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 7281 - 7300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7281 | 2026-05-24 |
An automatic detection model for spread through air spaces in postoperative pathological sections based on deep learning in NSCLC
2026-Dec, Computer assisted surgery (Abingdon, England)
DOI:10.1080/24699322.2026.2674321
PMID:42172197
|
研究论文 | 提出基于深度学习的非小细胞肺癌术后病理切片气腔扩散自动检测模型 | 结合肿瘤区域分割算法与改进的目标检测算法，首次实现气腔扩散（STAS）的自动检测与量化 | 外部验证中精度和召回率有所下降，且在肺鳞癌中准确性低于肺腺癌 | 开发基于深度学习的AI框架，自动检测和量化非小细胞肺癌全切片图像中的气腔扩散（STAS） | 91名STAS阳性非小细胞肺癌患者的129张病理切片 | 数字病理学 | 非小细胞肺癌 | 深度学习 | 目标检测模型 | 病理图像 | 129张病理切片（来自91名患者） | PyTorch | 分割算法、改进的目标检测模型 | Jaccard相似度、精确率、召回率、平均精度（AP）、F1分数、组内相关系数 | NA |
| 7282 | 2026-05-24 |
AI-driven target definition using CE-T1w and black blood sequence imaging in stereotactic radiosurgery for brain metastases
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112891
PMID:42066626
|
研究论文 | 开发并评估一种基于深度学习的方法，用于在立体定向放射外科治疗脑转移瘤时，从对比增强T1加权（CE-T1w）和黑血（BB）MR扫描中自动检测和勾画病灶 | 首次结合CE-T1w和黑血序列成像用于脑转移瘤的自动检测与靶区勾画，并基于nnUNet模型实现高精度，能够识别专家遗漏的3.0%病灶 | 模型对小病灶（<0.1 cc）的检测灵敏度低于专家（0.83 vs 0.95），需要进一步优化以适用于临床 | 优化立体定向放射外科治疗脑转移瘤的规划流程 | 206名立体定向放射外科患者的CE-T1w和BB CE-T1w扫描图像及手动勾画 | 数字病理学 | 脑转移瘤 | MRI（CE-T1w和黑血序列） | nnUNet | 图像 | 206名患者（162名训练集，44名测试集） | PyTorch | nnUNet | F1分数, 灵敏度, 阳性预测值, Dice系数, Hausdorff距离 | NA |
| 7283 | 2026-05-24 |
A hybrid deep learning framework for accurate N6,2'-O-Dimethyladenosine site prediction
2026-Aug, Biophysical chemistry
IF:3.3Q2
DOI:10.1016/j.bpc.2026.107639
PMID:42054815
|
研究论文 | 提出一个混合深度学习框架用于精确预测RNA中的N6,2'-O-二甲基腺苷（mAm）修饰位点 | 整合多种序列衍生特征并结合SHAP进行分析以提升模型效率和可解释性 | 未提及 | 开发准确且可解释的mAm位点预测方法，推动表观转录组学研究 | RNA中的N6,2'-O-二甲基腺苷（mAm）修饰位点 | 机器学习, 生物信息学 | NA | RNA测序 | 深度神经网络 (DNN) | RNA序列数据 | NA | NA | 深度神经网络 (DNN) | 准确率 | NA |
| 7284 | 2026-05-24 |
Clinical evaluation of deep learning accelerated 3D magnetic resonance cholangiopancreatography at 1.5 T and 3 T
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112906
PMID:42070421
|
研究论文 | 评估深度学习加速的3D磁共振胆胰管成像在1.5T和3T磁场下的临床可行性 | 利用新型深度学习加速方法Sonic DLTM 3D（SDL）显著缩短扫描时间至11-17秒，同时保持或提升图像质量 | 放射科医生之间的图像质量评分存在差异，且SDL MRCP并非在所有评估特征类别中均优于标准技术 | 评估深度学习加速3D MRCP的临床可行性 | 接受MRCP扫描的患者 | 机器学习 | 胆胰系统疾病 | MRI | 深度学习模型 | 图像 | 96名患者（64名1.5T扫描，32名3T扫描） | NA | NA | 整体图像质量、图像噪声、图像锐度、伪影 | NA |
| 7285 | 2026-05-24 |
MRI-based interpretable deep learning radiomics for predicting treatment response in axial spondyloarthritis
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112903
PMID:42085769
|
研究论文 | 开发并验证基于MRI的可解释深度学习放射组学模型，用于预测强直性脊柱炎患者对抗肿瘤坏死因子抑制剂的治疗反应 | 首次将深度学习与放射组学结合并加入可解释性分析，用于预测强直性脊柱炎患者的TNFi治疗反应，并整合临床数据构建DLRC模型 | 单中心研究、样本量相对较小（183例），且未进行外部验证 | 建立基于MRI的DLR模型以预测axSpA患者的TNFi治疗反应，实现治疗前精准分层 | 初次使用TNFi治疗前的强直性脊柱炎患者 | 医学影像分析, 机器学习 | 强直性脊柱炎 | MRI | 深度学习与放射组学结合 | 图像（骶髂关节MRI） | 183例患者（平均年龄26.5岁，男性占66.1%） | NA | 深度学习特征提取网络 | AUC, 校准曲线, 决策曲线分析, 综合判别改善指数 | NA |
| 7286 | 2026-05-24 |
Ultra-low-dose CT for malignant metastasis screening using a deep learning image reconstruction algorithm
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112896
PMID:42102570
|
research paper | 评估使用超分辨率深度学习重建算法的超低剂量CT在恶性转移筛查中的可行性和诊断性能 | 首次将超分辨率深度学习重建算法应用于超低剂量CT的恶性转移筛查，实现了约70%的辐射剂量降低的同时保持优越的图像质量和诊断性能 | 未提及具体限制 | 评估超低剂量CT结合超分辨率深度学习重建在癌症患者恶性转移筛查中的表现 | 271名癌症患者（平均年龄66.3岁，134名男性），其中56人需要治疗干预 | computer vision | 恶性转移 | CT | 深度学习重建算法 | 图像 | 271名癌症患者，17种原发癌和178处转移病灶，1264个良性病变 | NA | 超分辨率深度学习重建 | 图像质量评分、病变检出率、诊断性能 | NA |
| 7287 | 2026-05-24 |
A CT-based deep learning model to differentiate between benign and malignant adrenal lesions
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112907
PMID:42107149
|
研究论文 | 开发一种基于CT的深度学习模型，用于区分肾上腺病变的良恶性 | 结合临床、生物学和影像学特征的深度学习模型，在初次CT检查中高效区分肾上腺良恶性病变 | 未在论文摘要中明确提及 | 开发深度学习模型以区分肾上腺良性病变与恶性病变 | 肾上腺病变患者 | 机器学习 | 肾上腺病变 | CT | 深度学习模型 | 图像 | 380名患者，385个经病理证实的肾上腺病变（101个恶性，284个良性） | NA | NA | 敏感性、特异性、准确性、AUC | NA |
| 7288 | 2026-05-24 |
Rapid multi-parametric quantitative MRI via deep learning-based synthetic-to-real reconstruction and 3D SSFP-MOLED imaging
2026-Jul-15, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2026.121985
PMID:42107614
|
研究论文 | 提出一种结合深度学习的合成到真实重建与3D SSFP-MOLED的快速多参数定量磁共振成像方法 | 首次将相位调制三维稳态自由进动与多重叠回波分离（3D SSFP-MOLED）信号编码方法与基于物理约束的合成数据管道和深度学习重建相结合，实现快速、高精度的多参数定量成像 | NA | 解决多参数定量磁共振成像扫描时间长、对非理想信号条件敏感的问题 | 磁共振成像中的多参数定量映射 | 机器学习 | 肿瘤、出血 | 磁共振成像（MRI） | 深度学习网络 | 磁共振图像 | 体模、健康志愿者及肿瘤/出血患者 | NA | NA | 准确度、可重复性 | NA |
| 7289 | 2026-05-24 |
Editorial for the Special Issue on Harmonization Techniques for MRI
2026-Jul-15, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2026.121979
PMID:42128316
|
评论 | 介绍神经影像协调化的专刊，总结多站点MRI分析中的协调化方法及其挑战 | 系统梳理协调化方法的主要类别（包括统计方法、深度学习和域泛化策略），并强调网络感知协调化技术超越体素的创新方向 | 未涉及具体方法的实验验证；跨模态性能、生物信息保留和隐私保护框架的挑战尚未完全解决 | 推动多站点神经影像数据的可重复性和泛化性研究 | 多站点MRI数据中的协调化技术 | 机器学习 | NA | MRI | 深度学习模型（如ComBat家族、深度学习方法） | 神经影像数据（包括体素、连接组数据） | NA | NA | ComBat, 深度学习网络（未具体说明） | NA | NA |
| 7290 | 2026-05-24 |
Toward clinical value, not just accuracy: deep learning segmentation of soft tissue sarcoma
2026-Jul, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-026-05227-x
PMID:42029683
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7291 | 2026-05-24 |
Zero Echo Time Magnetic Resonance Imaging of the Spine
2026-Jun, Seminars in musculoskeletal radiology
IF:0.9Q4
DOI:10.1055/a-2803-1958
PMID:41839202
|
综述 | 综述零回波时间磁共振成像在脊柱成像中的技术基础、临床应用及新兴角色 | 综合阐述了零回波时间脊柱成像的序列设计、深度学习重建策略、解读陷阱，以及CT样骨可视化在避免电离辐射下的应用优势 | 空间分辨率有限，存在气体模拟钙化、金属相关伪影等解读陷阱 | 总结零回波时间脊柱成像的技术原理和临床应用，为减少CT依赖和推动无电离辐射MRI诊断流程提供依据 | 脊柱（包括创伤、退变、炎症、肿瘤、感染、发育性病变及儿童/胎儿脊柱评估等） | 计算机视觉 | 脊柱疾病 | 零回波时间磁共振成像 | NA | 图像 | NA | NA | NA | NA | NA |
| 7292 | 2026-05-24 |
Convolutional Neural Networks in Radiology: Principles, Clinical Applications, and a Practical Framework for Radiologists
2026-May-22, Medical principles and practice : international journal of the Kuwait University, Health Science Centre
IF:2.9Q1
DOI:10.1159/000552704
PMID:42172171
|
综述 | 提供卷积神经网络在放射学中的原理、临床应用和实践框架的教育性综述 | 将卷积神经网络与语言模型结合，为放射科医生提供从原理到代码原型制作的全面指导 | 未包含实验性研究结果，依赖现有文献总结，缺乏最新临床验证数据 | 帮助放射科医生理解卷积神经网络的原理、潜力和局限性 | 放射学领域中的卷积神经网络应用 | 数字病理学 | NA | NA | 卷积神经网络 | 图像 | NA | NA | 卷积神经网络 | NA | NA |
| 7293 | 2026-05-24 |
Deep learning-driven performance prediction and design of high-DoF MEMS resonators
2026-May-21, Microsystems & nanoengineering
IF:7.3Q1
DOI:10.1038/s41378-026-01198-0
PMID:42161903
|
研究论文 | 提出基于残差网络的求解器（ResNES），用于MEMS谐振器的高效物理性能预测与优化设计 | 引入随机拓扑生成策略批量创建高自由度MEMS谐振器设计，结合残差网络实现毫秒级物理性能预测，速度提升近三个数量级，并与粒子群优化算法协同实现多目标优化 | NA | 实现高自由度MEMS谐振器的快速物理性能预测和高效设计优化 | MEMS谐振器的面内振动模式谐振频率 | 机器学习 | NA | NA | 残差网络（ResNet） | 拓扑结构数据 | 数千万种潜在拓扑结构 | NA | ResNES（残差网络求解器） | 平均误差、计算速度提升倍数、预测与实验差异、优化后性能指标提升百分比 | NA |
| 7294 | 2026-05-24 |
A reproducible benchmark of QRS detection algorithms across diverse ECG datasets and noise conditions
2026-05-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-53724-9
PMID:42162090
|
研究论文 | 在统一评估框架下，对17种QRS检测算法在五个公开心电数据集上的性能进行基准测试 | 提供完全开源的评估框架，支持可重复性；发现传统信号处理方法在跨数据集泛化中表现更稳定 | 未在目标域进行域适应的机器学习和深度学习模型在分布偏移下性能下降明显 | 系统比较不同QRS检测算法在多种心电数据集和噪声条件下的性能 | 17种R峰检测算法（传统信号处理、机器学习和深度学习方法） | 机器学习、数字信号处理 | 心血管疾病 | 心电图记录 | CNN、LSTM、传统机器学习模型 | 心电信号（时间序列数据） | 5个公开心电数据集（来自PhysioNet平台，涵盖长期监测、心律失常和噪声环境） | NA | 传统信号处理方法、深度神经网络、支持向量机 | F1分数、灵敏度、阳性预测值 | NA |
| 7295 | 2026-05-24 |
Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification
2026-May-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-51870-8
PMID:42156799
|
研究论文 | 将量子近似优化算法改造为特征映射，结合混沌诊断指标构建混合量子经典分类器，提升小样本MNIST分类性能 | 首次利用出时间顺序关联函数提取标量混沌特征增强混合量子经典分类器，并系统研究量子比特数对分类性能的有限尺寸效应 | 较大量子比特数下混沌特征产生过敏感性导致效果逆转，且实验仅基于固定深度的浅层电路 | 探索混沌诊断指标在混合量子经典深度学习中提升分类性能的可行性 | MNIST数据集的平衡1000样本子集 | 机器学习 | NA | 量子近似优化算法 | 混合量子经典神经网络 | 图像 | 1000个MNIST图像样本 | NA | NA | 准确率, 配对均值差, 95%置信区间, 排列检验p值, 胜率, 配对效应量 | NA |
| 7296 | 2026-05-24 |
A deep learning ECG model for identification and localization of occlusion myocardial infarction
2026-05-13, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73023-1
PMID:42129209
|
研究论文 | 开发并验证了一种基于深度学习的ECG模型，用于快速识别和定位急性闭塞性心肌梗死 | 模型不依赖ST段抬升和肌钙蛋白等传统指标，能同时识别OMI并定位三支主要冠状动脉的病变位置，且在不同年龄、性别和心电图硬件下表现一致 | OMI检测的人工监督有限，需要以患者相关结局为指标的随机临床试验进一步验证 | 开发一个深度学习ECG模型，以快速识别和定位急性冠状动脉闭塞，缩短再灌注时间并节省医疗资源 | 急性闭塞性心肌梗死（OMI）及其在冠状动脉中的位置 | 机器学习 | 心血管疾病 | 心电图记录 | 深度学习模型 | 心电图（ECG）数据 | 540,372例急诊心电图及其对应的冠状动脉造影结果 | NA | NA | C统计量 | NA |
| 7297 | 2026-05-24 |
DeepEpiX: A software for visualization, annotation and automatic epileptical spike detection in MEG recordings
2026-May-12, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2026.110805
PMID:42119822
|
研究论文 | DeepEpiX是一款用于MEG记录的可视化、注释和自动癫痫样尖波检测的软件 | 将预训练的深度学习模型集成到用户友好的图形界面中，用于自动检测间期癫痫样放电，且模块化架构支持集成新模型 | 在当前MEG数据上的F1评分表现有限（同一采集系统47%，不同采集系统23%），且目前仅专注于MEG模态 | 开发一款辅助临床医生自动检测MEG数据中病理事件（间期癫痫样放电）的软件 | 药物难治性癫痫患者的MEG数据 | 机器学习 | 癫痫 | 脑磁图 | 深度学习模型 | 时间序列数据 | 29名测试患者 | NA | NA | F1评分 | NA |
| 7298 | 2026-05-24 |
Artificial intelligence in drug research and development: a review of methods and applications in drug repurposing
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag203
PMID:42166427
|
综述 | 综述人工智能在药物研发中的方法与应用，重点关注药物重定位 | 系统梳理从经典算法到最新AI方法在药物重定位中的应用，涵盖蛋白质结构预测到知识图谱推理的多种技术 | 数据可用性、模型可解释性和结果验证方面存在挑战 | 回顾AI方法在药物重定位中的设计应用，探讨如何加速候选药物的临床重定位 | 药物重定位中使用的AI方法及相关工具 | 机器学习 | NA | NA | 机器学习模型、深度学习模型、生物网络分析模型 | 文本、生物数据 | NA | NA | AlphaFold3, mediKanren, AdaDR, TxGNN | NA | NA |
| 7299 | 2026-05-24 |
A systematic review of artificial intelligence applications in oncology nursing surveillance and patient monitoring
2026-May-02, International journal of palliative nursing
IF:0.7Q4
DOI:10.12968/ijpn.2025.0121
PMID:42172076
|
综述 | 系统回顾了人工智能在肿瘤护理监测和患者监控中的应用，识别了关键实施障碍和促进因素 | 首次系统总结了人工智能在肿瘤护理监测中的应用证据，涵盖风险预测、早期预警、放射组学等多领域，并分析了实施的关键障碍与促进因素 | 数据异质性、样本量小且回顾性、外部验证有限、工作流程整合困难、成本高和隐私问题 | 系统回顾人工智能在肿瘤护理监测中的实证证据，评估其对患者安全和护理质量的影响 | 肿瘤护理中的患者监测和预警系统 | 机器学习,自然语言处理 | 肿瘤 | NA | 机器学习,深度学习,自然语言处理 | 临床数据,影像数据,患者报告结果 | 105项研究纳入定性综合 | NA | NA | 准确性 | NA |
| 7300 | 2026-05-24 |
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 | 探讨深度学习在光学显微镜中的整合应用，包括图像分类、分割和计算重建 | 系统综述了深度学习如何提升光学显微镜的性能，涵盖多种架构（CNN、U-Net、ResNet、GAN）在不同显微镜模态中的应用 | 依赖于大规模标注数据集、动态样本变异性、模型可解释性差以及潜在的数据偏差 | 推动深度学习在光学显微镜中的融合，以克服传统显微技术的局限性并提升成像质量与分析能力 | 光学显微镜技术与深度学习方法 | 计算机视觉 | NA | NA | CNN, U-Net, ResNet, GAN | 图像 | NA | NA | CNN, U-Net, ResNet, GAN | NA | NA |