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 12231 篇文献，本页显示第 5541 - 5560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5541 | 2026-06-17 |
Pathology-Anchored Transcranial Sonography: A Cascaded Super-Resolution Deep Learning System for Early-Stage Parkinson's Disease Grading
2026-Apr-11, NPJ Parkinson's disease
DOI:10.1038/s41531-026-01348-1
PMID:41965365
|
研究论文 | 该研究提出一种结合非侵入性经颅超声成像和深度学习的新方法，用于帕金森病的早期诊断和分级 | 创新性地将级联超分辨率重建技术（WDSR与传统插值方法）与ResNet18模型结合，建立了TCS影像特征与病理损伤程度之间的定量关系 | NA | 实现帕金森病的早期准确诊断和分级 | 6-羟基多巴胺诱导的帕金森病大鼠模型 | 计算机视觉, 数字病理学 | 帕金森病 | 经颅超声成像, 组织学检查 | CNN | 图像 | NA | PyTorch | WDSR, ResNet18 | 峰值信噪比, 结构相似性指数, 诊断准确率 | NA |
| 5542 | 2026-06-17 |
Artificial intelligence in ACL injury prediction and prevention: a systematic review
2026-Apr-07, Journal of orthopaedic surgery and research
IF:2.8Q1
DOI:10.1186/s13018-026-06825-0
PMID:41947211
|
系统综述 | 评估人工智能在前交叉韧带损伤预测与预防中的应用 | 首次系统综述人工智能在ACL损伤预测与预防中的应用，涵盖技术、性能指标、运动环境和干预效果 | 样本量小、方法异质性高、实际应用障碍（如设备成本）限制了临床推广 | 评估人工智能在ACL损伤预测与预防中的应用效果 | 前交叉韧带损伤预测与预防相关研究 | 机器学习 | 前交叉韧带损伤 | NA | 机器学习（支持向量机、随机森林）；深度学习（卷积神经网络） | 生物力学参数；视频运动角度 | 七项研究，5-880名参与者，年龄13-22.8岁 | NA | NA | 准确率、AUC、R² | NA |
| 5543 | 2026-06-17 |
Real-world unified denoising for multi-organ fast MRI: a large-scale prospective validation
2026-Mar-19, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02548-y
PMID:41857225
|
research paper | 提出一种统一的深度学习去噪模型，用于多器官加速MRI，并在大规模真实世界数据上验证其有效性 | 首次在大规模前瞻性收集的真实世界数据上训练多器官MRI去噪模型，涵盖六个临床中心和四种主要MRI供应商，模型可直接处理商用MRI系统的重建图像 | NA | 开发并验证一种统一的深度学习去噪模型，以改善加速MRI的图像质量，缩短扫描时间，并推动临床广泛应用 | 多器官加速MRI图像（包括六个器官和96种MRI协议）及去噪效果 | machine learning | NA | MRI | 深度学习模型 | 图像 | 148,930对图像用于训练，20,143对图像用于测试，46,870张外部临床图像用于泛化验证 | NA | NA | Dice分数 | NA |
| 5544 | 2026-06-17 |
Artificial intelligence-enabled electrocardiography from scientific research to clinical application
2026-01, EMBO molecular medicine
IF:9.0Q1
DOI:10.1038/s44321-025-00351-y
PMID:41326714
|
综述 | 综述人工智能在心电图分析中的最新进展及其临床转化 | 系统总结了人工智能从原始信号中直接处理复杂高维数据的能力，突破了传统心电诊断的局限性，并强调其在无症状低射血分数和阵发性房颤早期识别中的创新应用 | 未提及具体方法学的局限性和临床部署中的潜在挑战 | 概述人工智能使能心电图的科研进展并向临床应用转化 | 基于人工智能增强的心电图分析技术 | 机器学习 | 心血管疾病 | 心电图、深度学习 | NA | 电信号 | NA | NA | NA | NA | NA |
| 5545 | 2026-06-17 |
Deep learning-based detection of cerebral microbleeds on 2D T2*-weighted GRE MRI: toward ARIA-H risk assessment in Alzheimer's treatment
2026, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2026.1729422
PMID:41948063
|
research paper | 开发并验证了一种基于YOLOv11的深度学习模型，用于在2D T2*加权梯度回波(GRE) MRI上自动检测脑微出血(CMBs)，从而支持阿尔茨海默病治疗中的ARIA-H风险评估 | 提出了一种新颖的多通道预处理流水线，通过超分辨率技术增强CMB可见性，并首次将YOLOv11应用于2D GRE MRI上的CMB检测，实现了从病变级到患者级的全面评估 | 模型在病变级检测的灵敏度和精确度仍有提升空间，且最终ARIA分级和临床决策仍需要神经放射学专家确认，该系统目前定位为决策支持工具 | 开发并验证一种基于人工智能的自动CMB检测模型，仅使用临床广泛应用的2D T2*加权GRE MRI，以支持阿尔茨海默病抗淀粉样治疗中的ARIA-H风险评估 | 脑微出血(CMBs)的自动检测，用于评估阿尔茨海默病治疗中淀粉样蛋白相关影像异常合并出血(ARIA-H)的风险 | computer vision | 阿尔茨海默病 | 2D T2*加权GRE MRI | YOLOv11 | 图像（MRI） | 758名参与者 | NA | YOLOv11 | 灵敏度、精确度、F1分数 | NA |
| 5546 | 2026-06-17 |
LMRNet: a lightweight convolutional neural network for real-time mountain rice leaf disease recognition on edge devices
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1789523
PMID:41948293
|
研究论文 | 提出一种轻量级卷积神经网络LMRNet，用于边缘设备上实时识别山地水稻叶片病害 | 首次面向边缘智能设备设计适用于山地水稻叶片病害识别的轻量级模型架构，并开发安卓平台智能手机应用 | 仅针对自建的山地水稻叶片病害数据集，未提及在更广泛水稻品种或复杂环境下的泛化能力 | 实现山地水稻叶片病害在边缘设备上的实时准确识别，促进智能农业工程应用 | 山地水稻叶片病害识别模型及其智能手机应用 | 计算机视觉 | 水稻病害 | NA | 卷积神经网络 | 图像 | 自建山地水稻叶片病害图像数据集多种病害类别 | NA | 轻量级卷积神经网络（具体结构未明确指定，基于轻量设计原则） | 准确率，推理速度（帧每秒） | 不同智能手机（边缘设备） |
| 5547 | 2026-06-17 |
Artificial Intelligence and Radiomics in Primary Liver Cancer Imaging: A Bibliometric and Visualized Analysis
2026, Journal of hepatocellular carcinoma
IF:4.2Q2
DOI:10.2147/JHC.S578670
PMID:41948485
|
研究论文 | 对人工智能与影像组学在原发性肝癌成像领域的研究进行文献计量学和可视化分析 | 首次系统性梳理AI与影像组学在原发性肝癌成像领域的研究现状与新兴热点，提供数据支持和学术见解 | NA | 分析该领域的研究现状和新兴热点，为后续研究提供数据支持和学术见解 | 2008年至2025年间发表的2890篇关于原发性肝癌、AI和影像组学的出版物 | 医学图像分析 | 原发性肝癌 | NA | NA | 文献数据 | 2890篇出版物 | VOSviewer, CiteSpace, R | NA | NA | NA |
| 5548 | 2026-06-17 |
Generation of deep learning based virtual contrast-enhanced CT images from noncontrast CT images for target volume delineation in cervical cancer radiotherapy
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1764560
PMID:41948507
|
研究论文 | 开发基于nnTransUNet的深度学习模型，从非增强CT合成虚拟增强CT图像，用于宫颈癌放疗靶区勾画 | 首次将nnTransUNet架构应用于CT图像增强，实现从非增强CT到虚拟增强CT的生成，并验证其在宫颈癌放疗靶区勾画中的可行性 | 解剖结构清晰度评分略低于增强CT图像（3.7分 vs 4分），需要进一步优化 | 开发合成虚拟增强CT图像的深度学习模型，并评估其在宫颈癌放疗靶区勾画中的可行性 | 210例宫颈癌患者 | 机器学习 | 宫颈癌 | CT成像 | nnTransUNet | 图像 | 210例宫颈癌患者 | PyTorch | nnTransUNet | MSE, PSNR, UQI, SSIM, DSC, HD | NA |
| 5549 | 2026-06-16 |
A noval 4D graph temporal brain network model for EEG-based depression detection
2026-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-026-00463-w
PMID:42294079
|
研究论文 | 提出一种新型4D图时空脑网络模型用于基于脑电图的抑郁症检测 | 创新点包括：构建包含线性与非线性特征的4D特征立方体、使用基于最近邻的方法识别功能相关的脑电通道空间关系、集成图卷积与门控循环单元以捕获时空特征、引入通道级最大池化模块（GTMP）保留关键通道信息 | 未在更大规模或临床多样化数据集上验证，准确率为83.67%可能仍有提升空间 | 提高基于脑电图的抑郁症检测准确率 | 重度抑郁症（MDD）患者和健康对照（HC）受试者的脑电图数据 | 机器学习 | 抑郁症 | 脑电图（EEG） | 4D图时空网络（4D-GTNet） | 脑电图信号数据 | 490个切片（232个MDD样本，248个健康对照样本） | PyTorch, TensorFlow | 图卷积网络（GCN）、门控循环单元（GRU） | 准确率（Accuracy） | NA |
| 5550 | 2026-06-16 |
A deep learning-assisted turn-on fluorescent probe for L-BPA detection with mechanistic insight
2026-Nov-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.128109
PMID:42202743
|
研究论文 | 本文报道了一种基于深度学习的开启型荧光探针，用于检测L-BPA，并探讨其机制 | 首次开发了结合深度学习的开启型荧光探针WF324，实现对L-BPA的高选择性和快速响应，并揭示了其荧光增强机制 | 探针在真实样品中的回收率和RSD虽然良好，但检测范围有限（0-6 μM），且尚未在体内环境中验证其性能 | 开发一种高效检测和实时监测L-BPA的工具，以支持硼中子捕获治疗（BNCT）的研究与发展 | L-BPA（硼载体药物）及其在人尿液中的检测 | 机器学习 | 癌症 | 荧光检测 | 深度学习模型 | 荧光光谱数据 | 人尿液样本 | NA | NA | 检测限（80.48 nM）、回收率（90.40-103.11%）、相对标准偏差（0.78-3.96%） | NA |
| 5551 | 2026-06-16 |
Integration of network pharmacology, deep learning, and molecular biology reveals the efficacy of Citrus aurantium L. var. amara Engl. blossom extract in ameliorating diabetic osteoporosis
2026-Oct-28, Journal of ethnopharmacology
IF:4.8Q1
DOI:10.1016/j.jep.2026.121939
PMID:42217588
|
研究论文 | 结合网络药理学、深度学习和分子生物学揭示酸橙花提取物改善糖尿病性骨质疏松症的作用机制 | 首次将网络药理学与深度学习及分子生物学技术相结合，系统探究酸橙花提取物对糖尿病性骨质疏松症的保护作用及分子机制 | 未明确提及，但从方法学角度可能存在样本量较小、模型仅限于小鼠、未进行临床试验验证等局限性 | 探讨酸橙花乙醇提取物对糖尿病性骨质疏松症的保护作用及其潜在机制 | 高脂饮食和链脲佐菌素诱导的2型糖尿病小鼠模型 | 机器学习 | 糖尿病性骨质疏松症 | 高效液相色谱-质谱联用 | 深度学习 | NA | 未明确说明具体数量 | NA | NA | NA | NA |
| 5552 | 2026-06-16 |
Fast MR elastography via deep learning-based phase interpolation: A technical feasibility study
2026-Oct, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110703
PMID:42190842
|
研究论文 | 本研究开发了一种基于深度学习的相位插值方法，通过利用时空波周期性减少MR弹性成像所需的振动相位采集数量，并验证其技术可行性 | 首次提出利用深度学习插补缺失振动相位图像的方法，可减少相位采集量达50%，同时保持与常规方法相当的临床测量精度 | 仅涉及较小样本量的健康志愿者验证，未在患者群体或更广泛的临床场景中测试；模拟减少相位采集而非实际减少扫描时间 | 评估深度学习相位插值方法用于减少MR弹性成像扫描时间的技术可行性 | 13名健康志愿者的肝脏MR弹性成像数据及体模数据 | 机器学习 | NA | MR弹性成像 (MRE) | 深度学习模型 | 图像（振动相位图像） | 13名健康志愿者及体模数据 | NA | NA（仅提及3-to-1和2-to-2模型，未指定具体架构） | 结构相似性指数 (SSIM), 峰值信噪比 (PSNR), Bland-Altman分析, 组内相关系数 (ICC), Wilcoxon符号秩检验 | NA |
| 5553 | 2026-06-16 |
Deep learning-driven quantitative spectroscopic photoacoustic imaging for segmentation and oxygen saturation estimation
2026-Sep, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2026.108092
PMID:41990476
|
研究论文 | 利用深度学习驱动的定量光谱光声成像进行血管分割和血氧饱和度估计 | 开发了Hybrid-Net深度神经网络，同时实现血氧饱和度估计和血管分割，无需直接估计光学通量 | 仅基于模拟数据和简单组织模拟体模验证，尚未在体内实验或复杂异质性组织中进行测试 | 提高光谱光声成像中血氧饱和度估计的准确性 | 血液中的血氧饱和度及血管组织 | 机器学习 | NA | 光谱光声成像 | 深度神经网络（Hybrid-Net） | 模拟数据和实验数据 | 模拟数据：不同噪声水平（0-35 dB），实验数据：含嵌入血池的简单组织模拟体模 | NA | Hybrid-Net | 分割准确率，血氧饱和度均方误差 | NA |
| 5554 | 2026-06-16 |
CardioRadNet: Cardiac mass diagnosis through integrated segmentation and radiomic analysis
2026-Sep, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109448
PMID:42176411
|
研究论文 | 提出CardioRadNet，首个结合深度学习分割和影像组学分类的集成框架，用于区分心脏肿块的良恶性 | 首次将深度学习分割与影像组学集成于无对比剂T1加权心脏磁共振成像，用于全面区分良恶性心脏肿块，支持半自动分割以提高临床适用性 | NA | 开发一个准确、无对比剂的综合框架，用于心脏肿块分类，支持早期风险分层和患者管理 | 127例经病理确诊的心脏肿块患者（62例恶性，65例良性） | 医学影像分析，数字病理学 | 心脏疾病 | 心脏磁共振成像（无对比剂T1加权），影像组学 | 深度学习分割网络（含点引导），影像组学分类模型 | 图像 | 127例患者（62例恶性，65例良性） | NA | NA | Dice系数，平衡准确率，ICC | NA |
| 5555 | 2026-06-16 |
Denoising preclinical MRI with vendor-neutral deep learning-based image reconstruction
2026-Sep, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2026.110813
PMID:42176781
|
研究论文 | 评估了基于人类临床MRI图像训练的中立供应商深度学习图像重建方法在去噪小鼠脑部临床前MRI图像中的有效性 | 首次评估了利用人类临床MRI图像训练的中立供应商DLR方法直接应用于小鼠脑部MR图像的去噪效果，此前未被研究 | 未明确提及，但从内容推断可能包括样本量小（6只小鼠）、仅使用一种MRI扫描仪（4.7 T）、未与其他去噪方法进行广泛比较 | 评估中立供应商深度学习图像重建方法在去噪临床前小鼠脑部MRI图像中的适用性和有效性 | 小鼠脑部MRI图像 | 机器学习, 计算机视觉, 数字病理学 | NA | MRI | 深度学习（DLR） | 图像 | 6只FVB小鼠 | NA | NA | 信噪比、对比度噪声比、锐度指数 | NA |
| 5556 | 2026-06-16 |
TRIDENT: A multi-task, triple-branch deep learning framework for EEG-based recognition, severity estimation, and future high-anger prediction in an on-road Wizard-of-Oz paradigm
2026-Sep, Accident; analysis and prevention
DOI:10.1016/j.aap.2026.108613
PMID:42235288
|
研究论文 | 提出TRIDENT多任务深度学习框架，用于基于脑电图（EEG）的道路愤怒状态识别、严重程度评估及未来高愤怒状态预测 | 首次在受控道路情境下使用多任务、三分支深度学习框架同时实现四级愤怒状态识别、连续严重程度估计及未来高愤怒预测 | 样本量较小（仅24名参与者），基于Wizard-of-Oz范式可能不完全反映真实驾驶情境中的愤怒状态 | 构建基于生理信号的道路愤怒情感识别模型，以支持情感感知车载界面和个性化干预设计 | 24名持证驾驶员在受控道路情境下的愤怒相关情感状态（基于脑电图、自我报告及情境信息） | 机器学习, 数字病理学 | NA | EEG | 多任务深度学习模型, 时序卷积, 脑网络表征 | 脑电图信号, 自我报告数据, 情境信息 | 24名参与者的多级愤怒状态数据集 | PyTorch | 多尺度时序卷积网络, 脑网络表征模块, 序列建模 (TRIDENT) | 准确率 (85% 愤怒状态分类, 87% 未来高愤怒预测) | NA |
| 5557 | 2026-06-16 |
Use of Artificial Intelligence in prostate MRI: A rapid scoping review highlighting limited evidence in screening context
2026-Sep, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112930
PMID:42142521
|
综述 | 本文通过快速范围综述，调查了人工智能在前列腺MRI解读中的应用证据，特别聚焦于无症状男性筛查场景 | 首次聚焦AI在无症状男性前列腺癌筛查场景的MRI解读证据，并扩展讨论未来实施的关键考量 | 纳入研究数量极少（仅2项），AI检测协议与专家一致性差（kappa 0.17-0.42），且存在高过度检测率和低特异性 | 综合评估AI在前列腺癌筛查中MRI解读应用的现有证据 | 无症状男性人群的前列腺MRI影像数据 | 机器学习 | 前列腺癌 | NA | 深度学习 | 图像 | 2项研究 | NA | ProstateAI软件工具 | kappa | NA |
| 5558 | 2026-06-16 |
Federated learning: A new frontier in the exploration of multi-institutional medical imaging data
2026-Sep, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109454
PMID:42190445
|
综述 | 本文综述了联邦学习在多机构医学影像数据探索中的应用，促进深度学习模型训练时数据隐私的保护 | 系统性地阐述了联邦学习在医学影像领域的概念、算法与挑战，并提供了开放框架与现实应用的全面综述 | 未详细比较不同联邦学习聚合算法的性能差异，且未涉及具体实验验证 | 探索联邦学习在整合多机构医学影像数据中的应用，以实现数据隐私保护的分布式深度学习模型训练 | 多机构医学影像数据及联邦学习系统 | 机器学习 | NA | NA | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 5559 | 2026-06-16 |
Rational design for improved thermostability of methionine adenosyltransferase based on FoldX, Rosetta, and multidimensional virtual screening
2026-Sep-01, Food research international (Ottawa, Ont.)
DOI:10.1016/j.foodres.2026.119535
PMID:42270249
|
研究论文 | 提出一种结合物理力场与深度学习算法的理性设计策略，用于提升甲硫氨酸腺苷转移酶的热稳定性，并应用于S-腺苷-L-甲硫氨酸的高效生物合成 | 首次整合FoldX、Rosetta和基于深度学习的多维虚拟筛选系统，建立正交验证流程以消除单一算法偏差，并通过全原子分子动力学模拟与实验验证获得催化活性和热稳定性协同提升的突变体 | 未探讨该设计框架在其他酶工程中的通用性，且突变体的长期工业应用稳定性未涉及 | 通过理性设计提高甲硫氨酸腺苷转移酶的热稳定性，以促进S-腺苷-L-甲硫氨酸的工业化生产 | 甲硫氨酸腺苷转移酶及其突变体 | 机器学习 | NA | 分子对接、B因子分析、饱和诱变、FoldX、Rosetta、深度学习、全原子分子动力学模拟 | 深度学习模型 | 蛋白质结构数据、分子动力学轨迹数据 | 209个突变体，最终筛选6个核心突变体进行实验验证 | FoldX, Rosetta, 深度学习工具 | NA | 熔解温度、半衰期、比活度 | NA |
| 5560 | 2026-06-16 |
Hierarchical cross-attention guided deformable registration with multi-level feature fusion for medical images
2026-Sep, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108908
PMID:41965176
|
研究论文 | 提出了一种基于层次交叉注意力引导的可变形配准框架HCA-Morph，通过多级特征融合实现医学图像的高精度配准 | 首次提出空间对应感知模块（SCAM）和跨尺度注意力模块（CSAM），分别从局部到全局学习可解释空间对齐、动态融合多级特征并增强表示一致性，且模型参数仅2.05 MB | 仅针对脑MRI图像验证，在其他医学图像模态或解剖结构上的泛化能力尚待探索 | 解决可变形医学图像配准中空间对应捕捉不足、多尺度特征融合困难及缺乏可解释性的问题 | 脑MRI图像（OASIS和IXI数据集） | 计算机视觉 | 神经系统疾病 | NA | CNN, Transformer, Mamba | 图像 | OASIS和IXI数据集（具体数量未提及） | PyTorch | U-Net风格（基于CNN的配准框架，含SCAM和CSAM模块） | Dice系数, HD95, 折叠区域数(|J ≤ 0|) | GPU（具体型号未提及，内存消耗4.08-9.02 GB） |