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 1474 篇文献，本页显示第 501 - 520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 501 | 2026-03-13 |
Narrative review: the research advances of artificial intelligence in the prediction of pulmonary nodule growth
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1580
PMID:41816407
|
综述 | 本文是一篇叙述性综述，总结了人工智能在预测CT图像上肺结节生长方面的研究进展、模型性能比较以及临床转化中的关键挑战与未来方向 | 系统综述了AI在肺结节生长预测中的三类工作流程（基线CT模型、纵向CT模型、基于生长相关替代指标的模型），并强调了可解释AI框架在识别关键特征、提升模型可信度方面的新兴作用 | 现有模型多为回顾性、单中心研究，使用异质性协议和非标准化的生长定义，缺乏外部或前瞻性验证，限制了其普适性；同时面临PACS集成、敏感性与特异性平衡、过度诊断和假性进展等实际挑战 | 总结当前基于人工智能的方法在CT上预测肺结节生长的研究，比较模型性能，并讨论临床转化的关键挑战和未来方向 | 肺结节 | 数字病理 | 肺癌 | 动态计算机断层扫描（CT） | 机器学习（ML）、深度学习（DL） | CT图像 | NA | NA | NA | NA | NA |
| 502 | 2026-03-13 |
Narrative review of the ethics of artificial intelligence: are we ready for artificial intelligence in surgery?
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1814
PMID:41816458
|
综述 | 本文探讨了人工智能在手术领域应用中的伦理挑战，并评估了手术界在机构和个人层面应对这些问题的准备情况 | 系统性地回顾了人工智能在手术全流程中的应用及其伴随的伦理问题，强调了算法偏见、透明度、知情同意和责任归属等关键挑战 | 基于有限文献（2018-2025年间14项关键研究）的回顾，可能未涵盖所有最新进展或伦理争议 | 评估手术界对人工智能伦理挑战的准备程度，并探讨其应用中的伦理原则 | 人工智能在手术护理中的应用及其伦理影响 | NA | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 503 | 2026-03-13 |
Transforming lung transplantation with artificial intelligence: a narrative review from organ allocation to post-transplant management
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-aw-2395
PMID:41816476
|
综述 | 本文综述了人工智能在肺移植全流程中的应用现状、技术机制及未来生态系统，涵盖器官分配、手术辅助、并发症预测和个性化用药管理 | 全面评估AI在肺移植从器官分配到术后管理各阶段的应用潜力，并强调构建基于FAIR原则的数据生态系统以推动临床整合 | 数据质量异质性、模型可解释性不足以及临床整合复杂性是阻碍AI广泛应用的主要障碍 | 评估人工智能在肺移植临床路径中的应用现状、技术机制及未来发展方向 | 肺移植的临床流程，包括器官分配、手术过程及术后管理 | 数字病理学 | 肺移植相关疾病 | NA | 机器学习, 深度学习 | 时间序列数据, 图像数据 | NA | NA | NA | NA | NA |
| 504 | 2026-03-13 |
Balanced deep learning on multi-omics networks identifies molecular subgroups of pathological brain aging
2026-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.18.26346567
PMID:41757211
|
研究论文 | 本研究开发了一种网络引导的多组学整合框架，用于识别病理性脑老化的分子亚群 | 结合数据驱动的分子网络与多组学数据，通过图嵌入、特征平衡和自编码器学习，系统识别出与认知和神经病理学显著相关的五个分子亚群 | 研究基于特定队列（ROS/MAP），样本量相对有限，且未在更广泛的外部数据集中验证 | 识别神经退行性疾病（特别是阿尔茨海默病）的分子亚群，以超越临床诊断，揭示疾病异质性 | 来自宗教秩序研究和拉什记忆与衰老项目（ROS/MAP）的356名参与者的脑转录组、蛋白质组和代谢组数据 | 机器学习 | 阿尔茨海默病 | 转录组学、蛋白质组学、代谢组学、图嵌入 | 自编码器 | 多组学网络数据 | 356名参与者（发现队列），327名参与者（验证队列） | NA | 自编码器 | Spearman相关系数 | NA |
| 505 | 2026-03-13 |
Coupling Remote Sensing and Artificial Intelligence: Mapping Hydrological Variables with GEE and Predicting Surface-water Extent with Neural Networks
2026-Feb-18, Environmental management
IF:2.7Q3
DOI:10.1007/s00267-026-02404-5
PMID:41706178
|
研究论文 | 本研究开发了一个名为RSAI的可重复计算工作流，结合Google Earth Engine和深度学习模型，用于绘制水文变量时空趋势并预测月度地表水范围 | 首次将Google Earth Engine与深度学习模型耦合，创建了一个可转移的工作流，用于数据有限地区的水文监测和预测 | 研究仅应用于阿尔及尔沿海盆地一个区域，需要更多地区验证其可转移性 | 开发一个可重复的工作流，用于水资源稀缺地区的水文监测和可靠预测 | 阿尔及尔沿海盆地(02 A)2001-2022期间的水文变量 | 机器学习 | NA | 遥感, 时间序列分析 | ANN, DNN, LSTM | 遥感时间序列数据 | 2001-2022期间月度数据 | Google Earth Engine, 未指定深度学习框架 | 人工神经网络, 深度神经网络, 长短期记忆网络 | 相关系数(R), 平均绝对误差(MAE), 均方根误差(RMSE), 传播因子 | 未明确指定，但使用了Google Earth Engine平台 |
| 506 | 2026-03-13 |
Feasibility of Electroencephalography-Based Detection of Single-Flash Microperimetry Stimuli: A Proof-of-Concept Study
2026-Feb-14, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.09.12.25335536
PMID:41728305
|
研究论文 | 本研究评估了在非理想同步条件下使用脑电图检测微视野检查单次闪光刺激的可行性，并探索了独立于患者反应的脑电图刺激注册方法 | 首次在缺乏硬件级同步和单次试验分析的条件下，利用深度学习模型从脑电图信号中检测单次闪光微视野刺激，证明了其可行性 | 样本量小（仅两名健康参与者），未使用精确同步，且研究重点在于可行性而非泛化性 | 探索脑电图在微视野检查中作为主观功能测试的客观辅助工具的潜力 | 健康参与者的脑电图信号响应微视野检查中的单次闪光刺激 | 机器学习 | NA | 脑电图 | BiLSTM | 脑电图信号 | 2名健康参与者，12次试验 | NA | 双向长短期记忆网络 | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 507 | 2026-02-08 |
Non-inferiority of automated deep learning-based [18F]FDG PET/CT tumour volume compared to manual GTV for prognostic modelling in head and neck cancer
2026-Feb-06, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-026-01377-0
PMID:41652257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 508 | 2026-02-08 |
Non-contact detection of post-regurgitation deep inhalation in calves using infrared thermography and deep learning-based nostril segmentation
2026-Feb-06, BMC veterinary research
IF:2.3Q1
DOI:10.1186/s12917-026-05340-y
PMID:41652485
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 509 | 2026-02-08 |
The diagnostic value of enhanced CT radiomics and deep learning in differentiating pediatric peripheral neuroblastoma from ganglioneuroblastoma
2026-Feb-06, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15665-4
PMID:41652556
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 510 | 2026-02-20 |
Metadata Resolution Spoofing for Pediatric Application of Adult-Trained Deep Learning Models for Pancreas Segmentation on CT
2026-02, AJR. American journal of roentgenology
DOI:10.2214/AJR.25.33778
PMID:41090642
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 511 | 2026-03-13 |
An Interpretable Chest X-ray Classification Framework Using Prototype Memory and Counterfactual Consistency
2026-Feb, Cureus
DOI:10.7759/cureus.103134
PMID:41815616
|
研究论文 | 本研究提出了一种名为CXR-NeXus的可解释性胸部X光分类框架，该框架通过结合原型记忆和反事实一致性，旨在提升模型在弱监督下基于临床相关肺部证据进行可靠决策的能力 | 提出了一个结合原型记忆与反事实一致性的可解释分类框架，通过“这看起来像那个”的图像级解释和基于Grad-CAM引导的病灶抑制生成反事实X光图像，使模型预测依赖于病理证据，无需像素级病灶标注 | 未明确提及，但可能包括对弱监督的依赖、反事实图像生成的质量限制，以及仅在四类胸部X光数据集上进行验证 | 开发一个可解释且可靠的胸部X光分类框架，使模型预测基于临床相关的肺部证据，减少对虚假图像线索的依赖 | 胸部X光图像 | 计算机视觉 | 肺部疾病（包括COVID-19、肺炎、肺结核） | NA | 深度学习模型 | 图像 | NA | NA | NA | 宏平均F1分数，ROC-AUC，特异性，概率校准 | NA |
| 512 | 2026-03-11 |
All-Optical Diffractive Operators for Rapid, Computer-Free Morphological Transformations
2026-Feb, Nanophotonics (Berlin, Germany)
DOI:10.1002/nap2.70031
PMID:41800288
|
研究论文 | 本文提出了一种基于衍射计算的全光学处理器，用于快速、高度并行地执行形态学变换，无需计算机处理 | 利用深度学习优化的衍射表面实现全光学形态学变换，直接处理光波前，无需数字计算，具有高度并行性和可扩展性 | 实验中使用相位空间光调制器实现，可能受限于硬件分辨率和光学设置，未提及具体处理速度或能耗数据 | 开发一种快速、低功耗的形态学变换方法，以应对大规模图像数据集的计算挑战 | 光学衍射处理器及其在形态学变换（如膨胀和腐蚀）中的应用 | 计算机视觉 | NA | 衍射计算，深度学习优化 | 衍射网络 | 图像（振幅和相位编码） | NA | 深度学习（具体框架未指定） | 级联衍射架构 | NA | 相位空间光调制器（SLM），反射配置 |
| 513 | 2026-03-10 |
Artificial intelligence in urological malignancy diagnosis and prognosis: current status and future prospects
2026-Feb-28, The Canadian journal of urology
DOI:10.32604/cju.2026.076084
PMID:41800500
|
综述 | 本文综述了人工智能在泌尿系统恶性肿瘤（包括前列腺癌、膀胱癌和肾细胞癌）诊断与预后中的当前应用、技术创新及面临的临床挑战与未来机遇 | 整合影像学、病理学和分子数据，提升肿瘤检测、分级和风险分层的精确性与可重复性，并探索了AI在实时病变分割、非侵入性生物标志物预测及个性化治疗支持方面的应用 | 面临数据标准化、模型泛化性、可解释性以及监管合规性等挑战，阻碍了AI的临床转化 | 概述人工智能在泌尿系统癌症诊断与预后领域的现状、技术创新及未来临床挑战与机遇 | 泌尿系统恶性肿瘤，包括前列腺癌、膀胱癌和肾细胞癌 | 数字病理学 | 前列腺癌 | 多参数磁共振成像、数字病理系统、深度学习、放射组学、多组学数据 | 深度学习 | 影像、病理、分子数据 | NA | NA | NA | NA | NA |
| 514 | 2026-03-10 |
Parameter-free representations outperform single-cell foundation models on downstream benchmarks
2026-Feb-13, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.11.705358
PMID:41727141
|
研究论文 | 本文探讨了在单细胞RNA测序数据分析中，无需复杂深度学习模型，仅通过简单线性方法即可实现与现有基础模型相媲美甚至更优的下游任务性能 | 展示了简单、可解释的线性方法在多个单细胞下游基准测试中达到或超越基于Transformer的基础模型性能，特别是在涉及训练数据中未见的新细胞类型和生物体的分布外任务上表现更优 | 未详细讨论线性方法在更复杂或大规模数据集上的可扩展性，以及可能存在的特定生物学场景适应性限制 | 评估并比较基于深度学习的单细胞基础模型与简单线性方法在下游任务中的性能表现 | 单细胞RNA测序数据及其在细胞类型分类、疾病状态预测和跨物种学习等下游任务中的应用 | 机器学习 | NA | 单细胞RNA测序 | 线性模型, Transformer | 基因表达数据 | NA | NA | Transformer | NA | NA |
| 515 | 2026-03-10 |
Interpretable Feature-Transformer Framework for Cross-Subject MCI Detection Using Nonlinear Dynamical and Graph-Theoretic EEG Features
2026-Feb-11, Research square
DOI:10.21203/rs.3.rs-8744978/v1
PMID:41727576
|
研究论文 | 本研究提出了一种可解释的特征-Transformer框架，利用非线性动力学和图论EEG特征进行跨被试的轻度认知障碍检测 | 结合手工设计的非线性动力学与图论连通性特征与基于注意力的Transformer建模，并利用SHAP分析提供模型可解释性 | 样本量相对有限（183名参与者），且仅使用静息态闭眼EEG数据，未探索其他任务状态或更长时程数据 | 早期准确检测轻度认知障碍，以预防其向阿尔茨海默病发展 | 183名参与者（127名健康对照，56名MCI患者）的静息态闭眼EEG记录 | 机器学习 | 阿尔茨海默病 | EEG信号处理，非线性动力学分析，图论分析 | Transformer, EEGNet | EEG信号 | 183名参与者（127名健康对照，56名MCI患者） | 未明确提及 | Transformer, EEGNet | 准确率 | NA |
| 516 | 2026-03-10 |
Design and Implementation of an Automated Drosophila Locomotor Assay Using Computer Vision Tracking
2026-Feb-11, Research square
DOI:10.21203/rs.3.rs-8769384/v1
PMID:41727580
|
研究论文 | 本文介绍了一种基于计算机视觉跟踪的自动化果蝇运动行为检测系统的设计与实现 | 开发了一个集成的硬件-软件平台，实现自动化、高分辨率的果蝇运动分析，相比手动评分处理速度提高2.8倍，数据密度提高约800倍 | NA | 开发自动化果蝇运动行为检测系统，以克服传统方法的主观评分、通量限制和可重复性挑战 | 果蝇（Drosophila） | 计算机视觉 | NA | 计算机视觉跟踪 | 深度学习 | 视频 | NA | Python | NA | IoU | Raspberry Pi |
| 517 | 2026-03-10 |
Deep Learning-Based Automated Echocardiographic Measurements in Pediatric and Congenital Heart Disease
2026-Feb-09, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.06.26345782
PMID:41728295
|
研究论文 | 本研究开发了一个名为EchoFocus-Measure的AI平台，用于自动从儿科和先天性心脏病患者的超声心动图研究中提取定量和定性参数 | 扩展了多任务、视图无关的PanEcho架构，并引入了研究级Transformer来优先处理具有诊断信息的视图，从而在儿科和先天性心脏病超声心动图的全面自动化测量方面取得了进展 | 外部验证中定性指标的AUROC表现相对一般（0.73-0.86），且研究主要基于特定医院的数据，可能在不同医疗环境中的泛化能力有待进一步验证 | 开发一个AI平台，以在全球范围内提供专家级别的超声心动图测量精度和标准化，特别是在资源有限和农村地区 | 儿科和先天性心脏病患者的超声心动图研究 | 计算机视觉 | 先天性心脏病 | 超声心动图 | Transformer, 深度学习模型 | 视频 | 内部队列包括来自217,435次超声心动图的1,140万段视频（60,269名患者），外部验证包括来自3,096次超声心动图的289,613段视频（2,506名患者） | NA | PanEcho, Transformer | 中位绝对误差, AUROC | NA |
| 518 | 2026-03-10 |
Technological Advancements in Cranial and Spinal Navigation in the Past 30 Years: A Detailed Patent Bibliometric Analysis
2026-Feb, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2025.124779
PMID:41482266
|
研究论文 | 本文通过专利文献计量学分析，系统回顾了过去30年颅脑和脊柱导航技术的技术发展历程 | 首次采用专利文献计量学框架系统探索颅脑和脊柱导航领域的技术发展，并量化科学出版物对专利的影响 | 研究主要基于前向引用次数筛选专利，可能忽略其他重要但引用较少的专利；数据来源限于Lens数据库 | 评估颅脑和脊柱导航领域的技术创新趋势和知识产权发展 | 颅脑和脊柱导航技术相关的专利和科学出版物 | 医学工程 | 神经系统疾病 | 专利文献计量学分析 | NA | 专利记录和科学出版物 | 714项相关专利，其中100项高引用专利；近15,000篇科学出版物，其中1,107篇被专利引用 | NA | NA | 前向引用次数 | NA |
| 519 | 2026-03-10 |
Ab initio prediction of RNA structure ensembles with RNAnneal
2026-Feb-01, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.01.703098
PMID:41659490
|
研究论文 | 介绍了一种名为RNAnneal的方法，用于预测RNA结构集合，该方法结合了生成式深度学习、统计物理学和分子动力学建模 | RNAnneal首次将生成式深度学习与统计物理学和分子动力学建模无缝集成，用于RNA结构集合的从头预测，并引入了交互熵作为构象异质性的度量 | 对于包含假结（PK-comprising）的结构，性能仍有改进空间 | 预测RNA结构集合，以加速RNA靶向药物发现和功能性RNA分子设计 | RNA分子，特别是核糖开关RNA的实验解析构象 | 机器学习 | NA | 生成式深度学习，统计物理学，分子动力学建模 | 深度学习模型 | RNA序列 | 16个实验解析的核糖开关RNA构象 | NA | NA | RNAnneal评分，Rosetta评分，RNA力场分类性能 | NA |
| 520 | 2026-03-09 |
Generative Modeling of Entangled Polymers with a Distance-Based Variational Autoencoder
2026-Feb-26, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01953
PMID:41744221
|
研究论文 | 本文提出了一种基于距离矩阵的变分自编码器框架，用于学习和生成结构化聚合物球体的构型 | 结合卷积层和注意力层，将距离矩阵的结构模式编码为具有旋转平移不变性的低维潜空间，并通过后处理流程恢复具有物理意义的构型 | 解码器原始输出存在微小差异，需要分子动力学弛豫后处理 | 开发一种能够高效生成聚合物构型的生成模型 | 结构化聚合物球体（以聚乙烯为例） | 机器学习 | NA | 粗粒度分子动力学 | VAE | 距离矩阵 | NA | NA | 结合卷积和注意力层的变分自编码器 | 能量、尺寸、缠结度等关键观测量的复现 | NA |