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 6026 篇文献，本页显示第 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2026-04-11 |
Machine-enhanced reconstruction of functional connectomes unravels discriminative brain sub-systems in health and disease
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47391-z
PMID:41957158
|
研究论文 | 本文提出了一种基于几何深度学习和可解释人工智能的功能性剪枝方法，用于从fMRI数据中重建功能脑网络，以区分健康个体和自闭症谱系障碍患者 | 引入功能性剪枝方法，基于连接在区分健康与患病个体中的集体重要性而非个体统计显著性来保留连接，利用几何深度学习学习网络表示，并通过XAI工具识别最具区分性的子网络 | 方法主要应用于fMRI数据和自闭症谱系障碍，在其他脑疾病或复杂系统中的普适性需进一步验证 | 开发一种改进的功能脑网络重建方法，以更好地识别脑疾病相关的生物标志物 | 健康个体和自闭症谱系障碍患者的fMRI数据 | 机器学习 | 自闭症谱系障碍 | 功能磁共振成像 | 几何深度学习 | 图像 | NA | NA | NA | NA | NA |
| 382 | 2026-04-11 |
AI-driven integration of Framingham Heart Study data with machine learning, deep learning, and explainable AI for enhanced pharmaceutical marketing
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45770-0
PMID:41957161
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 383 | 2026-04-11 |
Predicting mild familial exudative vitreoretinopathy with autosomal dominant inheritance using deep learning
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48051-y
PMID:41957171
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 384 | 2026-04-11 |
Intraoperative video-based artificial intelligence model exceeding surgeon accuracy for predicting severe fibrosis in minimally invasive liver surgery
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47518-2
PMID:41957239
|
研究论文 | 本研究开发了一种基于术中视频的深度学习模型，用于预测肝细胞癌患者中的严重肝纤维化，其准确性超过了外科医生的视觉评估和传统非侵入性评分 | 首次利用术中肝脏表面视频图像，通过深度学习模型实现了对严重肝纤维化的自动诊断，其性能优于经验丰富的外科医生视觉评估和常规血液指标 | 这是一项单中心回顾性研究，样本量有限，需要前瞻性多中心验证来确认模型的普适性和临床影响 | 开发并评估一种基于深度学习的方法，用于术中准确预测肝细胞癌患者的严重肝纤维化，以辅助手术决策 | 接受微创肝切除术的肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 深度学习，视频帧分析 | CNN | 视频图像 | 103名患者 | NA | DenseNet-121 | AUROC, 敏感性, 特异性, F1分数 | NA |
| 385 | 2026-04-11 |
High-precision automated grading of flue-cured tobacco leaves based on hierarchical feature fusion
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45252-3
PMID:41957429
|
研究论文 | 本文提出了一种基于分层特征融合的深度学习框架，用于实现烤烟叶片的高精度自动化分级 | 提出了一种新颖的深度学习框架，该框架集成了多个预训练架构，并结合了卷积块注意力模块和具有可学习注意力权重的分层特征融合模块，以自适应地结合低层、中层和高层特征，从而有效捕获多尺度互补特征 | NA | 解决传统人工分级主观、低效、劳动密集型以及现有深度学习方法难以捕获多尺度互补特征导致分级精度有限的问题，实现烤烟叶片的高精度自动化分级 | 烤烟叶片 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | NA | 准确率 | NA |
| 386 | 2026-04-11 |
Enabling ankle-brachial index prediction from doppler sounds using deep learning
2026-Apr-09, NPJ cardiovascular health
DOI:10.1038/s44325-026-00116-7
PMID:41957436
|
研究论文 | 本研究介绍了一种名为AutoABI的深度学习算法，能够直接从循环多普勒声音中分类踝臂指数（ABI）类别，以提升床旁ABI评估的可及性 | 首次提出利用深度学习直接从多普勒声音预测ABI类别，为无法进行传统ABI测量的患者（如血管钙化患者）提供了新的评估方案 | 研究基于有限规模的数据集（198名患者的791条录音），样本量较小，可能影响模型的泛化能力 | 开发一种基于深度学习的算法，以改善外周动脉疾病（PAD）患者踝臂指数（ABI）评估的可及性和可靠性 | 外周动脉疾病（PAD）患者，特别是那些因血管钙化而无法进行传统ABI测量的患者 | 机器学习 | 外周动脉疾病 | 多普勒声音分析 | 深度学习算法 | 音频（多普勒声音录音） | 198名患者的791条录音 | NA | NA | AUC（受试者工作特征曲线下面积） | NA |
| 387 | 2026-04-11 |
Study on mmage defect recognition and classification of power transmission equipment based on lightweight model residual Mamba
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45856-9
PMID:41957442
|
研究论文 | 本文提出了一种基于Mamba架构的轻量级分割网络ResMamba，用于解决输电设备图像缺陷检测中特定类别缺陷样本数量有限的小样本检测难题 | 创新性地将Mamba模块集成到视觉状态空间（VSS）作为编解码链接，核心ResVSS模块通过移除原始VSS模块内部捷径连接中的冗余线性层（占原参数38%），并引入深度卷积块和可学习尺度参数来动态缩放残差连接，在跳跃连接部分引入了多层次多尺度信息融合机制 | NA | 解决电力设备缺陷检测中特定类别缺陷样本数量有限的小样本检测难题，提升电网自愈能力 | 输电变电设备的图像缺陷 | 计算机视觉 | NA | 图像缺陷检测 | 分割网络 | 图像 | 公共数据集（包含专门的小样本设置） | NA | U-Net, ResMamba, VSS | 分割精度 | NA |
| 388 | 2026-04-11 |
Predicting Osteoporosis Risk from Knee Radiographs and Clinical Features through Deep Learning: A Multimodal Approach
2026-Apr-09, Annals of African medicine
IF:0.6Q3
DOI:10.4103/aam.aam_857_25
PMID:41957558
|
研究论文 | 本研究开发了一种结合膝关节X光片和临床特征的多模态深度学习方法，用于预测骨质疏松风险 | 提出了一种双流方法，将CNN从X光片中提取的特征与临床参数结合，用于骨质疏松筛查，为资源有限地区提供了一种成本效益高的替代方案 | 样本量较小（仅239张图像），且仅使用了单一公共数据集，可能影响模型的泛化能力 | 探索利用深度学习和临床数据预测骨质疏松风险，以替代昂贵的DEXA扫描 | 膝关节X光图像及对应的临床数据 | 计算机视觉 | 骨质疏松症 | X射线成像，骨矿物质密度评估 | CNN | 图像，临床数据 | 239张膝关节X光图像及对应临床数据 | NA | AlexNet, Inception V3 | 召回率，准确率，AUC，灵敏度 | NA |
| 389 | 2026-04-11 |
Deep learning-based detection of the second mesiobuccal canal in maxillary first molars using cone-beam computed tomography
2026-Apr-09, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-08207-8
PMID:41957600
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 390 | 2026-04-11 |
Identification of Aspergillus at section and species levels by artificial intelligence-based microscopic morphology image recognition
2026-Apr-08, Journal of clinical microbiology
IF:6.1Q1
DOI:10.1128/jcm.00012-26
PMID:41757926
|
研究论文 | 本研究开发了一种名为FungalNet的深度学习模型，用于基于显微形态图像快速准确识别曲霉菌的节和种水平 | 提出了FungalNet模型，该模型整合了ResNet-50架构与Focal Loss算法，并采用了一种结合五折交叉验证和专家人工审查的新型质量控制方法 | 需要进一步优化和多中心验证才能集成到常规诊断流程中 | 通过人工智能显微形态图像识别，快速准确识别曲霉菌的节和种水平，以支持曲霉病的诊断和抗真菌治疗 | 临床分离的曲霉菌种，属于八个不同的节 | 计算机视觉 | 曲霉病 | 显微形态图像分析，乳酚棉蓝染色 | 深度学习，CNN | 图像 | 11,689张合格的高分辨率图像，来源于12,000张初始图像 | PyTorch, TensorFlow | ResNet-50, GoogLeNet, Xception | 准确率 | NA |
| 391 | 2026-04-11 |
Point2SSM++: Self-supervised learning of anatomical shape models from point clouds
2026-Apr-08, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104073
PMID:41955905
|
研究论文 | 提出一种名为Point2SSM++的自监督深度学习方法，用于直接从解剖形状的点云表示中学习对应点，以构建统计形状模型 | 提出了一种能够直接处理未对齐、不一致点云输入的自监督深度学习框架，无需完整对齐的表面表示，并针对动态时空和多解剖结构场景进行了扩展 | 未明确提及具体局限性 | 开发一种更高效、鲁棒的统计形状建模方法，以促进临床研究中的形态计量分析 | 解剖形状（如骨骼和器官）的点云表示 | 计算机视觉 | NA | 自监督深度学习 | 深度学习模型 | 点云 | NA | NA | Point2SSM++ | NA | NA |
| 392 | 2026-04-11 |
A simulation-based study of 3D printing angle optimization by integrating deep learning and NSGA-III for prosthesis and retainer manufacturing
2026-Apr-08, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2026.03.015
PMID:41956844
|
研究论文 | 本研究开发了一个集成深度学习和NSGA-III算法的计算框架，用于优化牙科3D打印中牙冠和固位体的构建方向，以减少支撑面积和打印高度 | 首次将PointNet++、MeshSegNet和NSGA-III集成到一个自动化框架中，用于牙科3D打印的构建方向优化，避免了传统软件中手动调整和支撑物放置在功能区域的问题 | 研究为基于仿真的研究，需要进一步的实验验证才能应用于临床 | 开发并评估一个计算框架，以优化牙科3D打印中牙冠和固位体的构建方向，最小化支撑面积和打印高度 | 牙科牙冠和固位体的3D打印构建方向 | 计算机视觉 | NA | 3D打印 | 深度学习 | 3D网格数据 | 24个牙科模型 | NA | PointNet++, MeshSegNet | 支撑面积, 打印高度 | NA |
| 393 | 2026-04-11 |
Artificial Intelligence in Personalized Breast Cancer Drug Safety: From Preclinical Toxicology to Clinical Risk Management
2026-Apr-08, Clinical therapeutics
IF:3.2Q2
DOI:10.1016/j.clinthera.2026.03.002
PMID:41956883
|
综述 | 本文综述了人工智能在乳腺癌个性化药物安全中的应用，涵盖从临床前毒理学到临床风险管理的全过程 | 将人工智能技术整合到乳腺癌个性化药物安全的整个生命周期，包括临床前毒理学、临床试验设计和上市后监测，以预测治疗反应、优化剂量并最小化不良反应 | NA | 探讨人工智能如何提升乳腺癌个性化治疗的药物安全性和疗效 | 乳腺癌患者及其个性化治疗过程中的药物安全风险 | 机器学习 | 乳腺癌 | 机器学习算法、深度学习、预测分析 | NA | 临床试验数据、患者记录、真实世界证据 | NA | NA | NA | NA | NA |
| 394 | 2026-04-11 |
Multiparametric MRI-Based Integrated Analysis of Clinical, Radiomics, Deep Learning, and Machine Learning for Predicting Tumor Proliferation and Prognosis in Locally Advanced Rectal Cancer
2026-Apr-08, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.03.033
PMID:41956924
|
研究论文 | 本研究开发并验证了一个基于多参数MRI的预测模型，整合临床、影像组学、深度学习和机器学习特征，用于预测局部晚期直肠癌患者的肿瘤细胞增殖状态和预后 | 首次整合临床数据、影像组学、深度学习和机器学习技术，构建了一个多参数MRI为基础的列线图模型，用于预测局部晚期直肠癌的Ki-67表达和预后分层 | 回顾性研究设计，可能存在选择偏倚；样本量相对有限，且仅来自三个中心 | 预测局部晚期直肠癌患者的肿瘤细胞增殖状态和预后 | 局部晚期直肠癌患者 | 数字病理学 | 直肠癌 | 多参数磁共振成像 | 机器学习,深度学习 | 图像 | 384名来自三个中心的局部晚期直肠癌患者 | NA | Stepglm[both] + glmBoost | AUC, DeLong检验, 校准曲线, 决策曲线分析, Kaplan-Meier分析 | NA |
| 395 | 2026-04-11 |
Evaluating deep learning based structure prediction methods on antibody-antigen complexes
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag136
PMID:41863324
|
研究论文 | 本文评估了基于深度学习的结构预测方法在抗体-抗原复合物上的性能 | 首次在未见过的抗体-抗原复合物上对AlphaFold2、AlphaFold3、Boltz-1和Chai-1等结构预测方法进行基准测试，揭示了采样策略和模型选择对预测准确性的影响 | AlphaFold3在缺乏训练集结构相似性的复合物上性能显著下降，且所有方法在识别最佳预测模型方面仍面临挑战 | 评估和比较深度学习结构预测方法在抗体-抗原复合物上的准确性和适用性 | 抗体-抗原复合物 | 机器学习 | NA | 深度学习结构预测 | 深度学习模型 | 蛋白质结构数据 | NA | NA | AlphaFold2, AlphaFold3, Boltz-1, Chai-1 | 预测准确性 | NA |
| 396 | 2026-04-11 |
Medical image pretraining-based transfer learning for generalizable and robust diagnosis of bone tumors on radiographs: a multi-center study
2026-Apr-07, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-026-02271-y
PMID:41944974
|
研究论文 | 本研究开发了一种基于医学图像预训练的深度学习模型，用于X光片上骨肿瘤的分类，并通过多中心数据验证了其泛化性和鲁棒性 | 利用领域特定的医学图像数据集（RadImageNet）进行预训练，显著提升了模型在骨肿瘤分类任务上的性能和鲁棒性，优于基于自然图像（ImageNet）预训练的模型和传统影像组学方法 | 研究为回顾性设计，且模型性能在不同外部测试中心间可能存在差异，AI辅助效果也因放射科医师个体经验和对AI接受度而异 | 开发一个泛化性强且鲁棒的深度学习模型，用于X光片上骨肿瘤的准确分类 | 经组织病理学确诊的骨肿瘤患者的X光影像 | 计算机视觉 | 骨肿瘤 | 深度学习, 迁移学习, 影像组学 | CNN | 图像 | 2338名患者（来自四个中心），其中471名用于模型开发，1867名用于外部测试 | 未明确提及，可能为TensorFlow或PyTorch | ResNet50, InceptionV3 | AUC | NA |
| 397 | 2026-04-11 |
Machine and Deep Learning Reveal Sequence Determinants Encoding Bivalent Histone Modifications
2026-Apr-07, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09962-8
PMID:41946881
|
研究论文 | 本文通过机器学习和深度学习揭示了编码双价组蛋白修饰的序列决定因素 | 首次利用机器学习模型基于k-mer序列特征准确区分双价与单价染色质区域，并通过深度学习进一步提升了预测准确性，发现了与多能性转录因子相关的特定基序及其在双价峰边界的位置特异性 | 研究主要基于小鼠胚胎干细胞数据，可能不直接适用于其他物种或细胞类型；序列特征的因果机制尚未完全阐明 | 探究双价染色质区域的序列特征及其在发育基因调控中的作用 | 小鼠胚胎干细胞中的双价组蛋白修饰（H3K4me3、H3K27me3、H3K9me3）区域 | 机器学习 | NA | 全基因组组蛋白修饰分析 | 机器学习模型, 深度学习模型 | 基因组序列数据 | NA | NA | NA | 预测准确性 | NA |
| 398 | 2026-04-11 |
Automatic detection of the fetal brain midsagittal plane on MRI using a deep learning pipeline
2026-Apr-07, American journal of obstetrics & gynecology MFM
IF:3.8Q1
DOI:10.1016/j.ajogmf.2026.101962
PMID:41956321
|
研究论文 | 本文开发了一种基于深度学习的自动化管道，用于从胎儿脑部MRI扫描中自动检测胎儿脑部正中矢状面 | 提出了一种结合多任务2D U-Net和LightGBM分类器的深度学习框架，通过检测四个中线结构的可见性来自动识别胎儿脑部正中矢状面，并生成结构特异性概率图和切片级评分 | 研究仅基于正常脑部解剖的胎儿，且数据来自单一MRI序列（1.5 T单次激发快速自旋回波T₂加权序列），可能限制了模型的泛化能力 | 开发自动化工具以提升胎儿脑部MRI图像质量评估和标准化解剖评估的可靠性 | 胎儿脑部MRI扫描 | 医学影像分析 | 胎儿脑部发育 | 单次激发快速自旋回波T₂加权MRI序列 | 深度学习 | MRI图像 | 432个胎儿脑部MRI堆栈（来自225个胎儿，孕周32周，四分位范围28-34周） | PyTorch, LightGBM | 2D U-Net | AUC, 准确率, 灵敏度, 特异性, 定位准确度 | NA |
| 399 | 2026-04-11 |
Multicenter deep learning for multi-abnormality screening on hip radiographs: development, external validation, and assisted reader study
2026-Apr-06, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.04.013
PMID:41951039
|
研究论文 | 本研究开发并验证了一个基于深度学习的模型，用于在髋部X光片上同时筛查多种异常，通过多中心数据集的训练和外部验证，展示了其在辅助诊断中的潜力 | 开发了一个能够同时筛查八种髋部异常（包括正常情况）的深度学习模型，结合了卷积块注意力模块、广义平均池化和类别平衡焦点损失等增强技术，并在多中心数据集上进行了外部验证和辅助读者研究 | 模型主要基于X光图像，可能无法检测所有类型的髋部异常；外部验证仅在一个医院进行，泛化能力需进一步验证；未涉及模型在实时临床环境中的长期影响评估 | 开发并验证一个深度学习模型，用于自动化筛查多种常见的髋部异常，以辅助临床诊断并提高筛查效率 | 髋部X光片（骨盆X光片） | 计算机视觉 | 髋部疾病 | X光成像 | CNN | 图像 | 训练和内部验证使用来自两家医院的25,908个髋部样本；外部验证使用来自第三家医院的4,600个髋部样本 | 未明确提及，可能为PyTorch或TensorFlow | ResNet-50 | 准确率, 宏AUC, 宏F1分数, 敏感性 | 未明确提及 |
| 400 | 2026-04-11 |
Challenges in translating AI-driven ASD/ADHD diagnosis: A methodological systematic review
2026-Apr-04, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2026.106417
PMID:41955914
|
系统综述 | 本文系统综述了利用深度学习驱动的计算机视觉进行生物医学信息学方法研究，以支持儿科神经发育障碍（如ASD和ADHD）的客观诊断决策 | 首次系统性地综合了多模态特征提取、深度学习架构、高性能策略及稳健数据集成挑战等生物医学信息学方法，并应用APPRAISE-AI框架评估方法学质量和偏倚 | 研究发现方法在可重复性（41.0%）和结果稳健性（45.1%）方面存在显著差距，且联邦学习和可解释AI技术应用不足 | 旨在为儿科神经发育障碍（NDDs）提供客观、数据驱动的诊断决策支持 | 专注于自闭症谱系障碍（ASD）和注意力缺陷/多动障碍（ADHD）等神经发育障碍 | 计算机视觉 | 神经发育障碍 | 深度学习驱动的计算机视觉 | 深度学习 | 多模态数据（如面部成像、EEG、fMRI） | 基于43项Q1/Q2研究，具体样本量未在摘要中明确 | NA | NA | 特异性、敏感性 | NA |