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 37404 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2025-12-29 |
Effective transfer of tumor annotations from hematoxylin and eosin to fluorescence images of breast and lung tissues
2026-Jan, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.31.1.016501
PMID:41451238
|
研究论文 | 本文提出了一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到荧光图像中，以支持深度学习模型开发 | 开发了一种结合非刚性图像配准、轮廓提取与细化的半自动注释转移方法，用于从H&E到荧光图像的准确标注迁移 | 该方法不适用于术中实时使用，仅用于辅助创建标注数据集；样本量相对较小（35个组织样本） | 开发一种半自动方法，实现从H&E图像到荧光图像的肿瘤注释准确转移，以促进深度学习模型的训练数据生成 | 乳腺癌和肺癌组织样本的H&E图像与MUSE荧光图像对 | 数字病理学 | 乳腺癌,肺癌 | 显微镜紫外表面激发成像 | CNN | 图像 | 35个乳腺癌和肺癌组织样本 | NA | NA | Dice系数,基于CNN的特征相似度,归一化Hausdorff距离 | NA |
| 2 | 2025-12-29 |
Continuous sPatial-temporal deformable image registration and 4D frame interpolation
2026-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70248
PMID:41452345
|
研究论文 | 本文提出了一种基于隐式神经表示的连续时空可变形图像配准方法，用于提高放疗中解剖运动建模的准确性和效率 | 利用隐式神经表示连续建模患者解剖运动，统一欧拉和拉格朗日规范，实现自然连续运动建模和帧插值 | 未明确说明模型在极端解剖变化或噪声数据下的鲁棒性，以及临床大规模验证的缺乏 | 开发一种保持时空连续性的可变形图像配准模型，以改善放疗中解剖变化分析和运动模式处理 | DIR-Lab数据集和Abdominal-DIR-QA数据集中的医学图像 | 计算机视觉 | NA | 可变形图像配准，隐式神经表示，帧插值 | 多层感知机网络 | 医学图像 | DIR-Lab数据集和Abdominal-DIR-QA数据集 | NA | 隐式神经表示 | 目标配准误差，Dice系数，平均绝对误差，峰值信噪比 | NA |
| 3 | 2025-12-29 |
Application of deep learning in evaluating the anatomical relationship between the mandibular third molar and inferior alveolar nerve: A scoping review
2026-Jan-01, Medicina oral, patologia oral y cirugia bucal
DOI:10.4317/medoral.27584
PMID:41108775
|
综述 | 本文是一篇范围综述，旨在识别和比较用于下颌第三磨牙手术放射学评估的深度学习模型 | 首次对应用于下颌第三磨牙与下牙槽神经解剖关系评估的深度学习模型进行了全面的范围综述，并比较了不同AI模型的性能、成像模态和临床适用性 | 纳入研究在数据集大小、验证程序和性能指标方面存在显著差异，突出了模型泛化能力的不一致性 | 识别和比较用于下颌第三磨牙手术放射学评估的深度学习模型，并评估其临床适用性 | 使用全景X光片和锥形束计算机断层扫描（CBCT）图像进行AI分析的下颌第三磨牙研究 | 数字病理学 | NA | 全景X光摄影，锥形束计算机断层扫描（CBCT） | CNN | 图像 | 从948篇文章中筛选出16篇符合纳入标准的研究，具体样本量因研究而异 | NA | U-Net | 准确率，灵敏度，特异性 | NA |
| 4 | 2025-12-29 |
Global and local information-based prostate image registration of prostate-specific membrane antigen PET/CT and enhanced MRI
2026-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70232
PMID:41454834
|
研究论文 | 本研究提出了一种基于全局和局部信息的深度学习网络GLNet，用于融合PSMA PET/CT和增强MRI图像，以提高前列腺癌的诊断准确性 | 提出了GLNet网络，该网络结合了语义门控卷积模块和基于U形通道的卷积长短期记忆网络，以整合PSMA PET/CT的功能语义特征和MRI的高分辨率软组织细节，从而同时利用全局腺体信息和局部肿瘤区域信息进行图像配准 | 研究样本量相对较小（77例临床病例），且依赖于临床活检验证，可能限制了模型的泛化能力 | 提高前列腺癌病灶的诊断准确性，通过精确融合PSMA PET/CT和增强MRI这两种互补的影像数据 | 前列腺癌患者的PSMA PET/CT和对比增强MRI图像 | 数字病理 | 前列腺癌 | PSMA PET/CT，对比增强MRI | 深度学习网络 | 医学影像（PET/CT，MRI） | 77例临床病例（经两位经验丰富的医师通过临床活检验证），数据增强后用于训练和验证244例，测试64例 | NA | U-CLSTM，包含语义门控卷积模块 | Dice相似系数，HD95，平均对称表面距离，负雅可比比例，精确率，召回率，F1分数 | NA |
| 5 | 2025-12-29 |
A survival prediction model for leptomeningeal metastasis patients with non-small cell lung cancer based on deep learning
2025-Dec-28, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-15503-z
PMID:41455921
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6 | 2025-12-29 |
Application of Noise2Inverse and adaptation (Noise2Phase) to single-mask x-ray phase contrast micro-computed tomography
2025-Dec-27, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70056
PMID:41454755
|
研究论文 | 本文探讨了将深度学习去噪技术Noise2Inverse及其改进版本Noise2Phase应用于单掩模X射线相位对比显微CT中，以降低曝光时间需求 | 提出了Noise2Phase方法，该方法利用成像系统特性，无需按投影分割CT数据集，从而优化了去噪流程 | 未明确说明方法在极端噪声水平下的具体性能限制或适用范围 | 旨在通过集成深度学习去噪技术，减少单掩模边缘照明XPCI显微CT的曝光时间，提高成像效率 | 弱衰减材料样本的3D成像 | 计算机视觉 | NA | 单掩模边缘照明X射线相位对比成像，显微CT | 深度学习 | 图像 | NA | NA | Noise2Inverse, Noise2Phase | NA | NA |
| 7 | 2025-12-29 |
Leveraging vision transformer for histological grade prediction in laryngeal and hypopharyngeal squamous cell carcinoma: a large-scale multicenter study
2025-Dec-27, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03876-8
PMID:41454919
|
研究论文 | 本研究开发了一种基于增强CT的Vision Transformer模型，用于无创评估喉及下咽鳞状细胞癌的组织学分级 | 首次将预训练的Vision Transformer模型应用于喉及下咽鳞状细胞癌的增强CT图像分析，以预测组织学分级，并通过大规模多中心数据验证了其性能 | 研究为回顾性设计，可能存在选择偏倚；外部验证队列样本量相对较小 | 开发非侵入性方法预测喉及下咽鳞状细胞癌的组织学分级，以辅助预后评估 | 喉及下咽鳞状细胞癌患者 | 计算机视觉 | 喉癌 | 对比增强CT扫描 | Vision Transformer, XGBoost | 医学图像 | 1648名患者（训练队列1239人，内部验证队列310人，外部验证队列99人） | NA | Vision Transformer | AUC, 决策曲线分析, 校准曲线 | NA |
| 8 | 2025-12-29 |
Comprehensive framework of machine learning and deep learning architectures with metaheuristic optimization for high-fidelity prediction of nanofluid specific heat capacity
2025-Dec-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28268-z
PMID:41455692
|
研究论文 | 本研究开发了一个结合机器学习和深度学习架构的框架，通过元启发式优化方法高保真预测纳米流体的比热容 | 采用堆叠集成技术结合线性回归作为元学习器，并应用粒子群优化和灰狼优化等元启发式算法优化超参数，同时引入基于多项式/傅里叶展开和自动编码器的数据增强策略 | NA | 优化纳米流体在工程和工业应用中的性能，通过预测其比热容 | 纳米流体样本 | 机器学习 | NA | NA | 多层感知机, CatBoost, LightGBM | 实验数据 | 1269个实验纳米流体样本 | NA | 多层感知机 | R²分数, 均方误差, 均方根误差 | NA |
| 9 | 2025-12-29 |
Real-time monitoring system for early stroke detection based on fog computing and enhanced deep learning techniques
2025-Dec-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28513-5
PMID:41455702
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10 | 2025-12-29 |
Hydraulic support pressure prediction via deep learning with multilevel temporal feature integration
2025-Dec-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-13089-x
PMID:41455725
|
研究论文 | 本研究提出了一种结合LSTM和PatchTST的深度学习方法，用于预测煤矿液压支架压力 | 提出了一种LSTM-PatchTST预测方法，通过多维特征依赖融合，利用LSTM捕获短期波动和长期趋势，PatchTST模块同时建模局部细节和全局依赖，实现了深层特征融合 | NA | 准确预测液压支架压力以确保煤矿安全 | 煤矿液压支架压力数据 | 机器学习 | NA | 皮尔逊相关分析，高斯移动平均滤波 | LSTM, Transformer | 时间序列数据 | 来自山东枣庄付村煤矿和河南义马耿村煤矿的实际压力数据 | NA | LSTM, PatchTST | RMSE, MAE | NA |
| 11 | 2025-12-29 |
Graph attention-based heterogeneous multi-agent deep reinforcement learning for adaptive portfolio optimization
2025-Dec-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32408-w
PMID:41455760
|
研究论文 | 提出了一种基于图注意力机制的异构多智能体深度强化学习框架，用于自适应投资组合优化 | 创新性地整合了图神经网络与异构智能体架构，通过图注意力网络建模时变资产关联性，并采用三种专业化智能体分别处理风险评估、收益预测和市场环境感知 | 未明确说明模型在极端市场事件（如金融危机）中的表现，且实验仅限于美国三大股指数据集 | 解决传统投资组合优化方法在捕捉复杂资产关系和适应动态市场条件方面的局限性 | 金融资产投资组合 | 机器学习 | NA | 深度强化学习 | GNN, 深度强化学习 | 金融时间序列数据 | S&P 500、NASDAQ 100和Russell 2000三个数据集 | NA | 图注意力网络（GAT） | 年化收益率（16.8%）、夏普比率（1.34）、最大回撤（8.2%） | NA |
| 12 | 2025-12-29 |
Low-SNR and BER reduction in UWOC systems using DESN and CNN-TCN deep learning models
2025-Dec-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31837-x
PMID:41455766
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13 | 2025-12-29 |
Multimodal deep learning for cancer prognosis prediction with clinical information prompts integration
2025-Dec-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02257-y
PMID:41455823
|
研究论文 | 本文提出了一种名为SurvPGC的多模态深度学习模型，用于整合病理图像、基因组数据和临床记录以预测癌症预后 | 通过文本模板和基础模型将临床信息转化为高维向量，并利用交叉注意力模块实现多模态数据整合，有效捕捉模态特异性特征 | 未明确说明模型在外部验证或不同癌症类型中的泛化能力，且临床信息处理可能受限于数据稀疏性和离散性 | 提高癌症生存预测的准确性，以指导治疗和评估疗效 | 癌症患者的多模态数据，包括病理图像、基因组数据和临床记录 | 数字病理学 | 癌症 | 多模态深度学习 | 深度学习模型 | 图像, 基因组数据, 文本 | 三个癌症基因组图谱数据集，具体样本数量未明确 | NA | 交叉注意力模块 | 注意力可视化，具体评估指标未明确 | NA |
| 14 | 2025-12-29 |
Automated deep learning pipeline for callosal angle quantification
2025-Dec-27, Fluids and barriers of the CNS
IF:5.9Q1
DOI:10.1186/s12987-025-00750-w
PMID:41456015
|
研究论文 | 本研究开发了一个全自动深度学习框架，用于从原始T1 MPRAGE扫描中直接量化胼胝体角，以辅助常压性脑积水的诊断 | 提出了一个结合了关键解剖标志点检测和脑室分割的互补模块的全自动、鲁棒的深度学习流程，用于直接测量胼胝体角，其性能不受患者年龄、性别或Evans指数的影响 | 研究未明确提及在更广泛、更多样化的外部数据集上的泛化能力测试，也未讨论对图像质量不佳或存在严重病理改变的病例的处理能力 | 开发一个全自动、可靠的深度学习框架，以克服常压性脑积水诊断中手动影像分析耗时且主观的局限性 | 常压性脑积水患者的脑部T1 MPRAGE MRI扫描图像 | 数字病理学 | 常压性脑积水 | T1 MPRAGE MRI扫描 | 深度学习 | 3D MRI图像 | 内部验证使用巴尔的摩纵向衰老研究和BIOCARD数据集；外部验证使用来自约翰霍普金斯湾景医院和PENS试验的376例临床MRI扫描 | NA | BrainSignsNET, UNet with EfficientNetB0 encoder | 相关系数, 平均绝对误差 | NA |
| 15 | 2025-12-29 |
Deep Learning Radiomics Based on Preoperational Ultrasound Images for Predicting Ipsilateral Ischemic Stroke in Patients with Carotid Artery Stenting: A Multicenter Study
2025-Dec-26, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.006
PMID:41455622
|
研究论文 | 本研究开发并验证了一个结合临床、影像组学和深度学习特征的整合模型，用于预测颈动脉支架植入术后长期同侧缺血性卒中风险 | 首次将临床特征、影像组学特征和深度学习特征整合到一个模型中，用于预测颈动脉支架植入术后的长期卒中风险，并在多中心数据中进行了验证 | 研究为回顾性设计，可能存在选择偏倚；模型性能在外部验证集中有所下降，表明需要进一步优化和验证 | 预测颈动脉支架植入术后患者发生长期同侧缺血性卒中的风险 | 接受颈动脉支架植入术的患者 | 数字病理学 | 心血管疾病 | 超声成像 | 深度学习, 随机生存森林 | 图像 | 802名患者（来自三个中心，2018-2024年） | NA | NA | C-index, Kaplan-Meier分析 | NA |
| 16 | 2025-12-29 |
Deep Learning-Based denoising improves myocardial late enhancement imaging with spectral photon-counting CT
2025-Dec-26, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.002
PMID:41455687
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17 | 2025-12-29 |
Development and validation of a deep learning model for severe mitral stenosis detection from chest X-rays
2025-Dec-25, Open heart
IF:2.8Q2
DOI:10.1136/openhrt-2025-003519
PMID:41448847
|
研究论文 | 本研究开发并验证了一种基于深度学习的AI模型，用于从胸部X光片中检测严重二尖瓣狭窄 | 首次利用深度学习模型从胸部X光片中自动检测二尖瓣狭窄，并生成显著性图以可视化模型关注区域 | 研究为回顾性设计，样本量相对较小（515张图像），且仅使用后前位胸部X光片 | 开发一种基于深度学习的AI模型，用于从胸部X光片中检测二尖瓣狭窄，以提供便捷的筛查工具 | 二尖瓣狭窄患者（285例）和健康对照者（230例）的胸部X光图像 | 计算机视觉 | 心血管疾病 | 胸部X光成像 | 深度学习模型 | 图像 | 515张后前位胸部X光图像（285张来自二尖瓣狭窄患者，230张来自健康对照） | NA | NA | AUC, 精确率, 召回率, F1分数, 准确率 | NA |
| 18 | 2025-12-29 |
Association of deep learning-derived epicardial fat volume with target organ damage in subjects with nonobstructive coronary artery disease
2025-Dec-25, Journal of cardiovascular imaging
DOI:10.1186/s44348-025-00062-5
PMID:41449432
|
研究论文 | 本研究探讨了基于CT的索引化心外膜脂肪体积与非阻塞性冠状动脉疾病患者靶器官损伤参数之间的关联 | 首次使用深度学习衍生的心外膜脂肪体积与左心室舒张功能等靶器官损伤参数进行关联分析，并确定了EFVi的阈值 | 样本量较小（仅75名患者），且为单中心前瞻性队列研究，可能限制了结果的普遍性 | 研究心外膜脂肪体积与靶器官损伤参数之间的关联，特别是左心室舒张功能 | 75名非阻塞性冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 心电图门控计算机断层扫描 | 深度学习 | CT图像 | 75名患者 | NA | NA | ROC曲线下面积, 敏感性, 特异性 | NA |
| 19 | 2025-12-26 |
Translational deep learning models for risk stratification to predict prognosis and immunotherapy response in gastric cancer using digital pathology
2025-Dec-24, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07416-z
PMID:41444960
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 20 | 2025-12-29 |
D‑Blur: A Deep Learning Approach for Mapping Subdiffraction Diffusion with Motion-Blurred Images
2025-Dec-22, Chemical & biomedical imaging
DOI:10.1021/cbmi.5c00042
PMID:41450466
|
研究论文 | 本文提出了一种基于深度学习的D-Blur算法，用于从运动模糊图像中定位单粒子并预测其扩散系数，以重建多孔材料中的扩散图 | 开发了基于U-Net的CNN算法，直接从运动模糊的PSF中提取扩散系数，无需轨迹链接，克服了传统单粒子追踪方法的局限性 | NA | 旨在通过深度学习改进单粒子追踪，实现对复杂系统中亚衍射扩散的映射 | 模拟发射器和实验数据中的自由扩散粒子 | 计算机视觉 | NA | 荧光显微镜成像 | CNN | 图像 | NA | NA | U-Net | NA | NA |