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 981 - 1000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2026-02-18 |
Temporomandibular Disorders Diagnosis: Current Challenges and the Promising Role of Artificial Intelligence
2026-Feb-16, European journal of dentistry
DOI:10.1055/s-0046-1816081
PMID:41698418
|
综述 | 本文综述了颞下颌关节紊乱病诊断面临的挑战，并重点介绍了人工智能在该领域日益增长的作用 | 强调了将人工智能技术与现有诊断框架（如DC/TMD）相结合，以实现更客观、数据驱动和个性化的诊断方法 | NA | 总结当前颞下颌关节紊乱病诊断的挑战，并探讨人工智能在改善诊断准确性、一致性和效率方面的潜力 | 颞下颌关节紊乱病 | 数字病理学 | 颞下颌关节紊乱病 | NA | 机器学习, 深度学习 | 图像, 临床数据, 心理社会数据 | NA | NA | NA | NA | NA |
| 982 | 2026-02-18 |
Neonatal jaundice detection using a vision transformer-based deep learning model
2026-Feb-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40515-5
PMID:41699004
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 983 | 2026-02-18 |
A method for compiling satellite image map geographic objects based on vector map data via deep learning
2026-Feb-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39096-0
PMID:41699043
|
研究论文 | 本文提出了一种基于深度学习和矢量地图数据指导的卫星影像地图编绘自动化方法 | 利用深度学习模型学习矢量数据到卫星影像的映射，并通过迁移学习增强对需修改区域的敏感性，实现地理对象的选择性和多样化操作编绘 | NA | 实现卫星影像地图的自动化编绘，以增强视觉清晰度、隐藏敏感信息并确保与矢量表示的一致性 | 卫星影像地图中的线性和多边形地理对象 | 计算机视觉 | NA | 深度学习 | 编码器-解码器架构 | 图像 | NA | NA | 编码器-解码器 | NA | NA |
| 984 | 2026-02-18 |
Deep learning inversion of water content and relaxation time in water-bearing fracture zones based on surface NMR data
2026-Feb-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40506-6
PMID:41699053
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 985 | 2026-02-18 |
Deep Learning-Based Automated Diagnostic Charting on Panoramic Radiography: Comparison of YOLOv11 and YOLOv12
2026-Feb-16, Odontology
IF:1.9Q2
DOI:10.1007/s10266-026-01333-3
PMID:41699374
|
研究论文 | 本研究比较了YOLOv11和YOLOv12两种深度学习架构在全景X光片上自动诊断13种牙科疾病的性能 | 首次对下一代深度学习架构YOLOv11和YOLOv12在全景X光片自动诊断中的性能进行对比分析，并使用了混合数据集测试泛化能力 | 对于细微病理如骨质流失和龋齿的检测性能较低 | 优化临床工作流程并减少诊断变异性，通过自动诊断图表提升诊断准确性和效率 | 全景X光片中的13种不同牙科疾病，包括龋齿、种植体、骨质流失和阻生牙等 | 计算机视觉 | 牙科疾病 | 全景X光成像 | YOLOv11, YOLOv12 | 图像 | 2,297张全景X光片（1,579张来自单一机构，718张来自Roboflow Universe外部数据集） | NA | YOLOv11, YOLOv12 | 平均精度均值（mAP@0.5）、精确率、召回率、F1分数 | NA |
| 986 | 2026-02-15 |
Modern resources for intrinsic disorder predictions: protein language models, deep learning, meta-servers, and databases
2026-Feb-14, Cellular and molecular life sciences : CMLS
IF:6.2Q1
DOI:10.1007/s00018-026-06087-3
PMID:41689628
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 987 | 2026-02-18 |
Advancing NanoLuc Luciferase Stability beyond Directed Evolution and Rational Design through Expert-Guided Deep Learning
2026-Feb-06, ACS catalysis
IF:11.3Q1
DOI:10.1021/acscatal.5c08789
PMID:41676228
|
研究论文 | 本文提出了一种结合深度学习和结构引导理性设计的混合方法，以开发增强的NanoLuc荧光素酶变体，提高其热稳定性和在高温下的活性 | 通过整合深度学习和结构引导理性设计，克服了传统同源方法在优化NanoLuc荧光素酶时的局限性，特别是在稳定性和活性权衡方面 | 未明确提及具体限制，但可能涉及方法在更广泛酶类应用中的普适性验证 | 优化NanoLuc荧光素酶的热稳定性，以提升其在高温下的生物成像和传感应用性能 | NanoLuc荧光素酶（NLuc）及其工程变体 | 机器学习 | NA | 深度学习，结构引导理性设计，分子动力学模拟，蛋白质折叠研究 | 深度学习模型 | 蛋白质序列和结构数据 | 工程变体库，包括优化变体B.07和B.09 | NA | NA | 熔化温度增加（如7.2°C和5.1°C），高温下活性维持 | NA |
| 988 | 2026-02-18 |
High-dimensional imaging using combinatorial channel multiplexing and deep learning
2026-Feb, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-025-02585-0
PMID:40133518
|
研究论文 | 本文介绍了一种名为CombPlex的组合染色平台，结合深度学习算法框架，通过组合通道复用技术指数级增加可测量的蛋白质数量 | 提出组合染色平台CombPlex，通过将多个蛋白质组合压缩到少数成像通道中，再利用深度学习进行解压缩，无需专用仪器即可显著提升成像通量 | 未明确说明该方法在极端组织样本或低表达蛋白质情况下的性能限制，也未讨论计算复杂度对实际应用的影响 | 开发一种能够量化多个蛋白质在单细胞分辨率下表达并保留空间信息的成像工具 | 多种组织和癌症类型中的蛋白质表达 | 数字病理学 | 癌症 | 组合染色技术，荧光显微镜，质谱成像 | 深度学习模型 | 图像 | NA | NA | NA | 准确重建 | NA |
| 989 | 2026-02-18 |
Deep Learning Strategies for Predicting Amputation Free Survival in Patients with Peripheral Artery Disease
2026-Feb, European journal of vascular and endovascular surgery : the official journal of the European Society for Vascular Surgery
IF:5.7Q1
DOI:10.1016/j.ejvs.2025.10.043
PMID:41151636
|
研究论文 | 本研究通过比较多种生存机器学习模型，旨在预测外周动脉疾病患者的无截肢生存期，并开发患者特异性风险分层工具 | 首次将多种非竞争风险和竞争风险机器学习模型（包括DeepHit）应用于外周动脉疾病的无截肢生存期预测，并识别关键预测因子如疾病状态、糖尿病和药物治疗 | 研究基于单中心回顾性数据，缺乏外部验证，限制了临床应用的直接推广 | 改进传统Cox比例风险模型在预测外周动脉疾病患者无截肢生存期方面的局限性，并开发临床决策支持工具 | 外周动脉疾病患者 | 机器学习 | 心血管疾病 | 生存分析 | 条件生存森林, 随机生存森林, DeepHit | 临床数据 | 2366名有症状的外周动脉疾病患者 | NA | 非线性Cox比例风险模型, Fine and Gray亚分布风险模型 | 一致性指数, 综合Brier分数 | NA |
| 990 | 2026-02-18 |
Multiple teachers-meticulous student: A domain adaptive meta-knowledge distillation model for medical image classification
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70350
PMID:41699943
|
研究论文 | 提出了一种名为MT-MS的源无关域自适应元知识蒸馏框架，用于解决医学图像分类中的域偏移、数据依赖、模型复杂性和隐私保护等挑战 | 采用多教师-精细学生架构，在无需访问源数据的情况下，通过元学习策略融合异构源域知识，实现隐私保护的轻量级域自适应分类 | 仅针对二分类任务（呼吸运动伪影检测）进行评估，未展示在多类别复杂医学图像分类任务上的泛化能力 | 开发一种适用于实际临床环境的轻量级、隐私保护的域自适应医学图像分类方法 | 医学图像分类任务，特别是呼吸运动伪影检测 | 计算机视觉 | NA | 深度学习，元学习，知识蒸馏 | CNN，注意力机制 | 医学图像 | 六个公共医学影像数据集，涵盖多种成像模态和临床应用 | NA | 集成卷积和注意力组件的架构 | 准确率，F1分数 | NA |
| 991 | 2026-02-18 |
Impact of dataset size on fine-tuning foundation models for neuroanatomic segmentation: Testing the foundation model hypothesis
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70337
PMID:41699958
|
研究论文 | 本研究评估了两种基础分割模型（SAM和MedSAM）在不同数据集规模下对神经解剖结构进行微调分割的性能，并与标准全监督UNet模型进行比较 | 首次系统性地测试了基础模型假设在神经解剖分割任务中的有效性，特别是在极低数据量场景下的表现 | 研究仅基于单一数据集（HCP年轻成人队列）和特定模态（T1加权3D MRI），结论可能无法推广到其他解剖区域或成像模态 | 验证基础模型在医学影像分割任务中，尤其是在标注数据稀缺时，是否比现有最先进模型能更高效地从小样本数据中学习 | 人类连接组计划年轻成人队列中的1,113个T1加权3D MRI图像，对应93个灰质和白质区域的FreeSurfer生成并经人工细化的分割结果 | 医学影像分析 | NA | T1加权3D磁共振成像 | 基础分割模型, 全监督卷积神经网络 | 3D MRI图像 | 1,113个3D MRI（训练集891个，验证集111个，测试集111个） | NA | SAM, MedSAM, UNet | Dice系数 | NA |
| 992 | 2026-02-18 |
A strategy for simulation-driven CT metal artifact reduction toward improving network generalizability
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70336
PMID:41699969
|
研究论文 | 本文提出了一种结合多层感知机光束硬化校正和条件潜在扩散模型的自监督CT金属伪影减少框架，旨在提高网络泛化能力 | 通过整合物理驱动的MLP光束硬化校正和条件潜在扩散模型，结合伪影模拟技术，实现无需真实配对数据的自监督训练，增强了方法的可扩展性和结构保真度 | 方法依赖于模拟生成的伪影数据，可能无法完全覆盖所有真实临床场景中的复杂伪影模式 | 开发一种基于深度学习的CT金属伪影减少方法，以提高图像重建质量和网络泛化性 | CT图像中的金属伪影 | 医学影像处理 | NA | CT成像 | MLP, LDM | 图像 | SynDeepLesion数据集和真实临床数据 | NA | 多层感知机, 条件潜在扩散模型 | 伪影去除效果, 结构保真度 | NA |
| 993 | 2026-02-18 |
Weakly human-supervised deep learning for real-time detection of high-grade aggressive clear cell renal cell carcinoma on contrast-enhanced CT
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70348
PMID:41699993
|
研究论文 | 本研究开发并验证了一种人机交互网络KtSNet，用于在增强CT图像上实时检测高级别侵袭性肾透明细胞癌 | 结合自监督基础模型与弱监督学习，实现了人机交互的实时检测，并通过大规模跨模态数据集进行预训练以提升性能 | 未明确提及模型在更广泛人群或不同扫描协议下的泛化能力，以及临床部署的具体挑战 | 设计并验证一种基于弱监督学习的人机交互网络，以提升增强CT对高级别侵袭性肾透明细胞癌的检测性能 | 肾透明细胞癌患者，特别是高级别侵袭性亚型 | 数字病理学 | 肾癌 | 对比增强计算机断层扫描 | 深度学习模型 | 医学影像 | 1092名患者，分为训练集（611例）、内部测试集（153例）和外部测试集（328例），预训练使用40000例跨模态数据集 | NA | KtSNet, SSFM | ROC曲线下面积, PR曲线下面积, F1分数 | NA |
| 994 | 2026-02-17 |
SpectralFlow: an integrated platform for spectral data preprocessing and predictive modeling analysis in fruit quality evaluation
2026-Feb-16, The Analyst
DOI:10.1039/d5an00794a
PMID:41283740
|
研究论文 | 本文介绍了一个名为SpectralFlow的集成平台，用于光谱数据预处理和水果质量评估中的预测建模分析 | 开发了一个集成交互式光谱数据提取与预处理、内置模型库、自定义模型训练、数据集管理和可视化功能于一体的软件平台，解决了现有软件仅支持简单机器学习模型、缺乏复杂超参数调优和先进深度学习架构支持，以及对高光谱图像特征提取功能有限的问题 | NA | 开发一个集成平台以降低光谱分析的技术门槛，优化光谱数据分析并简化模型训练过程 | 水果（芒果、苹果、猕猴桃、梨）的质量评估 | 机器学习 | NA | 近红外光谱，高光谱成像 | NA | 光谱数据，高光谱图像 | NA | NA | NA | 准确率，R平方值 | NA |
| 995 | 2026-02-17 |
Magnetic resonance imaging-based proton dose calculation for pelvic tumors using deep learning
2026-Feb-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae399c
PMID:41544379
|
研究论文 | 本研究探讨了两种基于深度学习的MRI-only质子剂量计算流程在盆腔肿瘤治疗中的可行性和鲁棒性 | 提出了两种全深度学习流程，包括两步法和直接法，用于从MRI直接预测质子剂量分布，并评估其对MRI强度畸变的鲁棒性 | 直接预测流程在治疗计划层面的平均相对误差较高，信息利用效率有待改进 | 研究基于MRI的质子剂量计算在盆腔区域的可行性 | 盆腔肿瘤患者 | 医学影像分析 | 盆腔肿瘤 | 磁共振成像，蒙特卡洛模拟 | 深度学习 | MRI图像，CT图像 | 120名盆腔患者的MRI-CT配对数据 | NA | NA | 伽马通过率，平均相对误差 | NA |
| 996 | 2026-02-17 |
Identification of a type 1 diabetes-associated T cell receptor repertoire signature from the human peripheral blood
2026-Feb-13, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adx7448
PMID:41686902
|
研究论文 | 本研究通过分析2250名参与者的T细胞受体β链序列，结合深度学习识别出与1型糖尿病相关的TCR基序，揭示了HLA风险等位基因对TCR库的限制作用 | 首次在大规模跨队列研究中，利用深度学习识别出T1D相关的TCR基序，并验证其在胰腺引流淋巴结中的存在，为基于TCR的诊断和治疗提供了新思路 | 研究为横断面设计，无法确定TCR基序与疾病进展的因果关系；样本主要来自外周血，可能未完全反映局部免疫反应 | 识别与1型糖尿病相关的T细胞受体特征，探索HLA等位基因对TCR库的影响 | 2250名HLA分型的参与者，包括1型糖尿病患者、健康相关及无关对照 | 机器学习 | 1型糖尿病 | T细胞受体β链测序 | 深度学习 | 序列数据 | 2250名参与者 | NA | NA | NA | NA |
| 997 | 2026-02-17 |
eccDNA2Ca: an ensemble deep learning framework for interpretable prediction of cancer-associated extrachromosomal circular DNA
2026-Feb-12, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.02.014
PMID:41687774
|
研究论文 | 本研究开发了一个名为eccDNA2Ca的可解释集成深度学习框架，用于直接从原始序列预测与癌症相关的染色体外环状DNA | 首次提出一个专门设计用于基于序列特征优先考虑癌症相关eccDNA的可解释、公开可用的计算框架，整合了XGBoost与深度神经网络（CNN和LSTM） | 未明确提及具体局限性 | 预测与癌症相关的染色体外环状DNA（eccDNA），并评估其功能或临床意义 | 人类染色体外环状DNA（eccDNA） | 机器学习 | 癌症 | NA | XGBoost, CNN, LSTM | 序列 | 来自21项研究的465个经实验验证的人类eccDNA，涵盖16种癌症类型 | XGBoost, TensorFlow或PyTorch（未明确指定，但基于深度学习框架） | 集成框架（XGBoost, CNN, LSTM） | AUC, AUPR | NA |
| 998 | 2026-02-17 |
Retinal Biomarkers for Cardiovascular Disease Prediction: A Review Focused on CHD AHD Valvular Disorders and Cardiomyopathies
2026-Feb-12, Current cardiology reviews
IF:2.4Q2
|
综述 | 本文综述了利用视网膜眼底成像作为非侵入性生物标志物预测心血管疾病（特别是先天性心脏病、获得性心脏病、瓣膜病和心肌病）的研究进展 | 系统性地聚焦于视网膜眼底成像在结构性心脏病预测中的应用，并探讨了深度学习、机器学习模型（包括新兴的Transformer和SAM模型）在此领域的潜力 | 数据集不平衡、纵向验证有限、AI模型的黑箱性质以及不同研究间性能比较的挑战 | 评估视网膜成像作为心血管疾病预测工具的可行性与准确性 | 先天性心脏病、获得性心脏病、瓣膜病和心肌病患者 | 数字病理学 | 心血管疾病 | 视网膜眼底成像 | 深度学习, 机器学习 | 图像 | NA | NA | 卷积神经网络, Transformer, Segment Anything Model | AUC, 敏感性 | NA |
| 999 | 2026-02-17 |
Integrative profiling of condensation-prone RNAs during early development
2026-Feb-11, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2025.101065
PMID:41265448
|
研究论文 | 本研究通过整合转录组学分析，识别了一类在早期发育中易于凝聚的RNA，并利用可解释深度学习框架揭示了其序列特征与相分离的关联 | 首次识别并命名了一类新型发育凝聚倾向RNA（smOOPs），并利用可解释深度学习框架系统揭示了其序列组成、折叠特性及RNA结合蛋白结合模式在相分离中的作用 | 研究主要关注早期发育阶段，其他发育阶段或病理条件下的适用性尚未验证；深度学习模型的可解释性虽被强调，但具体生物学机制仍需进一步实验验证 | 探究RNA特征如何影响生物分子凝聚体的形成，特别是在早期发育过程中的作用 | 早期发育过程中易于凝聚的RNA（smOOPs）及其编码的蛋白质 | 机器学习 | NA | 转录组学分析 | 深度学习 | RNA序列数据 | NA | NA | NA | NA | NA |
| 1000 | 2026-02-17 |
An efficient, scalable, and adaptable plug-and-play temporal attention module for motion-guided cardiac segmentation with sparse temporal labels
2026-Feb-09, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.103981
PMID:41691916
|
研究论文 | 本文提出了一种高效、可扩展且可适配的即插即用时序注意力模块（TAM），用于增强深度学习分割网络对心脏运动信息的建模能力，以提升心脏解剖结构分割的准确性 | 设计了一个小型多头跨时序注意力模块，能以即插即用方式集成到多种分割网络（CNN、Transformer或混合架构）中，无需大幅修改网络结构，且训练仅需稀疏时序标注 | 未明确说明模块在极端运动情况（如心律失常）下的鲁棒性，也未与其他最先进的运动建模方法（如光流或循环网络）进行全面比较 | 提升深度学习网络在心脏图像序列分割中对运动信息的建模能力，以更准确地进行心脏解剖结构分割 | 心脏图像序列，包括2D超声心动图、3D超声心动图和3D心脏MRI | 数字病理学 | 心血管疾病 | 深度学习，时序注意力机制 | CNN, Transformer, 混合模型 | 2D图像序列, 3D图像序列 | 多个公开数据集：CAMUS、EchoNet-Dynamic、MITEA、ACDC | PyTorch | UNet, FCN8s, UNetR, SwinUNetR, IUNet, DT-VNet, SAM, MedSAM | 豪斯多夫距离 | 未明确说明，但强调模块具有计算高效性 |