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 7557 篇文献，本页显示第 7161 - 7180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7161 | 2026-01-07 |
Identification of potent high-affinity secondary nucleation inhibitors of Aβ42 aggregation from an ultra-large chemical library using deep docking
2026-Jan, Molecular systems biology
IF:8.5Q1
DOI:10.1038/s44320-025-00159-5
PMID:41193694
|
研究论文 | 本研究开发了一种基于深度学习的计算管道，用于从超大型化学库中筛选Aβ42聚集的二级成核抑制剂 | 通过开源Deep Docking协议版本，将可筛选化合物数量提高了4个数量级，并成功识别出低纳摩尔级高亲和力结合剂 | 研究依赖计算筛选，需体外实验验证，且仅针对Aβ聚集的二级成核过程 | 开发计算策略以加速针对阿尔茨海默病Aβ聚集抑制剂的药物发现 | Aβ肽的聚集过程及潜在抑制剂 | 机器学习 | 阿尔茨海默病 | 深度学习对接 | 深度学习模型 | 化学结构数据 | 超过5.39亿化合物库中筛选出35个候选化合物进行体外测试 | NA | Deep Docking协议 | 命中率（54%），平衡解离常数 | NA |
| 7162 | 2025-11-24 |
Advancing personalised therapy in neovascular AMD through deep learning-based OCT biomarker quantification
2026-Jan, Eye (London, England)
DOI:10.1038/s41433-025-04133-1
PMID:41274985
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7163 | 2026-01-07 |
Automated diagnosis of early-stage retinopathy of prematurity
2026-Jan, Eye (London, England)
DOI:10.1038/s41433-025-04122-4
PMID:41286176
|
研究论文 | 本文开发了一种基于深度学习的自动化早产儿视网膜病变检测与分类流程，旨在通过视网膜图像实现早期诊断 | 结合U-Net进行血管和脊特征分割，并将分割结果叠加在sigmoid增强的视网膜图像上，使用ResNet50分类器进行ROP检测和分期，有效识别关键疾病特征 | 未明确提及数据集的多样性或外部验证结果，可能影响模型的泛化能力 | 开发自动化ROP检测和分类流程，以支持早期诊断和临床决策 | 早产儿的视网膜眼底图像 | 计算机视觉 | 早产儿视网膜病变 | 深度学习图像分析 | CNN | 图像 | 400 GB的视网膜眼底图像数据集 | NA | U-Net, ResNet50 | 准确率 | NA |
| 7164 | 2026-01-07 |
Performance of Artificial Intelligence in Skin Cancer Detection: An Umbrella Review of Systematic Reviews and Meta-Analyses
2026-Jan, International journal of dermatology
IF:3.5Q1
DOI:10.1111/ijd.17981
PMID:40745683
|
综述 | 本文通过伞状综述综合评估了人工智能模型在皮肤癌检测中的诊断性能 | 首次通过伞状综述整合多项系统评价和荟萃分析，全面比较了不同AI模型（如CNN、SVM）在多种皮肤癌类型和临床场景下的诊断准确性，并特别关注了AI在初级医疗环境中的应用潜力 | 纳入的荟萃分析存在异质性（如研究设计、数据来源、评估标准不同），且原始研究可能存在发表偏倚；AI模型在不同肤色人群和罕见皮肤癌类型中的泛化能力未充分评估 | 评估人工智能模型在皮肤癌检测中的诊断准确性，为其整合到常规临床实践提供证据支持 | 皮肤癌（包括黑色素瘤、鳞状细胞癌等）的检测与诊断 | 计算机视觉 | 皮肤癌 | 高光谱成像、智能手机图像采集 | CNN, SVM, 机器学习模型 | 图像 | 基于11项荟萃分析，涵盖551项研究 | NA | 卷积神经网络, 支持向量机 | 灵敏度, 特异性, 准确度 | NA |
| 7165 | 2026-01-07 |
EFEN-YOLOv8: Surface defect detection network based on spatial feature capture and multi-level weighted attention
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0339617
PMID:41481612
|
研究论文 | 本文提出了一种基于空间特征捕获和多级加权注意力的表面缺陷检测网络EFEN-YOLOv8，用于工业环境中的缺陷检测 | 引入了[公式：见文本]-FEIoU损失函数以同时处理缺陷-背景区分和正负样本不平衡问题，结合了浅层注意力卷积模块、大分离核注意力模块和加权空洞空间金字塔池化特征融合模块 | 未在摘要中明确说明 | 提高工业表面缺陷检测的准确性和效率 | 工业环境中的表面缺陷 | 计算机视觉 | NA | 深度学习 | YOLOv8 | 图像 | 基于NEU-DET和GC10-DET数据集 | NA | YOLOv8 | mAP | NA |
| 7166 | 2026-01-07 |
Multiscale Pancancer Analysis Uncovers Intrinsic Imaging and Molecular Characteristics Prominent in Breast Cancer and Glioblastoma
2026-Jan, British journal of cancer
IF:6.4Q1
DOI:10.1038/s41416-025-03235-7
PMID:41094188
|
研究论文 | 本研究通过多参数MRI影像组学和深度学习模型，识别并验证了乳腺癌和胶质母细胞瘤中跨癌症类型的共同特征，这些特征在生存预测中优于癌症特异性特征 | 首次在泛癌分析中结合影像特征与分子特征，识别出跨癌症类型的共同影像表型，并验证其在生存预测中的优越性及生物学相关性 | 研究为回顾性设计，样本量相对有限，且仅聚焦于乳腺癌和胶质母细胞瘤两种癌症类型 | 探索跨癌症类型的影像和分子特征，以提升癌症预后预测及生物学理解 | 乳腺癌和胶质母细胞瘤患者 | 数字病理学 | 乳腺癌, 胶质母细胞瘤 | 多参数MRI, 影像组学, 深度学习, 通路分析 | 深度学习模型 | MRI影像 | 793名患者（I-SPY1乳腺癌队列145例，Duke-UPenn胶质母细胞瘤队列452例，外部验证队列196例） | NA | NA | AUC | NA |
| 7167 | 2026-01-06 |
Deep learning diagnosis model of spinal tuberculosis based on CT bone window gradient attention mechanism: multi-center study
2026-Dec, Computer assisted surgery (Abingdon, England)
DOI:10.1080/24699322.2025.2599329
PMID:41459642
|
研究论文 | 本研究基于CT骨窗图像开发了一种深度学习模型，旨在提高脊柱结核的早期诊断准确性 | 结合CT骨窗梯度注意力机制，改进了ResNet50网络，构建了端到端的深度学习诊断模型，专注于提取骨小梁微骨折和钙化轮廓梯度等特征 | NA | 提高脊柱结核的早期诊断准确性 | 脊柱结核患者 | 计算机视觉 | 脊柱结核 | CT成像 | CNN | 图像 | 1027例多中心回顾性数据 | NA | U-Net, ResNet50 | AUC, 准确率, 灵敏度 | NA |
| 7168 | 2026-01-06 |
Functional near-infrared spectroscopy-based computer-aided diagnosis of major depressive disorder using explainable artificial intelligence: Comparison with conventional machine learning
2026-Mar-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.120985
PMID:41422962
|
研究论文 | 本研究开发了一种基于可解释人工智能的功能性近红外光谱计算机辅助诊断模型，用于识别重度抑郁症患者与健康对照者之间的脑半球间不对称性差异 | 首次将可解释人工智能技术（如层相关传播）应用于功能性近红外光谱数据，以可视化深度学习模型的决策过程，并揭示重度抑郁症患者脑功能不对称性的关键特征 | 样本量相对较小（共116名参与者），且仅基于单一言语流畅性任务的数据，可能限制了模型的泛化能力 | 开发并验证一种基于功能性近红外光谱和可解释人工智能的重度抑郁症计算机辅助诊断方法 | 48名重度抑郁症患者和68名健康对照者 | 机器学习 | 重度抑郁症 | 功能性近红外光谱 | CNN | 光谱数据 | 116名参与者（48名患者，68名健康对照） | NA | 卷积神经网络 | 准确率, 灵敏度, 特异性 | NA |
| 7169 | 2026-01-06 |
Automatic segmentation and CT-based deep learning radiomics nomogram for predicting overall survival in patients with small cell lung cancer: A multicenter cohort study
2026-Feb-01, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109161
PMID:41252869
|
研究论文 | 本研究开发了一种基于CT图像的3D自动分割模型用于小细胞肺癌病灶识别，并构建了一个深度学习放射组学列线图来预测患者总生存期 | 首次结合3D自动分割模型与深度学习放射组学列线图，用于小细胞肺癌患者的总生存期预测，实现了高精度的病灶分割和多中心验证的预测性能 | 临床因素的加入未显著提升深度学习放射组学列线图的预测效能，且研究为回顾性设计，可能存在选择偏倚 | 预测小细胞肺癌患者的总生存期，以支持个性化治疗 | 小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | 深度学习 | CT图像 | 1061名来自中国四家医院的小细胞肺癌患者 | nnU-Net | nnU-Net | Dice相似系数, 一致性指数, 净重分类改善, 综合判别改善 | NA |
| 7170 | 2026-01-06 |
A Novel Instance Segmentation Method for Real-Time Detection of Thyroid Nodules in Ultrasound Videos: A Multi-Center Study
2026-Feb, Ultrasound in medicine & biology
|
研究论文 | 本文提出了一种用于甲状腺超声视频中实时检测甲状腺结节的新型实例分割方法，通过多中心研究验证其性能 | 引入可变卷积网络增强结节纹理特征提取能力，提出双向Mamba模块提升视频数据的长程建模能力，结合Sobel边缘算子模块优化结节边界准确性，并定义了检测率指标以评估模型临床效率 | NA | 提高甲状腺超声视频中多结节实例分割的准确性和检测率 | 甲状腺超声视频中的多发性甲状腺结节 | 计算机视觉 | 甲状腺结节 | 超声成像 | 深度学习模型 | 超声视频 | 来自多家医院的验证集数据（具体样本数未明确说明） | NA | 可变卷积网络, 双向Mamba模块, Sobel边缘算子模块 | Dice系数, 检测率 | NA |
| 7171 | 2026-01-06 |
[Artificial intelligence empowering sports medicine]
2026-Jan-06, Zhonghua yi xue za zhi
|
综述 | 本文综述了人工智能技术在运动医学多个领域的应用与最新进展 | 全面总结了AI在运动医学中从损伤预测、影像诊断到手术辅助、康复监测及患者教育的多领域深度整合应用 | NA | 回顾人工智能技术在运动医学领域的应用进展并展望未来发展趋势 | 运动医学领域的诊断、治疗、康复及患者教育流程 | 计算机视觉, 自然语言处理, 机器学习 | 运动损伤 | 深度学习, 机器学习, 计算机视觉, 大语言模型 | 深度学习模型, 机器学习模型, 大语言模型 | 影像数据, 文本数据 | NA | NA | NA | NA | NA |
| 7172 | 2026-01-06 |
Deliberate solitude for clinical reasoning
2026-Jan-06, Diagnosis (Berlin, Germany)
DOI:10.1515/dx-2025-0133
PMID:41489300
|
评论 | 本文探讨了在临床推理中，刻意独处如何可能通过精炼直觉、提高诊断准确性来支持专家表现，并借鉴了认知心理学、哲学和教育学的研究 | 将刻意独处的概念引入临床推理领域，提出其可能作为减少认知偏差、提升诊断准确性的新策略，这在医学教育中尚未被充分探索 | 目前缺乏具体实证研究支持，独处的具体机会和益处尚不确定，无法提出明确的行动方案 | 探讨刻意独处是否能够支持和提升临床推理的发展与表现 | 临床医生及其在临床推理中的思维过程 | 医学教育 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7173 | 2026-01-06 |
PGMNet: a polyp segmentation network based on bit-plane slicing and multi-scale adaptive fusion
2026-Jan-05, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae300a
PMID:41429053
|
研究论文 | 本文提出了一种基于位平面切片和多尺度自适应融合的息肉分割网络PGMNet，旨在提高结肠镜检查中息肉检测和分割的准确性 | PGMNet结合了PVTv2编码器、全局-局部交互关系模块（GLIRM）和多阶段特征聚合模块（MFAM），通过位平面切片机制抑制噪声，并利用门控机制高效聚合多尺度信息 | 未在摘要中明确提及 | 开发一种准确高效的息肉分割网络，以辅助结直肠癌的早期预防和治疗 | 结肠镜检查图像中的息肉 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 图像 | 五个公开可用的息肉数据集 | 未在摘要中明确提及 | PVTv2, GLIRM, MFAM | mDice, mIoU | 未在摘要中明确提及 |
| 7174 | 2026-01-06 |
Deep learning approach for critical exposure during division of the inferior mesenteric artery in colorectal surgery
2026-Jan-05, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-025-03121-7
PMID:41486401
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7175 | 2026-01-06 |
Diabetic foot ulcer classification using an enhanced coordinate attention integrated ConvNext model
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01692-1
PMID:41489793
|
研究论文 | 本文提出了一种结合坐标注意力机制增强的ConvNeXt模型，用于基于图像的糖尿病足溃疡自动分类 | 提出了一种混合模型，将坐标注意力机制集成到ConvNeXt架构中，以捕获空间长程依赖特征，从而提高糖尿病足溃疡图像分类的准确性 | 未明确说明数据集的来源、规模多样性以及模型在临床环境中的泛化能力验证 | 开发一种自动化的深度学习方法，以加速糖尿病足溃疡的评估过程并提供最佳治疗建议 | 糖尿病足溃疡图像 | 计算机视觉 | 糖尿病足溃疡 | 图像处理（自适应阈值分割） | CNN | 图像 | NA | NA | ConvNeXt | 准确率, F1分数 | NA |
| 7176 | 2026-01-06 |
OGTCN-E-MGO: an optimized deep learning framework for EEG-based schizophrenia detection
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01695-y
PMID:41489794
|
研究论文 | 提出一种名为OGTCN-E-MGO的优化深度学习框架，用于基于脑电图（EEG）信号的精神分裂症自动检测 | 提出了一种优化的门控时序卷积网络（OGTCN），该网络集成了门控循环单元（GRU）、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO），用于精神分裂症的EEG信号分类 | NA | 实现精神分裂症的自动分类，通过分析EEG信号获取与精神分裂症认知变化相关的神经活动变化 | 精神分裂症患者 | 机器学习 | 精神分裂症 | 脑电图（EEG） | GRU, TCN | 脑电图信号 | 两个数据集：数据集1包含28名个体的19通道EEG信号；数据集2包含81名个体的64通道EEG信号 | NA | 优化的门控时序卷积网络（OGTCN），集成GRU、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO） | 准确率 | NA |
| 7177 | 2026-01-06 |
Development of a Prediction Model for Progression Risk in High-Grade Gliomas Based on Habitat Radiomics and Pathomics
2026-Jan-04, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.70304
PMID:41486586
|
研究论文 | 本研究基于栖息地影像组学和病理组学构建了预测高级别胶质瘤进展风险的模型 | 首次将栖息地影像组学与病理组学特征相结合，构建了用于预测高级别胶质瘤进展风险的联合模型 | 研究为回顾性分析，样本量较小（72例），需要更大规模的前瞻性研究进行验证 | 开发预测高级别胶质瘤进展风险的预测模型 | 高级别胶质瘤患者 | 数字病理学 | 胶质瘤 | 磁共振成像，全切片成像 | 深度学习 | 图像 | 72例患者（训练集52例，测试集20例） | NA | 多种网络架构 | C-index，AUC | NA |
| 7178 | 2026-01-06 |
Toward clinical translation of AI-Led drug discovery in endometrial cancer
2026-Jan, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2025.2557602
PMID:40908794
|
综述 | 本文综述了深度学习在子宫内膜癌药物发现各阶段的应用，并讨论了其临床转化面临的挑战与解决方案 | 聚焦于子宫内膜癌这一特定领域，系统性地探讨了深度学习在药物发现中的临床转化瓶颈，并提出了多学科整合的实践路径 | 作为一篇综述，未提出新的实验数据或模型，主要基于现有文献进行分析，可能受限于已发表研究的覆盖范围和质量 | 探讨深度学习在子宫内膜癌药物发现中的临床应用潜力与转化障碍 | 子宫内膜癌（EC） | 机器学习 | 子宫内膜癌 | 深度学习（DL） | NA | NA | NA | NA | NA | NA | NA |
| 7179 | 2026-01-06 |
Enhancing malware detection and classification in network traffic using deep learning techniques
2026-Jan, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70189
PMID:41199431
|
研究论文 | 本研究利用深度学习技术提升网络流量中的恶意软件检测与分类性能 | 引入了多种先进深度学习技术，包括基于熵的流量过滤、自监督异常检测、图神经网络分类以及上下文感知图注意力网络，以应对复杂网络环境中的恶意软件威胁 | 未提及模型在跨平台恶意软件检测方面的具体局限性，未来需进一步研究实时自适应学习模型和混合架构 | 提高网络流量中恶意软件检测的准确性，降低误报率，并实现动态网络环境中的实时检测 | 网络流量数据 | 机器学习 | NA | 深度学习 | GNN, GAT | 网络流量数据 | NA | Python | GNN-MTC, CA-GAT | 准确率, 精确率, 召回率 | NA |
| 7180 | 2026-01-06 |
Deep Learning Radiomic Signature Predicts the Overall Survival of Patients with Lung Adenocarcinoma by Reflecting the Tumor Heterogeneity and Microenvironment
2026-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.09.033
PMID:41073175
|
研究论文 | 本研究开发了一种基于深度学习的放射组学特征，用于预测肺腺癌患者的总体生存率，并探讨了该特征与肿瘤异质性和微环境的关系 | 利用ResNet50深度学习模型从CT图像中提取放射组学特征，结合多机构数据验证，首次将深度学习放射组学特征与肿瘤异质性和微环境进行关联分析 | 研究样本量相对有限（306例），且依赖于外部公共数据库进行验证，可能存在数据偏差 | 预测肺腺癌患者的总体生存率，并探索放射组学特征与肿瘤生物学特性之间的关联 | 肺腺癌患者 | 数字病理学 | 肺癌 | CT成像，基因测序 | CNN | 医学影像（CT图像），基因表达数据 | 306例肺腺癌患者（来自三个机构），外加外部验证队列（来自The Cancer Imaging Archive） | PyTorch（推断自ResNet50的常用实现），pyradiomics | ResNet50 | AUC（曲线下面积），时间依赖性ROC曲线，校准曲线，临床效用 | NA |