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 1382 篇文献，本页显示第 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2026-03-29 |
Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs
2025-May-30, Research square
DOI:10.21203/rs.3.rs-6622868/v1
PMID:40502758
|
研究论文 | 本研究通过多中心评估，利用放射组学和深度学习技术对IPMNs的恶性风险进行分层 | 首次在IPMN的囊肿级别恶性风险分层中探索并融合了放射组学和深度学习特征，并在多中心队列中验证了其可行性 | 模型性能仍需提升才能独立应用于临床，且样本量相对有限 | 评估AI在预测IPMN异型增生等级方面的可行性，以改善诊断准确性并减少不必要的手术干预 | IPMNs（胰腺导管内乳头状黏液性肿瘤）的囊肿 | 计算机视觉 | 胰腺癌 | T2W MRI成像 | 深度学习模型 | 图像 | 359个T2W MRI图像，来自七个中心 | NA | 2D和3D放射组学模型、深度学习模型、放射组学-深度学习融合模型 | AUC | NA |
| 82 | 2026-03-22 |
KanCell: dissecting cellular heterogeneity in biological tissues through integrated single-cell and spatial transcriptomics
2025-05, Journal of genetics and genomics = Yi chuan xue bao
DOI:10.1016/j.jgg.2024.11.009
PMID:39577768
|
研究论文 | KanCell是一种基于Kolmogorov-Arnold网络（KAN）的深度学习模型，旨在通过整合单细胞RNA测序和空间转录组学数据来增强细胞异质性分析 | 利用KAN有效捕获非线性关系并优化计算效率，在多种真实和模拟数据集上超越现有方法 | NA | 增强细胞异质性分析，揭示疾病微环境并识别治疗靶点 | 人类淋巴结、心脏、黑色素瘤、乳腺癌、背外侧前额叶皮层及小鼠胚胎大脑等生物组织 | 数字病理学 | 黑色素瘤, 乳腺癌 | 单细胞RNA测序, 空间转录组学 | 深度学习模型 | 基因表达数据 | NA | NA | Kolmogorov-Arnold网络（KAN） | PCC, SSIM, COSSIM, RMSE, JSD, ARS, ROC | NA |
| 83 | 2026-03-20 |
A Multi-Region Brain Model to Elucidate the Role of Hippocampus in Spatially Embedded Decision-Making
2025-May-29, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.29.656671
PMID:40502058
|
研究论文 | 本文提出了一种多区域脑模型，用于探索海马体在空间嵌入式二元决策任务中的规范作用，并通过对比不同交互架构的强化学习代理，揭示了特定脑启发结构对学习效率的优化 | 通过反事实比较不同网格细胞与位置细胞交互架构的强化学习代理，发现特定架构能优化学习效率并再现实验观察，为高效强化学习提供了脑启发的结构化架构 | 模型基于简化假设，可能未完全捕捉真实神经回路的复杂性，且预测需要新的神经生理学实验验证 | 探索结构化记忆回路在空间嵌入式二元决策任务中的规范作用，以启发深度学习的归纳偏置 | 强化学习代理与不同交互架构的脑模型，特别是内嗅皮层和海马体中的网格细胞与位置细胞 | 机器学习 | NA | 强化学习 | 循环神经网络 | 模拟数据 | NA | NA | 循环神经网络 | 学习效率 | NA |
| 84 | 2026-03-18 |
Expert consensus document on artificial intelligence of the Italian Society of Cardiology
2025-05-01, Journal of cardiovascular medicine (Hagerstown, Md.)
DOI:10.2459/JCM.0000000000001716
PMID:40331418
|
专家共识 | 本文是意大利心脏病学会关于人工智能在心血管疾病管理中应用的专家共识文件 | 整合了人工智能在心血管疾病诊断、预后和管理中的最新应用，并强调了其在识别患者表型和改善临床决策方面的潜力 | 算法的外部有效性无法保证，结果的可解释性存在“黑箱”问题 | 探讨人工智能在心血管疾病管理中的应用潜力和挑战 | 心血管疾病患者，包括高血压、缺血性心脏病、浸润性心肌病和心房颤动等 | 机器学习 | 心血管疾病 | 机器学习，深度学习 | 人工神经网络 | 医院数据集，心电图，超声心动图采集数据 | NA | NA | NA | 准确性 | NA |
| 85 | 2026-03-14 |
Preliminary phantom study of four-dimensional computed tomographic angiography for renal artery mapping: Low-tube voltage and low-contrast volume imaging with deep learning-based reconstruction
2025-05, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2025.102929
PMID:40147091
|
研究论文 | 本研究通过体模实验评估了低管电压、低对比剂剂量的四维CT血管成像结合深度学习重建在肾动脉成像中的可行性 | 首次将低管电压、低对比剂剂量的4D-CTA与深度学习重建技术结合用于肾动脉成像，探索减少辐射剂量和对比剂用量的新方法 | 研究基于体模实验，尚未进行临床验证，需要进一步临床研究确认结果 | 评估低管电压、低对比剂剂量的4D-CTA结合深度学习重建在选择性肾动脉栓塞术中的可行性 | 模拟对比增强血管的定制体模 | 医学影像 | 肾动脉疾病 | 四维CT血管成像，深度学习重建 | 深度学习 | CT图像 | 定制体模扫描 | NA | NA | 峰值对比噪声比，图像噪声，定性评估（4分制） | NA |
| 86 | 2026-03-14 |
Devising a novel evaluation method for computed tomography images containing metal artifacts from titanium seed implants: Application to virtual monochromatic imaging energy optimization
2025-05, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2025.102944
PMID:40199192
|
研究论文 | 本研究提出了一种新的评估方法，用于评估含有钛种子植入物金属伪影的CT图像，并确定了虚拟单色成像（VMI）的最佳能量水平以减少金属伪影并增强信号可检测性 | 开发了一种新的对比伪影比（CAR）评估方法，用于定量评估金属伪影对信号检测的影响，并结合Gumbel评估方法和对比噪声比（CNR）优化VMI能量水平 | 研究基于模拟放射性种子的体模进行，可能未完全反映临床实际患者数据的复杂性；仅针对钛种子植入物和骨盆区域，结果可能不适用于其他金属植入物或身体部位 | 研究旨在减少CT图像中金属伪影并优化信号可检测性，通过开发新的评估方法和确定VMI最佳能量水平 | 含有钛种子植入物金属伪影的CT图像，特别是骨盆区域包括前列腺的模拟体模 | 医学影像处理 | 前列腺癌 | 双能CT系统、虚拟单色成像（VMI）、金属伪影减少（MAR）技术 | 深度学习算法 | CT图像 | 基于模拟放射性种子插入前列腺区域的体模进行研究，具体样本数量未明确说明 | NA | NA | 对比噪声比（CNR）、对比伪影比（CAR）、Gumbel评估方法的位置参数 | NA |
| 87 | 2026-03-14 |
Reduction of radiation exposure in chest radiography using deep learning-based noise reduction processing: A phantom and retrospective clinical study
2025-05, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2025.102958
PMID:40280035
|
研究论文 | 本研究评估了基于深度学习的智能降噪技术在平面胸部X光摄影中降低患者辐射剂量的效果 | 首次结合体模和回顾性临床研究，验证了智能降噪技术可在保持图像质量的同时平均降低35%的辐射剂量 | 研究仅针对特定设备（佳能开发的INR）和胸部X光，样本量有限（100例患者），且为回顾性设计 | 评估智能降噪技术在平面胸部X光摄影中降低患者辐射剂量的可行性和效果 | Lungman体模（模拟肺部肿瘤）和100例患者的临床胸部X光图像 | 数字病理 | 肺癌 | 平面X光摄影，智能降噪处理 | 深度学习模型 | X光图像 | 100例患者的配对胸部X光图像（对照组和评估组各100张） | NA | NA | 平均意见评分，盲/无参考图像空间质量评估器评分，入口表面剂量 | NA |
| 88 | 2026-03-13 |
Genome structure mapping with high-resolution 3D genomics and deep learning
2025-May-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.06.650874
PMID:40654659
|
研究论文 | 本文介绍了一种结合高分辨率3D基因组学与深度学习的集成方法，用于预测细胞类型特异性的3D基因组结构 | 开发了Cleopatra，一种基于注意力机制的深度学习模型，通过预训练和微调策略，实现了亚千碱基级别的3D接触图谱预测，揭示了细胞类型特异性的微区室和环路 | 研究仅覆盖了四种人类细胞类型，可能未涵盖所有细胞类型的特异性；深度学习模型的泛化能力需进一步验证 | 旨在通过深度学习和3D基因组学技术，全面映射细胞类型特异性的基因调控环路，以理解基因表达机制 | 人类细胞类型中的3D基因组结构，包括增强子-启动子环路和微区室 | 机器学习 | NA | 区域捕获微C（RCMC）、微C（Micro-C）测序 | 深度学习模型（基于注意力机制） | 表观基因组数据、3D接触图谱数据 | 四种人类细胞类型 | NA | 基于注意力机制的架构（具体名称未指定，但提及为Cleopatra模型） | NA | NA |
| 89 | 2026-03-06 |
Deep learning segmentation of periarterial and perivenous capillary-free zones in optical coherence tomography angiography
2025-05, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.5.056005
PMID:40342523
|
研究论文 | 本研究开发并评估了深度学习模型，用于自动化分割光学相干断层扫描血管成像中的动脉周围和静脉周围毛细血管无灌注区，以辅助糖尿病视网膜病变的早期检测 | 首次将深度学习模型（包括CNN和ViT）应用于自动化分割动脉周围和静脉周围毛细血管无灌注区，并引入定量特征作为糖尿病视网膜病变的潜在生物标志物 | 研究仅涉及健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者，未包括中重度病例，且样本量有限 | 开发并评估深度学习模型，用于精确分割光学相干断层扫描血管成像中的毛细血管无灌注区，并探索其作为糖尿病视网膜病变生物标志物的潜力 | 光学相干断层扫描血管成像图像，来自健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者 | 计算机视觉 | 糖尿病视网膜病变 | 光学相干断层扫描血管成像 | CNN, ViT | 图像 | 涉及健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者的多组OCTA图像 | NA | UNet, UNet++, TransUNet, Segformer, EfficientNet-b7 | 平均交并比, Dice系数 | NA |
| 90 | 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 |
| 91 | 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 |
| 92 | 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 |
| 93 | 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 |
| 94 | 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 |
| 95 | 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 |
| 96 | 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 |
| 97 | 2026-03-02 |
Development and validation of a deep learning model for diagnosing neuropathic corneal pain via in vivo confocal microscopy
2025-May-14, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01577-3
PMID:40369269
|
研究论文 | 本文开发并验证了一种基于深度学习的模型，用于通过活体共聚焦显微镜诊断神经性角膜疼痛 | 提出了一种新的神经性角膜疼痛筛查系统，该模型能够检测微神经瘤，并提供了不确定性量化机制以增强临床相关性 | NA | 开发一个深度学习模型，以辅助诊断神经性角膜疼痛 | 神经性角膜疼痛患者 | 数字病理学 | 神经性角膜疼痛 | 活体共聚焦显微镜 | 深度学习模型 | 图像 | 103,168张IVCM图像 | NA | NA | AuROC | NA |
| 98 | 2026-02-12 |
Artificial Intelligence in Outpatient Primary Care: A Scoping Review on Applications, Challenges, and Future Directions
2025-May-13, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.12.25327223
PMID:40463551
|
综述 | 本文是一篇范围综述，探讨了人工智能在门诊初级保健中的应用、挑战和未来方向 | 系统性地梳理了2019年至2024年间人工智能在非紧急门诊初级保健中的功能、试验或整合情况，并指出了当前实施与研究的差距 | 研究主要基于文献综述，缺乏对实际临床环境中AI整合障碍的深入分析，且纳入的研究中临床试验数量有限 | 探索人工智能在门诊初级保健中的应用范围、实施现状及未来发展方向 | 2019年1月1日至2024年11月22日期间发表的关于人工智能与初级保健相关的研究 | 机器学习 | NA | 机器学习，深度学习，Transformer | NA | NA | 筛选了3203篇文献，最终纳入61篇符合条件的研究 | NA | NA | NA | NA |
| 99 | 2026-02-07 |
Towards global reaction feasibility and robustness prediction with high throughput data and bayesian deep learning
2025-May-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59812-0
PMID:40374636
|
研究论文 | 本文通过整合高通量实验和贝叶斯深度学习，预测有机反应可行性及其对环境因素的鲁棒性 | 利用内部高通量平台构建了工业规模下最广泛的单一HTE数据集，并应用贝叶斯神经网络实现高精度预测，同时通过细粒度不确定性解耦实现高效主动学习 | 未明确提及模型在更广泛化学空间或不同反应类型中的泛化能力限制 | 预测有机反应的可行性和对环境因素的鲁棒性，以支持工业过程设计 | 11,669个不同的酸胺偶联反应 | 机器学习 | NA | 高通量实验 | 贝叶斯神经网络 | 实验数据 | 11,669个反应 | NA | 贝叶斯神经网络 | 预测准确率 | NA |
| 100 | 2026-01-29 |
Enhancing gastrointestinal stromal tumor risk stratification: A novel deep learning approach applied to EUS imaging
2025 May-Jun, Endoscopic ultrasound
IF:4.4Q1
DOI:10.1097/eus.0000000000000119
PMID:41584022
|
研究论文 | 本研究提出了一种基于EUS影像的新型深度学习模型，用于提高胃肠道间质瘤的风险分层准确性 | 开发了一种专门针对医学影像的DenseNet-121深度学习风险预测模型，并将其与传统统计模型结合，在GIST风险分类中实现了更高的预测精度 | 研究为单中心回顾性研究，样本量相对有限（341例患者），且模型间的曲线下面积比较未显示显著统计学差异 | 改善胃肠道间质瘤的风险评估和分类，以优化临床决策和患者预后 | 经病理证实的胃肠道间质瘤患者 | 数字病理 | 胃肠道间质瘤 | EUS成像 | 深度学习 | 图像 | 341例患者的1019张EUS图像 | PyTorch（基于DenseNet架构推断） | DenseNet-121 | 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率, AUC | NA |