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 19281 篇文献，本页显示第 1021 - 1040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1021 | 2026-03-06 |
Analysis of genetic polymorphisms in sudden sensorineural hearing loss and artificial intelligence-supported individualized precision therapy
2025, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2025.1643435
PMID:41783579
|
研究论文 | 本研究通过分析突发性感官神经性听力损失患者的遗传多态性，并构建人工智能模型，探索了个体化精准治疗策略 | 结合遗传多态性分析与深度学习CNN模型，为SSNHL提供个体化治疗预测，并比较了不同治疗方法的疗效 | 样本量相对有限（总样本300例），且仅基于特定遗传位点进行分析，可能未涵盖所有影响因素 | 识别影响SSNHL治疗效果的关键因素，并开发个体化精准治疗预测模型 | 200例SSNHL患者（内部数据集）和100例独立外部验证病例 | 机器学习 | 突发性感官神经性听力损失 | 血液检测遗传多态性分析 | CNN, 随机森林, 支持向量机, 多因素逻辑回归 | 临床数据、遗传数据 | 300例（200例内部数据集 + 100例外部验证集） | NA | 卷积神经网络 | 敏感性, 特异性, 准确率 | NA |
| 1022 | 2026-03-05 |
Hybrid deep learning model for autism spectrum disorder diagnosis
2025-Dec-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28819-4
PMID:41462499
|
研究论文 | 本文提出了一种用于儿童自闭症谱系障碍诊断的混合深度学习模型，并在面部图像数据集上进行了性能评估 | 提出并比较了多种混合深度学习模型（如MobileNetV2+GRU），其中MobileNetV2+GRU模型在测试集上表现出最优性能 | 研究仅基于Kaggle的面部图像数据集，未涉及其他多模态数据（如fMRI、游戏评估、运动特征等），且未说明模型的临床验证情况 | 开发一种客观、高效的深度学习模型，用于儿童自闭症谱系障碍的早期诊断 | 自闭症谱系障碍儿童的面部图像数据 | 计算机视觉 | 自闭症谱系障碍 | 深度学习 | CNN, LSTM, GRU | 图像 | 来自Kaggle仓库的面部图像数据集（具体数量未说明） | NA | MobileNetV2, BiLSTM, ResNet50, LSTM, EfficientNetB4, InceptionV3, GRU | 准确率, 精确率, F1分数, ROC值 | NA |
| 1023 | 2026-03-05 |
A Pre-Trained Model Customization Framework for Accelerated PET/MR Segmentation of Abdominal Fat in Obstructive Sleep Apnea
2025-Dec-18, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15243243
PMID:41464242
|
研究论文 | 本研究验证了一种基于预训练网络的定制化框架，用于开发自动化内脏和皮下脂肪组织分割模型，利用阻塞性睡眠呼吸暂停患者的PET/MRI混合数据进行腹部脂肪量化 | 提出了一个可扩展的定制化框架，结合预训练的UNet-ResNet50模型和闭环训练系统，首次在PET/MRI混合成像中实现腹部脂肪的自动分割，同时支持体积和代谢分析 | 模型在轮廓/边界描绘方面的Dice相似系数较低（0.43和0.54），可能影响分割精度；样本量相对有限，仅基于OSA患者数据 | 开发一个自动化框架，用于加速PET/MRI中腹部脂肪的分割，以支持阻塞性睡眠呼吸暂停及相关慢性疾病的研究 | 阻塞性睡眠呼吸暂停患者的腹部内脏脂肪组织和皮下脂肪组织 | 数字病理学 | 阻塞性睡眠呼吸暂停 | 混合正电子发射断层扫描/磁共振成像 | CNN | 图像 | 59、157和328个带标注的扫描用于迭代训练，10个独立测试案例（每个扫描80-100个MR切片） | Discovery Viewer平台 | UNet-ResNet50 | Dice相似系数, 分割时间, 组内相关系数, Bland-Altman分析 | NA |
| 1024 | 2026-03-05 |
Integrating Imaging-Derived Clinical Endotypes with Plasma Proteomics and External Polygenic Risk Scores Enhances Coronary Microvascular Disease Risk Prediction
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.18.25333844
PMID:40894134
|
研究论文 | 本研究通过整合影像学衍生的临床内型、血浆蛋白质组学和外源多基因风险评分，开发了冠状动脉微血管疾病的风险预测模型 | 首次应用影像学内型分型，并结合遗传和蛋白质组学数据进行CMVD风险预测，提出了一种用于复杂疾病的多模态建模框架 | CMVD的大规模全基因组关联研究缺乏，限制了多基因风险评分模型的开发 | 增强冠状动脉微血管疾病的风险预测能力 | 冠状动脉微血管疾病患者 | 机器学习 | 心血管疾病 | 全基因组关联研究，血浆蛋白质组学，灌注PET成像 | 机器学习，深度学习 | 影像数据，蛋白质组学数据，遗传数据 | NA | NA | NA | AUROC | NA |
| 1025 | 2026-03-05 |
Genomic Characterization of Lung Cancer in Never-Smokers Using Deep Learning
2025-Aug-20, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.14.670178
PMID:40894597
|
研究论文 | 本文提出了一种基于ResNet50架构的定制化深度卷积神经网络，用于从未吸烟者肺腺癌的H&E染色全切片图像中同时预测16种分子改变 | 首次将深度学习模型专门应用于从未吸烟者的肺腺癌，这是一种分子和组织学上独特的肺癌亚型，并针对该亚型优化了网络架构，实现了从单张WSI同时预测多种分子特征 | 模型对肿瘤突变负荷、APOBEC突变特征及某些KRAS热点突变的预测性能较低至中等 | 开发一种深度学习模型，用于从未吸烟者肺腺癌的组织学图像中推断分子特征，以支持分子检测的分流和精准治疗策略 | 从未吸烟者的肺腺癌患者的H&E染色全切片图像 | 数字病理学 | 肺癌 | H&E染色 | CNN | 图像 | 495张全切片图像 | NA | ResNet50 | AUROC | NA |
| 1026 | 2026-03-05 |
Using deep learning to predict postoperative pain in reverse shoulder arthroplasty patients
2025-May, JSES international
DOI:10.1016/j.jseint.2024.11.020
PMID:40486767
|
研究论文 | 本研究开发了一个深度学习算法，用于预测反向全肩关节置换术后的疼痛情况 | 首次应用人工神经网络预测反向全肩关节置换术后疼痛，并利用SHAP分析识别关键预测因素 | 模型准确率仅为63%，需要进一步优化，如纳入更多预测参数和尝试其他机器学习算法 | 开发预测反向全肩关节置换术后疼痛的深度学习模型，以优化手术指征和患者期望管理 | 反向全肩关节置换术患者 | 机器学习 | 骨科疾病 | 人工神经网络 | 人工神经网络 | 临床数据 | 1707名患者（疼痛组705人，无疼痛组1002人） | NA | 人工神经网络 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1027 | 2026-03-05 |
Role of artificial intelligence in magnetic resonance imaging-based detection of temporomandibular joint disorder: a systematic review
2025-04, The British journal of oral & maxillofacial surgery
DOI:10.1016/j.bjoms.2024.12.004
PMID:40087072
|
系统综述 | 本系统综述评估了人工智能在利用磁共振成像识别颞下颌关节盘位置中的应用 | 首次系统性地总结了AI在颞下颌关节紊乱症MRI检测中的应用，并比较了不同深度学习与机器学习算法的性能 | 纳入研究数量有限（7项），存在设计标准化不足和报告不一致的问题，其中一项研究存在高偏倚风险 | 评估人工智能在基于磁共振成像的颞下颌关节盘位置检测中的有效性和应用 | 正常个体或颞下颌关节紊乱症患者的颞下颌关节磁共振成像数据 | 医学影像分析 | 颞下颌关节紊乱症 | 磁共振成像 | 深度学习, 机器学习 | 图像 | NA | NA | MobileNetV2, ResNet | 灵敏度, 特异性, 准确率 | NA |
| 1028 | 2025-02-19 |
Deep learning: Cracking the metabolic code
2025-Mar-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001220
PMID:39960202
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1029 | 2026-03-05 |
Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_17
PMID:40337098
|
研究论文 | 本研究提出了一种基于nnUNetv2框架并融合自编码器架构的新型深度学习模型，用于头颈癌MRI引导放疗图像中的肿瘤体积自动分割 | 在nnUNetv2框架中引入自编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提升分割精度 | 研究仅基于头颈癌患者的特定数据集（150例训练，50例测试），模型在其他癌症类型或影像模态上的泛化能力未经验证 | 提升头颈癌MRI引导放疗图像中肿瘤体积自动分割的精度 | 头颈癌患者的MRI引导放疗图像 | 数字病理 | 头颈癌 | MRI引导放疗 | CNN | 图像 | 150例头颈癌患者用于训练，50例用于测试 | nnUNetv2 | nnUNet, 自编码器 | Dice相似系数 | NA |
| 1030 | 2026-03-05 |
Assessing Self-supervised xLSTM-UNet Architectures for Head and Neck Tumor Segmentation in MR-Guided Applications
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_12
PMID:40400661
|
研究论文 | 本文提出了一种用于头颈部肿瘤分割的新型两阶段模型，结合自监督学习和xLSTM-UNet架构，以提升MRI引导自适应放疗中的分割精度 | 提出了一种创新的两阶段模型，第一阶段采用基于DINOv2架构的自监督3D师生学习框架从未标记数据中学习有效表示，第二阶段设计了一种结合xLSTM的UNet模型，能够同时捕获肿瘤进展的空间特征和时序依赖关系 | 未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算资源需求和处理时间 | 优化头颈部癌症的MRI引导自适应放疗，通过自动肿瘤分割提升治疗精度 | 头颈部肿瘤的MRI影像 | 数字病理学 | 头颈部癌症 | MRI影像分析 | 自监督学习, 师生学习, xLSTM-UNet | 3D MRI影像 | 未明确说明具体样本数量，仅提及在多样化的头颈部癌症病例上进行评估 | PyTorch（基于DINOv2架构推断） | DINOv2, xLSTM-UNet | Dice系数 | NA |
| 1031 | 2026-03-05 |
Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_20
PMID:40417457
|
研究论文 | 本文探讨了使用3D nnU-Net模型在MRI数据上自动分割头颈部原发肿瘤和转移淋巴结的潜力 | 在3D nnU-Net模型中引入残差编码器，并针对高背景比例数据进行了专门的再训练优化 | 模型在高背景比例数据上表现不佳，GTVp分割效果弱于GTVn，仍需进一步优化 | 提高头颈部肿瘤放疗计划中肿瘤自动分割的准确性和可靠性 | 头颈部原发肿瘤体积（GTVp）和转移淋巴结（GTVn） | 医学图像分割 | 头颈部肿瘤 | MRI成像 | 深度学习 | 3D MRI图像 | 2024 MICCAI头颈部肿瘤分割挑战赛提供的高质量数据集 | PyTorch | 3D nnU-Net with Residual Encoder | DSCagg | NA |
| 1032 | 2026-03-03 |
Retinal proteomics in neurodegeneration: Insights into ocular and brain disorders
2025-Oct-30, Neural regeneration research
IF:5.9Q1
DOI:10.4103/NRR.NRR-D-25-00291
PMID:41169217
|
综述 | 本文总结了视网膜蛋白质组学在神经退行性疾病和眼部疾病中的最新进展，重点关注其在发现治疗靶点和非侵入性诊断生物标志物方面的潜力 | 整合了人工智能驱动的计算流程，特别是GPU加速的深度学习架构，显著提高了视网膜蛋白质组学的精确性和效率，并利用先进的大数据基础设施支持早期生物标志物检测 | NA | 探索视网膜蛋白质组学在神经退行性疾病和眼部疾病中的应用，以发现新的治疗靶点和诊断生物标志物 | 视网膜蛋白质组，涉及疾病包括青光眼、年龄相关性黄斑变性、糖尿病视网膜病变、视网膜色素变性，以及阿尔茨海默病、肌萎缩侧索硬化症和帕金森病 | 数字病理学 | 神经退行性疾病 | 基于质谱的蛋白质组学技术 | 深度学习 | 蛋白质组学数据 | NA | NA | NA | 疾病特异性和敏感性 | GPU加速的深度学习架构，先进的大数据基础设施 |
| 1033 | 2026-03-03 |
Memorization bias impacts modeling of alternative conformational states of solute carrier membrane proteins with methods from deep learning
2025-Oct, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013590
PMID:41105726
|
研究论文 | 本文评估了深度学习建模中记忆化偏差对溶质载体膜蛋白替代构象状态的影响，并提出了一种结合ESM和模板建模的方法来一致建模这些状态 | 提出了一种结合进化尺度建模和模板建模的新流程，以克服AlphaFold2/3在建模溶质载体蛋白多构象状态时的记忆化偏差，并利用序列进化协方差数据进行验证 | 方法主要适用于具有内部伪对称性的溶质载体蛋白，可能不适用于所有膜蛋白类型，且依赖于模板的可用性 | 评估记忆化偏差对溶质载体膜蛋白多构象状态建模的影响，并开发一种能一致建模替代构象状态的方法 | 溶质载体膜蛋白，特别是具有伪对称结构的蛋白质，如SLC35F2 | 计算生物学 | NA | 进化尺度建模，模板建模，序列进化协方差分析 | AlphaFold2, AlphaFold3, ESM | 蛋白质序列，结构模板 | 多个整合膜蛋白转运体，包括SLC35F2 | NA | NA | NA | NA |
| 1034 | 2026-03-03 |
scMODAL: a general deep learning framework for comprehensive single-cell multi-omics data alignment with feature links
2025-May-29, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-60333-z
PMID:40442129
|
研究论文 | 本文介绍了一个名为scMODAL的深度学习框架，专门用于单细胞多组学数据的对齐，通过特征链接实现全面整合 | scMODAL利用神经网络和生成对抗网络，结合有限的已知正相关特征，对齐细胞嵌入并保持特征拓扑结构，有效去除不必要变异并保留生物信息 | NA | 开发一个计算框架以整合单细胞多组学数据，促进联合分析 | 单细胞多组学数据，包括转录组、表观基因组和蛋白质组数据 | 机器学习 | NA | 单细胞技术，包括转录组、表观基因组和蛋白质组分析 | 神经网络, 生成对抗网络 | 单细胞多组学数据 | NA | NA | NA | NA | NA |
| 1035 | 2026-03-03 |
SpecstatOR: speckle statistics-based iOCT segmentation network for ophthalmic surgery
2025-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.543611
PMID:41767927
|
研究论文 | 本文提出了一种基于斑点统计的iOCT分割网络，用于眼科手术中视网膜层和手术器械的区分 | 利用组织特异性斑点模式进行分割，减少对形状和强度的依赖，增强跨设备和解剖变异的鲁棒性，无需重新训练 | 未在摘要中明确提及 | 改进眼科手术中iOCT图像的分割技术 | 视网膜层和手术器械 | 数字病理学 | 眼科疾病 | iOCT | 深度学习网络 | 图像 | NA | NA | NA | NA | NA |
| 1036 | 2026-03-03 |
Enhancing ultra-high density single-molecule localization with deep spatiotemporal networks
2025-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.555721
PMID:41767926
|
研究论文 | 本文提出了一种名为SRST的深度学习驱动方法，用于实现超高密度单分子的精确三维定位，以提升单分子定位显微镜的时空分辨率 | 开发了利用相邻帧时间信息和荧光分子闪烁机制来增强定位精度的深度学习框架，在低信噪比条件下相比现有方法显著提升了定位精度 | 未明确说明方法在极端实验条件下的性能表现或计算复杂度限制 | 提升单分子定位显微镜在超高密度分子场景下的时空分辨率和定位精度 | 亚细胞结构（如线粒体和微管）的三维成像 | 计算机视觉 | NA | 单分子定位显微镜（SMLM） | 深度学习网络 | 图像序列（时间序列图像） | NA | NA | 时空网络 | Jaccard指数, 定位误差 | NA |
| 1037 | 2026-03-03 |
Automated cell properties toolbox from 3D bioprinted hydrogel scaffolds via deep learning and optical coherence tomography
2025-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.550401
PMID:41767930
|
研究论文 | 本文提出了一种基于深度学习与光学相干断层扫描的计算工具箱，用于自动化分析3D生物打印水凝胶支架中的细胞活力与形态特性 | 结合光学相干断层扫描的高分辨率成像与深度学习分割，实现了非侵入式、定量化的细胞分析，克服了传统侵入式和基于阈值方法的局限性 | NA | 开发自动化工具以精确评估3D生物打印水凝胶支架中的细胞活力与形态特性，促进组织工程研究 | 3D生物打印水凝胶支架中的细胞 | 计算机视觉 | NA | 光学相干断层扫描 | 深度学习 | 图像 | NA | NA | NA | 分割精度 | NA |
| 1038 | 2026-03-03 |
A-scan sequence transformers for palpation with optical coherence elastography
2025-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.553849
PMID:41767938
|
研究论文 | 本研究提出了一种基于Transformer的深度学习模型，用于从光学相干弹性成像（OCE）的A扫描序列中端到端地估计组织弹性 | 首次将Transformer架构应用于处理OCE中的A扫描序列，实现了从相位数据到弹性模量的端到端估计，相比传统方法和CNN方法显著提升了弹性重建精度 | 未明确说明模型在临床手术环境中的实时性能验证，以及在不同组织类型和病理条件下的泛化能力评估 | 开发一种能够替代主观触诊的客观弹性估计方法，以辅助微创手术中的病变定位和手术导航 | 均匀组织模型、包含异质性的组织模型以及心脏、肾脏和肝脏等软组织样本 | 医学影像分析 | NA | 光学相干弹性成像（OCE）、光学相干断层扫描（OCT） | Transformer | 一维轴向扫描序列（A-scan序列）、相位数据 | 未明确具体数量，但包括均匀组织模型、异质性组织模型以及心脏、肾脏、肝脏软组织样本 | NA | Transformer | 平均误差（kPa） | NA |
| 1039 | 2026-03-03 |
gcDLSeg: integrating graph-cut into deep learning for binary semantic segmentation
2025-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.555206
PMID:41767939
|
研究论文 | 本研究提出了一种将图割方法集成到深度学习网络中的新框架，用于端到端的二进制语义分割 | 提出了一种新颖的残差图割损失和准残差连接，解决了图割模块在深度学习网络中梯度反向传播的挑战 | NA | 结合图割方法的全局最优性保证和深度学习的高性能，提升二进制语义分割的准确性和鲁棒性 | 二进制语义分割任务 | 计算机视觉 | 慢性伤口,胰腺癌 | NA | 深度学习网络 | 图像 | 公共AZH慢性伤口数据集和医学分割十项全能（MSD）中的胰腺癌数据集 | NA | NA | 分割准确性,对抗攻击鲁棒性 | NA |
| 1040 | 2026-03-03 |
Hierarchical uncertainty estimation for learning-based registration in neuroimaging
2025-Apr, ... International Conference on Learning Representations
PMID:41769306
|
研究论文 | 本文提出了一种用于神经影像配准的分层不确定性估计方法，以改进深度学习配准的准确性并支持下游任务的不确定性传播 | 提出了一种基于空间建模的分层不确定性传播框架，将局部位置不确定性传播至全局变换模型及下游任务，相比传统蒙特卡洛丢弃法能更准确反映配准误差 | 未明确说明方法在非高斯分布数据或非刚性变换场景下的适用性，且实验主要集中于脑部MRI数据 | 改进深度学习医学图像配准中的不确定性估计方法，提升配准精度并支持下游任务的不确定性量化 | 脑部磁共振成像（MRI）扫描数据 | 医学图像分析 | NA | 磁共振成像（MRI） | 深度学习配准模型 | 医学图像（MRI） | 公开数据集（未指定具体数量） | NA | NA | 配准误差相关性 | NA |