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 42699 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 | 2026-03-31 |
Robotic-Arm Assisted Multi-Apical View 3-D Fusion of Echocardiography for Enhanced Left Ventricular Assessment Using Wavelet
2026-May, Ultrasound in medicine & biology
|
研究论文 | 本研究提出了一种结合机器人臂辅助采集和小波变换的多心尖视图融合方法，以提升三维超声心动图中左心室图像质量 | 创新点在于首次将机器人臂辅助的标准化探头定位与小波变换的多视图融合技术相结合，用于增强三维超声心动图的图像质量和可重复性 | 研究局限性包括样本量较小且仅基于志愿者扫描，未在临床患者群体中广泛验证，且未来需要探索更多视图和深度学习方法以进一步提升性能 | 研究目标是提高三维超声心动图对左心室功能的评估准确性和图像质量 | 研究对象为志愿者通过三维超声心动图采集的左心室图像 | 医学影像处理 | 心血管疾病 | 三维超声心动图，小波变换融合技术 | NA | 三维超声图像 | 志愿者扫描（具体数量未在摘要中明确说明） | NA | NA | 信噪比，对比噪声比，图像清晰度评分，心肌边界连续性评分，诊断置信度评分 | NA |
| 2 | 2026-03-31 |
High diagnostic accuracy of a resnet50-based deep learning model for osteochondral lesions of the talus on magnetic resonance imaging
2026-May-01, Joint diseases and related surgery
IF:1.9Q2
DOI:10.52312/jdrs.2026.2719
PMID:41906849
|
研究论文 | 本研究评估了基于ResNet50的卷积神经网络在磁共振成像上检测距骨骨软骨病变的诊断性能，并比较了其在T1和T2加权序列间的效能 | 首次应用ResNet50模型于距骨骨软骨病变的MRI诊断，并系统比较了T1和T2加权序列的诊断准确性差异 | 数据集规模相对较小（仅219例），且为回顾性研究，可能影响模型泛化能力 | 评估深度学习模型在距骨骨软骨病变MRI诊断中的性能 | 距骨骨软骨病变患者的踝关节磁共振成像 | 计算机视觉 | 骨关节疾病 | 磁共振成像 | CNN | 图像 | 219例踝关节MRI扫描（60例病变，159例正常） | TensorFlow, Keras | ResNet50 | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 3 | 2026-03-31 |
Glucose forecasting and hypoglycemia forewarning in type 1 and type 2 diabetes using deep learning
2026-Apr-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115294
PMID:41907406
|
研究论文 | 本研究开发了一种名为MT-HypoNet的多任务神经网络，用于从连续血糖监测数据中进行实时血糖预测和低血糖预警 | 提出了一种统计引导的软标签策略以改进低血糖边界附近的检测，并在大规模多中心队列（包括1型和2型糖尿病患者）中进行了验证与前瞻性评估 | 未明确说明模型在其他糖尿病亚型或特殊人群（如儿童、孕妇）中的适用性，且前瞻性验证样本量相对较小 | 通过深度学习技术实现精准的血糖预测和低血糖预警，以改善糖尿病管理安全性 | 1型和2型糖尿病患者 | 机器学习 | 糖尿病 | 连续血糖监测 | 深度学习神经网络 | 时间序列数据（连续血糖监测数据） | 1,662名患者（多中心队列）和36名围手术期患者（前瞻性验证） | 未明确说明 | MT-HypoNet（多任务神经网络） | AUC, RMSE | NA |
| 4 | 2026-03-31 |
Toward accurate prediction of pediatric epidemic disease patient volume in the Chaoshan region: A deep learning framework
2026-Apr-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115211
PMID:41907420
|
研究论文 | 本研究开发了一个深度学习框架，用于预测潮汕地区儿科流行病患者的就诊量，基于电子健康记录数据 | 该框架首次针对潮汕地区的流行病学特征设计，能够学习捕捉本地疫情动态的儿科表征，以满足区域临床预测需求 | 研究仅基于单一医院的电子健康记录数据，可能未涵盖所有区域流行病学变化，且模型在其他地区的泛化能力未验证 | 准确预测儿科流行病患者就诊量，以支持有效的预防和个性化治疗策略 | 潮汕地区的儿科门诊和急诊患者 | 机器学习 | 儿科流行病 | 深度学习 | 深度学习框架 | 电子健康记录 | 278,506例儿科门诊和急诊就诊记录 | NA | NA | 平均相关系数，均方根误差，平均绝对比例误差 | NA |
| 5 | 2026-03-31 |
An Unsupervised Learning Approach for Multimodal Low Back Pain Stratification
2026-Apr-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005593
PMID:41384355
|
研究论文 | 本研究提出了一种新颖的多模态无监督学习框架，用于对腰痛患者进行分层，整合了影像生物标志物和非影像数据 | 开发了一种结合深度学习提取的影像生物标志物（如椎间盘退变和关节突关节不对称）与吸烟状态、人口统计学及自我报告数据的多模态无监督分层方法 | 研究为横断面设计，无法确定因果关系；样本来自特定出生队列，可能限制泛化性 | 开发一个全面的风险分层框架，以改善腰痛患者的个性化护理 | 腰痛患者，数据来自北芬兰出生队列，包括影像和非影像信息 | 数字病理学 | 腰痛 | 深度学习分析腰椎MRI | 深度学习模型 | 多模态数据（影像、问卷、人口统计学） | 北芬兰出生队列的参与者，具体数量未在摘要中明确 | NA | NA | 准确率, 净收益 | NA |
| 6 | 2026-03-31 |
Attention Gated-VGG with deep learning-based features for Alzheimer's disease classification
2026-Apr, Neurodegenerative disease management
IF:2.3Q3
DOI:10.1080/17582024.2025.2554495
PMID:40929122
|
研究论文 | 本文提出了一种基于注意力门控VGG和深度学习特征的阿尔茨海默病分类方法 | 结合了WOA优化的ResNet特征提取和注意力门控VGG模型，提高了AD分类的准确性和性能 | 未明确说明数据集的来源和样本多样性，可能影响模型的泛化能力 | 早期检测阿尔茨海默病 | 阿尔茨海默病患者 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | CNN | 图像 | NA | NA | ResNet, Attention Gated-VGG | 准确率, 灵敏度, 特异性 | NA |
| 7 | 2026-03-31 |
Dual-feature cross-fusion network for precise brain tumor classification: a neurocomputational approach
2026-Apr, The International journal of neuroscience
DOI:10.1080/00207454.2025.2565445
PMID:40986620
|
研究论文 | 本文提出了一种名为双特征交叉融合网络（DF-CFN）的新型深度学习架构，用于基于MRI数据的脑肿瘤自动分类 | 提出了一种结合ConvNeXt提取全局上下文特征与浅层CNN及FcaNet提取局部特征的双特征交叉融合网络，通过交叉特征融合机制提升分类性能 | 未明确说明模型在更广泛或更具挑战性数据集上的泛化能力，也未详细讨论计算复杂度或实时应用可行性 | 开发一种自动化、高精度的脑肿瘤分类方法，以辅助临床诊断 | 脑肿瘤MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤类别 | 计算机视觉 | 脑肿瘤 | 磁共振成像（MRI） | CNN | 图像 | 使用Kaggle数据集和FigShare数据集进行训练和验证，具体样本数量未明确说明 | 未明确说明，可能为PyTorch或TensorFlow | ConvNeXt, 浅层CNN, FcaNet, 双特征交叉融合网络（DF-CFN） | 准确率 | NA |
| 8 | 2026-03-31 |
Preliminary findings on a deep learning model using electroencephalogram for multi-level neuropathic pain detection in post-stroke patients
2026-Apr, The International journal of neuroscience
DOI:10.1080/00207454.2025.2584081
PMID:41199478
|
研究论文 | 本研究开发了一种基于脑电图信号的深度学习模型，用于卒中后患者的多级别神经病理性疼痛检测 | 提出了一种量子启发的金字塔深度可分离残差网络，结合了深度可分离残差网络降低计算复杂度、金字塔注意力机制捕捉多尺度模式以及量子启发变换层建模脑电图特征间复杂非线性依赖关系三大创新点 | NA | 开发准确且计算高效的多级别神经病理性疼痛检测框架 | 卒中后患者的脑电图信号 | 机器学习 | 卒中 | 脑电图 | 深度学习 | 脑电图信号 | NA | NA | 量子启发的金字塔深度可分离残差网络 | 准确率, 召回率 | NA |
| 9 | 2026-03-31 |
Multicenter Clinical Validation of an Artificial Intelligence Diagnostic Classification Model for Laryngoscopy Images
2026-Apr, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.70153
PMID:41696998
|
研究论文 | 本研究开发并外部验证了一个基于人工智能的计算机辅助诊断模型，用于从喉镜图像中分类喉部病变为高风险或低风险 | 进行了大规模多中心临床验证，展示了模型在不同外部数据集上的泛化能力，并与不同专业水平的医生及ChatGPT-4o进行了性能比较 | 研究为回顾性设计，前瞻性多中心临床试验正在进行中以评估真实世界的临床实施效果 | 开发并验证一个用于喉部病变风险分类的人工智能辅助诊断模型 | 喉镜图像中的可见喉部病变 | 计算机视觉 | 喉部疾病 | 喉镜检查 | 深度学习模型 | 图像 | 超过20,000张喉镜检查图像 | NA | NA | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 10 | 2026-03-31 |
Data mining in pediatric radiology in the era of artificial intelligence
2026-Apr, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-026-06551-z
PMID:41739184
|
综述 | 本文综述了人工智能时代下儿科放射学中的数据挖掘，探讨了其核心概念、工作流程、临床应用、当前挑战及未来展望 | 将数据挖掘与人工智能在儿科放射学中的相互依赖关系进行整合性探讨，并强调了在有限且异质的儿科数据集上应用深度学习、大语言模型、多模态融合和联邦学习等现代AI工具进行高级模式发现 | NA | 探讨人工智能驱动的数据挖掘在儿科放射学中的应用，以改善儿童健康结局 | 儿科放射学中的多模态数据源，包括图像、报告、元数据和电子健康记录 | 数字病理学 | NA | 数据挖掘 | 深度学习, 大语言模型 | 图像, 文本, 元数据 | NA | NA | NA | NA | NA |
| 11 | 2026-03-31 |
The role of artificial intelligence in pre-operative prediction of completeness of cytoreduction for peritoneal surface malignancies: a scoping review
2026-Apr, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2026.111480
PMID:41740519
|
综述 | 本文是一篇范围综述，分析了人工智能在预测腹膜表面恶性肿瘤细胞减灭术完全性方面的应用 | 首次通过范围综述系统总结了AI在预测细胞减灭术完全性中的应用，并强调了放射组学-临床列线图和深度学习框架（如DeAF）的潜力 | 可解释性仅限于列线图、特征重要性图或校准分析，未采用现代可解释AI技术；研究数量有限（仅9项） | 分析人工智能在预测腹膜表面恶性肿瘤细胞减灭术完全性中的应用 | 腹膜表面恶性肿瘤患者 | 数字病理 | 腹膜表面恶性肿瘤 | 放射组学，深度学习 | 深度学习框架，列线图 | 临床数据，影像数据 | NA | NA | DeAF | AUC | NA |
| 12 | 2026-03-31 |
Advancements in artificial intelligence for meibography: clinical utility and contributions to meibomian gland dysfunction management
2026-Apr, Clinical & experimental optometry
DOI:10.1080/08164622.2025.2555315
PMID:41083413
|
综述 | 本文综述了人工智能在睑板腺成像（meibography）中的最新进展，及其在睑板腺功能障碍诊断与管理中的临床应用 | 利用深度学习实现更精确的腺体特征提取，如腺体缺失、密度和迂曲度，支持标准化和可重复的临床评估 | 当前AI模型在区域腺体变异建模有限、数据集多样性不足、缺乏标准化图像质量控制 | 探索基于AI的睑板腺成像在睑板腺功能障碍诊断与管理中的临床效用 | 睑板腺结构与睑板腺功能障碍 | 计算机视觉 | 睑板腺功能障碍 | meibography | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 13 | 2026-03-31 |
Head radiotherapy positioning guidance system based on feature recognition and automatic annotation: Clinical validation and error analysis
2026-Apr, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70405
PMID:41904706
|
研究论文 | 本文提出了一种基于RGB-D相机和深度学习算法的放疗定位引导系统，用于头颈部肿瘤放疗的精准定位 | 将深度学习算法集成到放疗工作流程中，结合表面轮廓提取和面部标志点检测，实现从粗定位到精定位的自动化过程 | 研究样本量较小（22名患者），且仅针对头颈部肿瘤，未涵盖其他部位 | 探索基于特征识别和自动标注的放疗定位引导系统的可行性，并分析其在头颈部放疗中的定位误差 | 头颈部肿瘤患者 | 计算机视觉 | 头颈部肿瘤 | RGB-D相机成像 | 深度学习 | 彩色图像,深度图像 | 22名头颈部肿瘤患者，共246个病例数据 | NA | DeepLab-Opt, Fast Face Marker Detector (FFMD) | 定位误差（横向、纵向、垂直方向及旋转角度）, 定位时间 | NA |
| 14 | 2026-03-31 |
Blueprint for Drug Repurposing Success: Foundational Concepts and Practical Framework
2026-Apr, Drug development research
IF:3.5Q2
DOI:10.1002/ddr.70270
PMID:41904819
|
综述 | 本文全面分析了药物重定位的传统与计算策略，包括实验方法和人工智能驱动的模型，旨在加速药物发现研究 | 系统整合了人工智能和机器学习在药物重定位流程中的应用，强调了其在处理大规模数据、提高预测准确性方面的能力 | NA | 为药物化学家、计算生物学家和药物发现科学家提供加速药物重定位研究的实用框架和资源指南 | 现有临床评估化合物及其新的治疗应用 | 自然语言处理, 机器学习 | NA | 结合亲和力测定、临床数据挖掘、表型筛选、结构基、签名基、通路基、知识基、靶点基策略 | 深度学习架构, 图神经网络, 知识图谱, 网络药理学框架 | 大规模数据集, 药物-靶点相互作用数据 | NA | NA | NA | 预测准确性 | NA |
| 15 | 2026-03-31 |
AI-driven drug-target interaction prediction: current progress, challenges, and future roadmap for precision medicine
2026-Mar-31, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-026-00798-2
PMID:41910880
|
综述 | 本文系统回顾了人工智能驱动的药物-靶点相互作用预测的当前进展、挑战及未来在精准医学中的应用路线图 | 全面整合了从传统计算方法到现代深度学习及多组学混合模型的最新进展，并强调了跨学科整合和伦理框架的重要性 | 面临数据稀疏性、模型可解释性及泛化能力等关键挑战 | 探索计算药物-靶点相互作用预测方法，以支持药物发现、开发和重定位 | 药物-靶点相互作用 | 机器学习 | NA | QSAR, 药效团建模, 分子对接, 结合位点预测, 多组学整合 | 机器学习, 深度学习, 图神经网络, Transformer | 化学, 生物, 组学特征 | NA | NA | 图神经网络, Transformer | 预测准确性 | NA |
| 16 | 2026-03-31 |
Recent Advances in Musculoskeletal Radiology: Bridging Innovation and Clinical Application
2026-Mar-30, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.rev.2025-0150
PMID:41443887
|
综述 | 本文综述了肌肉骨骼放射学领域的最新进展，重点介绍了MRI、CT和人工智能等技术创新及其在临床诊断中的应用 | 总结了肌肉骨骼成像的7个关键领域，包括CT样对比MRI、定量MRI、AI在图像重建和诊断支持中的应用等，代表了该领域的范式转变 | 作为一篇综述文章，未提出新的原始研究数据或模型，主要依赖现有文献进行总结 | 回顾并总结肌肉骨骼放射学领域的最新技术进展及其临床转化应用 | 肌肉骨骼系统的影像学诊断技术，包括MRI、CT、PET和人工智能应用 | 数字病理学 | 肌肉骨骼疾病 | MRI, CT, PET, MR spectroscopy (MRS), 人工智能 | CNN, 自然语言处理模型 | 图像, 文本 | NA | NA | NA | NA | NA |
| 17 | 2026-03-31 |
Automated daily adaptation for breast cancer radiotherapy: benefits of deep learning-driven dose prediction workflow for CBCT-based adaptation
2026-Mar-30, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae5387
PMID:41843986
|
研究论文 | 本研究探讨了基于深度学习的剂量预测与自动计划结合，用于乳腺癌放疗中基于锥形束CT的每日自适应放疗的可行性及临床益处 | 首次将深度学习驱动的剂量预测引擎与自动计划解决方案结合，用于乳腺癌放疗的每日自适应工作流，并通过预测标准优化重新计划决策 | 每日自适应可能并非对所有患者的所有分次都带来益处，且研究样本量较小（28例患者），需要进一步验证 | 评估基于锥形束CT的每日自适应放疗在乳腺癌治疗中的临床可行性及益处 | 28例接受容积旋转调强放疗的乳腺癌患者及其每日锥形束CT图像 | 数字病理学 | 乳腺癌 | 锥形束CT成像，容积旋转调强放疗 | 深度学习模型 | 医学图像（锥形束CT） | 28例乳腺癌患者，每日锥形束CT图像（约15次/患者） | 未明确指定 | 未明确指定 | 计划靶区剂量覆盖率，临床目标达成比例，器官风险剂量减少百分比 | 未明确指定 |
| 18 | 2026-03-31 |
Integration of Raman tweezers and machine learning for label-free single-cell characterization of endometriosis cells
2026-Mar-30, The Analyst
DOI:10.1039/d5an01076d
PMID:41711554
|
研究论文 | 本研究开发并验证了一种结合光学捕获和拉曼光谱的拉曼镊子平台，用于对子宫内膜异位症来源的VK2/E6E7上皮细胞进行无标记单细胞生化分析 | 首次将拉曼镊子应用于子宫内膜异位症细胞的单细胞分析，并整合了深度学习预处理和可解释机器学习方法 | 研究仅比较了VK2/E6E7细胞与A549上皮癌细胞系，未涉及更多细胞类型或临床样本，可能限制其普适性 | 探索子宫内膜异位症的细胞机制，开发一种无标记、微创的诊断策略 | 子宫内膜异位症来源的VK2/E6E7上皮细胞和上皮癌细胞系A549 | 机器学习 | 子宫内膜异位症 | 拉曼镊子（结合光学捕获和拉曼光谱） | Random Forest, XGBoost | 拉曼光谱数据 | 涉及VK2/E6E7细胞和A549细胞系，具体样本数量未明确说明 | NA | RSPSSL（自监督深度学习模型用于预处理） | 准确率 | NA |
| 19 | 2026-03-31 |
Algorithm prediction of lifetime under high-power microwave based on T-type field plate HEMTs
2026-Mar-30, Nanotechnology
IF:2.9Q2
DOI:10.1088/1361-6528/ae5539
PMID:41861404
|
研究论文 | 本研究构建了一个深度学习模型，结合TCAD技术，用于预测T型场板HEMTs在高功率微波应力下的可靠性 | 采用深度学习算法预测高功率微波下HEMTs的寿命，相比传统机器学习方法具有更低的预测误差，并允许非半导体专家快速获取设备寿命数据 | 未明确提及模型在极端或未见过条件下的泛化能力，以及可能的数据集规模限制 | 预测T型场板HEMTs在高功率微波应力下的可靠性，以支持设备设计和寿命评估 | T型场板高电子迁移率晶体管（HEMTs） | 机器学习 | NA | TCAD技术 | 深度学习模型 | 数值数据（脉冲宽度、功率、占空比） | NA | NA | NA | 相对误差，平均相对误差 | NA |
| 20 | 2026-03-31 |
Cross-platform deep learning enables automated cytomorphologic subtyping of acute leukemia from bone marrow smears
2026-Mar-30, Virchows Archiv : an international journal of pathology
IF:3.4Q1
DOI:10.1007/s00428-026-04492-4
PMID:41906037
|
研究论文 | 本研究开发了一个深度学习框架ALSNet，用于从Wright-Giemsa染色的骨髓涂片中自动进行细胞级分类和病例级亚型分型急性白血病 | ALSNet结合了双分支卷积架构和Transformer编码器，以捕获细粒度局部特征和全局形态学上下文，并通过多平台数据训练增强了泛化能力 | 未明确提及具体局限性，但外部验证的病例级准确率为0.75，仍有提升空间 | 自动化急性白血病的细胞形态学亚型分型，以指导治疗和预测患者结局 | 急性白血病患者的Wright-Giemsa染色骨髓涂片 | 数字病理学 | 急性白血病 | Wright-Giemsa染色 | CNN, Transformer | 图像 | 180,928张专家标注的单细胞图像，涵盖19个造血和白血病细胞类别，来自三个不同的成像平台 | NA | 双分支卷积架构, Transformer编码器 | 每类准确率, 病例级准确率, 相关系数R | NA |