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 1560 篇文献，本页显示第 621 - 640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 621 | 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 |
| 622 | 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 |
| 623 | 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 |
| 624 | 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 |
| 625 | 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 |
| 626 | 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 |
| 627 | 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 |
| 628 | 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 |
| 629 | 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 |
| 630 | 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 |
| 631 | 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 |
| 632 | 2026-04-20 |
Rejoining fragmented ancient bamboo slips with physics-driven deep learning
2026-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70361-y
PMID:41786754
|
研究论文 | 本文提出了一种名为WisePanda的物理驱动深度学习框架，用于自动拼接古代竹简碎片 | 基于断裂和材料劣化的物理原理，自动生成成对的合成训练数据，无需手动配对样本，从而解决了古代文物修复中的数据稀缺问题 | 未在摘要中明确提及 | 开发一种高效的方法来拼接古代竹简碎片，以促进对古代文明内容的理解 | 古代竹简碎片 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | 匹配准确率 | NA |
| 633 | 2026-04-20 |
EEG-TriNet++: A Transformer-Guided Meta-Learning Framework for Robust and Generalizable Motor Imagery Classification
2026-Mar-06, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering13030307
PMID:41899838
|
研究论文 | 本文提出了一种名为EEG-TriNet++的多分支深度学习框架，用于提升基于脑电信号的运动想象分类的准确性和跨被试泛化能力 | 提出了一种结合卷积空间-频谱编码器、双向LSTM和Transformer头的多分支架构，并引入了模型无关的元学习模块以快速适应新用户，同时采用分块标记化策略和神经架构搜索来优化效率与表征能力之间的平衡 | 未明确提及模型的计算复杂度、实时性表现或在更大规模或更多样化数据集上的泛化能力 | 开发一个鲁棒且可泛化的深度学习框架，用于基于脑电信号的运动想象分类，以提升脑机接口的性能 | 脑电信号 | 机器学习 | NA | 脑电图 | CNN, LSTM, Transformer | 时间序列信号 | 两个公开的运动想象数据集 | NA | EEG-TriNet++（多分支架构，包含卷积空间-频谱编码器、双向LSTM、Transformer头） | 准确率 | NA |
| 634 | 2026-04-20 |
AMR-GNN: a multi-representation graph neural network framework to enable genomic antimicrobial resistance prediction
2026-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69934-8
PMID:41792137
|
研究论文 | 提出了一种名为AMR-GNN的多表示图神经网络框架，用于从基因组序列数据预测抗菌素耐药性表型 | 首次将多种基因组表示与图神经网络集成，以解决AMR表型预测中的关键问题，包括利用多表示提升性能、减轻克隆关系影响以及识别可解释的生物标志物 | 作为概念验证框架，其在大规模临床应用中的具体表现和泛化能力仍需进一步验证 | 开发一个数据驱动的机器学习框架，以从全基因组测序数据中准确预测抗菌素耐药性表型 | 铜绿假单胞菌（作为概念验证），以及后续验证中涵盖的革兰氏阴性和革兰氏阳性病原体 | 机器学习 | 抗菌素耐药性 | 全基因组测序 | GNN | 基因组序列数据 | NA | NA | AMR-GNN | NA | NA |
| 635 | 2026-04-20 |
RoentMod: a synthetic chest X-ray modification model to identify and correct image interpretation model shortcuts
2026-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02497-6
PMID:41792409
|
研究论文 | 介绍RoentMod，一种用于生成合成胸部X射线图像的框架，以识别和纠正医学图像解释模型中的捷径学习问题 | 结合开源医学图像生成器与图像到图像修改模型，无需重新训练，生成具有用户指定病理特征的逼真合成胸部X射线图像 | 未提及具体局限性，但可能包括生成图像的多样性或泛化能力 | 提高胸部X射线图像解释模型的鲁棒性和可解释性，通过对抗捷径学习 | 胸部X射线图像及其自动化解释模型 | 计算机视觉 | NA | 深度学习，图像生成与编辑 | 多任务模型，基础模型 | 图像 | 未明确指定样本数量，但涉及内部和外部测试 | 未明确指定，但提及开源医学图像生成器RoentGen | 未明确指定具体架构 | AUC | 未明确指定 |
| 636 | 2026-04-19 |
Source apportionment of pollution in the Tianjin Haihe river sluice based on the TCN-APCS-MLR model
2026-Mar-31, Environmental geochemistry and health
IF:3.2Q2
DOI:10.1007/s10653-026-03139-2
PMID:41915250
|
研究论文 | 本研究提出了一种结合TCN与APCS-MLR的新模型，用于天津海河闸复杂流域的污染源解析 | 首次将时序卷积网络（TCN）与绝对主成分得分-多元线性回归（APCS-MLR）模型相结合，以增强对非线性时间动态的建模能力，提高了传统受体模型在复杂河口环境中的源解析精度 | 研究基于2022-2024年的日尺度水质数据，模型在更长时序或更复杂污染情景下的普适性有待进一步验证 | 开发一种能够准确、及时识别复杂流域污染源的高性能模型，以支持动态流域管理和生态修复 | 天津海河闸流域的水体污染 | 机器学习 | NA | 水质监测 | TCN, APCS-MLR | 时间序列数据（水质数据） | 2022年至2024年的日尺度水质数据 | NA | 时序卷积网络（TCN），结合主成分分析（PCA）和多元线性回归（MLR） | R值（相关系数），RMSE（均方根误差），MAE（平均绝对误差），累计方差贡献率 | NA |
| 637 | 2026-04-19 |
An AI-ready remote sensing dataset for high-resolution forest disturbance mapping
2026-03-26, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07084-8
PMID:41888167
|
研究论文 | 本文介绍了一个用于高分辨率森林干扰类型分类的深度学习就绪数据集，并展示了其应用效果 | 提供了一个包含多通道（红、绿、蓝、近红外和物体高度）的高分辨率（0.2米）遥感数据集，专门用于森林干扰分类，并通过消融分析评估了各通道的贡献 | 数据集仅基于德国莱茵兰-普法尔茨州的数字正射影像，可能无法完全代表其他地区的森林干扰情况 | 开发一个高分辨率、深度学习就绪的遥感数据集，以改进森林干扰类型的监测和分类 | 欧洲森林的自然干扰事件，如虫害爆发、病原体感染、风倒和随后的抢救性采伐 | 计算机视觉 | NA | 遥感成像，数字正射影像 | 深度学习模型 | 图像 | 约17,500个图像块（每个500×500像素，分辨率0.2米） | NA | NA | 总体准确率 | NA |
| 638 | 2026-04-19 |
Assessment of Defacing Techniques on Medical Images for Radiation Therapy: Implications for Patient Privacy and Data Utility
2026-Mar-22, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2026.03.023
PMID:41876069
|
研究论文 | 评估四种去脸技术对放射治疗多模态图像中患者隐私保护与数据完整性的影响 | 首次在放射治疗多模态图像中系统比较四种去脸技术的隐私保护效果与数据完整性，为临床数据共享提供优化选择 | 研究仅基于特定数据集（脑部和头颈部患者），未涵盖所有癌症类型或成像技术，且未评估长期临床影响 | 评估去脸技术在放射治疗图像中对患者隐私风险和数据实用性的影响 | 脑部患者（88例）和头颈部患者（97例）的多模态医学图像（MRI、CT、RTDose、PET） | 数字病理 | 癌症 | 磁共振成像、计算机断层扫描、正电子发射断层扫描、放射剂量成像 | 深度学习面部识别模型 | 医学图像 | 185例患者（88例脑部，97例头颈部） | NA | ArcFace | 余弦相似度评分、受试者工作特征曲线下面积、体积变化百分比、强度变化百分比、剂量偏差 | NA |
| 639 | 2026-03-13 |
Amyloid PET quantification with deep learning segmentation models without MRI
2026-Mar-11, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00854-8
PMID:41811594
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 640 | 2026-03-07 |
Deep learning-driven automated detection of canine cardiac murmurs via digital wireless stethoscope auscultation
2026-Mar-03, Veterinary research communications
IF:1.8Q2
DOI:10.1007/s11259-026-11131-5
PMID:41774252
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |