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 461 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 | 2026-07-10 |
RETRACTED: Convolutional neural network model by deep learning and teaching robot in keyboard musical instrument teaching
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0293411
PMID:37883500
|
研究论文 | 研究了键盘乐器教学中深度学习卷积神经网络模型与教学机器人的应用 | 将卷积神经网络模型应用于教学机器人，通过分析学生图像和动作实现个性化教学 | NA | 探索键盘乐器教学的智能化改进方案 | 学前教育中键盘乐器教学 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 图像 | NA | NA | 卷积神经网络 | 学生满意度 | NA |
| 2 | 2026-07-04 |
Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing framework and future research agenda
2023, Journal of ambient intelligence and humanized computing
DOI:10.1007/s12652-021-03612-z
PMID:35039756
|
综述 | 对人工智能在疾病诊断中的应用进行系统文献综述，构建综合框架并提出未来研究议程 | 系统梳理了从机器学习到深度学习的人工智能技术在多种疾病诊断中的应用，并基于PRISMA指南筛选文献，比较了不同数据集和特征提取方法的效果 | 未明确说明具体技术的局限性，且文献筛选截至2020年10月，可能遗漏近期研究 | 综述人工智能技术在疾病诊断中的现状，构建综合框架并指出未来研究方向 | 用于阿尔茨海默病、癌症、糖尿病、慢性心脏病、结核病、中风及脑血管疾病、高血压、皮肤病和肝病诊断的人工智能技术 | 机器学习 | 阿尔茨海默病、癌症、糖尿病、慢性心脏病、结核病、脑血管疾病、高血压、皮肤病、肝病 | NA | NA | 医学影像（超声、磁共振成像、乳腺X线摄影、基因组学、计算机断层扫描） | NA | NA | NA | 预测率、准确率、灵敏度、特异性、曲线下面积、精确率、召回率、F1分数 | NA |
| 3 | 2026-07-03 |
RETRACTED ARTICLE: A review on quantum computing and deep learning algorithms and their applications
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07037-4
PMID:35411203
|
综述 | 本文综述了量子计算和深度学习算法及其在计算智能中的应用 | 系统分析了量子算法和深度学习算法这两大领域及其在计算智能中的应用，强调了量子计算带来的指数级加速优势 | 未详细比较不同算法的具体性能指标，也未讨论实际部署中的挑战 | 探讨量子计算和深度学习在计算智能中的研究现状与应用 | 量子计算和深度学习算法 | 机器学习 | NA | NA | 深度学习模型 | 文本、图像、音频 | NA | NA | NA | NA | NA |
| 4 | 2026-07-03 |
RETRACTED ARTICLE: DenseNet-II: an improved deep convolutional neural network for melanoma cancer detection
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07406-z
PMID:36034768
|
研究论文 (已撤稿) | 提出改进的深度卷积神经网络DenseNet-II用于黑色素瘤检测 | 通过自定义网络层数、激活函数和输入数组维度，改进DenseNet架构，实现对七类皮肤病变的分类，超越传统二分类（恶性/良性）方法 | 未在摘要中明确说明 | 提高黑色素瘤检测的准确性 | 黑色素瘤皮肤病变数据集中的七种病变类型 | 计算机视觉, 数字病理学 | 黑色素瘤 | NA | 卷积神经网络（CNN） | 图像（皮肤镜图像或普通相机图像） | NA | NA | DenseNet（改进型，文中称DenseNet-II） | 准确率 | NA |
| 5 | 2026-07-03 |
RETRACTED ARTICLE: An automatic and intelligent brain tumor detection using Lee sigma filtered histogram segmentation model
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07457-2
PMID:36105824
|
科研论文 | 提出一种基于Lee sigma滤波直方图分割模型（LSFHS）的自动智能脑肿瘤检测方法 | 创新性地结合自适应Lee sigma滤波与灰度双峰直方图分割进行脑肿瘤检测，相比现有方法提高了14%的检测准确率并加快了25%的检测速度 | 本文已被撤回，可能涉及研究结果或方法的可靠性问题 | 实现高准确率、低时间消耗的脑肿瘤自动检测 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI成像 | NA | 图像 | 多张MRI图像 | NA | LSFHS（Lee sigma滤波直方图分割） | 峰值信噪比（PSNR），肿瘤检测准确率，错误率 | NA |
| 6 | 2026-06-30 |
Deep learning prediction boosts phosphoproteomics-based discoveries through improved phosphopeptide identification
2023-Jan-12, bioRxiv : the preprint server for biology
DOI:10.1101/2023.01.11.523329
PMID:36711982
|
研究论文 | 提出了DeepRescore2计算工作流程，利用深度学习预测保留时间和碎片离子强度来提高磷酸肽鉴定和磷酸化位点定位 | 首次将深度学习预测数据（保留时间和碎片离子强度）整合进磷酸蛋白质组学流程，显著提高磷酸肽鉴定率并发现新的生物学靶点 | 仅测试了合成数据和生物数据集，可能未覆盖所有复杂样本类型；深度学习模型依赖训练数据质量 | 改进磷酸蛋白质组学数据分析中的磷酸肽鉴定率，促进基于磷酸化蛋白质组学的生物发现 | 磷酸肽鉴定、磷酸化位点定位、肝脏癌症样本中的磷酸化信号通路 | 深度学习 | 肝癌 | Shotgun磷酸蛋白质组学 | 深度学习模型 | 质谱数据 | 合成数据集和生物数据集（包括肝癌肿瘤与正常组织样本） | NA | NA | 肽谱匹配数增加率（17%）、磷酸肽鉴定增加率（19%-46%）、磷酸化位点 | NA |
| 7 | 2026-06-26 |
Corrigendum to ArtifactID: Identifying artifacts in low-field MRI of the brain using deep learning Magnetic Resonance Imaging Volume 89, June 2022, Pages 42-48
2023-Jan, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2022.03.006
PMID:35396147
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8 | 2026-06-01 |
Application of Artificial Intelligence to the Monitoring of Medication Adherence for Tuberculosis Treatment in Africa: Algorithm Development and Validation
2023 Jan-Dec, JMIR AI
DOI:10.2196/40167
PMID:38464947
|
研究论文 | 本研究开发并验证了基于深度学习模型的视频监测方法，用于自动分类结核病治疗中的药物依从性 | 首次在非洲资源有限环境中应用人工智能进行视频药物依从性监控，并系统评估多种卷积神经网络模型的性能 | 由于缺乏公开可用数据集，未进行外部验证；正负样本不平衡（405正样本vs 92负样本），可能影响模型泛化能力 | 探索深度学习模型在结核病治疗中药物依从性监测的可行性，提高视频监测效率 | 乌干达结核病患者的药物摄入视频图像 | 计算机视觉 | 结核病 | 视频监测技术 | 卷积神经网络 | 视频图像 | 861个视频图像，经筛选后497个视频用于模型训练（405正样本，92负样本） | NA | 3D ResNet, 以及其他三种未指定架构的卷积神经网络 | 灵敏度, 特异性, F1分数, 精确率, AUC, 每视频处理速度 | NA |
| 9 | 2026-05-30 |
An update on computational pathology tools for genitourinary pathology practice: A review paper from the Genitourinary Pathology Society (GUPS)
2023, Journal of pathology informatics
DOI:10.1016/j.jpi.2022.100177
PMID:36654741
|
综述 | 本文对用于泌尿生殖病理学的计算病理学工具进行了综述，评估了最新深度学习工具的应用进展 | 系统性地评估了泌尿生殖病理学深度学习工具的最新迭代，强调了其在肿瘤分级、分期和亚型识别中的潜力 | 数据可用性、监管和标准化方面的限制阻碍了这些工具的实施 | 评估实用深度学习工具在泌尿生殖病理学中的演化轨迹和潜力 | 泌尿生殖病理学中的深度学习算法工具 | 数字病理学 | 泌尿生殖系统疾病（如前列腺癌、膀胱癌等） | 深度学习 | 深度学习模型 | 病理图像 | NA | NA | NA | NA | NA |
| 10 | 2026-05-26 |
Enhancing diabetic retinopathy classification using deep learning
2023 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076231203676
PMID:37766903
|
研究论文 | 利用深度学习模型对糖尿病视网膜病变及其严重程度进行分类 | 结合CLAHE和ESRGAN图像增强技术，在APTOS 2019数据集上实现了97.83%的最高准确率和多阶段分类性能提升 | 未提及具体局限性 | 提高糖尿病视网膜病变的自动检测与分类准确性 | 视网膜眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | CLAHE, ESRGAN | 卷积神经网络 | 图像 | APTOS 2019数据集，包含5个严重阶段 | NA | CNN | 准确率, 精度, 召回率, F1分数 | NA |
| 11 | 2026-05-26 |
Deep learning-enhanced diabetic retinopathy image classification
2023 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076231194942
PMID:37588156
|
研究论文 | 使用深度学习模型准确识别糖尿病视网膜病变的五个阶段 | 通过图像增强技术生成平衡数据集，并使用DenseNet-121模型在APTOS和DDR数据集上实现了优异的分类性能 | 未提及 | 提高糖尿病视网膜病变分期识别的准确性 | 糖尿病视网膜病变的五种阶段分类 | 计算机视觉 | 糖尿病视网膜病变 | 图像增强 | DenseNet-121 | 图像 | APTOS数据集和DDR数据集 | NA | DenseNet-121 | 准确率, 前2准确率, 前3准确率, 精确率, 召回率, F1分数 | NA |
| 12 | 2026-05-17 |
Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0284167
PMID:37023117
|
研究论文 | 利用深度学习算法分析心率变异性与皮层唤醒的耦合关系 | 首次在种族多样人群中研究皮层唤醒与心率变异性的瞬时关联，并使用自动化深度学习工具从心电信号中标注唤醒事件 | 未在标题和摘要中明确说明 | 探究皮层唤醒与心率变异性之间的瞬时关联，以及其在性别和睡眠阶段中的差异 | 来自多种族动脉粥样硬化研究数据集的1069名受试者的整夜心电信号 | 机器学习 | 睡眠呼吸障碍相关心血管功能障碍 | 心电信号分析、多导睡眠监测 | 深度学习算法（用于标注唤醒事件） | 心电信号 | 1069名受试者的整夜心电信号 | NA | NA | NA | NA |
| 13 | 2026-05-15 |
Deep learning-based automated pipeline for blood vessel detection and distribution analysis in multiplexed prostate cancer images
2023, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2023.1296667
PMID:38323039
|
研究论文 | 提出一种基于深度学习的前列腺癌多通道图像血管自动检测与分布分析流水线 | 首次结合CD31、CD34和胶原IV三种标记物训练深度学习模型，实现前列腺癌组织微血管的自动分割，并系统分析血管大小和分布模式与疾病进展的关联 | NA | 开发自动化流水线用于前列腺癌多通道图像中血管检测和分布分析，以替代手动分割并研究血管特征与预后相关性 | 前列腺癌患者队列中的血管 | 数字病理学, 机器学习 | 前列腺癌 | 多重免疫荧光成像 | 深度学习分割模型 | 图像（CD31、CD34和胶原IV多通道显微图像） | 215例前列腺癌患者的组织样本 | NA | NA | 精确率、召回率、Dice相似系数 | NA |
| 14 | 2026-05-09 |
Predicting near-term glaucoma progression: An artificial intelligence approach using clinical free-text notes and data from electronic health records
2023, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2023.1157016
PMID:37122330
|
研究论文 | 利用电子健康记录中的结构化数据和临床自由文本笔记，开发预测青光眼一年内是否进展至需手术的人工智能模型 | 首次结合眼科领域神经词嵌入与深度学习模型，融合结构化临床数据和自由文本笔记特征，预测青光眼手术需求 | 未纳入影像数据，未来研究可进一步优化预测方法 | 开发基于电子健康记录数据预测青光眼患者一年内是否需要手术的模型 | 从斯坦福大学2008-2020年电子健康记录中识别的成年青光眼患者 | 自然语言处理 | 青光眼 | NA | 深度学习模型 | 文本、结构化数据 | 3469名青光眼患者（其中26%接受了手术） | NA | 随机森林、逻辑回归、深度学习 | AUC, F1分数 | NA |
| 15 | 2026-05-05 |
A deep learning algorithm with good prediction efficacy for cancer-specific survival in osteosarcoma: A retrospective study
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0286841
PMID:37768965
|
研究论文 | 利用DeepSurv算法预测骨肉瘤患者癌症特异性生存率，并与Cox比例风险模型比较效果 | 首次在骨肉瘤中应用DeepSurv深度学习算法构建癌症特异性生存预测模型，并提供便捷的网页计算工具 | DeepSurv在预测性能上未显著优于传统Cox模型 | 评估DeepSurv算法在骨肉瘤患者癌症特异性生存预测中的效果，为个体化治疗提供数据支持 | 2004至2017年诊断为骨肉瘤的患者 | 机器学习 | 骨肉瘤 | NA | DeepSurv、Cox比例风险模型 | 表格数据 | 3218名患者，训练组2252人，验证组966人 | NA | DeepSurv | 一致性指数、综合Brier分数、均方根误差、平均绝对误差 | NA |
| 16 | 2026-04-05 |
Data-driven multimodal fusion: approaches and applications in psychiatric research
2023, Psychoradiology
DOI:10.1093/psyrad/kkad026
PMID:38143530
|
综述 | 本文全面概述了数据驱动的多模态融合方法及其在精神病学研究中的应用 | 强调了在无先验信息或有先验信息下，利用典型相关分析和独立成分分析等方法进行多模态融合的创新性，并讨论了N向多模态融合、深度学习方法和临床转化等新兴趋势 | 未具体说明方法在实际应用中可能面临的数据异质性、模型泛化能力或计算资源限制等挑战 | 整合多样化的神经影像视角，以更全面地理解复杂的精神疾病 | 神经影像数据，包括遗传、环境、认知和治疗结果等多因素 | 机器学习 | 精神疾病 | 神经影像分析，如磁共振成像 | 深度学习 | 多模态数据（如神经影像、遗传、环境数据） | NA | NA | NA | NA | NA |
| 17 | 2026-04-04 |
RETRACTED: Gastrointestinal tract disorders classification using ensemble of InceptionNet and proposed GITNet based deep feature with ant colony optimization
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0292601
PMID:37831692
|
研究论文 | 提出一种基于深度特征学习和蚁群优化的自动系统，用于胃肠道疾病的内窥镜图像分类 | 提出新的GITNet深度网络架构，并结合InceptionNetV3进行深度特征提取，首次将蚁群优化（ACO）用于胃肠道疾病分类的特征优化，并采用串行特征融合与多种SVM分类器变体 | 仅在两个特定数据集（KVASIR和NERTHUS）上进行评估，未在更广泛或临床实际数据中验证，未讨论模型的计算效率或实时性 | 开发自动化的计算机辅助诊断系统，提高胃肠道疾病内窥镜筛查的准确性和效率 | 胃肠道疾病的内窥镜图像 | 计算机视觉 | 胃肠道疾病 | 内窥镜成像 | CNN, SVM | 图像 | 两个数据集（KVASIR含8类，NERTHUS含4类），具体样本数未提供 | NA | InceptionNetV3, GITNet | 准确率 | NA |
| 18 | 2026-03-29 |
EPViz: A flexible and lightweight visualizer to facilitate predictive modeling for multi-channel EEG
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0282268
PMID:36848345
|
研究论文 | 介绍了一种名为EPViz的新型开源可视化工具，用于辅助多通道脑电图（EEG）的预测建模开发、验证和结果报告 | 开发了一个轻量级、独立的软件包，能够加载PyTorch深度学习模型，将输出预测叠加在原始EEG时间序列上，并支持高分辨率图像保存，填补了EEG可视化领域的空白 | NA | 促进计算神经科学中时空预测分析的发展，并推动工程师与临床医生之间的合作 | 多通道头皮脑电图（EEG）数据 | 机器学习 | NA | 脑电图（EEG） | 深度学习模型 | 时间序列数据 | NA | PyTorch | NA | NA | NA |
| 19 | 2026-03-24 |
Deep learning-based 2D keypoint detection in alpine ski racing - A performance analysis of state-of-the-art algorithms applied to regular skiing and injury situations
2023, JSAMS plus
DOI:10.1016/j.jsampl.2023.100034
PMID:41868559
|
研究论文 | 本研究评估了深度学习在滑雪运动中的二维关键点检测性能，特别是在常规滑雪和受伤情况下的应用 | 首次将深度学习关键点检测算法应用于高山滑雪中的受伤情况分析，并创建了专门的滑雪受伤数据集 | 在摔倒情况下检测性能显著下降，自遮挡和罕见姿势导致准确率降低 | 评估深度学习算法在滑雪运动关键点检测中的实用性，为运动损伤分析提供工具 | 高山滑雪运动员在常规滑雪和受伤情况下的运动姿态 | 计算机视觉 | 运动损伤 | 深度学习关键点检测 | CNN | 视频图像 | NA | NA | OpenPose, Mask-R-CNN, AlphaPose, DCPose | 平均关节位置误差, 正确关键点百分比 | NA |
| 20 | 2026-03-22 |
Erratum to "A Low-Cost High-Performance Data Augmentation for Deep Learning-Based Skin Lesion Classification"
2023, BME frontiers
IF:5.0Q1
DOI:10.34133/bmef.0011
PMID:37849679
|
correction | 本文是对先前发表的一篇关于深度学习皮肤病变分类中低成本高性能数据增强方法的文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |