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 1546 篇文献，本页显示第 481 - 500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 481 | 2026-04-22 |
Molecular Pathology, Artificial Intelligence, and New Technologies in Hematologic Diagnostics: Translational Opportunities and Practical Considerations
2026-Mar-19, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060913
PMID:41897649
|
综述 | 本文综述了人工智能、数字形态学平台和自动化技术（如协作机器人）在血液病理学和分子诊断中的应用及其转化潜力 | 系统性地探讨了AI、数字形态学平台、协作机器人及自动化解决方案在血液病诊断中的整合应用，并强调了其在提高诊断准确性和患者护理方面的转化潜力 | 成功转化依赖于疾病特异性验证、开发符合国际分类框架的多模态模型，以及需要保持专家监督的实验室治理 | 评估人工智能、数字技术和自动化在血液病诊断中的应用，以提高诊断准确性和患者护理水平 | 血液病理学和分子诊断技术，包括数字形态学平台、AI辅助的流式细胞术、自动化实验室解决方案和机器学习在分子血液病理学中的应用 | 数字病理学 | 血液系统疾病 | 数字形态学分析，多参数流式细胞术，分子检测 | 深度学习 | 图像，流式细胞术数据，分子数据 | NA | NA | NA | 一致性，性能可比性，吞吐量增益 | NA |
| 482 | 2026-04-22 |
Real-Time Application of Artificial Intelligence for Automatic Detection of High-Grade Squamous Intraepithelial Lesions During High-Resolution Anoscopy
2026-Mar-17, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062268
PMID:41899192
|
研究论文 | 本文首次报道了在肛门癌筛查的高分辨率肛门镜检查中实时应用深度学习技术，用于自动检测高级别鳞状上皮内病变 | 首次实现了在临床高分辨率肛门镜检查过程中实时应用基于YOLO的目标检测模型，以自动识别高级别鳞状上皮内病变，而非仅分析静态图像 | 研究样本量较小（仅三名患者），且需要多中心验证研究来进一步确认其有效性和普适性 | 探索人工智能在高分辨率肛门镜检查中实时辅助检测高级别鳞状上皮内病变的可行性和效果 | 接受肛门癌筛查的高分辨率肛门镜检查患者 | 计算机视觉 | 肛门癌 | 高分辨率肛门镜检查 | 深度学习 | 视频流或实时图像 | 三名患者 | NA | YOLO | 检测准确性（仅对组织学确认的HSIL进行检测，在无病变或仅LSIL时不激活） | NA |
| 483 | 2026-04-22 |
AI-Driven Predictions of Readmission and Mortality for Improved Discharge Decisions in Critical Care: A Retrospective Study
2026-Mar-16, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060874
PMID:41897607
|
研究论文 | 本研究利用AI模型预测ICU出院后7天内的再入院或死亡风险，以改善重症监护的出院决策 | 开发了GRU-D++深度学习模型，在内部和外部验证中均优于传统的SWIFT评分，展示了AI在临床决策支持中的潜力 | 研究为回顾性设计，可能受数据质量和选择偏倚影响；模型性能虽优于传统方法，但仍有提升空间 | 识别风险因素并评估AI模型在预测ICU出院后7天内再入院或死亡方面的性能 | ICU出院患者 | 机器学习 | 重症监护 | NA | 深度学习 | 临床数据 | MIMIC-IV数据库（2008-2019年）和KNUH数据库（2016年1月1日至2023年2月28日）的患者数据 | NA | GRU-D++ | AUROC | NA |
| 484 | 2026-04-22 |
Enhanced Visualization: Transforming Non-Contrast into Contrast-Enhanced Computed Tomography Images Through Advanced Generative Adversarial Networks
2026-Mar-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060861
PMID:41897594
|
研究论文 | 本研究利用生成对抗网络（GAN）从非对比增强CT图像生成合成对比增强CT图像，以辅助禁忌使用碘对比剂患者的纵隔和淋巴结评估 | 提出了一种基于GAN的模型，能够在不注射对比剂的情况下，从NCCT生成sCECT，为有禁忌症的患者提供了一种替代可视化方案 | 合成增强是基于学习的强度变换，而非真实的碘基衰减，可能无法完全模拟真实的生理性对比增强效果 | 开发一种深度学习方法来生成合成对比增强CT图像，以克服部分患者无法接受碘对比剂注射的临床限制 | 淋巴瘤或转移性淋巴结病患者 | 计算机视觉 | 淋巴瘤 | CT扫描 | GAN | 医学图像（CT） | 训练集：400例CECT扫描（2024年3月至7月采集）；测试集：20例患者（2025年1月至7月诊断，仅使用NCCT扫描） | NA | NA | MAE, RMSE, PSNR, SSIM, PCC, SNR, CNR | NA |
| 485 | 2026-04-22 |
Lightweight Deep Learning for Automated Dental Caries Screening from Pediatric Oral Photographs
2026-Mar-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060862
PMID:41897595
|
研究论文 | 本研究探讨了使用轻量级卷积神经网络从儿童口腔照片中自动筛查龋齿的可行性 | 证明了轻量级深度学习模型在龋齿筛查任务中可以达到临床意义的性能，并进行了可解释性分析以验证模型决策的临床相关性 | 数据集规模相对较小（435张图像），且仅针对儿童龋齿筛查，可能限制了模型的泛化能力 | 开发适用于社区和移动环境的自动化龋齿筛查系统 | 3-14岁儿童的口腔照片 | 计算机视觉 | 龋齿 | 口腔摄影 | CNN | 图像 | 435张来自儿童的口腔内图像 | PyTorch, TensorFlow | ResNet-18, MobileNetV3-Small, EfficientNet-B0 | 灵敏度, 特异性, 平衡准确率, ROC-AUC, PR-AUC, 加权F1分数 | NA |
| 486 | 2026-04-22 |
Artificial Intelligence Applications in Gastric Cancer Surgery: Bridging Early Diagnosis and Responsible Precision Medicine
2026-Mar-13, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062208
PMID:41899133
|
综述 | 本文是一篇关于人工智能在胃癌手术中应用的叙述性综述，涵盖了从早期诊断到围手术期风险预测等多个领域 | 系统性地将人工智能在胃癌手术中的应用归纳为五个主题领域，并整合了伦理与监管考量，为未来研究提供了结构化框架 | 证据主要基于小型、异质性数据集，缺乏充分的外部验证，且在数据隐私、算法可解释性和法律责任方面存在未解决的问题 | 综述人工智能在胃癌手术领域的最新应用、潜力与挑战，以促进其负责任地融入精准医疗 | 聚焦于胃癌手术过程，包括早期诊断、术中引导和围手术期管理 | 数字病理学 | 胃癌 | AI辅助内窥镜检测、拉曼光谱、计算机视觉、深度学习 | 深度学习算法 | 医学图像、临床数据 | NA | NA | NA | NA | NA |
| 487 | 2026-03-13 |
A novel multimodal framework integrating pathomics, deep learning, and machine learning for breast cancer histological grades classification
2026-Mar-12, Diagnostic pathology
IF:2.4Q2
DOI:10.1186/s13000-026-01769-9
PMID:41814294
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 488 | 2026-04-22 |
AI-powered biomechanical modeling for ACL-reconstructed knees: predicting knee joint contact forces via computer vision and deep learning
2026-Mar-11, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-026-01939-2
PMID:41814442
|
研究论文 | 本研究开发并验证了一个结合计算机视觉和深度学习的非侵入式框架，用于预测前交叉韧带重建患者在日常活动中的膝关节接触力 | 将增强的肌肉骨骼模型与结合时空注意力的深度学习架构相结合，以提高跨多种运动任务的预测准确性，实现了从静态实验室分析到动态实时监测的范式转变 | NA | 开发并验证一个集成的、非侵入式的框架，用于准确预测前交叉韧带重建患者在日常活动中的膝关节接触力 | 29名前交叉韧带重建术后患者 | 计算机视觉, 机器学习 | 前交叉韧带损伤 | 肌肉骨骼建模, 运动捕捉 | CNN, BiGRU, 自注意力机制 | 运动轨迹, 运动学数据 | 29名患者 | NA | CNN-BiGRU-Attention | R² | NA |
| 489 | 2026-04-22 |
X-ViTCNN: A Novel Network-Level Fusion of Transfer Learning and Customized Vision Transformer for Multi-Stage Alzheimer's Disease Prediction Using MRI Scans
2026-Mar-11, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060835
PMID:41897568
|
研究论文 | 提出了一种名为X-ViTCNN的新型网络级融合框架，用于基于MRI扫描的多阶段阿尔茨海默病预测 | 将定制的Vision Transformer模型与两个预训练的CNN（DenseNet201和MobileNetV2）进行网络级融合，结合对比度增强预处理和贝叶斯优化超参数调优，并利用Grad-CAM提供模型可解释性 | 未明确提及研究的局限性 | 开发一种准确、快速且可解释的阿尔茨海默病多阶段预测方法 | 阿尔茨海默病患者 | 计算机视觉 | 阿尔茨海默病 | MRI扫描 | Vision Transformer, CNN | 图像 | ADNI和OASIS数据集（具体样本数量未明确说明） | 未明确说明 | 定制的Vision Transformer, DenseNet201, MobileNetV2 | 准确率, 灵敏度, 特异性 | 未明确说明 |
| 490 | 2026-04-22 |
Evaluating the Predictive Potential of an AI-Driven Deep Learning Model for Pneumonia-Associated Sepsis
2026-Mar-11, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062125
PMID:41899050
|
研究论文 | 本研究评估了一种AI驱动的深度学习模型在预测肺炎相关脓毒症方面的性能，该模型能提前四小时预测院内脓毒症 | 开发了一种深度学习模型，在肺炎患者中提前预测脓毒症，其性能显著优于传统的评分系统（如NEWS、MEWS、SOFA、qSOFA），并提供了中位183分钟的提前识别时间 | 研究为回顾性、单中心设计，需要进一步的前瞻性研究来验证其在实时临床应用中的有效性 | 评估AI模型在肺炎相关脓毒症早期检测中的预测潜力，以促进及时干预 | 通过胸部X光或CT识别的7715例肺炎病例 | 数字病理学 | 肺炎 | 深度学习 | 深度学习模型 | 医学影像数据（胸部X光或CT） | 7715例肺炎病例 | NA | NA | AUROC, 敏感性, 特异性, 提前时间 | NA |
| 491 | 2026-04-22 |
Thyroid Nodule Detection and Classification on Small Datasets: An Ensemble Deep Learning Approach with Attention Mechanism and Focal Loss
2026-Mar-10, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060825
PMID:41897558
|
研究论文 | 本研究提出了一种结合YOLO检测与增强型ResNet18分类器的集成深度学习框架，用于解决小数据集和类别不平衡下的甲状腺结节超声图像检测与分类问题 | 在轻量级ResNet18架构中引入卷积块注意力模块增强特征提取，并综合采用焦点损失、加权随机采样、混合增强、余弦退火学习率调度与5折交叉验证集成策略，以应对小样本和类别不平衡的挑战 | 研究样本量有限（总522例），外部验证集仅36例且来自在线来源，可能影响模型的泛化能力评估 | 开发一种在小规模医学数据集上具有良好泛化能力的甲状腺结节计算机辅助诊断工具 | 甲状腺超声图像 | 计算机视觉 | 甲状腺结节 | 超声成像 | CNN, YOLO | 图像 | 522例患者超声图像（训练集467例，独立测试集41例，内部验证集14例），另加36例外部验证图像 | PyTorch | ResNet18, YOLO | 准确率, 灵敏度, 特异性 | NA |
| 492 | 2026-04-21 |
Novel deep learning CCTA-FFR for detecting functionally significant coronary stenosis: Comparison with iFR
2026 Mar-Apr, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.007
PMID:41519628
|
研究论文 | 本研究评估了一种新型的基于深度学习的现场冠状动脉CT血管造影血流储备分数算法与有创瞬时无波比在检测功能性显著冠状动脉狭窄方面的诊断性能 | 开发并验证了一种现场深度学习CT-FFR算法，可在工作站实现近实时生理评估，相比传统CCTA狭窄评估提供了显著的增量诊断价值 | 研究为回顾性分析，样本量较小（44例患者，44个病变），需要更大规模的多中心研究来验证结果并明确其临床作用 | 评估新型现场深度学习CT-FFR算法与有创iFR相比，在检测功能性显著冠状动脉狭窄方面的诊断性能 | 接受临床指征冠状动脉CT血管造影和有创iFR测量的患者及其冠状动脉病变 | 数字病理学 | 心血管疾病 | 冠状动脉CT血管造影，深度学习血流储备分数计算 | 深度学习 | 医学影像（冠状动脉CT血管造影图像） | 44例患者，44个冠状动脉病变 | NA | cFFR v6 | 敏感性，特异性，阳性预测值，阴性预测值，准确率，ROC曲线下面积，Pearson相关系数 | 现场工作站集成系统 |
| 493 | 2026-04-20 |
Enhancing Pig Behavior Recognition in Complex Environments: A Transfer Learning-Assisted YOLO11 Network with Wavelet Convolution and Synergistic Attention
2026-Mar-19, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani16060964
PMID:41897941
|
研究论文 | 本文提出了一种基于轻量级YOLO11n的优化模型，用于在复杂环境中增强猪行为识别 | 提出了三项优化：在C3k2层嵌入SCSA-CBAM以增强多尺度特征判别；在颈部引入WFU进行动态跨尺度特征融合；在主干网络中用WTConv替换标准卷积以降低计算开销 | NA | 解决当前深度学习方法在非结构化农业场景中复杂、参数量大或泛化能力不足的问题，以促进在资源有限设备上的部署 | 猪的行为 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 2480张原始图像，基于公开数据集自建的六类别猪行为数据集，按8:2比例通过分层随机抽样分为训练集和验证集 | PyTorch | YOLO11n | mAP@0.5, mAP@0.5:0.95, FPS | NA |
| 494 | 2026-04-18 |
Root canal segmentation from cone-beam computed tomography guided by micro-computed tomography based on deep learning
2026-Mar-10, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07918-2
PMID:41808048
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 495 | 2026-04-20 |
RGReco: a unified framework for automated R-group recognition in chemical publications
2026-Mar-10, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01179-5
PMID:41808196
|
研究论文 | 本文提出了RGReco框架，结合深度学习和化学规则，通过多阶段流程从图像和文本中解析和整合化学出版物中的R-基团信息 | 提出了一个结合深度学习和化学规则的新框架，用于自动识别和解析化学出版物中多样化的R-基团信息，包括新的取代基结构识别和文本解析流程 | 未明确提及具体限制，但可能受限于数据集覆盖的R-基团图像类型或真实世界文献的复杂性 | 开发一个精确且全面的自动化工具，以加速化学出版物中R-基团信息的提取，支持数据驱动的AI研究 | 化学出版物中的R-基团信息，包括文本和图像形式 | 自然语言处理 | NA | 深度学习, 化学规则 | NA | 图像, 文本 | 从真实世界科学文献构建的数据集，包含常见类型的R-基团图像 | NA | NA | 精确率, 召回率, F1分数 | NA |
| 496 | 2026-03-11 |
Harnessing multi-modal deep learning for multi-drone navigation-based trajectory prediction system
2026-Mar-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42180-0
PMID:41803339
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 497 | 2026-03-11 |
A robust and versatile deep learning model for prediction of the arterial input function in dynamic small animal [18F] FDG PET imaging
2026-Mar-09, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-026-01398-9
PMID:41803557
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 498 | 2026-03-10 |
Deep learning-enhanced shoreline dynamics and vulnerability assessment in Niger Delta area of Nigeria
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39405-7
PMID:41796127
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 499 | 2026-04-20 |
BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43573-x
PMID:41796249
|
研究论文 | 提出了一种名为BigEye的临床可解释深度学习框架，用于糖尿病视网膜病变的检测和分期预测 | 开发了一个新颖的框架，利用提取的病灶特征来预测ICDR分期，并通过SHAP值分析实现了与临床诊断标准高度一致的可解释性结果 | 未明确说明模型在外部验证集上的泛化性能，也未提及计算效率和实时性方面的评估 | 开发一个能够识别相关病灶并提供可解释结果的深度学习模型，以应对未来糖尿病视网膜病变病例的预期增长 | 糖尿病视网膜病变患者的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 眼底摄影 | 深度学习 | 图像 | 来自当地医院和公共数据集的眼底图像数据集，包含分割掩码和DR分期标注 | 未明确说明 | DeepLabV3+ | 精确度, 召回率, F1分数, ROC-AUC, 准确度 | NA |
| 500 | 2026-03-09 |
Deep learning for high-resolution material texture enhancement in 3D environments
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42313-5
PMID:41794865
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |