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 3314 篇文献，本页显示第 2141 - 2160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2141 | 2026-01-23 |
[Artificial intelligence prediction of surgical difficulty in mid-low rectal cancer: a single-center cohort study]
2026-Jan-25, Zhonghua wei chang wai ke za zhi = Chinese journal of gastrointestinal surgery
|
研究论文 | 本研究利用深度学习技术处理和分析中低位直肠癌患者的直肠MRI图像，并结合临床基线信息，构建了一个全自动端到端的预测模型，旨在辅助结直肠外科医生术前评估手术难度并选择最佳手术方案 | 首次提出一个结合直肠MRI图像和临床数据的全自动端到端人工智能模型，用于预测中低位直肠癌的手术难度 | 研究为单中心队列研究，可能存在选择偏倚；样本量相对有限（366例患者）；模型性能（如特异性0.521）仍有提升空间 | 开发一个能够预测中低位直肠癌手术难度的人工智能模型，以辅助术前规划和手术方案选择 | 接受腹腔镜全直肠系膜切除术（TME）的中低位直肠癌患者 | 数字病理学 | 直肠癌 | 深度学习，直肠MRI图像分析 | 深度学习模型 | 图像（直肠MRI DICOM图像），临床基线数据 | 366例患者（253例男性，113例女性），其中训练集和测试集划分未明确说明 | NA | NA | 准确率, 精确率, 特异性, 召回率, F1分数, AUC | NA |
| 2142 | 2026-01-23 |
Refined query network (RQNet) for precise MRI segmentation and robust TED activity assessment
2026-Jan-22, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae3101
PMID:41442780
|
研究论文 | 本文提出了一种名为RQNet的高效深度学习框架，用于精确分割眼眶MRI图像并评估甲状腺眼病活动性 | 引入了新颖的Refined Query Transformer Block，通过池化细化查询将注意力复杂度从O(N²)降低到O(N·M)，并整合多序列MRI特征进行放射组学分析 | 未明确说明数据集的样本来源多样性或外部验证结果 | 开发一个深度学习框架，用于精确分割眼眶MRI图像并评估甲状腺眼病活动性，以支持临床决策 | 甲状腺眼病患者的多序列MRI图像 | 计算机视觉 | 甲状腺眼病 | 多序列磁共振成像 | CNN, Transformer | 三维MRI图像 | NA | NA | U-Net, Transformer | Dice相似系数, 曲线下面积 | NA |
| 2143 | 2026-01-23 |
Exploring the Mutarotation Mechanism of Glucose in Solution Using Deep Learning Potential
2026-Jan-22, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.5c07574
PMID:41501613
|
研究论文 | 本研究利用深度学习势能分子动力学模拟探索了葡萄糖在水溶液中的变旋机制 | 采用深度学习势能分子动力学模拟，相比传统方法提供了更准确且统计收敛的反应路径描述，首次明确揭示了葡萄糖变旋优先通过开环路径进行 | 研究主要基于模拟结果，缺乏直接的实验验证证据 | 阐明葡萄糖在水溶液中的变旋机制，区分两种可能路径 | 葡萄糖分子在水溶液中的变旋过程 | 机器学习 | NA | 深度学习势能分子动力学模拟 | 深度学习势能模型 | 分子动力学模拟数据 | NA | NA | NA | NA | NA |
| 2144 | 2026-01-23 |
Breaking the performance barrier in deep learning-based SSVEP-BCIs: a joint frequency-phase training strategy
2026-Jan-22, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ae36f6
PMID:41525762
|
研究论文 | 本文提出了一种联合频率-相位训练策略（JFPTS），以提升基于深度学习的稳态视觉诱发电位（SSVEP）脑机接口的分类性能 | 通过结合频率先验驱动采样和锁相采样两阶段策略，首次在深度学习训练中同时利用SSVEP信号的频率和相位特性，突破了现有方法仅关注单一特征的局限 | 未明确讨论策略在不同噪声环境或个体差异下的鲁棒性，也未涉及实时应用中的计算效率问题 | 提高SSVEP信号在脑机接口中的分类准确率，推动深度学习在该领域的应用 | 稳态视觉诱发电位（SSVEP）信号 | 机器学习 | NA | 脑电图（EEG） | 深度学习模型 | 时间序列信号 | 基于两个公开数据集 | NA | NA | 分类准确率 | NA |
| 2145 | 2026-01-23 |
MMoGCN: a multi-gate mixture of graph convolutional network model for EEG emotion and mood disorder recognition
2026-Jan-22, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ae37dc
PMID:41529398
|
研究论文 | 本文提出了一种名为MMoGCN的多门混合图卷积网络模型，用于基于脑电图的情绪和心境障碍联合识别 | 设计了一个多任务学习框架，通过多门共享专家模块和自适应任务特定塔，有效提取脑电图数据中情绪和心境障碍的共享特征，并动态调整任务贡献 | 模型在自收集数据集和公开DEAP数据集上进行了评估，但可能在其他脑电图数据集或更广泛的人群中泛化能力有待进一步验证 | 开发一个基于脑电图的深度学习框架，用于情绪和心境障碍的联合识别，以探索两者之间的内在关系 | 脑电图信号，用于识别情绪状态和心境障碍 | 机器学习 | 心境障碍 | 脑电图 | 图卷积网络 | 脑电图信号 | 自收集数据集和公开DEAP数据集 | NA | MMoGCN | NA | NA |
| 2146 | 2026-01-23 |
Machine learning-enabled quantification of hepatocellular necrosis in the liver after lethal Marburg and Ebola virus exposures
2026-Jan-22, The Journal of infectious diseases
IF:5.0Q1
DOI:10.1093/infdis/jiag040
PMID:41566943
|
研究论文 | 本研究利用深度学习模型对致死性马尔堡病毒和埃博拉病毒暴露后恒河猴肝脏的坏死区域进行像素级定量分析 | 首次将深度学习模型应用于丝状病毒暴露后肝脏坏死的高分辨率组织病理学定量分析，实现了与三位病理学家相当的观察者间一致性 | 研究仅使用恒河猴模型，结果向人类临床转化的有效性尚需验证；样本量相对有限 | 开发并验证一种基于深度学习的自动化方法，用于定量分析丝状病毒感染后肝脏坏死的程度和分布模式 | 暴露于马尔堡病毒（MARV）和两种埃博拉病毒变体（Makona和Kikwit）的致死性恒河猴模型的肝脏组织 | 数字病理学 | 病毒性出血热（丝状病毒感染） | 组织病理学切片数字化，深度学习图像分割 | 深度学习模型 | 图像（数字化肝脏病理切片） | 暴露于三种不同丝状病毒（MARV, EBOV-Makona, EBOV-Kikwit）的致死性恒河猴模型肝脏切片 | NA | NA | 观察者间变异性（与三位病理学家比较），统计显著性（f值，p值），相关性分析 | NA |
| 2147 | 2026-01-23 |
Effective lung nodule segmentation and classification by employing a SPPUNet model and global context attention-based InceptionV3
2026-Jan-22, Informatics for health & social care
IF:2.5Q3
DOI:10.1080/17538157.2025.2611342
PMID:41568943
|
研究论文 | 本研究提出了一种结合SPPUNet分割模型和GCAINCPV3分类模型的混合预训练架构，用于肺结节的自动分割与分类，旨在提高肺癌诊断的准确性 | 采用SPPUNet进行肺区域分割，并结合全局上下文注意力机制的InceptionV3（GCAINCPV3）进行分类，通过数据预处理和增强策略解决了医学图像数据稀缺和类别不平衡问题 | 研究依赖于公开数据集LUNA16，可能无法完全代表临床实际场景；模型在更广泛或多样化数据上的泛化能力未充分验证 | 开发一个自动化的肺结节分割与分类系统，以辅助肺癌的早期检测和临床决策 | 肺CT图像中的结节区域 | 计算机视觉 | 肺癌 | CT成像 | CNN | 图像 | 来自LUNA16数据集的CT肺部图像 | NA | SPPUNet, InceptionV3 | 准确率 | NA |
| 2148 | 2026-01-23 |
Artificial intelligence-enabled pediatric radiology in low-resource settings: addressing resource constraints in the African healthcare system
2026-Jan-22, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06504-y
PMID:41569331
|
综述 | 本文探讨了人工智能在非洲资源有限医疗系统中应用于儿科放射学的挑战与机遇 | 聚焦于非洲资源受限环境，系统分析了AI在儿科放射学应用中的具体障碍，并提出了针对性的解决方案框架 | 本文为综述性文章，未提供具体的实证研究数据或模型性能验证 | 分析AI在资源有限地区（特别是非洲）儿科放射学应用中面临的挑战，并提出可行的解决路径 | 非洲资源受限医疗系统中的儿科放射学服务 | 医学影像分析 | 儿科疾病 | 深度学习 | NA | 医学影像 | NA | NA | NA | NA | 高性能计算机、大内存容量 |
| 2149 | 2026-01-23 |
Deep learning-accelerated 3D flair for white matter lesion detection in multiple sclerosis: a feasibility study
2026-Jan-22, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03889-3
PMID:41569417
|
研究论文 | 本研究比较了基于深度学习的图像重建（DLBIR）3D FLAIR与传统3D FLAIR在多发性硬化（MS）患者白质病变检测中的图像质量和诊断性能 | 首次将DLBIR技术应用于3D FLAIR序列，显著加速MRI采集（减少32%时间）并提高小病变（<3 mm）的检测敏感性和图像质量 | 样本量较小（26名患者），且需要在更大、更多样化的队列中进行进一步验证 | 评估DLBIR加速的3D FLAIR序列在多发性硬化患者白质病变检测中的可行性和图像质量 | 多发性硬化（MS）患者 | 医学影像分析 | 多发性硬化 | MRI（3D FLAIR序列），深度学习图像重建（DLBIR） | 深度学习模型（具体类型未指定） | 3D MRI图像 | 26名多发性硬化患者 | NA | NA | 敏感性，精确度，表观信噪比（aSNR），表观对比噪声比（aCNR），病变显着性评分，诊断置信度评分 | 3T MRI扫描仪 |
| 2150 | 2026-01-23 |
Deep learning methods for 2D material electronic properties
2026-Jan-21, Digital discovery
IF:6.2Q1
DOI:10.1039/d5dd00155b
PMID:41439261
|
综述 | 本文综述了深度学习技术在理解和预测二维材料电子结构方面的应用与影响 | 系统总结了深度学习（包括物理感知模型、生成式AI和逆向设计）在解决二维材料独特计算挑战、预测关键电子特性（如能带结构、态密度和量子输运现象）方面的显著进步，并展望了其在加速新兴量子现象、拓扑、超导性和自主材料探索等发现中的应用 | NA | 探讨深度学习技术对理解和预测二维材料电子结构的影响 | 二维材料的电子结构 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 2151 | 2026-01-23 |
STF: A Unified Framework for Joint Pixel-Level Segmentation and Tracking of Tissues in Endoscopic Surgery
2026-Jan-21, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3656751
PMID:41564043
|
研究论文 | 本文提出了一种用于内窥镜手术中组织像素级分割与跟踪的统一框架STF，通过集成分割引导的跟踪流程和自适应重检测机制，提升长期手术视频分割的鲁棒性 | STF框架首次将分割引导的跟踪与自适应重检测机制相结合，通过贝叶斯细化模块增强分割与跟踪的兼容性，在极端条件下实现长期稳定的组织分析 | 未明确说明框架在多样化手术场景或不同组织类型中的泛化能力，且计算效率可能受复杂机制影响 | 开发一种能够在内窥镜手术视频中实现长期鲁棒组织分割与跟踪的自动化方法 | 内窥镜手术视频中的组织区域 | 计算机视觉 | NA | 深度学习 | CNN | 视频 | 未明确说明 | 未明确说明 | Hough Voting Network | 准确性, 时间一致性 | NA |
| 2152 | 2026-01-23 |
Dual Ontology-enhanced Clinical Decision Learning for First-admission Mortality Prediction
2026-Jan-21, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3621475
PMID:41564069
|
研究论文 | 本文提出了一种双本体增强的临床决策学习模型（DOCD），用于首次入院患者的死亡率预测，有效解决了缺乏历史就诊序列数据的挑战 | 通过双本体增强学习从诊断和程序分类法中提取层次表示，并引入先验引导的注意力机制，结合基于概率的正则化来整合临床知识，模拟临床决策过程 | NA | 开发一种能够准确预测首次入院患者死亡率的模型，以支持早期干预和改善患者预后 | 首次入院患者，特别是仅有一次就诊记录的患者，包括直接入住ICU的患者 | 医疗健康预测 | 多种疾病（基于ICU入院患者） | 深度学习，本体增强学习 | 深度学习模型（具体架构未明确指定，但包含注意力机制） | 电子健康记录（EHR），包括人口统计数据、生命体征、诊断和程序代码 | 基于MIMIC-III和MIMIC-IV数据库，其中MIMIC-IV中55.17%、MIMIC-III中83.80%的患者仅有一次就诊记录 | NA | 双本体增强学习架构，包含先验引导的注意力机制和信息融合模块 | AUROC, AUPRC | NA |
| 2153 | 2026-01-23 |
Active Adversarial Noise Suppression for Image Forgery Localization
2026-Jan-21, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3656742
PMID:41564076
|
研究论文 | 本文提出一种对抗性噪声抑制模块，用于提升图像伪造定位模型对对抗攻击的鲁棒性 | 首次在图像伪造定位任务中提出对抗防御方法，通过两阶段训练策略（FFA和MgR）生成防御性扰动以抑制对抗噪声的影响 | 未明确说明方法在跨数据集或真实场景中的泛化能力，也未讨论防御策略对计算效率的影响 | 提升图像伪造定位模型对抗对抗攻击的鲁棒性 | 对抗性噪声干扰下的伪造图像 | 计算机视觉 | NA | 对抗攻击防御技术 | 深度学习模型 | 图像 | 未明确说明具体样本数量，但提及使用了反取证数据集 | 未明确说明 | 未明确说明基础伪造定位模型架构 | 伪造定位准确率 | 未明确说明 |
| 2154 | 2026-01-23 |
Quantitative assessment of neonatal health using dried blood spot metabolite profiles and deep learning
2026-Jan-21, Science translational medicine
IF:15.8Q1
DOI:10.1126/scitranslmed.adv4942
PMID:41564154
|
研究论文 | 本研究利用新生儿干血斑代谢物谱和深度学习模型，开发了一种基于新生儿筛查的代谢健康指数，用于早产儿不良结局的风险分层 | 通过深度学习模型结合亚组发现，从新生儿代谢物谱中提取了超越传统孕周和出生体重的风险信号，并建立了可推广的生物风险指标 | 研究基于回顾性队列，可能受数据偏差影响，且外部验证仅在一个独立队列中进行 | 开发早产儿风险分层工具，以早期识别并启动最合适的护理路径 | 早产儿，特别是患有支气管肺发育不良、脑室内出血、坏死性小肠结肠炎和早产儿视网膜病变的新生儿 | 机器学习 | 新生儿疾病 | 新生儿筛查干血斑代谢物分析 | 深度学习模型 | 代谢物谱数据 | 训练集13,536例（12,096病例，1,440对照），外部验证集3,299例（2,117病例，1,182对照） | NA | NA | NA | NA |
| 2155 | 2026-01-23 |
AI in nuclear medicine
2026-Jan-21, The British journal of radiology
DOI:10.1093/bjr/tqag012
PMID:41564330
|
综述 | 本文综述了人工智能在核医学中的应用潜力、当前进展及临床转化挑战 | 系统性地概述了AI在核医学全流程（从图像采集到临床决策支持）的整合潜力，并特别强调了从研发到临床实施的过渡挑战 | 指出核医学中极少数AI应用已达到商业成熟阶段，且临床AI应用超越原型阶段的占比很低（约2%） | 探讨人工智能如何推动核医学在诊断和治疗方面的进步 | 核医学中的影像流程及相关临床应用 | 医学影像 | NA | 深度学习 | 卷积神经网络 | 医学影像 | NA | NA | NA | NA | 图形处理器 |
| 2156 | 2026-01-23 |
iMCN: information compression-based multimodal confidence-guided fusion network for cancer survival prediction
2026-Jan-21, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae3b46
PMID:41564441
|
研究论文 | 本文提出了一种基于信息压缩的多模态置信引导融合网络（iMCN），用于整合全切片图像和基因组数据进行癌症生存预测 | 提出了自适应病理信息压缩模块和置信引导多模态融合模块，通过可学习信息中心动态聚类图像区域并估计模态置信度，实现动态加权融合 | 研究仅在TCGA-LUAD和TCGA-BRCA两个队列上进行了评估，未在其他癌症类型或更大规模数据集中验证 | 开发一种能够有效整合病理图像和基因组数据的多模态深度学习框架，以提升癌症生存预测的准确性 | 癌症患者（具体为TCGA-LUAD和TCGA-BRCA队列中的肺癌和乳腺癌患者） | 数字病理学 | 肺癌, 乳腺癌 | 全切片图像分析, 基因组数据分析 | 深度学习融合网络 | 图像, 基因组数据 | TCGA-LUAD和TCGA-BRCA两个队列的患者样本（具体数量未在摘要中说明） | NA | 信息压缩基多模态置信引导融合网络（iMCN），包含自适应病理信息压缩模块和置信引导多模态融合模块 | 一致性指数 | NA |
| 2157 | 2026-01-23 |
Annotation-free 3D reconstruction and quantification of retinal microvasculature by RADAR
2026-Jan-21, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02366-2
PMID:41565785
|
研究论文 | 本文提出了一种名为RADAR的无标注计算框架，用于光学相干断层扫描血管造影数据的3D分割与量化，以重建和量化视网膜微血管网络 | 开发了一种无需人工标注的3D分割与量化框架，结合自适应物理感知去噪和拓扑保持中心线提取，实现了复杂血管网络的自动重建 | NA | 实现视网膜微血管的3D重建与量化，用于监测系统性血管健康 | 健康个体和早期糖尿病视网膜病变患者的光学相干断层扫描血管造影数据 | 数字病理学 | 糖尿病视网膜病变 | 光学相干断层扫描血管造影 | NA | 3D图像 | NA | NA | NA | NA | NA |
| 2158 | 2026-01-23 |
An interpretable deep learning model for predicting endometrial cancer molecular subtypes from H&E-stained slides
2026-Jan-21, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01280-w
PMID:41565925
|
研究论文 | 本研究开发了一种基于H&E染色全切片图像的、可解释的深度学习模型，用于预测子宫内膜癌的分子亚型 | 开发了一种端到端的可解释深度学习模型，能够直接从H&E染色WSI预测子宫内膜癌的四种分子亚型，并首次在宏观和微观层面系统评估了组织学特征与分子特征之间的相关性 | 外部验证队列中苏州队列样本量较小（n=36），可能影响模型泛化能力的全面评估 | 开发一种基于H&E染色WSI的深度学习模型，用于预测子宫内膜癌的分子亚型，以辅助预后判断和治疗决策 | 子宫内膜癌患者的H&E染色全切片图像 | 数字病理学 | 子宫内膜癌 | H&E染色 | 深度学习模型 | 图像 | 训练队列：复旦队列364例；外部验证队列：TCGA队列296例，苏州队列36例 | NA | 端到端预测网络 | AUROC, 95%置信区间 | NA |
| 2159 | 2026-01-23 |
CT-based Prediction of Visceral Pleural Invasion in Lung Adenocarcinoma ≤ 3 cm: Enhancing Deep Learning Specificity by Waiving Chest Wall Information
2026-Jan-21, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19102-5
PMID:41566129
|
研究论文 | 本研究开发了一种基于CT的深度学习模型，通过排除胸壁信息来提高肺腺癌内脏胸膜侵犯预测的特异性 | 提出了一种结合新型注意力机制的四层卷积神经网络，并在胸壁掩蔽的CT输入上进行训练，以降低伪相关性并提高特异性 | 研究为回顾性设计，样本量有限（835例患者），且仅针对≤3 cm的肺腺癌，可能限制模型的泛化能力 | 开发一种高特异性且高敏感性的术前预测模型，以指导肺腺癌手术决策并减少过度治疗风险 | 经病理证实并接受完全切除的肺腺癌患者 | 计算机视觉 | 肺癌 | CT成像 | CNN | 图像 | 835例患者（训练集692例，外部验证集143例） | NA | 四层卷积神经网络结合注意力机制 | AUC, 敏感性, 特异性, 准确率 | NA |
| 2160 | 2026-01-23 |
Spatial-Spectral Deep Learning for Prostate Cancer Tissue Classification in Infrared Spectroscopy
2026-Jan-21, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c04765
PMID:41566143
|
研究论文 | 本文比较了多种深度学习分类器在红外光谱前列腺癌组织分类中的应用，并探讨了光谱维度压缩瓶颈的影响 | 发现模型空间感受野与分类性能强相关，且光谱信息对深度学习模型性能影响有限，表明组织分类本身仅依赖于少量光谱特征 | 组织分类可能不是评估深度学习模型有效利用光谱维度的良好基准 | 改进前列腺癌组织分类 | 前列腺癌组织 | 数字病理学 | 前列腺癌 | 红外光谱 | Vision Transformer, CNN, 多层感知机 | 高光谱图像 | NA | NA | Vision Transformer, CNN, 多层感知机 | 分类性能 | NA |