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 19275 篇文献，本页显示第 2541 - 2560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2541 | 2026-03-01 |
Clinical insights to improve medical deep learning design: A comprehensive review of methods and benefits
2025-Sep, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.110780
PMID:40782553
|
综述 | 本文全面回顾了医学深度学习设计中融入临床洞察的方法及其益处 | 系统性地调查了临床知识在深度学习设计各阶段的应用，特别是在三维CT图像数据中的整合方法 | NA | 探讨如何通过临床洞察提升医学深度学习模型的性能与可信度 | 三维CT图像数据及临床诊断过程 | 计算机视觉 | NA | NA | 深度学习模型 | 三维CT图像 | 基于400篇研究文章的调查，其中47篇详细分析 | NA | NA | 准确性、鲁棒性、可解释性 | NA |
| 2542 | 2026-03-01 |
Safe Breast Cancer Diagnosis Resilient to Mammographic Adversarial Samples
2025-Sep, Artificial Intelligence and Imaging for Diagnostic and Treatment Challenges in Breast Care : first Deep Breast Workshop, Deep-Breath 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, Proceedings. Deep-Bre...
DOI:10.1007/978-3-031-77789-9_23
PMID:41756191
|
研究论文 | 本研究提出了一种新颖的对抗鲁棒特征学习方法，用于构建对对抗样本具有弹性的乳腺癌诊断模型 | 提出了一种结合特征相关性度量的对抗鲁棒特征学习方法，以促进对抗训练，鼓励学习鲁棒特征并抑制虚假特征 | 仅使用了两个独立临床数据集，可能需要在更广泛的数据集上进行验证 | 开发对对抗样本具有弹性且对标准数据保持准确的深度学习模型，以实现安全的乳腺癌诊断 | 乳腺X线摄影图像 | 计算机视觉 | 乳腺癌 | NA | 深度学习模型 | 图像 | 9,548张乳腺X线摄影图像 | NA | NA | NA | NA |
| 2543 | 2026-03-01 |
Safe-by-Design Strategies for Intranasal Drug Delivery Systems: Machine and Deep Learning Solutions to Differentiate Epithelial Tissues via Attenuated Total Reflection Fourier Transform Infrared Spectroscopy
2025-Mar-14, ACS pharmacology & translational science
IF:4.9Q1
DOI:10.1021/acsptsci.4c00643
PMID:40109738
|
研究论文 | 本研究结合ATR-FTIR光谱与机器学习和深度学习技术，有效区分鼻至脑上皮组织，为鼻内药物递送系统开发安全设计模型 | 首次将ATR-FTIR光谱与ML/DL结合用于区分鼻上皮组织，并引入SHAP值分析解释模型决策，构建去噪自编码器提升光谱质量 | 研究基于离体猪组织实验，可能无法完全反映体内复杂生理环境，样本量未明确说明 | 开发鼻内药物递送系统的安全设计监测策略 | 嗅觉上皮、呼吸上皮和气管组织 | 机器学习 | NA | 衰减全反射傅里叶变换红外光谱 | 前馈神经网络, 支持向量机, 自编码器 | 光谱数据 | NA | NA | 前馈神经网络, 去噪自编码器 | 准确率, 灵敏度, 特异性, F1分数, 皮尔逊相关系数 | NA |
| 2544 | 2026-03-01 |
Feature-Based Audiogram Value Estimator (FAVE): Estimating Numerical Thresholds from Scanned Images of Handwritten Audiograms
2025-Feb-27, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-025-02146-7
PMID:40011323
|
研究论文 | 本研究开发了一种基于机器学习的模型FAVE，用于从手写听力图的扫描图像中估计数值阈值 | 首次提出基于滑动窗口和聚合通道特征的单类物体检测器，专门用于手写听力图的数值提取，相比预训练的深度学习方法在特定测试集上表现更优 | 数值阈值估计的准确性有待提高，仅78.3%的估计无误差，且符号和轴刻度标签检测存在局限性 | 开发机器学习模型以从手写听力图图像中自动提取数值阈值，促进公共卫生研究中的数据可访问性 | 手写听力图的扫描图像 | 计算机视觉 | 老年疾病 | 纯音听力测定 | 物体检测器 | 图像 | 556份手写听力图，来自一项年龄相关性听力损失的纵向队列研究 | NA | 基于聚合通道特征的滑动窗口单类物体检测器 | 召回率, 精确率, 误差率 | NA |
| 2545 | 2026-03-01 |
FedPneu: Federated Learning for Pneumonia Detection across Multiclient Cross-Silo Healthcare Datasets
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 本文提出了一种基于联邦学习的肺炎检测模型FedPneu，利用多客户端跨机构医疗数据集进行早期肺炎检测 | 采用联邦学习框架构建隐私保护的肺炎检测模型，解决了传统深度学习模型在集中式系统中面临的数据隐私泄露风险 | 未明确说明模型在更大规模或更复杂数据集上的泛化能力，且仅基于X射线图像进行验证 | 开发一种隐私保护的肺炎检测模型，以提高医疗数据安全性并改善预测结果 | 肺炎的早期检测 | 计算机视觉 | 肺炎 | X射线成像 | 深度学习模型 | 图像 | 未明确说明具体样本数量，但涉及多客户端跨机构数据集 | 未明确指定，但可能基于PyTorch或TensorFlow等框架 | 未明确指定具体架构，但为基于联邦学习的深度学习模型 | 准确率, 损失, 计算时间 | 未明确说明具体计算资源 |
| 2546 | 2026-03-01 |
Attention-aware Deep Learning Models for Dermoscopic Image Classification for Skin Disease Diagnosis
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究提出了一种结合注意力机制的深度学习模型，用于皮肤镜图像的多分类，以辅助皮肤疾病的诊断 | 将通道注意力和空间注意力机制集成到预训练的CNN架构中，以增强模型对皮肤镜图像关键区域的关注，从而提高分类准确性 | NA | 利用深度学习技术分析皮肤镜图像，实现对皮肤疾病的准确预测和诊断辅助 | 皮肤镜图像中的皮肤病变 | 计算机视觉 | 皮肤疾病 | NA | CNN | 图像 | NA | NA | RegNetX, EfficientNetB3, VGG19, ResNet-152 | 准确率 | NA |
| 2547 | 2026-03-01 |
AI and emerging technologies for diagnosis
2025, Progress in brain research
DOI:10.1016/bs.pbr.2025.08.004
PMID:41314747
|
综述 | 本章探讨人工智能在医学诊断中的变革作用，包括其应用、优势及临床整合挑战 | 综述了AI在医学诊断中的最新进展，强调其在提升效率、精度及早期疾病识别方面的创新潜力 | 未涉及具体实验数据或模型验证，主要基于理论分析和现有应用案例的总结 | 分析人工智能及新兴技术在医学诊断领域的应用、优势与挑战 | 医学诊断过程，包括疾病检测、分析与治疗 | 机器学习 | 癌症, 心血管疾病, 神经系统疾病 | 机器学习, 深度学习 | NA | 医学影像数据（如MRI、CT扫描、X射线） | NA | NA | NA | 诊断准确性, 假阳性率, 假阴性率 | NA |
| 2548 | 2026-03-01 |
Uncovering hidden factors of cognitive resilience in Alzheimer's disease using a conditional-Gaussian mixture variational autoencoder
2025, NPJ dementia
DOI:10.1038/s44400-025-00042-y
PMID:41756363
|
研究论文 | 本研究开发了一种条件高斯混合变分自编码器（C-GMVAE），用于从单细胞转录组数据中揭示阿尔茨海默病认知弹性的潜在分子机制 | 首次将条件高斯混合变分自编码器应用于整合单细胞转录组数据与行为表型，通过结构化潜在空间捕捉与认知弹性相关的协调转录组模式 | 研究基于携带5XFAD突变的BXD小鼠模型，结果向人类阿尔茨海默病的直接转化需要进一步验证 | 揭示阿尔茨海默病中认知弹性的分子机制和遗传调控程序 | 携带5XFAD突变的遗传多样性BXD小鼠群体的单细胞转录组数据和行为表型 | 机器学习 | 阿尔茨海默病 | 单细胞转录组测序 | 变分自编码器（VAE） | 单细胞转录组数据，行为表型数据 | 遗传多样性BXD小鼠群体（具体数量未明确说明） | NA | 条件高斯混合变分自编码器（C-GMVAE） | 遗传性评估，潜在变量生物学意义分析 | NA |
| 2549 | 2026-03-01 |
Connecting the dots: deep learning-based automated model building methods in cryo-EM
2025, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2025.1613399
PMID:41757224
|
综述 | 本文综述了基于深度学习的自动化模型构建方法在冷冻电镜密度图中的应用，旨在加速和简化结构解析过程 | 利用深度学习技术自动化冷冻电镜密度图的模型构建，根据生物大分子的层次结构（初级、二级、三级、四级）对方法进行分类，并区分了直接预测和混合预测两种策略 | 训练网络需要足够大且多样化的数据集来建模不同类型的生物分子，且构建能捕捉冷冻电镜图中常见构象异质性的训练集仍是一个开放挑战 | 探讨深度学习如何自动化冷冻电镜密度图中的模型构建，以加速结构生物学中的结构解析 | 冷冻电镜密度图中的生物大分子结构 | 机器学习 | NA | 冷冻电镜 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 2550 | 2026-02-28 |
Enhancing lymph node diagnosis: integrating deep learning with endoscopic ultrasonography: a retrospective study in China
2025-Nov, Clinical endoscopy
IF:2.1Q3
DOI:10.5946/ce.2025.113
PMID:41147107
|
研究论文 | 本研究开发了一种结合深度学习与内镜超声（EUS）的机器学习模型，用于辅助诊断纵隔和腹腔内淋巴结 | 将U-Net分割模型与六种深度学习架构结合K近邻算法用于淋巴结分类，并整合专家诊断和逻辑回归模型，显著提升了诊断性能 | 研究为回顾性设计，样本量相对较小（93名患者），且仅基于中国单中心数据，可能影响模型泛化能力 | 提升内镜超声对纵隔和腹腔内淋巴结的诊断准确性，同时降低医疗成本 | 纵隔和腹腔内淋巴结的EUS图像 | 计算机视觉 | 淋巴结病变 | 内镜超声（EUS） | CNN, U-Net | 图像 | 93名患者提供的630张EUS图像 | 未明确说明 | U-Net, ResNet-50 | F1分数, 灵敏度, AUC | NA |
| 2551 | 2026-02-28 |
Visible-Light Hyperspectral Reconstruction and PCA-Based Feature Extraction for Malignant Pleural Effusion Cytology
2025-10-28, Biosensors
DOI:10.3390/bios15110714
PMID:41294726
|
研究论文 | 本研究提出了一种结合可见光高光谱成像和主成分分析的计算机辅助诊断模型，用于恶性胸腔积液细胞学图像的分类分析 | 将高光谱成像技术应用于胸腔积液细胞学分析，结合主成分分析进行特征提取，为肺癌诊断提供新的光谱变异分类方法 | 未使用深度学习技术进行自动细胞分类，数据维度仍需优化以提高诊断速度和计算效率 | 开发先进的胸腔积液细胞学图像分析模型，辅助肺癌诊断和分期 | 恶性胸腔积液细胞学图像 | 计算机视觉 | 肺癌 | 高光谱成像，吉姆萨染色 | PCA | 高光谱图像 | NA | NA | NA | NA | 显微镜搭载的敏感CCD |
| 2552 | 2024-08-07 |
Author Response: Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: a systematic review and meta-analysis
2025-Jan-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000001963
PMID:39017750
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2553 | 2026-02-28 |
Embryo selection at the cleavage stage using Raman spectroscopy of day 3 culture medium and machine learning: a preliminary study
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1608318
PMID:41030854
|
研究论文 | 本研究探讨了结合拉曼光谱与机器学习预测第3天胚胎培养液以评估胚胎发育潜力，为卵裂期胚胎选择提供非侵入性方法 | 首次将拉曼光谱与机器学习结合用于第3天胚胎培养液分析，以实现卵裂期胚胎的非侵入性选择，可能避免延长培养对子代健康的影响 | 初步研究，样本量较小（172个样本），需进一步验证和扩大样本以确认临床适用性 | 研究机器学习结合拉曼光谱能否预测第3天胚胎的延长培养结果，从而在卵裂期进行胚胎选择 | 第3天胚胎培养液样本 | 机器学习 | 生殖医学 | 拉曼光谱 | 深度学习, 传统机器学习 | 光谱数据 | 172个第3天培养液样本，来自78对夫妇 | NA | 多层感知机, 人工神经网络, 门控循环单元, 线性判别分析 | 准确率, 灵敏度, 特异性 | NA |
| 2554 | 2026-02-28 |
Integrating Direct Observation of Procedural Skills as a workplace‑based assessment tool for residents working in an intensive care unit
2025, African journal of thoracic and critical care medicine
DOI:10.7196/AJTCCM.2025.v31i4.3120
PMID:41685281
|
研究论文 | 本研究评估了将直接观察程序技能作为工作场所评估工具，用于重症监护室住院医师的超声引导中心静脉导管插入培训 | 将DOPS作为工作场所评估工具引入重症监护室住院医师的超声引导中心静脉导管插入培训，并结合Pendleton模型提供结构化反馈 | 样本量较小（25名住院医师），且研究设计为混合方法，可能受主观反馈影响 | 评估DOPS作为工作场所评估工具在重症监护室住院医师培训中的有效性和接受度 | 重症监护室的住院医师（注册医师） | 医学教育 | NA | 直接观察程序技能评估 | NA | 问卷反馈、评分数据 | 25名住院医师 | NA | NA | 满意度指数、p值 | NA |
| 2555 | 2026-02-28 |
Research on a method for early diagnosis and progression prediction of cervical cancer based on imaging omics and molecular omics
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1670852
PMID:41743184
|
研究论文 | 本研究提出了一种基于影像组学和分子组学整合的新型计算框架，用于宫颈癌的早期诊断和进展预测 | 提出了一种基于Transformer的诊断编码器CervixFormer，结合了分层注意力机制和跨模态特征融合，并引入了领域感知校准策略（DACS）进行不确定性建模和临床先验整合 | 未明确说明研究的具体局限性 | 开发一种用于宫颈癌早期诊断和进展预测的可靠且可解释的诊断工具 | 宫颈癌患者 | 计算机视觉, 自然语言处理, 机器学习 | 宫颈癌 | 影像组学, 分子组学 | Transformer | 图像, 组学数据 | 大规模多模态数据集 | NA | CervixFormer | 诊断准确性, 鲁棒性, 校准可靠性 | NA |
| 2556 | 2026-02-27 |
Enhancing CBCT-based CT synthesis using planning MRI in adaptive proton therapy for head cancer: A deep learning approach
2025-Dec, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70367
PMID:41373115
|
研究论文 | 本研究提出了一种结合CBCT和MRI的深度学习方法来合成CT图像，以提升头癌自适应质子治疗中的剂量计算精度 | 首次将MRI数据整合到CBCT-based CT合成中，以改善软组织轮廓的恢复和剂量计算的准确性 | 数据集规模有限，未来需要更大数据集进行验证 | 提升自适应质子治疗中基于CBCT的CT合成质量，以改善剂量计算精度 | 头癌患者 | 医学影像分析 | 头癌 | CBCT, MRI | cGAN, CycleGAN | 图像 | NA | NA | ResUnet, SwinUnet | HU误差, 剂量差异, 剂量分布 | NA |
| 2557 | 2026-02-27 |
Current State of Artificial Intelligence in Assessing Cardiac Function
2025-Nov-27, Current cardiology reports
IF:3.1Q2
DOI:10.1007/s11886-025-02314-8
PMID:41307845
|
综述 | 本文综述了人工智能在评估心脏功能方面的最新进展，涵盖心电图、超声心动图、心脏CT/MRI及电子健康记录等多种数据模态 | 整合了跨模态AI应用的最新成果，包括基础模型和多模态架构的兴起，这些技术推动了标签高效学习、自动化报告生成和可扩展的群体筛查 | 需要更多稳健的多中心验证、开源代码透明度和前瞻性试验来确认模型的泛化能力并量化患者层面的益处 | 综述人工智能在心血管医学中评估心脏功能的应用进展，旨在促进AI从概念验证向临床不可或缺工具的转变 | 心血管疾病，特别是心脏功能的评估 | 机器学习 | 心血管疾病 | ECG, 超声心动图, 心脏CT/MRI, EHR文本分析 | 深度学习算法, 基础模型, 多模态架构 | 心电图, 图像, 文本 | NA | NA | NA | 准确性 | NA |
| 2558 | 2026-02-27 |
Current Advancements in Digital Neuropathology and Machine Learning for the Study of Neurodegenerative Diseases
2025-Nov, The American journal of pathology
DOI:10.1016/j.ajpath.2024.12.018
PMID:39954963
|
综述 | 本文综述了数字神经病理学与机器学习在神经退行性疾病研究中的当前进展与应用潜力 | 强调了利用全切片图像和先进机器学习/人工智能技术进行神经退行性疾病分析的计算神经病理学这一新兴领域，包括自动化疾病分期、识别新型形态学生物标志物以及通过多模态AI方法揭示新临床见解 | 领域面临专家标注有限、切片扫描不可及、机构间差异以及共享大型全切片图像数据集的复杂性等挑战 | 探讨计算神经退行性神经病理学如何增强神经病理学评估、诊断和研究，以推进对神经退行性疾病的理解 | 神经退行性疾病的神经病理学数据，特别是全切片图像 | 数字病理学 | 神经退行性疾病 | 全切片成像，机器学习/人工智能技术 | 深度学习模型，无监督学习模型，可解释AI模型 | 图像（全切片图像） | NA | NA | NA | NA | NA |
| 2559 | 2026-02-27 |
ESCMID workshop: Artificial intelligence and machine learning in medical microbiology diagnostics
2025 Nov-Dec, Microbes and infection
IF:2.6Q3
DOI:10.1016/j.micinf.2025.105562
PMID:40915468
|
会议报告 | 本文介绍了ESCMID举办的关于人工智能和机器学习在医学微生物学诊断中应用的研讨会内容 | 汇集了专家讲座、实践课程和小组讨论，全面探讨了AI/ML在病原体识别、抗菌药物敏感性预测和疫情检测等关键应用，并特别强调了标准化协议、监管合规和伦理考量 | NA | 探讨人工智能和机器学习在医学微生物学诊断领域的应用潜力、挑战和未来发展方向 | 医学微生物学诊断技术、AI/ML工具与平台 | 机器学习 | NA | 全基因组测序、MALDI-TOF质谱分析、数字显微镜 | 深度学习 | 基因组数据、质谱数据、显微图像 | NA | NA | NA | NA | NA |
| 2560 | 2026-02-27 |
Prediction of Proto-Oncogene Using Bidirectional GRU and Attention
2025-Nov-01, Asian Pacific journal of cancer prevention : APJCP
DOI:10.31557/APJCP.2025.26.11.3959
PMID:41312920
|
研究论文 | 本研究提出两种基于注意力机制的深度学习方法，用于预测原癌基因蛋白序列 | 结合注意力机制与卷积神经网络（ACNN）及双向门控循环单元（ABiGRU），提高了蛋白序列分类的准确性和可解释性 | 未提及模型在更广泛数据集或实际临床环境中的泛化能力验证 | 预测原癌基因蛋白序列，以辅助癌症早期预后和靶向药物开发 | 原癌基因蛋白序列 | 生物信息学 | 癌症 | 基因组测序技术 | CNN, GRU | 蛋白序列数据 | 基于Uniprot基准数据集，具体样本数未明确 | NA | ACNN, ABiGRU | 准确率 | NA |