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 12055 篇文献，本页显示第 11301 - 11320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11301 | 2026-01-18 |
Machine learning in stroke and its sequelae: a narrative review of clinical applications and emerging trends
2026-Mar-15, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.106245
PMID:41478163
|
综述 | 本文综述了机器学习在脑卒中及其后遗症中的临床应用和新兴趋势 | 系统总结了机器学习在脑卒中从急性影像诊断到长期后遗症预后及康复的六个核心领域的应用，并指出了多模态数据整合和模型可解释性的发展趋势 | NA | 综述机器学习在脑卒中及其后遗症临床管理中的应用 | 脑卒中患者及其后遗症 | 机器学习 | 脑卒中 | NA | 深度学习 | 图像, 传感器数据 | NA | NA | NA | NA | NA |
| 11302 | 2026-01-18 |
A multi-branch ConvNeXt-MaxViT fusion transformer model for radiographic knee osteoarthritis severity assessment with Grad-CAM++ explainability
2026-Mar, Journal of orthopaedics
IF:1.5Q3
DOI:10.1016/j.jor.2025.12.040
PMID:41541300
|
研究论文 | 本研究提出了一种融合ConvNeXt和MaxViT的双分支Transformer模型，用于膝关节骨关节炎的X光片严重程度评估，并利用Grad-CAM++增强模型可解释性 | 提出了一种结合ConvNeXt-Tiny局部特征提取和MaxViT-Tiny全局上下文建模的双分支融合架构，并采用中期融合和晚期融合策略来增强判别性表示 | 未整合多模态成像（如MRI），未纳入纵向进展建模，且需在真实临床环境中进一步验证 | 开发一个可解释的深度学习模型，准确分类膝关节骨关节炎的严重程度（KL-0至KL-4），以增强临床决策支持的透明度 | 膝关节骨关节炎的X光影像 | 计算机视觉 | 骨关节炎 | X光成像 | CNN, Transformer | 图像 | NA | NA | ConvNeXt-Tiny, MaxViT-Tiny | 准确率, 精确率, 召回率, F1分数, AUC, 混淆矩阵, ROC曲线 | NA |
| 11303 | 2026-01-18 |
Artificial Intelligence Enhances Diagnostic Accuracy of Contrast Enemas in Hirschsprung Disease Compared to Clinical Experts
2026-Feb, European journal of pediatric surgery : official journal of Austrian Association of Pediatric Surgery ... [et al] = Zeitschrift fur Kinderchirurgie
IF:1.5Q3
DOI:10.1055/a-2646-2052
PMID:40592491
|
研究论文 | 本研究评估了深度学习神经网络在对比灌肠图像诊断先天性巨结肠症中的性能，并与儿科外科医生和放射科医生的诊断准确性进行比较 | 首次将深度学习模型应用于对比灌肠图像分析，并探索了结合临床数据对模型性能的提升，同时通过多数投票机制创建了“超级外科医生”和“超级放射科医生”作为专家基准 | 研究为回顾性设计，样本量相对有限（测试集仅218张图像），且仅针对15岁以下患者，可能限制了结果的普适性 | 评估人工智能在辅助诊断先天性巨结肠症对比灌肠图像中的准确性和临床实用性 | 先天性巨结肠症患者的对比灌肠图像 | 计算机视觉 | 先天性巨结肠症 | 对比灌肠成像 | 深度神经网络 | 医学图像 | 1,471张对比灌肠图像（其中218张用于测试） | NA | 深度神经网络 | AUC-ROC, 敏感性, 特异性, 阴性预测值, Cohen's kappa, Fleiss' kappa | NA |
| 11304 | 2026-01-18 |
Deep Learning Reconstruction for T2 Weighted Turbo-Spin-Echo Imaging of the Pelvis: Prospective Comparison With Standard T2-Weighted TSE Imaging With Respect to Image Quality, Lesion Depiction, and Acquisition Time
2026-Feb, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251357790
PMID:40755270
|
研究论文 | 本研究前瞻性比较了深度学习重建的T2加权涡轮自旋回波成像与标准T2加权TSE成像在盆腔MRI中的图像质量、病灶描绘和采集时间 | 首次在盆腔MRI中对深度学习重建的TSE序列进行全面评估，证明其能在减少约50%扫描时间的同时，提供同等或更优的图像质量 | 样本量相对较小（55名受试者），且未详细说明深度学习模型的具体架构和训练细节 | 比较深度学习重建的TSE序列与常规TSE序列在盆腔MRI中的性能，以评估其在加速扫描同时保持图像质量的潜力 | 55名受试者（33名女性，22名男性）的盆腔MRI图像 | 医学影像分析 | 盆腔疾病 | T2加权涡轮自旋回波成像，深度学习重建 | 深度学习模型 | MRI图像 | 55名受试者 | NA | NA | 图像质量评估（边缘定义、血管边缘锐度、T2对比动态范围、伪影、整体图像质量、病灶特征），对比度比 | NA |
| 11305 | 2026-01-18 |
Application of Convolutional Neural Network Image Analysis and Machine Learning to Basic Blood Tests for Intelligent Diagnostic Assistance
2026-Feb, International journal of laboratory hematology
IF:2.2Q3
DOI:10.1111/ijlh.14550
PMID:40932175
|
研究论文 | 本研究开发了一种基于卷积神经网络和机器学习的自动化外周血细胞形态图像识别深度学习系统，并结合全血细胞计数数据构建了智能诊断辅助系统，以评估其在常规检查中的临床性能 | 结合了外周血细胞形态图像识别深度学习系统与全血细胞计数数据，构建了智能诊断辅助系统，用于自动分类14种血细胞类型和识别24种形态特征，并在骨髓增生异常综合征等疾病诊断中表现出高准确性 | 研究未明确提及外部验证数据集或跨机构验证结果，可能限制了模型的泛化能力评估 | 评估自动化形态图像识别深度学习系统及结合全血细胞计数数据的诊断辅助系统在常规血液检查中的临床性能 | 健康受试者及急性淋巴细胞白血病、急性髓系白血病、恶性淋巴瘤、骨髓增殖性肿瘤、骨髓增生异常综合征患者的血涂片图像 | 计算机视觉 | 血液系统疾病 | 外周血细胞形态学分析 | CNN | 图像 | 1,476,727张血细胞图像用于训练，128,716张图像（来自589张血涂片）用于评估 | NA | NA | 准确率, AUC | NA |
| 11306 | 2026-01-18 |
Editorial for: "Accelerating 2D Kidney Magnetic Resonance Fingerprinting Using Deep Learning Based Tissue Quantification"
2026-Feb, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70151
PMID:41103194
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11307 | 2026-01-18 |
Bathymetry of the Philippine sea with convolution neural network from multisource marine geodetic data
2026-Jan-16, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.114285
PMID:41541674
|
研究论文 | 本研究开发了一种基于深度学习的菲律宾海高分辨率水深预测方法，旨在利用多源海洋大地测量数据提高海底深度估计的准确性 | 通过整合多种辅助特征（如重力异常、海底坡度等）并采用卷积神经网络，显著提升了水深预测的精度，展示了深度学习在大规模、低成本海底测绘中的潜力 | NA | 提高菲律宾海高分辨率水深预测的准确性 | 菲律宾海的海底深度 | 计算机视觉 | NA | 多源海洋大地测量数据整合 | CNN | 地理坐标与多源地球物理数据 | 基于8×8弧分区域提取的训练点数据 | NA | 卷积神经网络 | 预测精度 | NA |
| 11308 | 2026-01-18 |
Learning-Based Multi-View Stereo: A Survey
2026-Jan-16, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3654665
PMID:41543950
|
综述 | 本文对基于学习的多视图立体视觉（MVS）方法进行了全面综述 | 系统性地将基于学习的MVS方法分类为基于深度图、基于体素、基于NeRF、基于3D高斯泼溅和大规模前馈方法，并重点分析了主流方法 | 作为综述文章，不涉及具体实验验证，主要依赖现有文献和基准测试结果 | 综述基于学习的多视图立体视觉方法的研究进展、性能比较和未来方向 | 多视图立体视觉算法及其在3D重建中的应用 | 计算机视觉 | NA | 多视图立体视觉 | 深度学习 | 多视角图像 | NA | NA | NA | 基准测试性能 | NA |
| 11309 | 2026-01-18 |
Institution-specific pre-treatment quality assurance control and specification limits: a tool to implement a new formalism and criteria optimization using statistical process control and heuristic methods
2026-Jan-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae399f
PMID:41544384
|
研究论文 | 本研究开发了一种基于统计过程控制和启发式方法的新形式化工具，用于优化VMAT预治疗质量保证的控制和规格限 | 提出了一种结合统计过程控制与启发式方法的新形式化框架，用于确定机构特定的控制和规格限，并开发了开源软件工具以促进临床实施 | 研究基于回顾性数据，可能未涵盖所有临床场景；高复杂度计划的严格标准临床可接受性需进一步验证 | 优化VMAT预治疗质量保证流程，通过建立机构特定的控制和规格限来提高计划复杂度的管理效率 | 350个VMAT治疗计划，涵盖脑部、前列腺、盆腔和头颈部等不同复杂度的治疗部位 | 医学物理与放射治疗 | NA | VMAT预治疗质量保证，伽马指数分析 | NA | 放射治疗计划数据 | 350个VMAT计划 | 自定义软件（基于统计过程控制和启发式方法） | NA | 伽马指数通过率，平均伽马指数 | NA |
| 11310 | 2026-01-18 |
Joint processing technology of laser radar and optical image for power distribution
2026-Jan-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31565-2
PMID:41530215
|
研究论文 | 本文提出了一种结合激光雷达和光学图像的多模态深度特征混合深度学习模型，用于配电网络中的故障识别与定位 | 创新点在于整合了激光雷达、光学图像和传感器数据，并采用卡尔曼滤波增强特征融合，结合决策树优化分类结果，实现了高精度和低计算复杂度的故障管理 | NA | 研究目的是提高配电网络中故障识别与定位的准确性和效率 | 研究对象是配电网络中的故障 | 机器学习 | NA | 激光雷达、光学成像 | 深度学习 | 图像、传感器数据 | NA | Python | 多模态深度特征混合深度学习模型 | 准确率、精确率、召回率、F1分数、推理时间 | NA |
| 11311 | 2026-01-18 |
Single-shot matrix-matrix photonic processor based on spatial-spectral hypermultiplexed parallel diffraction
2026-Jan-13, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68452-x
PMID:41530160
|
研究论文 | 本文介绍了一种基于空间-光谱超多路复用的并行衍射单次矩阵-矩阵光子处理器，用于高效光学计算 | 提出了一种空间-波长-时间超多路复用的光学神经网络处理器，支持高三维数据、高O(N)计算并行性，并实现了大规模单次矩阵-矩阵乘法 | 未在摘要中明确提及 | 开发高速、高能效的大规模光学计算硬件，以加速卷积神经网络和深度神经网络 | 光学神经网络处理器及其在图像识别中的应用 | 机器学习 | NA | 并行衍射光束路由 | CNN, DNN | 图像 | NA | NA | NA | 分类准确率 | NA |
| 11312 | 2026-01-18 |
Improving rectal tumor segmentation with anomaly fusion derived from anatomical inpainting: a multicenter study
2026-Jan-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14265-9
PMID:41530192
|
研究论文 | 本研究通过引入基于解剖修复的异常图融合，改进了直肠肿瘤的MRI分割，并在多中心数据集上验证了其有效性 | 提出了一种利用解剖修复生成异常图的方法，并将其作为额外输入通道融合到肿瘤分割任务中，以提高分割精度和模型鲁棒性 | 研究主要基于T2加权图像，未探索其他MRI序列或模态，且异常图的生成依赖于特定训练数据 | 改进直肠肿瘤的自动分割精度，并增强模型在多中心数据上的泛化能力 | 直肠肿瘤区域及其周围的直肠解剖结构（如直肠和直肠系膜） | 数字病理 | 直肠癌 | 磁共振成像（MRI），具体为T2加权成像（T2WI） | U-Net, nnUNet | 图像 | 705例术前T2WI多中心数据集 | NA | U-Net, nnUNet | NA | NA |
| 11313 | 2026-01-18 |
An online forecasting-based fine-tuning pipeline for time-series anomaly prediction
2026-Jan-10, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108568
PMID:41544494
|
研究论文 | 本文提出了一种基于在线预测的微调管道，用于时间序列异常预测，旨在同时预测异常的发生和演变 | 引入了时间序列异常预测（TSAP）概念，提出了一种新颖的基于示例的预训练和微调管道，无需依赖真实标签数据 | 未明确说明在极端或罕见异常模式下的泛化能力，以及计算复杂度可能较高 | 解决现有方法无法预测未来异常的问题，专注于时间序列异常预测任务 | 时间序列数据 | 机器学习 | NA | 在线时间序列预测技术 | 深度学习模型 | 时间序列数据 | NA | NA | NA | F1分数，均方误差（MSE） | NA |
| 11314 | 2026-01-18 |
Drug-target Affinity Prediction Based on Graph Transformer and Selfattention Mechanism Kinase-specific Drug-target Affinity Prediction with Graph Transformer and Self-Attention Fusion
2026-Jan-08, Current computer-aided drug design
IF:1.5Q3
|
研究论文 | 本研究提出了一种基于图Transformer和自注意力机制的新型深度学习框架GTDDTA，用于预测激酶特异性药物-靶标结合亲和力 | 首次将图Transformer与自注意力解码器结合，用于捕获药物和靶标图的全局拓扑依赖关系并动态加权关键相互作用特征，在激酶特异性DTA预测中实现了最先进的性能 | 2D图描述符无法编码立体化学信息（影响Davis数据集中32%的手性配体），显著增加了新支架的预测误差，且模型在化学空间泛化方面存在限制 | 解决激酶靶向药物-靶标结合亲和力预测中的特征整合不足和立体化学表示限制问题 | 激酶抑制剂药物分子及其靶标蛋白质 | 机器学习 | NA | 图结构转换（RDKit）、蛋白质接触图构建（Biopython、Pconsc4预测） | 图Transformer、自注意力机制 | 图结构数据（药物分子图、蛋白质接触图） | 激酶特异性数据集（Davis和KIBA），采用五折交叉验证 | NA | 图Transformer层、自注意力解码器 | MSE, CI, Pearson相关系数, r²m | NA |
| 11315 | 2026-01-18 |
Simulation-based inference with deep learning suggests speed climbers combine innovation and copying to improve performance
2026-Jan-07, Proceedings. Biological sciences
DOI:10.1098/rspb.2025.1433
PMID:41537974
|
研究论文 | 本研究使用基于模拟的推断和深度学习，分析了速度攀岩运动中运动员如何结合创新与模仿来提升表现 | 首次将基于模拟的推断和基于智能体的模型应用于速度攀岩领域，量化了创新与模仿在运动表现演化中的相对贡献 | 模型可能未完全捕捉影响攀岩表现的所有因素，如运动员的心理状态和训练方法 | 探究速度攀岩运动中文化累积演化过程，特别是创新与模仿策略对表现提升的作用 | 速度攀岩运动员在标准化路线上的表现数据 | 机器学习 | NA | 基于模拟的推断，基于智能体的建模 | 深度学习模型 | 时间序列数据（比赛成绩），路线序列数据 | 2007年至2019年共12年的比赛时间数据，以及2012年至2019年世界锦标赛的真实路线序列 | NA | NA | NA | NA |
| 11316 | 2026-01-18 |
MegaPlantTF: a machine learning framework for comprehensive identification and classification of plant transcription factors
2026-Jan-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf678
PMID:41450215
|
研究论文 | 本文提出了一个名为MegaPlantTF的机器学习框架，用于植物转录因子的全面识别和家族级分类 | 首个结合k-mer蛋白质表示、深度前馈神经网络和堆叠集成分类器的两阶段架构，为大规模植物转录因子识别与分类提供了统一且可复现的框架 | 未明确说明框架在跨物种泛化能力或处理极罕见转录因子家族时的具体限制 | 开发一个高性能的机器学习框架，以解决植物转录因子检测和分类的挑战 | 植物转录因子 | 机器学习 | NA | k-mer蛋白质表示 | 深度前馈神经网络, 集成分类器 | 蛋白质序列数据 | NA | NA | 深度前馈神经网络, 堆叠集成 | 准确率, 精确率, 微平均, 宏平均, 加权平均 | NA |
| 11317 | 2026-01-18 |
Predicting Immunotherapy Outcomes in NSCLC Using RNA and Pathology from Multicenter Clinical Trials
2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202502037
PMID:41159493
|
研究论文 | 本研究开发了一个名为LIRA的基于RNA的模型，用于预测非小细胞肺癌患者的免疫治疗结果，并整合了病理图像分析 | 开发了新的多组学预测模型LIRA，其预测性能优于PD-L1表达和肿瘤突变负荷，并能识别与免疫治疗结果相关的关键基因（如LRP8和HDAC4）及病理图像中的关键区域 | 研究基于回顾性多中心临床试验数据，未来需要在前瞻性研究中进一步验证 | 预测非小细胞肺癌患者对免疫治疗的响应，识别可能无法获益的患者并探索联合治疗策略 | 晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | bulk RNA-seq, scRNA-seq | 随机森林, 深度学习模型 | 转录组数据, 全切片病理图像 | 1127名晚期NSCLC患者（来自OAK、POPLAR、ORIENT-11多中心随机临床试验及内部队列） | NA | NA | 风险比, 95%置信区间 | NA |
| 11318 | 2026-01-18 |
Super Time-Resolved Tomography
2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202511933
PMID:41164925
|
研究论文 | 本文介绍了一种名为超时间分辨断层扫描（STRT）的新方法，旨在通过深度学习算法提升X射线断层扫描的时间分辨率 | STRT利用4D深度学习重建算法，从显著减少的角范围（几度）中重建高保真3D图像，相比传统断层扫描的0-180°，时间分辨率提升至少一个数量级 | 未在摘要中明确提及具体限制 | 提升X射线时间分辨断层扫描（断层摄影术）的时间分辨率，以支持原位和操作中的4D表征 | 液滴碰撞模拟和增材制造过程 | 计算机视觉 | NA | X射线时间分辨断层扫描（断层摄影术） | 深度学习 | X射线断层扫描图像 | NA | NA | NA | NA | NA |
| 11319 | 2026-01-18 |
BoneVisionNet: A deep learning approach for the classification of bone tumours from radiographs using a triple fusion attention network of transformer and CNNs with XAI visualizations
2026-Jan, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种名为BoneVisionNet的深度学习架构，用于从X射线图像中自动分类骨肿瘤 | 首次应用三重融合注意力网络（结合Transformer和CNN）进行骨肿瘤分类，并集成了XAI可视化技术以增强模型决策的透明度 | NA | 开发一个准确且自动化的深度学习模型，以辅助医疗专业人员诊断骨肿瘤 | 骨肿瘤的X射线图像 | 计算机视觉 | 骨肿瘤 | X射线成像 | CNN, Transformer | 图像 | BTXRD数据集 | NA | Convolution-Enhanced Image Transformer, Global Context Block, Attention Boosted Mid-Level Feature Extraction Network, DenseNet-169, Efficient Channel Attention | 准确率 | NA |
| 11320 | 2026-01-18 |
Machine learning and deep learning in clinical practice: Advancing neurodegenerative disease diagnosis with multimodal markers
2026-Jan, Brain research bulletin
IF:3.5Q2
|
综述 | 本文综述了机器学习和深度学习在利用多模态生物标志物诊断和管理神经退行性疾病方面的当前应用、优势、局限性及未来方向 | 系统性地探讨了将ML应用于神经影像学、电生理学、行为功能、言语与笔迹分析及分子生物标志物等多模态数据以提升诊断准确性的新机遇，并展望了多模态融合、联邦学习、可解释AI和大语言模型等新兴方向 | 面临数据异质性、模型可解释性不足、人群多样性有限以及患者隐私相关的伦理问题等挑战 | 旨在审查ML在神经退行性疾病诊断与管理中的当前应用，并讨论其在临床实践中的未来方向 | 神经退行性疾病，包括阿尔茨海默病、帕金森病、亨廷顿病和多发性硬化症 | 机器学习 | 神经退行性疾病 | NA | NA | 多模态数据（神经影像、电生理、行为功能、言语与笔迹分析、分子生物标志物） | NA | NA | NA | NA | NA |