images from a heterogenous pediatric population
2025-May, International journal of pediatric otorhinolaryngology
IF:1.2Q3
DOI:10.1016/j.ijporl.2025.112311
PMID:40096786
|
研究论文 | 本研究评估了一种基于深度学习算法的AI技术，用于通过家用数字耳镜图像分类儿童鼓膜置管状态 | 首次在异质性儿科人群中验证了基于消费级数字耳镜图像的深度学习算法对鼓膜置管状态的分类能力 | 排除了有鼓膜成形术或胆脂瘤病史的患者，样本量相对较小(69名儿童) | 评估AI算法通过数字耳镜图像准确判断鼓膜置管状态(在位通畅/脱出/缺失)的能力 | 10个月至10岁有鼓膜置管史的儿科患者 | 数字病理 | 儿科耳科疾病 | 深度学习 | 深度学习算法(未指定具体架构) | 图像 | 69名儿童产生的296张耳镜图像 |
| 1915 | 2025-03-23 |
Correction to: Application of deep learning models for accurate classification of fluid collections in acute necrotizing pancreatitis on computed tomography: a multicenter study
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04836-9
PMID:40116891
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1916 | 2025-04-12 |
Application of deep learning techniques for breath-hold, high-precision T2-weighted magnetic resonance imaging of the abdomen
2025-May, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04675-0
PMID:39535616
|
research paper | 评估基于深度学习的PIQE算法在高精度单次激发快速自旋回波(SS-FSE)序列中用于腹部T2加权磁共振成像的可行性，并与标准SS-FSE和多激发(MS)-FSE序列进行比较 | 首次将深度学习算法PIQE应用于高精度SS-FSE序列，显著提高了图像质量和诊断能力 | 研究设计为单中心回顾性研究，且缺乏病理学确认 | 评估深度学习算法在腹部MRI中的临床应用价值 | 腹部MRI图像质量 | digital pathology | NA | MRI, 深度学习 | PIQE算法 | 医学影像 | 105例接受腹部MRI检查的患者 |
| 1917 | 2025-04-12 |
Editorial for "Development and Validation of a Deep Learning System to Differentiate HER2-Zero, HER2-Low, and HER2-Positive Breast Cancer Based on Dynamic Contrast-Enhanced MRI"
2025-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29697
PMID:39776259
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1918 | 2025-04-12 |
A new multimodal medical image fusion framework using Convolution Neural Networks
2025-Apr-11, Journal of medical engineering & technology
DOI:10.1080/03091902.2025.2488827
PMID:40214199
|
研究论文 | 提出了一种基于卷积神经网络的多模态医学图像融合新框架 | 优化卷积层数量并选择适当的激活函数，采用三层卷积层和swish激活函数提取输入图像的显著特征，使用逐元素融合规则防止医学图像关键细节丢失 | NA | 开发一种高效的医学图像融合方法以减少医学诊断时间 | 多模态医学图像 | 数字病理学 | NA | 深度学习 | CNN | 图像 | NA |
| 1919 | 2025-04-12 |
ERAS and the challenge of the new technologies
2025-Apr-11, Minerva anestesiologica
IF:2.9Q2
DOI:10.23736/S0375-9393.25.18746-4
PMID:40214219
|
research paper | 本文探讨了人工智能（AI）和新技术（NTs）在加速康复外科（ERAS）协议中的应用及其潜力 | 提出将AI和NTs整合到ERAS协议中，以解决实施挑战并改善患者护理 | 需要外部验证和数据安全方面的进一步研究 | 探索AI和NTs如何优化ERAS协议，提升围手术期医疗效果 | 围手术期医疗中的患者护理和ERAS协议实施 | machine learning | NA | machine learning, deep learning | NA | NA | NA |
| 1920 | 2025-04-12 |
Biological characteristics prediction of endometrial cancer based on deep convolutional neural network and multiparametric MRI radiomics
2025-Apr-11, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04929-5
PMID:40214699
|
研究论文 | 本研究结合多参数MRI、深度学习和机器学习，开发了一种优化的放射组学方案，用于预测子宫内膜癌的多种生物学特征 | 结合多参数MRI、深度学习和机器学习，开发了一种优化的放射组学方案，用于预测子宫内膜癌的多种生物学特征，并在多个预测任务中表现出色 | 回顾性研究，样本量相对较小（201例患者），可能存在选择偏差 | 预测子宫内膜癌的生物学特征，包括肌层浸润、淋巴血管间隙浸润、组织学分级和雌激素受体状态 | 201例子宫内膜癌患者 | 数字病理学 | 子宫内膜癌 | 多参数MRI、放射组学 | 深度卷积神经网络（CNN） | MRI图像 | 201例子宫内膜癌患者 |