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 954 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2026-05-15 |
Improved Spiral Projection MR Fingerprinting via Memory-Efficient Synergic Optimization of 3D Spiral Trajectory, Image Reconstruction and Parameter Estimation (SOTIP)
2025-08, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3559467
PMID:40208770
|
研究论文 | 通过记忆高效协同优化三维螺旋轨迹、图像重建和参数估计，改进螺旋投影磁共振指纹成像 | 提出了一种计算高效的基于模型的深度学习图像重建框架，并联合优化图像重建、定量参数估计和k空间采样轨迹，通过参数估计损失联合优化图像重建和参数量化网络，以及基于数据驱动的全3D螺旋轨迹旋转角度优化 | 未明确说明限制 | 提高高分辨率磁共振指纹成像的扫描效率并克服计算挑战 | 健康受试者和患者的模拟及在体磁共振指纹数据 | 计算机视觉 | NA | 磁共振指纹成像 | 基于模型的深度学习 | 图像 | 模拟数据和在体数据（健康受试者和患者） | NA | MBDL | 归一化均方根误差（NRMSE）、重建时间 | NA |
| 22 | 2026-05-15 |
MRI-based Ovarian Lesion Classification via a Foundation Segmentation Model and Multimodal Analysis: A Multicenter Study
2025-08, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243412
PMID:40762846
|
研究论文 | 基于MRI的卵巢病变分类，通过基础分割模型和多模态分析的多中心研究 | 利用Meta的Segment Anything Model进行自动分割，结合DenseNet-121深度学习模型和多模态数据（影像和临床数据），实现高效、可泛化的卵巢病变鉴别 | 外部数据集样本量较小（58例和29例），可能影响模型泛化性能的评估 | 开发一个高效且可泛化的MRI卵巢病变分类流程 | 卵巢病变患者的MRI扫描数据 | computer vision, digital pathology | 卵巢病变 | MRI成像 | CNN (DenseNet-121) | 图像, 临床数据 | 主要机构534个病灶（448名女性），外部机构B 58个病灶（55名女性），外部机构C 29个病灶（29名女性） | NA | DenseNet-121 | Dice系数, AUC | NA |
| 23 | 2026-05-15 |
External Testing of a Deep Learning Model for Lung Cancer Risk from Low-Dose Chest CT
2025-08, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243393
PMID:40762850
|
研究论文 | 外部测试深度学习模型Sybil在亚洲健康体检人群中识别肺癌高风险个体的有效性 | 首次对深度学习模型Sybil在亚洲非吸烟或轻度吸烟人群中进行外部测试，评估其在低剂量CT筛查中的泛化性能 | 研究仅限于单一医学检查机构的数据，且样本中肺癌发生率较低（0.5%），可能影响统计效能 | 验证开源深度学习模型Sybil在亚洲健康体检人群中识别肺癌高风险个体的性能，特别是非吸烟或轻度吸烟亚组 | 2004年1月至2021年12月期间收集的50-80岁亚洲健康体检人群的低剂量CT扫描数据 | 计算机视觉 | 肺癌 | 低剂量CT扫描 | 深度学习模型 | 图像 | 18,057人（男性11,267人，中位年龄56岁） | NA | Sybil | 时间依赖性受试者工作特征曲线下面积(AUC) | NA |
| 24 | 2026-05-08 |
stImage: a versatile framework for optimizing spatial transcriptomic analysis through customizable deep histology and location informed integration
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf429
PMID:40905789
|
研究论文 | stImage是一个通过定制化深度组织学与位置信息整合来优化空间转录组分析的通用框架 | 首次在统一框架中全面协同基因表达、组织学特征和精确空间坐标，提供54种整合策略并通过诊断图引导用户选择最优方案 | 论文未明确提及局限性 | 开发一个能够综合转录谱、组织学图像和空间信息的开源R包，以优化空间转录组学分析 | 空间转录组学数据及其与组织学、空间信息的整合分析 | 数字病理学 | NA | 空间转录组学 | 深度学习 | 基因表达数据、组织学图像、空间坐标 | 多个数据集 | R | NA | NA | NA |
| 25 | 2026-05-08 |
Ultrasound-based deep learning to differentiate salivary gland tumors
2025-08, Oral surgery, oral medicine, oral pathology and oral radiology
DOI:10.1016/j.oooo.2025.03.014
PMID:40379502
|
研究论文 | 开发基于超声图像的深度学习模型，用于区分唾液腺肿瘤的良恶性 | 使用多种卷积神经网络架构并采用Focal Loss解决类别不平衡问题，模型表现优于超声医师诊断 | 仅基于回顾性研究，样本量315例，且来源单一科室，可能限制泛化能力 | 开发深度学习模型实现唾液腺肿瘤术前准确良恶性鉴别 | 315例术前超声检查且术后病理确诊的唾液腺肿瘤患者 | 计算机视觉 | 唾液腺肿瘤 | 超声成像 | 卷积神经网络 | 图像 | 315例患者 | PyTorch | Inception v3, ResNet101d, EfficientNet, DenseNet, Vision Transformer, ResNet50d | 准确率, 敏感度, 特异度, AUC | NA |
| 26 | 2026-05-06 |
Factors associated with glucocorticoid dosing in treating patients with noncritical COVID-19 pneumonia: Insights from an artificial intelligence-based CT imaging analysis
2025 Aug-Sep, Enfermedades infecciosas y microbiologia clinica (English ed.)
DOI:10.1016/j.eimce.2025.06.004
PMID:40754353
|
研究论文 | 基于AI的CT影像分析，探讨非危重型COVID-19肺炎患者糖皮质激素剂量的影响因素并构建预测模型 | 利用人工智能深度学习技术精确量化肺部CT影像中的病变面积，结合多变量逻辑回归分析糖皮质激素剂量与影像特征的关系，首次构建了基于CT特征的剂量预测模型 | 样本量较小，仅为单中心回顾性研究，需通过更大规模的前瞻性研究验证 | 确定非危重型COVID-19肺炎患者糖皮质激素的最佳剂量，分析影响因素并建立预测模型 | 非危重型COVID-19肺炎患者 | 数字病理学 | COVID-19肺炎 | CT影像 | 深度学习 | CT影像 | 273例非危重型COVID-19肺炎患者（最终分析243例，训练集168例，验证集75例） | NA | 用于分割肺部和病变区域的深度学习模型（具体架构未明确说明） | AUC | NA |
| 27 | 2026-05-04 |
Comparison of neural networks for classification of urinary tract dilation from renal ultrasounds: evaluation of agreement with expert categorization
2025-08, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06311-5
PMID:40613839
|
研究论文 | 比较不同深度学习模型在婴儿肾超声图像中分类尿路扩张的性能，并与专家分类进行一致性评估 | 首次系统比较多种深度学习模型在婴儿肾超声UTD分类中的表现，并评估其与专家标注的一致性 | 数据集来自单一机构，样本量有限（仅492个右肾和487个左肾），且仅由一位专家提供金标准标签 | 开发和评估深度学习模型在婴儿肾超声图像中自动分类尿路扩张的性能 | 3个月以下婴儿的肾超声图像 | 计算机视觉 | 尿路扩张 | 超声成像 | 深度神经网络 | 图像 | 492个右肾和487个左肾超声图像（共979个样本） | NA | NA | 准确率, Kappa系数, 95%置信区间 | NA |
| 28 | 2026-05-04 |
Accelerated brain magnetic resonance imaging with deep learning reconstruction: a comparative study on image quality in pediatric neuroimaging
2025-08, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06314-2
PMID:40650736
|
研究论文 | 评估深度学习重建在儿科神经影像中加速脑MRI的临床可行性，并与传统MRI进行图像质量比较 | 首次在儿科神经影像中系统性评估深度学习重建加速MRI的图像质量，证明加速扫描可缩短43%时间且图像质量优于传统方法 | 回顾性研究设计、样本量有限（116例）、未评估运动伪影对加速序列的影响 | 评估深度学习重建加速脑MRI在儿科神经影像中的临床可行性及图像质量 | 116名儿科患者（平均年龄7.9±5.4岁）的常规脑MRI图像 | 医学影像 | 儿科神经疾病 | MRI | 深度学习重建 | MRI图像 | 116名儿科参与者 | NA | NA | 图像质量评分、清晰度、伪影、噪声、病变显著性、噪声标准差、变异系数 | NA |
| 29 | 2026-05-04 |
Feasibility study of fully automatic measurement of adenoid size on lateral neck and head radiographs using deep learning
2025-08, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06332-0
PMID:40658209
|
研究论文 | 开发并验证了基于深度学习全自动测量侧位头颈X线片中腺样体大小的系统 | 首次利用RTMDet和RTMPose网络实现腺样体大小的全自动测量，替代传统人工测量方法 | 未在论文标题和摘要中明确说明局限性 | 开发并验证自动测量腺样体大小的深度学习系统 | 侧位头颈X线片中的腺样体、鼻咽及腺样体-鼻咽比 | 计算机视觉 | 腺样体肥大相关疾病 | NA | 深度学习模型 | 图像 | 711张侧位头颈X线片 | NA | RTMDet, RTMPose | 组内相关系数, 平均绝对差, 均方根, Bland-Altman图 | NA |
| 30 | 2026-05-03 |
Leveraging FastViT based knowledge distillation with EfficientNet-B0 for diabetic retinopathy severity classification
2025-Aug, SLAS technology
IF:2.5Q3
DOI:10.1016/j.slast.2025.100325
PMID:40588035
|
研究论文 | 提出FastEffNet框架，利用基于FastViT的知识蒸馏和EfficientNet-B0模型进行糖尿病视网膜病变严重程度分类 | 首次结合FastViT-MA26作为教师模型与EfficientNet-B0作为学生模型进行知识蒸馏，在保持高分类精度的同时显著降低计算复杂度 | 研究仅基于APTOS数据集，可能无法泛化到其他人群或临床设置；模型性能未在真实临床工作流中验证 | 开发高效准确的深度学习模型用于自动化糖尿病视网膜病变严重程度分类 | 糖尿病视网膜病变（DR）的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 知识蒸馏 | CNN与Transformer混合 | 图像 | APTOS数据集包含3662张图像，分为五个严重级别 | NA | FastViT-MA26, EfficientNet-B0, HGNet, ResNet50, MobileNetV3, DeiT | 准确率, 精确率, 召回率, F1分数, Cohen Kappa分数, 加权Kappa分数, Matthews相关系数, AUC | NA |
| 31 | 2026-05-02 |
Automated detection and recognition of oocyte toxicity by fusion of latent and observable features
2025-08-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.138411
PMID:40318589
|
研究论文 | 开发了一种融合深度学习潜在特征与可观察人类概念特征的框架，用于自动检测和识别卵母细胞毒性 | 首次将深度学习提取的潜在特征与人类概念可观察特征融合，用于卵母细胞毒性检测、亚型分类和强度分级 | NA | 评估环境污染物对卵母细胞异常的影响，并实现自动化毒性检测与分类 | 小鼠卵母细胞 | 计算机视觉 | NA | NA | 深度学习（潜在特征提取网络） | 图像 | 2126张小鼠卵母细胞图像 | NA | 特征融合网络 | ROC-AUC | NA |
| 32 | 2026-05-02 |
Deep learning-enhanced hyperspectral imaging for rapid screening of Co-metabolic microplastic-degrading bacteria in environmental samples
2025-08-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.138370
PMID:40267710
|
研究论文 | 提出一种结合高光谱成像与深度学习的方法，用于快速筛选共代谢微塑料降解细菌 | 首次将高光谱成像与深度学习算法结合，用于共代谢固体培养基中微塑料降解细菌的直接筛选，克服了传统方法耗时且难以鉴别共代谢降解菌的局限 | 仅验证了一种聚己二酸/对苯二甲酸丁二醇酯降解细菌，模型在更广泛微生物种类和环境样本中的适用性需进一步探索 | 开发一种高效筛选共代谢微塑料降解细菌的方法 | 共代谢固体培养基中的微塑料降解细菌 | 机器学习和计算机视觉 | 不适用 | 高光谱成像 | 机器学习和深度学习算法 | 高光谱图像（包含空间和光谱信息） | 实验涉及固体培养基样本，具体数量未明确 | 不适用 | 不适用 | 不适用 | 不适用 |
| 33 | 2026-04-30 |
The Dipeptidyl Peptidase-4 Inhibitor Saxagliptin as a Candidate Treatment for Disorders of Consciousness: A Deep Learning and Retrospective Clinical Analysis
2025-08, Neurocritical care
IF:3.1Q2
DOI:10.1007/s12028-025-02217-0
PMID:39904872
|
研究论文 | 通过深度学习药物筛选和回顾性临床分析，发现二肽基肽酶-4抑制剂沙格列汀可作为意识障碍的候选治疗药物 | 首次利用深度学习模型基于三维分子结构预测现有FDA批准药物作为促醒剂的药效，并验证沙格列汀对急性和长期意识障碍的促醒作用 | 回顾性研究设计，需前瞻性临床试验确证疗效和安全性 | 识别现有FDA批准药物中可用于治疗意识障碍的新药 | 4047例因创伤、血管或缺氧性脑损伤所致昏迷患者的格拉斯哥昏迷量表评分变化 | 数字病理学, 机器学习 | 意识障碍, 脑损伤 | 深度学习药物筛选 | 深度学习模型 | 分子结构数据, 临床回顾性数据 | 4047例昏迷患者 | NA | NA | 恢复率, 95%置信区间, P值 | NA |
| 34 | 2026-04-30 |
Predicting hematoma expansion after intracerebral hemorrhage: a comparison of clinician prediction with deep learning radiomics models
2025-08, Neurocritical care
IF:3.1Q2
DOI:10.1007/s12028-025-02214-3
PMID:39920546
|
研究论文 | 比较临床医生与深度学习影像组学模型在预测脑出血后血肿扩展方面的准确性 | 首次系统比较专家临床医生与机器学习影像组学模型在预测脑出血后血肿扩展方面的性能，并建立新的性能基准 | 模型总体AUC中等，提示预测性能仍有提升空间；专家间一致性较低（kappa=0.156） | 评估机器学习影像组学模型相比临床专家在预测脑出血后血肿扩展方面的准确性 | 脑出血患者的基线头部CT影像和入院临床数据 | 机器学习, 医学影像分析 | 脑出血 | CT影像 | 随机森林分类器, 深度学习模型 | CT影像, 临床数据 | 900名脑出血患者（训练集621例，测试集279例） | NA | 随机森林, 深度学习模型 | AUC, kappa系数, 组内相关系数 | NA |
| 35 | 2026-04-29 |
Structural Connectome Analysis using a Graph-based Deep Model for Prediction of Non-Imaging Variables
2025-Aug-14, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.09.642165
PMID:40161600
|
研究论文 | 利用基于图的深度学习模型从结构脑连接中预测非成像变量 | 提出一种图卷积网络启发模型，特别是其中的连接注意力模块，可学习脑图嵌入表示并提供图级注意力 | 未在文中明确提及 | 预测非成像变量（如年龄和简易精神状态检查分数），以改进对健康与疾病的理解 | 结构脑连接图谱 | 机器学习 | 老年疾病 | 扩散磁共振成像 | 图卷积网络 | 图像 | 使用PREVENT-AD和OASIS3公开数据集 | NA | 连接注意力模块 | 准确率 | NA |
| 36 | 2026-04-27 |
A systematic review: Brain age gap as a promising early diagnostic biomarker for Alzheimer's disease
2025-08-15, Journal of the neurological sciences
IF:3.6Q2
DOI:10.1016/j.jns.2025.123563
PMID:40494037
|
综述 | 系统综述脑年龄差距作为阿尔茨海默病早期诊断生物标志物的研究现状 | 综合总结深度学习在脑年龄预测中的应用进展，强调脑年龄差距作为早期诊断标志物的潜力 | 存在站点效应、偏差校正、数据不足、硬件需求、模型准确性和临床适用性等挑战 | 系统评估脑年龄差距作为阿尔茨海默病早期诊断生物标志物的研究进展和局限性 | 脑年龄预测模型和脑年龄差距指标 | 机器学习 | 阿尔茨海默病 | NA | 深度学习 | 神经影像数据 | NA | NA | NA | NA | NA |
| 37 | 2026-04-22 |
Sharing a whole-/total-body [18F]FDG-PET/CT dataset with CT-derived segmentations: an ENHANCE.PET initiative
2025-Aug-05, Research square
DOI:10.21203/rs.3.rs-7169062/v2
PMID:40799763
|
研究论文 | 本文介绍了一个大型全身和全身体积的[18F]FDG-PET/CT数据集，包含1,597张PET/CT图像及对应的130个目标区域的CT衍生分割 | 提供了首个包含多中心、多病理类型（如肺癌、淋巴瘤、黑色素瘤）的大规模全身PET/CT数据集，并附带经医生验证的CT自动分割结果 | 数据集中分割结果基于CT图像自动生成后人工校正，可能存在分割误差；且仅包含特定病理类型，未覆盖所有疾病 | 通过共享带分割标注的PET/CT数据集，促进深度学习训练和多模态图像分析在临床管理中的应用 | 无显性疾病的个体及患有肺癌、淋巴瘤、黑色素瘤等不同病理的患者 | 数字病理学 | 肺癌, 淋巴瘤, 黑色素瘤 | PET/CT成像, CT自动分割 | NA | 图像（PET/CT） | 1,597张PET/CT图像，来自多中心个体，包括健康者和患者 | NA | NA | NA | NA |
| 38 | 2026-04-18 |
Using Deep Learning to Choose Optimal Smoothing Values for Equating
2025-Aug-23, Applied psychological measurement
IF:1.0Q3
DOI:10.1177/01466216251363244
PMID:40881830
|
研究论文 | 本研究利用深度学习自动选择等值中的最优平滑值，通过训练卷积神经网络分析人类分类的后平滑图，并与人工选择进行比较 | 首次将深度学习（特别是卷积神经网络）应用于心理测量等值中的平滑值选择，自动化了传统依赖人工视觉判断的过程 | 人类与训练网络的一致性率为71%，表明仍有提升空间，且研究可能受限于训练数据的质量和数量 | 自动化心理测量等值过程中最优平滑值的选择，提高效率和一致性 | 等值过程中的后平滑图（图像数据） | 机器学习 | NA | 深度学习，图像分类 | CNN | 图像 | 使用人类分类的后平滑图进行训练，具体样本数量未明确说明 | NA | 卷积神经网络 | 一致性率（agreement rate） | NA |
| 39 | 2026-04-17 |
BiU-Net: A Biologically Informed U-Net for Genotype Imputation
2025-Aug-26, Research square
DOI:10.21203/rs.3.rs-6797863/v1
PMID:40909775
|
研究论文 | 提出一种名为BiU-Net的生物信息学启发的U-Net模型，用于基因型插补，以解决缺失基因型在复杂区域和小数据集中的问题 | BiU-Net通过分割基因型数据并编码位置信息来保留基因组上下文，从而在整体指标和按次要等位基因频率分层的指标上优于现有方法 | NA | 开发一种参考自由的深度学习模型，以改进基因型插补，特别是在复杂区域和种群不匹配的情况下 | 基因型数据 | 机器学习 | NA | 基因型插补 | U-Net | 基因型数据 | 涉及1000 Genomes Project、Louisiana Osteoporosis Study和Simons Genome Diversity Project数据集 | NA | U-Net | 整体指标和按次要等位基因频率分层的指标 | NA |
| 40 | 2026-04-14 |
ESMDynamic: Fast and Accurate Prediction of Protein Dynamic Contact Maps from Single Sequences
2025-Aug-24, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.20.671365
PMID:40894558
|
研究论文 | 本文介绍了一种名为ESMDynamic的深度学习模型，该模型能够直接从蛋白质序列预测动态的残基-残基接触概率图 | 首次基于ESMFold架构开发了直接从单序列预测蛋白质动态接触图的深度学习模型，无需多重序列比对，且推理速度比现有方法快数个数量级 | 模型性能依赖于训练数据（实验结构集合和分子动力学模拟）的质量和覆盖范围，对于训练数据中未充分代表的构象动态模式可能预测能力有限 | 开发一种快速准确的蛋白质动态接触图预测方法，以理解蛋白质构象动力学 | 蛋白质序列及其动态结构特性 | 结构生物学 | NA | 深度学习，分子动力学模拟 | 深度学习模型 | 蛋白质序列，接触概率图 | 在两个大规模MD数据集（mdCATH和ATLAS）上进行基准测试，并应用于ASCT2和SWEET2b转运蛋白、肌钙蛋白C设计以及HIV-1蛋白酶同源二聚体等多个系统 | NA | 基于ESMFold架构 | 与最先进的集合预测模型（AlphaFlow、ESMFlow、BioEmu）在瞬时接触预测方面进行比较 | NA |