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 6521 - 6540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6521 | 2026-06-05 |
Deep Learning for Pretreatment Imaging-Based Tumor and Nodal Classification in Head and Neck Squamous Cell Carcinoma: A Systematic Review and Network Meta-Analysis
2026-Jul, Head & neck
DOI:10.1002/hed.70292
PMID:42051065
|
系统综述与网络荟萃分析 | 通过系统综述和网络荟萃分析，评估深度学习在头颈部鳞状细胞癌治疗前影像分期中的诊断性能 | 首次基于网络荟萃分析比较不同深度学习模型和影像模态在头颈部鳞状细胞癌淋巴结和肿瘤侵犯分类中的表现，并量化与人工判读的差异 | 研究质量受限于单中心设计与非标准化的数据集，多中心和外部验证研究的曲线下面积显著低于单中心研究 | 系统评估深度学习模型在头颈部鳞状细胞癌治疗前影像分期中的诊断准确度 | 2019至2025年发表的利用CT、MRI、PET/CT或SPECT/CT影像进行淋巴结或肿瘤侵犯分类的研究 | 计算机视觉 | 头颈部鳞状细胞癌 | CT, MRI, PET/CT, SPECT/CT | 深度学习 | 医学影像 | 23项研究 | NA | 融合模型 | AUC | NA |
| 6522 | 2026-06-05 |
Time Distributed Classification of Alzheimer's Disease on MRI Scans
2026-Jul, NMR in biomedicine
IF:2.7Q1
DOI:10.1002/nbm.70322
PMID:42240570
|
研究论文 | 结合体积特征分析和深度学习方法，利用MRI扫描对阿尔茨海默病进行时间分布分类 | 将基于CAT12工具箱的体积统计分析（如皮质厚度斜率）与混合CNN-LSTM深度学习方法相结合，首次在单一框架中整合空间和时间MRI数据，显著提升MCI患者分类效果 | MCI分类错误主要源于年度MRI数据获取受限以及模型仅基于CN和AD队列进行预训练 | 利用MRI数据的空间和时间特征，实现对认知正常、轻度认知障碍和阿尔茨海默病患者的自动分类，促进早期诊断和疾病进展评估 | 来自ADNI数据集的MRI扫描数据，包括皮质厚度、白质、灰质、脑脊液和颅内总体积等体积特征 | 医学影像分析 | 阿尔茨海默病 | 结构磁共振成像 | 混合CNN-LSTM模型 | MRI图像 | ADNI数据集（具体样本数未在摘要中给出） | NA | 3D ResNet-101, LSTM | 准确率 | NA |
| 6523 | 2026-06-05 |
Redesign to Mechanism: Interpretable AI Reveals Determinants of Protein Hydrate Binding
2026-Jun-04, The journal of physical chemistry letters
IF:4.8Q1
DOI:10.1021/acs.jpclett.6c00954
PMID:42175929
|
研究论文 | 建立了一个集成深度学习、分子动力学模拟和可解释机器学习的计算框架，用于合理设计天然抗冻蛋白 | 首次提出Chill+算法并整合XGBoost和SHAP分析，揭示空间结构特征比统计序列特征更准确预测抑制活性，并阐明Asn和Ser-Ile突变对水合物结合的关键机制 | 未提及模型在大规模多样本下的泛化性验证以及实验验证的具体蛋白产量数据 | 通过可解释AI框架实现抗冻蛋白的理性设计，平衡结构稳定性、表达效率和功能活性 | 天然抗冻蛋白及其设计肽段 | 机器学习 | NA | 深度学习和分子动力学模拟 | XGBoost和深度学习模型 | 分子结构数据和序列数据 | NA | XGBoost | Chill+算法和XGBoost | 抑制活性预测准确率 | NA |
| 6524 | 2026-06-05 |
Imaging foundation model for universal enhancement of non-ideal measurement CT
2026-Jun-04, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73943-y
PMID:42236476
|
研究论文 | 提出了一种成像基础模型TAMP，用于通用增强非理想测量CT图像 | 首次将多尺度集成Transformer放大器作为基础模型，并基于1080万张物理模拟图像预训练，实现跨多种非理想测量CT设置、缺陷程度和身体区域的通用增强 | 未提及具体局限性 | 开发一种通用的非理想测量CT图像增强方法 | 非理想测量CT图像 | 计算机视觉，数字病理学 | NA | CT成像 | Transformer | 图像 | 1080万张物理模拟非理想测量CT图像 | NA | 多尺度集成Transformer放大器（TAMP） | 图像质量、临床可接受性 | NA |
| 6525 | 2026-06-05 |
Physics-informed deep learning enables reliable and scalable organoid quantification for drug screening via OCT
2026-Jun-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02847-4
PMID:42236584
|
研究论文 | 提出物理信息引导的深度学习框架DICE-2DSeg，实现基于OCT的类器官高通量药物筛选量化 | 创新性地将OCT物理原理（层内相干增强）与图结构层间上下文聚合结合，解决高精度与高通量矛盾，实现多尺度一致分割 | 依赖93个体积数据验证，未说明更大规模外推性；物理先验可能对非OCT数据泛化有限 | 开发可靠且可扩展的类器官量化方法，用于基于OCT的高通量药物筛选 | 患者来源类器官（PDOs）的光学相干断层扫描（OCT）图像 | 计算机视觉, 数字病理学 | 癌症 | OCT | CNN, GNN | 图像 | 93个OCT体积数据，涵盖多种癌症类型和药物处理 | PyTorch | nnUNet3D, DICE-2DSeg | 准确率, 速度（加速比）, 多尺度一致性 | NA |
| 6526 | 2026-06-05 |
An explainable AI framework for enhanced software defect prediction using transformer-assisted boosting
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44202-3
PMID:42236753
|
research paper | 提出一种结合Transformer自注意力机制与XGBoost的可解释AI框架，用于提升软件缺陷预测的准确性和可解释性 | 首次将Transformer自注意力机制与XGBoost集成，实现高预测性能与可解释性的统一，并利用SHAP解释关键特征重要性 | 未讨论框架在不同规模数据集上的泛化能力及计算资源消耗细节 | 开发一种兼具高准确度和可解释性的软件缺陷预测模型，帮助质量保证从业者优化缺陷管理和资源分配 | NASA Metrics Data Program和Code4Code数据集中的软件缺陷数据 | machine learning | NA | NA | Transformer、XGBoost | 数值型软件度量数据（圈复杂度、Halstead属性、代码行数） | NASA MDP和Code4Code两个数据集，具体样本量未提及 | XGBoost | Transformer | AUC, ROC, accuracy | NA |
| 6527 | 2026-06-05 |
A comparative analysis of deep learning models for disease classification in multi-organ histopathological images
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56045-z
PMID:42236837
|
研究论文 | 比较了深度学习模型在多器官组织病理学图像疾病分类中的表现 | 首次系统比较了卷积神经网络和视觉Transformer在多器官疾病分类中的性能，并验证了从单器官扩展到多器官分类时性能不下降 | NA | 评估并比较CNN和ViT模型在多器官组织病理学图像疾病分类中的性能 | 人体主要器官（心脏、肺、肝脏、胰腺）的组织病理学全切片图像 | 数字病理学 | NA | 组织病理学全切片图像 | 卷积神经网络、视觉Transformer | 图像 | NA | NA | Swin-T, DenseNet-161 | 分类准确率 | NA |
| 6528 | 2026-06-05 |
Differentiating advanced from non-advanced hepatic fibrosis: a hybrid deep learning-radiomics model leveraging synthetic contrast-enhanced CT from CycleGAN
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05563-5
PMID:42240649
|
研究论文 | 开发并验证一种混合深度学习-影像组学模型，利用CycleGAN合成的增强CT图像区分晚期和非晚期肝纤维化 | 首次结合CycleGAN合成增强CT图像与混合深度学习-影像组学模型，用于肝纤维化分期的非侵入性诊断，且融合真实平扫与合成增强CT图像进一步提升性能 | NA | 开发并验证一种基于CycleGAN合成增强CT图像的混合深度学习-影像组学模型，以区分晚期与非晚期肝纤维化 | 410例经活检确诊的肝纤维化患者 | 计算机视觉, 机器学习 | 肝纤维化 | CT成像, CycleGAN | CycleGAN, 深度学习模型, 放射组学模型, 机器学习分类器 | 图像 | 410例患者的非增强和增强CT图像 | NA | CycleGAN, 端到端深度学习模型 | AUC, 准确率, 校准曲线, 决策曲线分析, DeLong检验 | NA |
| 6529 | 2026-06-05 |
Deep learning for clinically significant prostate cancer detection on MRI: a systematic review, HSROC meta-analysis, and direct comparison with PI-RADS-based interpretation
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05594-y
PMID:42240646
|
综述 | 系统评价深度学习在MRI检测临床显著性前列腺癌中的诊断准确性，并与PI-RADS解读进行直接比较 | 首次对深度学习在前列腺MRI中检测csPCa进行系统综述和HSROC荟萃分析，并直接对比深度学习单独、PI-RADS单独及AI辅助联合解读三种模式的诊断效能 | 特异性异质性高、HSROC预测区域宽泛限制了合并特异性的可迁移性；缺乏前瞻性验证、校准和患者层面安全性研究 | 评估深度学习在前列腺MRI中检测临床显著性前列腺癌的诊断准确性及其临床适用性 | 基于MRI的深度学习模型检测临床显著性前列腺癌 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | MRI图像 | 36项研究共9411例患者 | NA | NA | 敏感性、特异性、阳性似然比、阴性似然比 | NA |
| 6530 | 2026-06-05 |
Comment on "Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology"
2026-Jun-04, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-026-01386-y
PMID:42240947
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6531 | 2026-06-05 |
A Deep Learning Perspective on Preoperative Ultrasound and Intraoperative Discordance in Transcervical Fibroid Ablation
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70325
PMID:42234588
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6532 | 2026-06-05 |
A Deep Learning-Based Multimodal Nomogram for HLHS Risk Assessment: Practical Considerations
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70323
PMID:42234603
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6533 | 2026-06-05 |
Deep Learning Reconstruction in MRI: Unlocking Efficiency, Enhancing Image Quality, and Navigating Practical Limits
2026-Jun-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9404
PMID:42235965
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6534 | 2026-06-05 |
Diabetes Management Through Glucose Dynamics Analysis Network: A Novel Approach for Accurate Blood Glucose Level Forecasting
2026-Jun-03, Diabetes, obesity & metabolism
DOI:10.1111/dom.70930
PMID:42236259
|
研究论文 | 提出一种名为葡萄糖动力学分析网络的新型混合框架，用于准确预测血糖水平 | 结合样条插值、扩张卷积残差网络、Adamax优化和双向长短期记忆网络的混合框架，有效处理缺失值、提取时空特征并优化超参数 | 需进一步进行硬件级验证和计算效率分析才能部署到实时和可穿戴糖尿病监测系统 | 提高血糖水平预测的准确性，以改进胰岛素给药决策支持系统 | 1型糖尿病患者的血糖水平 | 机器学习 | 糖尿病 | NA | 双向长短期记忆网络, 扩张卷积残差网络 | 时间序列数据 | OhioT1DM数据集 | Adamax | DilaConv-ResNet, BiLSTM | 均方根误差, 平均绝对误差, R方, 均方误差 | NA |
| 6535 | 2026-06-05 |
LG-Transformer: learned-graph transformer framework enabling diverse physicochemical properties prediction toward fuel design
2026-Jun-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73853-z
PMID:42236708
|
研究论文 | 提出一种基于学习图特征融合的Transformer框架（LG-Transformer），结合对比学习构建分子间关系图，实现燃料多种理化性质预测 | 通过对比学习构建基于拓扑描述符和性质相似性的分子间关系图，利用Transformer层进行性质感知的特征传播，突破传统图神经网络仅关注分子内信息的局限 | 未提及模型在更大分子库或实际发动机测试中的验证结果，且数据库的覆盖范围可能影响泛化能力 | 实现高精度、可解释的燃料理化性质预测，加速绿色燃料设计 | 1850种不同化学类别的燃料分子及17种与发动机性能相关的理化性质 | 机器学习 | NA | 对比学习、图神经网络、Transformer | Transformer（Graph-based） | 分子结构数据、理化性质数据 | 1850种燃料分子，涵盖26个化学类别 | PyTorch | LG-Transformer（学习图特征融合Transformer） | 相关系数R（平均0.900） | NA |
| 6536 | 2026-06-05 |
An explainable meta-learned hybrid CNN-transformer model with dual attention for leukemia diagnosis from peripheral blood smears
2026-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-55606-6
PMID:42236788
|
研究论文 | 提出一种基于元学习的混合CNN-Transformer模型Meta-Conformer-XAI，用于从外周血涂片图像进行白血病的无创诊断 | 整合了双注意力特征融合块、元学习路径控制器和基于强化学习的置信度估计器三大创新，并融合多种可解释性方法提升临床可信度 | 未提及在多中心、大规模真实临床环境中的验证，以及模型对罕见亚型的泛化能力 | 开发一种非侵入性、精确且可解释的深度学习框架，用于急性淋巴细胞白血病的早期诊断 | 外周血涂片显微镜图像中的白血病细胞和正常细胞 | 机器学习 | 白血病 | NA | CNN-Transformer混合模型 | 图像 | 两个基准数据集：ALL Image Dataset和C-NMC Leukemia Dataset | PyTorch | CNN与Vision Transformer混合架构、Grad-CAM、SHAP、LIME、Integrated Gradients | 准确率、AUC-ROC | NA |
| 6537 | 2026-06-05 |
A multi-layer airport security framework using YOLO-based X-ray detection, video anomaly analysis, IoT sensor monitoring and blockchain logging
2026-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-52894-w
PMID:42236795
|
研究论文 | 提出一种多层机场安全框架，集成基于YOLO的X光检测、视频异常分析、物联网传感器监控和区块链日志记录 | 创新性地将YOLO基X光违禁物品检测、3D-CNN自编码器视频异常检测和LSTM自编码器物联网传感器异常检测三种互补模块与区块链安全日志系统融合，并通过统一多模态风险评分机制实现协同决策 | 未提及具体局限性，但可能包括模型在极端遮挡或微小目标场景下的检测性能、区块链系统在超大规模部署中的扩展性等潜在问题 | 开发自动化、可扩展且安全的机场安检监控系统，提升威胁检测的实时性和可靠性 | 机场安检场景中的X光行李图像、监控视频和物联网传感器数据 | 计算机视觉, 机器学习, 物联网 | NA | X射线成像, 视频监控, 物联网传感, 区块链 | YOLO, 3D-CNN自编码器, LSTM自编码器 | 图像, 视频, 时间序列数据 | 使用CLCXray数据集训练X光检测模块，未见具体样本数量 | PyTorch | YOLOv11-s, YOLOv8-s, 3D-CNN自编码器, LSTM自编码器 | mAP, ROC-AUC, 重建误差, 检测延迟, 每秒交易数 | 未提及具体计算资源信息 |
| 6538 | 2026-06-05 |
Integrating multimodal features with deep learning for protein solubility prediction
2026-Jun-03, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01225-2
PMID:42237181
|
研究论文 | 结合多模态特征与深度学习进行蛋白质溶解性预测 | 从蛋白质序列中提取理化性质和共进化特征，并融合基于图的蛋白质表示和表面特征作为输入；开发了两个模型ProSolNet和ProSolNet分别用于预测蛋白质是否可溶和突变引起的溶解性变化 | 未明确提及局限性 | 提高蛋白质溶解性预测的准确性，加速功能性蛋白质的开发 | 天然和突变蛋白质 | 机器学习 | NA | 蛋白质序列分析 | 深度学习 | 文本（蛋白质序列） | NA | NA | ProSolNet | 准确率 | NA |
| 6539 | 2026-06-05 |
PlasticAnalytics: A Deep Learning-Powered Spectral Library and Analytical Suite
2026-Jun-02, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c01309
PMID:42138063
|
研究论文 | PlasticAnalytics提供了一个基于深度学习的自动化工作流，用于微塑料的拉曼光谱和傅里叶变换红外光谱分析 | 将迭代不对称惩罚最小二乘基线校正、混合规则与机器学习去噪框架以及深度残差网络结合，实现高精度自动分类和高效光谱成像处理 | 在抽象中未明确讨论局限性，但可能包括对某些罕见塑料类型的泛化能力或对特定仪器平台的依赖 | 解决振动光谱分析微塑料的关键瓶颈，通过自动化预处理和深度学习分类提高效率和准确性 | 微塑料样本，包括原始、消费后和环境风化的塑料光谱 | 机器学习 | NA | 拉曼光谱、傅里叶变换红外光谱 | 深度残差网络、不确定性感知质量控制分类器 | 光谱数据 | 原始、消费后和环境风化塑料光谱数据，未指定具体数量 | PyTorch | 深度残差网络 | 准确率 | NA |
| 6540 | 2026-06-05 |
Deep learning-based contrast-enhanced ultrasound for Ki-67 assessment and prognosis in hepatocellular carcinoma
2026-Jun-02, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae5f9a
PMID:41985477
|
research paper | 开发基于深度学习框架利用增强超声无创评估肝细胞癌Ki-67表达并进行预后预测 | 首次利用增强超声影像数据结合临床特征构建通道分离卷积多模态模型无创评估Ki-67表达，并用于肝细胞癌预后分层 | 回顾性研究设计、样本量相对较小、外部测试集患者预后数据完整性有限 | 通过非侵入性方法评估肝细胞癌中Ki-67表达并预测预后 | 肝细胞癌患者 | computer vision, digital pathology | liver cancer | contrast-enhanced ultrasound (CEUS), deep learning | channel-separated convolutional neural network (CECMM) | video, clinical data | 456名肝细胞癌患者，来自25个机构 | NA | CECMM (Channel-separated Convolutional-based Multimodal Model) | accuracy, AUC | NA |