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 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2026-05-15 |
Robust Decomposition of Surface EMG Signals via Lightweight Deep Learning-Based Adaptation
2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2026.3691346
PMID:42102086
|
研究论文 | 提出一种基于轻量级深度学习自适应的表面肌电信号鲁棒分解方法，用于中等非平稳场景下的神经接口 | 首次将轻量级深度学习与在线自适应策略相结合，通过Tree-structured Parzen Estimator搜索实现模型轻量化，并设计多因素数据增强提升泛化能力 | 仅针对中等非平稳场景，对高度非平稳或突发性干扰的适应性未验证 | 开发一种在噪声增加、新运动单元招募和运动单元特性变化等非平稳因素共存时仍能鲁棒分解表面肌电信号的深度学习方法 | 表面肌电信号中的运动单元活动 | 深度学习, 生物医学信号处理 | NA | 表面肌电信号分解 | 深度学习模型 | 仿真数据和实验数据 | 仿真数据含50个新招募运动单元，实验数据未明确样本量 | NA | 通过Tree-structured Parzen Estimator搜索轻量化的深度学习架构 | F1分数, 新运动单元解码数, 运动单元放电率 | 边缘设备部署 |
| 302 | 2026-05-15 |
Validation of deep learning enabled web based and smartphone optimized application RadAnalyzer to measure vertebral heart size and vertebral left atrial size in dogs
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0337679
PMID:42127004
|
研究论文 | 验证深度学习驱动的网络和智能手机优化应用RadAnalyzer在测量犬类椎体心脏大小和椎体左心房大小的准确性 | 首次验证了基于深度学习的网络和智能手机优化应用RadAnalyzer在犬类放射学测量中的临床可行性 | 仅使用高质量右侧侧位X光片，且未与超声心动图测量进行比较 | 比较RadAnalyzer与训练有素的观察者在测量犬类VHS和VLAS时的一致性 | 1058只客户拥有的犬类，涵盖80个品种，具有不同心脏大小和胸腔形态 | 计算机视觉 | 心血管疾病 | NA | 深度学习 | 图像 | 1058只犬类的高质量X光片 | NA | NA | 皮尔逊相关系数, Bland-Altman图, Passing-Bablok回归 | NA |
| 303 | 2026-05-15 |
Hybrid attention-based multi-class classification of Ethiopian legal texts using deep learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348805
PMID:42127002
|
研究论文 | 提出了一种基于注意力机制的混合深度学习模型，用于埃塞俄比亚法律文本的多类分类 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 304 | 2026-05-12 |
Advancing endometriosis detection in daily practice: a deep learning-enhanced multi-sequence MRI analytical model
2026-01, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04942-8
PMID:40232413
|
研究论文 | 开发了一种基于深度学习的多序列MRI分析模型，用于提高子宫内膜异位症的检测准确性 | 首次在大规模队列中应用多序列MRI的深度学习模型进行子宫内膜异位症检测，并展示了与专业医师相当的检测性能 | 未在论文标题和摘要中明确提及 | 评估深度学习工具在增强基于多序列MRI的子宫内膜异位症检测准确性中的应用 | 子宫内膜异位症患者和健康对照者的多序列MRI图像 | 数字病理学 | 子宫内膜异位症 | MRI | 3D-DenseNet-121 | 图像（MRI） | 395例子宫内膜异位症患者和356例对照组，共751例 | NA | 3D-DenseNet-121 | F1分数、AUROCC、敏感性、特异性 | NA |
| 305 | 2026-05-12 |
Multi-class transformer-based segmentation of pancreatic ductal adenocarcinoma and surrounding structures in CT imaging: a multi-center evaluation
2026-01, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05061-0
PMID:40514460
|
研究论文 | 提出基于Transformer的多类分割框架，用于CT图像中胰腺导管腺癌及周围结构的分割，并在多中心数据集上验证其性能 | 首次系统比较四种深度学习架构（UNet、nnU-Net、UNETR、Swin-UNet）在PDAC多类分割任务中的表现，并验证Transformer模型（Swin-UNet）的优越性和泛化能力 | 未明确指出局限性，但回顾性研究设计、数据预处理依赖标准化标注可能限制临床实时应用 | 开发并评估用于CT图像中PDAC及周围结构自动多类分割的深度学习框架 | 3265名患者的多中心CT影像数据 | 计算机视觉 | 胰腺导管腺癌 | CT成像 | Swin-UNet, UNet, nnU-Net, UNETR | 图像 | 3265名患者（来自6个机构），其中569名用于独立测试 | NA | Swin-UNet, UNet, nnU-Net, UNETR | Dice相似系数, 交并比, 定向Hausdorff距离, 平均对称表面距离, 体积重叠误差 | NA |
| 306 | 2026-05-12 |
Artificial intelligence (AI) and CT in abdominal imaging: image reconstruction and beyond
2026-01, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05031-6
PMID:40522387
|
综述 | 探讨人工智能在腹部CT成像中的图像重建及扩展应用 | 系统总结了深度学习重建技术（如TrueFidelity、AiCE等）在腹部成像中的优势，并拓展了AI在低对比度病变检测、定量成像和工作流优化等领域的应用 | 临床验证不足、标准化缺乏及广泛采用存在挑战 | 综述AI驱动的CT图像重建原理、进展及未来方向，及其在腹部成像中的扩展角色 | 腹部CT图像重建技术，包括传统方法（FBP、IR）和深度学习重建方法 | 计算机视觉 | NA | CT成像 | 卷积神经网络 | 图像 | NA | NA | TrueFidelity, AiCE, Precise Image | 对比噪声比、病变检测能力、诊断置信度 | NA |
| 307 | 2026-05-12 |
Practical applications of AI in body imaging
2026-01, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05088-3
PMID:40576669
|
综述 | 本文综述了截至2024年底在美国获得FDA批准并用于腹腔盆腔器官及相关疾病评估的商业AI算法，评价其潜在优势并提出未来方向 | 系统梳理了针对腹腔盆腔成像的FDA批准AI算法现状，并分析了临床应用中的实际优势与局限 | 未提及具体算法性能数据比较，且局限于美国市场已商业化的算法 | 评估腹腔盆腔成像中AI算法的实际应用价值及未来发展趋势 | FDA批准的用于腹腔盆腔器官及相关疾病的AI算法 | 医学影像 | 腹腔盆腔疾病 | 深度学习 | NA | 影像 | NA | NA | NA | NA | NA |
| 308 | 2026-05-08 |
Assessment of a Deep Learning Model Trained on Permanent Pathology for the Classification of Squamous Cell Carcinoma in Mohs Frozen Sections: Lessons Learned
2026-01-01, Dermatologic surgery : official publication for American Society for Dermatologic Surgery [et al.]
IF:2.5Q1
DOI:10.1097/DSS.0000000000004758
PMID:40631753
|
研究论文 | 评估一个在永久病理学上训练的深度学习模型用于Mohs冰冻切片中鳞状细胞癌分类的性能及局限性 | 首次对永久病理学训练的模型应用于Mohs冰冻切片进行分类的定性评估，揭示模型在分布外数据上的不足，并提出微调方向 | 样本量小（仅15个Mohs冰冻切片），且未进行模型重训练或微调，仅进行定性分析 | 评估永久病理学训练的深度学习模型在Mohs冰冻切片上分类鳞状细胞癌的表现，以识别模型缺陷并指导后续优化 | 鳞状细胞癌肿瘤分类以及冰冻切片中的正常组织、炎症、肌肉和神经等非肿瘤结构 | 数字病理学 | 鳞状细胞癌 | H&E染色切片数字化 | 深度学习模型（未指定具体类型） | 组织病理图像 | 746张皮肤活检切片（训练），15张Mohs手术冰冻切片（测试） | NA | NA | AUC-ROC | NA |
| 309 | 2026-05-06 |
Deep Learning-Based Model for Breast Implant Classification in Ultrasonography: A Multi-Institutional Model Development and Validation Study
2026-01-29, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf220
PMID:41168671
|
研究论文 | 开发并验证一种基于深度学习的模型，用于超声图像中乳房植入物的分类 | 利用多机构大样本数据，结合Grad-CAM可解释性技术，自动化分类乳房植入物的制造商和纹理特征 | 模型依赖回顾性数据，且可能受限于超声图像质量和标注准确性 | 满足对可靠植入物识别方法的需求，改善临床工作流程和患者结果 | 乳房植入物 | 计算机视觉 | 乳房植入物相关疾病 | 超声成像 | 深度学习模型 | 图像 | 28712份乳房超声PNG文件，来自2580名患者的4136个植入物 | NA | NA | 平衡准确率 | NA |
| 310 | 2026-05-06 |
A Systematic Review of Applications, Challenges, and Future Trajectories of Artificial Intelligence in Cosmetic Surgery
2026-01-29, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf238
PMID:41234118
|
综述 | 系统回顾人工智能在整容手术中的应用、挑战和未来发展方向 | 首次系统总结AI在整容手术全流程中的应用（术前预测、术中导航、术后监测），提出基于大语言模型工具的发展前景 | 多数研究处于早期阶段，外部验证有限，数据集异构，结果指标不一致，偏倚风险中等至严重 | 系统整理和评估人工智能在整容手术中的现有应用、面临的挑战及未来趋势 | AI、机器学习、深度学习、计算机视觉或大语言模型在美容或整容手术中的应用研究 | 计算机视觉, 自然语言处理, 机器学习 | 其他（整容手术相关） | NA | CNN, LSTM, GAN, 大语言模型 | 图像, 文本, 视频 | 38项研究（从3941篇记录中筛选） | NA | NA | 准确性, 精确率, 召回率, F1分数, AUC, Dice系数 | NA |
| 311 | 2026-05-06 |
A Deep Learning-Based Ensemble Model for Automated Nasolabial-Fold Severity Grading
2026-01-29, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf161
PMID:40798848
|
研究论文 | 提出并验证了一种基于深度学习的集成模型DeepFold，用于自动、客观地对鼻唇沟严重程度进行WSRS分级 | 首次将深度学习集成策略应用于鼻唇沟严重程度自动分级，通过多数投票法整合三个独立网络，提升了模型鲁棒性并降低了类不平衡的影响 | NA | 开发并验证一种基于WSRS的鼻唇沟严重程度自动分级模型，实现客观、可重复的临床评估 | 鼻唇沟（NLF）严重程度分级 | 计算机视觉 | 面部衰老 | NA | CNN | 图像 | 6718张面部图像（1718张临床门诊图像，5000张CelebA数据集图像） | PyTorch | ResNet-50, SeResNet-50 | 准确率, F1分数, 混淆矩阵 | NA |
| 312 | 2026-05-06 |
Deep Learning-Based Quality Control and Diagnosis of Bronchial Images
2026, Respiration; international review of thoracic diseases
DOI:10.1159/000548342
PMID:41308068
|
综述 | 系统分析深度学习技术在支气管镜图像质量控制与诊断分析中的应用潜力 | 探索人工智能提升支气管镜图像质量控制和诊断分析的应用前景 | 模型泛化能力有限，需多中心临床验证优化鲁棒性 | 增强支气管镜图像的质量控制与诊断效率 | 支气管镜图像 | 计算机视觉 | 肺部疾病 | NA | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 313 | 2026-05-06 |
Predicting Intracranial Pressure Levels: A Deep Learning Approach Using Computed Tomography Brain Scans
2026-Jan-01, Neurosurgery
IF:3.9Q1
DOI:10.1227/neu.0000000000003661
PMID:40719476
|
研究论文 | 提出使用深度学习模型从CT脑扫描预测颅内压水平的方法 | 将人口统计学数据和格拉斯哥昏迷量表评分作为CT扫描的额外通道进行模型训练 | 需要进一步验证结果并提高临床适用性 | 开发非侵入性颅内压评估方法 | 颅内压水平 | 深度学习 | 颅内压升高 | CT扫描 | CNN | 图像 | 578对CT脑扫描及相关数据 | NA | 四种不同的深度学习模型 | AUC, 召回率 | NA |
| 314 | 2026-05-06 |
Automated counting of prostate cell types with image processing and machine learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0340628
PMID:42081477
|
研究论文 | 提出了一种结合图像处理和深度学习的自动化系统，用于从手机拍摄的图像中计数前列腺癌细胞 | 创新性地使用普通手机摄像头获取图像，并通过结合卷积神经网络与选择性搜索算法的两阶段流水线，克服了移动图像中的变异性和无关内容，实现了高精度细胞计数 | 未提及具体局限性，但可能受限于手机图像质量和数据多样性 | 开发一种自动化的前列腺癌细胞计数软件系统，以提高传统手动计数的准确性和效率 | 前列腺癌细胞图像 | 计算机视觉, 机器学习 | 前列腺癌 | NA | 卷积神经网络 | 图像 | NA | NA | 卷积神经网络 | 准确率 | NA |
| 315 | 2026-05-06 |
Reducing annotation burden in medical imaging with ADGNET: A semi-supervised deep learning strategy
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348596
PMID:42081490
|
研究论文 | 提出ADGNET，一种半监督框架，通过共享特征表示联合优化图像重建与分类，用于阿尔茨海默病诊断 | 采用双任务设计，结合残差骨干网络与注意力调制实现动态特征选择，并利用焦点损失处理类别不平衡，从而从有限标注中有效学习特征 | NA | 减少医学影像标注负担，提高少样本情况下的诊断性能 | 阿尔茨海默病患者的MRI图像 | 数字病理学 | 阿尔茨海默病 | MRI成像 | 半监督深度学习框架 | 图像 | 两个公开数据集：KACD（2D，6400张图像）和ROAD（3D，532次扫描） | PyTorch | ResNet, Grad-CAM | 准确率, 精确率, 召回率, F1分数, AUC, Dice系数 | NA |
| 316 | 2026-05-06 |
ATF-MGIAM: Medically-guided interpretable attention mapping for robust pertussis cough sound recognition
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348508
PMID:42081564
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 317 | 2026-05-04 |
UK Biobank-centric advances in brain age prediction: a comprehensive review
2026-01-23, Reviews in the neurosciences
IF:3.4Q2
DOI:10.1515/revneuro-2025-0055
PMID:40997331
|
综述 | 全面综述了基于UK Biobank的脑年龄预测研究在机器学习与深度学习算法方面的进展及其临床应用 | 系统总结了70项利用英国生物银行进行脑年龄预测的研究（2014-2024年），重点关注机器学习与深度学习算法的范式转变，并批判性评估了UKB数据集在脑年龄预测领域的独特优势和固有局限 | UKB数据集可能存在代表性偏差和自身局限性，影响模型的泛化能力 | 评估脑年龄预测模型的准确性，提高可靠性和临床适用性 | 脑年龄预测模型及其训练数据集（UK Biobank） | 机器学习 | 神经退行性疾病 | NA | 机器学习、深度学习 | 神经影像数据 | 70项同行评审研究（2014-2024年） | NA | NA | NA | NA |
| 318 | 2026-05-04 |
Accelerated magnetic resonance imaging of hippocampal sclerosis in pediatric patients with deep learning-based reconstruction: comparison of image quality and diagnostic performance with conventional reconstruction
2026-01, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06419-8
PMID:41081829
|
研究论文 | 比较深度学习重建与常规重建在儿童海马硬化加速磁共振成像中的图像质量和诊断性能 | 首次在儿童海马硬化患者中评估深度学习重建技术对加速MRI序列的图像质量和诊断性能的影响 | NA | 比较常规重建MRI与有无深度学习重建的加速序列在儿童海马硬化患者中的图像质量和诊断性能 | 68名确诊或疑似颞叶癫痫伴海马硬化的儿科患者 | 医学影像 | 颞叶癫痫伴海马硬化 | MRI | 深度学习重建模型 | MRI图像 | 68名儿科患者 | NA | NA | 图像质量评分, 信噪比, Cohen's kappa系数 | NA |
| 319 | 2026-05-04 |
Enhanced convolutional block attention module with Learnable Gated Fusion (LGF-CBAM) for cocoa pod disease identification
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348147
PMID:42060662
|
研究论文 | 提出一种可学习门控融合卷积块注意力模块（LGF-CBAM）集成ResNetV2-101骨干网络，用于可可豆荚病害识别 | 通过可训练门控参数和softmax归一化，自适应平衡空间与通道注意力的重要性，克服标准CBAM顺序处理的局限性 | 在Coffee and Cocoa数据集上准确率降至94.00%，表明在高度多样性条件下泛化能力仍有不足 | 提高可可豆荚病害识别的准确率和鲁棒性，支持精准农业 | 可可豆荚病害图像 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | 多个数据集：Cocoa_Pod_Disease_Gh（未明确数量）、Cocoa Diseases (YOLOv4)、Black and Borer Pod Rot、Cacao Diseases in Davao、Coffee and Cocoa数据集 | NA | ResNetV2-101, LGF-CBAM | 准确率、F1分数、PPV | NA |
| 320 | 2026-05-04 |
A multi-modal deep learning framework with GAN-based fusion for enhanced landslide detection
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347324
PMID:42060708
|
研究论文 | 提出一种基于GAN融合的多模态深度学习框架，用于增强滑坡检测 | 首次在运营监测场景中结合多骨干网络特征融合与对抗性掩膜细化，创新性地整合四个预训练CNN（VGG16、DenseNet201、ResNet50和InceptionV3）与GAN对抗细化模块 | 未提及 | 实现高精度、可扩展的滑坡检测与分割，生成GIS就绪的概率图并支持低延迟推理 | 滑坡区域的遥感影像 | 计算机视觉 | NA | 遥感影像分析、GAN对抗细化 | CNN（VGG16、DenseNet201、ResNet50、InceptionV3）和GAN | 高分辨率卫星/UAV影像、中分辨率Sentinel-2影像、同震滑坡影像 | 三个基准数据集：CAS Landslide（高分辨率GF-2/UAV影像）、MS2LandsNet（中分辨率Sentinel-2）、GDCLD（同震滑坡） | NA | VGG16、DenseNet201、ResNet50、InceptionV3 | F1分数、IoU、边界细化精度 | NA |