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 1094 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2026-01-20 |
Accelerating myelin defect detection in neurodegenerative disorders: a human-in-the-loop deep learning approach with birefringence microscopy
2025-Oct, Neurophotonics
IF:4.8Q1
DOI:10.1117/1.NPh.12.4.045007
PMID:41195092
|
研究论文 | 本文提出了一种人机交互的深度学习方法，用于加速神经退行性疾病中髓鞘缺陷的检测 | 采用人机交互的深度学习框架，结合YOLOv8模型和迭代专家验证，显著提高了髓鞘缺陷检测的速度和准确性 | 样本量较小（仅15名受试者），且仅针对特定脑区（背外侧前额叶皮层）进行研究 | 开发并评估一种快速、准确且可扩展的髓鞘缺陷检测方法，以加速神经退行性疾病的研究进展 | 来自15名受试者（包括5名对照、5名阿尔茨海默病患者和5名慢性创伤性脑病患者）的脑组织样本 | 数字病理学 | 神经退行性疾病 | RGB圆交叉偏振双折射显微镜成像 | CNN | 图像 | 15名受试者的脑组织样本，包含5600个手动标注的髓鞘缺陷 | NA | YOLOv8 | mAP@50 | NA |
| 62 | 2026-01-19 |
EgoVision a YOLO-ViT hybrid for robust egocentric object recognition
2025-Oct-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18341-y
PMID:41053140
|
研究论文 | 提出一种名为EgoVision的新型轻量级混合深度学习框架，用于解决第一人称视角下的静态物体识别问题 | 首次将YOLOv8与Vision Transformers融合的架构应用于HOI4D数据集上的静态物体识别，并针对机器人和增强现实应用进行实时优化 | 仅处理静态图像帧，未涉及连续视频流中的时序建模 | 开发适用于可穿戴和边缘设备的实时第一人称物体识别系统 | 静态自我中心视角图像中的物体 | 计算机视觉 | NA | 关键帧提取策略，特征金字塔网络 | CNN, Transformer | 图像 | HOI4D数据集中的静态图像 | NA | YOLOv8, Vision Transformer (ViT) | 准确率 | 可穿戴设备，边缘设备 |
| 63 | 2026-01-17 |
A benchmark dataset and baseline methods for rock microstructure interpretation in SEM images
2025-Oct-22, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05947-0
PMID:41125635
|
研究论文 | 本文介绍了用于扫描电子显微镜图像中岩石微结构解释的基准数据集和基线方法 | 开发了一个标准化的SEM数据集，并比较了传统分割方法与深度学习模型，公开了数据集和实现代码 | NA | 自动化岩石SEM图像中的微结构分割，以分析孔隙度和矿物组成 | 泥岩、砂岩和页岩的扫描电子显微镜图像 | 计算机视觉 | NA | 扫描电子显微镜 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 64 | 2026-01-16 |
An accurate prediction for respiratory diseases using deep learning on bronchoscopy diagnosis images
2025-Oct, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2024.11.023
PMID:39571731
|
研究论文 | 本文提出了一种多尺度注意力残差网络（MARN），用于通过支气管镜图像诊断肺部疾病，旨在提高诊断准确性 | 设计了多尺度卷积块注意力模块（MCBAM），通过增强空间和通道特征来精确聚焦病变区域，并使用Grad-CAM提高诊断结果的可解释性 | 研究仅基于单一医疗中心的615个病例（2900张图像），样本规模有限，可能影响模型的泛化能力 | 开发一种基于深度学习的支气管镜图像诊断系统，以提高气管、支气管和肺部疾病的诊断准确性 | 支气管镜诊断图像，包括正常、良性病变和恶性病变的图像 | 计算机视觉 | 肺癌 | 支气管镜检查 | CNN | 图像 | 615个病例，共2900张图像 | NA | 多尺度注意力残差网络（MARN），包含多尺度卷积块注意力模块（MCBAM） | 准确率，AUC | NA |
| 65 | 2026-01-15 |
[Prospects for development of new traditional Chinese medicine drugs based on human use experience empowered by artificial intelligence]
2025-Oct, Zhongguo Zhong yao za zhi = Zhongguo zhongyao zazhi = China journal of Chinese materia medica
|
综述 | 本文系统回顾了人工智能在基于人用经验的中药新药全周期研发中的关键作用，并提出了构建集成智能中药新药研发平台的展望 | 提出了基于人用经验与人工智能深度融合的中药新药研发新范式，构建了“数据驱动、模型支持、智能决策”的闭环系统，推动中药研发从经验推理向高维知识图谱、专家-AI协同学习和多源证据整合驱动的转变 | NA | 探讨人工智能如何赋能基于人用经验的中药新药研发，以提升其全球竞争力 | 中药新药研发的全周期过程，包括候选药物选择、证据结构化、安全性预测、临床试验设计、监管提交、上市后风险识别和二次开发 | 自然语言处理, 机器学习 | NA | 自然语言处理, 大语言模型, 统计学习, 深度学习, 多模态学习, 强化学习 | NA | 文本, 图像（舌象）, 电子病历, 多模态异构数据 | NA | NA | NA | NA | NA |
| 66 | 2026-01-14 |
A generative deep learning approach to de novo antibiotic design
2025-Oct-16, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2025.07.033
PMID:40816267
|
研究论文 | 本文提出了一种生成式深度学习框架，用于从头设计新型抗生素，通过片段筛选和不受约束的化合物生成方法，成功合成并验证了具有抗菌活性的化合物 | 开发了一种结合遗传算法和变分自编码器的生成式人工智能框架，用于从头设计结构新颖的抗生素，突破了现有库中化合物的结构限制 | 仅合成了24种化合物进行验证，样本规模相对较小，且体内实验仅限于小鼠模型 | 设计结构新颖的抗生素以应对抗菌素耐药性危机 | 针对淋病奈瑟菌和金黄色葡萄球菌的抗菌化合物 | 机器学习 | 细菌感染 | 生成式深度学习, 遗传算法, 变分自编码器 | VAE | 化学结构数据 | 超过10个化学片段进行筛选，合成了24种化合物 | NA | 变分自编码器 | 抗菌活性, 杀菌效果, 体内细菌负荷减少 | NA |
| 67 | 2026-01-14 |
Localized identification of seepage and ponding in earthen embankment using infrared thermography assimilated with different deep learning frameworks
2025-Oct-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-13258-y
PMID:41093858
|
研究论文 | 本研究通过将被动红外热成像技术与深度学习算法结合，提出了一种用于识别土堤渗漏和积水的高级方法 | 将土堤渗漏识别任务转化为图像分类问题，并利用深度学习框架处理热图像序列以高精度预测渗漏和积水范围 | NA | 解决土堤长期渗漏和积水导致的失效问题，以增强堤坝安全和洪水易发区的灾害预防策略 | 土堤（土质堤坝） | 计算机视觉 | NA | 红外热成像技术 | 深度学习算法 | 热图像序列 | NA | NA | NA | 准确度 | NA |
| 68 | 2026-01-12 |
[Application of Explainable Deep Learning in Differentiating Benign from Malignant
Pulmonary Space-occupying Lesions and Classifying Pathological Subtypes of Lung Cancer]
2025-Oct-20, Zhongguo fei ai za zhi = Chinese journal of lung cancer
|
研究论文 | 本研究探讨了可解释深度学习算法在诊断肺占位性病变良恶性及肺癌病理亚型分类中的性能，提出了一种基于Tab-Transformer和ResMLP的混合架构TT-ResMLP | 提出了一种结合Tab-Transformer和ResMLP的混合架构TT-ResMLP，用于处理多源临床数据，并利用SHAP分析增强模型的可解释性，揭示了关键预测特征及其交互机制 | 研究样本量相对较小（345例患者），且未提及外部验证集，可能影响模型的泛化能力 | 开发可解释的深度学习模型，以区分肺占位性病变的良恶性并分类肺癌的病理亚型 | 345例经病理证实的肺占位性病变患者 | 机器学习 | 肺癌 | 深度学习 | Tab-Transformer, ResMLP, TT-ResMLP | 表格数据（包括影像学特征、病史和实验室检查结果） | 345例患者 | NA | Tab-Transformer, ResMLP, TT-ResMLP | AUC, 准确率, 特异性, 敏感性, 微平均ROC | NA |
| 69 | 2026-01-11 |
The potential role of machine learning and deep learning in differential diagnosis of Alzheimer's disease and FTD using imaging biomarkers: A review
2025-Oct, The neuroradiology journal
DOI:10.1177/19714009251313511
PMID:39787363
|
综述 | 本文综述了机器学习和深度学习在利用影像生物标志物区分阿尔茨海默病与额颞叶痴呆中的潜在作用 | 系统梳理并比较了2012年至2024年间31篇相关研究，特别指出了SVM在机器学习方法中以及ResNet在深度学习方法中的优越性能 | 强调仍需结合临床检查和患者症状评估以确保诊断的全面性和准确性，暗示现有AI方法尚不能完全替代传统诊断流程 | 探讨人工智能在辅助诊断额颞叶痴呆和阿尔茨海默病中的应用潜力 | 针对额颞叶痴呆和阿尔茨海默病的影像生物标志物 | 医学影像分析 | 阿尔茨海默病, 额颞叶痴呆 | MRI, DTI, fMRI, PET, SPECT | SVM, CNN | 影像数据 | 基于31篇文献的综合分析，未提供具体样本总数 | NA | ResNet | NA | NA |
| 70 | 2026-01-11 |
3D auto-segmentation of pancreas cancer and surrounding anatomical structures for surgical planning
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002835
PMID:40576127
|
研究论文 | 本研究开发了一种基于深度学习的自动分割模型，用于从CT图像中分割胰腺癌及周围解剖结构，以辅助手术规划 | 采用分层Swin Transformer V2模型进行胰腺癌及周围结构的三维自动分割，并在多中心数据集上验证了其稳健性能 | 模型在胰腺癌分割上的准确性相对较低（DSC约54.5-57.0%），且分割性能受肿瘤大小影响 | 开发用于胰腺癌手术规划的深度学习自动分割模型 | 胰腺癌患者及其周围解剖结构 | 数字病理学 | 胰腺癌 | 计算机断层扫描（CT） | Transformer | 图像 | 275名患者（176名训练组，59名内部验证组，40名外部验证组） | NA | Swin Transformer V2 | Dice相似系数（DSC），定性评估（完全分割、部分分割、缺失分割） | NA |
| 71 | 2026-01-11 |
Development and validation of a deep learning ultrasound radiomics model for predicting drug resistance in lymph node tuberculosis a multicenter study
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002850
PMID:40607926
|
研究论文 | 开发并验证了一种基于深度学习超声影像组学模型，用于预测淋巴结结核的药物耐药性 | 首次将集成机器学习算法与AdaBoost结合应用于超声影像组学，以预测淋巴结结核的耐药性，并通过多中心数据进行了内部和外部验证 | 研究为回顾性设计，样本量相对有限（234例），且仅针对宫颈淋巴结结核，可能限制了模型的泛化能力 | 预测淋巴结结核的药物耐药性 | 淋巴结结核患者 | 数字病理学 | 结核病 | 超声影像 | 集成机器学习, AdaBoost | 图像 | 234例宫颈淋巴结结核患者（来自一个中心），以及来自另外两个中心的外部测试集 | NA | NA | AUC, 准确率, 精确率, 召回率, F1分数, 决策曲线分析 | NA |
| 72 | 2026-01-11 |
Multichannel deep learning prediction of major pathological response after neoadjuvant immunochemotherapy in lung cancer: a multicenter diagnostic study
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002821
PMID:40607969
|
研究论文 | 本研究开发了一种基于治疗前CT的多通道预测器，整合了Transformer模型编码的深度学习特征，用于术前诊断非小细胞肺癌患者在接受新辅助免疫化疗后的主要病理缓解 | 创新性地将多通道深度学习与Transformer编码器融合，用于预测肺癌新辅助免疫化疗后的主要病理缓解，相比传统影像组学模型显著提升了分类准确率 | 研究为回顾性设计，样本量相对有限（332例），且仅基于CT影像，未整合其他模态数据 | 开发一种术前诊断工具，预测非小细胞肺癌患者接受新辅助免疫化疗后的主要病理缓解，以改善手术规划和治疗结果 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT影像分析 | 深度学习 | 图像 | 332例非小细胞肺癌患者（来自四个中心） | NA | GoogLeNet, Transformer | AUC, 敏感性, 特异性, F1分数, 混淆矩阵, 校准曲线, 决策曲线分析, 综合判别改善, 净重分类改善, DeLong检验 | NA |
| 73 | 2025-07-12 |
Letter to Editor "Predicting NSCLC surgical outcomes using deep learning on histopathological images: development and multi-omics validation of Sr-PPS model"
2025-Oct-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002840
PMID:40643594
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 74 | 2026-01-10 |
Development and validation of a predictive model for adherent perirenal fat based on CT radiomics and deep learning
2025-Oct-29, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-06049-7
PMID:41160174
|
研究论文 | 本研究旨在开发并验证一个结合CT影像组学和深度学习的模型，用于术前预测肾周脂肪粘连 | 首次将CT影像组学与深度学习结合，开发了用于预测肾周脂肪粘连的预测模型，并在多中心数据集中进行了验证 | 外部测试集样本量较小（43例），可能影响模型的泛化能力评估 | 开发并验证一个用于术前预测肾周脂肪粘连的预测模型 | 肾肿瘤患者 | 数字病理学 | 肾癌 | CT影像 | 深度学习, 逻辑回归 | CT图像 | 460例患者（291例交叉验证集，126例内部测试集，43例外部测试集） | NA | 3D-UNet | Dice相似系数, AUC | NA |
| 75 | 2026-01-10 |
The CT-based deep learning model outperforms traditional anatomical classification models in preoperatively predicting complications and risk grade in partial nephrectomy
2025-Oct-25, World journal of urology
IF:2.8Q2
DOI:10.1007/s00345-025-05893-x
PMID:41137930
|
研究论文 | 本研究开发了一种整合CT影像组学和临床特征的深度学习模型，用于预测肾部分切除术患者的围手术期并发症和风险等级，并与传统解剖分类模型进行比较 | 首次将CT影像组学与临床特征结合，利用深度学习模型预测肾部分切除术的并发症和风险等级，并在外部验证中显示出优于传统RENAL和PADUA评分模型的性能 | 模型在中高风险组患者中的预测性能与传统模型无显著差异，且研究为回顾性设计 | 开发并验证一种基于深度学习的模型，以更准确地预测肾部分切除术患者的围手术期并发症和手术风险等级 | 被诊断为肾细胞癌或肾囊肿并接受肾部分切除术的患者 | 数字病理学 | 肾细胞癌 | CT影像组学 | 深度学习 | CT图像, 临床数据 | 1214名患者（训练/内部验证）和260名患者（外部验证） | PyTorch, pyradiomics | nnU-Net | AUC, 准确率 | NA |
| 76 | 2026-01-09 |
Establishing prospective performance monitoring for real-world implementation of deep learning-based auto-segmentation in prostate cancer radiotherapy
2025-Oct, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100886
PMID:41488801
|
研究论文 | 本研究开发了一个基于回顾性数据的实用框架，用于前列腺癌放疗中深度学习自动分割模型的实时性能监测 | 首次提出将统计过程控制图应用于深度学习自动分割模型的性能监控，以检测数据漂移和临床实践变化 | 研究基于回顾性数据，且仅针对前列腺癌放疗场景，未在其他疾病或医疗环境中验证 | 建立深度学习自动分割模型在前列腺癌放疗中的前瞻性性能监控框架 | 前列腺癌放疗患者的临床轮廓分割 | 数字病理学 | 前列腺癌 | 深度学习自动分割 | U-Net | 医学图像 | 464例前列腺癌病例，时间跨度为20个月 | NA | 2D U-Net, 3D U-Net | Dice相似系数, 95百分位Hausdorff距离, 表面DSC | NA |
| 77 | 2026-01-08 |
Using Deep Learning to Simultaneously Reduce Noise and Motion Artifacts in Brain MR Imaging
2025-Oct-24, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0098
PMID:39938896
|
研究论文 | 本文提出了一种使用深度学习同时减少脑部MRI中噪声和运动伪影的方法 | 针对T1W、T2W和FLAIR序列分别构建独立的训练模型，能够独立于成像方向和伪影方向去除噪声和运动伪影 | 研究仅基于20名健康志愿者的模拟图像数据，未在真实患者数据上进行广泛验证 | 通过深度学习提升脑部MRI的图像质量，促进其临床实用性 | 脑部T1加权、T2加权和FLAIR图像 | 计算机视觉 | NA | MRI成像 | 深度学习模型 | 医学图像 | 20名健康志愿者的脑部MRI图像，生成115200个模拟图像样本 | NA | NA | 结构相似性指数(SSIM), 峰值信噪比(PSNR), 视觉评估 | NA |
| 78 | 2026-01-08 |
Improved Assessment of Juxtacortical Lesions in Multiple Sclerosis Using Highly-accelerated High-resolution Double Inversion Recovery MR Imaging with Deep Learning-based Reconstruction
2025-Oct-24, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2024-0126
PMID:39971311
|
研究论文 | 本研究开发了一种基于深度学习重建的高分辨率双反转恢复磁共振成像技术，用于改进多发性硬化症皮质旁病灶的评估 | 首次将深度学习重建技术应用于高分辨率双反转恢复磁共振成像，实现了在5分钟内完成全脑扫描，显著提高了皮质旁病灶的检测能力 | 研究为回顾性分析，样本量较小（25例患者），需要更大规模的前瞻性研究验证 | 比较深度学习重建双反转恢复成像与传统双反转恢复成像在多发性硬化症皮质旁病灶检测中的诊断性能 | 多发性硬化症患者的磁共振成像数据 | 医学影像分析 | 多发性硬化症 | 磁共振成像, 双反转恢复序列, 深度学习重建 | 深度学习模型 | 磁共振图像 | 25例多发性硬化症患者 | NA | NA | 病灶计数, Wilcoxon符号秩检验 | NA |
| 79 | 2026-01-08 |
Deep Neural Network-Based Risk Prediction of Glioblastoma Multiforme Recurrence
2025-Oct-02, Journal of molecular neuroscience : MN
IF:2.8Q2
DOI:10.1007/s12031-025-02412-w
PMID:41037206
|
研究论文 | 本研究开发并评估了一种基于深度神经网络和混合差分进化神经网络的模型，用于准确预测多形性胶质母细胞瘤的复发风险 | 采用混合差分进化神经网络框架优化深度神经网络架构，用于预测晚期疾病阶段患者的GBM复发风险，并在多模态数据集上实现了优于传统方法的性能 | 研究主要依赖于TCGA和机构存储库的数据，样本量为780名患者，可能存在数据来源和样本规模的限制 | 开发高精度预测多形性胶质母细胞瘤复发风险的深度学习模型，以增强个体化治疗策略并改善患者预后 | 多形性胶质母细胞瘤患者 | 机器学习 | 脑肿瘤 | 基因组测序、影像学分析 | DNN | 基因组图谱、影像学指标、纵向临床记录 | 780名GBM患者 | Python | 混合差分进化神经网络 | 准确率、精确率、召回率、F1分数、AUC-ROC | NA |
| 80 | 2026-01-08 |
Fully Automated Anatomy Labeling for Intracardiac Echocardiography Using Deep Learning
2025-Oct, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.06.009
PMID:40767798
|
研究论文 | 本文开发了一种基于深度学习的全自动算法，用于从右心房心内超声图像中检测解剖结构 | 首次提出全自动深度学习算法用于心内超声图像的解剖结构标注，作为教育或导航工具辅助电生理手术 | 算法仅针对右心房解剖结构，且部分结构识别精度未达到70% | 开发自动化工具以辅助心内超声图像在电生理手术中的解剖结构识别 | 心内超声图像中的解剖结构 | 计算机视觉 | 心血管疾病 | 心内超声 | 深度学习 | 图像 | 605次电生理手术，196,768张图像 | NA | NA | 精确率, 召回率 | NA |