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 4881 - 4900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4881 | 2026-01-25 |
Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET/CT
2026-Jan, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07463-0
PMID:40810801
|
研究论文 | 本研究开发并验证了基于[18F]FDG PET/CT的深度学习模型，用于预测食管癌患者的PD-L1状态，并评估了模型评分在免疫治疗生存分层中的潜力 | 首次利用[18F]FDG PET/CT结合深度学习（3D ResNet10）非侵入性预测食管癌PD-L1状态，并证明模型评分能有效进行免疫治疗生存分层，优于传统PD-L1评分方法 | 回顾性研究设计，样本量有限（331例患者），且仅50例患者接受免疫治疗随访，需更大规模前瞻性研究验证 | 开发非侵入性方法预测食管癌PD-L1状态，并探索其在免疫治疗生存分层中的应用 | 食管癌患者 | 数字病理学 | 食管癌 | [18F]FDG PET/CT成像 | 深度学习 | 医学影像（PET/CT扫描） | 331例食管癌患者（来自两个中心），其中50例接受免疫治疗随访 | NA | 3D ResNet10 | AUC, 总体生存期, 无进展生存期 | NA |
| 4882 | 2026-01-25 |
Comprehensive analysis of [18F]MFBG biodistribution normal patterns and variability in pediatric patients with neuroblastoma
2026-Jan, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07490-x
PMID:40815390
|
研究论文 | 本研究系统描述了[18F]MFBG在儿童神经母细胞瘤患者中的生理分布和变异性，为临床图像解读提供参考 | 首次在儿童患者中系统量化[18F]MFBG的生理分布模式，并利用深度学习方法进行自动分割分析 | 研究为回顾性分析，样本量有限（169例），且主要针对儿童神经母细胞瘤患者，结果可能不适用于其他人群或肿瘤类型 | 增强[18F]MFBG PET/CT在儿童神经母细胞瘤中的临床解读准确性，区分正常生理摄取与病理摄取 | 儿童神经母细胞瘤患者 | 数字病理学 | 神经母细胞瘤 | [18F]MFBG PET/CT成像 | 深度学习 | PET/CT图像 | 169例儿童神经母细胞瘤患者（包括20例确认缓解者） | NA | NA | SUVmax, SUVmean | NA |
| 4883 | 2026-01-25 |
Accelerated magnetic resonance imaging of hippocampal sclerosis in pediatric patients with deep learning-based reconstruction: comparison of image quality and diagnostic performance with conventional reconstruction
2026-Jan, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06419-8
PMID:41081829
|
研究论文 | 本研究比较了深度学习重建与常规重建在加速磁共振成像中，对儿童海马硬化患者的图像质量和诊断性能的影响 | 首次在儿童海马硬化患者中评估深度学习重建加速MRI序列，实现了44%的扫描时间减少，同时保持相似的图像质量和诊断性能 | 研究样本量有限（68例），且仅针对特定疾病（海马硬化）和患者群体（儿童），结果可能无法推广到其他疾病或成人患者 | 比较常规重建MRI与加速序列（含/不含深度学习重建）在儿童海马硬化患者中的图像质量和诊断性能 | 68名确诊或疑似患有颞叶癫痫伴海马硬化的儿童患者 | 数字病理学 | 海马硬化 | 磁共振成像 | 深度学习模型 | 医学图像 | 68名儿童患者 | NA | NA | 图像质量评分、信噪比、Cohen's kappa | NA |
| 4884 | 2026-01-25 |
Unravelling the Connection Between Reduced Mobility and Mild Cognitive Impairment in Chronic Pain Patients Through Cluster Analysis
2026, Advances in experimental medicine and biology
DOI:10.1007/978-3-032-10389-5_24
PMID:41577919
|
研究论文 | 本研究通过深度学习分析慢性疼痛患者的血液数据，评估其轻度认知障碍风险，并结合聚类分析揭示活动能力下降与认知障碍之间的关联 | 首次将深度学习应用于基于常规血液检测数据估计慢性疼痛患者的轻度认知障碍风险，并通过聚类分析识别出活动能力下降是认知障碍的关键风险因素 | 研究样本仅限于日本疼痛治疗机构的门诊患者，可能无法推广到其他人群；血液检测数据可能受多种混杂因素影响 | 评估慢性疼痛患者中轻度认知障碍的风险，并探讨其与系统性代谢紊乱及活动能力下降的关联 | 门诊疼痛患者（疼痛组）和无疼痛对照患者（非疼痛对照组） | 机器学习 | 老年疾病 | 深度学习, 主成分分析, 聚类分析 | 深度学习模型 | 血液检测数据, 评估量表数据 | 未明确指定样本数量，但涉及疼痛组和对照组患者 | NA | NA | 估计的MMSE分数, 欧几里得距离 | NA |
| 4885 | 2026-01-24 |
Multi-scale feature enhancement in multi-task learning for medical image analysis
2026-Mar, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103338
PMID:41475079
|
研究论文 | 本文提出了一种基于UNet的多任务学习模型，通过集成ResFormer块和多尺度特征增强技术，同时提升医学图像分割和分类的性能 | 引入ResFormer块结合卷积局部上下文与Transformer长程依赖，并设计扩张特征增强模块以捕获多尺度信息，优化多任务学习中的特征表示 | 未明确讨论模型在计算资源受限环境下的适用性，且实验数据集的多样性和规模可能影响泛化能力 | 通过多任务学习提升医学图像分析中分割和分类任务的性能 | 医学图像数据集 | 计算机视觉 | NA | 深度学习 | CNN, Transformer | 图像 | 多个医学数据集 | PyTorch | UNet, ResFormer | 准确率, Dice系数 | NA |
| 4886 | 2026-01-24 |
UniStain: A unified and organ-aware virtual H&E staining framework for label-free autofluorescence images
2026-Mar, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103335
PMID:41478227
|
研究论文 | 本文提出了一种名为UniStain的统一、器官感知的虚拟H&E染色框架，利用无标记自发荧光图像和基于提示的深度学习技术，以克服传统化学染色的局限性 | 提出了首个支持多组织染色的单一模型框架，引入了跨块自注意力引导机制以保持全玻片图像的风格一致性并消除拼接伪影，并发布了首个多器官AF/H&E数据集 | 未明确提及 | 开发一种无需化学染料的虚拟H&E染色方法，以替代传统耗时、有批次差异且涉及有害试剂处理的染色流程 | 人体组织样本的无标记自发荧光图像 | 数字病理学 | 癌症 | 无标记自发荧光成像 | 深度学习 | 图像 | 未明确提及具体数量，但涉及多器官人体组织样本 | 未明确提及 | 未明确提及 | 图像质量指标，视觉图灵测试 | 未明确提及 |
| 4887 | 2026-01-24 |
Tackling data scarcity: Synthetic tumour and mask generation to improve image segmentation
2026-Mar, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103348
PMID:41494363
|
研究论文 | 本文提出了一种基于扩散模型的新方法，用于在真实MRI体积中生成视觉上可信的3D合成肝脏肿瘤及其对应掩模，以解决医学图像分割中的数据稀缺问题 | 利用扩散模型进行肿瘤合成，结合单纯形变形生成对应掩模，成功在真实MRI中植入1000个合成肿瘤，显著提升了图像分割性能 | NA | 解决深度学习模型在医学成像中数据需求增加与数据稀缺之间的矛盾，通过合成数据提升图像分割性能 | MRI图像中的肝脏肿瘤 | 数字病理学 | 肝癌 | 扩散模型, 单纯形变形 | 扩散模型 | 3D MRI图像 | 1000个合成肿瘤 | NA | 扩散模型 | Dice系数 | NA |
| 4888 | 2026-01-24 |
Smiling difficulties in Alzheimer's disease linked to reduced nucleus accumbens and pallidum brain volume: Deep learning insights
2026-Mar, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103347
PMID:41506061
|
研究论文 | 本研究利用深度学习技术量化阿尔茨海默病患者微笑困难，并发现其与大脑伏隔核和苍白球体积减小相关 | 首次使用图像分类AI自动量化痴呆患者面部表情，揭示微笑能力与特定脑区体积的关联 | 未提及样本量限制或方法学局限性 | 探究阿尔茨海默病患者面部表情障碍的神经机制 | 阿尔茨海默病患者与正常认知参与者 | 计算机视觉 | 阿尔茨海默病 | 深度学习图像分类 | CNN | 面部图像 | NA | NA | NA | 准确率 | NA |
| 4889 | 2026-01-24 |
Early diagnosis of Alzheimer's disease based on brain morphological changes: A comprehensive approach combining voxel-based morphometry and deep learning
2026-Mar, Neuroimage. Reports
DOI:10.1016/j.ynirp.2025.100315
PMID:41561144
|
研究论文 | 本文提出了一种结合基于体素的形态测量学和深度学习的综合方法，用于基于脑形态变化早期诊断阿尔茨海默病 | 将生物学驱动的特征整合到基于体素的形态测量学和深度学习中，而非仅依赖CNN和FCN进行特征提取，以增强神经影像数据的可解释性 | 未明确说明模型在独立数据集上的泛化能力或临床验证的详细结果 | 分析T1加权MRI和T2-Flair图像，研究轻度认知障碍患者的灰质、白质、脑脊液和白质高信号特征，以早期诊断阿尔茨海默病 | 轻度认知障碍患者的脑部MRI扫描图像 | 数字病理学 | 阿尔茨海默病 | T1加权MRI, T2-Flair成像 | CNN, FCN | 图像 | NA | NA | NA | NA | NA |
| 4890 | 2026-01-24 |
The role of artificial intelligence in advancing urologic care: From diagnostics to therapeutics
2026-Mar, Surgery in practice and science
IF:0.6Q4
DOI:10.1016/j.sipas.2025.100322
PMID:41561314
|
综述 | 本文综述了人工智能在泌尿外科从诊断到治疗中的应用，包括癌症和良性疾病的个体化护理 | 总结了人工智能在泌尿外科多疾病领域的应用潜力，并强调了未来跨学科合作、数据标准化和伦理实施的方向 | 数据异质性、模型可解释性、伦理问题及缺乏前瞻性验证限制了其日常实践应用 | 探讨人工智能在泌尿外科护理中的角色，从诊断到治疗，并定义未来发展方向 | 泌尿系统疾病，包括前列腺癌、膀胱癌、肾癌、良性前列腺增生、尿石症及功能性泌尿疾病（包括儿科） | 机器学习 | 前列腺癌 | 机器学习，深度学习，影像组学 | NA | NA | NA | NA | NA | NA | NA |
| 4891 | 2026-01-24 |
Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3587003
PMID:40627470
|
研究论文 | 本文提出了一种基于置信度驱动的深度学习框架，用于早期膝关节骨关节炎的检测，旨在区分KL-0和KL-2阶段 | 该框架采用Siamese网络结构，结合了新颖的多层次特征提取架构和混合损失策略，通过全局平均池化层从不同网络深度提取特征，并使用针对高、中、低置信度样本的定制损失函数来提高模型鲁棒性和处理标注不确定性 | NA | 开发一个辅助诊断工具，以增强早期膝关节骨关节炎的检测并减少临床工作量 | 膝关节骨关节炎患者，特别是KL-0和KL-2阶段的区分 | 数字病理学 | 老年疾病 | NA | Siamese网络 | 图像 | 基于骨关节炎倡议数据集 | NA | Siamese网络 | 准确率, 灵敏度, 特异性, Cohen's kappa, McNemar's test | NA |
| 4892 | 2026-01-24 |
AI-Driven Smart Sportswear for Real-Time Fitness Monitoring Using Textile Strain Sensors
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3588051
PMID:40658556
|
研究论文 | 本文提出了一种集成石墨烯应变传感器与深度学习框架的智能运动服系统，用于实时监测和分类运动执行质量 | 首次将屏幕印刷的石墨烯应变传感器与1D ResNet-18深度学习模型结合，实现了对呼吸-力量协调和肌肉激活对称性的无创同步监测 | 研究仅针对六种运动条件进行验证，样本多样性和运动类型覆盖范围有待扩展 | 开发用于实时健身监测和运动质量评估的AI驱动智能运动服系统 | 运动执行过程中的生理与生物力学参数 | 机器学习 | NA | 屏幕印刷石墨烯传感器技术 | CNN | 传感器时序数据 | 未明确说明具体样本数量，但涉及六种运动条件 | 未明确说明 | 1D ResNet-18 | 分类准确率 | 未明确说明 |
| 4893 | 2026-01-24 |
The Second Skin: A Wearable Sensor Suite That Enables Real-Time Human Biomechanics Tracking Through Deep Learning
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3589996
PMID:40668712
|
研究论文 | 本研究开发了一种名为'第二皮肤'的可穿戴传感器套装，结合深度学习模型，实现了对人体下肢关节运动学和动力学的实时精确估计 | 提出了一种任务无关、用户无关的通用传感方法，利用IMU和压力鞋垫套装收集数据，并通过深度学习模型实现对新用户和新任务的泛化能力 | 研究样本量较小（N=10），且任务范围主要限于建筑和危险废物清理场景，可能限制了模型的广泛适用性 | 研究一种能够实时精确估计人体下肢关节状态的方法，以推动生物力学研究并应用于生物反馈和可穿戴机器人控制 | 人体下肢关节（下背部、髋关节、膝关节、踝关节）的运动学和动力学参数 | 机器学习 | NA | 惯性测量单元（IMU）、压力鞋垫传感 | 深度学习模型 | 传感器数据（IMU和压力数据） | 10名参与者，涵盖33种常见任务 | NA | NA | 均方根误差（RMSE） | NA |
| 4894 | 2026-01-24 |
BDEC: Brain Deep Embedded Clustering Model for Resting State fMRI Group-Level Parcellation of the Human Cerebral Cortex
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3590258
PMID:40674200
|
研究论文 | 本文提出了一种基于深度学习的静息态功能磁共振成像（rs-fMRI）的群体水平大脑分区方法，旨在减少先前方法的模型假设 | 开发了Brain Deep Embedded Clustering（BDEC）模型，采用专门设计的损失函数以最大化类间分离和增强类内相似性，从而促进功能一致的大脑区域形成 | NA | 开发一种稳健的群体水平大脑分区方法，用于大脑网络分析和rs-fMRI数据的降维 | 人类大脑皮层 | 机器学习 | NA | 静息态功能磁共振成像（rs-fMRI） | 深度聚类模型 | 图像（rs-fMRI数据） | NA | NA | Brain Deep Embedded Clustering（BDEC） | 功能同质性指标、分区有效性、下游任务表现、任务异质性、泛化能力 | NA |
| 4895 | 2025-09-15 |
A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images
2026-Feb, Journal of the American Academy of Dermatology
IF:12.8Q1
DOI:10.1016/j.jaad.2025.09.010
PMID:40945744
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4896 | 2026-01-24 |
Deep Learning Denoising Algorithm for Improved Assessment of Coronary Arteries in Transcatheter Aortic Valve Implantation CT Imaging
2026-Feb, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.10.030
PMID:41206269
|
研究论文 | 本研究评估了一种基于深度学习的降噪算法在经导管主动脉瓣植入术前CT成像中，对冠状动脉图像质量和诊断准确性的影响 | 应用深度学习降噪技术于TAVI术前CT成像，显著提升了冠状动脉评估的图像质量，同时保持了诊断准确性 | 研究为回顾性设计，且未明确说明深度学习算法的具体架构或训练细节 | 评估深度学习降噪技术对TAVI术前CT冠状动脉图像质量及诊断准确性的影响 | 200名患有严重主动脉瓣狭窄并接受TAVI术前CT扫描的患者 | 医学影像分析 | 心血管疾病 | CT成像 | 深度学习降噪算法 | CT图像 | 200名患者，共分析800条血管和1787个节段 | NA | NA | 信噪比, 对比噪声比, 噪声水平, AUC, 准确率, 灵敏度, 特异性 | NA |
| 4897 | 2026-01-24 |
Deep Learning in Vertebral Fracture Detection: Systematic Review and Meta-analysis of Subject- vs. Vertebra-Level Approaches
2026-Feb, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.11.023
PMID:41353070
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了深度学习在椎体骨折检测中主体层面与椎骨层面方法的性能差异 | 首次在椎体骨折检测领域区分主体层面与椎骨层面深度学习方法的性能，并量化关键技术和数据因素对模型表现的影响 | 纳入研究的方法学质量存在差异，61%的研究存在患者选择偏倚的高风险，且外部验证会降低敏感性 | 评估深度学习算法在椎体骨折检测中的性能，为临床任务选择提供证据指导 | 椎体骨折检测的深度学习算法 | 医学影像分析 | 椎体骨折 | 深度学习 | 深度学习模型 | 图像 | 36项研究，涉及96,956名患者和171,552张图像 | NA | NA | 敏感性, 特异性, AUC | NA |
| 4898 | 2026-01-24 |
Deep Laplacian Coordinates: End-to-end deeply guided anisotropic diffusion for COVID-19 pulmonary lesion segmentation
2026-Feb-01, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111431
PMID:41483693
|
研究论文 | 本文提出了一种名为Deep Laplacian Coordinates Neural Network (DLCNN)的新框架，用于COVID-19肺部病变分割，通过结合深度边界检测、各向异性扩散和种子驱动标注来解决数据稀缺和病变外观多样性的挑战 | 整合深度边界学习与种子驱动各向异性扩散模型，利用拉普拉斯坐标扩散器实现全局最优、鲁棒边界描绘和方向自适应扩散，在边界模糊情况下仍能准确捕获病变 | 未明确提及具体的数据集规模或计算资源限制，可能依赖于标注数据的可用性 | 开发一种灵活且准确的肺部病变分割方法，以应对COVID-19相关病变的多样性和低对比度挑战 | COVID-19引起的肺部病变在计算机断层扫描(CT)图像中的分割 | 计算机视觉 | COVID-19 | 深度边界检测、各向异性扩散、种子驱动标注 | 深度神经网络 | 图像 | NA | NA | Deep Laplacian Coordinates Neural Network (DLCNN) | 定量和定性分析 | NA |
| 4899 | 2026-01-24 |
Coronary artery segmentation in non-contrast calcium scoring CT images using deep learning
2026-Feb-01, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111421
PMID:41483696
|
研究论文 | 本文提出了一种基于深度学习的算法，用于在多厂商ECG门控非对比心脏CT图像中分割冠状动脉 | 提出了一种用于非对比钙化评分CT图像中冠状动脉分割的深度学习算法，并引入了一种通过图像配准进行半自动生成Ground Truth的新框架 | 研究主要基于多厂商ECG门控非对比心脏CT图像，可能在其他类型的非对比CT图像上泛化能力有限 | 解决非对比CT图像中冠状动脉精确分割的研究空白，提高钙化评分和心脏病理评估的准确性 | 冠状动脉 | 数字病理学 | 心血管疾病 | CT成像 | 深度学习模型 | 医学图像（CT扫描） | NA | AutoML | NA | Dice系数, clDice | NA |
| 4900 | 2026-01-24 |
Reliable leukemia detection via transfer-enhanced Bayesian CNNs
2026-Feb-01, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111419
PMID:41485393
|
研究论文 | 本研究提出了一种结合迁移学习、数据增强和不确定性量化的贝叶斯深度学习框架，用于从外周血涂片图像中稳健分类白血病和健康淋巴细胞 | 将迁移学习、数据增强与蒙特卡洛丢弃法结合的贝叶斯深度学习框架，用于白血病检测，并引入不确定性分析以识别需专家复核的病例 | 仅使用ALL-IDB2数据集，数据量有限；InceptionV3模型对数据增强的敏感性较低，鲁棒性相对较差 | 开发可靠的白血病检测深度学习模型，提高临床环境中的预测可信度 | 急性淋巴细胞白血病（ALL）和健康淋巴细胞的外周血涂片图像 | 数字病理学 | 白血病 | 图像分析 | CNN | 图像 | ALL-IDB2数据集（具体样本数未明确说明） | TensorFlow, PyTorch, Keras（未明确指定，但基于常用框架推断） | InceptionV3, VGG16, ResNet50 | 准确率, 灵敏度, 特异度, Youden指数, Brier分数 | NA |