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 42258 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 | 2026-03-23 |
Training With Local Data Remains Important for Deep Learning MRI Prostate Cancer Detection
2026-May, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251367620
PMID:40936310
|
研究论文 | 本研究评估了在MRI前列腺癌分割任务中，使用本地数据训练的模型是否优于仅使用外部数据训练的模型，并探讨了领域偏移对模型性能的影响 | 首次在大规模队列（超过1000例）中系统评估领域偏移对MRI前列腺癌分割模型性能的影响，并量化了本地数据在提升模型性能中的关键作用 | 研究仅基于公开数据集PICAI和单一本地数据集，可能未涵盖所有临床场景的多样性；模型评估仅限于分割任务，未涉及其他临床指标 | 评估领域偏移对深度学习MRI前列腺癌分割模型性能的影响，并比较本地与外部数据训练的效果 | 前列腺癌患者的MRI图像数据 | 数字病理学 | 前列腺癌 | MRI | 深度学习 | 图像 | PICAI-TRAIN: 1241例, PICAI-TEST: 259例, LOCAL-TRAIN: 1400例, LOCAL-TEST: 308例 | nnUNet-v2 | nnUNet | PICAI Score | NA |
| 2 | 2026-03-23 |
Artificial intelligence-driven 3-dimensional simulation system for enhanced preoperative planning in gastric cancer surgery: a retrospective validation study
2026-Apr, Journal of gastrointestinal surgery : official journal of the Society for Surgery of the Alimentary Tract
IF:2.2Q2
DOI:10.1016/j.gassur.2025.102295
PMID:41371602
|
研究论文 | 本研究开发了一种基于人工智能的3D模拟系统，用于胃癌手术的术前规划，通过深度学习模型自动分割腹部器官和检测血管 | 结合AI模型自动识别胃部解剖结构，生成3D图像以可视化胃、周围器官和血管之间的位置关系，这在动态器官如胃的自动识别研究中较为少见 | 研究为回顾性验证，样本量较小（51例），且未在实时手术环境中进行前瞻性测试 | 开发并验证一种AI驱动的3D模拟系统，以增强胃癌手术的术前规划 | 胃癌患者的术前增强CT图像 | 计算机视觉 | 胃癌 | 增强CT成像 | 深度学习模型 | CT图像 | 51例胃癌患者 | NA | NA | 结构检测置信度评分（5点量表） | NA |
| 3 | 2026-03-23 |
Deep learning discriminates thymic epithelial tumors' histological subtypes using digital pathology
2026-Apr, Annals of oncology : official journal of the European Society for Medical Oncology
IF:56.7Q1
DOI:10.1016/j.annonc.2025.12.003
PMID:41390119
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用数字病理图像对胸腺上皮肿瘤的组织学亚型进行分类 | 引入了一种新颖的分层损失函数，以反映基于治疗策略和患者预后的临床相关肿瘤分组，提高了分类的临床相关性 | 模型在六类WHO分类中的准确率为77.7%，存在一定的误分类，尽管60%的误分类发生在同一临床管理组内，影响有限 | 减少胸腺上皮肿瘤诊断中的变异性，提高组织学分类的一致性 | 胸腺上皮肿瘤（TETs）的组织学亚型 | 数字病理 | 胸腺上皮肿瘤 | 苏木精-伊红（H&E）染色全切片图像分析 | 深度学习模型 | 图像 | 训练数据集来自癌症基因组图谱，验证集包括112例来自芝加哥大学的连续病例 | NA | NA | 准确率, Cohen's κ, 灵敏度 | NA |
| 4 | 2026-03-23 |
Evaluating Deep Learning Based Structure Prediction Methods on Antibody-Antigen Complexes
2026-Mar-21, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag136
PMID:41863324
|
研究论文 | 本文评估了基于深度学习的结构预测方法在抗体-抗原复合物上的性能 | 首次对未见过的抗体-抗原复合物进行结构预测方法的基准测试，并比较了AlphaFold2、AlphaFold3、Boltz-1和Chai-1等方法的性能 | AlphaFold3在缺乏与训练集结构相似性的复合物上性能显著下降，且所有方法在识别最佳模型方面仍面临挑战 | 评估和比较深度学习结构预测方法在抗体-抗原复合物上的准确性和适用性 | 抗体-抗原复合物 | 机器学习 | NA | 结构预测 | 深度学习模型 | 蛋白质结构数据 | NA | NA | AlphaFold2, AlphaFold3, Boltz-1, Chai-1 | 结构预测准确性 | NA |
| 5 | 2026-03-23 |
Convolutional neural networks in paediatric fracture detection: pooled evidence from a systematic review and meta-analysis
2026-Mar-21, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12462-2
PMID:41863613
|
meta-analysis | 本研究通过系统综述和荟萃分析，评估了人工智能模型在儿童四肢骨折X光片检测中的诊断准确性 | 首次对AI模型在儿童四肢骨折X光片检测中的诊断准确性进行了系统性的证据汇总和定量分析，证实了其接近专家水平的性能 | 多数研究为回顾性、单中心设计，外部验证有限，临床广泛应用仍需前瞻性研究和更稳健的外部验证 | 系统评估人工智能模型在儿童四肢骨折X光片检测中的诊断准确性 | 儿童患者（<21岁）的四肢骨折X光片 | 计算机视觉 | 骨折 | X光平片成像 | 深度学习架构 | 图像 | 超过10,000张X光片 | NA | NA | 敏感性, 特异性, 诊断比值比, 阳性似然比, 阴性似然比 | NA |
| 6 | 2026-03-23 |
Deep learning-driven MRI segmentation of choroid plexus volume: a novel biomarker for cognitive impairment in type 2 diabetes mellitus
2026-Mar-21, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01944-w
PMID:41863666
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7 | 2026-03-23 |
MRI image segmentation of the major lower leg muscles using deep learning: application in biomechanical analysis
2026-Mar-21, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-026-03554-8
PMID:41863716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8 | 2026-03-23 |
Toxicologic Pathology Forum*: Virtual Staining of Nonclinical Study Slides-A Brief Review of the Current Status and Future Opportunities
2026-Mar-21, Toxicologic pathology
IF:1.4Q4
DOI:10.1177/01926233261426348
PMID:41863851
|
综述 | 本文简要回顾了非临床研究切片虚拟染色的当前状态和未来机遇 | 探讨了虚拟染色技术在减少实验室周转时间、降低化学品和水消耗、改善职业健康安全以及实现非破坏性H&E组织学检查方面的潜力 | 当前应用障碍包括技术验证、组织学质量、生成式人工智能问题、训练材料获取和基础设施 | 回顾虚拟染色技术在非临床药物开发和发现病理学环境中的应用现状和前景 | 未染色组织切片，包括常规福尔马林固定石蜡包埋组织、部分处理或完整组织 | 数字病理学 | NA | 虚拟染色，包括染色到染色转换 | 深度学习神经网络 | 数字化组织学图像 | NA | NA | NA | NA | NA |
| 9 | 2026-03-23 |
Artificial intelligence-based prediction of fetal hypoxia: a multicenter model development and nationwide AI-human comparison
2026-Mar-21, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-026-04794-z
PMID:41864912
|
研究论文 | 本研究开发了基于人工智能的模型（CAPs），用于从胎心监护图（CTG）中预测胎儿缺氧，并通过全国性AI-人类比较验证了其优于人类专家的性能 | 开发了多种深度学习架构（CNN、Transformer、LSTM、CfC）的AI模型（CAPs），并首次在全国范围内与大量人类专家进行大规模比较，证明了AI模型的优越性，同时利用Grad-CAM提供了模型的可解释性 | 研究依赖于回顾性数据，模型性能虽优于人类专家，但AUROC值仍有提升空间（如CAP-L对3级酸血症的预测AUROC为0.716），且需在更广泛的前瞻性临床环境中进一步验证 | 开发并验证基于人工智能的模型，以更准确地预测胎儿缺氧，改善胎心监护图的临床解读 | 胎心监护图（CTG）数据 | 机器学习 | 胎儿缺氧 | 胎心监护图（CTG）分析 | CNN, Transformer, LSTM, CfC | 时间序列数据（CTG轨迹） | 20,780条CTG轨迹用于模型开发，467例用于全国性AI-人类比较 | NA | Cardiotocography Artificial-intelligence Predictors (CAPs), 包括CAP-C, CAP-T, CAP-L, CAP-CfC | AUROC | NA |
| 10 | 2026-03-23 |
An interpretable machine learning model based on habitat radiomics combined with deep learning for predicting the WHO/ISUP grade of patients with clear cell renal cell carcinoma
2026-Mar-21, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02285-4
PMID:41864916
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11 | 2026-03-23 |
Hybrid tuned deep learning model for breast cancer diagnosis using genetic data
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41643-8
PMID:41865006
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 12 | 2026-03-23 |
Rapid earthquake damage assessment via hybrid LSTM-RNN with a quantum-inspired classification head based on Autonomous Perceptron Model APM
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38982-x
PMID:41865013
|
研究论文 | 本文提出了一种用于地震后快速损伤评估的多场景深度学习框架，结合了LSTM-RNN和量子启发的分类头 | 创新点在于将混合LSTM-RNN与基于自主感知机模型的量子启发分类头相结合，用于地震损伤评估，并引入了条件权重因子估计和特征排序场景 | 未明确说明模型在真实世界地震数据上的泛化能力，以及量子启发分类头相对于标准方法的计算复杂度 | 实现地震后快速损伤评估，以支持弹性应急响应和风险缓解 | 结构响应变量（位移、速度、加速度、损伤指数）和损伤状态 | 机器学习 | NA | 深度学习，量子启发计算 | LSTM, RNN, 混合LSTM-RNN | 序列数据（时间序列） | 使用40步时间窗口进行训练，共100个训练周期 | 未明确指定，可能为TensorFlow或PyTorch | 堆叠LSTM, 混合LSTM-RNN, 自主感知机模型 | R²分数, MAE, RMSE, MAPE, MedAE | 未明确说明 |
| 13 | 2026-03-23 |
Blockchain-based two-level trustable reputation framework for e-commerce platform using smart contracts
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44032-3
PMID:41865050
|
研究论文 | 提出一种基于区块链和深度学习的双层可信声誉框架，用于解决电子商务平台中的声誉系统安全问题 | 结合了可编辑区块链、残差扩张卷积Transformer和多因素认证，通过智能合约实现自动化的声誉验证和交易管理 | 未提及框架在超大规模电商平台上的可扩展性测试或实际部署中的性能数据 | 设计一个可靠、抗攻击的电子商务声誉系统 | 电子商务平台上的用户声誉和交易安全 | 机器学习 | NA | 深度学习, 区块链, 智能合约 | Transformer | 交易数据, 用户行为数据 | NA | Python, Ethereum Solidity | 残差扩张卷积Transformer | NA | NA |
| 14 | 2026-03-23 |
BGC-LiteNet: BeiDou grid code embedded lightweight neural architecture for real-time UAV fire detection and localization
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44728-6
PMID:41865038
|
研究论文 | 提出了一种嵌入北斗网格码的轻量级神经网络架构BGC-LiteNet，用于无人机实时火灾检测与定位 | 将国家空间参考标准北斗网格码直接集成到神经网络特征学习中，通过可学习的地理嵌入模块在输入阶段编码像素-网格对应关系，无需外部GIS后处理即可同时进行检测和定位；开发了延迟感知的轻量级神经架构搜索方法，联合优化检测精度和硬件延迟 | NA | 实现资源受限无人机平台上的实时火灾检测与精确地理定位 | 无人机采集的多场景火灾数据 | 计算机视觉 | NA | 神经架构搜索 | CNN | 图像 | 多场景无人机数据集 | NA | BGC-LiteNet | 平均精度均值, 地理定位准确率, 召回率 | 嵌入式平台 |
| 15 | 2026-03-23 |
Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44545-x
PMID:41865087
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 16 | 2026-03-23 |
A two-stage framework for cost-sensitive predictive maintenance using deep learning, GANs, and risk-aware clustering
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42910-4
PMID:41865106
|
研究论文 | 本文提出了一种基于组件、面向决策的两阶段预测性维护框架，将剩余使用寿命预测与维护成本优化相结合 | 提出了一种结合深度学习、生成对抗网络和风险感知聚类的两阶段框架，通过数据增强解决故障数据稀疏性问题，并引入基于风险的维护决策优化 | 研究基于特定水灌装厂系统的工业组件，框架在其他工业环境中的普适性有待验证 | 开发一种成本敏感的预测性维护方法，减少纠正性故障并优化维护成本 | 工业系统组件（水灌装厂的多组件） | 机器学习 | NA | NA | LSTM, GAN | 时间序列数据（运行至故障序列） | NA | NA | WGAN-GP, DBSCAN | 纠正性故障减少率, 标准化维护成本 | NA |
| 17 | 2026-03-23 |
Memory efficient training for 3D brain image registration networks using PatchMorph
2026-Mar-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44858-x
PMID:41865161
|
研究论文 | 提出一种名为PatchMorph的随机框架，用于显著降低3D脑图像配准网络中训练和推理的内存需求 | 通过解耦空间逻辑与网络架构，实现多尺度、基于世界坐标的补丁级联配准，支持处理大尺寸图像和不同体素分辨率 | 基于补丁的方法比单次全体积网络的推理时间更长 | 开发内存高效的深度学习框架以改进3D脑图像配准 | 人类T1 MRI图像和狨猴脑图像（来自串行双光子断层扫描） | 计算机视觉 | NA | 串行双光子断层扫描 | CNN, Transformer | 3D图像 | NA | NA | VoxelMorph-like | NA | NA |
| 18 | 2026-03-23 |
Viability classification of unstained cells in microscopic images using deep learning
2026-Mar-20, Applied microscopy
DOI:10.1186/s42649-026-00127-9
PMID:41857258
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 19 | 2026-03-23 |
Development and validation of the ultrasound-based radiomics and deep learning prognostic models for diffuse large B-cell lymphoma
2026-Mar-20, Annals of hematology
IF:3.0Q2
DOI:10.1007/s00277-026-06917-1
PMID:41857399
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 20 | 2026-03-23 |
Multimodal deep learning for inflammatory bowel disease: a new frontier in cellular and molecular biomarker discovery to clinical translation
2026-Mar-19, Journal of biological engineering
IF:5.7Q1
DOI:10.1186/s13036-026-00637-w
PMID:41857729
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |