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 46404 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 | 2026-06-28 |
Automated Diagnosis of Breast Cancer Using Deep Learning Techniques Applied to Digital Mammography and Magnetic Resonance Images
2026-Dec-01, Topics in magnetic resonance imaging : TMRI
DOI:10.1097/RMR.0000000000000323
PMID:42360310
|
研究论文 | 使用深度学习技术对数字乳房X线摄影和磁共振图像进行乳腺癌自动诊断 | 综合评估多种AI方法对乳腺图像进行分类（正常、良性、恶性），并应用于数字乳房X线摄影和磁共振成像两种模态 | NA | 评估不同人工智能方法对乳腺图像进行分类，以区分正常、良性和恶性病例 | 数字乳房X线摄影和磁共振成像中的乳腺图像 | 数字病理学 | 乳腺癌 | 数字乳房X线摄影、磁共振成像 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 2 | 2026-06-28 |
Polygon-Aware Deep Learning Framework for Meal-Level Nutrition Estimation From Food Images
2026-Jul, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.71236
PMID:42360400
|
研究论文 | 提出一种多边形感知的深度学习框架，通过精确的食物分割和区域特征提取实现膳食图像营养估计 | 首次将多边形感知的实例分割与区域特异性特征提取结合，显著提升营养估计精度（平均性能提升11.63%） | 仅在FoodBD v2数据集上验证，未在多样化食物数据集和实际移动端部署中评估 | 实现从食物图像中准确估计餐级营养含量的自动化膳食评估方法 | 真实世界食物图像中的个体食物项目及其分割区域 | 计算机视觉 | 不适用 | 实例分割与多边形特征提取 | YOLOv8n、随机森林、XGBoost、LightGBM、岭回归、CNN回归器 | 图像 | FoodBD v2数据集（包含多边形标注和营养标签，20个代表性样本用于重叠分析） | PyTorch | YOLOv8n | mAP@0.5、mAP@0.5:0.95、平均交并比、F1分数 | 未明确说明 |
| 3 | 2026-06-28 |
A Physics-Informed Deep Learning Framework for Estimating Muscle Activation Patterns Following Achilles Tendon Repair
2026-Jun-26, Journal of applied physiology (Bethesda, Md. : 1985)
DOI:10.1152/japplphysiol.00274.2026
PMID:42359776
|
研究论文 | 提出物理知识引导的Transformer神经肌肉骨骼模型，用于估算跟腱修复后的肌肉激活模式 | 整合前向动态约束，仅需关节运动学和浅层肌电图数据即可估算深层肌肉激活，大幅降低传感器需求同时保持诊断深度 | NA | 开发一种能准确估算跟腱断裂术后肌肉激活模式、减少传感器依赖的临床实用工具 | 跟腱断裂患者的比目鱼肌激活模式和肌肉共激活模式 | 机器学习 | 跟腱断裂 | NA | Transformer | 关节运动学数据、浅层肌电图数据 | 40名参与者（20名健康对照者、20名术后跟腱断裂患者） | NA | Transformer | 频谱完整性、信号能量合理性、p值 | NA |
| 4 | 2026-06-28 |
Deep Learning Assisted Heteroporous Covalent Organic Framework Hydrogels Enable Dual-Mode Tracking and Analysis to Parkinson's Management
2026-Jun-26, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.74297
PMID:42360202
|
研究论文 | 本文报道了一种可穿戴水凝胶（Gel@COF），用于同时监测多巴胺水平和静止性震颤，以实现帕金森病的早期检测和干预 | 将具有分形异质孔结构的共价有机框架（COF-101）封装于自交联水凝胶中，实现双重功能；结合卷积神经网络算法使预测准确率超95% | NA | 开发一种可穿戴水凝胶，同时监测多巴胺水平和静止性震颤，用于帕金森病的早期检测和干预 | 帕金森病患者和健康对照者 | 机器学习 | 帕金森病 | NA | 卷积神经网络（CNN） | 图像 | NA | NA | 卷积神经网络（CNN） | 准确率（accuracy） | NA |
| 5 | 2026-06-28 |
Explainable AI for hyperspectral imaging in food quality decision support: interpretability, reliability and future directions
2026-Jun-26, Critical reviews in food science and nutrition
IF:7.3Q1
DOI:10.1080/10408398.2026.2694489
PMID:42360273
|
综述 | 综述可解释人工智能在高光谱成像食品质量决策支持中的最新进展，重点讨论可解释性、可靠性和未来方向 | 系统总结六种主流可解释人工智能方法（SHAP、LIME、Grad-CAM、显著性图、DeepLIFT、TCAV）在食品高光谱成像中的应用，并首次从食品质量、高光谱成像和可解释人工智能三个维度综合分析了关键挑战 | 目前缺乏标准化的评估协议，高维数据与复杂模型之间的鸿沟仍然存在，需要进一步开发人类参与的交互界面以保证实际工厂级检测的可靠性 | 回顾高光谱成像在食品质量评估中的研究进展，阐明可解释人工智能如何提升模型可解释性，并为建立可靠的高光谱成像-可解释人工智能框架提供指导 | 食品质量评估中的高光谱成像数据及其分析模型 | 计算机视觉 | NA | 高光谱成像 | 化学计量学模型、机器学习模型、深度学习模型 | 高光谱图像 | NA | NA | NA | NA | NA |
| 6 | 2026-06-28 |
A Coral-Inspired Dual Modal Hydrogel Sensor with Deep Learning-Assisted Decoupling of Force-Thermal Stimuli
2026-Jun-26, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.6c06830
PMID:42360292
|
研究论文 | 受珊瑚启发的双模态水凝胶传感器，结合深度学习实现力-热刺激解耦，同时输出颜色与电阻信号，实现温度与手势的高精度识别及同步解耦 | 首次将热致变色单元与力致电阻响应单元协同整合于双网络水凝胶中，利用响应时间差异（力0.4秒 vs 热7.1秒）结合深度学习融合图像与电阻信号，实现力-热刺激的实时同步解耦 | 未提及传感器的长期稳定性、生物相容性及在复杂动态环境下的鲁棒性测试 | 开发多模态柔性感知技术，实现力与热刺激的同步解耦识别，以应对复杂环境交互 | 力-热双模态刺激下的水凝胶传感器（PCSC水凝胶）与深度学习信号处理框架 | 机器学习, 柔性电子 | 非疾病相关 | 水凝胶合成、电阻传感、热致变色成像 | 轻量级ResNet, 多层感知机 | 热致变色图像, 电阻时间序列 | 未明确样本数量，涉及温度识别（精度97.5%）和手势识别（精度98.5%）实验 | PyTorch | 轻量级ResNet, 多层感知机 | 精度, 准确率, 响应时间 | 未提供具体计算资源信息 |
| 7 | 2026-06-28 |
ZHMolTopoRPI: A Commutative Algebra-Driven Deep Learning Framework for Robust RNA-Protein Interaction Prediction
2026-Jun-26, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c01199
PMID:42360418
|
研究论文 | 提出一种结合持续交换代数与双塔神经网络的框架，用于准确预测RNA-蛋白质相互作用 | 首次将持续Stanley-Reisner理论（PSRT）应用于RNA序列的多尺度数学特征提取，并结合对比学习增强的门控注意力双塔网络（CL-GADTN）进行特征融合，提供了物理可解释性 | 未提及 | 开发一个具有物理可解释性的RNA-蛋白质相互作用预测框架 | RNA序列和蛋白质序列 | 机器学习 | NA | NA | 双塔神经网络、门控注意力网络 | 序列数据 | 六个基准数据集（NPInter2, RPI7317, RPI488, RPI1807, RPI2241, NPInter v2.0） | PyTorch | CL-GADTN | MCC值（92.29%, 84.83%, 81.55%, 88.42%, 89.23%, 92.63%） | NA |
| 8 | 2026-06-28 |
[The digital patient journey : Performing radiological examinations]
2026-Jun-26, Radiologie (Heidelberg, Germany)
DOI:10.1007/s00117-026-01633-3
PMID:42360419
|
综述 | 总结并系统分析了放射学检查过程中数字技术和人工智能系统的应用及其对工作流程、人员结构和患者护理的影响 | 全面梳理了数字患者路径在放射学检查中的应用，包括自动规划、深度学习重建、实时质控和远程扫描等创新概念 | 未提及具体研究的局限性和数据验证不足，缺乏定量分析 | 展示放射学检查中使用的数字流程，并评估其对工作流程、人员结构和患者护理的影响 | 放射学检查中的数字技术和人工智能系统 | 数字病理学 | 不适用 | 深度学习重建、自动化规划 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 效率、稳定性、重复扫描减少率 | 不适用 |
| 9 | 2026-06-28 |
Deep learning in acute ischemic stroke imaging: a systematic review of CT- and MRI-based segmentation, triage, and prognostic modeling
2026-Jun-26, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-04095-5
PMID:42360458
|
系统综述 | 基于PRISMA指南的系统综述，评估2023年1月至2026年3月间深度学习在急性缺血性卒中CT和MRI成像中的应用 | 区分CT与MRI在卒中成像中的不同深度学习应用方向，强调临床验证不足与技术进展之间的差距 | 外部测试、患者层面分离、标准化报告、扫描仪鲁棒性、可解释性和前瞻性工作流评估仍未被一致解决 | 评估深度学习在急性缺血性卒中成像中的最新应用，包括分割、分诊和预后建模 | 急性缺血性卒中患者的CT和MRI影像数据 | 计算机视觉, 机器学习 | 急性缺血性卒中 | CT, MRI, DWI, ADC, FLAIR, CTP | CNN, Transformer, U-Net | 影像 | 91项研究 | NA | U-Net衍生架构, 自配置框架, 注意力模型, CNN-Transformer混合模型 | Dice系数, IoU, AUC, 准确率 | NA |
| 10 | 2026-06-28 |
Machine learning-enhanced nano-QSAR and multiscale modeling for predictive nanomedicine: applications in herbal therapeutics and neglected tropical diseases
2026-Jun-26, Discover nano
DOI:10.1186/s11671-026-04679-3
PMID:42360577
|
综述 | 本文综述了机器学习、纳米定量构效关系和多尺度建模在预测性纳米医学中的应用，特别聚焦于草药纳米医学和被忽视的热带病领域 | 提出了结合机器学习、纳米定量构效关系和多尺度建模的综合计算策略，并展望了标准化开放数据集、基础AI模型、自主纳米颗粒设计和患者特定数字孪生平台等未来方向 | 数据稀缺、异质性大、可重复性有限以及监管不确定性等持续挑战依然存在 | 加速安全、有效且适应环境的纳米医学开发 | 纳米颗粒的理性设计及其在草药纳米医学和被忽视的热带病中的应用 | 机器学习 | 被忽视的热带病 | NA | 机器学习 | NA | NA | NA | NA | NA | NA |
| 11 | 2026-06-28 |
Assessing the clinical reliability of deep learning for vertebral fracture detection: a two-surgeon commentary
2026-Jun-26, La Radiologia medica
DOI:10.1007/s11547-026-02249-2
PMID:42360613
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12 | 2026-06-28 |
Artificial Intelligence-Assisted Histopathologic Diagnosis and Grading of Oral Epithelial Dysplasia: A Systematic Review and Functional Meta-synthesis
2026-Jun-26, Head and neck pathology
DOI:10.1007/s12105-026-01937-9
PMID:42360612
|
系统综述 | 针对人工智能辅助口腔上皮不典型增生组织病理诊断与分级的系统综述与功能整合分析 | 首次系统梳理AI在口腔上皮不典型增生诊断中的功能角色（检测、分级、辅助诊断），并整合分析其在不同诊断工作流程中的表现 | 证据质量极低，研究间存在高度异质性（数据集、分型框架、模型架构、验证策略均不统一），多数性能评估基于非患者级别的数据集 | 评估AI辅助口腔上皮不典型增生组织病理诊断与分级的当前证据，包括诊断性能、方法学质量和AI系统的功能角色 | 口腔上皮不典型增生或口腔潜在恶性病变伴不典型增生的显微或数字组织病理图像 | 数字病理学 | 口腔上皮不典型增生 | 组织病理成像 | 卷积神经网络、视觉Transformer、DenseNet、混合计算病理学管道 | 图像 | 13项研究（发布时间：2017-2026年） | NA | DenseNet, Vision Transformer, 卷积神经网络 | 准确率 | NA |
| 13 | 2026-06-28 |
Retraction Note: Deep learning-accelerated image reconstruction in back pain-MRI imaging: reduction of acquisition time and improvement of image quality
2026-Jun-26, La Radiologia medica
DOI:10.1007/s11547-026-02254-5
PMID:42360615
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 14 | 2026-06-28 |
A sample application designed for detection of teeth and jaw bone from cone-beam computed tomography images using deep learning methods
2026-Jun-26, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-026-00946-2
PMID:42360668
|
研究论文 | 利用深度学习技术从锥束计算机断层扫描图像中自动分割牙齿和颌骨结构 | 首次比较U-Net、DeepLab V3+和YOLO V3三种深度学习架构在CBCT图像牙齿和颌骨分割中的性能 | 数据集仅来自7位患者，需在多中心、更大数据集中验证后方可临床应用 | 评估深度学习模型在CBCT图像中自动分割牙齿和颌骨结构的效果 | 牙齿和颌骨结构 | 计算机视觉，数字病理学 | NA | CBCT成像 | U-Net, DeepLab V3+, YOLO V3 | 图像 | 7位患者的1155张轴向图像 | NA | U-Net, DeepLab V3+, YOLO V3 | Dice相似系数，交并比，精确率，召回率 | NA |
| 15 | 2026-06-28 |
Oral cancer in the era of precision medicine: molecular targets and technological innovations
2026-Jun-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-51993-y
PMID:42350464
|
综述 | 本文总结了一系列关于口腔癌分子机制、诊断方法和治疗策略的研究，展示了分子肿瘤学、数字诊断与转化临床研究的融合趋势 | 整合了从转移相关通路、免疫逃逸机制到深度学习阻抗谱和挥发性有机化合物分析等新兴检测技术，体现了精准医学时代口腔癌管理的多学科交叉创新 | 由于是综述性文章，未提供具体的实验验证或系统评价，可能缺乏对个别研究深度的全面分析 | 总结口腔癌领域的当前知识并指导未来研究方向 | 口腔癌的分子机制、诊断技术（如阻抗谱和挥发性有机化合物分析）及治疗策略 | 数字病理学 | 口腔癌 | NA | 深度学习 | 文本、阻抗谱数据、挥发性有机化合物数据 | NA | NA | NA | NA | NA |
| 16 | 2026-06-28 |
Prot-ΔΔG: Prediction of protein-protein binding affinity changes upon mutations with pre-training strategies
2026-Jun-25, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-026-00867-6
PMID:42350672
|
研究论文 | 提出一种仅基于序列的深度学习框架 Prot-ΔΔG，利用预训练策略预测蛋白质突变后的结合亲和力变化 | 首次将大规模预训练蛋白质语言模型与 BiGRU-DBRNN 编码器结合，完全基于序列信息预测 ΔΔG，无需高分辨率结构数据，有效捕捉序列嵌入的进化模式与上下文信息 | 未提及依赖结构信息时的性能对比，且对复杂多突变场景的泛化性需进一步验证 | 开发仅基于序列的精准预测方法，用于理解蛋白质突变导致的疾病机制、指导药物发现和蛋白质工程 | 蛋白质-蛋白质相互作用的突变后结合亲和力变化 | 机器学习 | NA | 蛋白质语言模型 | BiGRU-DBRNN | 蛋白质氨基酸序列 | NA | NA | BiGRU-DBRNN | 预测性能指标 | NA |
| 17 | 2026-06-28 |
Feasibility of deep learning-accelerated ultrafast T1-weighted VIBE Dixon imaging of the pelvis for screening of metastases in prostate MRI
2026-Jun-25, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-026-00758-3
PMID:42350758
|
研究论文 | 评估深度学习加速的T1加权VIBE Dixon序列在盆腔转移瘤筛查中的图像质量和诊断信心 | 首次将深度学习加速的超快速T1加权VIBE Dixon序列用于前列腺MRI盆腔转移瘤筛查，显著缩短采集时间（从143秒降至15秒）而不损失图像质量和诊断信心 | 样本量较小（54例患者），且DL加速序列在伪影和信号均匀性方面略有增加 | 评估深度学习加速T1加权VIBE Dixon序列在前列腺MRI中筛查盆腔转移瘤的可行性 | 接受前列腺MRI的患者 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | 图像 | 54例患者，平均年龄68±6.6岁 | NA | NA | Likert量表评分（图像质量、诊断信心）、信号均匀性 | 研究用深度学习加速序列，具体计算资源未提及 |
| 18 | 2026-06-28 |
Artificial Intelligence in Nanopharmaceutical Development: From Predictive Design to Clinical Translation
2026-Jun-22, Pharmaceutics
IF:4.9Q1
DOI:10.3390/pharmaceutics18060764
PMID:42357379
|
综述 | 探讨人工智能如何推动纳米药物开发从经验性配方筛选向预测性、数据驱动和翻译导向设计的转变 | 将AI视为连接配方科学、生物预测、制造控制和临床实施的翻译框架，而不仅是优化工具 | 翻译实施受限于碎片化数据集、不一致的报告标准、有限的可解释性、外部验证不足、预测不确定性、适用域定义不清以及不断变化的监管预期 | 综述AI在纳米药物开发中的应用，从预测性配方设计到临床转化 | 基于纳米载体的治疗药物及其开发过程 | 机器学习 | NA | NA | 机器学习、深度学习、物理信息建模、混合机理-AI方法 | 异质性实验、生物学和制造数据集 | NA | NA | NA | NA | NA |
| 19 | 2026-06-28 |
Automated Segmentation of Diffuse and Multifocal Nerve Enlargement in Immune-Mediated Neuropathy Using Temporal Deep Learning on Continuous Ultrasound Scans
2026-Jun-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16121934
PMID:42351592
|
研究论文 | 利用时间深度学习对连续超声扫描中免疫介导神经病的弥漫性和多灶性神经肿大进行自动分割 | 首次将时间深度学习模型（ConvLSTM和Temporal Mamba）应用于连续超声扫描，以分割免疫介导神经病中弥漫性或局灶性神经肿大，克服了传统静态模型在边界模糊和异质性回声方面的局限性 | 样本量较小（仅5名患者和25名健康参与者），属于初步研究，需要在更大队列中进一步验证 | 评估时间深度学习分割在连续超声扫描中评估免疫介导神经病神经肿大的性能 | 健康参与者和免疫介导神经病伴神经肿大的患者 | 计算机视觉 | 免疫介导神经病 | 超声扫描 | 深度学习模型（静态DeepLabV3+、时间ConvLSTM、时间Temporal Mamba） | 连续超声图像 | 25名健康参与者和5名免疫介导神经病伴神经肿大患者 | NA | DeepLabV3+, ConvLSTM, Temporal Mamba | Dice系数，帧间变异性 | NA |
| 20 | 2026-06-28 |
Data-Efficient and Explainable Multimodal Survival Prediction in NSCLC Using Deep Image Embeddings, Clinical Variables, and Gradient-Boosted Trees
2026-Jun-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16121941
PMID:42351600
|
研究论文 | 提出一种数据高效、可解释的多模态非小细胞肺癌生存预测框架，融合深度图像嵌入、临床变量和梯度提升树 | 将预训练RadImageNet-InceptionV3嵌入与临床变量通过梯度提升树融合，在有限样本下实现可解释的生存预测，并利用SHAP分析揭示特征贡献 | 外部验证尚未进行，临床转化前需进一步验证 | 开发一种数据高效、可解释的多模态框架，整合CT影像信息与临床变量，用于非小细胞肺癌生存预测 | 非小细胞肺癌患者的CT图像、肿瘤分割结果和临床数据 | 计算机视觉、机器学习 | 非小细胞肺癌 | CT成像、深度学习嵌入、主成分分析 | 梯度提升树（CatBoost、XGBoost、LightGBM） | CT图像、临床变量表格数据 | 377名NSCLC患者（LUNG1数据集） | NA | RadImageNet-InceptionV3、CatBoost、XGBoost、LightGBM | C-index（基于类别的C-index和连续事件C-index） | NA |