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 2585 篇文献，本页显示第 141 - 160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 141 | 2026-06-28 |
PolyMamba-Net: a lightweight and boundary-aware network for real-time polyp segmentation in colonoscopy
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1800666
PMID:42359059
|
研究论文 | 提出一种轻量级且边界感知的息肉分割网络PolyMamba-Net，用于结肠镜中的实时息肉分割 | 创新性地融合状态空间模型（Mamba）的长距离依赖建模与卷积神经网络的局部特征提取能力，并引入边界感知模块和复合损失函数以显式优化息肉边缘分割 | 未提及在真实临床环境中的部署验证及对多样病变类型的适用性 | 实现高精度且实时的结肠镜息肉分割，以减少漏诊率并辅助临床决策 | 结肠镜检查中的腺瘤性息肉图像数据 | 计算机视觉，数字病理学 | 结直肠癌 | 深度学习 | 混合架构（状态空间模型Mamba与卷积神经网络CNN结合） | 图像 | 两个公共基准数据集：Kvasir-SEG和CVC-ClinicDB，以及三个未见过的基准数据集用于跨数据集评估 | PyTorch | PolyMamba-Net（包含双分支编码器、边界感知模块BAM） | Dice系数，并与其他方法如Swin-UNet、PraNet、ADPNet、AAPCNet的性能比较，但未明确列出所有指标（如准确率、精确率等） | 单张NVIDIA RTX 3090 GPU |
| 142 | 2026-06-28 |
Computer-aided detection of equivocal spinal tuberculosis on X-ray using a YOLOv11-based deep learning model
2026, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2026.1780946
PMID:42359154
|
研究论文 | 基于YOLOv11深度学习模型，对X线片上可疑脊柱结核区域进行计算机辅助检测 | 首次将YOLOv11目标检测框架应用于脊柱结核的X线片可疑区域定位，为资源有限地区提供了早期预警和转诊支持的可行性概念验证框架 | 未纳入正常病例和非结核性脊柱疾病对照组，缺乏外部验证和前瞻性评估 | 评估深度学习模型在X线片表现不明确的脊柱结核病例中进行可疑区域定位的能力 | 307例来自三家三级医院的X线片表现不明确但CT确诊的脊柱结核患者 | 计算机视觉 | 脊柱结核 | 计算机断层扫描(CT) | YOLOv11 | X线图像 | 307例患者 | PyTorch | YOLOv11 | mAP@0.5, mAP@0.5:0.95, precision, recall, F1-confidence曲线, precision-recall曲线, confidence-related曲线, 患者级检测率, 漏诊率, 最大交并比(mIoU) | NA |
| 143 | 2026-06-28 |
Evaluating the diagnostic accuracy of neural network models in detecting oral potentially malignant disorders and oral cancer using mobile photographs: An umbrella review
2026, Dental research journal
DOI:10.4103/drj.drj_172_25
PMID:42359377
|
系统评价与Meta分析 | 本文通过伞状综述评估了神经网络模型在利用手机照片检测口腔潜在恶性疾病和口腔癌中的诊断准确性 | 首次通过伞状综述系统比较了不同人工智能模型在真实世界环境下检测口腔癌和口腔潜在恶性疾病的性能 | 研究间存在显著异质性（I²常大于85%），反映人群、图像采集协议和模型架构的差异 | 评估不同人工智能模型在检测口腔癌和口腔潜在恶性疾病中的比较性能 | 口腔癌和口腔潜在恶性疾病 | 计算机视觉 | 口腔癌 | 手机摄影 | 神经网络 | 图像 | 6项系统综述 | NA | EfficientNet, ResNet, MLSO+SVM | 敏感性, 特异性, 诊断优势比 | NA |
| 144 | 2026-06-28 |
Detection of leaf miner in sweet potato crops through image analysis using machine learning-based models
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1774493
PMID:42359397
|
研究论文 | 利用基于机器学习的模型通过图像分析检测甘薯作物中的潜叶虫 | 首次构建了标注数据集"camote_minador"并对比评估YOLOv8s和YOLOv11s架构在潜叶虫检测中的性能，证明YOLOv11s的优越性及基于TensorFlow Lite的移动端部署可行性 | 未提及模型在不同环境条件下的泛化能力及实际部署中的计算资源限制 | 自动化检测甘薯作物中的潜叶虫，提高病虫害监测效率 | 甘薯叶片图像中的潜叶虫（Liriomyza huidobrensis） | 计算机视觉 | 农业病害 | 图像分析 | 深度学习模型 | 图像 | 751张来自秘鲁兰巴耶克田野采集的图像 | TensorFlow Lite | YOLOv8s, YOLOv11s | 精确率, 召回率, mAP@50 | 移动端设备（中端） |
| 145 | 2026-06-28 |
Ensemble based in transfer learning for cytological classification in pleural fluid
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1849898
PMID:42359446
|
研究论文 | 提出一种基于集成迁移学习的深度学习框架，用于胸水细胞学图像分类，区分恶性与良性病变 | 结合ResNet50V2、DenseNet121和InceptionV3三种架构的集成策略，并利用软投票与数据增强优化性能，在本地和外部数据集上均取得高准确率 | 未提及 | 开发自动化胸水细胞学分类系统，提高恶性胸腔积液诊断的准确性和可重复性 | 胸水细胞学图像 | 计算机视觉 | 肺癌 | 细胞学检查 | 集成深度学习模型 | 图像 | 本地数据集1292张图片，外部Kaggle数据集693张图片 | TensorFlow, Keras | ResNet50V2, DenseNet121, InceptionV3 | 准确率, 精确率, 召回率, F1分数 | 未提及 |
| 146 | 2026-06-28 |
Analysis of artificial intelligence errors in practical medicine and rehabilitation
2026, Wiadomosci lekarskie (Warsaw, Poland : 1960)
DOI:10.36740/WLek/220842
PMID:42359872
|
综述论文 | 分析人工智能在医疗和康复实践中出现的错误类型及其影响，总结最小化错误和提升效能的方法 | 系统性地结构化了AI在医疗诊断、治疗和康复中的错误类型，并评估其对诊断准确性和治疗决策的影响 | 未提供统一解决方案，AI在诊断和预测过程中仍存在大量错误，伦理问题未解决，医疗数据收集和处理缺乏统一标准 | 探索医疗和康复中AI错误的结构化分类，评估其对诊断和治疗的影响，寻找减少错误和提高AI效能的方法 | PubMed、MEDLINE、Web of Science数据库中2021年1月至2025年12月发表的与AI医疗错误相关的出版物 | 机器学习 | NA | NA | 机器学习、深度学习、联邦学习 | 医学文献 | 57篇文章（初始），38篇因资格标准排除，2篇重复，最终17篇纳入 | NA | NA | NA | NA |
| 147 | 2026-06-28 |
Hybrid deep learning for mental workload classification using EEG with enhanced preprocessing and interpretability
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0352882
PMID:42361081
|
研究论文 | 提出一种集成混合深度学习框架，用于基于脑电图的脑力负荷分类，结合增强的预处理和可解释性 | 整合变分自编码器、卷积块注意力模块和双向长短期记忆网络，并采用留一被试交叉验证和Grad-CAM可视化，提升噪声鲁棒性、特征提取和可解释性 | 未来可探索自适应窗口策略、多模态数据融合、跨数据集基准测试以及与其他架构的对比评估 | 实现鲁棒、可解释的基于脑电图的脑力负荷分类 | 脑电图数据中的脑力负荷水平分类 | 机器学习 | NA | 脑电图（EEG） | 混合深度学习模型（VAE、CBAM、BiLSTM） | 脑电图信号 | 多被试数据集，具体数量未提及 | NA | VAE、CBAM、BiLSTM | 准确率 | NA |
| 148 | 2026-06-28 |
A multimodal ConvNeXt-Tiny deep learning model for simultaneous prediction of IDH mutation and Ki-67 expression in gliomas
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351757
PMID:42361071
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 149 | 2026-06-26 |
Integrative Deep Learning from H&E Images Reveals Prognostically Distinct Pathology-Based Subtypes in Bladder Cancer
2026, Current cancer drug targets
IF:2.3Q3
|
研究论文 | 利用H&E染色全切片图像的深度学习特征，开发膀胱癌病理分型并验证其预后意义 | 首次基于常规H&E染色全切片图像深度学习特征构建膀胱癌病理分型，替代传统RNA分子分型，具有成本低、可推广的特点 | 未在文中明确说明局限性，可能包括依赖特定切片质量、外部验证队列规模有限等 | 开发基于深度学习的膀胱癌病理分型方法，为个性化治疗和患者分层提供经济可行的替代方案 | 膀胱癌患者的H&E染色全切片图像及转录组数据 | 数字病理学, 计算机视觉, 机器学习 | 膀胱癌 | H&E染色, RNA转录组测序 | 卷积神经网络（ResNet50） | 图像（全切片组织病理图像） | 四个独立中心的全切片图像外部队列及IMvigor210和GSE32894转录组数据集 | NA | ResNet50 | 肿瘤-正常区域区分准确率、一致性指标 | NA |
| 150 | 2026-06-25 |
A hybrid BiLSTM-transformer-GCN architecture with API fusion for adaptive transportation resource analytics
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349787
PMID:42213697
|
研究论文 | 提出一种融合BiLSTM、Transformer编码器、图卷积网络和API上下文特征融合的混合深度学习框架，用于自适应交通资源发现与分类 | 首次将BiLSTM、Transformer和GCN三者结合，并引入API融合机制和联合多目标学习策略，同时优化监督分类和无监督异常发现 | 未提及在极端交通条件下或大规模分布式系统中的性能表现 | 实现智能交通系统中交通资源的自适应发现、分类和管理 | 智能交通系统中的异构时空数据，包括连接车辆、道路基础设施和外部上下文服务数据 | 机器学习 | NA | NA | BiLSTM, Transformer, GCN | 时空数据 | 使用了巴塞罗那事故数据集和地铁州际交通流量数据集，具体样本数量未提及 | PyTorch | BiLSTM, Transformer编码器, GCN | 准确率, F1分数, AUC, AUROC, AUPRC, 重建误差 | NA |
| 151 | 2026-06-25 |
Image Restoration Learning via Noisy Supervision in Fourier Domain
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3700926
PMID:42275331
|
研究论文 | 提出在傅里叶域中使用噪声监督进行图像恢复学习的方法，解决空间相关噪声和有限监督问题 | 首次证明多种噪声的傅里叶系数分布收敛于高斯分布，并建立傅里叶域中干净与噪声目标之间的统计等价性，从而开发了一种弱监督图像恢复框架和一种针对条带噪声的全无监督去噪方法 | 未提及具体限制，但可能包括对非高斯分布噪声的泛化能力有限，以及完全无监督方法仅针对条带噪声设计 | 在傅里叶域中利用噪声监督进行图像恢复学习，以解决现有方法在处理长程相关噪声和提供更强监督方面的不足 | 自然图像去模糊、超分辨率以及条带噪声去噪任务 | 计算机视觉 | NA | NA | CNN | 图像 | NA | PyTorch | NA | 定量指标，感知质量 | NA |
| 152 | 2026-06-25 |
Retraction: Multi-modal deep learning methods for classification of chest diseases using different medical imaging and cough sounds
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351197
PMID:42335102
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 153 | 2026-06-25 |
Retraction: Evaluation of influencing factors of China university teaching quality based on fuzzy logic and deep learning technology
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351269
PMID:42335152
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 154 | 2026-06-25 |
Bayesian Uncertainty-aware Deep Learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0352191
PMID:42335163
|
研究论文 | 提出一种贝叶斯不确定性感知深度学习算法，用于处理脑电图癫痫发作检测中的标签噪声问题 | 通过将领域知识融入贝叶斯框架，推导出基于KL散度的新型损失函数，利用不确定性学习癫痫特征，且无需向现有架构添加任何参数 | 未明确提及局限性，但可能依赖模拟数据及特定数据集验证，通用性需进一步研究 | 解决头皮脑电图标注模糊性导致的标签噪声问题，增强癫痫发作检测系统的鲁棒性 | 癫痫发作检测及发作起始区定位任务 | 机器学习 | 癫痫 | NA | 深度学习模型（通用） | 脑电图信号 | 使用一个模拟数据集和两个公开数据集（天普大学医院TUH、波士顿儿童医院CHB-MIT）及跨站点验证西耶纳脑电图数据集 | PyTorch | CNN, LSTM, 或其他基础模型（文中提及三种基础模型） | 鲁棒性指标、噪声识别能力、发作起始区定位准确性 | NA |
| 155 | 2026-06-25 |
A lightweight hybrid deep learning approach for fashion mnist classification with explainable attention visualization
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351671
PMID:42335173
|
研究论文 | 提出一种轻量级混合深度学习架构，用于时尚图像分类任务，并结合可解释性注意力可视化技术 | 提出TinyCNN结合线性自注意力的轻量级混合架构，参数量少于50万，可在CPU上训练，并集成了多种XAI技术增强模型透明度 | 未提及在更多真实场景或更复杂数据集上的验证，可能未充分讨论模型泛化能力 | 解决深度模型在资源受限和边缘设备上的适用性问题，实现高效准确的时尚图像分类 | 时尚MNIST数据集中的灰度服装图像 | 计算机视觉 | NA | NA | CNN与Transformer混合模型 | 图像 | Fashion-MNIST数据集（包含70,000张灰度图像） | NA | TinyCNN, Linear Self-Attention | 准确率 | CPU |
| 156 | 2026-06-25 |
Dual chaotic encryption method for wireless communication privacy data based on deep learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341253
PMID:42335192
|
研究论文 | 提出一种基于深度学习的双重混沌加密方法，用于无线通信隐私数据保护，通过BiLSTM预测密钥更新时机，并结合AES算法实现数据加密 | 将一维Logistic映射与二维Henon映射结合生成双重混沌密钥以扩展密钥空间，并使用BiLSTM网络预测密钥更新时机以增强抗攻击能力 | 实验未提及在真实复杂无线环境下的验证情况，且可能依赖充足的历史数据来训练BiLSTM模型 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 157 | 2026-06-25 |
Lightweight deep learning for medical imaging using MobileNetV2-based brain pathology classification with Grad-CAM interpretability
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1810860
PMID:42338932
|
研究论文 | 提出一种基于MobileNetV2的轻量级深度学习框架，用于脑CT图像分类，并结合Grad-CAM实现可解释性 | 采用四种预训练模型（MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16）进行特征提取与集成预测，对比评估了轻量模型在临床部署中的效率优势，并首次将Grad-CAM用于脑CT异常检测的可视化解释 | 研究仅使用了单一数据集，未探讨模型在不同医院、不同扫描设备上的泛化能力；ResNet50和EfficientNetB0在该任务中表现差，可能受限于数据预处理或模型适配不足 | 提高脑CT异常检测的准确性与可解释性，同时探索轻量模型在临床部署中的实用性 | 脑CT扫描图像中的异常（肿瘤、癌症、动脉瘤等） | 计算机视觉、数字病理 | 脑部疾病（肿瘤、癌症、动脉瘤） | CT成像 | 卷积神经网络 | 图像 | 脑CT扫描数据集，具体样本数未提及 | TensorFlow、Keras | MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16 | 准确率、宏AUC | 训练时间89秒，测试时间38.16秒，未提及具体GPU型号 |
| 158 | 2026-06-25 |
A multi-task deep learning framework for simultaneous prediction of microsatellite instability and tumor mutational burden in gastric cancer from histopathological images
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1755232
PMID:42339119
|
研究论文 | 本文提出了一种多任务深度学习框架，用于从组织病理图像中同时预测胃癌患者的微卫星不稳定性和肿瘤突变负荷 | 创新性地将多任务学习、注意力机制与多模态紧致双线性池化层结合，实现从全切片图像和临床数据中同时预测MSI和TMB，并通过注意力热图提供模型可解释性 | 外部验证集因域偏移导致性能适度下降，模型泛化性在不同扫描仪下存在挑战 | 开发一种经济有效的工具，利用常规组织病理图像和临床数据同时预测胃癌免疫治疗生物标志物MSI和TMB | 胃癌患者的组织病理全切片图像和结构化临床数据（性别、年龄、T/N/M分期） | 数字病理学 | 胃癌 | 全切片成像 | CNN | 图像和结构化数据 | 训练集312名患者（TCGA），外部验证集121名患者（中国医学科学院肿瘤医院） | PyTorch | ResNet50 | AUC | NA |
| 159 | 2026-06-25 |
Deep learning‑based cell type prediction in lung tissue from brightfield histology using CODEX-derived labels
2026, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3088120
PMID:42339368
|
research paper | 利用CODEX标记从明场组织学图像中深度学习预测肺组织细胞类型 | 首次使用CODEX生成的大规模标签数据训练深度学习模型，从常规H&E染色组织学图像中预测肺组织细胞类型，替代昂贵多重成像技术 | 模型五类平衡准确率仅51.3%，性能有限 | 开发基于H&E染色组织学图像自动预测肺组织细胞类型的深度学习方法 | 肺组织活检中的细胞类型（上皮细胞、免疫细胞、内皮细胞、基质细胞、收缩细胞） | digital pathology, deep learning, computer vision | geriatric disease, lung cancer, NA | H&E染色, CODEX多重成像 | DeepLabV3+ | 明场组织学图像（H&E染色图像） | 来自多位捐赠者的肺组织切片，包含超过230万标记细胞 | NA | DeepLabV3+ with ResNet backbone | balanced accuracy | NA |
| 160 | 2026-06-25 |
Double-stage insect recognition model based on synergistic localization of key parts
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1854371
PMID:42339385
|
研究论文 | 提出一种基于关键部位协同定位的两阶段昆虫识别模型，用于准确识别形态相似的蚂蚁物种 | 提出双阶段识别架构，结合目标检测网络定位关键部位、全局上下文增强模块和自适应协同机制融合多部位特征，提升形态相似昆虫的分类准确率 | 未在文章中明确说明局限性 | 解决形态相似小昆虫（如入侵火蚁）的准确识别问题，推动昆虫识别与生态监测应用 | 形态相似的蚂蚁物种（红火蚁等） | 计算机视觉 | NA | NA | 目标检测网络与分类网络结合 | 图像 | 构建了Ant7C数据集（具体样本数量未提及） | NA | 目标检测网络+分类网络+全局上下文增强模块 | 准确率 | NA |