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 36434 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 | 2025-12-02 |
Ultraviolet-induced fluorescence mapping of facial porphyrin and sebum using deep-learning segmentation
2025-Nov-20, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2025.105294
PMID:41274329
|
研究论文 | 本研究评估并比较了两种深度学习方法（UNet和pix2pix）在面部紫外线诱导荧光图像中自动分割卟啉和皮脂的应用 | 首次在面部卟啉和皮脂的紫外线荧光分割任务中，系统比较了传统分割网络（UNet）与生成对抗网络（pix2pix）两种深度学习方法 | 数据集多样性有限（仅49名受试者），且未在临床级成像系统上进行验证 | 评估和比较深度学习方法在面部紫外线诱导荧光图像中自动分割卟啉和皮脂的性能 | 面部紫外线诱导荧光图像中的卟啉和皮脂区域 | 计算机视觉 | 痤疮 | 紫外线诱导荧光成像 | CNN, GAN | 图像 | 49名受试者的294张面部荧光图像 | NA | UNet, pix2pix | 交并比, Dice系数 | NA |
| 1902 | 2025-12-02 |
Clinical-Grade Interpretable Artificial Intelligence Tool for Automated Detection of Lymph Node Metastasis in Prostate Cancer
2025-Nov-10, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2025.100934
PMID:41223994
|
研究论文 | 本研究开发了一种临床级可解释人工智能工具，用于自动检测前列腺癌淋巴结转移 | 提出了一种利用有限标注数据集的新型AI模型，通过从无标签数据中识别并纳入最具信息量的实例进行迭代误差校正来优化学习轨迹 | 模型性能依赖于数据质量，且验证数据主要来自学术医疗中心，可能需在更广泛临床环境中进一步验证 | 开发一种准确、高效且可解释的AI工具，用于自动检测前列腺癌淋巴结转移，以辅助病理诊断 | 前列腺癌患者的淋巴结组织 | 数字病理学 | 前列腺癌 | 深度学习 | 深度学习模型 | 全切片图像 | 787张全切片图像和超过2000个淋巴结组织 | NA | NA | AUC, 敏感性, 特异性 | NA |
| 1903 | 2025-12-02 |
Application of Deep Learning for Advanced Detection and Quantification of Drusen in Nonexudative AMD From Retinal Multispectral Imaging
2025-Nov-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.11.35
PMID:41268988
|
研究论文 | 提出了一种基于深度学习的新方法，利用视网膜多光谱图像进行早期年龄相关性黄斑变性中玻璃膜疣的检测和量化 | 首次将深度学习模型应用于视网膜多光谱图像，利用多个非重叠光谱波段特征进行玻璃膜疣的自动检测和量化 | 样本量较小（170张玻璃膜疣和150张非玻璃膜疣视网膜图像），且仅针对单眼图像进行分析 | 开发一种自动检测和量化早期年龄相关性黄斑变性中玻璃膜疣的方法 | 早期非渗出性年龄相关性黄斑变性患者的视网膜多光谱图像 | 计算机视觉 | 年龄相关性黄斑变性 | 视网膜多光谱成像 | CNN | 图像 | 170张玻璃膜疣和150张非玻璃膜疣视网膜图像（单眼） | NA | UNet++, EfficientNetV2 | Dice系数, 召回率, 精确率, 像素级分割准确率 | NA |
| 1904 | 2025-12-02 |
Generative Artificial Intelligence for Retinal Image Translation to Improve Glaucoma Screening With Deep Learning
2025-Nov-03, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.14.11.36
PMID:41268987
|
研究论文 | 本研究利用生成对抗网络将扫描激光检眼镜图像转换为合成彩色眼底照片，以提升深度学习模型在青光眼筛查中的检测性能 | 首次应用CycleGAN将SLO眼底图像转换为合成CF照片，以解决数据域偏移问题并扩大训练数据集，从而优化青光眼自动检测 | 研究仅使用单一类型的SLO图像进行转换，未探索其他成像模态；合成图像的质量对模型性能的影响需进一步验证 | 通过图像转换技术改善青光眼的自动化筛查准确率 | 扫描激光检眼镜（SLO）图像和彩色眼底（CF）照片 | 计算机视觉 | 青光眼 | 扫描激光检眼镜成像 | GAN | 图像 | 16,936张SLO眼底照片 | NA | CycleGAN | AUC, 灵敏度 | NA |
| 1905 | 2025-12-02 |
DLMUSE: Robust Brain Segmentation in Seconds Using Deep Learning
2025-Nov, Radiology. Artificial intelligence
DOI:10.1148/ryai.240299
PMID:40960397
|
研究论文 | 介绍一种开源深度学习脑部分割模型DLMUSE，用于全自动脑部MRI分割，实现快速分割并促进大规模神经影像研究 | 开发了一个开源深度学习模型，分割速度比参考方法快10,000倍以上，性能与最先进方法相当，并提供了用户友好的Web界面 | 研究为回顾性，训练数据主要基于多图谱分割方法生成，可能存在标签偏差 | 实现快速、准确的脑部MRI全自动分割，以支持大规模神经影像研究 | 脑部MRI扫描图像 | 医学影像分析 | 阿尔茨海默病 | MRI | CNN | 图像 | 训练集1900个MRI扫描，验证集71,391个扫描来自14项研究 | NA | NA | Dice相似系数, Pearson相关系数, 平均绝对误差, 准确率, F1分数 | NA |
| 1906 | 2025-10-31 |
Correspondence on 'Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings'
2025-Nov, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2025.105880
PMID:41161129
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1907 | 2025-12-02 |
A comprehensive benchmarking of the AlphaFold3 for predicting biomacromolecules and their interactions
2025-Nov-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf616
PMID:41313605
|
研究论文 | 本文对AlphaFold3在预测生物大分子及其相互作用方面的性能进行了全面的基准测试 | 首次对AlphaFold3进行了全面的第三方基准测试，涵盖了九种不同的生物分子数据集，并与多种现有方法进行了系统比较 | 研究仅基于现有数据集进行基准测试，未涉及AlphaFold3在真实世界应用中的泛化能力和计算效率 | 评估AlphaFold3在预测生物大分子结构及其相互作用方面的性能 | 蛋白质单体、孤儿蛋白、替代构象、蛋白质多聚体、肽-蛋白质复合物、抗原-抗体复合物、RNA、RNA多聚体、蛋白质-核酸复合物 | 计算生物学 | NA | 深度学习 | AlphaFold3, AlphaFold2, AlphaFold-Multimer, RoseTTAFoldNA, RhoFold+, NuFold, trRosettaRNA | 生物分子结构数据 | 九个不同的数据集 | NA | AlphaFold系列架构 | TM-score, 局部距离差异测试分数, 相互作用网络保真度分数 | NA |
| 1908 | 2025-12-02 |
Progression and prospects of machine learning techniques in nanotoxicology: riding the AI-driven wave
2025-Nov, Toxicology mechanisms and methods
IF:2.8Q2
DOI:10.1080/15376516.2025.2536659
PMID:40717503
|
综述 | 本文系统总结了机器学习在纳米毒理学中的应用、挑战及未来前景 | 探讨了机器学习，特别是深度学习网络，在预测纳米颗粒毒性方面的潜力，并提出了整合其他计算方法以改进毒性评估的可能性 | 机器学习面临训练数据有限、模型可解释性问题以及纳米材料-生物相互作用复杂性等挑战 | 评估机器学习技术在纳米毒理学领域的应用，以改进纳米颗粒毒性评估方法 | 纳米颗粒及其在生态环境中的分布与毒性 | 机器学习 | NA | 机器学习，深度学习 | 深度学习网络 | 数据集 | NA | NA | NA | NA | NA |
| 1909 | 2025-12-02 |
Advanced deep learning for automatic classification of fired bullets from standard-issue firearms
2025-Nov, Science & justice : journal of the Forensic Science Society
IF:1.9Q3
DOI:10.1016/j.scijus.2025.101335
PMID:41320451
|
研究论文 | 本研究探索深度学习用于自动分类标准制式枪支发射的子弹标记，以提高法医枪支检验的准确性和减少主观性 | 采用三种不同的图像预处理策略（全景成像、LEA分割和线条分割）并结合预训练的ResNet50网络，实现了对高度相似子弹膛线标记的高精度分类，其中LEA分割策略表现最佳 | 研究仅基于中国执法机构常用的六种标准制式枪支的6000枚子弹数据集，可能未涵盖所有枪支类型或变异情况 | 通过AI驱动的解决方案提高法医枪支检验的效率和准确性，减少主观判断不一致的问题 | 从六种标准制式枪支发射的6000枚子弹 | 计算机视觉 | NA | BalScan系统全景成像 | CNN | 图像 | 6000枚子弹 | TensorFlow, PyTorch, Keras | ResNet50 | 分类准确率 | NA |
| 1910 | 2025-12-02 |
Ark+: Supervised training a single high-performance AI foundation model from many differently labeled datasets-no label consolidation required
2025-Oct-29, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103828
PMID:41319624
|
研究论文 | 本文提出了一种名为Ark的监督学习框架，能够在不进行标签统一的情况下，利用多个异构标注的公开数据集训练单一高性能AI基础模型 | 提出Ark框架，首次实现了无需人工标签统一即可聚合多个异构标注数据集进行监督训练，突破了跨数据集标签异质性的长期障碍 | NA | 开发一种能够利用多个公开异构标注数据集训练单一高性能AI基础模型的方法 | 胸部X光片（CXRs）和眼底摄影图像 | 医学影像分析 | 肺部疾病（包括肺炎等） | 深度学习 | 基础模型 | 图像 | Ark5使用335,484张CXRs，Ark6使用704,363张CXRs | PyTorch | 多种架构（具体未指定） | 分类、分割、定位任务的性能评估，性别偏差分析 | NA |
| 1911 | 2025-12-02 |
Hippocampal grey matter changes across scales in Alzheimer's Disease
2025-Oct-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.15.682705
PMID:41280080
|
研究论文 | 本研究利用ADNI数据集，通过深度学习模型分析阿尔茨海默病和轻度认知障碍患者海马体的宏观结构（如厚度和脑回）与微观结构变化 | 采用迭代训练范式调整现有深度学习模型，以捕捉老年及海马退化个体的海马拓扑结构，并首次结合宏观与微观结构变化，揭示AD和MCI中扩散方向与平均扩散系数的空间非重叠性 | 研究依赖于ADNI数据集，样本可能具有选择性偏差；未探讨其他神经退行性疾病的影响；深度学习模型的泛化能力需进一步验证 | 探究阿尔茨海默病和轻度认知障碍中海马体宏观与微观结构的变化特征 | 阿尔茨海默病患者、轻度认知障碍患者及健康老年对照个体 | 数字病理学 | 阿尔茨海默病 | 扩散MRI，深度学习 | 深度学习模型 | MRI图像，扩散张量数据 | ADNI数据集中的AD、MCI患者及健康对照个体 | NA | NA | NA | NA |
| 1912 | 2025-12-02 |
GhostFold: Accurate protein structure prediction using structure-constrained synthetic coevolutionary signals
2025-Oct-14, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.13.682177
PMID:41279404
|
研究论文 | 提出一种名为GhostFold的方法，可从单一氨基酸序列生成结构约束的合成多序列比对，用于高精度蛋白质结构预测 | 无需传统同源搜索，利用蛋白质语言模型和结构字母表生成具有折叠一致性的合成序列，解决了同源序列稀少蛋白质的结构预测难题 | 未明确说明方法对特定结构类型（如膜蛋白）的适用性，且合成序列的进化合理性有待进一步验证 | 开发不依赖深度多序列比对的蛋白质结构预测方法 | 孤儿蛋白质、高变抗体环等难以通过传统方法预测结构的蛋白质 | 计算结构生物学 | NA | 蛋白质语言模型（ProstT5）、3Di结构字母表 | 深度学习模型 | 氨基酸序列、结构表示 | NA | NA | AlphaFold2 | pLDDT | 计算轻量级（具体资源未说明） |
| 1913 | 2025-12-02 |
High-Risk Carotid Lesion Segmentation: Advancing Stroke Risk Detection With Deep Learning
2025-Oct-14, Journal of endovascular therapy : an official journal of the International Society of Endovascular Specialists
IF:1.7Q2
DOI:10.1177/15266028251381672
PMID:41321026
|
研究论文 | 本研究探讨了使用人工智能软件PRAEVAorta2在CT血管造影上自动分割颈动脉斑块的可行性，并比较了有症状与无症状患者斑块成分的差异 | 引入了AI工具PRAEVAorta2来自动分割和量化颈动脉斑块成分，超越传统狭窄分级，提供更细致的斑块易损性评估 | 血栓分割的Dice相似系数较低（0.33），表明该成分的自动分割性能有待提升 | 评估AI在颈动脉病变分割中的可行性，并比较有症状与无症状患者斑块成分的差异 | 颈动脉斑块 | 数字病理 | 心血管疾病 | CT血管造影 | 深度学习 | 图像 | 156名患者（81个有症状病变，75个无症状病变） | NA | NA | 敏感性, 特异性, Dice相似系数, 体积相似性 | NA |
| 1914 | 2025-12-02 |
Uncovering the Mechanistic Landscape of Regulatory DNA with Deep Learning
2025-Oct-08, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.07.681052
PMID:41278958
|
研究论文 | 本文提出了一种结合深度学习和可解释AI的计算框架SEAM，用于解析调控DNA的机制景观并评估基因突变的功能影响 | 开发了SEAM框架，首次系统性地将深度学习和可解释AI结合，能够识别功能结合位点、区分突变对结合位点的不同影响（保留/破坏/创建），并发现调控信号存在突变稳健型和易重编程型两种类型 | 未明确说明模型在哪些具体调控位点类型上的泛化能力，也未提供大规模验证数据 | 解析调控DNA的机制逻辑，评估非编码区基因突变的功能影响，并指导合成序列设计 | 人类和其他物种的调控基因座（regulatory loci） | 机器学习 | NA | 深度学习，可解释AI | 深度学习模型 | DNA序列数据 | NA | NA | NA | NA | NA |
| 1915 | 2025-12-02 |
Glomerular Segmentation, Classification, and Pathomic Feature-based Prediction of Clinical Outcomes in Minimal Change Disease and Focal Segmental Glomerulosclerosis
2025-Oct-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.01.25336172
PMID:41282794
|
研究论文 | 本研究应用计算图像分析自动化分割和分类肾小球，并提取非硬化肾小球的亚视觉病理特征以评估其临床相关性 | 利用深度学习模型自动化分割和分类肾小球，并从非硬化肾小球中提取亚视觉病理特征用于预测临床结局，揭示了传统评估中未被充分认识的预后信息 | 研究仅基于特定染色（PAS）的WSI图像，且模型在%SS的评估上一致性仅为中等（ICC=0.592），非硬化肾小球病理特征的预测性能相对有限（iAUCs约0.66-0.68） | 自动化评估肾小球硬化并探索非硬化肾小球的病理特征与临床结局（疾病进展和蛋白尿缓解）的关联 | 局灶节段性肾小球硬化症和微小病变病的肾小球 | 数字病理学 | 肾脏疾病 | PAS染色全切片图像分析 | 深度学习模型 | 图像 | 基于NEPTUNE/CureGN队列的PAS染色WSI图像，具体样本数量未在摘要中明确 | NA | NA | ICC, iAUC | NA |
| 1916 | 2025-12-02 |
Physics-Informed Machine Learning in Biomedical Science and Engineering
2025-Oct-06, ArXiv
PMID:41281212
|
综述 | 本文综述了物理信息机器学习在生物医学科学与工程中的应用，重点介绍了PINNs、NODEs和神经算子三类框架 | 系统性地将参数化物理定律与数据驱动方法相结合，为复杂生物医学系统建模提供了可解释且高效的范式 | 存在不确定性量化、泛化能力以及与大型语言模型整合等开放挑战 | 探讨物理信息机器学习在生物医学领域的应用潜力与发展方向 | 生物固体与流体力学、力学生物学、医学成像、生理系统、药代动力学、细胞信号传导等多尺度生物医学系统 | 机器学习 | NA | NA | 物理信息神经网络, 神经常微分方程, 神经算子 | NA | NA | NA | PINNs, NODEs, NOs | NA | NA |
| 1917 | 2025-12-02 |
Diffusion model-based contrast-enhanced CT synthesis for breast cancer radiotherapy: Pursuing contrast-free imaging
2025 Oct-Dec, Science progress
IF:2.6Q2
DOI:10.1177/00368504251399577
PMID:41308043
|
研究论文 | 本研究开发了一种基于扩散模型的深度学习框架，用于从非对比增强CT合成对比增强CT图像，以探索其在乳腺癌放疗中的应用效果 | 提出了一种新颖的基于扩散模型的图像到图像转换方法（SynDiff），在乳腺癌放疗中实现从非对比增强CT到对比增强CT的合成，相比传统生成对抗网络模型（如Pix2Pix、CycleGAN、RegGAN）表现出更优性能 | 样本量相对有限（共194例患者），且外部验证队列仅包含18例患者，可能影响模型的泛化能力评估 | 开发并评估深度学习模型在乳腺癌放疗中从非对比增强CT合成对比增强CT图像的应用效果，以追求无对比剂成像 | 乳腺癌患者的非对比增强CT和对比增强CT图像对 | 计算机视觉 | 乳腺癌 | CT成像 | 扩散模型, GAN | 医学图像（CT） | 194例患者（176例来自医院一，18例来自医院二），分为训练队列（122例）、内部测试队列（54例）和外部验证队列（18例） | NA | SynDiff, Pix2Pix, CycleGAN, RegGAN | PSNR, SSIM, NMAE | NA |
| 1918 | 2025-12-02 |
Artificial intelligence-augmented ultrasound diagnosis of follicular-patterned thyroid neoplasms: a multicenter retrospective study
2025-Aug, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2025.103351
PMID:40697959
|
研究论文 | 本研究开发并验证了一种基于深度学习（OverLoCK模型）的超声诊断系统，用于术前区分良恶性滤泡型甲状腺肿瘤 | 开发了新颖的OverLoCK（Overview-first-Look-Closely-next ConvNet with Context-Mixing Dynamic Kernels）模型，并首次在多中心、大规模回顾性研究中验证了深度学习系统在滤泡型甲状腺肿瘤术前诊断中的应用价值 | 研究为回顾性设计，需要在真实世界临床环境中进行前瞻性研究以进一步验证 | 开发并验证一种基于深度学习的超声诊断系统，以提高滤泡型甲状腺肿瘤的术前诊断准确性，减少不必要的手术干预 | 滤泡型甲状腺肿瘤患者，包括甲状腺滤泡腺瘤、滤泡癌和滤泡亚型乳头状甲状腺癌 | 数字病理 | 甲状腺癌 | 超声成像 | CNN | 图像 | 3817名患者（9393张超声图像），来自中国11个中心 | NA | OverLoCK | AUC, 准确率, 灵敏度, 特异度, 阳性预测值, 阴性预测值, F1分数 | NA |
| 1919 | 2025-12-02 |
Mapping the Evolution of Thyroid Ultrasound Research: A 30-year Bibliometric Analysis
2025, Current medical imaging
IF:1.1Q3
|
综述 | 本文通过文献计量学方法，系统梳理了甲状腺超声研究30年的发展历程，识别了发展趋势、研究热点和新兴前沿 | 首次对甲状腺超声研究领域进行了长达30年的系统性文献计量分析，并利用VOSviewer和CiteSpace工具揭示了合作网络、参考文献时间线及关键词突现 | 分析仅基于Web of Science核心合集中的英文文献，可能遗漏其他语言或数据库的重要研究 | 通过文献计量分析，绘制甲状腺超声研究的演变图谱，识别发展趋势、研究热点和新兴前沿 | 1994年至2023年间Web of Science核心合集收录的甲状腺超声相关英文文章和综述 | 医学影像分析 | 甲状腺疾病 | 文献计量分析 | NA | 文献元数据 | 8,489篇文献 | VOSviewer, CiteSpace | NA | NA | NA |
| 1920 | 2025-12-02 |
Enhancing Bangla handwritten character recognition using Vision Transformers, VGG-16, and ResNet-50: a performance analysis
2025, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2025.1682984
PMID:41322980
|
研究论文 | 本文通过比较Vision Transformer、VGG-16和ResNet-50在孟加拉语手写字符识别任务上的性能，展示了ViT在捕获全局上下文和长距离依赖方面的优势 | 首次在孟加拉语手写字符识别任务中应用Vision Transformer，并实现了98.26%的当前最佳准确率，超越了传统CNN架构 | 研究仅使用了CMATERdb 3.1.2数据集，未在其他数据集上验证模型的泛化能力；未讨论计算资源消耗和模型推理速度 | 比较不同深度学习架构在孟加拉语手写字符识别任务上的性能，探索Transformer架构在该领域的应用潜力 | 孟加拉语手写字符图像 | 计算机视觉 | NA | NA | Vision Transformer, CNN | 图像 | 24,000张图像，涵盖50个基本孟加拉语字符 | NA | Vision Transformer, VGG-16, ResNet-50 | 准确率 | NA |