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!


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。
| 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 | 2026-05-02 |
Deep learning assessment of nativeness and pairing likelihood for antibody and nanobody design with AbNatiV2
2026-12-31, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2026.2646361
PMID:41947016
|
研究论文 | 提出AbNatiV2,一种基于深度学习的抗体和纳米抗体天然性与配对可能性评估方法 | 1)扩展序列数据库并改进架构,提升纳米抗体天然性分类性能;2)引入p-AbNatiV2跨注意力模型,利用噪声对比训练学习VH/VL配对概率 | 未明确讨论模型在不同物种或极端突变场景下的泛化能力 | 评估抗体和纳米抗体的天然性及配对可能性,支持抗体工程和从头设计 | 抗体和纳米抗体序列(包括VH-VL配对和单域纳米抗体) | 机器学习 | NA | 深度测序 | VQ-VAE, Transformer, 跨注意力模型 | 序列数据 | 每个模型在超过2000万条序列上训练,p-AbNatiV2在370万对人类配对序列上微调 | PyTorch | VQ-VAE + Transformer, 跨注意力模型 | 分类准确率, 配对评分, 残基级人源化评分 | NA |
| 2 | 2026-05-02 |
Monitoring horse behaviour with deep learning models
2026-Dec-31, The veterinary quarterly
DOI:10.1080/01652176.2026.2665442
PMID:42048054
|
研究论文 | 利用深度学习模型监测马的行为,通过卷积神经网络识别站立、躺卧和饮水行为 | 首次使用深度学习模型从连续视频中自动识别马匹的站立、躺卧和饮水行为,并展示其在福利监测中的应用潜力 | 躺卧行为的召回率较低(63.1%),且仅针对单一马匹在木制马厩中的行为进行研究,未涉及更不常见的行为识别 | 评估深度学习模型在非侵入式监测马匹行为中的有效性 | 马的行为(站立、躺卧和饮水) | 计算机视觉 | NA | 视频数据 | 卷积神经网络(CNN) | 视频 | 一匹马,连续29天记录 | NA | 卷积神经网络(CNN) | 精确率, 召回率 | NA |
| 3 | 2026-05-02 |
Cloud EEG Privacy Using Red-Billed Blue Magpie Optimized Physics-Penalized Dual-Branch Spectral-Spatial Neural Network for Epileptic Seizure Prediction
2026-Jul, Developmental neurobiology
IF:2.7Q3
DOI:10.1002/dneu.70031
PMID:42063259
|
研究论文 | 提出一种混合深度学习架构,用于通过物联网脑电图监测实现癫痫发作的实时预测并保障云数据隐私 | 在深度学习中引入物理惩罚正则化和双分支注意力机制,以实现频谱-空间特征的可解释性和泛化性,并采用无密钥托管属性基加密保障云脑电图数据隐私 | 未提及 | 实现高精度、安全且有效的癫痫发作预测 | Bonn脑电图数据集和CHB-MIT数据集中的脑电图信号 | 机器学习, 数字病理学 | 癫痫 | 脑电图 | 物理惩罚双分支频谱-空间神经网络 (PP-DBSSNN) | 图像 | 未提及 | NA | 物理惩罚双分支频谱-空间神经网络 (PP-DBSSNN) | 准确率, 精确率, 特异性 | NA |
| 4 | 2026-05-02 |
Systematic evaluation of machine learning models for clinical risk prediction on real-world hospital datasets
2026-May-15, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115654
PMID:42063551
|
研究论文 | 系统评估了10种机器学习模型在8个真实世界临床风险预测数据集上的表现 | 首次对经典机器学习、表格深度学习和自动机器学习三大范式进行临床风险预测领域的系统性基准测试,并识别出CatBoost和TabPFN为最优模型 | 未说明局限性 | 为临床风险预测提供模型选择的实证指导 | 10种机器学习模型(包括CatBoost、TabPFN、AutoGluon等) | 机器学习 | NA | NA | 梯度提升决策树、表格深度学习、自动机器学习 | 表格数据 | 8个真实世界临床风险预测数据集 | NA | CatBoost、TabPFN、AutoGluon | 区分度、校准度、临床效用 | NA |
| 5 | 2026-05-02 |
Plantar Thermogram Analysis Using Deep Learning for Diabetic Foot Risk Classification
2026-May, Journal of diabetes science and technology
IF:4.1Q2
DOI:10.1177/19322968251316563
PMID:39980256
|
研究论文 | 利用热成像和深度学习对糖尿病患者进行足部溃疡风险分层 | 首次将热成像与深度学习结合用于糖尿病足风险分类,并优先提高筛查灵敏度以识别高风险足部 | 样本量较小(仅153张热图像),且数据集存在类别不平衡(正常图像远多于异常图像) | 开发一种基于热成像和深度学习的非侵入性筛查方法,用于糖尿病足溃疡风险分层 | 成年糖尿病患者 | 计算机视觉, 机器学习 | 糖尿病足 | 热成像 | 卷积神经网络(CNN) | 图像 | 153张足底热图像(98张用于训练,55张用于测试) | NA | NA | 准确率, 灵敏度, 特异性, 马修斯相关系数 | NA |
| 6 | 2026-05-02 |
A Tutorial on MRI Reconstruction: From Modern Methods to Clinical Implications
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3617575
PMID:41042661
|
教程 | 概述磁共振成像重建的基本原理并介绍先进方法,从传统的手工先验方法到结合学习与手工先验的深度学习方法,同时探讨这些方法的转化方面和临床意义 | 系统性地介绍了MRI重建从经典方法到深度学习方法的演进,并提供了配套的Python工具箱以演示所选方法 | 未明确提及局限性,但教程性质可能意味着缺乏对新方法的广泛验证和比较 | 介绍MRI重建的基本原理和最新进展,并探讨其临床转化前景 | MRI图像重建方法,包括传统方法和深度学习方法 | 机器学习和图像重建 | NA | MRI | 深度学习方法(如CNN等) | MRI图像 | NA | Python | NA | NA | NA |
| 7 | 2026-05-02 |
Automatically Measuring Kidney, Liver, and Cyst Volumes in Autosomal Dominant Polycystic Kidney Disease
2026-May-01, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.0000000904
PMID:41186985
|
研究论文 | 开发并验证了一个基于深度学习网络平台TraceOrg,用于自动测量常染色体显性多囊肾病患者的肾脏、肝脏和囊肿体积 | 首次将结合U-Net与Transformer的3D混合模型部署为公开的网页计算工具,支持多脉冲序列训练,并在多个外部数据集上验证了高泛化能力 | NA | 开发一个能自动且稳健测量常染色体显性多囊肾病患者肾脏、肝脏和囊肿体积的深度学习平台 | 常染色体显性多囊肾病患者及非患者 | 计算机视觉, 数字病理学 | 多囊肾病 | MRI, CT扫描 | 3D混合模型(U-Net + Transformer) | 医学影像(MRI和CT图像) | 720名参与者(611名ADPKD患者和109名非ADPKD患者)用于训练;内部验证使用70个MRI(肾脏和肝脏分割)和46个MRI(囊肿分割);外部验证包括单中心数据集(n=58)、多中心数据集(n=73)、CRISP(n=30)和PKD-RRC(n=115) | NA | U-Net, Transformer | Dice系数, 平均绝对百分比差 | NA |
| 8 | 2026-05-02 |
Deep Learning-Based Denoising for High-Resolution Carotid Vessel Wall MRI Using Standard Neurovascular Coils
2026-May, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70226
PMID:41420073
|
研究论文 | 开发一种基于深度学习的去噪方法,利用标准头颈线圈提升高分辨率颈动脉血管壁MRI的图像质量 | 利用残余UNet架构的监督式深度学习模型,以高灵敏度颈部分形表面线圈重建为参考,学习映射低信噪比输入到高信噪比参考,实现无需专用线圈的高质量颈动脉成像 | NA | 开发深度学习去噪方法以增强使用标准临床线圈获取的高分辨率颈动脉血管壁MRI质量 | 55次扫描的多中心研究数据 | 计算机视觉 | 颈动脉疾病 | MRI | 深度学习模型 | 图像 | 55次扫描 | TensorFlow | 残余UNet | PSNR, 结构相似性指数, SNR, CNR, 边缘锐度, Likert评分 | NA |
| 9 | 2026-05-02 |
Deep learning-guided attenuation and scatter correction of 99mTc-MAA SPECT images: towards quantitative analysis in 90Y-SIRT
2026-May, Annals of nuclear medicine
IF:2.5Q2
DOI:10.1007/s12149-025-02152-2
PMID:41489766
|
研究论文 | 开发深度学习模型,用于99mTc-MAA SPECT成像的无CT衰减校正和基于蒙特卡罗的散射校正,以提升90Y-SIRT治疗规划与剂量定量分析的准确性 | 首次将改进的3D Swin UNETR架构应用于SPECT图像的衰减与散射联合校正,实现CT-free方式且无需蒙特卡罗模拟,具有临床转化潜力 | 基于回顾性数据,未在真实临床环境中验证;模型性能可能受限于训练数据分布和患者异质性 | 通过深度学习模型实现SPECT图像的衰减与散射校正,支持90Y-SIRT的精准剂量学分析 | 222名接受90Y-SIRT前99mTc-MAA SPECT成像的患者 | 计算机视觉, 数字病理 | NA | SPECT成像 | 深度学习 | 图像 | 222名患者 | NA | Swin UNETR(改进型3D移位窗口UNet Transformer) | 平均误差, 相对误差, 平均绝对误差, Gamma分析(距离一致性与剂量差异) | NA |
| 10 | 2026-05-02 |
Deep learning-based ROSC prediction and ECG phenotyping in out-of-hospital cardiac arrest
2026-May, Resuscitation
IF:6.5Q1
|
研究论文 | 开发基于深度学习的卷积神经网络模型,预测院外心脏骤停患者的自主循环恢复,并识别新的心电图表型 | 首次利用CNN同时预测ROSC和可电击心律,并通过聚类分析从特征表示中识别出五种具有不同ROSC概率的心电图表型 | 回顾性研究设计,可能受选择偏倚影响;仅使用韩国急救医疗服务数据,需外部验证;5秒心电图片段可能无法完全捕捉动态变化 | 开发深度学习模型预测院外心脏骤停患者的ROSC和识别新的心电图表型 | 院外心脏骤停患者的院前心电图信号 | 机器学习 | 心血管疾病 | NA | 卷积神经网络 | ECG信号 | 3452名成年非创伤性院外心脏骤停患者 | Keras, TensorFlow | 一维卷积神经网络 | AUC | NA |
| 11 | 2026-05-02 |
Deep learning based gestational age estimation from multi-view fetal brain magnetic resonance imaging
2026-May, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-026-06536-y
PMID:41824048
|
研究论文 | 基于多视图胎儿脑部磁共振成像,利用深度学习模型预测胎龄,并评估其性能优于传统生物统计回归方法 | 首次整合多视图MRI和迁移学习进行胎龄预测,显著提高预测精度,并揭示模型重点关注侧脑室、小脑等临床相关解剖区域 | 未提及 | 开发基于深度学习的多视图胎儿脑部MRI胎龄预测模型,并与传统生物统计回归方法比较性能 | 胎儿脑部MRI扫描数据,包括1,321个内部训练集和80个外部公开测试集 | 计算机视觉 | 非疾病相关 | MRI | CNN | 图像 | 1,321个胎儿MRI扫描用于训练与内部测试,80个外部公开MRI扫描作为外部测试集 | NA | ResNet-101 | 平均绝对误差(MAE),决定系数(R2) | NA |
| 12 | 2026-05-02 |
Quantification of Ki-67 labeling index in pediatric brain tumor immunohistochemistry images
2026-May-01, Journal of neuropathology and experimental neurology
IF:3.2Q2
DOI:10.1093/jnen/nlaf163
PMID:41806389
|
研究论文 | 基于深度学习框架自动量化儿童脑肿瘤免疫组化图像中的Ki-67标记指数 | 首次将StarDist深度学习模型应用于儿童脑肿瘤全切片图像的Ki-67标记指数自动计算,并集成QuPath和Python后处理脚本生成细胞密度图和汇总表 | 研究未提及对罕见肿瘤亚型的验证,且基于单一数据集(CBTN)可能导致泛化性受限 | 为儿童脑肿瘤的Ki-67标记指数提供自动化定量分析框架,替代手动评分 | 儿童脑肿瘤全切片免疫组化图像中的Ki-67阳性与阴性细胞核 | 数字病理学 | 儿童脑肿瘤(髓母细胞瘤、室管膜瘤、胶质瘤等) | 免疫组化染色 | 深度学习模型(StarDist) | 全切片图像 | 632例儿童脑肿瘤病例,734张Ki-67全切片图像 | QuPath, Python | StarDist | 中位数标记指数、相关性分析P值 | 未明确说明 |
| 13 | 2026-05-02 |
Association of Circulating T Cell and Tumor Microenvironment Profiles with Immune Checkpoint Blockade Outcomes in Sarcoma
2026-May-01, Clinical cancer research : an official journal of the American Association for Cancer Research
IF:10.0Q1
DOI:10.1158/1078-0432.CCR-25-3419
PMID:41677857
|
研究论文 | 分析肉瘤患者循环T细胞和肿瘤微环境特征与免疫检查点抑制剂治疗结局的关联 | 首次结合外周血T细胞免疫分型与肿瘤微环境基因表达亚型,并应用深度学习自动分析H&E切片淋巴聚集物,提出多模态预测免疫治疗反应的生物标志物 | H&E切片样本量较小(仅48例),且深度学习模型仅用于淋巴聚集物检测,未进一步整合多模态特征 | 探索肉瘤患者接受免疫检查点抑制剂治疗的反应和耐药生物标志物,以优化患者选择 | 肉瘤患者的外周血单个核细胞(PBMC)、肿瘤组织RNA测序数据及H&E染色切片 | 数字病理学 | 肉瘤 | 流式细胞术、RNA测序、深度学习 | 深度学习模型(用于自动分析H&E切片) | 图像(H&E切片)、基因表达谱(RNA-seq)、细胞免疫分型数据 | 178例患者PBMC样本,67例肿瘤组织RNA-seq样本,48例H&E切片样本 | NA | NA | 总生存期、无进展生存期、缓解率 | NA |
| 14 | 2026-05-02 |
Deep learning model for automated identification of ventrally positioned right hepatic artery in contrast-enhanced computed tomography of pediatric congenital biliary dilatation: development and clinical application
2026-May, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-026-06588-0
PMID:41870581
|
研究论文 | 开发并验证基于YOLOv12的深度学习模型,用于在增强CT中自动识别儿童先天性胆总管扩张的腹侧走行右肝动脉 | 首次将YOLOv12模型应用于儿童术前CT图像中腹侧走行右肝动脉的自动识别,采用关键切片靶向策略,性能达到资深放射科医师水平 | 单中心回顾性研究,样本量相对有限,未进行外部验证 | 开发一种能够自动识别增强CT中腹侧走行右肝动脉的深度学习模型,提高儿童先天性胆总管扩张术前评估的安全性 | 儿童先天性胆总管扩张患者的腹侧走行右肝动脉 | 计算机视觉 | 先天性胆总管扩张 | 增强CT | YOLOv12 | 医学图像 | 232例先天性胆总管扩张患者(116例腹侧走行右肝动脉,116例对照),共1452张关键动脉期切片 | PyTorch | YOLOv12n, YOLOv12s, YOLOv12m, YOLOv12l, YOLOv12x | 精确率、召回率、F1分数、平均精度均值、受试者工作特征曲线下面积 | NA |
| 15 | 2026-05-02 |
A proof-of-concept study of multitask learning for cranial synthetic CT generation across heterogeneous MRI field strengths
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70429
PMID:42027157
|
研究论文 | 提出一种多任务学习框架,以模块化方式解决跨异质MRI场强(1.5T和7T)的颅骨合成CT生成问题 | 将颅骨CT合成重构为结构化耦合问题,采用级联多任务管道联合建模颅骨分割和亨氏单位回归,并利用基于残差Mamba的状态空间模型增强空间表征 | 未明确提及局限性,但数据量较小(1.5T数据集n=37,7T数据集n=44),可能限制泛化性验证 | 提高MRI生成CT在异质场强和脉冲序列下的准确性和泛化能力,促进临床转化 | 异质MRI场强下的颅骨CT合成,包括1.5T和7T临床脑部数据集 | 医学影像分析 | 颅骨相关疾病(如脑肿瘤、放疗计划) | MRI生成CT合成、多任务学习、3D补丁训练 | 级联多任务深度学习模型 | MRI图像(T1加权和T2-FLAIR序列)及CT图像 | 公开1.5T脑部数据集37例,独立7T临床脑部数据集44例 | NA | 残差Mamba状态空间模型+3D U-Net,Transformer U-Net作为基线对比 | Dice系数、Jaccard指数、平均绝对误差 | NA |
| 16 | 2026-05-02 |
Spectral deep learning-based patient and bowtie scatter correction for clinical photon-counting CT
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70442
PMID:42050788
|
研究论文 | 本研究提出一种基于光谱深度学习的患者与Bowtie散射校正方法,用于临床光子计数CT | 首次在深度学习散射校正中利用光子计数CT的光谱信息,实现患者与Bowtie散射的联合校正,减少网络数量并降低计算成本 | 未明确提及具体限制,但依赖蒙特卡洛数据和临床PCCT系统验证,可能需进一步评估泛化性 | 探究光谱信息如何改进深度学习散射校正,并比较联合与单独校正Bowtie及患者散射的性能 | 光子计数CT中的散射伪影,包括患者散射和Bowtie散射 | 计算机视觉 | NA | 光子计数CT | 神经网络 | 图像 | 使用蒙特卡洛模拟数据和临床PCCT系统实测数据,具体样本量未提及 | NA | 深度散射估计网络 | 平均绝对误差, 临界平均绝对误差 | NA |
| 17 | 2026-05-02 |
Clinically Deployable Handwriting Biomarkers of Parkinson's Disease via Multiscale Attention and Bayesian-Genetic Optimization
2026-May, Brain and behavior
IF:2.6Q3
DOI:10.1002/brb3.71457
PMID:42050861
|
研究论文 | 提出了一种结合多尺度注意力和贝叶斯-遗传优化的深度学习网络,用于基于手写特征检测帕金森病 | 首次将多尺度门控多头注意力机制与深度可分离卷积结合,并设计帕金森病专用贝叶斯-遗传优化方案来联合调优架构和训练超参数,同时利用SHAP超像素归因图提供临床可解释性 | 未提及外部验证数据集以外的泛化测试,且模型优化主要针对PaHaW数据集,可能需要更多样本人群验证 | 开发一种临床可部署的手写生物标志物深度学习模型,用于帕金森病的客观检测和风险分层 | 帕金森病患者和健康对照组的螺旋线、波浪线和迂回线手绘图画 | 计算机视觉 | 帕金森病 | 手写数字化采集(平板电脑) | 卷积神经网络(多尺度门控多头注意力深度可分离卷积网络) | 图像(统一RGB格式的手绘任务图像) | PaHaW数据集和独立HandPD数据集,具体样本量未在摘要中给出 | NA | 多尺度门控多头注意力深度可分离卷积网络(PD-MGMA-DSCNN) | 准确率、ROC-AUC、精确率-召回率 | NA |
| 18 | 2026-05-02 |
The evolving role of artificial intelligence in optimizing treatment and patient selection in diabetic macular edema
2026-May-01, Indian journal of ophthalmology
IF:2.1Q2
DOI:10.4103/IJO.IJO_3152_25
PMID:42060353
|
综述 | 探讨人工智能在糖尿病性黄斑水肿治疗优化和患者选择中不断演变的作用 | 系统阐述了人工智能通过整合多模态数据实现个体化风险分层和预后支持的应用进展,尤其关注基于抗VEGF治疗反应预测的决策支持工具 | 泛化性、透明度、工作流程整合和伦理部署等问题尚需系统性解决 | 评估人工智能在糖尿病性黄斑水肿个体化治疗决策中的潜力与挑战 | 糖尿病性黄斑水肿患者及抗VEGF治疗响应预测 | 机器学习 | 糖尿病性黄斑水肿 | 眼底成像、光学相干断层扫描(OCT)、临床生化数据分析 | 卷积神经网络、生成对抗网络、集成方法 | 多模态数据(眼底图像、OCT图像、临床和生化数据) | NA | NA | 卷积神经网络、生成对抗网络、集成学习 | NA | NA |
| 19 | 2026-05-02 |
Deep Learning-Based Augmented Contrast-Enhancement and Denoising for Reduced-Iodine and Low-Radiation 70-kVp Cerebral CT Angiography: A Prospective Study
2026-May, Korean journal of radiology
IF:4.4Q1
DOI:10.3348/kjr.2025.1520
PMID:42062228
|
研究论文 | 评估在70 kVp下使用低碘剂和低辐射剂量进行脑CT血管成像的可行性,以及深度学习增强对比度和去噪算法对图像质量的影响 | 首次在70-kVp超低碘脑CTA中联合应用深度学习增强对比度和去噪算法,显著提高了血管衰减和信噪比,实现了低辐射和低对比剂剂量下的高质量成像 | 样本量较小(仅47名健康志愿者),且未包含患者数据或病变检测评估 | 评估基于深度学习的对比度增强和去噪算法在减少碘剂和辐射剂量的70-kVp脑CTA中的效果 | 47名健康志愿者(男性31名,女性16名,平均年龄57.8岁) | 计算机视觉 | 脑血管疾病 | CTA | 深度学习模型 | CT图像 | 47名健康志愿者,分为A组(16人)、B组(16人)、C组(15人) | NA | NA | 动脉衰减值、图像噪声、对比噪声比(CNR)、主观图像质量评分 | NA |
| 20 | 2026-05-02 |
Deep learning for EEG-based sleep stage classification: a review
2026-May-01, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-026-03583-3
PMID:42062687
|
综述 | 系统回顾了基于深度学习的脑电图睡眠分期模型,分析其架构演化、输入表示策略、预处理方法、公开数据集及评估指标,并探讨了泛化性、可解释性和临床适用性等核心挑战 | 首次通过跨数据集精度对比和分阶段F分布分析,揭示现有模型性能高度依赖数据集、评价体系过度依赖总体准确率而忽视少数类别及病理数据表现的问题 | 未涉及具体模型实现细节的量化对比;依赖文献公开数据,部分原始信息不完整可能影响分析深度 | 系统评估深度学习在脑电图睡眠分期中的现有方法,识别关键挑战并指引从算法创新到临床可靠应用的转化方向 | 基于脑电图的睡眠分期深度学习模型 | 机器学习 | 神经系统疾病 | 脑电图(EEG) | 深度学习模型 | 脑电信号 | 涉及多个公开数据集,具体样本量因数据集而异 | NA | NA | 准确率, F分布 | NA |