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 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2026-04-10 |
AI-powered hierarchical classification of ampullary neoplasms: a deep learning approach using white-light and narrow-band imaging
2026-Jan-14, Surgical endoscopy
DOI:10.1007/s00464-025-12534-2
PMID:41532990
|
研究论文 | 本研究开发了一种基于深度学习的层次分类框架，用于使用白光和窄带内镜图像对壶腹病变进行逐步分类 | 提出了一种结合双模态成像和合成数据增强的层次深度学习框架，通过置信度投票整合白光和窄带图像，并使用StyleGAN2-ADA生成合成图像以克服数据稀缺和类别不平衡问题 | 数据来源于单一中心，可能限制了模型的泛化能力；样本量相对有限，特别是高级别不典型增生和癌症病例 | 开发一个AI驱动的层次分类系统，以提高壶腹病变的内镜诊断准确性 | 壶腹病变的内镜图像，包括正常组织、腺瘤和癌症，以及腺瘤内的低级别和高级别不典型增生 | 计算机视觉 | 壶腹肿瘤 | 白光内镜成像，窄带内镜成像 | CNN, GAN | 图像 | 来自464名患者的4244张内镜图像（训练集2693张，验证集833张，测试集718张） | TensorFlow, PyTorch | EfficientNet-B4, StyleGAN2-ADA | 准确率, 敏感性, 特异性, AUROC | NA |
| 542 | 2026-04-10 |
Peptide-based drug design using generative AI
2026-Jan-13, Chemical communications (Cambridge, England)
DOI:10.1039/d5cc04998a
PMID:41376388
|
综述 | 本文综述了利用生成式人工智能进行基于肽的药物设计的最新进展，重点关注生成架构、相互作用建模、筛选和递送优化 | 整合了生成式AI（如图神经网络、Transformer、扩散模型）与肽化学创新（如环化、非经典氨基酸）来加速药物发现，并将发现周期从数年缩短至数月 | 预测生成肽序列的溶解度、免疫原性和毒性仍具挑战性，数据质量和自主药物发现的实践问题也是当前限制 | 加速基于肽的治疗药物的设计与发现，优化其药代动力学和临床适用性 | 肽类药物，特别是用于代谢性疾病、肿瘤学和医学成像的肽 | 机器学习 | 代谢性疾病, 肿瘤学 | NA | 图神经网络, Transformer, 扩散模型 | 序列数据, 结构数据 | NA | NA | NA | NA | NA |
| 543 | 2026-04-10 |
Artificial Intelligence-Driven Differentiation Between Uveal Melanoma and Nevus Based on Fundus Photographs: A Systematic Review and Meta-Analysis
2026-Jan-05, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.1.34
PMID:41590408
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估了基于眼底照片的人工智能模型在区分葡萄膜黑色素瘤和痣方面的性能 | 首次对基于眼底照片的AI模型在区分葡萄膜黑色素瘤与痣方面的性能进行系统综述和荟萃分析，并评估了外部验证模型的判别能力 | 现有证据高度异质，受限于小数据集规模和有限的外部验证 | 检验人工智能模型基于眼底照片区分葡萄膜黑色素瘤和痣的能力 | 葡萄膜黑色素瘤（UM）和葡萄膜痣（UN） | 计算机视觉 | 葡萄膜黑色素瘤 | 眼底摄影 | 深度学习, 传统机器学习 | 图像 | 总计6208名参与者 | NA | NA | AUC, 准确率, 灵敏度, 特异性 | NA |
| 544 | 2026-04-10 |
Beyond convolutions and supervised learning with transformers and representation learning for retinal image analysis
2026-Jan, Progress in retinal and eye research
IF:18.6Q1
DOI:10.1016/j.preteyeres.2025.101419
PMID:41352580
|
综述 | 本文综述了视网膜图像分析领域从卷积神经网络和监督学习向无标签表示学习及视觉Transformer转变的进展 | 聚焦于无标签表示学习和视觉Transformer作为卷积神经网络替代方案在视网膜图像分析中的新兴应用，涵盖了半监督学习、自监督学习及基础模型、视觉语言模型和多模态模型的兴起 | NA | 总结视网膜图像分析领域的技术进展，特别是向无标签方法和新模型架构的转变 | 视网膜图像分析技术 | 计算机视觉 | NA | NA | Transformer, CNN | 图像 | NA | NA | 视觉Transformer, 卷积神经网络 | NA | NA |
| 545 | 2026-04-10 |
Assessing deep learning model performance in osteoporosis screening with lumbar spine radiographs
2026-Jan, Journal of bone and mineral metabolism
IF:2.4Q3
DOI:10.1007/s00774-025-01672-1
PMID:41361106
|
研究论文 | 本研究评估了深度学习模型在腰椎X光片上筛查骨质疏松症的性能 | 利用腰椎X光片替代DXA进行骨质疏松症筛查，提出了一种资源有限的替代方案 | 模型性能（如AP图像的AUC为0.79）仍有提升空间，且依赖特定数据集 | 开发并评估深度学习模型用于骨质疏松症的筛查 | 腰椎X光片（正位和侧位） | 计算机视觉 | 骨质疏松症 | X光成像 | CNN | 图像 | 训练集：2244张正位和2368张侧位腰椎X光片；测试集：963张正位和1018张侧位图像 | NA | ResNet-18, DarkNet-19 | AUC, 敏感性, 特异性 | NA |
| 546 | 2026-04-10 |
The Evolution of Machine Learning in Medicinal Chemistry: A Comprehensive Bibliometric Analysis
2026, Current neuropharmacology
IF:4.8Q1
|
综述 | 本文通过混合研究策略，对2001-2023年间药物化学领域的人工智能研究进行了全面的文献计量分析 | 首次结合内容分析和文献计量方法，系统梳理了AI在药物化学领域的研究趋势、前沿关键词（如预测模型、分子指纹、评分函数）及未来发展方向（如多模态和大语言模型） | 分析主要基于文献计量数据，可能未涵盖所有未发表或新兴技术细节；时间范围截至2023年，后续发展未纳入 | 旨在全面描述药物化学中人工智能研究的现状、趋势和未来热点 | 2001-2023年间药物化学领域的人工智能相关文献 | 机器学习 | NA | 文献计量分析、内容分析 | NA | 文献数据 | 覆盖92个国家或地区、196个机构的AI-MC研究文献 | bibliometrix (R软件), CiteSpace V, VOSviewer | NA | NA | NA |
| 547 | 2026-04-10 |
Deep Learning Approaches for Multiple Sclerosis Detection in MRI Images
2026, BioMed research international
IF:2.6Q3
DOI:10.1155/bmri/5726771
PMID:41943462
|
研究论文 | 本研究探索了使用深度学习模型自动检测MRI图像中的多发性硬化病灶 | 比较了四种经过微调的CNN架构在医学影像任务上的性能，并评估了它们在资源受限环境中的适用性 | 数据集规模相对较小（60名患者），且未提及外部验证结果 | 自动化多发性硬化病灶检测，为临床诊断提供可靠、高效且可扩展的解决方案 | 多发性硬化患者的MRI图像 | 计算机视觉 | 多发性硬化 | 磁共振成像 | CNN | 图像 | 60名患者的2831张FLAIR和T2 MRI切片 | NA | AlexNet, VGG16, ResNet-10, DenseNet-121 | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 548 | 2026-04-10 |
Hybrid deep learning and feature selection approach for autism detection from rs-fMRI data
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339921
PMID:41945612
|
研究论文 | 本文提出了一种结合深度学习和改进特征选择算法的混合方法，用于从静息态功能磁共振成像数据中检测自闭症谱系障碍 | 提出了一种混合深度学习与特征选择的方法，其中特征选择采用了一种改进的指数-三角优化算法，该算法整合了算术优化算法和引导学习策略以提升性能 | 未在摘要中明确说明 | 通过结合深度学习和特征选择技术，提升自闭症谱系障碍的诊断性能 | 自闭症谱系障碍患者 | 机器学习 | 自闭症谱系障碍 | 静息态功能磁共振成像 | 深度学习 | 神经影像数据 | 使用ABIDE I数据集，具体样本数未在摘要中说明 | 未在摘要中明确说明 | 未在摘要中明确说明 | 准确率, 灵敏度, AUC | 未在摘要中明确说明 |
| 549 | 2026-04-10 |
Enhancing Early Diagnosis: Multimodal AI Approaches for Neurodegenerative Diseases
2026, Journal of biotechnology and biomedicine
DOI:10.26502/jbb.2642-91280211
PMID:41948713
|
综述 | 本文综述了多模态人工智能方法在神经退行性疾病早期诊断中的应用，强调其通过整合神经影像、电生理和数字表型数据来填补传统诊断框架的检测空白 | 提出利用多模态融合架构从MRI、PET和EEG数据中提取高维、亚视觉模式，实现比传统标志物更早的预测性检测，推动诊断从被动确认损伤转向主动风险分层和早期干预 | 临床转化面临数据异质性、深度学习“黑箱”问题以及全球数据集代表性不足等重大障碍 | 评估人工智能驱动的生物标志物如何通过连续、时间信息化的疾病建模，提升神经退行性疾病的早期诊断能力 | 神经退行性疾病，如阿尔茨海默病和帕金森病 | 机器学习 | 神经退行性疾病 | 神经影像（MRI、PET）、电生理学（EEG）、数字表型 | 机器学习模型，深度学习 | 多模态数据（图像、信号、数字表型） | NA | NA | 多模态融合架构 | NA | NA |
| 550 | 2026-04-07 |
The differences in essential facial areas for impressions between humans and deep learning models: An eye-tracking and explainable AI approach
2026-May, British journal of psychology (London, England : 1953)
DOI:10.1111/bjop.12744
PMID:39460393
|
研究论文 | 本研究结合眼动追踪和可解释AI技术，探讨了人类与深度学习模型在面部印象（吸引力、支配性和性别二态性）评估中关注的关键面部区域差异 | 首次将眼动追踪实验与可解释AI（Grad-CAM）方法结合，对比人类视觉注意与深度学习模型特征提取的差异，揭示面部印象形成机制的分离性 | 研究仅针对特定三种面部印象（吸引力、支配性、性别二态性），且面部图像通过几何形态测量学生成，可能未完全覆盖真实人脸的自然变异 | 探究人类与深度学习模型在面部印象评估中依赖的面部特征差异，并验证可解释AI技术在提取印象决定因素中的有效性 | 通过几何形态测量学生成的面部图像，以及参与眼动追踪实验的人类受试者 | 计算机视觉 | NA | 几何形态测量学，眼动追踪，可解释AI（Grad-CAM） | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 551 | 2026-04-07 |
Computers and chess masters: The role of AI in transforming elite human performance
2026-May, British journal of psychology (London, England : 1953)
DOI:10.1111/bjop.12750
PMID:39635926
|
研究论文 | 本文通过分析超过1160万次精英棋手的决策，探讨了人工智能（AI）在复杂任务中对人类顶级表现的辅助作用 | 首次量化分析了AI两次革命（1990年代末的PC/互联网和2010年代末的深度学习引擎）对精英棋手决策质量的影响，发现人类进步与AI发展同步，但决策质量在四十年间稳步提升，未出现预期的快速飞跃期 | 研究仅聚焦于国际象棋领域，结论可能无法直接推广到其他复杂任务；且最新神经网络引擎的影响可能尚未完全显现 | 探究AI在人类顶级表现中的辅助角色及其影响机制 | 精英国际象棋选手的决策数据 | 机器学习 | NA | 数据分析、深度学习 | NA | 决策记录数据 | 超过1160万次精英棋手决策 | NA | NA | 决策质量评估 | NA |
| 552 | 2026-04-07 |
The state of modelling face processing in humans with deep learning
2026-May, British journal of psychology (London, England : 1953)
DOI:10.1111/bjop.12794
PMID:40364689
|
综述 | 本文综述了深度学习模型在人类面部处理研究中的现状，并与心理学模型进行了比较 | 通过比较深度学习模型与心理学模型，揭示了深度学习模型在面部编码方面的意外发现，如身份识别网络同时编码表情信息，并提出了未来研究的开放性问题 | NA | 探讨深度学习模型如何模拟人类面部处理系统，并比较其与心理学模型的异同 | 人类面部处理系统，包括核心系统（提取面部编码）和扩展系统（链接个人与社会信息） | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 553 | 2026-04-07 |
Deep Learning-based Automated Coronary Plaque Quantification: First Demonstration With Ultra-high Resolution Photon-counting Detector CT at Different Temporal Resolutions
2026-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001233
PMID:40843653
|
研究论文 | 本研究评估了一种基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率光子计数探测器CT冠状动脉造影中的可行性和可重复性，并探讨了时间分辨率对斑块定量的影响 | 首次在超高分辨率光子计数探测器CT冠状动脉造影中应用基于深度学习的全自动冠状动脉分割和斑块量化算法，并比较了不同时间分辨率（66毫秒与125毫秒）对斑块定量结果的影响 | 研究为单中心回顾性设计，样本量较小（45例患者），且仅评估了特定CT扫描仪和重建模式下的性能 | 评估基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率CT数据中的技术可行性和可重复性，并分析时间分辨率对量化结果的影响 | 接受临床指征的超高分辨率光子计数探测器CT冠状动脉造影扫描的45例患者 | 数字病理学 | 心血管疾病 | 超高分辨率光子计数探测器CT冠状动脉造影 | 深度学习算法 | CT图像 | 45例患者，共135支冠状动脉（其中119支显示动脉粥样硬化斑块） | NA | NA | 斑块体积量化、直径狭窄程度、统计显著性（P值） | NA |
| 554 | 2026-04-07 |
Deep Learning Model for Histologic Diagnosis of Dysplastic Barrett's Esophagus: Multisite Cohort External Validation
2026-Apr-01, The American journal of gastroenterology
DOI:10.14309/ajg.0000000000003495
PMID:40267276
|
研究论文 | 本研究通过外部验证一个深度学习模型，用于基于全切片图像诊断巴雷特食管发育不良的等级 | 在多个外部学术中心对先前交叉验证的深度学习模型进行外部验证，并采用循环生成对抗网络进行染色归一化，结合YOLO和ResNet101的集成方法 | 研究样本主要来自学术中心，可能无法完全代表社区病理学家的诊断环境；模型性能虽高，但仍有提升空间 | 提高巴雷特食管发育不良的诊断准确性，减少观察者间变异性和过度诊断 | 巴雷特食管患者的组织学切片，包括非发育不良、低级别发育不良和高级别发育不良 | 数字病理学 | 巴雷特食管 | 全切片图像数字化，染色归一化 | 深度学习模型 | 图像 | 489个全切片图像 | NA | YOLO, ResNet101 | 灵敏度, 特异度, F1分数 | NA |
| 555 | 2026-04-06 |
Enhancing explainability and performance of the depression detection model on social media utilizing feature engineering and LLMs
2026-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-026-00446-x
PMID:41883984
|
研究论文 | 本研究通过特征工程和大型语言模型（LLMs）提升社交媒体上抑郁症检测模型的可解释性和性能 | 结合情感状态特征工程和LLMs，将情感状态与抑郁症特征关联，增强模型可解释性 | 未明确提及具体局限性 | 提升社交媒体抑郁症检测模型的可解释性和性能 | 社交媒体数据 | 自然语言处理 | 抑郁症 | 特征工程、词嵌入模型、序列模型、注意力机制、LLMs | 序列模型、注意力机制、LLMs | 文本 | NA | NA | NA | NA | NA |
| 556 | 2026-04-06 |
Modeling spectral EEG interactions using graph-structured variational representation learning
2026-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-026-10434-2
PMID:41883490
|
研究论文 | 提出一种基于图表示学习的框架，用于从脑电图信号中识别情感 | 将频域EEG特征建模为结构化图中的节点，并利用GNN-VAE学习紧凑的潜在表示，通过k环邻域连接定义谱邻接关系，实现了跨连续频段的局部消息传递 | 当前研究侧重于固定的谱连接和受试者依赖的评估 | 解决从脑电图信号中进行情感识别这一具有挑战性的问题 | 脑电图信号 | 机器学习 | NA | 脑电图 | GNN, VAE, 循环神经网络, 注意力模型 | 脑电图信号 | NA | NA | Graph Neural Network-Variational Autoencoder | 准确率, F1分数 | NA |
| 557 | 2026-04-06 |
Bmssnet: a multi-scale feature and efficient spatial attention fusion model for early recognition of Alzheimer's disease
2026-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-026-10441-3
PMID:41883492
|
研究论文 | 提出一种基于多尺度特征和高效空间注意力融合的模型BMSSnet，用于阿尔茨海默病的早期识别 | 采用CNN-Transformer混合架构，结合多尺度注意力机制和轻量级空间门控单元，以捕获局部解剖细节和全局长程依赖，同时提供可解释性 | 模型性能依赖于ADNI数据集，可能在其他数据集上泛化能力有限，且计算效率虽优化但可能仍受Transformer部分影响 | 自动化诊断阿尔茨海默病，通过深度学习技术提高识别准确性和可解释性 | 阿尔茨海默病患者的结构磁共振成像数据 | 数字病理学 | 阿尔茨海默病 | 结构磁共振成像 | CNN, Transformer | 图像 | ADNI数据集中的样本，具体数量未在摘要中明确 | NA | CNN-Transformer混合架构，具体为BMSSnet | 诊断性能指标未在摘要中具体说明，但提及了优越性能 | NA |
| 558 | 2026-04-06 |
HyCoSwin-PD: An explainable hybrid ConvNeXtV2-Swin transformer framework for Parkinson's disease detection from neuroimaging
2026-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2026.103868
PMID:41884659
|
研究论文 | 提出了一种名为HyCoSwin-PD的混合深度学习框架，用于从结构MRI中检测帕金森病 | 通过整合ConvNeXt-V2和Swin Transformer，联合建模细粒度局部形态和分层全局上下文，并采用专用融合机制统一互补表示 | 依赖单模态MRI数据集和有限队列，需要多模态和多中心验证 | 开发一个用于MRI基于帕金森病检测的稳健且临床相关的框架 | 帕金森病患者 | 计算机视觉 | 帕金森病 | 结构MRI | CNN, Transformer | 图像 | PPMI数据集中的有限队列 | NA | ConvNeXt-V2, Swin Transformer | 准确率, 灵敏度, 特异性 | NA |
| 559 | 2026-04-06 |
A benchmark dataset for primitive Indian paddy field images with deep learning based classification
2026-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2026.112647
PMID:41883571
|
研究论文 | 本文介绍了一个用于水稻品种自动识别的印度原始稻田图像基准数据集，并提供了基于深度学习的分类基线方法 | 创建了首个包含33种印度原始水稻品种、总计3400张田间图像的基准数据集，并采用预训练的NASNet-Large模型提取深度特征，结合线性纠错输出码分类器进行品种识别 | 数据集仅包含印度特定地区的33个水稻品种，可能无法推广到其他地区或更多品种；计算时间较长（约82811秒） | 开发自动化水稻品种识别方法，以支持作物监测、品种鉴定和精准农业研究 | 印度原始水稻品种的田间图像 | 计算机视觉 | NA | 深度学习图像分类 | CNN | 图像 | 33个水稻品种，每个品种100张图像，总计3400张图像 | NA | NASNet-Large | 准确率, 灵敏度, 特异性, 精确率, 假阳性率, F1分数, 马修斯相关系数, 科恩卡帕系数 | NA |
| 560 | 2026-04-06 |
Deep Learning Integration in Optical Microscopy: Advancements and Applications
2026-May, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70112
PMID:41486782
|
综述 | 本文探讨了深度学习在光学显微镜中的集成，重点关注图像分类、分割和计算重建等关键应用 | 深度学习作为变革性方法，提升了图像重建、增强和分析的精度，减少了手动干预和对领域专业知识的依赖 | 需要大量标注数据集、动态样本变异性、模型可解释性以及潜在的数据偏差 | 探索深度学习在光学显微镜中的应用，以解决传统显微镜面临的挑战 | 光学显微镜图像及其处理 | 计算机视觉 | NA | 光学显微镜 | CNN, U-Net, ResNet, GAN | 图像 | NA | NA | 卷积神经网络, U-Net, 残差网络, 生成对抗网络 | NA | NA |