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 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 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 |
| 862 | 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 |
| 863 | 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 |
| 864 | 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 |
| 865 | 2026-01-17 |
OCT-PRO: A Multimodal Model Integrating OCT and Clinical Traits to Predict Postoperative Outcomes in Cataract Patients
2026-Feb, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.101013
PMID:41532137
|
研究论文 | 本研究开发并验证了OCT-PRO，一种整合OCT图像和临床特征的多模态机器学习模型，用于预测白内障患者术后视力结果 | 首次结合OCT图像和临床特征构建多模态模型预测白内障术后视力，相比传统方法和眼科医生具有更高准确性 | 研究为前瞻性队列设计，可能存在选择偏倚；外部验证仅在中国医院进行，需更多样化人群验证 | 开发预测白内障患者术后视力结果的多模态机器学习模型 | 白内障患者 | 计算机视觉 | 白内障 | OCT成像, 激光干涉测量 | 深度学习 | 图像, 结构化元数据 | 2225只眼（来自1911名患者），其中1304名用于模型开发，607名用于外部测试 | TensorFlow, PyTorch | InceptionResNetV2 | 平均绝对误差, 均方根误差 | NA |
| 866 | 2025-09-19 |
Letter to the Editor: Technical considerations in the development of a multimodal deep learning model for predicting hepatocellular carcinoma outcomes
2026-Feb-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001534
PMID:40960952
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 867 | 2025-09-20 |
Reply: Technical considerations in the development of a multimodal deep learning model for predicting hepatocellular carcinoma outcomes
2026-Feb-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001540
PMID:40966423
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 868 | 2026-01-16 |
Deep learning-based classification of acute scrotum using single ultrasound images
2026-Feb, BJU international
IF:3.7Q1
DOI:10.1111/bju.70091
PMID:41327908
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用单张超声图像对急性阴囊进行鉴别诊断 | 首次应用EfficientNet架构和类激活映射技术，通过单张超声图像实现急性阴囊扭转的自动化分类，并可视化模型决策的关键病理区域 | 数据集存在类别不平衡，前瞻性试点研究样本量较小（仅20例），需要更大规模、更平衡的多中心研究来验证临床效用 | 开发深度学习模型用于急性阴囊疼痛的鉴别诊断，特别是区分扭转与非扭转病例 | 急性阴囊疼痛患者 | 计算机视觉 | 急性阴囊疾病 | 多普勒超声成像 | CNN | 图像 | 1172名患者（来自四家医院），前瞻性试点研究包含20名患者 | NA | EfficientNet | 准确率, 精确率, 灵敏度, F1分数 | NA |
| 869 | 2025-11-09 |
Corrigendum to 'Decoding Epigenetic Enhancer-Promoter Interactions in Periodontitis via Transformer-GAN: A Deep Learning Framework for Inflammatory Gene Regulation and Biomarker Discovery' [International Dental Journal Volume 75, Issue 6, December 2025, 103879]
2026-Feb, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2025.103976
PMID:41202540
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 870 | 2026-01-15 |
Procymidone residue detection in Allium tuberosum using feature-level data fusion of colorimetric sensor arrays and electronic nose sensor arrays: Comparison of heterogeneous data fusion methods
2026-Feb-01, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.147544
PMID:41406745
|
研究论文 | 本研究结合电子鼻和颜色传感器阵列，通过特征级数据融合方法，实现了对韭菜中腐霉利残留的定性和定量检测 | 提出基于卷积神经网络和长短期记忆网络注意力融合网络（CLAFNet）的多源数据融合方法，在特征级融合中优于传统机器学习方法，实现了对腐霉利残留浓度的高精度区分 | 未明确说明样本的具体来源、处理过程或实验条件的潜在限制，也未讨论方法在其他农产品或残留物检测中的泛化能力 | 开发一种有效检测韭菜中腐霉利残留浓度的方法，以保障食品安全 | 韭菜样本中的腐霉利残留 | 机器学习 | NA | 电子鼻传感器阵列，颜色传感器阵列 | CNN, LSTM, FCN | 传感器数据（来自电子鼻和颜色传感器阵列） | 未明确说明具体样本数量，仅提及韭菜样本 | 未明确指定，但提及深度学习与传统机器学习 | CLAFNet（卷积神经网络与长短期记忆网络注意力融合网络），全连接神经网络 | 准确率 | NA |
| 871 | 2026-01-14 |
Specific Emitter Identification by Edge Pattern Detection and Incremental Open-World Learning
2026-Feb, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3615797
PMID:41021937
|
研究论文 | 本文提出了一种用于特定发射器识别的增量开放世界学习框架，通过边缘模式检测和伪未知数据集生成来提升开放集识别能力 | 提出结合边缘模式检测与对抗样本生成的伪未知数据集构建方法，并设计了混合类增量学习机制以保持历史识别能力 | 未明确说明实际部署场景中的计算效率与实时性表现 | 解决开放世界场景下无线设备特定发射器的增量识别问题 | 无线设备发射的时域信号 | 机器学习 | NA | 边缘模式检测，对抗样本生成 | 深度学习模型 | 时域信号 | 真实采集数据集（未明确具体数量） | NA | NA | NA | NA |
| 872 | 2026-01-14 |
TransFace++: Rethinking the Face Recognition Paradigm With a Focus on Accuracy, Efficiency, and Security
2026-Feb, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3616149
PMID:41026835
|
研究论文 | 本文提出TransFace和TransFace++两种新颖的人脸识别框架，分别探索了ViTs和图像字节在人脸识别任务中的可行性，以解决现有CNN框架在全局特征捕捉、推理效率和隐私保护方面的不足 | 首次将ViTs和图像字节应用于人脸识别任务，提出了针对ViTs的DPAP数据增强和EHSM难样本挖掘策略，以及针对图像字节的TIBC压缩和SICA交叉注意力模块 | 未明确说明模型在极端光照、遮挡或跨域场景下的性能表现，也未讨论模型在移动设备上的部署可行性 | 提升人脸识别系统的准确性、效率和安全性 | 人脸图像数据 | 计算机视觉 | NA | 深度学习 | Transformer, CNN | 图像 | 未明确说明具体样本数量，但提到在流行的人脸基准数据集上进行实验 | NA | Vision Transformer (ViT) | NA | NA |
| 873 | 2026-01-14 |
ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification
2026-Feb, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3616232
PMID:41032538
|
研究论文 | 提出一个名为ID-Guard的通用框架，通过破坏身份识别特征来对抗基于深度学习的面部操纵 | 引入身份破坏模块（IDM）来抑制被操纵面部中的可识别特征，并采用动态加权策略优化跨模型性能 | 未明确说明框架在极端光照或遮挡条件下的鲁棒性，也未讨论对非面部图像或视频的适用性 | 开发一种主动防御方法，防止深度学习面部操纵技术的滥用 | 面部图像及其在深度学习模型中的操纵过程 | 计算机视觉 | NA | 对抗性扰动生成 | 编码器-解码器网络 | 图像 | NA | NA | 编码器-解码器网络 | NA | NA |
| 874 | 2026-01-14 |
Performance Assessment of a Deep Learning-based Algorithm for Ovarian Cancer Histotyping in an Independent Data Set
2026-Feb-01, The American journal of surgical pathology
DOI:10.1097/PAS.0000000000002481
PMID:41251420
|
研究论文 | 本研究评估了基于对抗性傅里叶域适应（AIDA）的深度学习算法在独立数据集上对卵巢癌组织亚型分类的性能 | 开发并验证了AIDA模型以应对跨机构病理切片变异性带来的领域偏移问题，通过多数投票和额外切片重训练策略提升了分类准确性 | 模型对子宫内膜样癌（EC）的分类准确性较低（62.4%），常见误分类包括黏液性癌误判为EC以及EC误判为高级别浆液性癌或低级别浆液性癌 | 评估深度学习算法在独立队列中分类五种主要卵巢癌亚型的性能，以提升临床诊断准确性 | 经手术治疗的卵巢癌患者，包括透明细胞癌、子宫内膜样癌、高级别浆液性癌、低级别浆液性癌和黏液性癌亚型 | 数字病理学 | 卵巢癌 | 深度学习，对抗性傅里叶域适应 | 深度学习模型 | 病理切片图像 | 来自阿姆斯特丹大学医学中心（1985-2022年）的独立患者队列，具体样本数量未在摘要中明确说明 | 未明确说明，但涉及深度学习框架 | AIDA（对抗性傅里叶域适应模型） | 平衡准确率 | 未在摘要中明确说明 |
| 875 | 2026-01-14 |
Deep Neural Network Parameter Selection via Dataset Similarity Under Meta-Learning Framework
2026-Feb, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3618991
PMID:41056167
|
研究论文 | 本文提出了一种基于元学习的框架，通过数据集相似性联合推荐超参数和初始权重，以优化深度神经网络的性能 | 引入了一种新颖的元学习框架，首次联合考虑超参数和权重初始化，并利用浅层和深层元特征捕捉数据集多样性，通过数据集相似性进行参数推荐 | 未明确说明框架在非图像数据集上的泛化能力，且依赖于历史数据集的覆盖范围 | 优化深度神经网络在图像分类任务中的性能，通过数据集驱动的参数推荐减少调优负担 | 105个真实世界图像分类数据集，包括75个历史数据集和30个查询数据集 | 机器学习 | NA | 元学习，图像特征提取 | Vision Transformer, CNN | 图像 | 105个图像数据集 | NA | Vision Transformer, 卷积神经网络 | NA | NA |
| 876 | 2026-01-14 |
Synergistic integration of multidimensional differential spectroscopy and deep learning for robust phenol monitoring in complex industrial effluents
2026-Feb-01, Analytica chimica acta
IF:5.7Q1
DOI:10.1016/j.aca.2025.344989
PMID:41526095
|
研究论文 | 本研究提出了一种结合化学选择性、多维光学传感和定制并行关联神经网络（PSNN）的新策略，用于复杂工业废水中苯酚的稳健监测 | 通过苯酚特异性溴化消除其光谱特征，构建双通道可变光程系统生成三维差分光谱矩阵，并开发了新型并行关联神经网络（PSNN），显著提升了监测精度和鲁棒性 | 实验室条件与现场测试存在性能差异，现场测试的MAE（172.9 μg/L）高于实验室条件（72.09 μg/L），且方法在复杂环境中的普适性需进一步验证 | 开发一种高选择性、高灵敏度的智能系统，用于复杂工业废水中苯酚的准确、实时在线监测 | 工业废水中的苯酚污染物，特别是来自焦化和炼油等过程的废水 | 机器学习 | NA | 紫外-可见光谱法，高效液相色谱法（HPLC）作为基准 | CNN, PSNN | 光谱数据（三维差分光谱矩阵） | NA | NA | 并行关联神经网络（PSNN） | 平均绝对误差（MAE） | NA |
| 877 | 2026-01-13 |
Prognostic Utility of a Deep Learning Radiomics Nomogram Integrating Ultrasound and Multi-Sequence MRI in Triple-Negative Breast Cancer Treated With Neoadjuvant Chemotherapy
2026-Feb, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70054
PMID:40920176
|
研究论文 | 本研究评估了整合超声和多序列MRI的深度学习放射组学列线图在预测接受新辅助化疗的三阴性乳腺癌患者生存、复发和转移方面的预后性能 | 开发了一种整合临床参数、超声和多序列MRI的深度学习放射组学列线图模型，用于三阴性乳腺癌患者的预后预测，并进行了多中心验证 | 回顾性研究设计，样本量相对较小（103例患者），且仅针对三阴性乳腺癌这一特定亚型 | 评估整合超声和多序列MRI的深度学习放射组学列线图在预测三阴性乳腺癌患者预后方面的性能 | 接受新辅助化疗的三阴性乳腺癌患者 | 数字病理学 | 乳腺癌 | 超声成像, 多序列磁共振成像 | 深度学习放射组学模型 | 二维超声图像, 三维MRI图像 | 103例患者（训练组72例，验证组31例） | NA | 深度学习放射组学列线图 | 一致性指数 | NA |
| 878 | 2026-01-13 |
Artificial Intelligence Deep Learning Ultrasound Discrimination of Cosmetic Fillers: A Multicenter Study
2026-Feb, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70079
PMID:41024593
|
研究论文 | 本研究利用基于YOLO架构的深度学习人工智能技术，通过超声图像对常见美容填充剂进行可靠鉴别 | 首次将人工智能深度学习应用于超声图像中美容填充剂的鉴别，填补了该领域的研究空白 | 对钙羟基磷灰石和聚甲基丙烯酸甲酯填充剂的识别性能较低且不一致，需要进一步优化 | 开发人工智能深度学习模型以在真实条件下通过超声图像准确鉴别不同类型的美容填充剂 | 超声图像中的美容填充剂，包括透明质酸、聚甲基丙烯酸甲酯、钙羟基磷灰石和硅油 | 计算机视觉 | NA | 超声成像 | 深度学习 | 图像 | 1432张来自6个国家14位医生收集的超声图像 | NA | YOLO, YOLOv11 | 准确率, F1分数, 精确率, 召回率 | NA |
| 879 | 2026-01-12 |
Hybrid TCN-BiGRU model for accurate air quality index prediction
2026-Feb-15, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.127577
PMID:41443548
|
研究论文 | 提出一种结合TCN和BiGRU的混合深度学习模型，用于准确预测空气质量指数 | 通过级联架构与残差连接整合TCN和BiGRU，利用TCN提取多尺度时间特征，BiGRU双向处理特征以捕获上下文依赖 | 跨年度验证显示性能下降8.3%，跨城市迁移学习仅能达到完全本地训练性能的74.2-82.7% | 空气质量指数预测，用于污染控制和公共健康保护 | 北京、广州、上海等城市的空气质量数据 | 机器学习 | NA | 深度学习 | TCN, BiGRU | 时间序列数据 | 北京（2022年和2023年）、广州（2023年）、上海（2023年）的数据集，涵盖16个季节-区域场景 | NA | TCN-BiGRU混合架构 | RMSE, R值 | NA |
| 880 | 2026-01-12 |
Possibilities and limitations of artificial intelligence in food-derived peptides
2026-Feb, Journal of the science of food and agriculture
IF:3.3Q2
DOI:10.1002/jsfa.70099
PMID:40751946
|
综述 | 本文综述了人工智能在食品源肽研究中的应用、挑战与未来前景 | 深入探讨了AI与食品源肽研究的深度融合，提出了标准化多维数据库、计算可视化框架及跨学科策略等创新方向 | 面临数据集完整性不足、模型架构优化困难、可解释性受限、实验验证需求高以及蛋白质结构预测中的维度诅咒和局部最优等挑战 | 评估人工智能在食品源肽研究中的传统方法应用、当前局限性与未来发展机遇 | 食品源肽 | 机器学习 | NA | NA | 随机森林, 卷积神经网络 | NA | NA | NA | NA | NA | NA |