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 1529 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2026-05-20 |
2D Multimodal Image Collection for Fluorescence Prediction from Transmitted Light Microscopy
2026-Mar-24, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07004-w
PMID:41876523
|
研究论文 | 介绍一个大规模开放存取数据集Light My Cells Database，包含2,574个采集集和56,984张显微镜2D图像，用于从透射光图像预测荧光 | 提供了一个多模态、多中心、标准化的大规模显微镜图像数据集，支持机器学习模型从无标记透射光图像预测荧光信号，并遵循REMBI元数据标准 | 未明确说明研究局限性，但可能面临数据覆盖范围有限、实际应用中的泛化挑战 | 开发用于从透射光显微镜图像预测荧光的机器学习模型 | 生物样品，包括细胞核、线粒体、微管蛋白和肌动蛋白等亚细胞结构 | 计算机视觉, 数字病理学 | NA | 明场显微镜, 相差显微镜, 微分干涉差显微镜, 荧光显微镜 | NA | 图像 | 2,574个采集集，56,984张图像，来自30项独立实验和8个国家成像中心 | NA | NA | NA | NA |
| 62 | 2026-05-20 |
A Sensor based turning dataset for data-driven surface roughness estimation
2026-Mar-24, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07061-1
PMID:41876568
|
研究论文 | 介绍了一种用于车削过程表面粗糙度估计的传感器数据集，特别是在Inconel-625难加工材料上的应用 | 提供了针对难加工合金Inconel-625的公开车削传感数据集，包括振动、力和力矩数据，以及表面粗糙度测量结果，便于开发在线估计模型 | 未提及具体的数据集限制或模型验证结果 | 为基于机器学习和深度学习的数据驱动表面粗糙度估计提供公开数据集，减少材料浪费并提高加工效率 | Inconel-625合金在车削过程中的表面粗糙度与传感器数据的关系 | 机器学习 | 不适用 | 三轴加速度计、测力计、表面粗糙度测试仪 | 尚未指定具体模型类型 | 振动信号、力与力矩数据、表面粗糙度测量值 | 共382,189,197个样本，来自27组数据采集 | 不适用 | 不适用 | 不适用 | Kirloskar Turnmaster 40车床用于加工，Mitutoyo表面粗糙度测试仪用于测量 |
| 63 | 2026-05-20 |
Detection of Structural Glaucoma Progression with Deep Learning on Serial Optic Disc Photographs
2026-Mar-17, Ophthalmology. Glaucoma
DOI:10.1016/j.ogla.2026.03.005
PMID:41856358
|
研究论文 | 使用深度学习模型检测基于眼底照片序列的青光眼结构性进展 | 首次采用孪生卷积神经网络对序列眼底照片进行青光眼进展检测，实现了临床相关精度的自动化分类 | 未在论文标题和摘要中明确说明局限性 | 设计有监督深度学习模型以检测青光眼结构性进展 | 青光眼患者的序列眼底照片 | 计算机视觉 | 青光眼 | NA | 孪生卷积神经网络 | 图像 | 1510只眼（916名患者），每只眼至少2年随访并有2对眼底照片 | NA | 孪生卷积神经网络 | AUC, 准确率, 灵敏度, 特异度 | NA |
| 64 | 2026-05-20 |
A hybrid deep learning approach integrating CNN and transformer for lung cancer classification using CT scans
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41161-7
PMID:41844829
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 65 | 2026-05-20 |
Elevated Retinal Neovascularization on Widefield Optical Coherence Tomography Angiography Predicts Complications in High-Risk Proliferative Diabetic Retinopathy
2026-Mar, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.12.017
PMID:41453592
|
研究论文 | 利用超广角扫频源光学相干断层扫描血管成像衍生的视网膜新生血管参数，预测高风险增殖性糖尿病视网膜病变并发症的发生 | 首次使用单次超广角SS-OCTA成像结合深度学习分割算法，量化视网膜新生血管的膜面积和血管面积，并依据其与内界膜的轴向空间关系（隆起或附着）进行分层分析，发现隆起性RNV指标能更有效地预测玻璃体积血和牵拉性视网膜脱离等并发症 | 样本量较小（18只眼），且为单中心前瞻性研究，可能影响结果的普适性；随访中位数291天，长期预后尚需更长时间观察 | 评估超广角SS-OCTA衍生的RNV指标能否预测高风险PDR患者发生威胁视力的并发症（玻璃体积血或牵拉性视网膜脱离） | 临床上分级为高风险增殖性糖尿病视网膜病变的眼部（来自三级医疗中心，随访≥6个月） | 计算机视觉 | 糖尿病视网膜病变 | 扫频源光学相干断层扫描血管成像 | 深度学习算法 | 图像 | 18只眼（高风险PDR患者），共识别115个RNV病灶 | NA | 验证的深度学习分割算法（具体结构未明确） | AUC, 灵敏度, 特异度 | NA |
| 66 | 2026-05-20 |
Dbert2_LR: A deep learning-based model for predicting cis-regulatory elements in crops
2026-03, Genomics
IF:3.4Q2
DOI:10.1016/j.ygeno.2026.111201
PMID:41544987
|
研究论文 | 开发了一种名为Dbert2_LR的混合深度学习框架，用于预测作物中的顺式调控元件 | 首次将预训练基因组基础模型DNABERT-2与并行双向RNN和LSTM网络结合，有效捕获DNA的深层上下文依赖和局部序列模式，并揭示模型决策依赖于已知转录因子结合基序，克服了深度学习的'黑箱'问题 | 在高度重复的作物基因组（如陆地棉）上性能相对较低（宏平均F1分数仅为0.637），且可能泛化性受限于训练数据覆盖的物种 | 开发高精度预测作物中顺式调控元件（启动子、增强子和非调控序列）的模型，用于功能基因组注释和分子育种 | 拟南芥和陆地棉中的顺式调控元件序列 | 机器学习 | NA | DNA测序 | 深度学习混合模型 | DNA序列 | 未明确提及 | PyTorch | DNABERT-2, 双向RNN, LSTM | 宏平均F1分数 | NA |
| 67 | 2026-05-19 |
Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data
2026-Mar-31, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c15772
PMID:41861271
|
研究论文 | 提出基于深度学习的多污染物同步预测框架DeepMAP，利用地球静止卫星数据量化多种空气污染物的共同暴露 | 首次提出能同时预测六种主要空气污染物（PM2.5、PM10、O3、NO2、CO、SO2）的深度学习框架，并引入新型共暴露指数来识别污染热点区域 | NA | 开发高时空分辨率的多污染物同步预测方法，以量化人群对混合污染物的共同暴露及其健康影响 | 东亚地区六种主要空气污染物的时空分布及其共同暴露特征 | 机器学习 | 呼吸系统疾病，心血管疾病 | 卫星遥感 | 深度学习 | 卫星影像 | NA | PyTorch | NA | 归一化均方根误差 | NA |
| 68 | 2026-05-19 |
Morphology-guided deep learning for nanoparticle agglomeration diagnostic assays
2026-Mar-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45423-2
PMID:41917119
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 69 | 2026-05-19 |
Atlas of predicted protein complex structures across kingdoms
2026-Mar-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70884-4
PMID:41882029
|
研究论文 | 利用AlphaFold2的ColabFold框架预测了110万个蛋白质-蛋白质相互作用结构，构建了跨物种的蛋白质复合物图谱 | 首次大规模跨物种预测蛋白质复合物结构，涵盖细菌、古菌、人类、小鼠、植物和人类-病毒对，并发现跨物种共享的蛋白质复合物结构 | 预测结构依赖计算机模型，实验验证仅针对特定病毒受体，覆盖范围有限 | 系统性地预测和解析跨物种蛋白质复合物的三维结构，揭示进化保守性和功能关系 | 蛋白质复合物的预测结构及蛋白质-蛋白质相互作用 | 机器学习 | NA | AlphaFold2, ColabFold | AlphaFold2 | 蛋白质序列 | 110万个蛋白质-蛋白质相互作用结构，覆盖细菌、古菌、人类、小鼠、植物和人类-病毒对 | ColabFold | AlphaFold2 | 高置信度结构分类标准 | NA |
| 70 | 2026-05-19 |
An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44499-0
PMID:41844761
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 71 | 2026-03-18 |
Uncertainty-aware automated labeling of intracranial arteries using deep learning
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02276-5
PMID:41840364
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 72 | 2026-05-19 |
Assessing the influence of kernel selection on chest computed tomography image quality across varying dose levels using TrueFidelity reconstruction
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf143
PMID:41821439
|
研究论文 | 评估不同剂量水平下使用不同重建核对胸部CT图像质量的影响 | 首次比较GE Healthcare的TrueFidelity DLIR软件中标准核与肺部核在全剂量和超低剂量胸部CT图像质量上的差异 | 样本量较小（仅25名患者），且对超低剂量协议无法得出可靠结论 | 评估全剂量和超低剂量胸部CT扫描中使用TrueFidelity标准核与肺部核重建的图像质量 | 25名接受胸部CT扫描的患者图像 | 计算机视觉 | 肺部疾病 | CT | 深度学习图像重建（DLIR） | 图像 | 25名患者的胸部CT图像 | NA | TrueFidelity | 视觉分级特征（VGC）曲线下面积（AUCVGC） | NA |
| 73 | 2026-05-19 |
From digital chest tomosynthesis to 3D CT
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf162
PMID:41821455
|
研究论文 | 提出一种从数字胸部断层合成到三维CT的高效深度学习重建方法 | 提出通过从投影数据的小块中重建矢状CT切片，显著降低内存需求，并采用体素分类（空气、软组织、骨）替代连续HU值预测 | 难以重建精细细节，尚不适合临床应用 | 开发一种低资源需求的断层合成体积成像重建方法 | 数字胸部断层合成投影图像及其对应的CT重建 | 计算机视觉 | NA | 数字胸部断层合成 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 74 | 2026-05-19 |
Improving visibility of small anatomical details on low and ultra-low dose computed tomography with artificial intelligence-based image reconstructions
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf171
PMID:41821465
|
研究论文 | 评估人工智能图像重建技术在低剂量和超低剂量CT扫描中提升小解剖结构可见性的效果 | 首次系统评估深度学习图像重建在极低辐射剂量下对胸部小解剖结构诊断质量的影响 | 基于体模和单一肺标本，未包含活体患者数据 | 比较不同CT图像重建技术在不同辐射剂量水平下对诊断图像质量的影响 | PBU-50人体模型和风干人肺标本 | 计算机视觉 | 肺部结节、纤维化、支气管周围病变 | CT扫描 | 深度学习图像重建 | 图像 | 一个PBU-50人体模型（小型成人）和一个风干人肺标本，六个剂量水平 | NA | DLIR-H, ASiR-V, FBP | 描述性统计、视觉分级特征分析 | NA |
| 75 | 2026-05-16 |
A non-intrusive framework using acoustic signals and deep learning for boiling diagnostics in visual-limited environments
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41757-z
PMID:41882037
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 76 | 2026-05-16 |
Automated detection of physical contact events in youth ice hockey: a player-centric deep learning approach
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44805-w
PMID:41882050
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 77 | 2026-05-16 |
SPARTAN: automated table detection and extraction from documents using advanced OpenCV heuristics and OCR techniques
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44325-7
PMID:41882048
|
研究论文 | 介绍SPARTAN，一种基于OpenCV启发式和OCR技术的开源表格检测与提取流水线 | 无需模型训练或GPU，完全基于启发式规则，实现高保真表格检测与提取，兼顾透明性和效率 | 对比实验基于标准推理配置，未涉及高度优化的边缘设备部署场景 | 提供一种成本高效、可解释的PDF表格提取方案，弥合规则系统和深度学习之间的差距 | PDF文档中的表格，包括产品变更通知、科学论文、证书和数据表 | 文档理解, 计算机视觉 | NA | OCR | NA | 图像, 文本 | 超过20,000页PDF文档 | OpenCV, CLI | NA | 精确率, 召回率, F1分数, OCR字符准确率, 处理时间, 峰值内存占用 | CPU, 1.2 GB峰值RAM |
| 78 | 2026-05-16 |
A vision transformer model for the detection of glaucoma from optic disc photographs
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44662-7
PMID:41876588
|
研究论文 | 利用基于Vision Transformer的深度学习模型，从眼底视盘照片自动检测青光眼 | 首次将Vision Transformer（ViT）架构应用于青光眼检测，使用RimNet预处理视盘分割，实现了高精度分类 | 未说明具体局限性，但依赖标注数据质量，且仅基于视盘外观分类，未结合其他临床指标 | 开发一种高效、低成本的青光眼筛查工具，用于从眼底照片中检测青光眼 | 来自三个数据库的视盘照片，包括正常和青光眼样本 | 计算机视觉, 数字病理学 | 青光眼 | 深度学习、视盘分割（RimNet） | Vision Transformer（ViT） | 图像（眼底视盘照片） | 总样本：训练集1432只青光眼，测试集956只晚期青光眼（平均偏差-11.71 dB）；各阶段样本数：训练/验证/测试分别为未知总数（AUC 1.00/0.98/1.00） | Python, R | Vision Transformer（ViT） | AUC, 准确率, 灵敏度, 特异度 | NA |
| 79 | 2026-05-16 |
Enhanced content-based image retrieval via hybrid color, texture, and deep learning features
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38422-w
PMID:41876591
|
研究论文 | 提出一种融合颜色、纹理和深度学习特征的增强型基于内容的图像检索系统CTD-Net，在Corel-1K、10K和Caltech-101数据集上取得优异性能 | 首次将颜色直方图、颜色矩、局部二值模式、小波变换等手工特征与EfficientNet-B7深度学习特征进行融合，实现低层视觉与高层语义信息的有效互补 | 未说明，可推断为可能依赖于特定数据集，泛化能力需进一步验证 | 解决传统基于内容的图像检索系统因单独使用手工特征或深度学习模型而导致的视觉与语义信息捕捉不足问题 | 自然图像数据集中的彩色图像 | 计算机视觉 | 不适用 | 颜色直方图、颜色矩、局部二值模式、小波变换、卷积神经网络 | CNN (EfficientNet-B7) | 图像 | Corel-1K (1000张)、Corel-10K (10000张)、Caltech-101 (约9144张) 图片 | PyTorch | EfficientNet-B7 | 精确率 | 不适用 |
| 80 | 2026-05-16 |
Deep learning-based quantitative CT assessment of interstitial lung abnormalities: prognostic risk thresholds in a health screening population
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45108-w
PMID:41876612
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |