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 1481 - 1500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1481 | 2026-02-06 |
An end-to-end framework for data lineage analysis covering link pattern recognition, fault diagnosis, and early warning
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34522-1
PMID:41501163
|
研究论文 | 本文提出了一种基于数据血缘的端到端全链路智能分析框架（EEFL），用于链路模式识别、故障诊断和预警 | 结合图结构与深度学习算法，通过动态数据血缘图模型、图神经网络提取拓扑特征、时间卷积网络捕获长期依赖关系，并引入动态阈值预警机制，实现了链路故障的实时预测与追踪 | NA | 解决数据平台中实时预测和追踪数据链路故障的关键问题 | 数据链路及其故障（如数据中断、延迟异常、数据污染） | 机器学习 | NA | 图神经网络（GNN）、时间卷积网络（TCN）、贝叶斯优化、在线学习 | GNN, TCN | 企业数据和模拟数据 | NA | NA | 图神经网络, 时间卷积网络 | 准确率（Acc） | NA |
| 1482 | 2026-01-09 |
Research on return water temperature prediction model for casting cooling system based on deep learning
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34510-5
PMID:41501340
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1483 | 2026-01-09 |
Two-stage deep learning approach for screening for anterior disk displacement of the temporomandibular joint using orthopantomograms
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34657-1
PMID:41501357
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1484 | 2026-02-06 |
Design and evaluation of a remote damage control surgery real-time guidance system based on HoloLens 2 in low-speed network environments
2026-Jan-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34705-w
PMID:41491882
|
研究论文 | 本研究旨在为低速网络环境开发并评估一种基于HoloLens 2的远程损伤控制手术实时指导系统 | 提出了一种结合多维损伤数据编码技术、WebSocket长链接协议和分片传输技术的系统，以缓解低速复杂网络环境下的数据传输延迟，并利用混合现实技术实现远程实时交互式手术指导 | 研究样本规模较小（仅28名学生），且仅针对颅脑创伤模型进行了评估，未涉及其他类型损伤或更广泛的临床场景 | 开发并评估一个适用于低速网络环境的远程损伤控制手术实时指导系统，以提升手术能力并提供实时高效的决策支持 | 由28名学生组成的四个手术团队，以及通过动物损伤平台构建的颅脑创伤模型 | 数字病理 | 颅脑创伤 | 多维损伤数据编码技术，WebSocket长链接协议，分片传输技术 | 多模态深度学习，决策树 | 多模态数据 | 28名学生（分为远程组和对照组） | NA | NA | 损伤判断评分，手术操作评分，整体有效性评分，手术时间，动物存活时间 | HoloLens 2沉浸式头戴显示设备，Wi-Fi通信协议 |
| 1485 | 2026-02-06 |
Application of deep learning technology in breast cancer: a systematic review of segmentation, detection, and classification approaches
2026-Jan-04, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-025-01502-5
PMID:41486277
|
综述 | 本文对2020年至2024年间深度学习在乳腺癌影像学（包括分割、检测和分类）中的应用进行了系统性回顾，重点分析了模型架构、数据集特征、方法学质量及临床转化意义 | 系统性地比较了CNN、Transformer及混合架构在不同乳腺癌影像模态（如乳腺X线摄影、病理学、DBT、DCE-MRI）中的性能，并强调了全局上下文建模在特定场景（如致密乳腺、多视图输入）中的优势 | 大多数研究为回顾性、单中心设计，存在类别不平衡、人口统计学代表性狭窄、参考标准异质性高、缺乏外部或前瞻性验证等问题，导致潜在的偏倚、过拟合及公平性担忧 | 批判性评估深度学习在乳腺癌影像学中的最新进展，并探讨其临床转化潜力 | 深度学习模型在乳腺癌影像分割、检测和分类任务中的应用 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN, Transformer, 混合架构 | 影像数据（如乳腺X线摄影、病理图像、DBT、DCE-MRI） | NA | NA | U-Net变体, CNN分类器, Transformer | 准确率, AUC, 敏感性, Dice系数, IoU | NA |
| 1486 | 2026-01-05 |
Classification of pulmonary diseases using machine learning and deep learning models on GLI-2012 standardized spirometry features
2026-Jan-03, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03335-7
PMID:41484760
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1487 | 2026-02-06 |
Molecular and multimodal biomarkers in Moyamoya disease: from pathogenic mechanisms to clinical translation
2026-Jan-03, European journal of medical research
IF:2.8Q2
DOI:10.1186/s40001-025-03769-9
PMID:41484923
|
综述 | 本文综述了烟雾病分子和多模态生物标志物的研究进展，涵盖从致病机制到临床转化的各个方面 | 系统整合了基因组学、转录组学、蛋白质组学、代谢组学、神经影像学和人工智能等多领域生物标志物研究，并提出了建立整合性多维框架的未来方向 | 临床可用的生物标志物仍然有限，缺乏足够的敏感性和特异性来预测疾病发作、进展或治疗反应 | 总结烟雾病生物标志物的最新进展，并探讨其向临床精准诊断和个性化治疗转化的路径 | 烟雾病 | 数字病理学 | 烟雾病 | 基因组学, 转录组学, 蛋白质组学, 代谢组学, 神经影像学, 人工智能, 机器学习 | 深度学习 | 基因组数据, 蛋白质组数据, 代谢组数据, 神经影像数据, 视网膜图像 | NA | NA | NA | 诊断准确率 | NA |
| 1488 | 2026-01-05 |
Diagnostic accuracy of deep learning using ultra-widefield fundus imaging for retinal detachment: a systematic review and meta-analysis
2026-Jan-03, BMC ophthalmology
IF:1.7Q3
DOI:10.1186/s12886-025-04605-8
PMID:41485001
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1489 | 2026-01-04 |
A multi-scale feature fusion of deep learning network for classifying acute leukemia genetic subtypes from blood smear images
2026-Jan-02, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-025-03985-z
PMID:41483382
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1490 | 2026-02-06 |
A PRISMA-based systematic review on advances in identity recognition and authentication using human biometric signals (2018-2023)
2026-Jan-02, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-025-01508-z
PMID:41485012
|
系统综述 | 本文基于PRISMA指南，系统回顾了2018年至2023年间利用生理生物特征信号进行身份识别与认证的研究进展 | 系统比较了单模态与多模态生物特征系统的性能，并评估了深度学习与传统机器学习方法在生物特征识别中的效果 | 研究结果因数据集和协议而异，缺乏标准化评估基准和更大规模、更多样化的数据集 | 评估生理生物特征信号在身份认证和识别系统中的有效性和性能 | 2018年至2023年间发表的关于生物特征信号认证与识别的研究 | 机器学习 | NA | ECG, EEG, PPG信号处理技术 | 深度学习, 传统机器学习 | 生理信号数据 | 80篇纳入最终综述的文章，初始识别2,064条记录 | NA | NA | 准确率 | NA |
| 1491 | 2026-02-06 |
Modulus Matching and Interface Enhancement: A Synergistic Strategy for Antidelamination High-Performance Stretchable Triboelectric Nanogenerator
2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202518027
PMID:41255257
|
研究论文 | 本文提出了一种基于同源聚合物配对的协同策略，通过模量匹配和界面增强，构建了抗分层的高性能可拉伸摩擦纳米发电机 | 受生物系统中分子连续界面的启发，首次采用同源聚合物配对策略，结合超声空化处理，实现了模量匹配（比值<2）和界面韧性显著提升（达190 N·m），从根本上抑制了应力集中 | NA | 开发一种高性能、可拉伸且抗分层的摩擦纳米发电机，以满足可穿戴生物电子学对柔性自供能源的需求 | 摩擦纳米发电机的功能层（摩擦电层和电极）及其界面 | NA | NA | 超声空化处理 | NA | NA | NA | 深度学习算法 | NA | 准确率 | NA |
| 1492 | 2026-02-06 |
Bibliometric analysis of research on artificial İntelligence applications in breast cancer diagnosis
2026-Jan, Technology and health care : official journal of the European Society for Engineering and Medicine
IF:1.4Q3
DOI:10.1177/09287329251362602
PMID:40831333
|
综述 | 本文通过文献计量学方法分析了人工智能在乳腺癌诊断应用中的研究趋势，包括时间与地理分布 | 首次使用VOSviewer和Bibliometrix R对2013-2024年间该领域文献进行系统性文献计量分析，识别了关键主题、国家贡献和影响力文献 | 分析仅基于Web of Science数据库，可能未涵盖所有相关文献；文献计量方法主要反映数量趋势，未深入评估研究质量 | 通过文献计量分析揭示人工智能在乳腺癌诊断领域的研究格局、发展趋势和热点方向 | 2013-2024年间Web of Science收录的1537篇关于人工智能在乳腺癌诊断应用的学术文献 | 机器学习 | 乳腺癌 | 文献计量分析 | NA | 文献元数据 | 1537篇文章 | VOSviewer, Bibliometrix R | NA | 引用次数 | NA |
| 1493 | 2026-02-06 |
Dual-task deep learning model for prediction of medulloblastoma molecular subgroups with preoperative brain MRI
2026-Jan, La Radiologia medica
DOI:10.1007/s11547-025-02105-9
PMID:41117885
|
研究论文 | 本研究开发了一种基于术前脑部MRI的双任务深度学习模型，用于预测髓母细胞瘤的分子亚型 | 提出了一种结合3D Swin Transformer骨干网络和基于Transformer的掩码解码器的双任务深度学习模型，通过联合优化肿瘤和小脑分割任务来提升分子亚型预测性能 | 研究样本量有限，且模型在独立测试队列中的泛化能力虽已展示，但可能仍需更多外部验证 | 开发一种深度学习模型，利用术前脑部MRI预测髓母细胞瘤的分子亚型 | 髓母细胞瘤患者 | 计算机视觉 | 髓母细胞瘤 | 术前多参数脑部MRI | 深度学习模型 | 图像 | 模型开发队列包括350名患者，独立测试队列包括126名患者 | NA | 3D Swin Transformer, Transformer-based mask decoder | AUC, 准确率, 灵敏度, 特异性 | NA |
| 1494 | 2026-02-06 |
Artificial Intelligence Supported Analysis of Anal Sphincter and Levator Ani Muscle Using Medical Imaging Techniques: A Systematic Review
2026-Jan, International urogynecology journal
IF:1.8Q3
DOI:10.1007/s00192-025-06385-7
PMID:41165777
|
系统综述 | 本文系统综述了人工智能在医学影像中分析肛管括约肌和耻骨直肠肌的应用 | 首次系统评估了该领域人工智能研究的报告质量，并识别了知识空白 | 纳入研究数量有限，且大多数模型尚未准备好广泛临床采用 | 评估人工智能在盆底成像中的应用及其报告质量 | 肛管括约肌和耻骨直肠肌相关的健康条件 | 医学影像分析 | 盆底疾病 | 超声和磁共振成像 | 深度学习 | 医学影像 | 40项研究 | NA | U-Net | 时间效率和临床可接受性 | NA |
| 1495 | 2026-02-06 |
Structural damage detection and safety assessment method based on machine vision and machine learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341653
PMID:41628152
|
研究论文 | 本研究提出了一种结合机器视觉与机器学习的结构损伤检测与安全评估新方法 | 提出了一种新颖的多尺度视觉框架，整合了深度学习和机器学习，实现了从粗粒度分类到细粒度分割的联合处理，并提取了七个可解释的损伤参数用于安全评估 | NA | 开发一种准确且可解释的结构安全评估方法 | 基础设施的结构损伤 | 计算机视觉, 机器学习 | NA | NA | CNN, Transformer | 高分辨率图像 | NA | NA | ResNet-50, SegFormer | 准确率, F1分数, AUC | NA |
| 1496 | 2026-02-06 |
Deep learning and dual-radiomics model incorporating brachytherapy applicator type to predict radiation-induced acute rectal injury in cervical cancer patients
2026-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.100908
PMID:41631005
|
研究论文 | 本研究开发了一个结合双放射组学与深度学习的模型，用于预测宫颈癌患者放疗后急性直肠损伤 | 首次将放射组学、剂量组学、深度学习特征及临床因素整合到列线图中，以预测宫颈癌放疗后的急性直肠损伤 | 研究为回顾性设计，样本量相对较小（200例），且仅来自两家医院，可能存在选择偏倚 | 提高宫颈癌患者放疗后急性直肠损伤的预测准确性 | 接受放疗的宫颈癌患者 | 数字病理学 | 宫颈癌 | CT成像 | CNN, XGBoost | 图像 | 200名宫颈癌患者（160例训练，40例内部验证，40例外部验证） | NA | ResNet_with_CBAM | AUC | NA |
| 1497 | 2026-02-06 |
Tumor-conditioned inter-patient registration using planning computed tomography for voxel-based analysis to predict radiation pneumonitis in lung cancer patients
2026-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.100907
PMID:41631006
|
研究论文 | 本研究评估了基于肿瘤保留的跨患者可变形图像配准方法在预测肺癌患者放射性肺炎中的效果 | 提出了肿瘤感知的跨患者配准方法TRACER，在保留肿瘤体积和减少器官剂量影响方面优于传统方法 | 研究仅针对局部晚期非小细胞肺癌患者，样本量相对有限，且未考虑其他肿瘤类型或疾病阶段 | 评估肿瘤保留的跨患者可变形图像配准方法对基于体素分析的放射性肺炎预测的改进效果 | 局部晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 可变形图像配准，体素分析，机器学习 | 深度学习，传统配准算法 | CT图像 | 训练集268名患者，测试集240名患者 | NA | TRACER, PACS, SyN | AUC, 特异性 | NA |
| 1498 | 2026-02-06 |
Deep learning framework for RNA 5hmC prediction using RNA language model embeddings
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341649
PMID:41632767
|
研究论文 | 本研究提出了一种名为InTrans-RNA5hmC的双分支深度学习框架，用于预测RNA 5hmC修饰 | 结合了Inception分支和Transformer分支的双分支深度学习架构，并利用RNA语言模型RiNALMo的嵌入作为特征描述符 | 未明确说明模型的计算复杂度或对特定RNA序列类型的泛化能力 | 开发一种高效、准确的计算方法来预测RNA 5hmC修饰，以替代昂贵且耗时的实验方法 | RNA 5-羟甲基胞嘧啶（5hmC）修饰 | 自然语言处理 | 癌症 | RNA语言模型嵌入 | 深度学习 | 序列数据 | NA | NA | Inception, Transformer | 灵敏度, 平衡准确率, F1分数 | NA |
| 1499 | 2026-02-05 |
Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images
2026-Mar, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70088
PMID:41147717
|
研究论文 | 本文提出了一种结合Xception卷积神经网络、深度最大输出网络和分数阶微积分的混合模型，用于基于组织病理学图像的乳腺癌分类 | 开发了Xception卷积深度最大输出网络（Xcov-DMN），该网络融合了深度最大输出网络、分数阶微积分和Xception卷积神经网络，以解决高分辨率图像中关键特征提取的困难并减少过拟合 | 未明确说明模型在外部验证集上的泛化能力或计算效率的具体评估 | 提高乳腺癌分类的准确性和精确性，以支持及时检测和治疗 | 乳腺癌组织病理学图像 | 数字病理学 | 乳腺癌 | 组织病理学成像 | CNN | 图像 | NA | NA | Xception Convolutional Neural Network, Deep Maxout Network | 准确率, 真阴性率, 真阳性率 | NA |
| 1500 | 2026-02-05 |
Detection of Lymph Node Metastasis in Thyroid Cancer Using Deep Learning and Second Harmonic Generation Imaging
2026-Mar, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70082
PMID:41051062
|
研究论文 | 本研究提出了一种结合二次谐波成像与深度学习的自动化框架，用于甲状腺癌淋巴结转移的检测 | 首次将二次谐波成像技术与深度学习结合，构建了自动化的甲状腺癌淋巴结转移分类网络，并整合了病理信息与胶原特征 | 未提及外部验证集或临床前瞻性研究的应用，可能限制其泛化能力 | 开发一种自动化、定量的甲状腺癌淋巴结转移检测方法 | 甲状腺癌（特别是乳头状甲状腺癌）的淋巴结转移 | 数字病理 | 甲状腺癌 | 二次谐波成像 | 深度学习 | 图像 | NA | NA | Pyramid Vision Transformer v2, 多层感知机 | ROC曲线下面积 | NA |