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 1001 - 1020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1001 | 2026-02-12 |
Is EMG Information Necessary for Deep Learning Estimation of Joint and Muscle Level States?
2026-Jan, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3577084
PMID:40471740
|
研究论文 | 本研究探讨了在深度学习模型中，肌电图（EMG）信息对于估计关节和肌肉水平生理状态的必要性 | 通过比较使用和不使用EMG信息的深度学习模型，首次系统评估了EMG在关节和肌肉状态估计中的作用，并发现仅训练时使用EMG即可显著提升肌肉状态估计性能 | 需要EMG作为模型输入的方法在实际部署中可能不切实际，因为需要获取EMG数据 | 开发准确、非侵入性的方法来估计关节和肌肉的生理状态，以增强可穿戴设备在真实世界行走中的控制 | 膝关节的生理状态，包括力矩、功率、速度和力 | 机器学习 | NA | 深度学习 | 深度学习模型 | 运动学输入 | 28种不同的周期性和非周期性任务 | NA | NA | NA | NA |
| 1002 | 2026-02-12 |
Reduction of membrane-derived noise using beam-tilt measurement and deep learning in observation using environmental cell
2026-Jan-01, Microscopy (Oxford, England)
DOI:10.1093/jmicro/dfaf031
PMID:40581827
|
研究论文 | 提出一种结合电子束倾斜测量和深度学习的方法，用于去除环境细胞电子显微镜中由硅氮化物膜引起的噪声 | 首次将Noise2Noise深度学习模型应用于电子束倾斜序列图像，有效分离膜噪声与样本信息，并同步消除泊松噪声 | 未明确说明方法对动态样本或极端环境条件的适用性，且未提供量化对比实验数据 | 提升环境细胞电子显微镜在气体/液体环境中观测纳米材料的图像质量 | 催化剂及其他纳米材料在环境细胞中的透射电子显微镜图像 | 计算机视觉 | NA | 透射电子显微镜，环境细胞技术 | 深度学习 | 图像序列 | NA | NA | Noise2Noise | 信噪比 | NA |
| 1003 | 2026-02-12 |
Application of explainable artificial intelligence integrating with electronic health record in oncology
2026, Exploration of targeted anti-tumor therapy
DOI:10.37349/etat.2026.1002357
PMID:41657585
|
综述 | 本文综述了可解释人工智能（XAI）方法在基于电子健康记录（EHR）的肿瘤学任务中的应用、挑战及未来研究方向 | 总结了当前XAI在肿瘤学EHR任务中的应用方法，并提出了加速其在肿瘤学中安全采用的实用建议和研究方向 | 存在报告不一致、临床效用评估不足、可重复性有限、外部验证不足以及对公平性考虑不充分等差距 | 提高基于EHR的肿瘤学机器学习模型的透明度和临床可接受性，以改善肿瘤学护理 | 基于电子健康记录的肿瘤学机器学习模型 | 机器学习 | 肿瘤学 | NA | 树模型, 广义可加模型 | 电子健康记录 | NA | NA | NA | NA | NA |
| 1004 | 2026-02-12 |
IoMT-Fog-Cloud-based AI frameworks for chronic disease diagnosis: updated comparative analysis with recent AI-IoMT models (2020-2025)
2026, Frontiers in medical technology
IF:2.7Q3
DOI:10.3389/fmedt.2026.1748964
PMID:41657732
|
综述 | 本文对2020年至2025年间发表的基于AI的IoMT系统研究进行了比较分析，重点关注用于糖尿病和心血管疾病诊断的IoMT-Fog-Cloud框架，并评估其诊断性能和网络服务质量 | 首次对2020-2025年间AI驱动的IoMT-Fog-Cloud框架进行系统性比较分析，重点关注诊断性能与网络QoS的联合评估，并提出了可复现比较的14项指标分类体系 | 纳入研究数量有限（14项），部分研究报告的性能可能过于乐观，存在小数据集、类别不平衡、模拟评估中的潜在数据泄露或过拟合等问题 | 比较分析近期（2020-2025）用于慢性疾病诊断的AI-IoMT模型与IoMT-Fog-Cloud框架的性能与服务质量 | 糖尿病和心血管疾病患者 | 医疗物联网 | 糖尿病, 心血管疾病 | NA | 可解释深度学习, 集成深度学习 | 生物信号流数据 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数, 灵敏度, 特异性 | Fog计算, 云计算 |
| 1005 | 2026-02-12 |
Construction and validation of deep learning-based pathomics signature model for predicting postoperative recurrence of patients with clear cell renal cell carcinoma
2026, American journal of cancer research
IF:3.6Q2
DOI:10.62347/ZCHX8002
PMID:41657786
|
研究论文 | 本研究开发了一种基于注意力的多实例深度卷积神经网络（CRPNet），用于早期预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险 | 提出了一种新的基于注意力的多实例深度卷积神经网络（CRPNet），用于从全切片图像中提取病理组学特征以预测ccRCC术后复发，其性能超越了包括UISS、SSIGN和Karakiewicz列线图在内的传统预后模型 | 模型在验证队列中的召回率（63.16%）和假阴性率（36.84%）仍有提升空间，且研究样本量相对有限（训练集183例，验证集75例） | 开发并验证一个深度学习模型，以准确预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险 | 透明细胞肾细胞癌（ccRCC）患者 | 数字病理学 | 肾细胞癌 | 全切片图像（WSI）分析 | CNN | 图像 | 训练集：183例ccRCC患者的WSI；验证集：75例ccRCC患者的WSI | NA | CRPNet（一种基于注意力的多实例深度卷积神经网络） | AUC, 准确率, 精确率, 召回率, 假阳性率, 假阴性率, C-index, 风险比, Kaplan-Meier分析 | NA |
| 1006 | 2026-02-12 |
3DeepVOG: An Open-Source Framework for Real-Time, Accurate 3D Gaze Tracking with Deep Learning
2026 Jan-Dec, Digital biomarkers
DOI:10.1159/000549948
PMID:41658975
|
研究论文 | 本文介绍了3DeepVOG，一个基于深度学习的开源框架，用于实时、准确的三维单目注视跟踪，包括水平、垂直和扭转旋转 | 结合自动瞳孔和虹膜分割与几何可解释估计，使用双球解剖眼球模型和角膜折射校正，并采用新颖的小块模板匹配方法实时跟踪扭转运动 | NA | 开发一个在多样化成像条件下（包括低光和噪声环境）稳健运行的三维注视跟踪框架，以克服传统视频眼动图系统的局限性 | 眼动作为神经耳科、神经眼科和神经退行性疾病的生物标志物 | 计算机视觉 | 神经退行性疾病 | 视频眼动图 | 深度学习 | 图像 | 超过24,000个注释样本，来自多个设备和临床场景 | NA | NA | 注视误差（约0.1°）、扫视峰值速度、平滑追踪增益、视动性眼震慢相速度 | NA |
| 1007 | 2026-02-12 |
PhysMorph: A biomechanical and image-guided deep learning framework for real-time multi-modal liver image registration
2026-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.100906
PMID:41659345
|
研究论文 | 本文提出并验证了PhysMorph，一种结合生物力学正则化和图像相似性度量的深度学习框架，用于实现肝脏多模态图像的实时配准 | 将有限元方法模拟作为生物力学正则化整合到深度学习配准框架中，实现了快速、解剖学上合理的MR-CBCT图像配准 | NA | 开发一个快速、准确且物理真实的肝脏图像配准框架，以支持立体定向体部放射治疗 | 肝脏图像，包括预处理磁共振成像和机载锥形束计算机断层扫描 | 计算机视觉 | 肝癌 | 磁共振成像, 锥形束计算机断层扫描 | 深度学习 | 图像 | 两个数据集：1) 从纵向MR-Linac扫描中获得的模拟数据；2) 来自肝脏SBRT患者的临床MR-CBCT图像对 | NA | NA | 目标配准误差, 平均表面距离, 生物力学保真度指标 | NA |
| 1008 | 2026-02-12 |
BTdiagAI: A Web-Deployed Hybrid Framework for Brain Tumor Classification Using Optimized MRI Preprocessing and Deep Learning Fusion
2026 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.70053
PMID:41659364
|
研究论文 | 本研究提出了一种基于优化MRI预处理和深度学习融合的混合框架BTdiagAI，用于脑肿瘤分类，并通过Web平台实现部署 | 系统评估了五种MRI预处理方法，并提出了一个融合微调InceptionV3、DenseNet121和Xception网络的深度学习框架，结合特征选择和机器学习分类，以解决类不平衡问题 | 研究未明确讨论预处理方法在不同肿瘤类型或MRI设备间的泛化能力，且可能受限于所用数据集的规模和多样性 | 开发一个高效、准确的脑肿瘤自动分类系统，以辅助临床诊断 | 脑部MRI扫描图像 | 计算机视觉 | 脑肿瘤 | MRI预处理（包括CLAHE、Nyul归一化、N4偏置校正、模板配准、White Stripe归一化） | CNN | 图像 | NA | TensorFlow, Keras | InceptionV3, DenseNet121, Xception | 准确率 | NA |
| 1009 | 2026-02-12 |
Case Report: Novel ASAP1::BRAF fusion in a young adult with low-grade temporal lobe glioma
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1763047
PMID:41659712
|
病例报告 | 报告了一名年轻成年低级别颞叶胶质瘤患者中发现的新的ASAP1::BRAF融合基因 | 首次报道了ASAP1::BRAF融合基因在低级别胶质瘤中的存在，扩展了BRAF融合伴侣的谱系 | 仅基于单个病例报告，缺乏大规模临床验证和功能实验证实 | 描述低级别胶质瘤中一种新型BRAF融合基因的分子特征及其临床意义 | 一名31岁女性低级别颞叶毛细胞星形细胞瘤患者 | 数字病理学 | 脑胶质瘤 | RNA测序, 深度学习验证 | 深度学习 | RNA测序数据 | 1例患者肿瘤样本 | FusionAI | NA | 融合概率评分 | NA |
| 1010 | 2026-02-12 |
Accuracy of artificial intelligence applications in periodontics: a thematic narrative review
2026, Frontiers in dental medicine
IF:1.5Q3
DOI:10.3389/fdmed.2026.1729825
PMID:41660180
|
综述 | 本文综述了2019年至2025年间发表的35项研究，评估了人工智能在牙周病学诊断中的应用准确性 | 首次对牙周病学中人工智能应用的准确性进行了主题性叙事综述，并综合了多中心、外部验证和可解释性研究的最新进展 | 研究间存在数据集、解剖部位、参考标准、模型架构和报告实践的显著异质性，且自主诊断仍不成熟 | 评估人工智能在牙周病学诊断中的准确性，并探讨其临床转化路径 | 牙周病学诊断，包括牙槽骨丧失检测、牙槽骨水平测量、根分叉病变识别和根尖周病变检测 | 数字病理学 | 牙周病 | 影像学技术（根尖片、咬翼片、全景片、锥形束CT、口内照片） | CNN, Transformer | 图像（放射影像、口内照片） | 35项研究（具体样本量未在摘要中明确给出） | NA | 卷积神经网络, Transformer网络, 混合分割-分类架构 | 诊断准确性, AUC, 灵敏度, 特异性 | NA |
| 1011 | 2026-02-12 |
Assessing the potential of deep learning for protein-ligand docking
2026, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-025-01160-1
PMID:41624973
|
研究论文 | 本文通过引入PoseBench基准，系统评估了深度学习方法在蛋白质-配体对接中的表现，特别是在预测结构、多配体结合和无先验口袋知识等广泛适用场景下的应用潜力 | 首次系统研究了深度学习方法在预测蛋白质结构、多配体结合和无先验口袋知识等广泛适用场景下的对接行为，并引入了多配体基准数据集 | 深度学习方法在预测新蛋白质-配体结合构象时仍面临挑战，且在结构准确性与化学特异性之间难以取得平衡 | 评估深度学习方法在蛋白质-配体对接中的实际应用潜力，特别是在药物发现和酶设计等生物医学研究领域 | 蛋白质-配体对接方法，特别是深度学习方法 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质结构数据, 配体数据 | NA | NA | AlphaFold 3 | 结构准确性, 化学特异性 | NA |
| 1012 | 2026-02-12 |
SonoMind: deep learning-based voice analysis for mental health monitoring
2026 Jan-Feb, Rivista di psichiatria
IF:1.0Q4
DOI:10.1708/4641.46506
PMID:41665892
|
研究论文 | 本研究提出了一种名为SonoMind的自适应深度学习框架，用于通过语音信号进行早期抑郁症检测 | 提出了一种仅基于语音的非侵入式、客观且保护隐私的抑郁症检测框架，结合了自适应谱配对降噪、同步声学特征学习和自适应磷虾-狼群优化算法进行特征选择 | 仅使用公开可用的DAIC-WOZ临床访谈数据集进行评估，未在更广泛或多样化的临床环境中进行验证 | 开发一种高效可靠的仅基于语音的临床抑郁症检测工具，以解决现有筛查工具的不足 | 抑郁症患者的语音信号 | 自然语言处理 | 抑郁症 | 语音信号分析 | 神经网络 | 语音信号 | 使用公开的DAIC-WOZ临床访谈数据集 | NA | NA | 准确率, 精确率, 召回率, F1分数, 平均绝对误差, 均方根误差 | NA |
| 1013 | 2026-02-12 |
Correction: Deep learning for atrial electrogram estimation: toward non-invasive arrhythmia mapping using variational autoencoders
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1788430
PMID:41669084
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1014 | 2026-02-11 |
Use of uterine activity to predict preterm birth by artificial intelligence assisted models: a narrative systematic review
2026-Dec, The journal of maternal-fetal & neonatal medicine : the official journal of the European Association of Perinatal Medicine, the Federation of Asia and Oceania Perinatal Societies, the International Society of Perinatal Obstetricians
DOI:10.1080/14767058.2025.2582375
PMID:41663244
|
综述 | 本文通过系统综述评估了人工智能模型利用子宫活动（如子宫肌电图）预测早产的准确性和适用性 | 首次系统性地综述了人工智能模型在利用子宫收缩数据预测早产方面的应用，并比较了不同特征提取方法和分类器的性能 | 研究存在异质性，缺乏外部验证，数据不平衡、样本量小，且大多数研究存在偏倚风险 | 评估人工智能模型利用子宫收缩数据预测早产的准确性和临床适用性 | 利用子宫肌电图或时间序列数据进行早产预测的研究 | 机器学习 | 早产 | 子宫肌电图 | 深度学习, 机器学习, 神经网络 | 时间序列数据 | 53项研究记录 | NA | 神经网络 | 准确率, AUC | NA |
| 1015 | 2026-02-11 |
Rapid identification of Polygonatum kingianum processed by nine steaming and nine drying based on FT-NIR and ATR-FTIR combined with deep learning
2026-May-15, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2026.129390
PMID:41544396
|
研究论文 | 本研究结合FT-NIR和ATR-FTIR光谱技术与深度学习，快速鉴别九蒸九制黄精样品 | 首次将同步二维相关光谱图像与ResNet模型结合，用于黄精九蒸九制过程的快速鉴别，并利用代谢组学分析关键代谢物 | 研究仅针对黄精一种药材，未验证方法在其他药材或更广泛样本中的适用性 | 建立一种快速准确的黄精九蒸九制工艺鉴别方法 | 九蒸九制处理后的黄精样品 | 机器学习 | NA | FT-NIR光谱, ATR-FTIR光谱, 气相色谱-质谱联用 | CNN | 光谱图像 | 九种处理样品 | NA | ResNet | 准确率 | NA |
| 1016 | 2026-02-11 |
Siamese networks in Raman spectroscopy: Towards a better performance against replicate variability
2026-May-15, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2026.129422
PMID:41579739
|
研究论文 | 本文提出了一种基于孪生神经网络的拉曼光谱分析方法，以应对训练数据与预测数据间的大变异性，提升模型泛化能力 | 采用孪生神经网络处理拉曼光谱数据，相比传统模型转移方法，无需测试数据信息进行模型调整，且在大型训练数据集上表现更优 | 尽管训练数据负担较传统网络低，但在训练与测试数据变异性纳入损失函数时，其减少程度有限 | 提高拉曼光谱模型的泛化性能，减少因数据变异性导致的性能下降 | 细菌物种和小鼠组织样本的拉曼光谱数据 | 机器学习 | NA | 拉曼光谱 | 孪生神经网络 | 光谱数据 | 四个细菌物种，每个物种包含九个生物重复样本，以及小鼠组织样本数据集 | NA | 孪生神经网络 | NA | NA |
| 1017 | 2026-02-11 |
Surface-enhanced Raman scattering (SERS) in antibiotic resistance detection: Advances, challenges, and future perspectives
2026-May, Colloids and surfaces. B, Biointerfaces
DOI:10.1016/j.colsurfb.2026.115423
PMID:41519006
|
综述 | 本文系统综述了表面增强拉曼散射（SERS）与人工智能（AI）结合在抗生素耐药性检测中的最新进展、挑战与未来前景 | 将SERS技术与AI（特别是机器学习和深度学习方法）相结合，实现了前所未有的耐药性检测准确性和效率 | NA | 应对全球公共卫生危机，实现早期、快速、准确的耐药细菌检测与识别 | 耐药细菌 | 机器学习和光学检测 | 抗生素耐药性 | 表面增强拉曼散射（SERS） | 机器学习（ML）和深度学习（DL） | 光学光谱数据 | NA | NA | NA | 准确性，效率 | NA |
| 1018 | 2026-02-11 |
Diagnostic performance of X-ray-based deep learning models for detecting ankle and foot fractures: a systematic review and meta-analysis
2026-Apr, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-05078-y
PMID:41254255
|
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X射线的深度学习模型在检测踝关节和足部骨折中的诊断性能 | 首次对基于X射线的深度学习模型在踝关节和足部骨折检测中的诊断准确性进行了全面的系统综述和荟萃分析，并探讨了影响模型性能的可能因素 | 纳入研究数量有限（14项），需要更大样本量、外部验证和临床实施的研究来进一步验证 | 评估AI模型使用X射线图像检测踝关节和足部骨折的诊断准确性，并调查影响其性能的可能因素 | 踝关节和足部骨折的X射线图像 | 计算机视觉 | 骨折 | X射线成像 | 深度学习模型 | X射线图像 | 基于14项纳入研究的累计数据，具体样本量未在摘要中明确给出 | NA | NA | 灵敏度, 特异度, F1分数, 诊断比值比 | NA |
| 1019 | 2026-02-11 |
Enhanced Informer Network for Stress Recognition and Classification via Spatial and Channel Attention Mechanisms
2026-Apr, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S0129065726500036
PMID:41467573
|
研究论文 | 本文提出了一种基于深度学习的增强型Informer网络，通过集成空间和通道注意力机制，用于心理压力的识别与分类 | 设计了针对时间敏感生理信号段的空间注意力机制（SAM）和动态加权压力相关特征的通道注意力机制（CAM），实现了对细微压力模式的精确捕捉 | 仅在一个公开数据集上进行了实验验证，缺乏多数据集和实际场景的泛化性测试 | 开发一种自动检测心理压力的深度学习方法 | 职业环境中的心理压力 | 机器学习 | NA | 深度学习 | Informer, 注意力机制 | 生理信号 | 一个公开数据集 | NA | Informer, 空间注意力机制（SAM）, 通道注意力机制（CAM） | 准确率, 召回率, F1分数 | NA |
| 1020 | 2026-02-11 |
Accurate compositional analysis on complex mixtures via multi-task spectral data learning
2026-Mar-15, Analytica chimica acta
IF:5.7Q1
DOI:10.1016/j.aca.2025.345050
PMID:41663216
|
研究论文 | 本文提出了一种新颖的多任务学习框架，通过结合成分识别与定量分析，提高复杂混合物光谱数据成分分析的准确性 | 引入预测掩码机制，将多标签分类分支的概率输出直接指导并行回归分支的预测，确保仅对识别为存在的成分预测浓度，从而增强物理合理性 | NA | 开发一种能够直接从重叠光谱数据中准确分析复杂混合物成分的方法 | 复杂混合物（如金属氧化物）的光谱数据 | 机器学习 | NA | 光谱分析 | 多任务学习框架 | 光谱数据 | NA | NA | ResNet1D | NA | NA |