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 9603 篇文献，本页显示第 8861 - 8880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8861 | 2026-01-17 |
Automated Detection and Monitoring of Ground-Nesting Bee Nests Using Drone Imagery and Deep Learning
2026-Jan, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.72856
PMID:41531897
|
研究论文 | 本文评估了结合无人机图像采集与深度学习技术，自动检测和监测地面筑巢蜜蜂巢穴土堆的可行性 | 首次将无人机高分辨率航拍图像与深度学习模型结合，用于自动检测和区分蜜蜂巢穴土堆与蚯蚓粪等其他土壤表面沉积物 | 误分类主要源于非典型形状的土堆（如新建、不完整或受损）以及土堆重叠的情况，且研究仅在特定裸露土壤区域进行，未来需评估其他栖息地和物种的适用性 | 开发一种可扩展的系统，用于自动检测和监测地面筑巢蜜蜂的巢穴土堆，以支持蜜蜂保护和管理 | 地面筑巢蜜蜂的巢穴土堆（土壤土堆） | 计算机视觉 | NA | 无人机高分辨率航拍图像采集 | 深度学习 | 图像 | 一个120米区域的裸露土壤，包含大量蚯蚓粪和密集的蜜蜂巢穴聚集 | NA | NA | F1分数, 精确率, 召回率 | NA |
| 8862 | 2026-01-17 |
Unsupervised quality assessment with generative adversarial networks for 3D OCTA microvascular imaging
2026-Jan-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.573843
PMID:41532099
|
研究论文 | 提出了一种基于生成对抗网络的3D OCTA微血管成像无监督质量评估方法 | 首次将3D GAN架构应用于OCTA图像质量评估，通过多尺度处理层融合精细血管细节与解剖上下文，实现无监督学习 | 未明确说明模型对不同类型伪影的具体泛化能力，且未讨论计算资源需求 | 开发自动化深度学习模型，定量客观地区分优质与次优质量的3D OCTA扫描 | 光学相干断层扫描血管造影（OCTA）的3D微血管成像数据 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描血管造影（OCTA） | GAN | 3D图像 | NA | NA | OCTA-GAN（包含多尺度处理层的3D GAN架构） | AUC, 敏感性, 特异性 | NA |
| 8863 | 2026-01-17 |
LensPlus: a high space-bandwidth optical imaging technique
2026-Jan-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.580164
PMID:41532106
|
研究论文 | 本文提出了一种基于深度学习的框架LensPlus，用于在不修改硬件的情况下增强定量相位成像的空间带宽积，实现大视场高分辨率成像 | 提出了一种非生成式深度学习框架，通过学习低数值孔径与高数值孔径物镜获取的配对数据集，恢复低NA测量中丢失的高频特征，从而在保持大视场的同时提高分辨率，有效提升空间带宽积，且相比对抗模型能最小化图像幻觉并确保定量保真度 | 未明确说明模型在非定量相位成像的其他成像模态中的具体性能表现及泛化能力限制 | 解决光学成像中空间带宽积对同时实现高分辨率与大视场成像的根本限制 | 定量相位成像及其他基于透镜的成像模态 | 计算机视觉 | NA | 定量相位成像 | 深度学习 | 图像 | NA | NA | 非生成式模型 | 空间带宽积提升倍数，定量保真度 | NA |
| 8864 | 2025-09-19 |
Letter to the Editor: Technical considerations in the development of a multimodal deep learning model for predicting hepatocellular carcinoma outcomes
2026-Feb-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001534
PMID:40960952
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8865 | 2025-09-20 |
Reply: Technical considerations in the development of a multimodal deep learning model for predicting hepatocellular carcinoma outcomes
2026-Feb-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001540
PMID:40966423
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8866 | 2026-01-16 |
Deep learning-based classification of acute scrotum using single ultrasound images
2026-Feb, BJU international
IF:3.7Q1
DOI:10.1111/bju.70091
PMID:41327908
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用单张超声图像对急性阴囊进行鉴别诊断 | 首次应用EfficientNet架构和类激活映射技术，通过单张超声图像实现急性阴囊扭转的自动化分类，并可视化模型决策的关键病理区域 | 数据集存在类别不平衡，前瞻性试点研究样本量较小（仅20例），需要更大规模、更平衡的多中心研究来验证临床效用 | 开发深度学习模型用于急性阴囊疼痛的鉴别诊断，特别是区分扭转与非扭转病例 | 急性阴囊疼痛患者 | 计算机视觉 | 急性阴囊疾病 | 多普勒超声成像 | CNN | 图像 | 1172名患者（来自四家医院），前瞻性试点研究包含20名患者 | NA | EfficientNet | 准确率, 精确率, 灵敏度, F1分数 | NA |
| 8867 | 2026-01-16 |
Correlation of Automated in Vivo Image Quality With Radiologist's Performance in Abdomen Computed Tomography Across Conventional and Deep Learning Reconstructions
2026-Jan-15, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001845
PMID:41536040
|
研究论文 | 本研究评估了CT图像质量（通过体内检测指数测量）与放射科医生在低对比度肝脏病变检测任务中的表现之间的相关性，并比较了传统滤波反投影和深度学习重建算法 | 提出了一种新的形式化方法，通过在内部噪声分量中添加频率项来适应深度学习重建的非线性特性，从而更一致地反映不同重建技术下的性能 | 研究仅针对结直肠肝转移的腹部CT图像，样本量有限（51例患者，161个病灶），且仅评估了低对比度肝脏病变检测任务 | 评估CT图像质量测量与放射科医生表现之间的相关性，并开发一种能适应不同重建算法的性能评估方法 | 51例接受对比增强腹部CT检查以研究结直肠肝转移的患者，共161个非钙化低密度肝脏病灶 | 医学影像分析 | 结直肠肝转移 | CT成像，滤波反投影重建，深度学习图像重建 | 深度学习图像重建算法 | CT图像 | 51例患者，161个肝脏病灶 | NA | NA | 检测指数，放射科医生准确性 | NA |
| 8868 | 2026-01-16 |
Artificial Intelligence in Pleural Diseases: Current Applications and Next Steps
2026-Jan-15, Thoracic research and practice
|
综述 | 本文综述了人工智能在胸膜疾病诊断中的当前应用，包括胸膜积液、恶性胸膜积液、结核性胸膜炎、气胸和恶性胸膜间皮瘤，并探讨了未来发展方向 | 系统评估了AI在多种胸膜疾病诊断中的整合应用，特别是在结合临床参数（如CT、PET-CT和肿瘤标志物）时显著提高了诊断准确性（AUC > 0.90），并指出AI模型在预后评估和治疗反应监测中的优势 | 需要大规模、多中心研究来标准化和推广AI模型 | 评估人工智能技术在胸膜疾病诊断中的现状与潜力 | 胸膜积液、恶性胸膜积液、结核性胸膜炎、气胸和恶性胸膜间皮瘤 | 数字病理学 | 胸膜疾病 | 深度学习算法，计算机辅助系统（如Aitrox） | 深度学习模型 | 放射学图像（CT、PET-CT），临床参数，实验室参数 | NA | NA | NA | 灵敏度，特异性，曲线下面积（AUC） | NA |
| 8869 | 2026-01-16 |
Diffusion Model-Guided Inverse Design of Bimetallic Catalysts for Ammonia Decomposition
2026-Jan-14, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.5c14652
PMID:41417939
|
研究论文 | 本研究提出了一种基于扩散模型的机器学习工作流，用于逆向设计双金属合金催化剂，以促进低碳氨分解反应 | 采用扩散模型进行催化剂的逆向设计，将生成与性能预测组件解耦，提高了材料设计过程的灵活性和准确性 | NA | 通过人工智能方法高效筛选和设计高性能、低成本且环保的双金属合金催化剂 | 双金属合金催化剂 | 机器学习 | NA | 扩散模型 | 扩散模型 | 材料结构数据 | NA | NA | NA | 氮吸附能 | NA |
| 8870 | 2026-01-16 |
Deep Learning Guided Exploration of Transition Metal Oxide Catalysts in Acetylene Selective Hydrogenation
2026-Jan-14, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.5c16333
PMID:41420613
|
研究论文 | 本研究结合密度泛函理论预测与深度学习算法，探索并发现了用于乙炔选择性加氢反应的高性能过渡金属氧化物催化剂 | 首次将DFT计算的电子与分子吸附特性映射与深度学习算法结合，用于高效探索新型催化剂材料，并成功发现了性能优异的CuTiO催化剂 | 研究主要关注过渡金属氧化物体系，未涉及其他类型催化剂；实验验证的催化剂种类有限 | 开发高效探索新型催化剂材料的方法，并应用于乙炔选择性加氢反应 | 过渡金属氧化物催化剂，特别是CuTiO与CuO掺杂的TiO材料 | 机器学习 | NA | 密度泛函理论（DFT）计算，深度学习算法 | 深度学习模型 | 电子特性与分子吸附特性数据 | NA | NA | NA | 乙炔转化率（>99%），乙烯选择性（>99%） | NA |
| 8871 | 2026-01-16 |
Dynamic Analysis of the Substrate Tolerance Mechanism and Domain Synergistic Engineering of CYP450 Fusion Protein (CYPLY)
2026-Jan-14, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.5c09518
PMID:41429466
|
研究论文 | 本研究通过整合多模板同源建模、分子动力学模拟和深度学习预测，揭示了CYP450融合蛋白的底物耐受机制，并通过协同工程改造显著提升了其催化性能 | 首次提出协同门控-动力学-电子传递调控模型，并利用深度学习指导突变设计，实现了底物抑制的显著缓解和电子传递效率的同步提升 | 研究主要基于计算模拟和体外实验，尚未在复杂工业发酵体系或体内环境中进行验证 | 阐明CYP450融合蛋白的底物耐受机制并开发高效的工程化改造策略 | 嵌合酶CYP153A/M228L-CPR（CYP）及其突变体 | 计算生物学 | NA | 多模板同源建模、分子动力学模拟、深度学习突变预测 | 深度学习模型 | 蛋白质结构数据、分子动力学轨迹、酶活性数据 | NA | NA | NA | 底物抑制缓解倍数（34倍、61倍）、转化率（49.1%、65.8%）、反应时间缩短（6小时、4小时） | NA |
| 8872 | 2026-01-16 |
Towards digital twin-enabled perioperative care: extending the potential of multimodal deep learning for cardiovascular risk stratification
2026-Jan-13, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004617
PMID:41537304
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8873 | 2026-01-16 |
Transformer based HF communication demodulation
2026-Jan-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-18407-x
PMID:41513715
|
研究论文 | 本文提出了一种基于深度学习的短波信道解调算法，旨在在低信噪比环境下提升解调性能 | 采用多通道输入方式，将信号的实部和虚部分别作为输入通道，并结合CNN模块进行局部特征提取，以更有效地捕获信号局部特性，相比传统方法和其他深度学习模型，在低信噪比下实现了1-5 dB的信噪比增益 | 未明确提及算法在更广泛信道条件或实际部署中的泛化能力及计算复杂度 | 提升低信噪比环境下短波通信的解调准确性和通信质量 | 短波信道信号 | 机器学习 | NA | 深度学习 | Transformer, CNN | 信号数据 | NA | NA | Transformer, CNN | 信噪比增益, 比特误码率 | NA |
| 8874 | 2026-01-10 |
Bayesian deep learning for probabilistic aquifer vulnerability and uncertainty prediction
2026-Jan-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32612-8
PMID:41507246
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8875 | 2026-01-16 |
Benchmarking community drug response prediction models: datasets, models, tools, and metrics for cross-dataset generalization analysis
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf667
PMID:41525315
|
研究论文 | 本研究提出了一个用于评估药物反应预测模型跨数据集泛化能力的标准化基准框架 | 引入了首个用于系统评估药物反应预测模型跨数据集泛化能力的标准化基准框架，包含统一的数据集、模型、评估指标和工作流程 | 研究仅基于五个公开数据集和七个模型，可能未涵盖所有现有方法和数据源 | 评估和比较不同药物反应预测模型在跨数据集场景下的泛化能力 | 药物反应预测模型 | 机器学习 | NA | 药物筛选 | 深度学习, 机器学习 | 药物筛选数据 | 五个公开药物筛选数据集 | NA | NA | 预测准确性, 性能下降幅度 | NA |
| 8876 | 2026-01-16 |
Integration of clinical, pathological, and endoscopic data improves prediction for lymph node metastasis in early gastric cancer: a retrospective multicenter study
2026-Jan-07, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004707
PMID:41536186
|
研究论文 | 本研究开发了一个深度学习系统，整合临床、病理和内镜数据，以预测早期胃癌的淋巴结转移，并在多中心回顾性研究中验证了其性能 | 开发了深度学习模型LNMate和DLEN，整合多模态数据预测淋巴结转移，并首次评估了其对内镜医师诊断性能的辅助作用 | 研究为回顾性设计，样本量有限（605例），且未在外部独立队列中进行前瞻性验证 | 提高早期胃癌淋巴结转移的预测准确性，以优化治疗决策 | 早期胃癌患者 | 数字病理学 | 胃癌 | 免疫组化分析，内镜黏膜下剥离术 | 深度学习模型 | 临床数据，病理数据，内镜图像 | 605名早期胃癌患者，其中32例进行了免疫组化分析 | NA | NA | AUC，准确性，特异性 | NA |
| 8877 | 2026-01-16 |
Human-like AI-based Auto-Field-in-Field Whole-Brain Radiotherapy Treatment Planning With Conversation Large Language Model Feedback
2026-Jan-02, ArXiv
PMID:41503098
|
研究论文 | 本研究提出了一种结合深度学习超参数预测与大语言模型对话界面的自动化全脑放疗计划生成流程 | 首次将深度学习超参数预测模型与基于大语言模型的对话式交互界面结合，用于自动化全脑放疗计划优化 | 研究样本量较小（55例训练，15例测试），且仅针对特定治疗计划系统（RayStation） | 开发一个自动化、高效且高质量的全脑放疗计划生成系统 | 全脑放疗患者的临床靶区与危及器官的几何特征 | 医学影像处理 | 脑部肿瘤 | 全脑放疗计划设计 | 深度学习模型, 大语言模型 | 几何特征数据, 语音输入 | 55例训练病例，15例独立测试病例 | NA | Whisper, GPT-4o | CTV D95%, D1%, D99%, 眼睛和晶状体剂量, 临床可接受性 | NA |
| 8878 | 2026-01-14 |
Advancing Clinical and Ethical Dimensions of Deep Learning in Cardiovascular Imaging
2026-Jan, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.71731
PMID:41527586
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8879 | 2026-01-16 |
Efficient computed tomography-based image segmentation for predicting lateral cervical lymph node metastasis in papillary thyroid carcinoma
2026-Jan, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.1.014504
PMID:41536566
|
研究论文 | 本研究提出了一种基于YOLOv8的深度学习模型，结合可变形自注意力模块，用于增强CT图像中甲状腺乳头状癌侧颈淋巴结转移的术前评估准确性 | 将可变形自注意力模块集成到YOLOv8模型中，以提高转移性淋巴结的分割精度 | 未明确提及模型在外部验证集上的泛化能力或与其他先进方法的直接比较 | 提高甲状腺乳头状癌侧颈淋巴结转移的术前评估准确性，辅助手术规划 | 甲状腺乳头状癌患者的增强CT图像 | 计算机视觉 | 甲状腺乳头状癌 | 增强CT成像 | CNN | 图像 | 基于病理学确认的PTC患者CT图像的大规模数据集（具体数量未提供） | NA | YOLOv8 | 精确度, 敏感性, 特异性 | NA |
| 8880 | 2025-11-09 |
Corrigendum to 'Decoding Epigenetic Enhancer-Promoter Interactions in Periodontitis via Transformer-GAN: A Deep Learning Framework for Inflammatory Gene Regulation and Biomarker Discovery' [International Dental Journal Volume 75, Issue 6, December 2025, 103879]
2026-Feb, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2025.103976
PMID:41202540
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |