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 12100 篇文献，本页显示第 8241 - 8260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8241 | 2026-02-25 |
An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA)
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38045-1
PMID:41714716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8242 | 2026-02-15 |
Multi-institutional deep learning for GTV segmentation and survival prediction in nasopharyngeal carcinoma
2026-Feb-13, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02195-5
PMID:41688962
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8243 | 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 |
| 8244 | 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 |
| 8245 | 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 |
| 8246 | 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 |
| 8247 | 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 |
| 8248 | 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 |
| 8249 | 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 |
| 8250 | 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 |
| 8251 | 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 |
| 8252 | 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 |
| 8253 | 2026-04-06 |
Artificial intelligence model for cardiovascular disease risk prediction in breast cancer patients using electronic health records and computed tomography scans
2026-May, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2026.111455
PMID:41759965
|
研究论文 | 本研究开发了一种融合深度学习模型，利用电子健康记录和CT扫描预测接受放疗的乳腺癌患者的心血管疾病死亡风险 | 首次结合电子健康记录和CT扫描数据，通过融合深度学习模型预测乳腺癌患者的心血管疾病死亡风险 | 研究仅针对接受放疗的乳腺癌患者，可能不适用于其他癌症类型或治疗方式 | 预测乳腺癌患者心血管疾病死亡风险，实现早期检测 | 接受放疗的乳腺癌患者 | 数字病理学 | 心血管疾病 | CT扫描，电子健康记录分析 | 融合深度学习模型 | 图像，文本 | 23,067名患者，包含约500万张CT切片和约60万份电子健康记录文档 | NA | NA | AUC，准确率 | NA |
| 8254 | 2026-04-06 |
Developing an artificial intelligence tool for detecting fractures of child abuse: preliminary findings
2026-Apr-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12513-8
PMID:41934493
|
研究论文 | 本研究旨在开发和评估一种基于深度学习的AI工具（BoneView），用于检测儿童虐待导致的骨折，通过初步训练提升了模型性能 | 首次将商业可用的深度学习算法应用于儿童虐待骨折的自动检测，并通过针对性的放射影像数据重新训练，初步验证了其性能提升的潜力 | 研究为单中心回顾性试点研究，样本量相对有限（1740名患者），且参考标准依赖于放射学报告和单一观察者的回顾性审查，可能存在偏差 | 开发并评估一种人工智能工具，以提高儿童虐待所致骨折的诊断准确性，辅助临床决策 | 5岁以下因疑似身体虐待接受骨骼检查的儿童及其放射影像 | 数字病理学 | 儿童虐待 | 放射影像学检查（骨骼检查） | 深度学习模型 | 图像（放射影像） | 1740名患者（平均年龄8.77个月，1026名男性），其中1227项阳性研究中329项被标注用于训练 | NA | BoneView | AUC, 灵敏度, 特异性 | NA |
| 8255 | 2026-04-06 |
Application of transformer-enhanced convolutional neural network: multicenter MRI assessment of muscle invasion in bladder cancer
2026-Apr-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12497-5
PMID:41934494
|
研究论文 | 本研究开发了一种基于Transformer增强卷积神经网络的深度学习模型，用于多中心MRI评估膀胱癌的肌层浸润情况 | 通过深度学习模型克服了传统MRI解读中因病灶形态（带蒂与无蒂）导致的诊断偏差，特别是在无蒂病灶中显著提高了特异性 | 研究未明确说明模型在其他类型病灶或不同MRI设备上的泛化能力，且样本量虽为多中心但可能仍存在选择偏倚 | 准确评估膀胱癌的肌层浸润情况，以指导治疗选择 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | MRI | CNN, Transformer | 图像 | 1374名患者 | PyTorch | nnU-Net, ConvNeXt-tiny | Dice系数, AUC, 准确率, 灵敏度, 特异性 | NA |
| 8256 | 2026-04-06 |
LTF-MSPCNet: A synergistic approach combining attention mechanisms and local texture features for oil spill segmentation in SAR images
2026-Apr-03, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2026.119689
PMID:41934891
|
研究论文 | 本文提出了一种结合注意力机制和局部纹理特征的SAR图像溢油分割新方法LTF-MSPCNet | 在TransUNet框架基础上，集成了LBP纹理特征提取方法到多尺度大核卷积模块，并引入了可学习的特征提取与重建机制，结合SE注意力机制抑制背景噪声 | 未明确说明模型在极端天气条件或复杂海况下的泛化能力，也未讨论计算效率与实时性 | 提高SAR图像中溢油区域的分割精度，特别是对小规模溢油区域的检测能力 | 合成孔径雷达（SAR）图像中的海洋溢油区域 | 计算机视觉 | NA | 合成孔径雷达（SAR）成像 | CNN, Transformer | 图像 | 1655个训练样本，370个测试样本（来自Sentinel-1 SAR图像） | NA | TransUNet, LTF-MSPCNet（基于TransUNet的改进架构） | Mean Dice, Mean IoU | NA |
| 8257 | 2026-04-06 |
From statistics to deep learning in single-molecule fluorescence resonance energy transfer analysis
2026-Apr-03, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2026.103268
PMID:41934925
|
综述 | 本文综述了基于深度学习的方法在单分子荧光共振能量转移分析中的应用，并与传统统计方法进行比较 | 探讨深度学习在smFRET分析中提升精度、准确性和速度的潜力，这是该领域的前沿研究方向 | NA | 比较深度学习与传统方法在smFRET信号分析中的性能 | 单分子荧光共振能量转移信号 | 机器学习 | NA | 单分子荧光共振能量转移 | 深度学习模型 | 荧光信号 | NA | NA | NA | 精度, 准确性, 速度 | NA |
| 8258 | 2026-04-06 |
Prediction of Early-onset Preeclampsia Using Deep Learning: A Scoping Review of Clinical and Imaging Models
2026-Apr-03, Pregnancy hypertension
DOI:10.1016/j.preghy.2026.101462
PMID:41935450
|
综述 | 本文对使用深度学习模型预测早发型子痫前期的临床和影像学方法进行了范围综述，总结了现有证据、模型性能及方法学局限性 | 首次对早发型子痫前期预测的深度学习模型进行范围综述，系统比较了临床模型与影像学模型，并识别了多模态模型在提升判别能力方面的潜力 | 纳入研究数量有限（15项），多数研究缺乏外部验证，模型泛化性不足，存在参与者选择、预测因子处理和分析程序等方法学局限 | 系统梳理和评估深度学习模型在预测早发型子痫前期方面的现有证据、性能及临床适用性 | 早发型子痫前期 | 机器学习 | 子痫前期 | NA | 深度学习, 机器学习 | 临床数据, 影像数据 | NA | NA | 深度神经网络, 随机森林, 梯度提升, XGBoost | AUC | NA |
| 8259 | 2026-04-06 |
Advances in Artificial Intelligence in Cosmetic Dermatology
2026-Apr, Actas dermo-sifiliograficas
IF:3.8Q1
DOI:10.1016/j.ad.2025.104560
PMID:41418903
|
综述 | 本文综述了人工智能在美容皮肤科中的应用进展，包括皮肤评估、个性化治疗开发以及相关移动应用和临床设备 | 总结了AI在美容皮肤科中从皮肤诊断到激光治疗预测和化妆品配方优化的多方面革命性应用，并指出了当前面临的挑战 | 面临数据偏见和临床验证不足等挑战 | 探讨人工智能在美容皮肤科领域的应用现状与未来潜力 | 美容皮肤科中的皮肤评估、诊断、治疗预测及产品推荐 | 机器学习 | NA | NA | 机器学习,深度学习 | NA | NA | NA | NA | 准确性 | NA |
| 8260 | 2026-04-06 |
Intelligent interferometric analysis of lipid layer thickness for clinical evaluation of dry eye disease
2026-Apr, The ocular surface
DOI:10.1016/j.jtos.2026.02.011
PMID:41794130
|
研究论文 | 本研究开发并验证了一个全自动深度学习框架，用于从白光干涉图像中定量分析泪膜脂质层厚度，以支持干眼症和睑板腺功能障碍的临床评估 | 首次将深度学习分割模型与基于物理的光学映射方法相结合，实现泪膜脂质层厚度的全自动定量测量，消除了传统定性或半定量评估的限制 | 研究主要基于特定动物模型和临床数据集，未涉及大规模多中心验证，且可能受成像条件变化的影响 | 开发一个全自动、可扩展的定量泪膜脂质层厚度分析工具，用于干眼症和睑板腺功能障碍的客观临床评估 | BALB/c小鼠的临床前图像以及健康志愿者和睑板腺功能障碍患者的临床数据集 | 计算机视觉 | 干眼症 | 白光干涉成像 | 深度学习分割模型 | 图像 | 动物和人类数据集，具体样本数量未明确说明 | NA | U-Net, DeepLabV3+, Unet++ | Dice系数, R2 | NA |