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 33929 篇文献，本页显示第 1941 - 1960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1941 | 2025-10-29 |
DenseFormer-MoE: A Dense Transformer Foundation Model With Mixture of Experts for Multi-Task Brain Image Analysis
2025-Oct, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3551514
PMID:40085471
|
研究论文 | 提出一种结合密集卷积网络、视觉Transformer和专家混合的DenseFormer-MoE基础模型，用于多任务脑图像分析 | 首次将密集卷积网络、视觉Transformer和专家混合机制集成到脑图像分析基础模型中，通过动态专家选择解决多任务学习中的优化冲突问题 | 仅使用T1加权磁共振图像，未探索多模态脑影像数据 | 开发适用于多种下游任务的脑图像分析基础模型 | 脑部T1加权磁共振图像 | 计算机视觉 | 脑部疾病 | T1加权磁共振成像 | Transformer, CNN, MoE | 图像 | UK Biobank、ADNI、PPMI等多个知名脑成像数据集 | NA | DenseNet, Vision Transformer, Mixture of Experts | NA | NA |
| 1942 | 2025-10-29 |
Deep Learning to Differentiate Parkinsonian Syndromes Using Multimodal Magnetic Resonance Imaging: A Proof-of-Concept Study
2025-Oct, Movement disorders : official journal of the Movement Disorder Society
IF:7.4Q1
DOI:10.1002/mds.30300
PMID:40704399
|
研究论文 | 使用基于3D卷积神经网络的多模态MRI方法区分多系统萎缩和帕金森病 | 首次将多模态MRI数据（灰质密度图和平均扩散率图）与3D CNN结合用于帕金森综合征的自动鉴别诊断 | 样本量相对较小，仅包含156名患者；回顾性研究设计 | 开发基于深度学习的自动诊断工具，用于区分不同类型的帕金森综合征 | 多系统萎缩患者（MSA-P、MSA-C、MSA-PC变体）和帕金森病患者 | 医学影像分析 | 帕金森综合征 | 磁共振成像（MRI），包括T1加权序列和扩散张量成像 | CNN | 医学影像 | 156名患者（92名MSA患者，64名PD患者） | NA | 3D CNN | 准确率 | NA |
| 1943 | 2025-10-29 |
Video-Based Data-Driven Models for Diagnosing Movement Disorders: Review and Future Directions
2025-Oct, Movement disorders : official journal of the Movement Disorder Society
IF:7.4Q1
DOI:10.1002/mds.30327
PMID:40814940
|
综述 | 全面回顾了基于视频的数据驱动模型在运动障碍诊断中的应用现状并展望未来研究方向 | 系统分析了2006-2024年间视频模态运动障碍诊断模型的发展趋势，发现姿态估计方法日益流行，实时方法和端到端深度学习架构的应用增多 | 当前方法存在公共数据源有限、缺乏标准化指标和患者隐私问题等主要限制 | 探索基于视频的数据驱动模型在运动障碍诊断中的应用潜力 | 运动障碍患者，包括震颤、肌张力障碍、肌阵挛、舞蹈症、抽动症、帕金森病和共济失调 | 计算机视觉 | 运动障碍 | 视频分析 | 机器学习,深度学习 | 视频 | NA | NA | 端到端深度学习架构 | NA | NA |
| 1944 | 2025-10-29 |
Learning the syntax of plant assemblages
2025-Oct, Nature plants
IF:15.8Q1
DOI:10.1038/s41477-025-02105-7
PMID:41083838
|
研究论文 | 提出一种受大型语言模型启发的方法，通过学习植物群落中丰度排序的物种序列的'语法'来理解植物组合 | 首次将大型语言模型的思想应用于植物群落分析，能够捕捉跨生态系统的物种间潜在关联 | 研究范围仅限于欧洲及邻近国家的植物物种，未涉及全球其他地区的植物群落 | 开发能够预测物种组成和分类生境类型的方法，以支持生物多样性保护和恢复 | 欧洲及邻近地区的植物群落和物种组合 | 自然语言处理 | NA | 物种序列分析，群落生态学方法 | 神经网络，语言模型 | 物种丰度序列数据 | 覆盖10,000多种欧洲及邻近国家植物物种 | NA | 语言模型架构 | 准确率 | NA |
| 1945 | 2025-10-29 |
On the utility of virtual staining for downstream applications as it relates to task network capacity
2025-Oct-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.576061
PMID:41112785
|
研究论文 | 系统研究虚拟染色技术对下游临床应用效用的影响，特别关注任务网络容量的作用 | 首次系统研究虚拟染色对下游任务性能的影响，提出任务网络容量是决定虚拟染色效用的关键因素 | 研究基于特定生物数据集，结果可能受数据集特性影响 | 评估虚拟染色技术对下游临床任务（如分割和分类）的实际效用 | 生物医学图像数据 | 数字病理 | NA | 虚拟染色技术 | 深度学习图像到图像转换网络 | 生物医学图像 | NA | NA | NA | 分割性能, 分类性能 | NA |
| 1946 | 2025-10-29 |
A decision-making framework using MCTS as a hierarchical task network and deep learning connector
2025 Oct-Dec, Science progress
IF:2.6Q2
DOI:10.1177/00368504251386308
PMID:41117490
|
研究论文 | 提出一种结合分层任务网络和深度学习的知识引导数据驱动决策框架 | 使用蒙特卡洛树搜索作为分层任务网络与深度学习的连接器，实现人类规划知识与数据驱动的结合 | 仅在MiniRTS环境中进行验证，尚未在其他复杂决策场景测试 | 解决深度学习智能体在庞大决策空间中短期难以做出最优决策的问题 | 决策智能体 | 机器学习 | NA | 深度学习，蒙特卡洛树搜索 | 神经网络 | 游戏环境数据 | 仅需20%可用数据 | NA | NA | 决策质量 | NA |
| 1947 | 2025-10-29 |
Evaluation of a Mammography-based Deep Learning Model for Breast Cancer Risk Prediction in a Triennial Screening Program
2025-Oct, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250391
PMID:41147910
|
研究论文 | 评估基于乳腺X线摄影的深度学习模型Mirai在英国三年期筛查项目中预测乳腺癌风险的能力 | 首次在三年期乳腺癌筛查项目中系统评估深度学习风险预测模型对间期癌的预测性能 | 回顾性研究设计，仅包含两个筛查中心和两种主要乳腺X线摄影系统的数据 | 评估深度学习算法在三年期乳腺癌筛查中预测间期癌的能力 | 英国50-70岁参与三年期乳腺X线筛查的女性 | 数字病理 | 乳腺癌 | 数字乳腺X线摄影 | 深度学习 | 医学影像 | 134,217例检查（来自相同数量女性），包含524例间期癌 | NA | Mirai | AUC, C指数, 真阳性率 | NA |
| 1948 | 2025-10-29 |
Reducing False Alarms in Lung Cancer Screening: The Promise of Deep Learning
2025-Oct, Radiology
IF:12.1Q1
DOI:10.1148/radiol.252917
PMID:41147921
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1949 | 2025-10-29 |
DL-SDE: A deep learning framework for source depth estimation in shallow water using vertical linear array
2025-Oct-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0039667
PMID:41147943
|
研究论文 | 提出一种基于深度学习的浅水声源深度估计框架DL-SDE，通过多尺度卷积和残差多头自注意力模块捕捉垂直线阵中的声波干涉模式 | 首次将多尺度局部干涉模式与全局非均匀关系建模相结合，通过物理机制引导的深度学习框架解决水下声源深度估计问题 | 性能在100Hz以上频率和覆盖至少50%水柱的阵列深度时保持稳定，对更低频率或更浅阵列的适用性未验证 | 开发鲁棒且准确的水下声源深度估计方法 | 浅水环境中的水下声源 | 机器学习 | NA | 垂直线性阵列声学测量 | CNN, 自注意力机制 | 声学干涉模式数据 | NA | 深度学习框架 | 多尺度卷积模块, 残差多头自注意力模块 | 平均绝对误差, 可信定位概率 | NA |
| 1950 | 2025-10-29 |
Deep learning for automated boundary detection and segmentation in organ donation photography
2025-Sep, Innovative surgical sciences
IF:1.7Q2
DOI:10.1515/iss-2024-0022
PMID:40568340
|
研究论文 | 开发用于器官捐献摄影中肾脏和肝脏自动边界检测与分割的深度学习模型 | 首次在器官捐献摄影领域应用深度学习进行精确自动分割，比较了两种新颖模型(Detectron2和YoloV8)与传统背景去除工具的性能 | 研究仅针对肾脏和肝脏器官，未涉及其他器官类型 | 开发能够准确从背景中分割器官的深度学习模型，以支持医学摄影中的计算机视觉应用 | 肾脏和肝脏的器官捐献摄影图像 | 计算机视觉 | 器官移植 | 医学摄影 | 深度学习分割模型 | 图像 | 训练/内部验证集(821张肾脏图像和400张肝脏图像)，外部验证集(203张肾脏图像和208张肝脏图像) | Detectron2 | Detectron2, YoloV8 | IoU | NA |
| 1951 | 2025-10-29 |
External Test of a Deep Learning Algorithm for Pulmonary Nodule Malignancy Risk Stratification Using European Screening Data
2025-Sep, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250874
PMID:40956165
|
研究论文 | 本研究使用欧洲三大肺癌筛查试验数据对深度学习算法进行外部测试，评估其在肺结节恶性风险分层中的性能 | 首次在欧洲多中心筛查数据上对深度学习算法进行外部验证，并与PanCan模型进行对比 | 回顾性研究设计，数据来源于特定欧洲人群 | 评估深度学习算法在肺结节恶性风险分层中的外部验证性能 | 来自丹麦、意大利和荷兰-比利时肺癌筛查试验的参与者 | 医学影像分析 | 肺癌 | 低剂量CT筛查 | 深度学习算法 | CT影像 | 4146名参与者，7614个良性结节和180个恶性结节 | NA | NA | AUC, 敏感性, 假阳性率 | NA |
| 1952 | 2025-10-29 |
Radiomics and deep learning methods for predicting the growth of subsolid nodules based on CT images
2025-Aug-29, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000044104
PMID:40898494
|
研究论文 | 本研究通过结合影像组学和深度学习方法，基于CT图像预测亚实性肺结节的生长风险 | 首次将影像组学特征与深度学习模型通过基于ResNet的融合网络进行集成，显著提升了亚实性结节生长预测性能 | 回顾性研究设计，样本量相对有限（387个结节），需要多中心前瞻性验证 | 评估深度学习和影像组学方法在预测亚实性肺结节生长方面的临床应用价值 | 353名患者的387个亚实性肺结节 | 医学影像分析 | 肺癌 | CT成像 | 深度学习, 影像组学 | CT图像 | 387个亚实性肺结节（195个生长组，192个非生长组） | NA | ResNet18 | AUC, 决策曲线分析 | NA |
| 1953 | 2025-10-29 |
Artificial intelligence in joint arthroplasty: A bibliometric analysis of global research trends (2001-2025)
2025-Aug-29, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000044136
PMID:40898573
|
文献计量分析 | 通过文献计量分析探讨2001-2025年人工智能在关节置换领域的研究趋势和热点 | 首次系统分析人工智能在关节置换领域的全球研究趋势和发展脉络 | 仅基于Web of Science数据库，可能未涵盖所有相关文献 | 揭示人工智能在关节置换领域的研究重点和全球发展趋势 | 关节置换相关的人工智能研究文献 | 医学信息学 | 骨科疾病 | 文献计量分析 | NA | 文献数据 | 533篇出版物 | CiteSpace, VOSviewer, Scimago Graphica | NA | NA | NA |
| 1954 | 2025-10-29 |
On the Utility of Virtual Staining for Downstream Applications as it relates to Task Network Capacity
2025-Aug-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.04.668552
PMID:40799532
|
研究论文 | 系统研究虚拟染色技术对下游临床应用效用的影响，重点关注任务网络容量的作用 | 首次系统研究虚拟染色对下游任务性能的影响，并揭示任务网络容量在此过程中的关键作用 | 仅使用生物数据集进行实证评估，未涉及更广泛的临床场景 | 评估虚拟染色技术对下游生物或临床任务的实际效用 | 虚拟染色生成的合成荧光图像及其对分割和分类任务的影响 | 数字病理 | NA | 深度学习图像到图像转换 | NA | 图像 | NA | NA | NA | 分割性能, 分类性能 | NA |
| 1955 | 2025-10-29 |
Impact of Deep Learning-Based Image Conversion on Fully Automated Coronary Artery Calcium Scoring Using Thin-Slice, Sharp-Kernel, Non-Gated, Low-Dose Chest CT Scans: A Multi-Center Study
2025-Aug, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2025.0177
PMID:40527737
|
研究论文 | 评估基于深度学习的图像转换技术对使用薄层、锐利核、非门控、低剂量胸部CT扫描进行自动冠状动脉钙化评分的准确性影响 | 首次在多中心研究中利用深度学习技术将低剂量CT图像转换为模拟标准钙化评分CT图像，显著提升了自动钙化评分的准确性 | 研究为回顾性设计，样本量相对有限（225对图像），仅使用特定厂商的软件进行图像转换 | 提高低剂量胸部CT扫描在自动冠状动脉钙化评分中的准确性和临床应用价值 | 来自四个医疗机构的225对低剂量CT和钙化评分CT图像 | 医学影像分析 | 心血管疾病 | 深度学习图像转换，CT成像 | 深度学习模型 | 医学CT图像 | 225对来自四个医疗机构的LDCT和CSCT图像 | NA | NA | Bland-Altman分析，一致性相关系数（CCC），加权kappa统计量 | NA |
| 1956 | 2025-10-29 |
Deep Learning-based Hierarchical Brain Segmentation with Preliminary Analysis of the Repeatability and Reproducibility
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2023-0124
PMID:38960679
|
研究论文 | 开发基于深度学习的层次化脑部分割方法并评估其体积测量的可重复性和再现性 | 提出新型深度学习层次化脑部分割方法，能够在临床可行时间内分割107个脑部子区域 | 仅使用11名健康受试者的扫描-重扫描数据进行评估，样本量有限 | 评估深度学习脑部分割方法在体积测量中的可重复性和再现性 | 人脑T1加权磁共振图像 | 医学图像分析 | 脑部疾病 | T1加权磁共振成像 | 深度学习模型 | 3D医学图像 | 486名受试者用于训练，11名健康受试者用于评估 | NA | 层次化分割模型 | 可重复性, 再现性 | NA |
| 1957 | 2025-10-29 |
Utility of Thin-slice Fat-suppressed Single-shot T2-weighted MR Imaging with Deep Learning Image Reconstruction as a Protocol for Evaluating the Pancreas
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0017
PMID:38910138
|
研究论文 | 比较薄层脂肪抑制单次激发T2加权成像与深度学习图像重建和传统快速自旋回波T2加权成像在胰腺评估中的效用 | 首次将深度学习图像重建技术应用于薄层脂肪抑制单次激发T2加权成像，用于胰腺评估 | 回顾性研究设计，样本量较小（42例患者），仅针对胰腺癌患者 | 评估不同T2加权成像序列结合深度学习图像重建在胰腺成像中的性能 | 胰腺癌患者的MRI图像 | 医学影像分析 | 胰腺癌 | MRI（钆塞酸增强磁共振成像），T2加权成像，深度学习图像重建 | 深度学习 | 医学影像 | 42例胰腺癌患者（平均年龄70.2岁） | NA | NA | 信噪比，胰腺-病灶对比度，图像质量评分（5分制） | NA |
| 1958 | 2025-10-29 |
Thin-slice 2D MR Imaging of the Shoulder Joint Using Denoising Deep Learning Reconstruction Provides Higher Image Quality Than 3D MR Imaging
2025-Jul-31, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2023-0115
PMID:38777762
|
研究论文 | 比较薄层2D磁共振成像结合深度学习去噪重建与3D磁共振成像在肩关节成像中的图像质量 | 首次将并行成像、部分傅里叶技术和深度学习去噪重建结合应用于肩关节薄层2D成像，并与传统3D成像进行系统比较 | 样本量较小（仅18例患者），未详细说明深度学习模型的具体架构和训练细节 | 评估薄层2D脂肪饱和质子密度加权成像结合先进重建技术在肩关节成像中的临床应用价值 | 肩关节磁共振图像 | 医学影像分析 | 肌肉骨骼疾病 | 磁共振成像，深度学习重建 | 深度学习 | 医学影像 | 18例患者 | NA | NA | 变异系数，Likert量表评分，Gwet一致性系数 | NA |
| 1959 | 2025-10-29 |
On the Utility of Virtual Staining for Downstream Applications as it relates to Task Network Capacity
2025-Jul-31, ArXiv
PMID:40766889
|
研究论文 | 系统研究虚拟染色技术对下游临床任务效用的影响，重点关注任务网络容量的作用 | 首次系统分析虚拟染色对下游任务性能的影响，并揭示任务网络容量在此过程中的关键作用 | 研究基于生物数据集进行实证评估，可能受限于特定数据集特性 | 评估虚拟染色技术对下游临床任务（如分割和分类）的实际效用 | 生物医学图像及其下游分析任务 | 数字病理 | NA | 深度学习图像到图像转换 | 深度学习网络 | 无标记图像、虚拟染色图像、真实荧光图像 | NA | NA | 图像到图像转换网络 | 分割性能、分类性能 | NA |
| 1960 | 2025-06-05 |
Geometric Deep Learning for Multimodal Data in CKD
2025-Jun-03, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.0000000778
PMID:40459949
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |