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 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2026-04-10 |
Retraction: Signal processing for enhancing railway communication by integrating deep learning and adaptive equalization techniques
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0345999
PMID:41950215
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 462 | 2026-04-11 |
Outsmarting Metastatic Prostate Cancer: Integration of Imaging, Liquid Biopsies and Biomarkers With Artificial Intelligence
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338261440434
PMID:41943522
|
综述 | 本文综述了人工智能（包括机器学习和深度学习）在整合影像学、液体活检和生物标志物数据以改善转移性前列腺癌诊断、风险分层和治疗指导中的应用 | 强调人工智能在整合多模态数据（影像、液体活检、基因组分类器）以应对转移性前列腺癌的肿瘤异质性和治疗抵抗方面的创新应用 | NA | 探讨人工智能如何提升转移性前列腺癌的精准肿瘤学管理，包括诊断准确性和治疗个性化 | 转移性前列腺癌 | 数字病理学 | 前列腺癌 | 分子影像、液体活检（包括细胞游离核酸、循环肿瘤细胞）、基因组分类器 | 机器学习, 深度学习 | 影像数据、液体活检数据、生物标志物数据 | NA | NA | NA | NA | NA |
| 463 | 2026-04-10 |
AI-powered hierarchical classification of ampullary neoplasms: a deep learning approach using white-light and narrow-band imaging
2026-Jan-14, Surgical endoscopy
DOI:10.1007/s00464-025-12534-2
PMID:41532990
|
研究论文 | 本研究开发了一种基于深度学习的层次分类框架，用于使用白光和窄带内镜图像对壶腹病变进行逐步分类 | 提出了一种结合双模态成像和合成数据增强的层次深度学习框架，通过置信度投票整合白光和窄带图像，并使用StyleGAN2-ADA生成合成图像以克服数据稀缺和类别不平衡问题 | 数据来源于单一中心，可能限制了模型的泛化能力；样本量相对有限，特别是高级别不典型增生和癌症病例 | 开发一个AI驱动的层次分类系统，以提高壶腹病变的内镜诊断准确性 | 壶腹病变的内镜图像，包括正常组织、腺瘤和癌症，以及腺瘤内的低级别和高级别不典型增生 | 计算机视觉 | 壶腹肿瘤 | 白光内镜成像，窄带内镜成像 | CNN, GAN | 图像 | 来自464名患者的4244张内镜图像（训练集2693张，验证集833张，测试集718张） | TensorFlow, PyTorch | EfficientNet-B4, StyleGAN2-ADA | 准确率, 敏感性, 特异性, AUROC | NA |
| 464 | 2026-04-10 |
Peptide-based drug design using generative AI
2026-Jan-13, Chemical communications (Cambridge, England)
DOI:10.1039/d5cc04998a
PMID:41376388
|
综述 | 本文综述了利用生成式人工智能进行基于肽的药物设计的最新进展，重点关注生成架构、相互作用建模、筛选和递送优化 | 整合了生成式AI（如图神经网络、Transformer、扩散模型）与肽化学创新（如环化、非经典氨基酸）来加速药物发现，并将发现周期从数年缩短至数月 | 预测生成肽序列的溶解度、免疫原性和毒性仍具挑战性，数据质量和自主药物发现的实践问题也是当前限制 | 加速基于肽的治疗药物的设计与发现，优化其药代动力学和临床适用性 | 肽类药物，特别是用于代谢性疾病、肿瘤学和医学成像的肽 | 机器学习 | 代谢性疾病, 肿瘤学 | NA | 图神经网络, Transformer, 扩散模型 | 序列数据, 结构数据 | NA | NA | NA | NA | NA |
| 465 | 2026-04-10 |
Artificial Intelligence-Driven Differentiation Between Uveal Melanoma and Nevus Based on Fundus Photographs: A Systematic Review and Meta-Analysis
2026-Jan-05, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.1.34
PMID:41590408
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估了基于眼底照片的人工智能模型在区分葡萄膜黑色素瘤和痣方面的性能 | 首次对基于眼底照片的AI模型在区分葡萄膜黑色素瘤与痣方面的性能进行系统综述和荟萃分析，并评估了外部验证模型的判别能力 | 现有证据高度异质，受限于小数据集规模和有限的外部验证 | 检验人工智能模型基于眼底照片区分葡萄膜黑色素瘤和痣的能力 | 葡萄膜黑色素瘤（UM）和葡萄膜痣（UN） | 计算机视觉 | 葡萄膜黑色素瘤 | 眼底摄影 | 深度学习, 传统机器学习 | 图像 | 总计6208名参与者 | NA | NA | AUC, 准确率, 灵敏度, 特异性 | NA |
| 466 | 2026-04-10 |
Assessing deep learning model performance in osteoporosis screening with lumbar spine radiographs
2026-Jan, Journal of bone and mineral metabolism
IF:2.4Q3
DOI:10.1007/s00774-025-01672-1
PMID:41361106
|
研究论文 | 本研究评估了深度学习模型在腰椎X光片上筛查骨质疏松症的性能 | 利用腰椎X光片替代DXA进行骨质疏松症筛查，提出了一种资源有限的替代方案 | 模型性能（如AP图像的AUC为0.79）仍有提升空间，且依赖特定数据集 | 开发并评估深度学习模型用于骨质疏松症的筛查 | 腰椎X光片（正位和侧位） | 计算机视觉 | 骨质疏松症 | X光成像 | CNN | 图像 | 训练集：2244张正位和2368张侧位腰椎X光片；测试集：963张正位和1018张侧位图像 | NA | ResNet-18, DarkNet-19 | AUC, 敏感性, 特异性 | NA |
| 467 | 2026-04-10 |
The Evolution of Machine Learning in Medicinal Chemistry: A Comprehensive Bibliometric Analysis
2026, Current neuropharmacology
IF:4.8Q1
|
综述 | 本文通过混合研究策略，对2001-2023年间药物化学领域的人工智能研究进行了全面的文献计量分析 | 首次结合内容分析和文献计量方法，系统梳理了AI在药物化学领域的研究趋势、前沿关键词（如预测模型、分子指纹、评分函数）及未来发展方向（如多模态和大语言模型） | 分析主要基于文献计量数据，可能未涵盖所有未发表或新兴技术细节；时间范围截至2023年，后续发展未纳入 | 旨在全面描述药物化学中人工智能研究的现状、趋势和未来热点 | 2001-2023年间药物化学领域的人工智能相关文献 | 机器学习 | NA | 文献计量分析、内容分析 | NA | 文献数据 | 覆盖92个国家或地区、196个机构的AI-MC研究文献 | bibliometrix (R软件), CiteSpace V, VOSviewer | NA | NA | NA |
| 468 | 2026-04-10 |
Deep Learning Approaches for Multiple Sclerosis Detection in MRI Images
2026, BioMed research international
IF:2.6Q3
DOI:10.1155/bmri/5726771
PMID:41943462
|
研究论文 | 本研究探索了使用深度学习模型自动检测MRI图像中的多发性硬化病灶 | 比较了四种经过微调的CNN架构在医学影像任务上的性能，并评估了它们在资源受限环境中的适用性 | 数据集规模相对较小（60名患者），且未提及外部验证结果 | 自动化多发性硬化病灶检测，为临床诊断提供可靠、高效且可扩展的解决方案 | 多发性硬化患者的MRI图像 | 计算机视觉 | 多发性硬化 | 磁共振成像 | CNN | 图像 | 60名患者的2831张FLAIR和T2 MRI切片 | NA | AlexNet, VGG16, ResNet-10, DenseNet-121 | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 469 | 2026-04-10 |
Hybrid deep learning and feature selection approach for autism detection from rs-fMRI data
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339921
PMID:41945612
|
研究论文 | 本文提出了一种结合深度学习和改进特征选择算法的混合方法，用于从静息态功能磁共振成像数据中检测自闭症谱系障碍 | 提出了一种混合深度学习与特征选择的方法，其中特征选择采用了一种改进的指数-三角优化算法，该算法整合了算术优化算法和引导学习策略以提升性能 | 未在摘要中明确说明 | 通过结合深度学习和特征选择技术，提升自闭症谱系障碍的诊断性能 | 自闭症谱系障碍患者 | 机器学习 | 自闭症谱系障碍 | 静息态功能磁共振成像 | 深度学习 | 神经影像数据 | 使用ABIDE I数据集，具体样本数未在摘要中说明 | 未在摘要中明确说明 | 未在摘要中明确说明 | 准确率, 灵敏度, AUC | 未在摘要中明确说明 |
| 470 | 2026-04-10 |
Enhancing Early Diagnosis: Multimodal AI Approaches for Neurodegenerative Diseases
2026, Journal of biotechnology and biomedicine
DOI:10.26502/jbb.2642-91280211
PMID:41948713
|
综述 | 本文综述了多模态人工智能方法在神经退行性疾病早期诊断中的应用，强调其通过整合神经影像、电生理和数字表型数据来填补传统诊断框架的检测空白 | 提出利用多模态融合架构从MRI、PET和EEG数据中提取高维、亚视觉模式，实现比传统标志物更早的预测性检测，推动诊断从被动确认损伤转向主动风险分层和早期干预 | 临床转化面临数据异质性、深度学习“黑箱”问题以及全球数据集代表性不足等重大障碍 | 评估人工智能驱动的生物标志物如何通过连续、时间信息化的疾病建模，提升神经退行性疾病的早期诊断能力 | 神经退行性疾病，如阿尔茨海默病和帕金森病 | 机器学习 | 神经退行性疾病 | 神经影像（MRI、PET）、电生理学（EEG）、数字表型 | 机器学习模型，深度学习 | 多模态数据（图像、信号、数字表型） | NA | NA | 多模态融合架构 | NA | NA |
| 471 | 2026-04-06 |
Enhancing deep learning interpretability for hand-crafted feature-guided histologic image classification via weak-to-strong generalization
2026-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.1.017502
PMID:41567872
|
研究论文 | 本文提出了一种弱到强泛化框架，通过整合手工特征来增强深度学习模型在组织学图像分类中的可解释性和性能 | 提出弱到强泛化框架，利用可解释的手工特征教师模型监督深度学习学生模型，并通过互信息分析手工特征与深度学习特征之间的相关性 | 未明确说明框架在更大或更复杂数据集上的泛化能力，以及计算资源需求的具体细节 | 增强深度学习模型在组织学图像分类中的可解释性和预测性能 | 组织学全切片图像 | 数字病理学 | 肿瘤分类 | NA | 深度学习模型 | 图像 | 三个公共数据集 | NA | NA | 分类性能，互信息 | NA |
| 472 | 2026-04-06 |
Development and evaluation of an artificial intelligence-based electrocardiogram prediction model for emergency chest pain patients
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1746364
PMID:41884147
|
研究论文 | 本研究开发并评估了一种基于人工智能的心电图预测模型，用于急诊胸痛患者的快速分诊和病因鉴别 | 提出了一种结合通道注意力机制的卷积神经网络模型，用于自动、实时分析12导联心电图，显著缩短了诊断时间并提高了对STEMI和NSTEMI的识别准确性 | 模型对不稳定型心绞痛和主动脉夹层的检测性能欠佳，表现为高敏感性但精确度相对较低，这主要归因于这些疾病非特异性或一过性的电生理特征 | 开发一种人工智能辅助工具，以提升急诊科急性胸痛患者的诊断准确性和临床决策效率 | 急诊科就诊的急性胸痛患者 | 数字病理学 | 心血管疾病 | 12导联心电图 | CNN | 图像 | 1188名患者 | NA | 结合通道注意力机制的卷积神经网络 | 准确率, 精确率, 召回率, F1分数, AUC, 混淆矩阵 | NA |
| 473 | 2026-04-06 |
YOLOBT: a novel ERP bad trial detection network dynamically adjusting based on global signal quality
2026, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2026.1714086
PMID:41884779
|
研究论文 | 本文提出了一种基于YOLO的深度学习框架YOLOBT，用于动态调整事件相关电位（ERP）研究中坏试次的检测 | 提出了一种能模拟专家自适应策略的坏试次检测框架，通过全局信号质量评估实现动态阈值调整，并引入了跨层注意力瓶颈、分层特征引导模块和全局信息分类模块等创新结构 | 未在论文摘要中明确说明 | 开发一种能模拟专家自适应判断的自动化ERP坏试次检测方法 | 脑电图（EEG）信号中的事件相关电位（ERP）试次 | 机器学习 | NA | 脑电图（EEG），事件相关电位（ERP） | YOLO | 图像（将EEG信号可视化为波形图像） | 未在摘要中明确说明具体样本数量，仅提及使用手动标注的数据集 | NA | YOLO | 精确率，召回率，平均精度均值，F1分数 | NA |
| 474 | 2026-04-06 |
The Predictive Value of the Pan-Immune-Inflammation Value for Atrial Fibrillation Risk in Patients with Coronary Artery Disease: A Multicenter Machine Learning Study
2026, International journal of general medicine
IF:2.1Q2
DOI:10.2147/IJGM.S579135
PMID:41883473
|
研究论文 | 本研究通过多中心机器学习方法，探讨了泛免疫炎症值（PIV）对冠心病患者心房颤动风险的预测价值 | 首次将新型复合炎症标志物PIV应用于冠心病患者心房颤动的风险预测，并比较了XGBoost与多层感知机模型的性能 | 研究为回顾性设计，可能存在选择偏倚；样本仅来自两家三级医院，外部验证有待加强 | 评估PIV对冠心病患者发生心房颤动的预测能力，并构建机器学习模型进行个体化风险评估 | 经冠状动脉造影确诊的冠心病患者，分为心房颤动组与非心房颤动组 | 机器学习 | 心血管疾病 | 冠状动脉造影，实验室检测 | XGBoost, MLP | 临床特征与实验室数据 | 来自两家三级医院的多中心冠心病患者队列 | XGBoost, 未指定深度学习框架 | XGBoost, 多层感知机 | AUC, 校准分析 | NA |
| 475 | 2026-04-06 |
Advances and challenges from pathological mechanisms to intelligent quantified diagnosis in diabetic optic neuropathy
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261435864
PMID:41883518
|
综述 | 本文全面综述了糖尿病性视神经病变的病理生理机制、当前诊断挑战以及人工智能在早期检测和个性化管理中的新兴作用 | 系统探讨了人工智能在糖尿病性视神经病变中的转化应用，包括视神经头分割、疾病分类、鉴别诊断、预测分析和影像组学新生物标志物发现，并强调了从糖尿病视网膜病变模型向神经退行性变化检测的转变 | NA | 综述糖尿病性视神经病变的病理机制、诊断挑战及人工智能在量化诊断中的应用前景 | 糖尿病性视神经病变 | 数字病理学 | 糖尿病性视神经病变 | NA | 机器学习, 深度学习 | 影像数据 | NA | NA | NA | NA | NA |
| 476 | 2026-04-06 |
Improving stain normalization for digital histological image analysis based on the cycle generative adversarial network identity loss model
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261438012
PMID:41883528
|
研究论文 | 本研究提出了一种基于循环生成对抗网络身份损失模型的染色归一化框架，旨在改善数字组织病理学图像分析中的染色颜色变化问题 | 提出了一种结合StainGAN和Stain-to-Stain Translation的I-GAN框架，通过引入身份损失和RGB-灰度训练策略，在测试阶段使用RGB图像以保留原始染色信息，实现了结构信息的保持和跨异质染色域的稳定颜色域转换 | NA | 开发一个鲁棒的染色归一化框架，以解决染色环境和扫描设备差异导致的颜色变化问题，促进基于深度学习的数字组织病理学图像分析 | 数字组织病理学图像，特别是苏木精和伊红染色的图像 | 数字病理学 | NA | 苏木精和伊红染色 | GAN | 图像 | 使用了MITOS-ATYPIA 14、Camelyon17和ICIAR2018 BACH Challenge数据集 | NA | StainGAN, Stain-to-Stain Translation | SSIM, PSNR, DeltaE-ITP, 平均精度, 准确率, 精确率, 召回率 | NA |
| 477 | 2026-04-06 |
A unified VQ-VAE framework for few-shot retinal vessel segmentation and multidisease classification
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261433086
PMID:41883526
|
研究论文 | 本研究提出了一种基于向量量化变分自编码器的少样本学习框架，用于视网膜血管分割和多疾病分类 | 利用VQ-VAE在未标注眼底照片上进行预训练，学习可迁移的离散表示，以初始化多个下游模型，有效减少标注数据需求并提升性能 | 未明确说明模型在更广泛或更复杂临床场景中的泛化能力，以及计算资源的具体需求 | 解决任务特异性深度学习模型对大型标注数据集的依赖问题，开发资源高效的少样本学习解决方案 | 视网膜血管分割和眼部疾病分类 | 计算机视觉 | 眼部疾病 | 深度学习，少样本学习 | VQ-VAE, CNN, GAN | 图像 | 多个公共数据集（DRIVE, STARE, CHASE, Retina, ODIR），其中分类任务仅使用70张标注图像 | NA | U-Net, SegNet, ERFNet, FR-UNet, Swin-Res-Net, RV-GAN, VGG-16, ResNet-50, EfficientNet-B0 | Dice系数, 召回率, 准确率, 交并比, 平均交并比, 平均偏移距离, 精确率, F1分数, AUC | NA |
| 478 | 2026-04-06 |
Integrating deep learning and thermal estimation for enhanced MRI-based brain tumor diagnosis
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261431902
PMID:41883532
|
研究论文 | 本研究开发了一个集成AI驱动的MATLAB框架，通过结合MRI特征与热和纹理生物标志物，提升脑肿瘤诊断的准确性 | 首次将深度学习分割、形态分析、热估计和纹理量化整合到一个MATLAB管道中，用于脑肿瘤诊断，并提出了基于面积的温度估计公式 | 硬件限制导致训练仅进行了计划的30个周期中的8个，影响了模型优化；对垂体瘤的召回率较低（29%），对脑膜瘤的精确度较低（48.6%） | 开发一个集成AI框架，通过结合MRI特征与热和纹理生物标志物，提高脑肿瘤诊断的准确性 | 脑肿瘤（包括胶质瘤、脑膜瘤、垂体瘤）和健康脑组织 | 数字病理学 | 脑肿瘤 | 磁共振成像（MRI） | CNN | 图像 | 来自Kaggle和Figshare的数据集（具体样本数量未明确说明） | MATLAB | 紧凑型三层卷积神经网络 | 准确率, F1分数, 召回率, 精确度 | 硬件限制导致训练周期减少，建议转向GPU加速训练（具体GPU类型未明确说明） |
| 479 | 2026-04-05 |
Machine Learning-Based Multimodal Molecular Biomarkers for Predictive Health Analytics
2026-01-16, Journal of visualized experiments : JoVE
DOI:10.3791/69241
PMID:41628017
|
研究论文 | 本文提出了一种基于机器学习的多模态分子生物标志物方法，用于预测性健康分析，旨在通过整合蛋白质、化学和遗传生物标志物来提高疾病预测的准确性 | 通过整合分子蛋白质、化学和遗传生物标志物与新兴机器学习特征（如TabNet和AutoInt）进行多模态分组，显著提升了预测准确性 | 未明确提及具体局限性，如数据样本量、模型泛化能力或临床验证范围 | 开发高度敏感的多模态生物标志物和有效调查方法，以准确检测和监测患者健康结果，包括预后、风险评估、患者分层和疾病监测 | 涉及多种健康问题，如心脏病、呼吸道感染、神经功能障碍、认知压力、癌症、中风、糖尿病等 | 机器学习 | 多种疾病 | NA | 传统机器学习算法, 传统深度学习方法, 现代深度学习技术（TabNet和AutoInt） | 多模态分子数据（蛋白质、化学、遗传生物标志物） | NA | NA | TabNet, AutoInt | 准确性 | NA |
| 480 | 2026-04-05 |
Artificial intelligence models for point-of-care ultrasound diagnostics in dogs
2026, Frontiers in veterinary science
IF:2.6Q1
DOI:10.3389/fvets.2026.1729114
PMID:41884304
|
研究论文 | 本研究评估了深度学习模型在犬只创伤重点超声评估中检测危及生命的积液和气胸的可行性和诊断性能 | 首次将深度学习模型应用于犬只的即时超声诊断，特别是针对创伤重点超声评估中的积液和气胸检测，为兽医急诊护理提供了AI辅助决策的可行性支持 | 样本量较小，仅包含钝性创伤和非创伤性病理，存在类别不平衡，以及积液体积和位置在呈现时的变异性 | 评估深度学习模型在犬只即时超声诊断中检测危及生命的积液和气胸的可行性和诊断性能 | 五只健康的军用工作犬和二十只客户拥有的犬只（22-55公斤），包括有确认的腹部、胸膜、心包积液或气胸的犬只 | 计算机视觉 | 创伤 | 即时超声，创伤重点超声评估 | CNN | 图像 | 25只犬（5只健康军用工作犬，20只客户拥有犬） | NA | 卷积神经网络 | 召回率, 准确率 | NA |