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 2202 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2026-03-06 |
Multi-view deep learning of highly multiplexed imaging data improves association of cell states with clinical outcomes
2026, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbag010
PMID:41782683
|
研究论文 | 本文提出了一种多模态变分自编码器方法，用于从高度多重成像数据中整合细胞的多个视图，以改善细胞状态与临床结果的关联 | 首次探索了多模态变分自编码器在整合高度多重成像数据中细胞的多个视图（包括平均表达、形态学、亚细胞蛋白共定位和空间细胞上下文）方面的能力，并展示了整合后的潜在空间与患者特异性临床结果更强的关联性 | 未明确说明模型在处理大规模数据集时的计算效率或可扩展性限制 | 研究多模态深度学习模型在整合高度多重成像数据中细胞的多视图信息方面的能力，以改善细胞状态与临床结果的关联 | 从高度多重成像数据中量化的单个细胞，包括其平均表达、形态学、亚细胞蛋白共定位和空间细胞上下文 | 数字病理学 | NA | 高度多重成像 | 变分自编码器 | 图像 | NA | Python | 变分自编码器 | NA | NA |
| 322 | 2026-03-06 |
Performance evaluation of deep learning models for overbite classification on cephalometric radiographs
2026, European oral research
IF:0.9Q3
DOI:10.26650/eor.20251689033
PMID:41782781
|
研究论文 | 本研究评估并比较了不同深度学习算法在基于侧位头颅X光片对覆合进行分类的效果 | 首次系统评估了包括ResNet101、DenseNet201、EfficientNetV2-B0、ConvNetBase、EfficientNet-B0及混合模型在内的六种深度学习模型在头颅X光片覆合分类任务上的性能，并利用Grad-CAM可视化技术解释模型决策过程 | 研究样本量相对有限（1062名患者），且仅基于侧位头颅X光片，未考虑其他影像或临床数据 | 评估深度学习模型在头颅X光片覆合分类中的有效性和可靠性 | 1062名患者的侧位头颅X光片 | 计算机视觉 | 口腔正畸 | 侧位头颅X光摄影 | CNN | 图像 | 1062名患者的侧位头颅X光片 | NA | ResNet101, DenseNet201, EfficientNetV2-B0, ConvNetBase, EfficientNet-B0, Hybrid Model | F1分数, 准确率, 精确率, 召回率, 平均绝对误差, Cohen's Kappa系数, AUC-ROC | NA |
| 323 | 2026-03-06 |
Leveraging Artificial Intelligence to Advance Bioinformatics in Africa: Opportunities, Challenges, and Ethical Considerations in Combating Antimicrobial Resistance
2026, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322261427123
PMID:41782801
|
综述 | 本文探讨了人工智能与生物信息学在非洲协同应用以应对抗菌素耐药性的机遇、挑战与伦理考量 | 系统性地阐述了AI（特别是ML、DL及LLMs）在非洲AMR基因组数据分析、耐药性预测与传播建模中的创新应用潜力，并提出了针对非洲情境的三大优先行动 | 非洲地区存在基础设施不足、数据共享壁垒、伦理规范缺失等挑战，可能限制AI技术的实际部署与效果 | 推动人工智能与生物信息学在非洲的整合，以提升抗菌素耐药性的监测、预测与防控能力 | 非洲地区的抗菌素耐药性感染及相关病原体基因组数据 | 生物信息学 | 感染性疾病（抗菌素耐药性） | 全基因组测序 | 机器学习, 深度学习, 大语言模型 | 基因组序列数据 | NA | NA | 卷积神经网络, 支持向量机 | NA | NA |
| 324 | 2026-03-06 |
AMSA-Net: attention-based multi-scale feature aggregation network for single image dehazing
2026, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2026.1698100
PMID:41783049
|
研究论文 | 提出一种基于注意力的多尺度特征聚合网络（AMSA-Net）用于单幅图像去雾 | 设计了多尺度混合注意力特征聚合模块（MSHA-FAM），能够感知雾霾密度和空间分布信息，通过尺度感知坐标残差模块（SCRM）和多尺度特征细化残差模块（MSFRRM）协同工作，显著提升去雾效果 | 未在摘要中明确说明 | 提升单幅图像去雾性能 | 有雾图像 | 计算机视觉 | NA | 深度学习 | 编码器-解码器结构 | 图像 | 未在摘要中明确说明 | 未在摘要中明确说明 | AMSA-Net, MSHA-FAM, SCRM, MSFRRM | 去雾质量（未指定具体指标） | 未在摘要中明确说明 |
| 325 | 2026-03-06 |
A digital twin-driven deep learning framework for online quality inspection in tobacco transplanting
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1716046
PMID:41783105
|
研究论文 | 本文提出了一种基于数字孪生和深度学习的烟草移栽在线质量检测框架，用于实时检测和评估移栽状态 | 结合数字孪生与深度学习，提出轻量级改进YAN-YOLO11算法，实现虚拟-现实交互闭环的在线质量检测系统 | 未明确说明系统在不同环境条件（如光照、土壤类型）下的泛化能力或长期稳定性 | 提高烟草移栽质量检测的自动化、数字化和精细化管理水平 | 烟草移栽过程中的幼苗状态（正常、露根、埋苗）及种植间距 | 计算机视觉 | NA | 多传感器数据融合（GNSS定位与视觉检测） | CNN | 图像, 传感器数据 | 未明确说明具体样本数量，仅通过田间实验验证 | 未明确说明，可能基于PyTorch或TensorFlow（因YOLO系列常用） | YAN-YOLO11（改进的YOLO11轻量版） | 精确率, 召回率, mAP@50, mAP@0.5:0.95, 整体识别准确率, FPS | 未明确说明，但系统实现30 FPS实时性能，暗示使用GPU或嵌入式设备 |
| 326 | 2026-03-06 |
Correction: A digital twin-driven deep learning framework for online quality inspection in tobacco transplanting
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1804394
PMID:41783104
|
correction | 本文是对先前发表的一篇关于数字孪生驱动深度学习框架用于烟草移栽在线质量检测文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 327 | 2026-03-06 |
The forecasting of pediatric asthma clinic visits: A comparative analysis of time-series models under varying training set sizes
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261430219
PMID:41783292
|
研究论文 | 本研究比较了四种时间序列模型在预测儿科哮喘日就诊量方面的性能，并探讨了不同训练集大小对模型表现的影响 | 整合机器学习模型和深度学习模型，结合自适应训练策略，为医院提供数据驱动的儿科哮喘就诊量预测框架 | 研究仅基于单一大型三级儿童医院的数据，可能限制了结果的普遍适用性 | 识别最优时间序列模型和训练策略，以预测儿科哮喘日就诊量，为临床资源分配提供数据驱动框架 | 儿科哮喘日就诊数据 | 机器学习 | 哮喘 | 时间序列分析 | ARIMA, Prophet, XGBoost, BiLSTM | 时间序列数据 | 2015年7月1日至2019年6月30日的儿科哮喘日就诊数据 | NA | ARIMA, Prophet, XGBoost, BiLSTM | R2, 平均绝对误差, 均方根误差, 超过误差阈值的天数 | NA |
| 328 | 2026-03-06 |
Explainable Machine Learning for Prediction of Early Postoperative Nausea and Vomiting After General Anesthesia
2026, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S572550
PMID:41783600
|
研究论文 | 本研究探讨了利用机器学习模型基于常规非侵入性临床指标预测全身麻醉后早期术后恶心呕吐风险的可行性，并应用可解释人工智能技术识别关键预测因子 | 首次将可解释人工智能技术（SHAP分析）与多种机器学习模型结合，专门针对早期PONV风险预测，识别出包括地塞米松使用在内的关键临床预测因子 | 研究为单中心回顾性设计，样本量有限（927例），仅使用非侵入性指标，可能未涵盖所有相关风险因素 | 预测全身麻醉后早期术后恶心呕吐风险，并提高临床决策的可解释性 | 接受全身麻醉手术的患者 | 机器学习 | 术后并发症 | NA | 随机森林, 逻辑回归, 深度学习, 集成学习 | 临床指标数据 | 927例患者病例 | NA | NA | 准确率, 精确率, 召回率, AUC | NA |
| 329 | 2026-03-06 |
Commentary: Deep learning in obsessive-compulsive disorder: a narrative review
2026, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2026.1776019
PMID:41783732
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 330 | 2026-03-05 |
PMCanalSeg: A dataset for automatic segmentation of the pterygopalatine and mandibular canals from 3D CBCT images
2026-Jan-29, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06620-w
PMID:41605959
|
研究论文 | 本文介绍了一个用于从3D CBCT图像中自动分割翼腭管和下颌管的大型公开数据集PMCanalSeg | 构建并公开了首个包含上颌翼腭管数据的CBCT分割数据集，填补了该领域的空白 | 未提及 | 推动颌面CBCT扫描中翼腭管和下颌管分割技术的发展 | 颌面锥形束计算机断层扫描（CBCT）图像中的翼腭管和下颌管 | 数字病理 | 颌面外科相关疾病 | CBCT扫描 | NA | 3D CBCT图像 | 191个患者病例 | NA | NA | NA | NA |
| 331 | 2026-03-05 |
A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition
2026-Jan-29, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06710-9
PMID:41611710
|
研究论文 | 本文介绍了一个全面的IMU数据集，用于评估人体活动和强度识别中的传感器布局策略 | 提供了一个覆盖全身的17个IMU传感器数据集，包含详细的人体测量元数据和活动强度标注，支持传感器布局的系统性评估 | 数据集仅包含12种日常活动，可能未覆盖所有复杂或专业活动场景 | 评估传感器配置在人体活动识别中的性能与实用性平衡 | 30名参与者的12种日常活动数据 | 机器学习 | NA | 惯性测量单元（IMU）数据采集 | 机器学习模型,深度学习模型 | 时间序列传感器数据（三轴加速度和角速度） | 30名参与者，每人进行12种活动，使用17个IMU传感器 | NA | NA | NA | NA |
| 332 | 2026-03-05 |
Bioinspired triboelectric droplet sensor for ammonia monitoring
2026-Jan-29, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68974-4
PMID:41611736
|
研究论文 | 本文受人体肺泡结构启发，开发了一种基于摩擦电纳米发电机的水滴传感器，用于快速监测氨气 | 通过液-固界面瞬时电子转移实现快速响应，避免了传统固态传感材料的气体吸附与解吸过程，响应时间仅为1.4秒 | NA | 开发一种基于水-电化学传感机制的气体传感器，用于环境与健康应用中的氨气监测 | 氨气分子 | 传感器技术 | NA | 摩擦电纳米发电机，水-电化学传感 | 深度学习算法 | 传感器信号数据 | NA | NA | NA | 准确率 | NA |
| 333 | 2026-03-05 |
Machine learning models for drug-drug interaction prediction from computational discovery to clinical application
2026-Jan-29, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02400-3
PMID:41611854
|
综述 | 本文综述了基于机器学习的药物相互作用预测方法，从计算发现到临床应用 | 系统探讨了利用快速扩展的生物医学数据，通过深度学习架构、图神经网络和复杂特征工程等新兴机器学习策略预测药物相互作用，提供了可扩展且数据高效的传统方法替代方案 | 讨论了模型可解释性、泛化能力以及与临床工作流程整合等关键挑战 | 探索机器学习在药物相互作用预测中的应用，以重塑药物警戒和精准治疗 | 药物相互作用 | 机器学习 | NA | NA | 图神经网络, 深度学习 | 生物医学数据 | NA | NA | NA | NA | NA |
| 334 | 2026-03-05 |
Integrated predictive model for visceral pleural invasion in small NSCLC with high clinical utility
2026-Jan-29, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01305-4
PMID:41611812
|
研究论文 | 本研究开发并验证了一种融合深度学习、影像组学特征和CT发现的多特征集成成像融合模型，用于识别小尺寸非小细胞肺癌中的脏层胸膜侵犯 | 提出了一种结合深度学习、影像组学特征和CT发现的多特征集成成像融合模型，用于小尺寸非小细胞肺癌的脏层胸膜侵犯识别，并通过多中心数据验证了其临床实用性 | 研究为回顾性分析，可能存在选择偏倚；模型性能在外部测试集上略有下降（AUC 0.785） | 开发并验证一个集成模型，以提高小尺寸非小细胞肺癌中脏层胸膜侵犯的诊断准确性 | 小尺寸非小细胞肺癌患者 | 数字病理学 | 肺癌 | 计算机断层扫描 | 深度学习模型 | 医学影像 | 2822个小尺寸非小细胞肺癌病例 | NA | 多特征集成成像融合模型 | AUC, 准确率, 特异性 | NA |
| 335 | 2026-03-05 |
Benchmarking deep learning models for predicting anticancer drug potency (IC50) with insights for medicinal chemists
2026-Jan-29, Communications chemistry
IF:5.9Q1
DOI:10.1038/s42004-026-01916-9
PMID:41611971
|
研究论文 | 本研究对五种深度学习模型在抗癌药物IC50预测中的性能进行了基准测试，并开发了一个用户友好的网络服务器 | 引入了实验变异性感知预测准确度统计量，并评估了模型对未见化合物预测的局限性 | 模型对未见化合物的预测准确性显著下降，且预测误差与化合物及细胞系的理化及生物学特性相关性较弱 | 评估深度学习模型在预测抗癌药物IC50方面的性能，为药物化学家提供实用见解 | 小分子抗癌药物及其对癌细胞系的IC50值 | 机器学习 | 癌症 | 深度学习 | DeepCDR, DrugCell, PaccMann, Precily, tCNN | 化合物和细胞系数据 | 标准化GDSC数据集和近期发表的抗癌化合物 | NA | NA | 百分比误差, 对数误差, 三西格玛限, 实验变异性感知预测准确度 | NA |
| 336 | 2026-03-05 |
Robust Brain Extraction Tool for Nonenhanced CT and CT Angiography: CTA-BET
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240847
PMID:41147859
|
研究论文 | 开发并评估了一种基于深度学习的脑提取模型CTA-BET，用于CT血管造影和非增强CT图像的精确脑部分割 | 提出首个专门针对CTA和NCCT图像的深度学习脑提取工具，在两种模态上均优于现有非商业基准工具 | 研究为回顾性设计，训练数据主要来自多机构CTA队列（100例），NCCT验证使用公开数据集 | 开发适用于CTA和NCCT图像的鲁棒脑提取工具，提升临床和研究中的自动化影像分析 | CT血管造影图像和非增强CT图像中的脑组织分割 | 数字病理 | NA | CT血管造影，非增强CT | CNN | 3D医学图像 | 训练集：100例CTA患者（多机构）；验证集：50例CTA患者（外部）+ 132例NCCT患者（CQ500公开数据集） | NA | NA | Dice分数，豪斯多夫距离，分数归一化直方图 | NA |
| 337 | 2026-03-05 |
Adnexal Lesion Discrimination Using Deep Learning Analysis of Dynamic Contrast-enhanced US Images
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240786
PMID:41190943
|
研究论文 | 本研究开发了一种基于动态对比增强超声图像的多模态深度学习模型（OCNet），用于对附件病变进行分类 | 首次开发了基于动态对比增强超声图像的多模态深度学习模型（OCNet），用于附件病变分类，其性能优于现有的O-RADS US和ADNEX模型，并能提升初级放射科医生的诊断能力 | 这是一项回顾性研究，数据来源于中国的14家医院，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证 | 开发并评估一种深度学习模型，以准确分类附件病变（良性或恶性） | 经病理证实的附件病变患者 | 数字病理 | 卵巢癌 | 动态对比增强超声 | 深度学习模型 | 图像 | 395名女性患者（252个良性病变，143个恶性病变），数据分为训练集（275例）、内部测试集（57例）和外部测试集（63例） | NA | OCNet | AUC, 特异性 | NA |
| 338 | 2026-03-05 |
Economic Value of AI in Radiology: A Systematic Review
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250090
PMID:41258794
|
系统综述 | 本文对人工智能在放射学工作流程中的经济价值证据进行了系统性回顾和总结 | 首次对2010年至2024年间发表的、明确量化人工智能在放射学中经济成果的原始研究进行了系统性综述，并基于任务复杂性、检查量和实施模式等背景因素分析了AI经济价值的差异性 | 纳入研究数量较少（仅21项），且研究质量可能存在异质性；仅关注了明确量化经济成果的研究，可能排除了其他相关证据 | 总结人工智能在放射学工作流程中经济价值的证据 | 2010年至2024年间发表的、量化AI在放射学中经济成果的原始研究文章 | NA | NA | NA | 机器学习, 深度学习, 计算机辅助诊断, 自然语言处理 | NA | 从1879项初始搜索结果中筛选出21项研究 | NA | NA | 成本节约, 增量成本效益比, 准确性, 特异性 | NA |
| 339 | 2026-03-05 |
Rethinking Privacy in Medical Imaging AI: From Metadata and Pixel-Level Identification Risks to Federated Learning and Synthetic Data Challenges
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250273
PMID:41295085
|
综述 | 本文探讨了医学影像AI中隐私保护的风险与挑战，重点关注元数据和像素级识别风险，并回顾了联邦学习和合成数据等隐私保护方法的局限性 | 强调了像素级图像信息（如强度值）可能被深度学习模型利用以揭示敏感患者数据，这一风险常被忽视，同时指出了联邦学习和合成数据方法在模型反转和推理攻击下的脆弱性 | 文章为综述性报告，未提出具体的新技术或解决方案，主要基于现有文献讨论风险与挑战，缺乏实证数据支持 | 分析医学影像AI中的隐私风险，并评估现有隐私保护方法的有效性及局限性 | 医学影像数据及其相关的元数据（如患者标识符、采集参数、机构详情） | 医学影像AI | NA | 深度学习 | NA | 医学影像数据 | NA | NA | NA | NA | NA |
| 340 | 2026-03-05 |
Gastric Neoplasm Detection at Contrast-enhanced CT with Deep Learning
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250145
PMID:41295087
|
研究论文 | 开发并验证了一种名为GANDA的深度学习模型，用于在临床常规增强CT中自动检测、诊断和分割胃部肿瘤 | 提出了一种联合分割和分类的三维深度学习模型，并在多个内部、外部和真实世界测试队列中进行了验证，其诊断准确性显著高于经验丰富的放射科医生 | 研究为回顾性设计，模型在外部测试队列中的分割性能（Dice系数）仍有提升空间 | 开发一种自动化工具，用于在CT影像中检测和诊断胃部肿瘤 | 胃部肿瘤患者及对照人群 | 数字病理 | 胃癌 | 对比增强CT | 深度学习模型 | CT图像 | 共4606名患者（1683名用于模型开发，266名用于内部测试，2657名用于外部测试，7695名用于真实世界测试） | NA | 联合分割和分类的三维深度学习模型 | 敏感性, 特异性, 准确率, Dice系数, AUC | NA |