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 1515 篇文献，本页显示第 1301 - 1320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1301 | 2026-01-29 |
CEO perceived personality and corporate risk disclosure in prospectus: A multimodal machine learning analysis
2026-Feb, Acta psychologica
IF:2.1Q2
DOI:10.1016/j.actpsy.2025.106099
PMID:41389399
|
研究论文 | 本研究探讨了CEO人格特质如何影响IPO风险披露质量，并采用了一种新颖的多模态深度学习方法，利用IPO路演展示的视听数据来测量CEO人格特质 | 引入了一种新颖的多模态深度学习方法，通过整合视觉和音频数据来捕捉言语和非言语行为线索，从而比传统的单模态方法更全面地评估人格特质 | 研究仅基于中国创业板和科创板2019年至2024年的数据，样本可能不具有全球代表性；未讨论其他潜在调节变量 | 探究CEO人格特质对IPO风险披露质量的影响，并检验承销商声誉的调节作用 | 中国创业板和科创板的IPO公司及其CEO | 自然语言处理, 计算机视觉 | NA | 多模态深度学习分析 | 深度学习模型 | 音频, 视频 | 866家IPO公司 | NA | NA | NA | NA |
| 1302 | 2026-01-29 |
Evaluating the cost-effectiveness of artificial intelligence-enhanced osteoporosis screening in men and women using routine chest radiographs in South Korea
2026-Feb, JBMR plus
IF:3.4Q2
DOI:10.1093/jbmrpl/ziaf187
PMID:41522667
|
研究论文 | 本研究评估了在韩国≥50岁成年男女中，利用人工智能增强的常规胸片进行骨质疏松症机会性筛查的成本效益 | 首次在韩国人群中评估了已获监管批准的深度学习模型（Osteo Signal）在男性和女性中的成本效益，而先前评估仅针对女性 | 模型假设患者接受阿仑膦酸盐或地诺单抗治疗，且依赖于输入的骨质疏松症患病率、诊断性能和治疗依从性概率等参数，可能未涵盖所有临床变量 | 评估人工智能辅助胸片筛查与不筛查相比，在预防脆性骨折和改善生活质量方面的成本效益 | 韩国≥50岁的成年男性和女性 | 数字病理学 | 骨质疏松症 | 深度学习模型应用于常规胸片 | 深度学习模型 | 医学影像（胸片） | 模型基于每10,000名成年人进行模拟分析，未提供具体患者样本数 | NA | Osteo Signal | 增量成本效益比（ICER），以每获得一个质量调整生命年（QALY）的成本（韩元）衡量 | NA |
| 1303 | 2026-01-29 |
Multifeature Ultrasound-Based Classification for Breast Lesions: A Comparative Study of PONS Image Enhancement Technology
2026-Feb, Mayo Clinic proceedings. Innovations, quality & outcomes
DOI:10.1016/j.mayocpiqo.2025.100691
PMID:41584234
|
研究论文 | 本研究开发了一种结合原始B超图像与两种优化表示（增强超声和质量改善超声）的多特征框架，用于乳腺癌分类，并比较了三种深度学习架构的性能 | 提出了结合PONS图像增强技术的多特征超声分类框架，有效克服了B超图像质量差和操作者变异性的关键限制 | 研究为回顾性研究，未来需要探索增强的融合策略并在更广泛人群中验证 | 开发稳健的乳腺癌超声分类方法，克服传统B超在人工智能诊断中的局限性 | 来自688名患者的62,912张乳腺超声扫描图像 | 计算机视觉 | 乳腺癌 | 超声成像，PONS图像增强技术 | GCN, MAE, CNN | 超声图像 | 62,912张扫描图像（来自688名患者） | NA | 图卷积网络, 掩码自编码器, 多尺度卷积神经网络 | 准确率, AUC, F1分数, 敏感度, 特异度 | NA |
| 1304 | 2026-01-29 |
A comprehensive combined dataset on Hibiscus and Tea plant leaf disease images for classifications
2026-Feb, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.112357
PMID:41586079
|
研究论文 | 本研究构建了一个结合木槿和茶树叶片病害图像的综合性数据集，并利用ConvNextTiny深度学习模型进行病害分类 | 首次将两种不同植物物种（木槿和茶树）的叶片病害图像合并为单一数据集，并应用轻量级ConvNextTiny模型实现跨物种病害分类 | 仅包含两种植物物种的病害，可能无法推广到其他植物种类；数据增强技术可能引入人为伪影 | 开发一个用于木槿和茶树叶片病害早期检测的准确高效分类系统 | 木槿和茶树的叶片图像，涵盖多种病害类型和健康状态 | 计算机视觉 | 植物病害 | 图像采集（SONY α7 II DSLR相机）、数据增强（翻转、旋转、缩放、平移、噪声添加、亮度调整） | CNN | 图像 | 1,413张原始图像和13,000张增强图像 | PyTorch | ConvNextTiny | 准确率 | NA |
| 1305 | 2026-01-28 |
AI Prognostication in Nonsmall Cell Lung Cancer: A Systematic Review
2026-Feb-01, American journal of clinical oncology
DOI:10.1097/COC.0000000000001238
PMID:40679809
|
系统综述 | 本文对人工智能在非小细胞肺癌预后预测中的应用进行了系统综述 | 系统比较了AI与传统预后方法（如TNM分期）的性能，并指出深度学习在预后预测中优于传统机器学习 | 综述指出AI方法在临床广泛应用前需通过精心设计的临床试验进行充分验证 | 评估人工智能算法在非小细胞肺癌预后预测中的应用效果 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | NA | 机器学习, 深度学习 | 组织学数据, 遗传数据, CT, PET, MR影像 | 初始识别3880项研究，经筛选后纳入309项 | NA | NA | 预后性能 | NA |
| 1306 | 2026-01-28 |
The Future trends of Artificial Intelligence and innovative technologies in the new era of pharmaceutical sciences and Industry 4.0
2026-Feb, Drug development and industrial pharmacy
IF:2.4Q3
DOI:10.1080/03639045.2025.2590707
PMID:41241791
|
综述 | 本文综述了人工智能在药学科学中的变革性影响，重点关注其与现代技术的融合以及在药物研发、生产及数字化转型中的推动作用 | 整合人工智能与机器学习、深度学习及工业4.0技术（如物联网、机器人、区块链、数字孪生），以推动个性化医疗和自适应制造流程 | 面临数据隐私、算法偏见及法规更新需求等挑战 | 探讨人工智能在药学科学及工业4.0新时代中的未来趋势和创新技术应用 | 药学科学领域，包括药物研发、生产、供应链优化及个性化医疗 | 机器学习 | NA | NA | NA | 基因组数据、临床数据、环境数据 | NA | NA | NA | NA | NA |
| 1307 | 2026-01-28 |
Artificial intelligence in psychiatry: Current and emerging trends, clinical applications, and research gaps explored through a bibliometric analysis
2026-Feb, Asian journal of psychiatry
IF:3.8Q1
DOI:10.1016/j.ajp.2026.104828
PMID:41499904
|
综述 | 本文通过文献计量学方法分析了精神病学领域基于人工智能的科学出版物，以识别主要主题、研究趋势和未来机会 | 利用文献计量学方法系统梳理了精神病学中AI研究的演变趋势，并识别了新兴主题如数字健康、可解释性以及伦理治理 | 研究主要基于Web of Science数据库的出版物，可能存在发表偏倚，且未深入评估单个研究的质量或临床有效性 | 分析精神病学领域人工智能研究的出版趋势、核心主题及未来研究方向 | 1980年至2025年间发表在Web of Science精神病学类别下的2328篇原创研究文章 | 自然语言处理 | 精神疾病 | 文献计量分析 | NA | 文本 | 2328篇原创研究文章 | RStudio, Bibliometrix | NA | NA | NA |
| 1308 | 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 |
| 1309 | 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 |
| 1310 | 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 |
| 1311 | 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 |
| 1312 | 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 |
| 1313 | 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 |
| 1314 | 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 |
| 1315 | 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 |
| 1316 | 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 |
| 1317 | 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 |
| 1318 | 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 |
| 1319 | 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 |
| 1320 | 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 |