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 721 - 740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 721 | 2026-04-04 |
Multiparametric MRI-based Deep Learning and Radiomics for Evaluating Lymph Node Metastasis in Early-Stage Cervical Cancer
2026-May, Radiology. Imaging cancer
DOI:10.1148/rycan.250345
PMID:41931018
|
研究论文 | 本研究开发了基于多参数MRI的影像组学模型和深度学习-影像组学融合模型，用于术前预测早期宫颈癌的淋巴结转移 | 结合了肿瘤和淋巴结的影像组学特征与深度学习特征，构建了融合模型（DLR_T+LN），并在多中心数据上进行了验证 | 深度学习-影像组学融合模型（DLR_T+LN）相比仅使用影像组学特征的模型（Rad_T+LN）在性能上未显示出统计学上的显著提升 | 开发术前预测早期宫颈癌淋巴结转移的影像学模型 | 早期宫颈癌患者 | 数字病理学 | 宫颈癌 | 多参数MRI | 深度学习 | MRI图像 | 862名患者 | NA | NA | AUC, 校准曲线, 决策曲线分析 | NA |
| 722 | 2026-04-04 |
CEREBLEED: Automated Quantification and Severity Scoring of Intracranial Hemorrhage on Noncontrast CT
2026-Apr-03, Neurosurgery
IF:3.9Q1
DOI:10.1227/neu.0000000000004020
PMID:41930955
|
研究论文 | 本文开发并验证了一个基于深度学习的框架，用于自动分割和量化颅内出血，并提出了一个基于体积关系的严重程度指数 | 开发了一个自动化的深度学习框架，用于颅内出血的分割和量化，并引入了一个新的严重程度指数，该指数基于出血亚型与脑结构的体积关系，旨在标准化严重性评估 | 外部验证中总出血模型的Dice分数较低（中位数0.70），表明模型在外部数据集上的泛化能力可能有限 | 开发一个客观、可重复的工具，用于量化颅内出血的病变负担及其解剖影响，以支持临床决策 | 颅内出血（ICH）在非对比CT（NCCT）上的表现 | 数字病理学 | 颅内出血 | 非对比计算机断层扫描（NCCT） | U-Net | 图像 | 2112个NCCT扫描（1110个用于训练和内部评估，1002个来自外部数据集） | NA | U-Net | Dice分数, 体积相似性, 曲线下面积（AUC）, 敏感性, 特异性 | NA |
| 723 | 2026-04-04 |
Multicenter Histology Image Integration and Multiscale Deep Learning Support Machine Learning-Enabled Pediatric Sarcoma Classification
2026-Apr-02, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-2275
PMID:41481196
|
研究论文 | 本研究开发了一个基于深度学习的计算流程，利用数字组织病理学切片对儿科肉瘤亚型进行准确分类 | 采用多中心数据集并进行图像协调以减少中心特异性伪影，系统评估了多种CNN和ViT架构作为特征提取器，并引入多尺度特征提升分类精度，基于SAMPLER的WSI表示方法使训练速度比传统Transformer编码器快三个数量级 | 未提及 | 开发一个计算流程以准确分类儿科肉瘤亚型，克服其罕见性和亚型多样性带来的诊断挑战 | 儿科肉瘤（包括横纹肌肉瘤、非横纹肌肉瘤软组织肉瘤、尤文肉瘤等亚型） | 数字病理学 | 儿科肉瘤 | 组织病理学成像 | CNN, ViT | 图像（全切片图像） | 867张来自三个医疗中心和儿童肿瘤组的全切片图像 | 未提及 | UNI, CONCH | AUC | 未使用图形处理单元（GPU） |
| 724 | 2026-04-04 |
Negative correlation between habenular volume and duration of gambling disorder: Modulation by symptom severity and personality traits
2026-Apr-02, Journal of behavioral addictions
IF:6.6Q1
DOI:10.1556/2006.2025.00360
PMID:41718719
|
研究论文 | 本研究探讨了赌博障碍患者缰核体积与病程的负相关关系，并分析了症状严重程度和人格特质对此关系的调节作用 | 首次揭示了赌博障碍患者缰核体积随病程延长而减少的现象，并发现这种关联在症状严重亚组中尤为显著，同时强调了人格特质（如神经质和尽责性）对缰核结构异质性的影响 | 研究样本仅包括男性患者，限制了结果的普适性；采用回顾性方法计算病程，可能存在回忆偏倚；横断面设计无法确定因果关系 | 阐明赌博障碍患者缰核体积的变化及其与病程、症状严重程度和人格特质的关系 | 68名男性赌博障碍患者和75名男性健康对照者 | 神经影像学 | 赌博障碍 | T1加权磁共振成像 | 深度学习 | MRI图像 | 143名参与者（68名患者，75名对照） | NA | 基于深度学习的自动分割模型 | 偏相关系数（r值），p值 | NA |
| 725 | 2026-04-04 |
Accurate Segmentation of Surgical Instruments via Spectral-Attentive Contextual Interaction Network
2026-Apr-02, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3675645
PMID:41926408
|
研究论文 | 本文提出了一种用于手术器械分割的谱注意力上下文交互网络（SCI-Net），以解决复杂背景干扰、器械形态多样和低对比度带来的挑战 | 提出了SCI-Net，结合全局上下文聚合模块（GCAM）、谱增强特征模块（SFM）和尺度感知扩张模块（SDM），通过频域注意力增强特征表达，并自适应整合多尺度特征以改善器械精细边界的分割性能 | NA | 提高手术器械分割的准确性和鲁棒性，以增强机器人手术系统的视觉感知和精确操作能力 | 手术器械 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 多个公开可用的手术器械分割数据集 | NA | SCI-Net | NA | NA |
| 726 | 2026-04-04 |
Quantum Convolutional Neural Networks: A Survey on Architectures, Applications, and Future Directions
2026-Apr-02, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3677762
PMID:41926404
|
综述 | 本文对量子卷积神经网络（QCNN）的架构、应用及未来方向进行了系统性综述 | 提供了首个系统且全面的QCNN综述，建立了统一的分类体系，并比较了不同架构、应用及工具箱 | 现有研究较为分散，缺乏统一的分类体系或完整综述，本文旨在填补这一空白 | 综述量子卷积神经网络的发展现状、架构变体、应用领域及未来挑战 | 量子卷积神经网络（QCNN）及其在量子多体物理和经典机器学习任务中的应用 | 机器学习 | NA | 量子计算 | 量子卷积神经网络（QCNN） | 高维数据集 | NA | Qiskit Machine Learning, Pennylane, TensorFlow Quantum (TFQ) | 全量子模型、变分模型、混合模型、基于图的模型 | NA | 量子计算平台 |
| 727 | 2026-04-04 |
Atomic-resolution imaging of gold species at organic liquid-solid interfaces
2026-Apr-02, Science (New York, N.Y.)
DOI:10.1126/science.adw2469
PMID:41926600
|
研究论文 | 本研究结合了提供原子分辨率的液相电子显微镜样本设计与深度学习分析，探索了金吸附原子、石墨载体和溶剂之间的相互作用 | 首次在有机液固界面实现原子分辨率成像，结合深度学习分析，追踪了金吸附原子、二聚体和更大团簇在不同溶剂中的位置 | 研究需要低温下的快速干燥动力学来优化催化性能，这可能在工业应用中带来挑战 | 探索固体-液体界面吸附原子的结构和动力学，以提升催化剂、电化学设备、分子分离技术和金属提取的性能 | 石墨载体上的金吸附原子、二聚体和团簇 | 材料科学 | NA | 液相电子显微镜 | 深度学习 | 图像 | 超过10个石墨载体上的金吸附原子、二聚体和团簇，在五种溶剂中 | NA | NA | NA | NA |
| 728 | 2026-04-04 |
Dosimetry Analysis of 177Lu-PSMA-I&T in Patients with Low-Volume Oligometastatic Hormone-Sensitive Prostate Cancer: A Secondary Analysis of the LUNAR Trial
2026-Apr-02, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.125.271467
PMID:41927282
|
研究论文 | 本文报告了LUNAR试验中针对低体积寡转移激素敏感性前列腺癌患者使用177Lu-PSMA-I&T的剂量学分析结果 | 首次在LUNAR试验的背景下，对177Lu-PSMA-I&T在寡转移激素敏感性前列腺癌患者中的器官和病灶吸收剂量进行了详细分析，并采用了深度学习辅助分割和基于体素的多时间点剂量估算方法 | 由于SPECT的空间分辨率有限，部分体积效应可能导致小体积病灶的吸收剂量被低估，且样本量相对较小（45例患者） | 评估177Lu-PSMA-I&T在寡转移激素敏感性前列腺癌患者中的安全性及病灶剂量异质性 | 低体积寡转移激素敏感性前列腺癌患者 | 数字病理学 | 前列腺癌 | SPECT/CT成像, 深度学习辅助分割, 基于体素的多时间点剂量估算 | 深度学习 | 医学影像（SPECT/CT, PET/CT） | 45例患者，共123个病灶 | NA | NA | 吸收剂量（Gy/GBq）, 中位SUV值 | NA |
| 729 | 2026-04-04 |
NMR-Solver: automated structure elucidation via large-scale spectral matching and physics-guided fragment optimization
2026-Apr-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71315-0
PMID:41927575
|
研究论文 | 本文提出了一个名为NMR-Solver的自动化框架，用于从氢和碳核磁共振谱中解析小有机分子的结构 | 将大规模谱图匹配与基于物理原理指导的分子优化相结合，利用核磁共振中原子级的结构-谱图关系，形成了一个可扩展、自动化且具有化学意义的分子结构解析通用范式 | 摘要未明确提及具体局限性 | 开发一个实用且可解释的自动化框架，用于从核磁共振谱中确定未知小有机分子的结构 | 小有机分子 | 计算化学 | NA | 核磁共振（NMR）光谱 | 深度学习 | 光谱数据（H和C NMR谱） | NA | NA | NA | NA | NA |
| 730 | 2026-04-04 |
A hybrid bio-inspired model for predicting urban air pollution using deep learning
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40726-w
PMID:41927618
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 731 | 2026-04-04 |
Cardiac myofibril networks induce shear stress
2026-Apr-02, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-026-00696-1
PMID:41927581
|
研究论文 | 本研究通过形态学分析和非线性有限元模型，探讨了绵羊左心室心肌细胞中肌原纤维网络在细胞收缩过程中对剪切应力的影响 | 揭示了肌原纤维网络（而非传统假设的单轴阵列）在细胞收缩中产生独特变形和剪切应力的机制，并展示了剪切应力与Z盘方向之间的相关性 | 研究基于绵羊左心室心肌细胞，可能无法直接推广到其他物种或心脏区域；模型依赖于深度学习分割的Z盘数据，可能存在分割误差 | 探索肌原纤维网络如何调节细胞收缩过程中的力传递和应力分布 | 绵羊左心室心肌细胞及其肌原纤维网络 | 计算生物力学 | 心血管疾病 | 深度学习分割、非线性有限元建模、形态学分析 | 有限元模型 | 图像数据（Z盘分割） | NA | NA | NA | NA | NA |
| 732 | 2026-04-04 |
A novel approach for disease and pests detection in potato production system based on deep learning
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45575-1
PMID:41927639
|
研究论文 | 本研究设计了一种基于深度学习的对象检测框架，用于在真实田间条件下识别和分类马铃薯主要病害和害虫 | 提出了一种新颖的深度学习对象检测框架，专门针对真实田间条件下的马铃薯病害和害虫进行识别与分类，并采用了多种最先进的模型进行比较 | 数据集存在类别不平衡问题，且未来需要进行更广泛的跨区域和跨季节验证 | 开发一种能够及时检测马铃薯病害和害虫的方法，以帮助制定有效决策，减少产量损失 | 马铃薯作物及其病害（如晚疫病、叶斑病、卷叶病毒）和害虫（如科罗拉多马铃薯甲虫） | 计算机视觉 | 马铃薯病害 | 深度学习对象检测 | CNN | 图像 | 2,403张田间图像，分为四个类别：晚疫病（630张）、叶斑病（370张）、卷叶病毒（888张）、科罗拉多马铃薯甲虫（515张） | PyTorch | YOLOv8, YOLOv7, YOLOv5, Faster R-CNN | 平均精度均值（mAP）@0.5 | NA |
| 733 | 2026-04-04 |
Deep learning detection of ectopic canines and molars in mixed dentition
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45912-4
PMID:41927690
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 734 | 2026-04-04 |
Enhancing lung diseases recognition through CNN-RNN methodologies
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45842-1
PMID:41927724
|
研究论文 | 本文提出了一种基于CNN-RNN的深度学习算法C-RNet，用于从胸部X射线图像中识别肺部疾病，包括肺炎和结核病 | 结合CNN和RNN与XAI技术，通过计算中间层输出的依赖性和连续性，提升肺部疾病的分类准确率 | 仅使用公开数据集，未涉及多中心或临床验证，且模型在更广泛疾病类型上的泛化能力未充分评估 | 提高肺部疾病（如肺炎和结核病）从胸部X射线图像中的识别准确率 | 胸部X射线图像 | 计算机视觉 | 肺部疾病 | X射线成像 | CNN, RNN | 图像 | NA | NA | C-RNet | 准确率, F1分数, FLOPS, 参数数量, 模型大小 | NA |
| 735 | 2026-04-04 |
HEAL: health-enhanced adaptive LoRaWAN for AI-based real-time soldier monitoring and status prediction
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44274-1
PMID:41927727
|
研究论文 | 本文提出了一种名为HEAL的AI增强型IoMT框架，用于在动态生理和通信条件下预测士兵健康状况 | 提出了一种结合自适应AI鲁棒性与LoRaWAN通信优化的端到端框架，能够在动态通信约束下维持稳定的健康预测性能 | 研究基于公开数据集和模拟环境，未在真实战场环境中进行部署验证 | 开发适用于资源受限环境的实时士兵健康监测与状态预测系统 | 士兵的生理时间序列数据 | 机器学习 | NA | 生理时间序列分析 | BiLSTM, Transformer | 多元生理时间序列数据 | 公开数据集的样本（具体数量未说明） | NA | BiLSTM, Transformer | 准确率, Macro F1-score, 数据包投递率 | NA |
| 736 | 2026-04-04 |
Emotion-driven front-end design of NEVs using an improved LSTM with LDA-based emotion mining
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45602-1
PMID:41927764
|
研究论文 | 本研究提出了一种结合语义挖掘和深度学习的框架，用于量化和优化用户对新能源汽车前端造型的情感偏好 | 提出了一种结合LDA情感挖掘、粗糙集理论降维和遗传算法优化的注意力增强LSTM网络，以建立抽象情感与具体形态特征之间的映射关系 | 未明确说明数据集的规模和多样性限制，也未讨论模型在其他车型或文化背景下的泛化能力 | 开发一种数据驱动的框架，将用户的情感偏好与新能源汽车的前端造型设计特征进行量化关联和优化 | 新能源汽车的前端造型设计 | 自然语言处理, 机器学习 | NA | 用户生成内容分析, 语义挖掘 | LSTM, LDA | 文本 | NA | NA | 注意力增强LSTM | NA | NA |
| 737 | 2026-04-04 |
Multimodal AI model for early detection of hepatocellular carcinoma
2026-Apr-02, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01393-2
PMID:41927783
|
研究论文 | 本研究开发了一种多模态AI模型，用于肝细胞癌的早期检测，结合组织病理学图像和转录组数据以提高诊断准确性 | 提出了一种两阶段多尺度深度学习模型（TMC-net），该模型在H&E图像上捕捉细微特征，并整合了筛选出的四个标记基因，构建了多模态分类模型，在内部和外部测试集上均表现出色 | 未明确说明模型在更广泛人群或不同医疗中心中的泛化能力，以及临床部署的实际挑战 | 开发人工智能辅助诊断框架，以区分早期肝细胞癌（eHCC）和癌前高级别异型增生结节（HGDN） | 早期肝细胞癌（eHCC）和癌前高级别异型增生结节（HGDN）的组织样本 | 数字病理学 | 肝细胞癌 | H&E染色成像，比较转录组分析 | 深度学习 | 图像，转录组数据 | 未明确指定具体样本数量，但涉及内部和外部测试集 | 未明确指定，可能为TensorFlow或PyTorch | TMC-net（两阶段多尺度深度学习模型） | AUROC | 未明确指定 |
| 738 | 2026-04-04 |
Efficient deep learning framework for arecanut disease detection using graph neural network and Bat algorithm
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46535-5
PMID:41927805
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 739 | 2026-04-04 |
Residual Conditional Variational Autoencoder for Multi-Center PET/CT Radiomic Feature Harmonization with Integrated Modeling of Batch Effects and Clinical Covariates
2026-Apr-02, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01934-y
PMID:41927822
|
研究论文 | 本研究提出了一种集成批次信息和临床协变量的残差条件变分自编码器模型（ResCVAE-Harmonizer），用于多中心特征协调，并系统全面地评估其协调性能 | 提出了一种新的ResCVAE-Harmonizer模型，能够同时消除线性和非线性批次效应，并整合临床协变量进行多中心特征协调 | 在线性方差一致性方面略逊于ComBat方法 | 开发并评估一种用于多中心PET/CT影像组学特征协调的深度学习方法 | 多中心PET和CT影像数据 | 数字病理学 | NA | PET/CT成像，影像组学特征提取 | 变分自编码器，残差网络 | 医学影像（PET和CT图像） | 来自9个不同中心的806个病例 | NA | ResCVAE-Harmonizer, 3D-DenseNet-121 | C-index, Levene检验的-log(p)值, 分类准确率, Kaplan-Meier生存曲线, log-rank检验 | NA |
| 740 | 2026-04-04 |
Automated Detection and Classification of Pleural Effusion on Computed Tomography Using Deep Learning
2026-Apr-02, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01938-8
PMID:41927820
|
研究论文 | 本研究开发并评估了一种基于深度学习的两阶段人工智能框架，用于从非对比胸部CT图像中自动分割和病因学分类胸腔积液 | 提出了一种结合U-Net分割与基于定量影像特征（面积、密度、纹理）的分类的两阶段深度学习框架，首次实现了胸腔积液的自动分割与病因学（脓胸、恶性、漏出性）分类 | 研究为回顾性设计，样本可能有限，且仅基于非对比胸部CT图像，未考虑临床或其他影像数据 | 开发自动分割和病因学分类胸腔积液的人工智能系统，以辅助临床决策 | 非对比胸部CT图像中检测到的胸腔积液区域 | 计算机视觉 | 胸腔积液相关疾病 | 非对比胸部CT成像 | U-Net, 逻辑回归, 支持向量机, 随机森林, 梯度提升 | 图像 | NA | NA | U-Net | 准确率, 宏F1分数 | NA |