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 3338 篇文献，本页显示第 981 - 1000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2026-02-12 |
Leveraging Representation Learning for Bi-parametric Prostate MRI to Disambiguate PI-RADS 3 and Improve Biopsy Decision Strategies
2026-Feb-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001218
PMID:40586610
|
研究论文 | 本研究利用深度学习模型通过PI-RADS引导的表征学习，从双参数前列腺MRI图像中学习放射科医生的解读方式，以区分PI-RADS 3分类，检测临床显著前列腺癌，并减少不必要的良性活检 | 采用PI-RADS引导的表征学习方法训练深度学习模型，从放射科医生自信评估的MRI图像中学习表征，以解决PI-RADS 3分类的模糊性问题，并开发基于这些表征的活检决策模型，在避免良性活检方面优于放射科医生和临床模型 | 研究为单机构回顾性研究，可能受限于数据来源的多样性和读者差异，且模型在外部验证和泛化能力方面未明确评估 | 通过深度学习模型改善前列腺MRI中PI-RADS 3分类的歧义性，提高临床显著前列腺癌的检测准确性，并优化活检决策策略以减少不必要的良性活检 | 前列腺癌患者，包括已知或疑似前列腺癌的男性，涉及MRI检查和后续活检数据 | 数字病理学 | 前列腺癌 | 双参数前列腺MRI（T2加权和扩散加权成像） | 深度学习模型，表征学习器 | 图像 | 28,263次MRI检查（来自21,938名男性），其中6,352次后续活检，训练集包括21,465次放射科医生自信评估的检查 | NA | NA | AUC, 敏感性, 阴性预测值, 活检产出率 | NA |
| 982 | 2026-02-12 |
AFM-Based Deep Learning Decodes Human Macrophage Mechanophenotypes
2026-Feb, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202500953
PMID:40722235
|
研究论文 | 本研究介绍了一种结合原子力显微镜与深度学习的集成平台，用于在单细胞分辨率下对巨噬细胞进行无标记的机械表型分析 | 首次将原子力显微镜的纳米级力学映射与深度神经网络相结合，实现了无需传统免疫标记、能动态区分巨噬细胞功能表型（M0、M1、M2）并揭示混合极化状态的非破坏性方法 | 未明确提及样本量或外部验证队列的详细信息，且方法可能依赖于特定的仪器平台 | 开发一种无标记、动态的免疫监测策略，通过细胞力学特性解码巨噬细胞的功能表型 | 人类巨噬细胞在不同激活状态（初始M0、炎症M1、修复M2）下的形态与纳米力学特征 | 生物医学工程，计算生物学 | 免疫相关疾病（泛指） | 原子力显微镜纳米级力映射 | 深度神经网络 | 纳米力学与形态学图像数据（如杨氏模量、粘附力、球形度） | NA | NA | 深度神经网络（具体架构未指定） | 分类准确性（隐含） | NA |
| 983 | 2026-02-12 |
Advanced deep learning for early diagnosis of arsenic-induced dermatological conditions through dermoscopic image evaluation
2026-Feb, Journal of medical engineering & technology
DOI:10.1080/03091902.2025.2590472
PMID:41273294
|
研究论文 | 本研究提出了一种先进的深度学习框架，通过皮肤镜图像分析支持砷诱导皮肤病的早期诊断 | 采用协同ResNet-DenseNet架构提取判别性图像特征，结合k近邻算法进行分类，实现了对砷暴露相关皮肤病变的高精度自动化评估 | 研究仅基于孟加拉国四个现场的数据集，可能缺乏全球代表性；未提及模型在外部验证集上的泛化性能 | 开发深度学习框架以辅助砷诱导皮肤病的早期诊断和公共卫生监测 | 砷暴露个体和未受影响个体的皮肤镜图像 | 计算机视觉 | 皮肤病 | 皮肤镜图像分析 | CNN, k-NN | 图像 | 8892张皮肤镜图像 | NA | ResNet, DenseNet | 准确率, F1分数, 灵敏度, 召回率 | NA |
| 984 | 2026-02-12 |
Classification of epileptic seizure using hybrid deep learning framework with time and time-frequency Hjorth features
2026-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2026.2618585
PMID:41589762
|
研究论文 | 本文提出了一种结合时域和时频域Hjorth参数特征以及注意力增强时序建模的混合深度学习框架，用于癫痫发作阶段的分类 | 提出了一种新颖的混合深度学习框架，整合了多域（时域和时频域）的Hjorth参数特征，并引入了注意力机制来增强时序建模能力 | NA | 开发一个用于癫痫发作阶段分类的深度学习框架 | 癫痫发作阶段，包括正常、发作间期和发作期 | 机器学习 | 癫痫 | 离散小波变换 | CNN, BiLSTM, 注意力机制 | 脑电图数据 | 基于Bonn EEG数据集，具体样本数量未明确说明 | NA | 1D CNN, BiLSTM | 准确率, 精确率, 召回率, F1分数 | NA |
| 985 | 2026-02-12 |
Beyond the Leaderboard: Evaluating the Robustness of Deep Learning Models for Detecting Freezing of Gait
2026-Feb, The European journal of neuroscience
DOI:10.1111/ejn.70424
PMID:41657009
|
研究论文 | 本文评估了深度学习模型在检测帕金森病患者步态冻结症状中的鲁棒性和可转移性 | 通过组织全球机器学习竞赛并测试获胜模型在新数据集上的表现，验证了模型的可转移性，发现第三名模型在新数据上表现良好，与专家标注的一致性相当或优于人工评分者 | 模型在检测步态冻结发作次数或亚型时表现不佳，可能需要额外传感器或其他建模方法 | 开发并评估用于自动检测帕金森病患者步态冻结的深度学习模型 | 帕金森病患者 | 机器学习 | 帕金森病 | 加速度传感器数据 | 深度学习模型 | 加速度数据 | 12名患者 | NA | NA | F1分数, 准确率, 召回率, 特异性, 精确率, 组内相关系数 | NA |
| 986 | 2026-02-12 |
Computed tomography-based prediction of commissural positions facilitates valve-sparing aortic root replacement
2026-Feb, JTCVS techniques
IF:1.7Q2
DOI:10.1016/j.xjtc.2025.11.007
PMID:41658864
|
研究论文 | 本研究比较了基于CT的主动脉根部再植入术规划与传统方法，并评估了深度学习算法自动CT测量的准确性 | 首次将深度学习算法应用于CT测量，以自动化预测主动脉瓣连合位置，减少术中调整需求 | 样本量较小（仅20例患者），且为单中心研究，可能影响结果的普遍性 | 评估CT规划和深度学习算法在主动脉根部再植入术中的效果 | 接受David再植入术的主动脉根部疾病患者 | 数字病理学 | 心血管疾病 | 计算机断层扫描（CT），心电图门控CT | 深度学习算法 | CT图像 | 20例患者用于CT组，20例对照组，另50例用于算法验证 | NA | NA | 组内相关系数（ICC），差异范围 | NA |
| 987 | 2026-02-12 |
Deformable lung models for anatomical lung resections: The introduction of simulated reality for imaging guidance
2026-Feb, JTCVS techniques
IF:1.7Q2
DOI:10.1016/j.xjtc.2025.10.022
PMID:41658897
|
研究论文 | 本文介绍了一种结合人工智能、有限元方法、三维可视化和四维交互的PulmoSimulatedReality技术，用于肺切除术的术前成像和术中手术引导 | 提出了PulmoSimulatedReality技术，首次将人工智能、有限元方法、三维可视化和四维交互集成，为肺切除术提供动态可变形解剖模型 | 仅进行了30例患者的初步验证，样本量较小，且为回顾性研究，缺乏前瞻性临床验证 | 开发并验证一种用于肺切除术术前成像和术中引导的新型四维可变形肺模型技术 | 接受肺切除术的30例患者 | 数字病理 | 肺癌 | 深度学习算法、有限元方法、三维可视化、四维交互 | 深度学习算法 | 医学影像数据、术中视频记录 | 30例接受肺切除术的患者 | NA | NA | 准确度、精确度、灵敏度、延迟时间、三维模型重建时间 | NA |
| 988 | 2026-02-12 |
RE: An observational study of deep learning and automated evaluation of cervical images for cancer screening
2026-Feb-01, Journal of the National Cancer Institute
DOI:10.1093/jnci/djaf348
PMID:41392328
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 989 | 2026-02-12 |
Attention-Enhanced Convolutional BiLSTM Model for Predicting Recovery Outcomes in Sports Injuries
2026-Feb, Indian journal of orthopaedics
IF:1.1Q3
DOI:10.1007/s43465-025-01417-2
PMID:41669206
|
研究论文 | 本研究提出了一种新颖的混合深度学习模型，用于预测运动损伤的康复结果 | 提出了一种结合注意力机制、随机森林优化、卷积神经网络和双向长短期记忆网络的混合模型（A-RF-CBiLSTM），用于运动损伤康复预测，显著提升了预测性能 | 未明确提及模型在外部验证集上的泛化能力或临床部署的可行性 | 改进运动损伤评估和康复预测，为年轻运动员提供精准个性化的康复方案 | 下肢运动损伤 | 机器学习 | 运动损伤 | 肌电图（EMG）、运动学数据采集 | CNN, BiLSTM | 肌电图信号、运动学数据 | 来自四个综合数据集的数据，具体样本数量未明确说明 | NA | 卷积块注意力模块（CBAM）、深度可分离卷积神经网络、双向长短期记忆网络 | 准确率, 精确率, 召回率, F1分数, 特异性 | NA |
| 990 | 2026-02-12 |
Hotspots and Trends in the Application of Artificial Intelligence in Spine Medicine from 2005 to 2024: A Bibliometric and Visualization Analysis
2026-Feb, Indian journal of orthopaedics
IF:1.1Q3
DOI:10.1007/s43465-025-01585-1
PMID:41669209
|
研究论文 | 本文对2005年至2024年间人工智能在脊柱医学领域的应用进行了全面的文献计量和可视化分析，揭示了研究热点和趋势 | 首次通过文献计量学方法系统梳理了人工智能在脊柱医学领域近二十年的发展历程，识别了研究热点和前沿，并提出了未来研究方向 | 分析仅基于Web of Science核心合集数据库的英文文献，可能遗漏其他语言或数据库的相关研究，且文献计量方法本身存在一定局限性 | 通过文献计量分析揭示人工智能在脊柱医学领域的研究趋势，为未来研究方向提供信息 | 2005年至2024年间Web of Science核心合集中关于人工智能在脊柱医学应用的英文出版物 | 机器学习 | NA | 文献计量分析，可视化分析 | NA | 文献数据 | 1344篇论文 | CiteSpace, VOSviewer, Bibliometrix R | NA | NA | NA |
| 991 | 2026-02-12 |
How does a deep neural network look at lexical stress in English words?
2026-Feb-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0042429
PMID:41670352
|
研究论文 | 本研究探讨了深度神经网络如何从英语单词的声谱图中预测词汇重音位置，并利用层相关性传播技术分析其决策依据 | 首次将层相关性传播技术应用于分析卷积神经网络在词汇重音预测任务中的决策过程，揭示了网络如何利用分布式声学线索 | 研究仅基于英语双音节词，未扩展到多音节词或其他语言；数据集虽包含自发语音，但可能未覆盖所有语音变体 | 探究深度神经网络在词汇重音预测任务中的内部决策机制与可解释性 | 英语双音节词的声谱图数据，包括朗读和自发语音 | 自然语言处理 | NA | 声谱图分析 | CNN | 声谱图 | 自动构建的英语双音节词数据集，包含朗读和自发语音样本 | NA | 多种卷积神经网络架构 | 准确率 | NA |
| 992 | 2026-02-12 |
The Transformative Impact of Deep Learning and Artificial Intelligence on Parasitic Disease Diagnosis
2026-Feb-01, Clinical laboratory
IF:0.7Q4
DOI:10.7754/Clin.Lab.2025.250543
PMID:41670505
|
综述 | 本文综述了深度学习和人工智能在寄生虫病诊断中的应用，重点关注卷积神经网络和机器学习在检测疟疾、利什曼病和血吸虫病等病原体方面的潜力 | 强调了AI与便携式诊断工具在资源有限地区的整合潜力，以提升全球卫生成果 | 数据异质性和算法偏见是主要挑战，需克服以实现伦理和公平的实施 | 探讨人工智能，特别是深度学习，在寄生虫病诊断中的变革性影响 | 疟疾、利什曼病和血吸虫病等寄生虫病原体 | 机器学习 | 寄生虫病 | NA | CNN, ML | 临床样本、影像数据、流行病学数据 | NA | NA | NA | 灵敏度, 特异度 | NA |
| 993 | 2026-02-12 |
Construction and validation of a CT-based radiomics-deep learning signature for non-invasive prediction of PD-L1 expression and immunotherapy outcomes in non-small cell lung cancer
2026-Jan-31, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-1-1433
PMID:41659266
|
研究论文 | 本研究构建并验证了一种基于CT的放射组学-深度学习特征，用于无创预测非小细胞肺癌的PD-L1表达及免疫治疗结果 | 融合了放射组学特征和深度学习特征，开发了一种新型的CT图像签名（RADLsig），用于无创预测PD-L1表达和免疫治疗反应，相比单一方法性能更优 | 研究为回顾性设计，模型开发队列中腺癌占主导且多为早期疾病，可能限制了泛化性；PD-L1表达检测依赖免疫组化，存在采样偏差等固有局限 | 开发一种非侵入性预测工具，用于评估非小细胞肺癌患者的PD-L1表达状态和免疫治疗临床结局 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像, 免疫组化, 单细胞RNA测序 | 深度学习, 放射组学 | CT图像 | 模型开发队列531例患者，独立免疫治疗验证队列145例患者，TCIA验证队列128例患者 | PyRadiomics | NA | AUC, 客观缓解率, 相关系数 | NA |
| 994 | 2026-02-12 |
A CT imaging-based deep learning model for predicting EGFR and KRAS mutations in non-small cell lung cancer: toward personalized treatment approaches
2026-Jan-31, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-1043
PMID:41659270
|
研究论文 | 本研究开发并外部验证了一种基于CT成像和临床变量的多模态深度学习模型，用于无创预测非小细胞肺癌中的EGFR和KRAS突变 | 提出了结合CT成像特征与临床变量的多模态深度学习模型LG-MutaNet，并在多个外部数据集上验证了其预测EGFR和KRAS突变的高性能 | 研究依赖于公开数据集，可能受数据质量和样本选择偏差影响；模型在更广泛人群中的泛化能力仍需进一步验证 | 开发一种非侵入性方法，通过CT成像和临床数据预测非小细胞肺癌的关键基因突变，以支持个性化治疗决策 | 非小细胞肺癌患者的CT扫描图像及相关临床变量 | 数字病理学 | 肺癌 | CT成像 | 深度学习模型 | 图像, 临床数据 | 来自TCIA（包括NSCLC Radiogenomics、TCGA-LUSC和TCGA-LUAD）的多个数据集 | NA | Local-Global Mutation Network (LG-MutaNet) | AUC, 准确率, 敏感性, 特异性, F1分数 | NA |
| 995 | 2026-02-12 |
Predicting functional topography of the human visual cortex from cortical anatomy at scale
2026-Jan-30, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.27.690210
PMID:41394692
|
研究论文 | 本文介绍了一种基于深度学习的应用，用于仅从皮层解剖结构预测人类视觉皮层的功能地形组织 | 开发了首个仅依赖皮层解剖结构、无需功能神经成像即可预测个体特异性视觉皮层功能地形图的深度学习方法，并成功应用于大规模数据集以量化年龄相关变化 | NA | 预测人类视觉皮层的功能地形组织，并实现基于解剖结构的大规模功能性脑映射 | 人类视觉皮层 | 机器学习 | NA | 深度学习 | 深度学习模型 | 解剖扫描图像 | 11,060个解剖扫描 | NA | NA | NA | NA |
| 996 | 2026-02-12 |
Connectome of a human foveal retina
2026-Jan-28, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.05.647403
PMID:40799563
|
研究论文 | 本研究利用基于深度学习的分割技术，重建了人类中央凹视网膜的所有细胞和突触连接，揭示了人类特有的神经环路特征 | 首次在人类中央凹视网膜中实现了纳米级分辨率的完整连接组重建，并发现了非人类灵长类动物中不存在的突触通路，这为人类三色视觉提供了新的解释 | 研究仅基于一个人类中央凹视网膜样本，可能无法完全代表个体差异或更广泛的人群特征 | 旨在获取人类中枢神经系统结构的第一个完整连接组，以理解人类视觉处理的基础神经机制 | 人类中央凹视网膜的细胞和突触连接 | 数字病理学 | NA | 深度学习分割，纳米级分辨率成像 | 深度学习 | 图像 | 一个人类中央凹视网膜样本，包含约3,000个细胞 | NA | NA | NA | NA |
| 997 | 2026-01-28 |
Letter to the editor: Deep learning and digital pathology for HCC prediction in steatotic liver disease
2026-Jan-26, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001696
PMID:41587349
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 998 | 2026-02-12 |
Novel discovery framework: harnessing adaptive learning for breakthroughs in drug development and clinical applications
2026-Jan-16, Integrative biology : quantitative biosciences from nano to macro
IF:1.5Q4
DOI:10.1093/intbio/zyaf024
PMID:41665938
|
综述 | 本文回顾了深度学习在药物研发和临床应用中的新兴范式——自适应学习，探讨其如何通过动态架构应对研发挑战 | 提出了自适应学习作为下一代深度学习框架，强调自组织模型能随时间调整输入以优化学习，突破传统静态分析结构的限制 | 从转化研究视角看，当前深度学习在药物发现中的局限性讨论较少，且自适应学习框架仍处于早期阶段，实际应用验证不足 | 探索药物研发和临床应用中应对高成本和高失败率的新框架，重点关注患者分层和疗法匹配的改进 | 药物研发流程、临床患者数据、疾病相互作用网络 | 机器学习 | NA | NA | 液体神经网络, 图注意力算法, 数字孪生 | NA | NA | NA | NA | NA | NA |
| 999 | 2026-02-12 |
A fully autonomous AI system for accurate and reproducible Cobb angle measurement in adolescent idiopathic scoliosis: a multicenter study
2026-Jan-06, The spine journal : official journal of the North American Spine Society
DOI:10.1016/j.spinee.2026.01.010
PMID:41506453
|
研究论文 | 本研究开发了一种基于人工智能的全自动系统，用于在青少年特发性脊柱侧凸的全脊柱X光片上准确、可重复地测量Cobb角 | 开发了SPARC AI系统，实现了无需人工干预的全自动Cobb角测量，相比专家初始评估，能检测更高比例的脊柱曲线（94.0% vs. 86.4%）且误差范围更小（±20.3° vs. ±41.3°） | 研究为回顾性、观察性设计，可能受限于数据收集的医院和患者群体；未明确说明模型在外部验证集上的泛化性能 | 开发一个自动化、可重复的人工智能系统，以辅助全脊柱X光片上的Cobb角估计，减少诊断不确定性 | 青少年特发性脊柱侧凸（AIS）患者的全脊柱前后位/后前位X光图像 | 计算机视觉 | 青少年特发性脊柱侧凸 | X光成像 | 深度学习模型 | 图像 | 484张X光图像，包含1,054条经脊柱外科医生达成共识的曲线 | 未明确说明 | 未明确说明 | 平均绝对误差（MAE），检测比例，误差范围 | 未明确说明 |
| 1000 | 2026-02-12 |
Combining Pre- and Post-Demosaicking Noise Removal for RAW Video
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3527886
PMID:40031011
|
研究论文 | 本文提出了一种结合去马赛克前后去噪的自相似性去噪方案，用于Bayer模式CFA视频数据 | 通过加权预去马赛克和后去马赛克去噪器，并集成时间轨迹预滤波步骤，实现自适应不同噪声水平的实时视频去噪 | 未明确提及模型对极端场景或未知噪声分布的泛化能力限制 | 开发一种自适应噪声水平、适用于真实世界视频处理的去噪方法 | Bayer模式CFA视频数据 | 计算机视觉 | NA | 深度学习去噪 | 神经网络 | 视频 | NA | NA | NA | 图像质量 | NA |