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 7804 篇文献，本页显示第 4841 - 4860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4841 | 2026-03-05 |
Adnexal Lesion Discrimination Using Deep Learning Analysis of Dynamic Contrast-enhanced US Images
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240786
PMID:41190943
|
研究论文 | 本研究开发了一种基于动态对比增强超声图像的多模态深度学习模型（OCNet），用于对附件病变进行分类 | 首次开发了基于动态对比增强超声图像的多模态深度学习模型（OCNet），用于附件病变分类，其性能优于现有的O-RADS US和ADNEX模型，并能提升初级放射科医生的诊断能力 | 这是一项回顾性研究，数据来源于中国的14家医院，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证 | 开发并评估一种深度学习模型，以准确分类附件病变（良性或恶性） | 经病理证实的附件病变患者 | 数字病理 | 卵巢癌 | 动态对比增强超声 | 深度学习模型 | 图像 | 395名女性患者（252个良性病变，143个恶性病变），数据分为训练集（275例）、内部测试集（57例）和外部测试集（63例） | NA | OCNet | AUC, 特异性 | NA |
| 4842 | 2026-03-05 |
Economic Value of AI in Radiology: A Systematic Review
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250090
PMID:41258794
|
系统综述 | 本文对人工智能在放射学工作流程中的经济价值证据进行了系统性回顾和总结 | 首次对2010年至2024年间发表的、明确量化人工智能在放射学中经济成果的原始研究进行了系统性综述，并基于任务复杂性、检查量和实施模式等背景因素分析了AI经济价值的差异性 | 纳入研究数量较少（仅21项），且研究质量可能存在异质性；仅关注了明确量化经济成果的研究，可能排除了其他相关证据 | 总结人工智能在放射学工作流程中经济价值的证据 | 2010年至2024年间发表的、量化AI在放射学中经济成果的原始研究文章 | NA | NA | NA | 机器学习, 深度学习, 计算机辅助诊断, 自然语言处理 | NA | 从1879项初始搜索结果中筛选出21项研究 | NA | NA | 成本节约, 增量成本效益比, 准确性, 特异性 | NA |
| 4843 | 2026-03-05 |
Rethinking Privacy in Medical Imaging AI: From Metadata and Pixel-Level Identification Risks to Federated Learning and Synthetic Data Challenges
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250273
PMID:41295085
|
综述 | 本文探讨了医学影像AI中隐私保护的风险与挑战，重点关注元数据和像素级识别风险，并回顾了联邦学习和合成数据等隐私保护方法的局限性 | 强调了像素级图像信息（如强度值）可能被深度学习模型利用以揭示敏感患者数据，这一风险常被忽视，同时指出了联邦学习和合成数据方法在模型反转和推理攻击下的脆弱性 | 文章为综述性报告，未提出具体的新技术或解决方案，主要基于现有文献讨论风险与挑战，缺乏实证数据支持 | 分析医学影像AI中的隐私风险，并评估现有隐私保护方法的有效性及局限性 | 医学影像数据及其相关的元数据（如患者标识符、采集参数、机构详情） | 医学影像AI | NA | 深度学习 | NA | 医学影像数据 | NA | NA | NA | NA | NA |
| 4844 | 2026-03-05 |
Gastric Neoplasm Detection at Contrast-enhanced CT with Deep Learning
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250145
PMID:41295087
|
研究论文 | 开发并验证了一种名为GANDA的深度学习模型，用于在临床常规增强CT中自动检测、诊断和分割胃部肿瘤 | 提出了一种联合分割和分类的三维深度学习模型，并在多个内部、外部和真实世界测试队列中进行了验证，其诊断准确性显著高于经验丰富的放射科医生 | 研究为回顾性设计，模型在外部测试队列中的分割性能（Dice系数）仍有提升空间 | 开发一种自动化工具，用于在CT影像中检测和诊断胃部肿瘤 | 胃部肿瘤患者及对照人群 | 数字病理 | 胃癌 | 对比增强CT | 深度学习模型 | CT图像 | 共4606名患者（1683名用于模型开发，266名用于内部测试，2657名用于外部测试，7695名用于真实世界测试） | NA | 联合分割和分类的三维深度学习模型 | 敏感性, 特异性, 准确率, Dice系数, AUC | NA |
| 4845 | 2025-12-05 |
Rethinking Adnexal Mass Diagnosis with Dynamic Contrast-enhanced US and Deep Learning
2026-Jan, Radiology. Artificial intelligence
DOI:10.1148/ryai.250977
PMID:41335002
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4846 | 2026-03-05 |
Deep Learning for Coronary Stenosis Detection in Heavily Calcified Plaques at Coronary CT Angiography: A Stepwise, Multicenter Study
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250109
PMID:41405428
|
研究论文 | 本研究开发并验证了一个深度学习模型，用于在冠状动脉CT血管成像中自动评估伴有严重钙化斑块的血管狭窄 | 首次开发并验证了专门针对严重钙化斑块的冠状动脉狭窄自动检测深度学习模型，并进行了多中心、多阶段的外部验证和临床实用性评估 | 研究为回顾性设计，且模型性能在严重钙化场景下仍有提升空间（如患者水平的特异性为48%） | 开发并验证一个深度学习模型，以自动评估冠状动脉CT血管成像中伴有严重钙化斑块的血管狭窄 | 冠状动脉CT血管成像图像，特别是伴有严重钙化斑块的血管 | 计算机视觉 | 心血管疾病 | 冠状动脉CT血管成像 | 深度学习模型 | 医学影像 | 总计10,101例CCTA检查用于模型开发，442例用于外部测试集1，120例用于外部测试集2，150例用于外部测试集3 | NA | NA | 特异性，受试者工作特征曲线下面积，Kappa系数 | NA |
| 4847 | 2026-03-05 |
Artificial Intelligence and Big Data in Urological Oncology: From Radiomics to Real-World Evidence
2026-Jan, Archivos espanoles de urologia
IF:0.6Q4
|
综述 | 本文综述了人工智能和大数据在泌尿系统肿瘤学中的应用，涵盖从影像组学到真实世界证据的进展 | 整合了人工智能驱动的影像组学和深度学习模型在泌尿系统肿瘤诊断、预后评估及治疗个性化中的高精度应用，并展望了多中心标准化和联邦学习框架的未来方向 | 大多数研究依赖于回顾性或单中心数据集，外部验证有限，泛化能力存在担忧 | 探讨人工智能和大数据如何提升泌尿系统肿瘤（前列腺癌、膀胱癌、肾癌）的诊断精度、预后评估和治疗个性化 | 前列腺癌、膀胱癌和肾癌 | 计算机视觉, 自然语言处理, 机器学习 | 前列腺癌, 膀胱癌, 肾癌 | 磁共振成像, 计算机断层扫描, 正电子发射断层扫描, 组织病理学 | 深度学习模型 | 图像 | NA | NA | NA | AUC, 敏感性, 特异性, 准确率 | NA |
| 4848 | 2026-03-05 |
Real-time on-device weed identification using a hardware-efficient lightweight CNN
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1747863
PMID:41777389
|
研究论文 | 本文提出了一种名为TinyWeedNet的硬件高效轻量级卷积神经网络，用于精准农业中的实时设备端杂草识别 | 模型集成了多尺度特征提取、深度可分离倒置残差块和紧凑通道注意力机制，在保持最小计算足迹的同时增强了判别能力，专为低功耗现场设备设计 | 模型在公共DeepWeeds数据集上进行评估，可能未涵盖所有田间杂草种类或环境条件，且部署依赖于特定微控制器（STM32H7）和TinyML工作流 | 开发一种适用于资源受限农业平台的实时、低功耗杂草识别系统，以支持自主农业系统 | 杂草图像，来自公共DeepWeeds数据集 | 计算机视觉 | NA | 图像识别 | CNN | 图像 | 基于公共DeepWeeds数据集，具体样本数量未在摘要中明确说明 | TinyML | TinyWeedNet（集成多尺度特征提取、深度可分离倒置残差块、紧凑通道注意力） | 分类准确率 | STM32H7微控制器，通过TinyML工作流实现嵌入式执行 |
| 4849 | 2026-03-05 |
CG-RecNet: a gated and attention-fused deep learning framework for label-free classification of neural stem cell differentiation via imaging flow cytometry
2026, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2026.1767574
PMID:41777601
|
研究论文 | 提出了一种名为CG-RecNet的深度学习框架，用于通过成像流式细胞术对神经干细胞分化进行无标记分类 | 整合了LinAngular跨通道注意力融合模块以捕获全局形态依赖性，并采用门控卷积神经网络块来抑制背景噪声，实现了对少数类（如少突胶质细胞）的高精度识别而无需合成过采样 | 研究基于大鼠胚胎神经干细胞进行验证，尚未在其他物种或更广泛的细胞类型中进行测试 | 开发一种准确、无标记的方法，用于纵向监测神经干细胞分化，以推动再生医学发展 | 大鼠胚胎神经干细胞及其分化谱系（神经元、星形胶质细胞和少突胶质细胞） | 计算机视觉 | NA | 成像流式细胞术 | CNN | 图像 | NA | NA | GatedCNN, LinAngular-XCA Fusion Module | 准确率, 宏平均AUC | NA |
| 4850 | 2026-03-05 |
Prospective applications of artificial intelligence for the diagnosis of oral leukoplakia: a scoping review
2026, Frontiers in oral health
IF:3.0Q1
DOI:10.3389/froh.2026.1760177
PMID:41777604
|
综述 | 本文是一篇范围综述，调查了人工智能在口腔白斑临床和病理诊断中的应用现状 | 首次对人工智能在口腔白斑诊断中的应用证据进行了全面的范围综述，涵盖了从光谱学到深度学习的技术演变 | 现有证据仍处于初步阶段，需要标准化报告、更全面的数据集纳入以及多中心大样本验证以确保普适性 | 调查人工智能在口腔白斑诊断中的应用现状与潜力 | 口腔白斑 | 数字病理学 | 口腔白斑 | 光谱学，深度学习图像分析 | 深度学习模型 | 临床图像，组织病理学图像 | 10项研究 | NA | NA | 灵敏度，特异性，准确率 | NA |
| 4851 | 2026-03-05 |
MedCSS: a causal self-supervised approach for hierarchical feature consistency in 3D medical imaging
2026, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2026.1739716
PMID:41777736
|
研究论文 | 本文提出了一种名为MedCSS的层次特征一致性框架，结合因果自监督学习，用于三维医学图像分析 | 通过分布一致性对齐中间和高级特征，并引入基于编码率的因果正则化来抑制非因果冗余，增强了特征稳定性和边界敏感性 | NA | 解决传统深度学习模型在医学图像分析中依赖统计相关性而非生成结构建模的问题，提升小样本和跨域场景下的鲁棒性 | 三维医学图像 | 计算机视觉 | NA | NA | CNN | 三维图像 | NA | NA | 3D ResNet | NA | NA |
| 4852 | 2026-03-03 |
Deep-learning based adaptive fusion of CC and MLO views for improved mammographic cancer diagnosis
2026-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2026.103827
PMID:41768877
|
研究论文 | 本文提出了一种名为MammoFusion-Net的双分支深度学习框架，用于基于乳腺X线摄影的乳腺癌分类，通过自适应融合CC和MLO视图以提升诊断性能 | 引入了Gated Cross-View Fusion机制自适应整合多视图特征，并利用残差卷积流独立处理CC和MLO视图以保留视图特异性解剖信息 | NA | 改进基于乳腺X线摄影的乳腺癌分类性能，解决视图间特征不一致、诊断细节丢失和可解释性有限等挑战 | 乳腺X线摄影图像（CC和MLO视图） | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | VinDr-Mammo数据集和INBreast数据集（具体样本数量未提供） | NA | ResNet | 准确率 | NA |
| 4853 | 2026-03-03 |
Deep learning of committor for ion dissociation and interpretable analysis of solvent effects using atom-centered symmetry functions
2026-Mar-07, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0315825
PMID:41769876
|
研究论文 | 本研究利用深度学习识别水中NaCl离子对结合与解离的反应坐标，并通过可解释人工智能技术分析溶剂效应 | 采用基于原子中心对称函数的描述符编码离子周围溶剂环境，并应用SHAP分析识别对反应坐标有贡献的ACSFs，为离子解离机制提供分子层面解释 | 未明确说明模型泛化能力或对其他离子体系的适用性 | 识别水中离子对结合与解离过程的反应坐标，并分析溶剂效应 | 水中的NaCl离子对 | 机器学习 | NA | 分子动力学模拟，原子中心对称函数 | 神经网络 | 分子模拟数据 | NA | NA | NA | committor作为反应坐标的定量度量 | NA |
| 4854 | 2026-03-03 |
A Deep Learning Framework Integrating Tumor Microenvironmental Features Accurately Predicts Multiple Driver Gene Mutations in Lung Cancer Pathology Images
2026-Mar-02, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-0582
PMID:41289566
|
研究论文 | 本文提出了一种名为NAVF-Bio的深度学习框架，通过整合肿瘤微环境特征，从肺癌病理图像中准确预测多种驱动基因突变 | 开发了基于多实例学习的自适应多视图特征融合框架，能够整合全切片图像中的肿瘤微环境特征，不仅预测驱动基因突变，还能识别突变亚型和外显子变异，超越了现有方法仅进行突变水平预测的限制 | 研究主要基于中国四家医院的数据，可能限制了模型在其他人群或地区的泛化能力；未详细讨论模型在临床实际部署中的具体挑战 | 开发一个深度学习框架，从常规组织病理学切片中预测肺癌的驱动基因突变，以指导靶向治疗选择 | 肺癌患者的病理图像和下一代测序数据 | 数字病理学 | 肺癌 | 下一代测序 | 多实例学习 | 图像 | 来自中国四家医院的2,573名肺癌患者 | NA | NAVF-Bio | NA | NA |
| 4855 | 2026-03-03 |
Domain adaptation for low-dose CT denoising via pretraining and self-supervised fine-tuning
2026-Mar-02, Journal of X-ray science and technology
IF:1.7Q3
DOI:10.1177/08953996261419893
PMID:41769819
|
研究论文 | 本文提出了一种基于预训练和自监督微调的低剂量CT去噪领域自适应方法 | 提出了一种无需目标域标签的自监督微调方法，通过像素洗牌图像预处理和两阶段微调策略来弥合领域差距，并设计了双尺度SwinIR模型作为预训练骨干网络 | 未明确说明方法在更广泛或临床数据集上的泛化能力，以及计算效率的详细评估 | 开发一种有效的领域自适应技术，以提升低剂量CT去噪模型在跨域数据集上的性能 | 低剂量CT图像 | 计算机视觉 | NA | 低剂量CT成像 | 深度学习模型 | 图像 | 基于两个公共数据集进行评估，具体样本数量未明确说明 | PyTorch（基于代码仓库推断） | SwinIR | 去噪性能指标（如PSNR、SSIM等，具体未列出） | NA |
| 4856 | 2026-03-03 |
Assessment of deep learning reconstruction effects on detection and differentiation of liver metastasis from hepatic hemangioma in diffusion-weighted imaging
2026-Mar, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01904-4
PMID:41196555
|
研究论文 | 评估并比较了使用压缩感知的扩散加权成像与结合模型深度学习重建的扩散加权成像在检测和区分肝转移瘤与肝血管瘤方面的性能 | 首次将模型深度学习重建应用于腹部扩散加权成像，以评估其在肝转移瘤与血管瘤检测和区分中的效果 | 研究为回顾性分析，样本量较小（53名患者），且未在独立外部数据集上验证 | 评估深度学习重建对腹部扩散加权成像在肝转移瘤与血管瘤检测和区分中图像质量和诊断性能的影响 | 肝转移瘤和肝血管瘤患者 | 数字病理 | 肝转移瘤, 肝血管瘤 | 扩散加权成像, 压缩感知, 深度学习重建 | 深度学习模型 | 医学影像（扩散加权成像） | 53名患者（34名男性，19名女性，平均年龄65.9岁），包括59个转移瘤和33个血管瘤 | NA | NA | 信号噪声比, 对比噪声比, 表观扩散系数, 受试者工作特征曲线下面积, 敏感性, 特异性 | NA |
| 4857 | 2026-03-03 |
Artificial Intelligence in Cardiovascular MRI: From Imaging to Biomechanics and Diagnosis
2026-Mar-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000864
PMID:41321165
|
综述 | 本文综述了人工智能（特别是深度学习）如何重塑心血管磁共振成像的各个方面，从规划、采集到重建、分析和临床报告生成 | 全面概述了深度学习在心血管MRI全流程（从采集到诊断）中的应用进展，并强调了其在提升效率、图像质量和自动化分析方面的潜力 | NA | 探讨人工智能在心血管磁共振成像中的应用及其对临床实践的变革 | 心血管磁共振成像技术及其相关数据处理流程 | 医学影像分析 | 心血管疾病 | 磁共振成像 | 深度学习 | 医学影像数据 | NA | NA | NA | NA | NA |
| 4858 | 2026-03-03 |
Transformer-based classification and interpretability of NR3C1 expression patterns in OSCC: Metabolic adaptation insights
2026 Mar-Apr, Journal of oral biology and craniofacial research
DOI:10.1016/j.jobcr.2026.101427
PMID:41768316
|
研究论文 | 本研究评估了四种基于Transformer的模型在NR3C1蛋白序列分类中的性能，并与深度学习和传统机器学习方法进行比较 | 首次将Transformer模型（如RoBERTa、ALBERT）应用于NR3C1蛋白序列分类，并展示了其在准确性和参数效率上的优势 | 研究仅基于5个UniProt序列的小样本数据集，可能限制模型的泛化能力 | 评估Transformer模型在蛋白序列分类任务中的性能，并探索其在口腔鳞状细胞癌（OSCC）相关蛋白NR3C1表达模式分类中的应用 | NR3C1蛋白的肽序列 | 自然语言处理 | 口腔鳞状细胞癌 | 蛋白序列分析 | Transformer, 深度学习模型, 传统机器学习分类器 | 蛋白序列（文本） | 5个UniProt序列，分为中等长度（200-500 aa）和长序列（>500 aa）两类 | NA | BERT, RoBERTa, DistilBERT, ALBERT | F1分数 | NA |
| 4859 | 2026-03-03 |
Signature-aware deep learning reveals distinct driver gene programs and mutational processes in glioblastoma and colon adenocarcinoma
2026-Feb-26, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究提出了一种名为ResMLP-GL的签名感知残差多层感知器，用于变异级别的癌症驱动基因预测，并在胶质母细胞瘤和结肠腺癌中揭示了不同的驱动基因程序和突变过程 | 首次将COSMIC SBS上下文概率向量与功能及序列特征明确整合，并设计了包含投影残差块和特征门控模块的网络架构，以增强梯度流并促进过程感知表征学习 | 模型主要基于TCGA和ICGC的胶质母细胞瘤与结肠腺癌外显子组数据训练和验证，在其他癌症类型或数据模态上的泛化能力有待进一步评估 | 精确识别癌症驱动突变，以支持精准肿瘤学研究 | 胶质母细胞瘤和结肠腺癌的体细胞突变 | 机器学习 | 胶质母细胞瘤, 结肠腺癌 | 外显子组测序 | 多层感知器 | 基因组变异数据, 功能评分, 序列特征 | TCGA GBM/COAD外显子组数据（训练/测试）及独立ICGC队列（验证） | PyTorch | ResMLP-GL（签名感知残差多层感知器） | AUC | NA |
| 4860 | 2026-02-26 |
Correction: Deep learning-based image enhancement for improved black blood imaging in brain metastasis
2026-Feb-24, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12348-3
PMID:41733645
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |