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 591 篇文献，本页显示第 421 - 440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 421 | 2025-12-18 |
Clinical value of the 70-kVp ultra-low-dose CT pulmonary angiography with deep learning image reconstruction
2026-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11764-1
PMID:40603771
|
研究论文 | 本研究评估了基于深度学习图像重建算法的低辐射剂量和低对比剂剂量的CT肺动脉造影的可行性 | 结合70 kVp超低剂量协议与深度学习图像重建算法，实现了辐射剂量和对比剂剂量的双重降低，同时保持了图像质量并提高了肺动脉远端分支的可视性 | 样本量相对较小（100名患者），且研究为单中心前瞻性设计，可能限制了结果的普遍适用性 | 评估深度学习图像重建算法在低剂量CT肺动脉造影中的临床应用价值 | 连续100名接受CT肺动脉造影的患者 | 数字病理学 | 心血管疾病 | CT肺动脉造影 | 深度学习图像重建算法 | CT图像 | 100名患者（50名常规剂量组，50名低剂量组） | NA | NA | CT值、标准差、信噪比、对比噪声比、图像质量评分 | NA |
| 422 | 2025-12-18 |
Super-resolution deep learning in pediatric CTA for congenital heart disease: enhancing intracardiac visualization under free-breathing conditions
2026-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11800-0
PMID:40670764
|
研究论文 | 本研究评估了超分辨率深度学习重建（SR-DLR）、传统深度学习重建（C-DLR）和混合迭代重建（HIR）在自由呼吸条件下增强儿科先天性心脏病（CHD）CT血管造影（CCTA）图像质量和诊断性能的效果 | 在儿科自由呼吸CCTA中应用超分辨率深度学习重建（SR-DLR），显著提升了图像质量和对小病灶（如多孔房间隔缺损和室间隔缺损）的检测灵敏度，诊断准确率接近超声水平 | 研究样本量相对较小（91例），且仅针对1-10岁疑似先天性心脏病的儿科患者，未涵盖更广泛的年龄组或疾病类型 | 评估和比较不同图像重建算法在儿科先天性心脏病CT血管造影中的图像质量和诊断性能 | 91名1-10岁疑似先天性心脏病的儿科患者，在自由呼吸条件下接受心脏CT血管造影检查 | 医学影像分析 | 先天性心脏病 | CT血管造影（CCTA），超分辨率深度学习重建（SR-DLR），传统深度学习重建（C-DLR），混合迭代重建（HIR） | 深度学习模型（具体架构未明确说明） | 医学影像（CT图像） | 91名儿科患者 | NA | NA | 准确率, 灵敏度, 阴性预测值, 标准差（SD）, 信噪比（SNR）, 对比噪声比（CNR） | NA |
| 423 | 2025-12-18 |
Diagnostic interchangeability of deep-learning based Synth-STIR images generated from T1 and T2 weighted spine images
2026-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11827-3
PMID:40681776
|
研究论文 | 本研究评估了通过深度学习从T1和T2加权脊柱图像生成的合成短时反转恢复（Synth-STIR）图像的质量和诊断可互换性 | 利用深度学习从T1和T2加权图像生成Synth-STIR，显著减少扫描时间约180秒，同时提高信噪比和对比噪声比 | 研究为前瞻性单中心设计，样本量有限（199名参与者），且未明确说明深度学习模型的具体架构和训练细节 | 评估深度学习生成的Synth-STIR图像在脊柱MRI中的图像质量和诊断可互换性，以提高临床效率 | 脊柱MRI图像，包括标准STIR和从T1/T2加权图像生成的Synth-STIR | 医学影像分析 | 脊柱异常 | 深度学习，MRI成像（T1WI, T2WI, STIR） | 深度学习模型 | 医学图像（MRI） | 199名参与者（106名男性，平均年龄46.8±16.9岁） | NA | NA | 信噪比（SNR），对比噪声比（CNR），主观图像质量评估，个体等效指数（IEI），Kappa系数，Kendall一致性系数，McNemar检验 | NA |
| 424 | 2025-12-18 |
Deep learning reconstruction of zero echo time magnetic resonance imaging: diagnostic performance in axial spondyloarthritis
2026-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11843-3
PMID:40707731
|
研究论文 | 本研究比较了深度学习重建的零回波时间MRI在诊断中轴型脊柱关节炎患者结构病变方面的诊断性能，以CT为参考标准 | 首次将深度学习重建技术应用于零回波时间MRI，以增强对骶髂关节骨硬化和骨侵蚀等微小结构病变的检测能力 | 样本量较小（仅26名患者），且研究为单中心设计，可能限制结果的普遍性 | 评估深度学习重建的零回波时间MRI在中轴型脊柱关节炎结构病变诊断中的性能 | 中轴型脊柱关节炎患者的骶髂关节（包括52个关节和104个象限） | 医学影像分析 | 中轴型脊柱关节炎 | 零回波时间磁共振成像，深度学习重建 | 深度学习模型 | MRI图像 | 26名患者（52个骶髂关节，104个象限） | NA | NA | 诊断性能（敏感性、特异性等），加权Kappa系数（用于评估读者间一致性） | NA |
| 425 | 2025-09-05 |
From detection to decision: Can deep learning-based CADx meet the challenge of incidental pulmonary nodules?
2026-Jan, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11935-0
PMID:40906185
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 426 | 2025-12-18 |
GIMS: Image matching system based on adaptive graph construction and graph neural network
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108030
PMID:40907360
|
研究论文 | 本文提出了一种基于自适应图构建和图神经网络的图像匹配系统，通过结合GNN和Transformer提升匹配性能 | 引入了创新的自适应图构建方法，利用基于距离和动态阈值相似性的过滤机制，并融合GNN的顶点处理能力和Transformer的全局感知能力 | NA | 提升基于特征的图像匹配性能 | 图像中的关键点 | 计算机视觉 | NA | NA | GNN, Transformer | 图像 | 广泛图像数据集 | NA | GNN, Transformer | 整体匹配性能提升倍数 | 多GPU技术 |
| 427 | 2025-12-18 |
Multimodal self-supervised retinal vessel segmentation
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108011
PMID:40921125
|
研究论文 | 本文提出了一种新颖的自监督预训练框架，利用未标记的多模态眼底图像对来提升视网膜血管分割的准确性 | 提出了一种利用多模态图像互补差异构建血管信息融合图的自监督预训练框架，通过Vision Transformer编码和相关性滤波实现，并在INFOMAX损失指导下学习实例级判别特征 | 未明确说明框架在计算资源需求方面的具体限制，也未讨论在不同临床环境中的泛化能力 | 开发一种减少标注依赖的视网膜血管自动分割方法 | 视网膜眼底图像 | 计算机视觉 | NA | 自监督学习，多模态特征融合 | Vision Transformer | 多模态眼底图像 | 未在摘要中明确说明 | NA | Vision Transformer | NA | NA |
| 428 | 2025-12-18 |
Dynamic network compression via probabilistic channel pruning
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108080
PMID:40925121
|
研究论文 | 本文提出了一种基于概率通道剪枝的动态网络压缩方法，以减少深度学习模型的参数数量并提升效率 | 开发了概率连接模块，能在训练期间动态激活和停用通道连接，无需对剪枝后模型进行微调，并通过卷积分解有效诱导稀疏性 | 未明确提及具体局限性，但可能包括对特定模型架构的依赖或泛化能力的验证不足 | 解决神经网络压缩问题，以克服计算密集型深度学习模型的限制 | 深度学习模型，特别是ResNet-56和VGG-19架构 | 机器学习 | NA | 网络剪枝 | CNN | NA | NA | NA | ResNet, VGG | 准确率 | NA |
| 429 | 2025-12-18 |
Learning in PINNs: Phase transition, diffusion equilibrium, and generalization
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107983
PMID:40884895
|
研究论文 | 本文通过神经梯度信噪比研究全连接神经网络的学习动态，识别出扩散平衡相，并提出样本重加权方案以改善泛化能力 | 识别出训练中的扩散平衡相，提出样本重加权方案以提高残差同质性和泛化能力，并发现激活饱和驱动的信息压缩现象 | 研究主要基于物理信息神经网络，可能在其他网络架构或任务中的普适性有待验证 | 研究非凸目标中一阶优化器的行为，探索神经网络学习动态与泛化能力的关系 | 全连接神经网络的学习动态，特别是梯度对齐和残差同质性 | 机器学习 | NA | NA | 全连接神经网络 | NA | NA | NA | NA | NA | NA |
| 430 | 2025-12-18 |
Integration of radiomics, habitat imaging, and deep learning for MRI-based prediction of parametrial invasion in cervical cancer: A dual-center study
2026-Jan, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110542
PMID:41173217
|
研究论文 | 本研究评估了放射组学、生境成像和2.5D深度学习模型在基于MRI预测宫颈癌宫旁浸润中的诊断性能，并探讨了多模态整合模型的临床效用 | 首次将放射组学、生境成像和2.5D深度学习模型结合，构建多模态整合模型用于预测宫颈癌宫旁浸润，并在双中心数据中验证其优越性能 | 研究为回顾性设计，样本量相对有限（共290例患者），且仅基于MRI数据，未来需前瞻性多中心验证并整合更多模态信息 | 评估多模态模型在预测宫颈癌宫旁浸润中的诊断性能，以优化术前评估和临床决策 | FIGO分期为IB1-IIB的宫颈癌患者 | 医学影像分析 | 宫颈癌 | MRI成像, k-means聚类, 放射组学特征提取 | 深度学习模型, 机器学习模型 | MRI图像 | 290例患者（中心A: 227例，中心B: 63例） | NA | 2.5D深度学习模型 | AUC, 准确率 | NA |
| 431 | 2025-12-18 |
Economic Value of AI in Radiology: A Systematic Review
2026-Jan, Radiology. Artificial intelligence
DOI:10.1148/ryai.250090
PMID:41258794
|
系统综述 | 本文对2010年至2024年间发表的关于人工智能在放射学工作流程中经济价值的原始研究进行了系统性回顾 | 首次系统性地总结了AI在放射学领域经济价值的证据，明确了其价值实现取决于任务复杂性、检查量和实施模式等具体情境 | 纳入研究数量有限（仅21项），且研究质量参差不齐，可能影响结论的普遍性 | 评估人工智能在放射学工作流程中的经济价值 | 涉及人工智能经济价值的原始研究文章 | 医疗人工智能 | NA | 机器学习、深度学习、计算机辅助诊断、自然语言处理 | NA | 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 | NA |
| 432 | 2025-12-18 |
Dual-channel hierarchical interactive learning for the prediction of Protein-Ligand binding affinity
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107982
PMID:40845562
|
研究论文 | 本文提出了一种名为双通道分层交互学习（DHIL）的新方法，用于更全面地建模蛋白质-配体相互作用，以提高结合亲和力预测的准确性 | 采用双通道编码结构同时学习分子内和分子间相互作用，并设计了分层交互学习范式，在多个层次上促进两类相互作用之间的信息交换，模拟了生物系统从局部到全局的工作机制 | 由于多尺度图构建和跨层消息传递，该框架引入了显著的计算开销；并且对输入3D结合构象的质量敏感，可能影响其在实际应用中的鲁棒性 | 提高蛋白质-配体结合亲和力（PLBA）的预测准确性，以支持药物筛选和发现 | 蛋白质-配体复合物 | 机器学习 | NA | NA | 深度学习 | 3D结构数据 | NA | NA | 双通道分层交互学习（DHIL） | 准确性 | NA |
| 433 | 2025-12-18 |
ITSEF: Inception-based two-stage ensemble framework for P300 detection
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108014
PMID:40857922
|
研究论文 | 本文提出了一种基于Inception的两阶段集成框架（ITSEF），用于提高P300脑机接口中P300信号的检测准确率 | 设计了一种结合Inception卷积神经网络（ICNN）进行多尺度特征提取和跨通道学习的两阶段集成框架，并采用预训练和微调策略，通过动态加权两个分支的预测结果，使模型学习重点从多数类逐渐转向少数类，从而提升分类性能和泛化能力 | NA | 解决P300脑机接口中信号信噪比低、被试个体差异大以及类别不平衡的问题，以提高P300检测准确率 | P300脑电信号 | 脑机接口 | NA | 脑电图（EEG） | CNN, 集成学习 | 脑电信号数据 | 两个数据集：BCI Competition III的Dataset II和BCIAUT-P300数据集 | NA | Inception-based CNN (ICNN) | 分类准确率 | NA |
| 434 | 2025-12-18 |
Hypothesis spaces for deep learning
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107995
PMID:40882408
|
研究论文 | 本文为基于深度神经网络（DNNs）的深度学习引入了一个假设空间，通过将DNN视为输入变量和参数变量的函数，构建了一个Banach空间，并证明其为再生核Banach空间（RKBS），进而研究了正则化学习和最小范数插值问题 | 提出将DNN视为双变量函数来构建假设空间，并证明该空间为RKBS，为深度学习提供了新的理论框架 | 未在具体数据集或实际应用中验证理论框架的有效性 | 为深度学习建立理论假设空间并研究学习模型 | 深度神经网络（DNNs）及其参数空间 | 机器学习 | NA | NA | 深度神经网络（DNNs） | NA | NA | NA | NA | NA | NA |
| 435 | 2025-12-18 |
AutoProfile: Automated profiling in deep learning-based side-channel analysis
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108009
PMID:40882410
|
研究论文 | 本文提出了一种名为AutoProfile的新方法，用于增强基于深度学习的侧信道分析中配置攻击的效果 | AutoProfile针对侧信道分析定制了贝叶斯优化的两个核心组件：建模策略和获取函数，从而显著提升了攻击性能 | NA | 提高基于深度学习的侧信道分析在强密码系统中的攻击效率 | 公开可用的真实侧信道测量数据集 | 机器学习 | NA | 深度学习 | NA | 侧信道测量数据 | NA | NA | NA | 攻击所需轨迹数量减少百分比 | NA |
| 436 | 2025-12-18 |
Spatial-frequency domain aggregation upsampling for pan-sharpening
2026-Jan, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108007
PMID:40884893
|
研究论文 | 本文提出了一种新颖的空间-频域聚合上采样方法，用于提升全色锐化的性能 | 提出了空间-频域聚合上采样方法，包含双域非线性融合、区域特定注意力机制和自适应特征融合门三个核心模块，有效平衡空间与光谱信息 | NA | 提升遥感图像全色锐化的质量，生成高分辨率多光谱图像 | 高分辨率全色图像与低分辨率多光谱图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | PyTorch | SFAU | NA | NA |
| 437 | 2025-12-17 |
Spatial single-cell proteomics landscape decodes the tumor microenvironmental ecosystem of intrahepatic cholangiocarcinoma
2026-Jan-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001283
PMID:39999448
|
研究论文 | 本研究利用人工智能辅助的空间多组学技术，生成了肝内胆管癌的全面空间图谱，揭示了肿瘤微环境的空间特征与预后及免疫治疗的关系 | 首次结合多种空间多组学技术（如成像质谱流式、空间蛋白质组学、空间转录组学等）和深度学习系统，系统解析了肝内胆管癌肿瘤微环境的细胞空间拓扑结构，并识别出与预后相关的空间亚型 | 空间转录组学样本量较小（n=4），部分数据依赖公共数据库，可能影响结果的普遍性 | 生成肝内胆管癌的空间肿瘤微环境图谱，识别与预后和免疫治疗相关的空间特征 | 肝内胆管癌患者的肿瘤组织样本 | 数字病理学 | 肝内胆管癌 | 成像质谱流式、空间蛋白质组学、空间转录组学、多重免疫荧光、单细胞RNA测序、批量RNA测序、批量蛋白质组学 | 深度学习 | 图像、蛋白质组数据、转录组数据 | 超过106万个细胞，包括155个内部成像质谱流式样本、155个内部空间蛋白质组学样本、4个内部空间转录组学样本、20个内部多重免疫荧光样本、9个内部和34个公共单细胞RNA测序样本、244个公共批量RNA测序样本、110个内部和214个公共批量蛋白质组学样本 | NA | NA | 高准确度 | NA |
| 438 | 2025-12-17 |
Deep learning analysis of MRI accurately detects early-stage perihilar cholangiocarcinoma in patients with primary sclerosing cholangitis
2026-Jan-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001314
PMID:40112296
|
研究论文 | 本研究开发了一个基于3D DenseNet-121的深度学习模型，用于分析MRI图像以检测原发性硬化性胆管炎患者的早期肝门部胆管癌 | 首次将3D DenseNet-121深度学习模型应用于MRI图像分析，以检测原发性硬化性胆管炎患者的早期肝门部胆管癌，并在多中心国际队列中验证其性能优于专家放射科医生 | 研究为回顾性设计，可能受限于数据选择和潜在偏差；模型在无肿块情况下的特异性虽好但非完美 | 创建并验证一个深度学习模型，通过分析MRI图像来检测原发性硬化性胆管炎患者的早期肝门部胆管癌，并与专家放射科医生的诊断性能进行比较 | 患有大胆管原发性硬化性胆管炎的成年患者，包括训练队列150人和测试队列248人，其中肝门部胆管癌患者共230人 | 医学影像分析 | 肝门部胆管癌 | 对比增强MRI | 深度学习 | MRI图像 | 398名患者（训练队列150人，测试队列248人），其中肝门部胆管癌患者230人 | NA | 3D DenseNet-121 | 敏感性, 特异性, 受试者工作特征曲线下面积 | NA |
| 439 | 2025-12-17 |
Clinical Translation of Integrated PET-MRI for Neurodegenerative Disease
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70046
PMID:40679171
|
综述 | 本文综述了集成PET-MRI在神经退行性疾病临床实践中的转化应用，包括技术进展、临床益处及未来前景 | 总结了集成PET-MRI在神经退行性疾病中的最新技术革新，如基于MRI的衰减校正、运动校正方法以及深度学习在疾病分类和预测中的应用 | NA | 探讨集成PET-MRI在神经退行性疾病临床诊断和研究中的应用价值及技术发展 | 阿尔茨海默病及其他神经退行性疾病患者 | 数字病理学 | 神经退行性疾病 | 集成PET-MRI, MRI, PET | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 440 | 2025-12-17 |
A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70113
PMID:40916364
|
研究论文 | 本文评估了基于深度学习的模型用于法洛四联症患者心脏磁共振图像的左心室、右心室和左心室心肌的自动分割 | 采用MultiResUNet模型在混合数据集（包含法洛四联症和非法洛四联症病例）上训练，实现了对法洛四联症患者心脏结构的准确自动分割，并进行了内部和外部验证 | 研究为回顾性设计，样本量有限（特别是外部验证仅12例），且仅使用了一种成像序列 | 评估深度学习模型在法洛四联症患者心脏磁共振图像自动分割中的性能，以替代耗时且存在变异性的手动分割 | 427名患有不同心脏疾病的患者（包括122名法洛四联症患者和305名非法洛四联症患者）的心脏磁共振图像 | 数字病理学 | 心血管疾病 | 稳态自由进动电影序列 | CNN | 图像 | 427名患者（395名用于训练/验证，32名法洛四联症患者用于内部测试，12名外部法洛四联症患者用于泛化性评估） | NA | U-Net, Deep U-Net, MultiResUNet | Dice相似系数, 交并比, F1分数 | NA |