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 1010 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2026-01-28 |
A deep learning-based tool for rapid and automated detection of Cryptosporidium oocysts: A new approach for veterinary diagnostics and epizootiological surveys
2026-Feb, Experimental parasitology
IF:1.4Q3
DOI:10.1016/j.exppara.2026.109099
PMID:41529739
|
研究论文 | 本研究开发了一种基于深度学习的工具，用于快速自动检测犊牛粪便样本显微图像中的隐孢子虫卵囊 | 首次将最先进的目标检测算法YOLOv10和YOLOv11应用于隐孢子虫卵囊的自动化识别，为兽医诊断和流行病学调查提供了新方法 | 研究仅使用了406张标注图像的数据集，样本量相对有限，可能影响模型的泛化能力 | 开发一种快速、准确、自动化的隐孢子虫卵囊检测工具，以改善疾病管理和控制 | 感染隐孢子虫的犊牛粪便样本中的隐孢子虫卵囊 | 计算机视觉 | 隐孢子虫病 | 显微成像 | 目标检测模型 | 图像 | 406张标注图像 | NA | YOLOv10, YOLOv11 | 精确率, 召回率, 平均精度均值(mAP) | NA |
| 802 | 2026-01-28 |
Artificial Intelligence in Nutrigenomics: A Critical Review on Functional Food Insights and Personalized Nutrition Pathways
2026-Feb, Journal of human nutrition and dietetics : the official journal of the British Dietetic Association
IF:2.9Q3
DOI:10.1111/jhn.70200
PMID:41542760
|
综述 | 本文批判性地评估了人工智能在营养基因组学中的应用，重点关注其在解释功能性食物-基因相互作用、支持个性化营养策略以及实现基于证据的饮食干预以改善健康结果方面的作用 | 系统性地整合了人工智能（特别是机器学习和深度学习）在营养基因组学领域的最新应用，强调了其在识别复杂基因-饮食相互作用、支持生物标志物发现和实现实时监测方面的创新潜力 | 存在算法偏见、数据隐私和伦理治理方面的挑战，且综述范围可能受限于2010-2025年的文献，未能涵盖更早期的研究 | 评估人工智能在营养基因组学中的应用潜力，以推动个性化营养和基于证据的饮食干预 | 营养基因组学、功能性食物、基因-饮食相互作用、个性化营养策略 | 机器学习 | 肥胖、糖尿病、心血管疾病 | 机器学习、深度学习 | NA | 遗传数据、代谢数据、生活方式数据 | 基于142项研究的定性综合，未提供具体样本量 | NA | NA | NA | NA |
| 803 | 2026-01-28 |
Evaluating the impact of deep learning-based image denoising on low-dose CT for lung cancer screening
2026-Feb, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70480
PMID:41579047
|
研究论文 | 本研究评估了基于深度学习的图像去噪技术对低剂量CT在肺癌筛查中的影响，通过客观图像质量指标和结节相关特征进行比较分析 | 系统比较了七种深度学习去噪方法在低剂量CT图像上的性能，并量化了去噪对实性和亚实性结节特征及Lung-RADS分类准确性的影响 | 亚实性结节仍受噪声和去噪引入的偏差影响较大，且需进一步验证去噪技术对诊断性能的临床影响 | 评估深度学习去噪技术对低剂量CT图像质量的提升效果及其在肺癌筛查中的潜在应用价值 | 低剂量CT胸部扫描图像，重点关注实性和亚实性肺结节 | 计算机视觉 | 肺癌 | 低剂量CT扫描 | 深度学习 | CT图像 | 来自LDCT和投影数据收集的胸部CT扫描数据集，具体样本数量未明确说明 | NA | NA | 均方根误差, 峰值信噪比, 结构相似性指数, 结节大小, CT密度, Lung-RADS分类 | NA |
| 804 | 2026-01-28 |
Automated landmark detection and view positioning assessment of shoulder grashey view radiographs using cascade deep learning: A dual-center validation study
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70285
PMID:41579106
|
研究论文 | 本研究开发并验证了一个级联深度学习模型，用于自动定位肩关节Grashey位X光片上的解剖标志并评估投照位置 | 结合RetinaNet和U-Net架构的级联深度学习框架，用于自动检测14个解剖标志并测量关键肩角等放射学参数，其性能在不同图像质量下保持一致 | 模型仅在两个医疗中心的650张X光片上进行训练和验证，样本量有限，且外部验证仅包含50张图像 | 开发并验证一个深度学习模型，用于自动定位肩关节Grashey位X光片的解剖标志并准确评估放射学投照位置 | 肩关节Grashey位X光片 | 计算机视觉 | 肩袖病变 | X光成像 | 深度学习 | 图像 | 650张肩关节Grashey位X光片（500张用于训练，100张用于内部测试，50张用于外部测试） | NA | RetinaNet, U-Net | 平均标志点误差（毫米），关键肩角误差（度） | NA |
| 805 | 2026-01-28 |
Advances in endometrial cancer screening: a comprehensive review of current methods and emerging technologies
2026-Feb, International journal of clinical oncology
IF:2.4Q3
DOI:10.1007/s10147-025-02941-9
PMID:41385140
|
综述 | 本文全面回顾了子宫内膜癌筛查方法的演变，涵盖传统方法、新兴技术和整合策略 | 整合分子诊断与传统影像学方法，并探讨了深度学习在组织病理学图像分子亚型预测中的应用 | 普遍筛查对无症状人群成本过高，且部分方法（如特定基因面板的甲基化分析）的敏感性和特异性范围较宽 | 评估子宫内膜癌筛查技术的进展，优化诊断准确性、可及性和成本效益 | 子宫内膜癌筛查方法，包括传统影像学、分子诊断和细胞学技术 | 数字病理学 | 子宫内膜癌 | DNA甲基化分析，液体基细胞学，免疫细胞化学，数字图像分析 | 深度学习 | 组织病理学图像 | NA | NA | NA | 敏感性，特异性 | NA |
| 806 | 2026-01-28 |
Mitigating Disparities in Prostate Cancer Survival Prediction Through Fairness-Aware Machine Learning Models
2026-Feb, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.71544
PMID:41589030
|
研究论文 | 本研究通过公平感知的深度学习生存模型，旨在减少前列腺癌根治术后生存预测中的种族差异 | 将公平感知方法应用于生存分析领域，比较了两种公平感知深度学习生存模型以缓解种族差异 | 研究主要基于美国国家癌症数据库，可能受数据质量和代表性限制，且公平性评估主要关注种族群体 | 开发公平的机器学习模型以减少前列腺癌生存预测中的种族差异 | 前列腺癌患者，特别是接受根治性前列腺切除术的患者 | 机器学习 | 前列腺癌 | 生存分析 | 深度学习 | 临床数据 | 418,968名患者，包括白人（78.5%）、黑人（13.2%）、西班牙裔（4.5%）、亚裔（1.9%）和其他（2.0%） | NA | Deep Cox Proportional Hazards Model, Fair Deep Cox Proportional Hazards Model, Group Distributionally Robust Optimization Deep Cox Proportional Hazards Model | C-index | NA |
| 807 | 2026-01-28 |
Image reconstruction and elongation artifact reduction for a dual-panel dedicated prostate PET scanner
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70298
PMID:41589400
|
研究论文 | 本研究针对双面板前列腺专用PET扫描仪，比较了多种图像重建策略，包括传统MLEM、PSF建模、混合列表模式重建及基于深度学习的后处理增强方法，以优化图像质量和减少伪影 | 开发了结合多射线建模的列表模式MLEM算法，并首次将Swin-UNETR深度学习模型应用于专用PET扫描仪的后重建增强，显著提升了小病灶的对比噪声比和一致性 | 研究主要基于模拟和体模数据，未涉及真实患者数据，且方法性能可能受病灶大小和对比度影响 | 优化双面板前列腺专用PET扫描仪（ProVision）的图像重建策略，提高图像质量和病灶检测能力 | 双面板前列腺专用PET扫描仪（ProVision）及其采集的数据，包括缩放NEMA图像质量体模和实验性人体骨盆体模（Adam-PETer） | 医学影像 | 前列腺癌 | PET成像，时间飞行深度相互作用探测，列表模式采集 | 深度学习模型 | PET图像数据 | 模拟数据（缩放NEMA体模）和实验数据（Adam-PETer体模） | NA | Swin-UNETR | 对比恢复系数（CRC），对比噪声比（CNR），对比噪声一致性（CNC） | NA |
| 808 | 2026-01-28 |
Multi-dimensional attention-enhanced reconstruction for sparse-view CBCT
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70299
PMID:41589426
|
研究论文 | 本研究提出了一种用于稀疏视图CBCT重建的多维注意力增强算法，旨在消除条纹伪影并恢复图像细节 | 引入了两个即插即用的增强模块，考虑投影间的长程依赖性和特征内的信息冗余，通过双域深度学习网络提升图像质量 | NA | 消除稀疏视图CBCT中的条纹伪影并恢复图像细节，提高重建图像质量 | 稀疏视图锥束计算机断层扫描（CBCT）图像 | 计算机视觉 | NA | 锥束计算机断层扫描（CBCT） | 深度学习网络 | 图像 | 一个真实胸部数据集和一个模拟腹部数据集 | NA | MAE-Recon（包含线性插值模块、投影域网络、FDK算子和图像域网络） | RMSE, SSIM, PSNR | NA |
| 809 | 2026-01-27 |
Deep learning-based tooth segmentation for enhanced visualization of dental anomalies and pathologies
2026-Feb, Annals of anatomy = Anatomischer Anzeiger : official organ of the Anatomische Gesellschaft
DOI:10.1016/j.aanat.2025.152771
PMID:41360207
|
研究论文 | 本研究开发并验证了一种基于深度学习的实例级牙齿分割方法，用于CBCT扫描，以增强可视化并简化牙科异常检测 | 提出了一种加速标注程序，专家标注部分图像后，模型自动标注剩余图像，实现了高效的牙齿分割 | 研究仅基于470个扫描数据，样本量有限，且未在更广泛或多样化的数据集上进行验证 | 开发并验证深度学习模型，用于CBCT扫描中的牙齿分割，以提升牙科异常的检测效率和可视化效果 | CBCT扫描数据，包含各种牙科异常（如龋齿、缺牙、骨岛、根尖周炎）或牙科历史（如填充、修复、根管手术） | 计算机视觉 | 牙科疾病 | CBCT | 深度学习模型 | 图像 | 470个扫描用于训练，60个扫描用于验证 | NA | NA | Jaccard指数, 平均相对体积差异 | NA |
| 810 | 2025-12-21 |
Enhancing deep learning telemedicine for retinopathy of prematurity: current evidence and opportunities for improvement
2026-Feb, Eye (London, England)
DOI:10.1038/s41433-025-04188-0
PMID:41419595
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 811 | 2026-01-26 |
Artificial intelligence in metagenome-assembled genome reconstruction: Tools, pipelines, and future directions
2026-Feb, Journal of microbiological methods
IF:1.7Q4
DOI:10.1016/j.mimet.2026.107390
PMID:41506577
|
综述 | 本文综述了人工智能在宏基因组组装基因组重建中的应用工具、流程及未来方向 | 系统整合了传统与基于AI的宏基因组组装基因组重建工作流，并重点介绍了表示学习、基于图的分箱方法、AI组装器和抛光工具等创新点，以及可解释AI、联邦学习、多模态整合和基于大语言模型的注释等新兴趋势 | NA | 探讨人工智能如何克服宏基因组组装基因组重建中的技术挑战，并展望未来发展方向 | 宏基因组组装基因组重建流程，包括质量控制、组装、分箱、细化和注释 | 机器学习 | NA | 宏基因组测序 | 机器学习, 深度学习 | 宏基因组测序数据 | NA | NA | NA | NA | NA |
| 812 | 2026-01-26 |
ProteinDJ: A high-performance and modular protein design pipeline
2026-Feb, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70464
PMID:41562285
|
研究论文 | 本文介绍了一个名为ProteinDJ的高性能模块化蛋白质设计流程，旨在解决现有蛋白质设计工具在可扩展性和吞吐量方面的限制 | 开发了一个专为高性能计算系统优化的开源蛋白质设计流程，通过Nextflow和Apptainer实现工作流并行化，显著提高了设计生成和测试的效率 | 未明确说明该流程在不同蛋白质靶点或结构类型上的通用性验证程度，也未提供与其他现有流程的直接性能比较数据 | 开发一个高效、可扩展的蛋白质设计流程，以加速新型合成蛋白质（特别是结合剂）的发现过程 | 合成蛋白质（蛋白质结合剂）的设计与验证 | 机器学习 | NA | 深度学习、蛋白质结构预测、序列设计 | 扩散模型、神经网络 | 蛋白质结构数据、序列数据 | NA | Nextflow, Apptainer | RoseTTAFold Diffusion, ProteinMPNN, Full-Atom MPNN, AlphaFold2, Boltz-2 | NA | 高性能计算系统、GPU和CPU并行计算 |
| 813 | 2026-01-25 |
SiQDs and [Ru(bpy)2(phen-NH2)]2+ based ratiometric fluorescence probe for point-of-care testing of 6PPD-quinone with 3D-printing portable devices
2026-Feb-15, Analytica chimica acta
IF:5.7Q1
DOI:10.1016/j.aca.2026.345075
PMID:41577417
|
研究论文 | 本研究提出了一种基于深度学习和智能手机的比率荧光传感器，用于现场检测环境污染物6PPD-Q | 结合硅量子点和钌配合物构建双发射比率荧光探针，并集成YOLOv5算法与3D打印便携设备，实现可视化实时检测 | 检测范围分为两个线性区间（0.0066-2 μg/mL和2-7 μg/mL），可能在实际应用中需要分段校准 | 开发快速、高响应、特异性的6PPD-Q现场检测方法 | 轮胎衍生的新兴污染物N-苯基-N'-(1,3-二甲基丁基)-对苯二胺-醌（6PPD-Q） | 环境分析化学 | NA | 比率荧光传感，智能手机成像，3D打印设备制造 | 深度学习，目标检测 | 荧光图像，RGB数值 | NA | PyTorch | YOLOv5 | 检测限（LOD），线性关系 | 智能手机处理器，3D打印便携设备 |
| 814 | 2026-01-25 |
Rapid MR examination with deep learning reconstruction improves diagnosis of complicated acute appendicitis
2026-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112554
PMID:41289720
|
研究论文 | 本研究评估了采用深度学习重建的非对比快速磁共振成像协议在诊断急性阑尾炎并发症方面的性能 | 首次将深度学习重建技术应用于非对比快速MRI协议，以提高对复杂阑尾炎的诊断准确性 | 样本量较小（仅62名患者），且部分患者仅接受MRI检查，缺乏完全一致的比较组 | 评估深度学习重建在快速MRI中诊断复杂阑尾炎的效果 | 急性阑尾炎患者，包括孕妇 | 医学影像分析 | 急性阑尾炎 | 磁共振成像（T2加权、T1加权、扩散加权成像）、深度学习重建 | 深度学习模型 | 医学影像（MRI图像） | 62名患者，其中55名确诊急性阑尾炎 | NA | NA | 敏感性、阴性预测值、受试者工作特征分析、kappa统计 | NA |
| 815 | 2026-01-25 |
Deep learning-reconstructed hepatobiliary MRI: Enhancing biliary delineation, lesion margin sharpness, and small lesion detection
2026-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112574
PMID:41314015
|
研究论文 | 本研究评估了深度学习重建的T1加权VIBE序列在肝胆MRI中相对于传统VIBE序列在胆道可视化、病灶检测和伪影抑制方面的性能 | 首次将深度学习重建技术应用于肝胆MRI的T1加权VIBE序列，实现了更薄的1.5毫米层厚扫描，显著提升了三级胆管显示、病灶边缘锐利度和小病灶检测能力 | 纹理自然度略有降低，且研究为回顾性设计，样本量相对有限 | 评估深度学习重建的MRI序列在肝胆成像中的临床应用价值 | 疑似肝脏病变的患者及其MRI图像 | 医学影像分析 | 肝脏疾病 | 钆塞酸增强MRI，深度学习图像重建 | 深度学习模型 | MRI图像 | 94名患者，145个病灶 | NA | NA | 边缘上升距离，对比噪声比，检测率 | NA |
| 816 | 2026-01-25 |
Personalized adrenal gland volume reference ranges and development of a fully automated deep learning screening tool
2026-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112591
PMID:41352231
|
研究论文 | 本研究开发了一种基于低剂量CT的全自动深度学习工具，用于筛查肾上腺体积异常并建立个性化参考范围，以辅助诊断肾上腺疾病 | 首次基于低剂量CT开发了全自动深度学习工具，并建立了考虑年龄、性别、体表面积和血液标志物等个体化因素的肾上腺体积参考范围 | 研究仅基于低剂量非增强胸部CT数据，未包含其他影像模式；异常检测系统在肾上腺增生验证集中的检出率为77.09%，仍有提升空间 | 开发自动化肾上腺体积测量工具并建立个性化参考范围，以辅助肾上腺疾病的筛查和诊断 | 接受低剂量非增强胸部CT检查的成年人（≥18岁），包括健康参考组、高血压/糖尿病验证组和肾上腺异常验证组 | 数字病理学 | 肾上腺疾病 | 低剂量CT | 深度学习 | CT图像 | 训练集400张低剂量胸部CT图像，验证集550张图像；总研究人群18,538名成年人，其中健康参考组7,907人 | nnU-Net | nnU-Net | Dice相似系数, ICC | NA |
| 817 | 2026-01-25 |
Usefulness of metal artifact reduction on CT angiography after massive coil embolization in peripheral AVM
2026-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112606
PMID:41406589
|
研究论文 | 本研究评估了三种CT重建方法结合智能金属伪影减少技术在处理外周动静脉畸形线圈栓塞后CT血管造影图像质量方面的效果 | 首次比较了滤波反投影、自适应统计迭代重建和深度学习重建结合智能金属伪影减少技术在外周动静脉畸形栓塞后评估中的应用 | 单中心研究，样本量较小（30例患者），可能限制结果的普遍性 | 评估不同CT重建方法结合金属伪影减少技术对栓塞后动静脉畸形图像质量的改善效果 | 接受线圈栓塞治疗的外周动静脉畸形患者 | 医学影像 | 外周动静脉畸形 | 双能CT血管造影，虚拟单能成像 | 深度学习重建 | CT图像 | 30例患者 | NA | NA | 标准差，伪影指数，对比噪声比，主观评分 | NA |
| 818 | 2026-01-25 |
The effect of spatial and intensity level augmentation of structural magnetic resonance images on autism diagnosis model
2026-Feb, Asian journal of psychiatry
IF:3.8Q1
DOI:10.1016/j.ajp.2026.104830
PMID:41499905
|
研究论文 | 本研究探讨了结构磁共振图像的空间和强度水平增强对自闭症诊断模型性能的影响 | 提出了结合空间和强度水平增强的数据增强方法，并发现特定增强技术（如随机噪声注入）能提升模型性能，而左右翻转则降低性能 | 未详细说明数据稀缺的具体原因或样本来源的局限性，且增强方法的泛化性可能受限于特定数据集 | 通过数据增强提高深度学习模型在自闭症诊断中的鲁棒性和泛化能力 | 结构磁共振图像 | 医学影像分析 | 自闭症 | 结构磁共振成像 | 深度学习模型 | 图像 | NA | NA | NA | AUC | NA |
| 819 | 2026-01-25 |
Acceleration of chemical shift encoding-based water-fat imaging for pancreatic proton density fat fraction mapping in a single breath-hold: Data from the LION study
2026-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112641
PMID:41499911
|
研究论文 | 本研究评估了使用压缩感知和深度学习辅助重建算法加速基于化学位移编码的胰腺质子密度脂肪分数成像技术，以实现单次屏气高分辨率脂肪定量 | 首次将深度学习辅助重建算法应用于加速的化学位移编码水脂分离成像，用于胰腺脂肪定量，提高了成像速度和图像质量 | 研究样本仅限于无糖尿病的肥胖成年人，且仅使用单一MRI设备，可能限制结果的普适性 | 开发并评估加速的胰腺脂肪定量成像技术，以用于肥胖和代谢疾病研究 | 71名无糖尿病的肥胖成年人的腹部MRI数据集 | 医学影像 | 代谢综合征 | 化学位移编码水脂分离成像，压缩感知，深度学习重建 | 深度学习辅助重建算法 | MRI图像 | 104个腹部MRI数据集，来自71名成年人 | NA | NA | 线性度（R2），组内相关系数，噪声水平 | 3T MRI设备（Philips Ingenia Elition X） |
| 820 | 2026-01-25 |
Deep learning image reconstruction improves 40 keV virtual monoenergetic image quality in rectal cancer
2026-Feb, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112646
PMID:41520415
|
研究论文 | 本研究评估了深度学习图像重建（DLIR）在直肠癌40 keV虚拟单能成像（VMI）中的图像质量和诊断性能 | 首次将DLIR应用于直肠癌40 keV VMI，并与ASIR-V重建方法进行比较，以改善低能量VMI的图像噪声和诊断性能 | 样本量较小（62例患者），且DLIR在诊断性能（如T分期）上的提升有限（AUC=0.592） | 评估DLIR对40 keV VMI图像质量的影响及其在评估直肠癌壁外静脉侵犯（EMVI）和T分期中的诊断性能 | 62例直肠腺癌患者 | 医学影像 | 直肠癌 | 双能计算机断层扫描（DECT）、虚拟单能成像（VMI）、深度学习图像重建（DLIR） | 深度学习模型 | CT图像 | 62例患者 | NA | NA | CT衰减值、图像噪声、对比噪声比（CNR）、信噪比（SNR）、边缘上升斜率（ERS）、噪声功率谱（NPS）曲线下面积、受试者工作特征曲线下面积（AUC） | NA |