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 1520 篇文献，本页显示第 1361 - 1380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1361 | 2026-01-20 |
Evaluation of deep learning models for anterior segment OCT image segmentation during scleral lens wear
2026-Feb, Contact lens & anterior eye : the journal of the British Contact Lens Association
IF:4.1Q1
DOI:10.1016/j.clae.2025.102484
PMID:40764201
|
研究论文 | 本研究评估了16种深度学习模型在巩膜镜佩戴期间前段OCT图像分割中的性能 | 首次系统比较了四种不同架构（U-Net、U-Net++、FPN、MA-Net）与五种编码器（EfficientNet-B4、DenseNet201、VGG19、ResNet34、Xception）组合在巩膜镜佩戴AS-OCT图像分割中的表现，并确定了U-Net++/VGG19为最佳组合 | 研究仅涉及正常角膜参与者，未包括角膜疾病或组织形态改变的病例，且部分模型在Bowman层与角膜基质界面存在误分类问题 | 评估深度学习模型在巩膜镜佩戴期间前段OCT图像分割中的准确性和性能 | 巩膜镜佩戴期间获取的前段光学相干断层扫描图像，包括巩膜镜前/后表面、角膜上皮前表面、基质前界面和内皮 | 计算机视觉 | NA | 前段光学相干断层扫描 | 深度学习模型 | 图像 | 15名正常角膜参与者在巩膜镜佩戴0和480分钟后获取的AS-OCT图像 | NA | U-Net, U-Net++, FPN, MA-Net, EfficientNet-B4, DenseNet201, VGG19, ResNet34, Xception | Dice系数, 平均绝对边界误差 | NA |
| 1362 | 2026-01-20 |
Harnessing deep statistical potential for biophysical scoring of protein-peptide interactions
2026-Feb, Acta pharmacologica Sinica
IF:6.9Q1
DOI:10.1038/s41401-025-01659-8
PMID:41034399
|
研究论文 | 本文开发了一种名为DeepPpIScore的新型评分函数，用于评估蛋白质-肽相互作用，该方法结合了无监督几何深度学习和物理启发的统计势能 | DeepPpIScore是首个利用无监督几何深度学习和物理统计势能来评分蛋白质-肽相互作用的模型，无需结合亲和力数据或分类标签进行训练，且在多个任务中展现出卓越的泛化能力 | 模型仅基于精选的实验结构进行训练，可能未覆盖所有蛋白质-肽相互作用的多样性，且未明确讨论其在未知结构或大规模数据集上的表现 | 开发一个高精度的评分函数，以改进蛋白质-肽相互作用的预测，并促进肽疗法的进展 | 蛋白质-肽相互作用 | 机器学习 | NA | 无监督几何深度学习，物理启发的统计势能 | 深度学习模型 | 三维结构数据 | NA | NA | NA | 结合亲和力预测，结合对识别，肽结合模式预测 | NA |
| 1363 | 2026-01-20 |
Chromosome Image Classification Using Edge Fusion Attention Network
2026-Feb, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70070
PMID:40884446
|
研究论文 | 本文提出了一种用于染色体图像分类的深度学习架构——边缘融合注意力网络（EFANet），通过结合自适应边缘保持融合算法和特征聚焦注意力网络，提高了染色体分类的准确性 | 提出了一种新的深度学习架构EFANet，结合了自适应边缘保持融合（AEPF）算法和特征聚焦注意力网络（FANet），以增强染色体边界识别和形态差异特征，从而提高分类精度 | NA | 解决染色体结构变异和边界不精确导致的分类困难，提高染色体图像分类的准确性 | 染色体图像 | 计算机视觉 | 遗传性疾病 | NA | CNN | 图像 | NA | NA | EFANet, AEPF, FANet | 准确率, F1分数, 精确率, 召回率 | NA |
| 1364 | 2026-01-20 |
Physics-informed deep learning sharpens nano diagnostics for elusive pancreatic cancer
2026-Feb, Seminars in oncology
IF:3.0Q2
DOI:10.1016/j.seminoncol.2025.152427
PMID:41129854
|
综述 | 本文探讨了物理信息深度学习在胰腺癌纳米诊断中的应用及其潜力 | 结合物理信息深度学习与人工智能、纳米医学和影像学，以提升胰腺癌的早期检测和个性化治疗 | 未提及具体实验数据或模型验证的局限性 | 改善胰腺癌的早期诊断和患者预后 | 胰腺癌患者，特别是高风险群体 | 数字病理学 | 胰腺癌 | 物理信息深度学习，人工智能，纳米医学，液体活检 | 深度学习模型 | 影像数据，合成数据 | NA | NA | NA | NA | NA |
| 1365 | 2026-01-20 |
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.70150
PMID:41085013
|
研究论文 | 本文开发了一种基于深度学习的加速肾脏磁共振指纹成像方法，用于快速量化组织特性 | 首次将深度学习应用于加速肾脏MRF采集，实现了三倍加速且保持量化准确性 | 对于T1或T2值与健康组织差异较大的肾脏肿块，需要更多MRF时间帧才能保证准确量化 | 开发加速肾脏磁共振指纹成像的深度学习方法并评估其性能 | 健康受试者的肾脏及肾脏肿块患者的病变组织 | 数字病理学 | 肾脏疾病 | 磁共振指纹成像 | 深度学习 | 磁共振图像 | 开发集：36名健康受试者+20名肾脏肿块患者；测试集：4名健康受试者+16名患者 | NA | NA | 归一化均方根误差 | NA |
| 1366 | 2026-01-20 |
Standardized evaluation of orthokeratology lens fitting status assisted by deep learning algorithm
2026-Feb, Contact lens & anterior eye : the journal of the British Contact Lens Association
IF:4.1Q1
DOI:10.1016/j.clae.2025.102519
PMID:41115819
|
研究论文 | 本研究开发了一种基于YOLOv8n目标检测算法的标准化评估方法，用于在荧光素染色条件下定量评估角膜塑形镜的位移并客观评价其适配状态 | 首次将YOLOv8n目标检测算法应用于角膜塑形镜荧光素染色图像的自动识别与位移计算，实现了适配状态的客观、定量评估 | 对于经验丰富的适配医师可能无法显著提高效率，且未来需要扩大样本量并纳入多中心数据以验证泛化能力 | 开发一种标准化、客观的角膜塑形镜适配状态评估方法，以辅助临床评估并减少主观偏差 | 角膜塑形镜在荧光素钠染色下的适配过程视频及对应的眼科检查结果 | 计算机视觉 | NA | 荧光素钠染色成像 | 目标检测算法 | 视频、图像 | 117个记录角膜塑形镜荧光素钠染色适配过程的视频 | NA | YOLOv8n | 准确率, 召回率, F1分数, Kappa一致性检验 | NA |
| 1367 | 2026-01-19 |
Accelerated Patient-specific Non-Cartesian Magnetic Resonance Imaging Reconstruction Using Implicit Neural Representations
2026-Feb-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.08.059
PMID:40915433
|
研究论文 | 本研究开发了一种名为k-GINR的新型两阶段隐式神经表示网络，用于加速非笛卡尔磁共振成像的重建 | 结合对抗性训练的隐式神经表示网络，能够直接重建非笛卡尔k空间数据，并在高加速比下表现出优越性能 | NA | 加速磁共振成像采集，减少图像伪影，提高重建效率 | 患者特异性非笛卡尔磁共振成像数据 | 医学影像 | 肝脏疾病 | 非笛卡尔采样磁共振成像 | 隐式神经表示, 生成对抗网络 | k空间数据, 图像 | 118个前瞻性采集的StarVIBE T1加权肝脏扫描及相应线圈数据 | NA | k-GINR, NeRP, k-NeRP, Deep Cascade CNN | 峰值信噪比 | NA |
| 1368 | 2026-01-19 |
Dose Reduction in 4-Dimensional Computed Tomography Imaging: Breathing Signal-Guided Deep Learning-Driven Data Acquisition
2026-Feb-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.08.047
PMID:40975131
|
研究论文 | 本文提出了一种基于深度学习的呼吸信号引导数据采集方法，用于减少4D CT成像中的辐射剂量 | 利用患者呼吸信号指导深度学习模型预测最优投影数据采集时机，实现剂量减少，同时保持图像质量 | 研究为回顾性分析，需前瞻性验证；模型性能依赖于呼吸信号质量 | 减少4D CT成像中的辐射剂量，同时保持诊断质量 | 294名患者的1415个呼吸信号及104个独立临床4D CT扫描 | 医学影像处理 | 胸部肿瘤 | 4D CT成像 | 深度学习模型 | 呼吸信号、CT投影数据、图像 | 1415个呼吸信号（来自294名患者），104个独立4D CT扫描 | NA | NA | Dice系数、Hausdorff距离、位移场、伪影频率 | NA |
| 1369 | 2026-01-19 |
Real-Time Deep-Learning Image Reconstruction and Instrument Tracking in MR-Guided Biopsies
2026-Feb, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70138
PMID:41035253
|
研究论文 | 本研究提出了一种基于深度学习的实时图像重建与器械跟踪方法，用于加速磁共振引导下的前列腺活检流程 | 首次在临床环境中使用深度学习对欠采样k空间数据进行实时图像重建和活检针导引器跟踪，并在真实患者数据上验证了高加速因子下的跟踪性能 | 前瞻性验证样本量较小（8例患者），且仅针对特定器械（活检针导引器）进行跟踪验证 | 通过深度学习加速磁共振引导活检的成像流程，实现实时器械跟踪以提高临床工作效率 | 接受经直肠磁共振引导活检的男性患者 | 医学影像分析 | 前列腺癌 | 2D Cartesian平衡稳态自由进动序列，3T磁共振成像 | 深度学习模型（具体架构未明确说明） | 多切片MR DICOM图像，原始k空间数据 | 训练集：1289例男性患者（8464次扫描）；前瞻性测试集：8例男性患者（10个动态k空间样本） | NA | NA | 器械尖端预测误差，成功帧比例（误差<5mm），威尔逊95%置信区间 | NA |
| 1370 | 2026-01-18 |
Low-cost and dense fog-adapted monitoring for fermentation quality evaluation of black tea
2026-Feb-28, Food research international (Ottawa, Ont.)
DOI:10.1016/j.foodres.2025.118188
PMID:41539772
|
研究论文 | 本研究提出了一种基于计算机视觉和深度学习的新方法，用于在浓雾环境中对红茶发酵质量进行低成本、原位、非破坏性监测 | 提出了一种新的发酵程度指标，并开发了适用于高湿度环境的计算机视觉系统，结合Cycle-Dehaze深度学习模型进行去雾处理，实现了红茶发酵质量的准确预测和可视化 | 研究仅针对红茶发酵过程，未涉及其他茶类或发酵食品，且模型在极端雾浓度下的性能可能受限 | 开发一种低成本、原位、非破坏性的红茶发酵质量监测方法 | 红茶发酵过程 | 计算机视觉 | NA | 计算机视觉，深度学习 | Cycle-Dehaze，回归模型 | 图像 | 两个批次的样本，包括验证批次 | NA | Cycle-Dehaze | 残差预测偏差 | NA |
| 1371 | 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 |
| 1372 | 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 |
| 1373 | 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 |
| 1374 | 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 |
| 1375 | 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 |
| 1376 | 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 |
| 1377 | 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 |
| 1378 | 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 |
| 1379 | 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 |
| 1380 | 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 |