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 1141 - 1160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1141 | 2026-02-11 |
Make the Fastest Faster: Importance Mask Synthesis for Interactive Volume Visualization Using Reconstruction Neural Networks
2026-Feb, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3621079
PMID:41082423
|
研究论文 | 本文提出了一种通过重要性掩码学习和合成网络来优化交互式体积可视化渲染延迟的方法 | 首次尝试直接从用户视图参数合成规则采样模式的重要区域，以最小化渲染像素数量，并联合考虑数据集、用户行为和下游重建神经网络 | 未明确提及具体的数据集规模或计算资源限制 | 减少大规模体积数据集可视化时的计算时间和空间复杂度 | 科学体积数据集的可视化渲染 | 计算机视觉 | NA | 深度学习图像修复方法 | 神经网络 | 体积数据集图像 | NA | NA | 重要性掩码学习网络, 重要性掩码合成网络 | 渲染延迟 | GPU |
| 1142 | 2026-02-10 |
CompBind: Complex Guided Pretraining-Based Structure-Free Protein-Ligand Affinity Prediction
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02451
PMID:41562952
|
研究论文 | 提出了一种名为CompBind的新型框架，用于仅使用蛋白质和配体序列预测结合亲和力，无需依赖实验解析的3D复合物结构 | 通过结合双向交叉注意力和双目标预训练策略，从现有复合物结构中学习潜在相互作用模式，实现仅从序列推断结合亲和力，解决了结构数据稀缺性问题 | 未明确说明模型对新型蛋白质-配体对或高度变异序列的泛化能力，也未讨论计算效率的具体数据 | 开发一种不依赖3D结构输入的蛋白质-配体结合亲和力预测方法，以加速药物发现流程 | 蛋白质-配体复合物及其结合亲和力 | 机器学习 | NA | 深度学习预训练 | 基于注意力机制的深度学习模型 | 蛋白质序列、配体序列、3D复合物结构（仅预训练用） | NA | NA | 双向交叉注意力架构 | 排名准确性（案例研究中） | NA |
| 1143 | 2026-02-10 |
Development of a lightweight deep learning model for accurate assessment of liver fibrosis in biliary atresia
2026-Feb-09, Pediatric surgery international
IF:1.5Q3
DOI:10.1007/s00383-026-06296-8
PMID:41661334
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1144 | 2026-02-10 |
PCOSFusionNet: Hybrid Deep Feature Fusion Network for PCOS Classification from Ultrasound Images of Ovaries
2026-Feb-08, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346261416509
PMID:41655150
|
研究论文 | 本文提出了一种名为PCOSFusionNet的混合深度特征融合网络，用于从卵巢超声图像中自动分类多囊卵巢综合征（PCOS） | 提出了一种结合手工特征（HOG）与深度学习全局特征（VGG19）的混合特征融合模型，并应用CLAHE进行图像增强，以提升PCOS分类的准确性 | 未明确讨论模型在临床环境中的泛化能力或对不同超声设备图像的适应性 | 提高PCOS超声图像自动分类的准确性和可靠性，辅助临床诊断 | 卵巢超声图像 | 计算机视觉 | 多囊卵巢综合征 | 超声成像 | CNN | 图像 | 两个公开数据集：数据集1包含3856张超声图像，数据集2包含12680张超声图像 | NA | VGG19 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1145 | 2026-02-10 |
Learner-Centered Microbiology Teaching via the Flipped Classroom Model: Insights from a Mixed-Methods Educational Study
2026-Feb-06, Annals of African medicine
IF:0.6Q3
DOI:10.4103/aam.aam_597_25
PMID:41656482
|
研究论文 | 本研究通过混合方法探讨了翻转课堂模型在第二阶段医学微生物学教学中的应用效果 | 在医学微生物学教育中系统实施并评估翻转课堂模型，结合定量与定性方法分析学生和教师的体验 | 研究样本规模较小（75名学生和8名教师），且仅在单一教学医院进行，可能限制结果的普适性 | 评估翻转课堂模型在医学微生物学教学中的实施效果、学生感知和教师视角 | 第二阶段MBBS学生和微生物学教师 | 医学教育 | NA | 翻转课堂教学法 | NA | 问卷调查数据、焦点小组讨论记录、教师访谈记录 | 75名学生和8名教师 | NA | NA | 百分比统计、主题分析 | NA |
| 1146 | 2025-07-15 |
Auxiliary diagnosis of hyperpigmented skin diseases using multimodal deep learning
2026-Feb-05, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003637
PMID:40653928
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1147 | 2026-02-10 |
DeepVBM: A fully automatic and efficient voxel-based morphometry via deep learning-based segmentation and registration methods
2026-Feb-02, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110637
PMID:41638266
|
研究论文 | 本研究提出了一种基于深度学习的全自动体素形态测量方法DeepVBM，通过融合分割和配准技术，显著提高了大规模神经影像数据分析的效率 | 开发了FuseMorph配准方法，通过迭代推理和参数搜索优化预训练模型的零样本预测，无需完整反向传播或模型重训练，在仅CPU环境下实现高精度配准 | 未明确说明方法在其他神经退行性疾病或不同MRI协议下的泛化能力，且可能依赖于特定预训练模型 | 开发一个高效、自动化的体素形态测量流程，以促进大规模多中心神经影像研究 | T1加权磁共振成像数据，特别是阿尔茨海默病队列的脑部结构 | 医学影像分析 | 阿尔茨海默病 | T1加权磁共振成像 | 深度学习模型 | 图像 | 多个数据集，包括一个阿尔茨海默病队列 | 未明确指定 | 未明确指定 | 配准精度 | 仅CPU环境 |
| 1148 | 2026-02-10 |
Deep learning-enhanced zero echo time silent brain magnetic resonance imaging in infants without sedation
2026-Feb, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06413-0
PMID:41219520
|
研究论文 | 本研究评估了基于深度学习的重建技术对零回波时间（ZTE）婴儿脑部磁共振成像图像质量的影响，并与传统镇静下的MRI进行了比较 | 首次将深度学习重建应用于婴儿无镇静的ZTE脑部MRI，显著提升了图像质量，并验证了其与镇静下常规MRI的可比性 | 研究为回顾性设计，样本量相对有限（78名婴儿），且未评估长期临床影响 | 评估深度学习重建在提升无镇静婴儿脑部ZTE MRI图像质量方面的效果，以减少镇静需求 | 婴儿（孕后年龄≤16个月）的脑部磁共振成像 | 医学影像 | 婴儿脑部疾病 | 磁共振成像（MRI），包括零回波时间（ZTE）序列和3D T1加权磁化准备快速梯度回波（MPRAGE）序列 | 深度学习（DL） | 磁共振图像 | 78名婴儿 | NA | NA | 图像质量评分（5点Likert量表），信号均匀性（变异系数），病变显著性，组间差异分析（Mann-Whitney U检验），评分者间一致性（Cohen's kappa系数） | NA |
| 1149 | 2026-02-10 |
The regulatory code of injury-responsive enhancers enables precision cell-state targeting in the CNS
2026-Feb, Nature neuroscience
IF:21.2Q1
DOI:10.1038/s41593-025-02131-w
PMID:41331142
|
研究论文 | 本研究通过单核转录组学和染色质可及性分析，解码了哺乳动物中枢神经系统损伤响应增强子的调控编码，并利用深度学习模型揭示其细胞类型特异性，最终通过体内增强子筛选展示了其在靶向治疗中的应用潜力 | 首次系统性地解码了中枢神经系统损伤响应增强子的调控原则，结合深度学习模型揭示了其整合通用刺激响应元件与细胞身份程序的架构，并成功应用于靶向疾病相关细胞状态的基因递送载体设计 | 研究主要基于小鼠脊髓挫伤模型，结果在人类或其他损伤模型中的普适性有待验证；深度学习模型的解释性可能有限 | 探究损伤诱导的转录程序如何编码于哺乳动物中枢神经系统的增强子中，并开发靶向疾病相关细胞状态的精准治疗策略 | 小鼠脊髓挫伤后的细胞类型特异性增强子，特别是胶质细胞中的损伤响应增强子 | 计算生物学 | 中枢神经系统损伤 | 单核转录组学，染色质可及性分析，深度学习，体内增强子筛选 | 深度学习模型 | 转录组数据，染色质可及性数据 | 数千个小鼠脊髓损伤后的细胞类型特异性增强子 | NA | NA | NA | NA |
| 1150 | 2026-02-10 |
Artificial intelligence assistance narrows the experience gap in endoscopic reporting of gastric lesions: a prospective clinical trial
2026-Feb, Surgical endoscopy
DOI:10.1007/s00464-025-12410-z
PMID:41345528
|
研究论文 | 本研究验证了一种人工智能辅助报告系统在提高胃部病变内镜报告质量方面的临床效果，特别关注缩小内镜医师间的经验差距 | 开发并验证了一个集成多个深度学习模型的人工智能报告系统，专门用于胃部病变的检测、分类和特征识别，并通过前瞻性临床试验证明其能显著提高报告完整性，尤其是在识别可疑肿瘤方面 | 研究样本量相对有限（276个视频片段），且主要聚焦于胃部病变，未涉及其他消化道部位 | 验证人工智能报告系统在改善胃部病变内镜文档质量方面的有效性，并缩小不同经验水平内镜医师间的报告差距 | 胃部病变的内镜图像和视频 | 计算机视觉 | 胃部病变 | 内镜成像 | 深度学习模型 | 图像, 视频 | 276个视频片段用于系统验证 | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 1151 | 2026-02-10 |
Validation of a deep learning-based AI model for breast cancer risk stratification in postmenopausal ER+/HER2-breast cancer patients
2026-Feb, Breast (Edinburgh, Scotland)
DOI:10.1016/j.breast.2025.104671
PMID:41380230
|
研究论文 | 本研究验证了一种基于深度学习的AI模型（Stratipath）在绝经后ER+/HER2-乳腺癌患者中进行风险分层的预后价值，并与传统的诺丁汉组织学分级系统进行比较 | 提出并验证了一种深度学习模型，用于乳腺癌风险分层，旨在解决传统NHG系统存在的观察者间变异性和中间风险组患者比例过高的问题，从而可能实现更个体化的治疗规划 | 研究结论指出，需要对Stratipath风险组2和3在治疗策略中的临床获益进行进一步的前瞻性验证 | 验证Stratipath深度学习AI模型在乳腺癌风险分层中的预后价值，并与广泛使用的诺丁汉组织学分级系统进行比较 | 2466名绝经后、ER阳性/HER2阴性、且根据当时指南未接受化疗的乳腺癌患者 | 数字病理学 | 乳腺癌 | 深度学习 | 深度学习模型 | 临床数据 | 2466名患者 | NA | Stratipath模型 | 一致性指数, 风险比 | NA |
| 1152 | 2026-02-10 |
Multiscale segmentation using hierarchical phase-contrast tomography and deep learning
2026-Feb, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013923
PMID:41628266
|
研究论文 | 本文提出了一种结合分层相衬断层扫描（HiP-CT）和深度学习的多尺度生物医学图像分割流程，用于分割人类肾脏中的肾小球 | 利用HiP-CT生成多尺度3D数据集，并开发了一个深度学习分割流程，通过高分辨率手动标注数据训练模型，再使用伪标签和图像配准技术扩展到低分辨率全器官扫描，实现了跨尺度的信息整合 | 研究仅以人类肾脏中的肾小球作为案例，其更广泛的器官系统适用性有待进一步验证 | 开发一个有效的多尺度生物医学图像分割方法，以捕捉和分析完整人体器官中的微小功能单元 | 人类肾脏中的肾小球 | 数字病理学 | NA | 分层相衬断层扫描（HiP-CT） | 3D深度学习模型 | 3D图像 | 四个人类肾脏的高分辨率感兴趣体积（VOIs）数据集，以及两个低分辨率全器官数据集 | NA | nnUNet | Dice系数 | NA |
| 1153 | 2026-02-10 |
Digital Biomarkers for Precision Early Detection of Lung Cancer: Integrating AI-Driven Multi-Omics Into Clinical Pathways
2026-Feb, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.71578
PMID:41645653
|
综述 | 本文系统评估了用于肺癌早期检测的数字生物标志物，并探讨了人工智能在多组学数据整合分析中的应用 | 整合人工智能驱动的多组学方法，提出用于肺癌早期检测的数字生物标志物，并探讨其在临床路径中的应用潜力 | 存在多中心数据异质性、模型可解释性有限、监管与成本效益挑战以及前瞻性队列验证不足等临床转化障碍 | 评估肺癌早期检测的生物标志物，并探索人工智能在多组学数据整合及临床决策支持中的应用 | 肺癌早期检测相关的多组学生物标志物及人工智能分析方法 | 数字病理学 | 肺癌 | 多组学技术（包括基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学和微生物组学） | 机器学习,深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 1154 | 2026-02-09 |
MetaChest: generalized few-shot learning of pathologies from chest X-rays
2026-Feb-06, Visual computing for industry, biomedicine, and art
DOI:10.1186/s42492-026-00214-4
PMID:41644911
|
研究论文 | 本文提出了MetaChest数据集，用于评估广义少样本学习在胸部X光病理分类中的应用 | 引入了专门设计用于广义少样本分类的大规模胸部X光数据集，并评估了标准迁移学习与ProtoNet扩展在少样本多标签分类任务中的表现 | 研究未提及模型在外部验证集上的泛化能力或临床部署的具体挑战 | 探索广义少样本学习在医学图像分析中的应用，特别是胸部X光病理分类 | 胸部X光图像中的病理分类 | 计算机视觉 | 肺部疾病 | 胸部X光成像 | CNN | 图像 | 479,215张胸部X光图像，来自四个公共数据库 | TensorFlow, PyTorch | ProtoNet, 未指定具体架构但提及高效模型架构 | 准确率 | 未具体说明，但提及高分辨率图像增加计算成本及高效模型减少资源需求 |
| 1155 | 2026-02-09 |
Mass spectrometry-based human spatial omics: fundamentals, innovations, and applications
2026-Feb-06, Journal of biomedical science
IF:9.0Q1
DOI:10.1186/s12929-026-01219-0
PMID:41645178
|
综述 | 本文系统回顾了基于质谱的空间组学技术，涵盖其基本原理、技术创新、计算分析流程及其在生物医学领域的应用 | 系统梳理了质谱空间组学领域的技术与计算进展，包括空间分辨率提升、分子覆盖度扩展、深度学习整合及多模态平台融合等创新方向 | NA | 综述质谱空间组学技术的发展历程、当前进展、应用场景及未来挑战 | 人类组织中的蛋白质、代谢物、脂质等生物分子的空间分布 | 空间组学 | 肿瘤、神经退行性疾病 | 质谱成像（MSI）、标记技术、邻近标记技术 | 深度学习 | 空间分子成像数据 | NA | NA | NA | NA | 云优化数据格式 |
| 1156 | 2026-02-09 |
Comment on "Application of deep learning reconstruction in abdominal magnetic resonance cholangiopancreatography for image quality improvement and acquisition time reduction"
2026-Feb-06, Journal of the Formosan Medical Association = Taiwan yi zhi
DOI:10.1016/j.jfma.2026.02.006
PMID:41654475
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1157 | 2026-02-09 |
Protein model building for intermediate-resolution cryo-EM maps by integrating evolutionary and experimental information
2026-Feb-05, Structure (London, England : 1993)
DOI:10.1016/j.str.2025.11.004
PMID:41314215
|
研究论文 | 本文提出了一种名为CryoEvoBuild的自动化方法，用于通过有效整合进化和实验信息，从中间分辨率冷冻电镜图中改进蛋白质模型构建 | CryoEvoBuild引入了一种新颖的基于域的分割、精修、组装和重建流程，并采用由AlphaFold2指导的循环框架，显著提升了AF2预测结构的准确性 | NA | 解决在中间分辨率冷冻电镜图中，使用深度学习预测的初始结构进行准确模型构建的挑战 | 蛋白质结构模型 | 结构生物学, 计算生物学 | NA | 冷冻电镜, AlphaFold2 | 深度学习模型 | 冷冻电镜图 | 117个分辨率在4.0-10.0 Å的多样化测试图 | NA | AlphaFold2 | 准确性 | NA |
| 1158 | 2026-02-09 |
LSTM-GPT-4 Integration for Interpretable Biomedical Signal Classification
2026-Feb-05, JMIR formative research
IF:2.0Q4
DOI:10.2196/87962
PMID:41653471
|
研究论文 | 本研究开发并评估了一个集成LSTM网络与GPT-4的技术框架，用于自动化生物医学信号分类和生成人类可读的临床解释 | 首次将LSTM网络与GPT-4进行显式方法学整合，用于生物医学信号分类并生成临床解释，为资源受限环境下的部署提供了技术基础 | 本研究为概念验证阶段，尚未进行前瞻性临床验证和现场研究，且仅使用了公开数据集 | 开发一个适用于资源受限环境的自动化生物医学信号分类和临床解释框架 | 心电图(ECG)和脑电图(EEG)等生物医学信号 | 数字病理学 | 心血管疾病 | 生物医学信号处理 | LSTM, GPT-4 | 信号数据 | 使用了多个公开PhysioNet数据集：MIT-BIH心律失常数据库、PTB诊断心电图数据库、PTB-XL、Chapman-Shaoxing、MIMIC-III波形数据和Sleep-EDF | NA | 两层LSTM架构(128→64单元) | 准确率, F1分数, AUC, 临床准确性评分, 清晰度评分, 可操作性评分 | NA |
| 1159 | 2026-02-09 |
Deep learning approach for hybrid beamforming design in MU-MISO mmWave systems
2026-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35247-5
PMID:41639140
|
研究论文 | 本文提出了一种基于深度学习的混合波束成形方法，用于降低MU-MISO毫米波系统中的计算延迟并保持可接受的速率性能 | 提出了一种深度学习驱动的混合波束成形方法，相比传统迭代优化算法显著降低计算复杂度，并引入高效的数据集生成流程以加速部署和扩展 | 未明确提及模型在极端信道条件下的性能或泛化能力，且可能依赖于仿真环境验证 | 为多用户多输入单输出毫米波系统设计低计算延迟、高实时性的混合波束成形方案 | MU-MISO毫米波系统中的混合波束成形架构 | 机器学习 | NA | 深度学习 | 深度学习模型 | 信道数据 | NA | NA | NA | 和速率 | NA |
| 1160 | 2026-02-09 |
Deep neural network-based analysis of voice biomarkers for monitoring treatment response in adolescent major depressive disorder
2026-Feb-04, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-01326-3
PMID:41639246
|
研究论文 | 本研究利用深度学习模型分析青少年重度抑郁症患者的语音生物标志物，以监测治疗反应 | 提出了双语音抑郁状态分析方法，用于评估患者个体内治疗期间抑郁状态的变化，而非仅进行横断面比较 | 样本量较小，仅包含48名患者，且仅分析了基频等有限声学特征 | 开发基于语音生物标志物的客观方法，以监测青少年重度抑郁症患者的治疗反应 | 48名青少年重度抑郁症患者 | 自然语言处理 | 重度抑郁症 | 语音分析 | 深度学习模型 | 语音 | 48名青少年重度抑郁症患者的治疗前后语音样本 | NA | WavLM | F1分数 | NA |