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 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2026-04-18 |
XMP-Net: An XAI-Based Modified Xception Model for Recognizing Monkeypox and Other Skin Diseases
2026, BioMed research international
IF:2.6Q3
DOI:10.1155/bmri/1113178
PMID:41522723
|
研究论文 | 本研究提出了一种基于Xception改进的深度学习模型XMP-Net，用于皮肤病的分类，特别关注猴痘的识别，并利用可解释人工智能技术增强模型预测的可信度 | 结合了改进的Xception架构与Grad-CAM和LIME等可解释人工智能技术，为皮肤病分类提供视觉解释，增强临床诊断的透明度和可靠性 | 模型在麻疹和水痘的分类准确率相对较低（分别为84.21%和77.27%），且研究仅针对四种皮肤类别，可能未涵盖所有相关皮肤病 | 开发一种可解释的深度学习模型，用于皮肤病的自动分类，特别关注猴痘的识别，以辅助临床诊断 | 皮肤图像，包括正常皮肤、水痘、麻疹和猴痘四种类别 | 计算机视觉 | 皮肤病 | 深度学习 | CNN | 图像 | NA | NA | Xception | 准确率, 精确率, 召回率, F1分数 | NA |
| 402 | 2026-04-18 |
OralHybridNet: A Deep Learning Framework for Multi-Label Classification of Dental Restorations and Prostheses in Panoramic Radiographs
2026 Jan-Dec, Inquiry : a journal of medical care organization, provision and financing
DOI:10.1177/00469580261439986
PMID:41972827
|
研究论文 | 本文提出了一种名为OralHybridNet的混合深度学习框架，用于在口腔全景X光片中自动进行多标签分类，以识别牙科修复体和假体 | 提出了一种新颖的混合深度学习框架，结合了分层卷积神经网络、双注意力机制和自适应增强协议，并引入了混合特征选择算法来优化特征表示 | 未明确提及研究的局限性 | 开发一个自动化的深度学习框架，用于在口腔全景X光片中对牙科修复体和假体进行多标签分类 | 口腔全景X光片（OPG） | 计算机视觉 | 牙科疾病 | 全景X光成像 | CNN, KNN | 图像 | 2047张临床医生标注的全景X光片 | NA | CustomDentalNet, OralNetXPlus, ResNet50 | 准确率, 精确率, AUC-ROC | NA |
| 403 | 2026-04-18 |
Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder
2026, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-032-05141-7_34
PMID:41988634
|
研究论文 | 本文提出了一种可解释的深度学习框架NeuroPathX，用于揭示神经疾病中脑成像与遗传学之间的关联 | 引入了基于交叉注意力机制的早期融合策略，并设计了稀疏损失和通路相似性损失函数以增强模型的可解释性和鲁棒性 | 未明确提及模型在更广泛疾病或更大样本量下的泛化能力限制 | 研究神经疾病中脑结构变异与遗传通路之间的相互作用 | 自闭症谱系障碍和阿尔茨海默病 | 数字病理学 | 神经疾病 | MRI, 遗传学数据 | 深度学习 | 图像, 遗传数据 | NA | NA | 基于交叉注意力机制的早期融合框架 | NA | NA |
| 404 | 2026-04-18 |
The application of artificial intelligence in the intersection of metabolic dysfunction-associated steatotic liver disease and cardiovascular diseases
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1788249
PMID:41993162
|
综述 | 本文综述了人工智能在代谢功能障碍相关脂肪性肝病与心血管疾病交叉领域的应用 | 强调人工智能能够整合临床、影像和多组学数据，提高MASLD诊断和肝纤维化分期的精确度，并优于传统风险评估工具 | 面临数据质量和模型泛化等挑战 | 评估人工智能在MASLD与CVD交叉领域的风险预测、机制理解和临床干预中的应用 | 代谢功能障碍相关脂肪性肝病和心血管疾病患者 | 机器学习 | 心血管疾病 | NA | 机器学习, 深度学习 | 临床数据, 影像数据, 多组学数据 | NA | NA | NA | AUC | NA |
| 405 | 2026-04-18 |
Automated deep learning based detection of cellular deposits on clinically used ECMO membrane lungs
2026, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2026.1771574
PMID:41993244
|
研究论文 | 本研究开发了一种基于深度学习的自动化工具，用于检测临床使用的ECMO膜肺上的细胞沉积 | 首次将Mask R-CNN与ResNet 101骨干网络结合扩张卷积应用于ECMO膜肺细胞沉积的实例分割，在重叠和低强度细胞核分割方面优于U-Net类方法 | 未明确说明模型在更广泛临床样本上的泛化能力，且依赖荧光显微镜图像 | 开发自动化工具以支持ECMO并发症中细胞沉积机制的研究 | ECMO膜肺空心纤维垫上的细胞核沉积 | 计算机视觉 | 心血管疾病 | 荧光显微镜 | CNN | 图像 | NA | NA | Mask R-CNN, ResNet 101, U-Net, Cellpose, StarDist | 细胞核计数准确率, 面积准确率 | NA |
| 406 | 2026-04-18 |
Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States
2026, Theranostics
IF:12.4Q1
DOI:10.7150/thno.125235
PMID:41993630
|
研究论文 | 本文介绍了一种名为BRIDGE的平台，该平台通过整合体内MRI、体内双光子显微镜和体外超分辨率显微镜，首次实现了MRI信号与生物学真实情况在体素级别上的精确映射，并用于训练卷积神经网络以提升MRI的有效分辨率 | 首次开发了BRIDGE平台，实现了体内、纵向、体素精确的MRI信号到其生物学真实情况的映射，并利用该平台识别了乳腺癌脑转移早期定植的微环境血管生物标志物 | NA | 建立MRI信号的微观生物学基础，并利用深度学习预测脑部疾病状态 | 脑部（健康与患病状态），具体包括乳腺癌脑转移的异种移植模型和胶质瘤 | 数字病理学 | 脑癌（乳腺癌脑转移、胶质瘤） | 体内磁共振成像（MRI）、体内双光子显微镜（2P）、体外超分辨率显微镜 | CNN | 图像（MRI图像、显微镜图像） | NA | NA | NA | NA | NA |
| 407 | 2026-04-18 |
Circulating tumor cell detection in cancer patients using in-flow deep learning holography
2026, Npj biosensing
DOI:10.1038/s44328-026-00084-z
PMID:41993926
|
研究论文 | 本文介绍了一种结合微流控富集、深度学习图像分析和免疫荧光分析的流式数字全息显微镜系统，用于提高循环肿瘤细胞检测的敏感性和特异性 | 整合惯性微流控预处理与双模态成像（全息术和荧光传感），并利用深度学习模型提供细胞形态学置信度，可实时结合免疫荧光标准进行CTC计数，且能检测到传统EpCAM标记可能漏检的PSMA阳性CTC | 仅进行了小规模试点研究（13名晚期前列腺癌患者和8名健康对照），样本量有限，需进一步验证 | 开发一种高灵敏度、高特异性的循环肿瘤细胞检测方法，用于癌症早期检测、预后评估和疾病监测 | 循环肿瘤细胞（CTCs），来自晚期前列腺癌患者和健康对照的血液样本 | 数字病理学 | 前列腺癌 | 数字全息显微镜，微流控富集，免疫荧光分析 | 深度学习模型 | 图像（全息和荧光图像） | 13名晚期前列腺癌患者和8名健康对照的血液样本 | NA | NA | 患者水平假阳性率（1细胞/毫升），CTC计数 | NA |
| 408 | 2026-04-18 |
A multimodal deep learning-based model for posture asymmetry recognition and sports injury risk prediction in adolescent table tennis athletes
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1800522
PMID:41994050
|
研究论文 | 本研究开发了一个多模态深度学习框架，用于自动识别青少年乒乓球运动员的姿态不对称模式并评估其生物力学损伤风险水平 | 提出了一个集成视频RGB序列、骨骼关键点轨迹和运动学参数的多模态深度学习框架，通过跨模态注意力机制、加权图卷积网络和时间卷积网络实现姿态不对称识别和损伤风险预测 | 研究基于专家评估的姿态偏差标准进行生物力学风险分层，用于筛查目的，而非经过纵向验证的损伤发生预测 | 开发智能评估系统，用于青少年乒乓球运动员的训练监测和损伤预防 | 青少年乒乓球运动员 | 计算机视觉 | 运动损伤 | 视频分析, 运动捕捉 | 深度学习 | 视频, 骨骼关键点, 运动学参数 | TTStroke-21数据集 | NA | 加权图卷积网络, 时间卷积网络 | NA | NA |
| 409 | 2026-04-18 |
Protein design, generative AI and biological security
2026, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2026.1817535
PMID:41994287
|
综述 | 本文回顾了生成式人工智能在蛋白质设计领域的当前发展，评估了其双重用途影响，并讨论了平衡科学进步与生物安全的相称缓解策略 | 深入探讨了AI驱动的蛋白质设计在生物安全方面带来的新机遇（如检测生物制剂、开发病毒表面蛋白结合剂）与新风险（如设计出功能等效但序列相似性低的毒素），并提出了分层的缓解策略 | 文章为综述性质，未进行具体的实验验证或模型开发，主要基于现有文献和趋势进行分析，因此可能未涵盖所有新兴风险或技术细节 | 评估生成式人工智能在蛋白质设计中的双重用途影响，并探讨如何平衡科学创新与生物安全风险 | AI驱动的蛋白质设计技术及其在生物安全领域的应用与潜在风险 | 机器学习 | NA | 深度学习 | 生成模型 | 蛋白质序列与结构数据 | NA | NA | NA | NA | NA |
| 410 | 2026-04-18 |
Artificial intelligence in the diagnosis of thyroid diseases: applications and challenges
2026, Frontiers in radiology
DOI:10.3389/fradi.2026.1740915
PMID:41994322
|
综述 | 本文综述了人工智能在甲状腺疾病诊断中的最新应用，并深入分析了其面临的挑战 | 通过整合跨模态研究，揭示了AI在不同成像模态中的应用，并强调了其在特征提取和风险分层中的潜在价值 | 面临数据异质性（跨机构和设备数据差异导致模型性能下降）和可解释性不足（深度学习模型作为“黑箱”，难以提供透明决策依据）等关键挑战 | 探讨人工智能在甲状腺疾病诊断中的应用及其挑战 | 甲状腺疾病 | 数字病理学 | 甲状腺疾病 | NA | 机器学习, 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 411 | 2026-04-18 |
Application of machine learning and deep learning in the diagnosis and treatment of inguinal hernia: a narrative review
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1743178
PMID:41994435
|
综述 | 本文综述了机器学习和深度学习在腹股沟疝诊断与治疗中的应用现状与前景 | 系统性地总结了AI在腹股沟疝诊疗中的最新进展，并指出了生成式AI等新兴技术的潜力与挑战 | 生成式AI的准确性和可靠性仍需进一步验证，且文章为叙述性综述，未进行定量分析 | 回顾并总结机器学习和深度学习在腹股沟疝诊疗领域的应用，为临床实践和技术创新提供参考 | 腹股沟疝的诊断与治疗 | 机器学习 | 腹股沟疝 | NA | 深度学习 | 图像, 视频, 非结构化数据 | NA | NA | 深度神经网络 | NA | NA |
| 412 | 2026-04-18 |
Few-shot deployment of pretrained MRI transformers in brain imaging tasks
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1771088
PMID:41994558
|
研究论文 | 本研究提出了一种用于在数据受限的临床环境中，对预训练的MRI Transformer模型进行少样本部署的实用框架 | 提出了一种融合预训练MAE全局嵌入与局部CNN特征的混合架构MAE-FUnet，用于医学图像分割；在少样本设置下，实现了高效的模型部署和卓越的性能 | 研究主要聚焦于脑部MRI成像任务，其通用性在其他医学影像模态或解剖区域中尚未验证；实验在受控的少样本设置下进行，真实世界数据分布复杂性可能带来挑战 | 开发一个实用的框架，以解决医学影像中标注数据稀缺的问题，实现预训练Transformer模型在多种脑部成像任务中的少样本高效部署 | 多队列脑部MRI数据集，包括NACC、ADNI、OASIS、NFBS、SynthStrip和MRBrainS18 | 医学影像分析 | 脑部疾病 | 掩码自编码器预训练策略 | Transformer, CNN | MRI图像 | 超过3100万张2D切片的大规模多队列脑部MRI数据集 | NA | Masked Autoencoder, MAE-FUnet | 准确率, Dice系数, IoU分数 | NA |
| 413 | 2026-04-18 |
Advances in ultrasound for preoperative molecular subtyping of malignant breast tumors
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1774951
PMID:41994636
|
综述 | 本文综述了超声技术在术前恶性乳腺肿瘤分子分型（如luminal A、luminal B、HER2富集和三阴性）中的最新进展，涵盖传统超声特征分析、弹性成像、超声造影、微血管成像、影像组学和深度学习等方法 | 系统整合了多种超声技术（包括超声造影、微血管成像、弹性成像及多参数机器学习模型）在术前分子分型中的应用，并强调了方法学严谨性、可解释性和临床转化路径 | 研究存在参考标准异质性、单中心回顾性设计、类别不平衡和外部验证有限等主要障碍 | 支持术前乳腺肿瘤分子分型推断和生物标志物相关风险分层，以指导系统治疗选择和预后评估 | 恶性乳腺肿瘤 | 数字病理学 | 乳腺癌 | 超声技术（包括B型超声、弹性成像、超声造影、微血管成像） | 深度学习, 机器学习 | 超声图像 | NA | NA | NA | NA | NA |
| 414 | 2026-04-14 |
Depression detection using deep learning and large language models from multimodalities
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1759857
PMID:41878374
|
综述 | 本文综述了基于深度学习和大语言模型的多模态抑郁症检测方法的最新进展 | 探讨了多模态架构（融合语音、面部表情和EEG特征）和基于Transformer的融合机制，以及大语言模型（LLMs）在跨模态对齐、上下文推理和数据高效适应方面的应用，标志着向可扩展、可解释且临床可部署的AI系统发展的新方向 | 数据集多样性不足、标准化缺乏、可解释性有限以及临床验证不充分 | 评估客观抑郁症检测的自动化、数据驱动方法 | 抑郁症患者 | 自然语言处理, 机器学习 | 抑郁症 | 脑电图（EEG） | Transformer, 大语言模型（LLMs） | 多模态数据（EEG、语音、面部表情） | NA | NA | Transformer | 准确率, F1分数 | NA |
| 415 | 2026-04-14 |
Exploring the relationship between urban visual density and responsible tourism behavior: a multimodal study of Macao
2026, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2026.1783451
PMID:41969867
|
研究论文 | 本研究通过结合调查建模和街景视觉分析，探索了澳门城市视觉密度与负责任旅游行为之间的关系 | 采用多模态设计，首次将游客心理评估与客观测量的城市视觉环境指标（如绿视指数、天空视域因子）相结合，以理解高密度城市旅游目的地的负责任旅游行为 | 研究结果应解释为情境对齐，而非独立环境效应或跨区域因果推断的证据，限制了因果关系的明确性 | 探索城市视觉密度与负责任旅游行为之间的关系，以促进可持续旅游发展 | 519名非本地游客的调研数据及澳门街景视觉指标 | 计算机视觉 | NA | 基于深度学习的语义分割 | NA | 调查数据、街景图像 | 519名非本地游客 | NA | NA | NA | NA |
| 416 | 2026-04-14 |
Alzheimer's disease detection using a quantum deep neural network with Haralick feature extraction and simulated annealing optimization
2026, PeerJ. Computer science
DOI:10.7717/peerj-cs.3387
PMID:41970019
|
研究论文 | 本文提出了一种结合量子计算、深度神经网络、Haralick特征提取和模拟退火优化的新方法，用于从MRI图像中检测阿尔茨海默病 | 提出了一种量子深度神经网络（QDNN）框架，并引入了新的特征特定模拟退火方法（FSSA）来优化Haralick特征和模型参数，结合了量子计算的优势与深度学习的特征学习能力 | 未提及模型的计算复杂度、泛化能力测试或在其他独立数据集上的验证情况 | 开发一种高效、准确的阿尔茨海默病早期检测方法 | 阿尔茨海默病患者的轴向MRI图像 | 机器学习 | 阿尔茨海默病 | MRI成像 | 量子深度神经网络 | 图像 | 11,519张轴向MRI图像（分为四个平衡类别，每类2,560张） | NA | 量子深度神经网络 | 准确率, 精确率, 灵敏度, 特异性 | NA |
| 417 | 2026-04-14 |
Artificial Intelligence in Traditional Chinese Medicine: Unraveling Herbal Medicine's Mechanisms
2026, Research (Washington, D.C.)
DOI:10.34133/research.1224
PMID:41970029
|
综述 | 本文系统阐述了人工智能如何结合网络药理学，解析传统中药“多成分、多靶点、多通路”的作用机制，并推动其现代化与国际化 | 提出了将网络药理学作为基础框架，并利用AI（特别是机器学习和深度学习）来克服其局限性，构建“计算预测-实验验证”的整合工作流，以解析中医证候和方剂配伍的底层生物学逻辑 | 当前大多数AI在中医药领域的应用仍局限于疾病分类、结果预测或草药-靶点关联挖掘，重构中医证候和方剂配伍的底层生物学逻辑的能力有限 | 探讨人工智能在解析传统中医药复杂作用机制、质量控制、多组学整合以及推动其现代化和国际化方面的应用与前景 | 传统中医药，特别是其“多成分、多靶点、多通路”的草药治疗模型 | 自然语言处理, 机器学习, 数字病理学 | 肿瘤, 代谢性疾病, 传染性疾病 | 网络药理学, 多组学数据整合, 光谱数据分析 | 机器学习, 深度学习, 生成式AI, 大语言模型 | 网络数据, 光谱数据, 多组学数据, 文本数据（古籍） | NA | NA | NA | NA | NA |
| 418 | 2026-04-14 |
Explainable AI-SERS approach for highly accurate discrimination of Escherichia coli pathotypes and Shigella species
2026, Current research in microbial sciences
IF:4.8Q1
DOI:10.1016/j.crmicr.2026.100588
PMID:41970215
|
研究论文 | 本研究提出了一种结合可解释人工智能（XAI）与表面增强拉曼光谱（SERS）的平台，用于快速准确区分大肠杆菌致病型和志贺氏菌物种 | 首次将XAI与SERS结合，通过深度学习模型实现高精度分类，并利用SHAP分析提供生化可解释性，揭示了分类的特定特征和分子成分 | 研究仅基于294株菌株的SERS光谱，样本多样性可能有限，且未在更广泛的临床环境中验证 | 开发一种快速、准确且可解释的方法，以区分大肠杆菌致病型和志贺氏菌物种，解决传统方法难以区分的挑战 | 大肠杆菌的五个致病型和志贺氏菌物种 | 机器学习 | 腹泻病 | 表面增强拉曼光谱（SERS） | CNN, 多层感知机 | 光谱数据 | 294株菌株，生成7819个SERS光谱 | NA | 一维卷积神经网络（1D-CNN）, 多层感知机 | 准确率 | NA |
| 419 | 2026-04-14 |
NeuralVisionNet: a probabilistic neural process model for continuous visual anticipation
2026, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2026.1781080
PMID:41970471
|
研究论文 | 本文提出了一种名为NeuralVisionNet的概率神经网络过程模型，用于实现连续的视觉预测，通过结合分层视频Swin Transformer和注意力神经过程，模拟生物视觉的预测编码机制 | 提出了一种新颖的概率框架，将视觉预测建模为连续生成过程，并引入了类似网格的编码方案和变分全局潜在变量来确保长期语义一致性 | NA | 开发一个能够连续预测未来视觉事件的生物启发式模型，解决深度学习模型在长期一致性方面的挑战 | 视觉预测任务，特别是在视频序列中连续生成未来帧 | 计算机视觉 | NA | NA | Transformer, 注意力神经过程 | 视频 | NA | NA | 视频Swin Transformer, 注意力神经过程 | FVD, SSIM | NA |
| 420 | 2026-04-14 |
Correction: Depression detection using deep learning and large language models from multimodalities
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1827697
PMID:41970524
|
correction | 本文是对先前发表文章（DOI: 10.3389/fdgth.2026.1759857）的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |