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 2393 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2026-05-19 |
Improving Pre-trained Adult Glioma Segmentation Models using only Post-processing Techniques
2026, Segmentation, classification, and synthesis for brain tumors and traumatic brain injuries : MICCAI 2025 Challenges: BraTS-Lighthouse 2025 and AIMS-TBI 2025, held in conjunction with MICCAI 2025, Daejeon, South Korea, September 23, 2025,...
DOI:10.1007/978-3-032-16365-3_22
PMID:42146716
|
研究论文 | 提出仅通过后处理技术改进预训练成人胶质瘤分割模型性能的方法 | 首次提出自适应后处理技术，无需重新训练模型即可显著提升大规模预训练胶质瘤分割模型的精度和鲁棒性，并强调计算公平性与可持续性 | 后处理技术依赖特定挑战数据集（BraTS 2025）验证，泛化性需更多跨中心数据检验；性能提升幅度有限（0.9%）且对极端错误（如切片不连续）可能无效 | 通过高效的后处理策略替代复杂模型架构改进，推动脑肿瘤分割研究向计算公平且可持续的方向发展 | 成人胶质瘤多参数MRI（mpMRI）肿瘤分割结果 | 数字病理学 | 胶质瘤 | MRI（mpMRI） | 大规模预训练分割模型 | 医学影像（多参数MRI） | NA | NA | NA | 排名指标（Ranking metric） | NA |
| 262 | 2026-05-19 |
AI in Cancer Prognosis: A Systematic Review of Multimodal Models Combining Pathology Images and High-Throughput Omics
2026, Cancer informatics
IF:2.4Q3
DOI:10.1177/11769351261434523
PMID:42146873
|
综述 | 系统回顾了整合病理全切片图像与高通量组学数据的机器学习模型在癌症预后预测中的应用 | 首次系统评估多模态模型结合病理图像和组学数据的预后性能，并指出方法学上的不足 | 所有纳入研究均被评估为高或不明确的偏倚风险，主要原因是外部验证有限、报告不充分以及临床实用性评估不足 | 系统综述和评价整合病理全切片图像与高通量组学数据的机器学习模型在癌症总生存期预测中的表现 | 48篇自2017年以来发表的研究，涵盖19种癌症类型 | 数字化病理学 | 癌症 | NGS，RNA测序，组学技术 | 正则化Cox回归，经典机器学习，深度学习 | 病理全切片图像，组学数据 | 48项研究，均使用癌症基因组图谱数据集 | NA | NA | 一致性指数 | NA |
| 263 | 2026-05-19 |
AI-driven optimization in cloud computing: a systematic review of cost, resource management, and security
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1750992
PMID:42147039
|
综述 | 系统回顾了人工智能和机器学习模型在云计算中用于成本优化、资源管理和安全增强的实证证据 | 首次遵循PRISMA 2020指南和Kitchenham-Charters方法，系统性综合了2020-2025年间AI在云计算成本、资源与安全三方面的实证成果，并量化了元启发式算法和深度学习方法的性能提升 | 仿真环境异质性大、在生产规模部署中验证有限、虚拟机迁移动态覆盖不足，缺乏标准化基准框架和混合多云架构的实证验证 | 综合评估AI/ML模型在云计算的成本控制、资源分配和安全风险管理中的应用效果 | 云计算的成本优化、资源管理和安全增强问题 | 机器学习 | NA | NA | 深度学习、元启发式算法、集合深度学习 | 模拟数据、实证研究数据 | 从216篇初始记录中筛选出18篇主要研究 | NA | 鲸鱼优化算法、粒子群优化算法 | 准确率、成本降幅、能效提升幅度、资源利用率提升幅度、安全威胁检测率 | NA |
| 264 | 2026-05-19 |
Feature stabilization in convolutional neural networks using Proportional Integral Controller for lung nodule classification
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1794876
PMID:42147037
|
研究论文 | 提出基于比例积分控制器的卷积神经网络，用于肺结节分类中的特征稳定化 | 首次将控制理论中的比例积分控制器引入CNN框架，通过调节特征表示改善模型收敛稳定性和泛化能力 | 仅在单一数据集（IQ-OTH/NCCD）上验证，未提供计算资源消耗详细分析 | 提升CT图像肺结节分类的可靠性和特征稳定性 | IQ-OTH/NCCD肺癌数据集中的肺结节CT图像 | 计算机视觉 | 肺癌 | CT成像 | CNN（卷积神经网络） | 图像 | NA | PyTorch | CNN | 准确率, F1分数, 精确率 | NA |
| 265 | 2026-05-19 |
Deep ensemble optimized models for probabilistic CTV breast segmentation
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1777653
PMID:42147036
|
研究论文 | 系统评估并优化六种深度学习模型用于全乳放疗中临床靶体积的概率分割，并构建概率图以改善一致性和减少偏差 | 首次通过组合最优深度学习模型构建概率图来量化CTV分割的不确定性，并分析高一致性与低一致性等概率体积的差异 | 单机构数据，且部分模型需要空间提示（MedSAM2），概率图应用需进一步临床验证 | 优化放疗治疗和最小化毒性，实现OARs和CTV的有效自动分割并评估不确定性 | 全乳放疗患者的计划CT图像中的右侧和左侧乳房临床靶体积 | 数字病理学, 计算机视觉 | 乳腺癌 | CT成像 | UNet, SegResNetDS, DynUNet, nnU-Net, MedSAM2 | CT图像 | 来自单个机构的961例计划CT（861训练，100测试） | MONAI, Total Segmentator | UNet, SegResNetDS, DynUNet, nnU-Net, MedSAM2 | Dice相似系数, 平均表面距离, Hausdorff距离 | NA |
| 266 | 2026-05-19 |
AI-mediated ultrasound radiomics in the diagnosis and treatment of triple-negative breast cancer: research progress and future challenges
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1802259
PMID:42147216
|
综述 | 探讨人工智能介导的超声影像组学在三阴性乳腺癌诊断与治疗中的研究进展及未来挑战 | 系统总结了AI驱动的超声影像组学从基础鉴别诊断到多亚型分类的演变，以及通过多模态图像融合提升诊断性能的创新点 | 技术向临床转化面临标准化数据协议不足、模型可解释性有限及缺乏严格多中心验证研究等挑战 | 概述AI介导的超声影像组学在TNBC非侵入性诊断与治疗中的现状及未来方向 | 三阴性乳腺癌（TNBC） | 机器学习 | 乳腺癌 | 超声影像组学 | 机器学习、深度学习 | 图像 | NA | NA | NA | NA | NA |
| 267 | 2026-05-19 |
Deep learning-based high-throughput phenotyping for tiller quantification in interspecific bentgrass hybrids using YOLOv8
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1810220
PMID:42147275
|
研究论文 | 使用YOLOv8深度学习模型对杂交翦股颖分蘖进行高通量表型定量分析 | 首次将YOLOv8单阶段检测器应用于植物分蘖计数，证明其在密集遮挡场景下优于传统两阶段模型Faster R-CNN | 仅针对杂交翦股颖群体，模型对其他草种的泛化能力未验证；边缘检测方法和Faster R-CNN在密集冠层中性能下降 | 开发自动化、高通量的分蘖计数方法以替代人工计数，支撑育种项目 | 杂交翦股颖群体的分蘖结构 | 计算机视觉, 数字病理学 | 不适用 | 基于图像的高通量表型分析 | YOLOv8, Faster R-CNN | 图像 | 770个杂交翦股颖植物样本的带注释图像数据集 | PyTorch | YOLOv8, Faster R-CNN | R² | 不适用 |
| 268 | 2026-05-19 |
Correction: An integrated automated deep learning framework for annotating tumor-infiltrating lymphocytes in lung adenocarcinoma pathology
2026, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2026.1841924
PMID:42147404
|
更正 | 对一篇关于肺腺癌病理中肿瘤浸润淋巴细胞自动化深度学习注释框架的文章进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 269 | 2026-05-19 |
Artificial intelligence in ophthalmology: from innovation to clinical integration
2026, Frontiers in ophthalmology
DOI:10.3389/fopht.2026.1839194
PMID:42147450
|
观点文章 | 综述人工智能在眼科学中的创新及其临床整合进展 | 系统阐述多模态学习系统、大型语言模型集成及全球眼保健网络部署等未来发展方向 | 未深入讨论算法泛化性不足的具体案例及伦理监管挑战的解决方案 | 评估AI在眼科疾病检测、临床决策支持、手术规划及远程医疗中的应用现状与未来方向 | 眼科影像数据（眼底照相、OCT、视野检查）及AI诊断系统 | 机器学 | 糖尿病视网膜病变、年龄相关性黄斑变性、青光眼 | NA | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 270 | 2026-05-19 |
Advancements in Image-Based Artificial Intelligence in the Diagnosis and Treatment of Head and Neck Squamous Cell Carcinoma: A Narrative Review
2026, International journal of general medicine
IF:2.1Q2
DOI:10.2147/IJGM.S593911
PMID:42147747
|
综述 | 综述了基于影像的人工智能在头颈部鳞状细胞癌诊断与治疗中的应用进展 | 系统梳理了影像组学和深度学习在头颈鳞癌诊疗中的基本流程，并探讨了与新兴成像技术（如高光谱成像、光学相干断层扫描、傅里叶变换红外光谱）的融合 | 纳入的研究多为回顾性、单中心设计，外部验证有限，亟需前瞻性、多中心研究以推动临床转化 | 总结人工智能在头颈鳞癌早期筛查、准确诊断、治疗反应预测中的应用，并讨论未来方向 | 头颈部鳞状细胞癌相关的医学影像数据 | 计算机视觉, 机器学习 | 头颈部鳞状细胞癌 | 影像组学, 深度学习 | NA | 医学影像 | NA | NA | NA | NA | NA |
| 271 | 2026-05-19 |
Hexa classification of erythemato-squamous disease using deep dual features-based neural network
2026, Postepy dermatologii i alergologii
IF:1.4Q3
DOI:10.5114/ada.2026.159120
PMID:42148331
|
研究论文 | 提出一种基于深度双特征神经网络的六分类方法，用于高效分类红斑鳞状皮肤病的临床图像 | 融合DarkNet和ShuffleNet的深度双网络DuoNet提取空间特征，结合海象优化算法进行特征选择，并采用深度信念网络实现六类皮肤病的精准分类 | 未提及模型在真实临床环境中的泛化能力验证及计算资源需求评估 | 开发一种深度学习框架实现红斑鳞状皮肤病的六分类诊断 | 临床皮肤图像数据集 | 计算机视觉 | 皮肤病 | NA | CNN（卷积神经网络） | 图像 | 来自公开数据集的临床皮肤图像 | NA | DarkNet, ShuffleNet, 深度信念网络 | 准确率 | NA |
| 272 | 2026-05-19 |
Quantitative Analysis of the Impact of Region of Interest Information on Deep Learning Algorithms for Thyroid Ultrasound Imaging
2026, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2026.3667415
PMID:42148375
|
研究论文 | 定量分析在甲状腺超声图像分类和病变定位的深度学习模型中，加入放射科医生定义的感兴趣区域（ROI）信息的影响 | 首次定量评估了在深度学习模型训练中引入放射科医生定义的感兴趣区域信息对甲状腺超声图像分类和病变定位性能的影响 | NA | 评估在训练深度学习模型时加入放射科医生定义的感兴趣区域信息对甲状腺超声图像分类和病变定位效果的定量影响 | 甲状腺超声图像中的病变区域 | 计算机视觉 | 甲状腺疾病 | 超声成像 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 273 | 2026-05-19 |
Clinical Applications of Deep Learning for Glottal Area Segmentation and Glottal Area Waveform Feature Computation
2026, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2026.3684089
PMID:42148373
|
研究论文 | 提出一种基于深度学习的自动化系统，用于声门区域分割和声门面积波形特征提取 | 整合YOLO和U-Net架构实现声门检测与分割，显著提升声门面积波形分析的效率和准确性 | 训练数据仅来自声带结节患者，可能限制模型在其他喉部疾病或不同人口统计学群体中的泛化能力 | 开发自动化声门区域分割与声门面积波形特征提取系统，以辅助喉部评估 | 23名声带结节患者的36个视频频闪喉镜记录 | 计算机视觉 | 声带结节 | 视频频闪喉镜 | YOLO, U-Net | 图像 | 5017张标注帧，来自23名患者 | NA | YOLO, U-Net | Intersection over Union, Dice相似系数 | NA |
| 274 | 2026-05-19 |
Analysis of the performance of LSTM-DNN models with the consideration of signal complexity in milling processes
2026, Journal of intelligent manufacturing
IF:5.9Q1
DOI:10.1007/s10845-025-02646-w
PMID:42148385
|
研究论文 | 本文研究了铣削过程中信号复杂性对LSTM-DNN模型性能的影响 | 首次系统分析了信号复杂性对深度学习模型在铣削加工中的性能影响，揭示了信号复杂性在不同切削阶段对模型精度和不确定性的显著影响 | 研究仅限于铣削过程的切削力信号分析，未涉及其他加工类型或传感器信号，且模型性能随深度增加时单调性减弱 | 考察信号复杂性对深加工过程中深度学习模型性能的影响 | 铣削过程中的切削力信号 | 机器学习 | NA | NA | LSTM-DNN | 时间序列信号（切削力） | NA | NA | LSTM-DNN（长短期记忆-深度神经网络） | 精度, 不确定性 | NA |
| 275 | 2026-05-19 |
Artificial Intelligence and Radiomics in Molecular Oncology Imaging
2026, Recent results in cancer research. Fortschritte der Krebsforschung. Progres dans les recherches sur le cancer
DOI:10.1007/978-3-032-15314-2_12
PMID:42149186
|
综述 | 探讨人工智能和影像组学在分子肿瘤学成像中的应用与前景 | 系统比较了传统影像组学与深度学习方法（CNN、Transformer），并引入自监督学习和多模态学习等新兴技术 | 数据需求大、标准化不足、可解释性差、缺乏严格的临床验证 | 推动分子成像真正实现个性化癌症诊疗 | 分子肿瘤学成像中的影像组学和AI方法 | 医学影像分析 | 肿瘤 | 分子成像 | CNN, Transformer | 影像数据 | NA | NA | 卷积神经网络, Transformer | NA | NA |
| 276 | 2026-05-19 |
Optical and Photoacoustic Imaging
2026, Recent results in cancer research. Fortschritte der Krebsforschung. Progres dans les recherches sur le cancer
DOI:10.1007/978-3-032-15314-2_15
PMID:42149189
|
综述 | 本文综述了光学成像（荧光成像、生物发光成像和光声成像）在临床前肿瘤评估中的应用、各自优缺点及发展前景 | 综合比较三种光学成像技术的原理、优势与局限，并强调了基于深度学习的三维成像技术对推动其临床转化的作用 | 未详细讨论不同成像技术的临床验证周期或具体算法性能指标，也未涉及与其他成像方式（如PET、CT）的对比 | 评估光学成像技术在肿瘤发展、进展和治疗评估中的应用现状与未来方向 | 荧光成像、生物发光成像、光声成像三种体内光学成像技术 | 计算机视觉 | 肿瘤 | 光学成像，包括荧光成像、生物发光成像、光声成像 | NA | 图像 | NA | NA | NA | NA | NA |
| 277 | 2026-05-16 |
BOLD-GPCRs: A Transformer-Powered App for Predicting Ligand Bioactivity and Mutational Effects across Class A GPCRs
2026-Jan-26, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01858
PMID:41532426
|
研究论文 | 介绍了一种基于Transformer的深度学习框架BOLD-GPCRs，用于预测A类GPCR的配体生物活性和突变效应 | 将迁移学习和基于Transformer的蛋白质语言模型与密集神经网络分类器相结合，通过用户友好的网页界面实现对A类GPCR配体生物活性和突变效应的预测 | 传统方法在配体或结构数据有限的受体上表现不佳，而BOLD-GPCRs虽然有效，但未明确说明其局限性 | 开发一种能够准确预测整个A类GPCR家族配体生物活性的方法，特别是针对研究不足的受体亚型 | A类G蛋白偶联受体及其配体 | 机器学习 | NA | 深度学习，迁移学习，Transformer | Transformer，密集神经网络 | 配体数据，受体序列数据，信号相关突变数据 | NA | PyTorch | Transformer，BERT | 预测性能（具体指标未说明） | NA |
| 278 | 2026-05-16 |
Open RGB imaging workflow for morphological and morphometric analysis of fruits using deep learning: a case study on almonds
2026-01-21, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf157
PMID:41416705
|
研究论文 | 开发了一个基于深度学习的开源RGB成像工作流，用于水果的形态和形态测量分析，并以杏仁为例进行了验证 | 提出了一个结合AI的开源Python工作流，能够高效分析水果形态、颜色和形态测量特征，并在杏仁上进行了迄今为止最大规模的形态学研究 | 未提及具体的局限性 | 利用深度学习技术开发一个开放的工作流，用于高通量表型分析中的形态和形态测量特征提取 | 杏仁的核仁、坚果及其个体样本 | 计算机视觉 | NA | RGB成像 | 深度学习模型（具体类型未明确） | 图像 | 超过25000个核仁、20000个坚果以及600多个个体 | Python (未指定具体框架，如TensorFlow或PyTorch) | NA（未指定具体架构，如U-Net等） | 错误率（低于1%）、均方根误差（0.47） | NA |
| 279 | 2026-05-16 |
Harnessing artificial intelligence for genomic variant prediction: advances, challenges, and future directions
2026-01-21, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giag004
PMID:41518203
|
综述 | 利用人工智能进行基因组变异预测的进展、挑战和未来方向 | 系统回顾从传统规则系统到现代机器学习、深度学习和蛋白质语言模型的演变，并基于当前变异影响预测器的评估提出预测器选择、多组学数据整合和计算工作流优化的策略 | 未提及具体局限性 | 提高基因组变异解读的准确性，推动精准医疗发展 | 基因组变异预测方法和预测器 | 机器学习 | NA | 多组学数据整合 | 机器学习模型、深度学习模型、蛋白质语言模型 | 多模态基因组数据 | NA | NA | NA | NA | NA |
| 280 | 2026-05-16 |
Computational redesign of a thermostable T7 RNA polymerase
2026-Jan-09, Protein engineering, design & selection : PEDS
DOI:10.1093/protein/gzag008
PMID:41804789
|
研究论文 | 通过结构计算设计开发了一种高度稳定的T7 RNA聚合酶变体T7T+ | 结合现有稳定变体的突变与PROSS识别的新突变，并通过数据驱动启发式方法过滤以保留功能，最终设计出具有更高热稳定性的T7 RNA聚合酶 | T7T+在37°C时仅保留59%的野生型活性，表明稳定性提升可能以部分活性损失为代价 | 提高T7 RNA聚合酶的热稳定性，拓展其在生物技术中的应用 | T7 RNA聚合酶及其变体 | 机器学习 | NA | 结构计算设计与功能测定 | NA | 序列与结构数据 | 18个蛋白设计变体 | NA | NA | 热耐受性T50、表观熔解温度、活性保留率 | NA |