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 6073 篇文献，本页显示第 4401 - 4420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4401 | 2026-01-05 |
Diagnostic accuracy of deep learning using ultra-widefield fundus imaging for retinal detachment: a systematic review and meta-analysis
2026-Jan-03, BMC ophthalmology
IF:1.7Q3
DOI:10.1186/s12886-025-04605-8
PMID:41485001
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4402 | 2026-01-04 |
A multi-scale feature fusion of deep learning network for classifying acute leukemia genetic subtypes from blood smear images
2026-Jan-02, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-03985-z
PMID:41483382
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4403 | 2026-02-06 |
A PRISMA-based systematic review on advances in identity recognition and authentication using human biometric signals (2018-2023)
2026-Jan-02, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-025-01508-z
PMID:41485012
|
系统综述 | 本文基于PRISMA指南，系统回顾了2018年至2023年间利用生理生物特征信号进行身份识别与认证的研究进展 | 系统比较了单模态与多模态生物特征系统的性能，并评估了深度学习与传统机器学习方法在生物特征识别中的效果 | 研究结果因数据集和协议而异，缺乏标准化评估基准和更大规模、更多样化的数据集 | 评估生理生物特征信号在身份认证和识别系统中的有效性和性能 | 2018年至2023年间发表的关于生物特征信号认证与识别的研究 | 机器学习 | NA | ECG, EEG, PPG信号处理技术 | 深度学习, 传统机器学习 | 生理信号数据 | 80篇纳入最终综述的文章，初始识别2,064条记录 | NA | NA | 准确率 | NA |
| 4404 | 2026-02-06 |
Modulus Matching and Interface Enhancement: A Synergistic Strategy for Antidelamination High-Performance Stretchable Triboelectric Nanogenerator
2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202518027
PMID:41255257
|
研究论文 | 本文提出了一种基于同源聚合物配对的协同策略，通过模量匹配和界面增强，构建了抗分层的高性能可拉伸摩擦纳米发电机 | 受生物系统中分子连续界面的启发，首次采用同源聚合物配对策略，结合超声空化处理，实现了模量匹配（比值<2）和界面韧性显著提升（达190 N·m），从根本上抑制了应力集中 | NA | 开发一种高性能、可拉伸且抗分层的摩擦纳米发电机，以满足可穿戴生物电子学对柔性自供能源的需求 | 摩擦纳米发电机的功能层（摩擦电层和电极）及其界面 | NA | NA | 超声空化处理 | NA | NA | NA | 深度学习算法 | NA | 准确率 | NA |
| 4405 | 2026-02-06 |
Bibliometric analysis of research on artificial İntelligence applications in breast cancer diagnosis
2026-Jan, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.1177/09287329251362602
PMID:40831333
|
综述 | 本文通过文献计量学方法分析了人工智能在乳腺癌诊断应用中的研究趋势，包括时间与地理分布 | 首次使用VOSviewer和Bibliometrix R对2013-2024年间该领域文献进行系统性文献计量分析，识别了关键主题、国家贡献和影响力文献 | 分析仅基于Web of Science数据库，可能未涵盖所有相关文献；文献计量方法主要反映数量趋势，未深入评估研究质量 | 通过文献计量分析揭示人工智能在乳腺癌诊断领域的研究格局、发展趋势和热点方向 | 2013-2024年间Web of Science收录的1537篇关于人工智能在乳腺癌诊断应用的学术文献 | 机器学习 | 乳腺癌 | 文献计量分析 | NA | 文献元数据 | 1537篇文章 | VOSviewer, Bibliometrix R | NA | 引用次数 | NA |
| 4406 | 2026-02-06 |
Dual-task deep learning model for prediction of medulloblastoma molecular subgroups with preoperative brain MRI
2026-Jan, La Radiologia medica
DOI:10.1007/s11547-025-02105-9
PMID:41117885
|
研究论文 | 本研究开发了一种基于术前脑部MRI的双任务深度学习模型，用于预测髓母细胞瘤的分子亚型 | 提出了一种结合3D Swin Transformer骨干网络和基于Transformer的掩码解码器的双任务深度学习模型，通过联合优化肿瘤和小脑分割任务来提升分子亚型预测性能 | 研究样本量有限，且模型在独立测试队列中的泛化能力虽已展示，但可能仍需更多外部验证 | 开发一种深度学习模型，利用术前脑部MRI预测髓母细胞瘤的分子亚型 | 髓母细胞瘤患者 | 计算机视觉 | 髓母细胞瘤 | 术前多参数脑部MRI | 深度学习模型 | 图像 | 模型开发队列包括350名患者，独立测试队列包括126名患者 | NA | 3D Swin Transformer, Transformer-based mask decoder | AUC, 准确率, 灵敏度, 特异性 | NA |
| 4407 | 2026-02-06 |
Artificial Intelligence Supported Analysis of Anal Sphincter and Levator Ani Muscle Using Medical Imaging Techniques: A Systematic Review
2026-Jan, International urogynecology journal
IF:1.8Q3
DOI:10.1007/s00192-025-06385-7
PMID:41165777
|
系统综述 | 本文系统综述了人工智能在医学影像中分析肛管括约肌和耻骨直肠肌的应用 | 首次系统评估了该领域人工智能研究的报告质量，并识别了知识空白 | 纳入研究数量有限，且大多数模型尚未准备好广泛临床采用 | 评估人工智能在盆底成像中的应用及其报告质量 | 肛管括约肌和耻骨直肠肌相关的健康条件 | 医学影像分析 | 盆底疾病 | 超声和磁共振成像 | 深度学习 | 医学影像 | 40项研究 | NA | U-Net | 时间效率和临床可接受性 | NA |
| 4408 | 2026-02-06 |
Structural damage detection and safety assessment method based on machine vision and machine learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341653
PMID:41628152
|
研究论文 | 本研究提出了一种结合机器视觉与机器学习的结构损伤检测与安全评估新方法 | 提出了一种新颖的多尺度视觉框架，整合了深度学习和机器学习，实现了从粗粒度分类到细粒度分割的联合处理，并提取了七个可解释的损伤参数用于安全评估 | NA | 开发一种准确且可解释的结构安全评估方法 | 基础设施的结构损伤 | 计算机视觉, 机器学习 | NA | NA | CNN, Transformer | 高分辨率图像 | NA | NA | ResNet-50, SegFormer | 准确率, F1分数, AUC | NA |
| 4409 | 2026-02-06 |
Deep learning and dual-radiomics model incorporating brachytherapy applicator type to predict radiation-induced acute rectal injury in cervical cancer patients
2026-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.100908
PMID:41631005
|
研究论文 | 本研究开发了一个结合双放射组学与深度学习的模型，用于预测宫颈癌患者放疗后急性直肠损伤 | 首次将放射组学、剂量组学、深度学习特征及临床因素整合到列线图中，以预测宫颈癌放疗后的急性直肠损伤 | 研究为回顾性设计，样本量相对较小（200例），且仅来自两家医院，可能存在选择偏倚 | 提高宫颈癌患者放疗后急性直肠损伤的预测准确性 | 接受放疗的宫颈癌患者 | 数字病理学 | 宫颈癌 | CT成像 | CNN, XGBoost | 图像 | 200名宫颈癌患者（160例训练，40例内部验证，40例外部验证） | NA | ResNet_with_CBAM | AUC | NA |
| 4410 | 2026-02-06 |
Deep learning framework for RNA 5hmC prediction using RNA language model embeddings
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341649
PMID:41632767
|
研究论文 | 本研究提出了一种名为InTrans-RNA5hmC的双分支深度学习框架，用于预测RNA 5hmC修饰 | 结合了Inception分支和Transformer分支的双分支深度学习架构，并利用RNA语言模型RiNALMo的嵌入作为特征描述符 | 未明确说明模型的计算复杂度或对特定RNA序列类型的泛化能力 | 开发一种高效、准确的计算方法来预测RNA 5hmC修饰，以替代昂贵且耗时的实验方法 | RNA 5-羟甲基胞嘧啶（5hmC）修饰 | 自然语言处理 | 癌症 | RNA语言模型嵌入 | 深度学习 | 序列数据 | NA | NA | Inception, Transformer | 灵敏度, 平衡准确率, F1分数 | NA |
| 4411 | 2026-02-05 |
Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images
2026-Mar, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70088
PMID:41147717
|
研究论文 | 本文提出了一种结合Xception卷积神经网络、深度最大输出网络和分数阶微积分的混合模型，用于基于组织病理学图像的乳腺癌分类 | 开发了Xception卷积深度最大输出网络（Xcov-DMN），该网络融合了深度最大输出网络、分数阶微积分和Xception卷积神经网络，以解决高分辨率图像中关键特征提取的困难并减少过拟合 | 未明确说明模型在外部验证集上的泛化能力或计算效率的具体评估 | 提高乳腺癌分类的准确性和精确性，以支持及时检测和治疗 | 乳腺癌组织病理学图像 | 数字病理学 | 乳腺癌 | 组织病理学成像 | CNN | 图像 | NA | NA | Xception Convolutional Neural Network, Deep Maxout Network | 准确率, 真阴性率, 真阳性率 | NA |
| 4412 | 2026-02-05 |
Detection of Lymph Node Metastasis in Thyroid Cancer Using Deep Learning and Second Harmonic Generation Imaging
2026-Mar, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70082
PMID:41051062
|
研究论文 | 本研究提出了一种结合二次谐波成像与深度学习的自动化框架，用于甲状腺癌淋巴结转移的检测 | 首次将二次谐波成像技术与深度学习结合，构建了自动化的甲状腺癌淋巴结转移分类网络，并整合了病理信息与胶原特征 | 未提及外部验证集或临床前瞻性研究的应用，可能限制其泛化能力 | 开发一种自动化、定量的甲状腺癌淋巴结转移检测方法 | 甲状腺癌（特别是乳头状甲状腺癌）的淋巴结转移 | 数字病理 | 甲状腺癌 | 二次谐波成像 | 深度学习 | 图像 | NA | NA | Pyramid Vision Transformer v2, 多层感知机 | ROC曲线下面积 | NA |
| 4413 | 2026-02-05 |
Deep learning-based morphological analysis of human sperm
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03418-7
PMID:40897949
|
研究论文 | 本文提出了一种基于深度学习的联合学习模型，用于精子头部分割和形态分类预测，以动态获取多帧多角度图像来准确分析精子形态 | 通过深度学习跟踪检测系统动态获取多帧多角度精子图像，结合分割和分类任务进行端到端形态分析，优于传统3D重建和计算机辅助评估系统 | 未明确提及样本量、计算资源细节或模型架构的具体名称 | 开发一种基于深度学习的精子形态分析方法，以预测男性精液质量 | 人类精子 | 计算机视觉 | NA | 深度学习 | 多任务模型 | 图像 | NA | NA | NA | NA | 最小计算能力，利用大多数胚胎学实验室已有设备 |
| 4414 | 2026-02-05 |
A dual-branch encoder network based on squeeze-and-excitation UNet and transformer for 3D PET-CT image tumor segmentation
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03427-6
PMID:40911253
|
研究论文 | 本文提出了一种基于SE-UNet和Transformer的双分支编码器网络TASE-UNet，用于3D PET-CT图像的肿瘤自动分割 | 设计了结合SE-UNet和Transformer的双分支编码器，在跳跃连接中引入3D CBAM注意力模块，并采用BCE损失函数提升分割精度 | 仅在HECKTOR2022数据集上进行测试，未在其他多中心数据集验证泛化能力 | 实现PET-CT图像中肿瘤的自动精确分割 | 3D PET-CT医学图像中的肿瘤区域 | 数字病理学 | 肿瘤（未特指具体类型） | PET-CT影像技术 | 深度学习模型 | 3D医学图像（PET-CT融合影像） | HECKTOR2022数据集（具体样本数未说明） | 未明确说明 | SE-UNet, Transformer, 3D CBAM | DSC（戴斯系数）, HD95（豪斯多夫距离95百分位） | 未明确说明 |
| 4415 | 2026-02-05 |
Integrating CT image reconstruction, segmentation, and large language models for enhanced diagnostic insight
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03446-3
PMID:40993406
|
研究论文 | 本研究开发了一个整合CT图像重建、分割和大语言模型的四步医学图像分析框架，旨在提升图像质量并生成自动化文本描述以辅助诊断 | 提出一个将CT图像重建、预处理、分割和图像描述生成集成的端到端框架，并引入FuseCap模型为分割后的图像生成自动化文本描述，以辅助放射科医生 | 未明确说明框架在临床环境中的实际验证情况，以及自动化描述生成的准确性和临床实用性有待进一步评估 | 开发一个医学图像分析框架，以提升CT图像质量、减少重建时间，并通过自动化描述为医疗专家提供决策支持工具 | 骨盆CT图像 | 医学影像分析 | 癌症 | CT成像 | CNN | CT图像 | NA | NA | NA | 峰值信噪比, 归一化均方误差, 结构相似性指数 | NA |
| 4416 | 2026-02-05 |
Emerging trends and clinical challenges in AI-enhanced emotion diagnosis using physiological data
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03435-6
PMID:41026457
|
综述 | 本文综述了生理参数与情绪之间的关系，以及机器学习在情绪识别中的潜在价值、应用及挑战 | 将心率变异性（HRV）识别为情绪识别和生理参数分析的关键指标，并探讨了将其纳入模型以提升情绪管理精度的潜力 | 面临生理数据收集、隐私安全以及个体差异导致的个性化调整需求等多重挑战 | 探索生理参数与情绪之间的关联，并评估机器学习在情绪识别领域的应用价值与前景 | 心率、呼吸、血压、皮肤电反应、脑电图和心率变异性等生理参数，以及抑郁、焦虑、双相情感障碍和边缘型人格障碍等情绪障碍 | 机器学习 | 情绪障碍 | 机器学习，深度学习 | NA | 生理数据 | NA | NA | NA | NA | NA |
| 4417 | 2026-02-05 |
Deep learning-based high precision 3D ultrasound imaging for large size organ
2026-Jan, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03453-4
PMID:41075113
|
研究论文 | 本研究提出了一种基于深度学习的高精度三维超声成像方法，用于大型器官成像，通过改进标签策略和扫描轨迹规划来减少累积误差 | 提出了基于超声图像坐标系的标签策略以提高网络预测精度，并通过预规划扫描轨迹指导网络预测，显著降低了累积误差 | 未明确说明方法在其他组织或网络架构中的泛化能力验证细节 | 开发一种高精度的三维超声成像方法，以改善大型器官成像中的累积误差问题 | 健康志愿者和脊柱侧弯患者的脊柱 | 计算机视觉 | 脊柱侧弯 | 三维超声成像 | 深度学习网络 | 图像 | 健康志愿者和脊柱侧弯患者（具体数量未明确） | NA | NA | 预测精度，累积误差 | NA |
| 4418 | 2026-02-04 |
Performance Evaluation of a Commercial Deep Learning Software for Detecting Intracranial Hemorrhage in a Pediatric Population
2026-Feb-02, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01857-8
PMID:41629667
|
研究论文 | 本研究评估了一款基于成人数据训练的商业AI工具（Aidoc）在儿童颅内出血检测中的性能 | 首次在儿科人群中系统评估基于成人数据训练的商用深度学习软件对颅内出血的检测性能，揭示了儿科特异性特征对AI性能的影响 | 单中心回顾性研究，仅纳入6-17岁儿童，未包含婴幼儿群体，参考标准依赖放射科医师多数投票 | 评估商用AI工具在儿科颅内出血检测中的诊断性能 | 儿科患者（6-17岁）的头部CT影像 | 数字病理学 | 颅内出血 | CT影像分析，自然语言处理 | 深度学习 | 医学影像（CT），文本报告 | 2502名儿科患者 | Aidoc（商用软件） | NA | 灵敏度，特异度，准确度 | NA |
| 4419 | 2026-02-04 |
Artificial Intelligence-Driven Laser Capture Microdissection
2026, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-5154-4_14
PMID:41629719
|
研究论文 | 本文介绍了一种针对FFPE样本H&E染色切片优化的AI驱动激光捕获显微切割协议，旨在提升空间蛋白质组学的可扩展性和灵活性 | 开发了AI驱动的激光捕获显微切割协议，专门针对FFPE样本的H&E染色切片进行优化，提高了工作流程的可扩展性和临床适应性 | 当前工作流程缺乏可扩展性和灵活性，限制了在临床和转化环境中的广泛应用 | 优化激光捕获显微切割与质谱蛋白质组学结合的工作流程，以推进空间蛋白质组学的大规模应用 | 福尔马林固定石蜡包埋（FFPE）患者样本的H&E染色切片 | 数字病理学 | NA | 激光捕获显微切割, 质谱蛋白质组学, H&E染色 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 4420 | 2026-02-03 |
A dense recurrent unrolling network leveraging spatio-temporal priors for highly-accelerated dynamic MRI
2026-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110595
PMID:41397563
|
研究论文 | 本文提出了一种密集循环展开网络，利用时空先验知识来高度加速动态MRI重建 | 在稀疏先验更新模块中引入了双向循环卷积单元，通过循环聚合过去和未来帧的上下文信息来增强时间依赖性建模，并采用了中间特征传输而非仅单阶段输出的设计，以改善多阶段协作 | 未明确说明在极高加速因子（如24倍以上）下的性能极限或计算成本 | 提高动态MRI在高度欠采样条件下的重建准确性和时间保真度 | 动态MRI数据 | 计算机视觉 | NA | 动态磁共振成像 | 深度学习 | 图像 | NA | NA | 密集循环展开网络 | 重建准确性, 时间保真度 | NA |