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 1241 - 1260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1241 | 2026-03-09 |
Deep Learning Image Reconstruction Improves Image Quality in Dual-Low Dose Dual-Energy CT Portal Venography Compared to Adaptive Iterative Image Reconstruction Algorithm-Veo
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.11.047
PMID:41484021
|
研究论文 | 本研究比较了深度学习图像重建（DLIR）与自适应统计迭代重建（ASIR-V）在双低剂量双能CT门静脉成像（DE-CTPV）中的性能，旨在评估DLIR在降低对比剂用量和辐射剂量条件下对图像质量的改善效果 | 首次在双低剂量（低对比剂和低辐射剂量）条件下，将DLIR应用于DE-CTPV，并与ASIR-V进行系统比较，证实DLIR能显著提升多段门静脉血管的图像质量 | 研究为单中心设计，样本量相对有限，且未进行长期临床结局的随访验证 | 比较DLIR与ASIR-V在双低剂量DE-CTPV中的图像质量，以优化肝脏移植术前评估和术后监测的成像方案 | 接受DE-CTPV检查的患者 | 医学影像 | 肝脏疾病 | 双能CT门静脉成像（DE-CTPV），虚拟单能成像（VMI） | 深度学习图像重建（DLIR） | CT图像 | 未明确说明具体患者数量，但提及与既往研究数据对比 | NA | NA | 图像噪声、对比噪声比（CNR）、信噪比（SNR）、主观评分（整体图像质量、图像噪声、血管边缘锐利度、诊断信心） | NA |
| 1242 | 2026-03-09 |
Generalizability of deep learning-based dose conversion model in proton beam therapy
2026-Mar, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70528
PMID:41755687
|
研究论文 | 本研究开发了一种基于深度学习的剂量转换模型，用于质子束治疗中将铅笔束算法计算的剂量转换为蒙特卡罗等效剂量，并评估其在不同肿瘤部位的泛化能力 | 首次训练了一个基于深度学习的剂量转换模型，该模型在四个代表性肿瘤部位（头颈、肺、肝和前列腺）上训练，并评估了其在未训练肿瘤部位（如食管、胰腺、结直肠、脑、乳腺、宫颈及肢体骨与软组织）的泛化性能 | 模型在接近肺部的食管、乳腺以及肢体骨与软组织等未训练肿瘤部位上表现出略低的通过率，泛化能力仍有提升空间 | 开发并评估一个基于深度学习的剂量转换模型在质子束治疗中的泛化能力，以解决计算精度与速度之间的权衡问题 | 质子束治疗中的剂量计算，特别是将铅笔束算法剂量转换为蒙特卡罗等效剂量 | 医学影像分析 | 多种癌症 | 质子束治疗，蒙特卡罗模拟，深度学习 | 深度学习模型 | 治疗计划CT图像和铅笔束剂量数据 | 339名患者（总计1147个射束） | NA | NA | 3D γ分析通过率，Dice相似系数 | NA |
| 1243 | 2026-03-09 |
SMART: Self-Supervised Learning for Metal Artifact Reduction in Computed Tomography Using Range Null Space Decomposition
2026-Mar, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3616003
PMID:41052163
|
研究论文 | 提出一种基于自监督学习和范围零空间分解的CT金属伪影减少方法，旨在解决现有深度学习方法在临床应用中面临的挑战 | 利用范围零空间分解分别建模金属和组织线性衰减系数，并结合隐式神经表示以自监督方式学习其临床特征，同时整合多色光谱以实现动态适应 | 方法在临床数据集上的泛化性虽经测试，但可能仍需更多样化的数据验证其鲁棒性 | 开发一种自监督的CT金属伪影减少方法，以提升诊断准确性和临床决策支持 | CT图像中的金属伪影 | 计算机视觉 | NA | 范围零空间分解，隐式神经表示 | 自监督学习模型 | CT图像 | 一个合成数据集和两个临床数据集 | NA | 隐式神经表示 | NA | NA |
| 1244 | 2026-03-09 |
ESR Essentials: lung cancer screening with low-dose CT-practice recommendations by the European Society of Thoracic Imaging
2026-Mar, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11910-9
PMID:40848139
|
实践推荐 | 本文提供了欧洲胸科影像学会关于使用低剂量CT进行肺癌筛查的实践建议 | 整合了最新的低剂量CT筛查证据，并强调了深度学习算法在结节检测和体积生长测量中的应用 | NA | 为肺癌筛查提供基于证据的实践指导，以优化筛查效果并控制风险 | 高风险个体，特别是年龄在50至75岁之间、有至少20包年吸烟史的人群 | 数字病理学 | 肺癌 | 低剂量CT扫描 | 深度学习算法 | CT图像 | NA | NA | NA | NA | NA |
| 1245 | 2026-03-09 |
AI sheds new light on genome editing
2026-Mar, Trends in biotechnology
IF:14.3Q1
DOI:10.1016/j.tibtech.2025.07.011
PMID:40744834
|
综述 | 本文综述了人工智能如何通过深度学习加速下一代基因组编辑工具的发现、工程化与设计 | 系统阐述了AI在三个关键方面赋能基因组编辑：发现传统方法忽略的新型编辑器、工程化具有增强特性的编辑器、以及从头设计具有定制功能的全新编辑器 | NA | 探讨人工智能驱动的技术如何加速基因组编辑工具的开发与应用 | 基于CRISPR/Cas系统的基因组编辑工具 | 生命科学 | NA | 基因组编辑，深度学习 | 深度学习模型 | 结构数据，序列数据 | NA | NA | NA | NA | NA |
| 1246 | 2026-03-09 |
A Comparison of Different Radiomics Methods Predicting Cervical Lymph Node Metastasis in Papillary Thyroid Carcinoma
2026 Mar-Apr, Journal of clinical ultrasound : JCU
IF:1.2Q3
DOI:10.1002/jcu.70102
PMID:41078274
|
研究论文 | 本研究比较了基于超声的手工放射组学模型、深度学习放射组学模型及组合模型在预测甲状腺乳头状癌颈淋巴结转移中的性能 | 开发并比较了手工放射组学、深度学习放射组学及两者组合模型，首次在甲状腺乳头状癌颈淋巴结转移预测中系统评估不同放射组学方法的效能 | 测试集中组合模型相比单一模型的AUC提升未达到统计学显著性，且深度学习模型在训练和测试集中的准确率均低于0.7 | 开发并比较不同放射组学方法，以更好地预测甲状腺乳头状癌患者的颈淋巴结转移 | 甲状腺乳头状癌患者 | 数字病理 | 甲状腺癌 | 超声成像 | 深度学习, 机器学习 | 图像 | 441名患者（训练集308例，测试集133例） | Pyradiomics | DenseNet121 | AUC, 准确率 | NA |
| 1247 | 2026-03-09 |
Multimodal Predictive Modeling for Visual Quality Recovery After Keratorefractive Lenticule Extraction
2026-Mar, Journal of refractive surgery (Thorofare, N.J. : 1995)
DOI:10.3928/1081597X-20260112-03
PMID:41793362
|
研究论文 | 本研究通过整合多模态数据，建立了一个预测角膜屈光透镜摘除术后视觉质量恢复的模型 | 首次将基于U-net的深度学习模型用于后透镜扫描图像的高精度分割，并结合放射组学特征、临床数据、手术参数、角膜地形图和生物力学等多模态数据，构建预测术后视觉质量的机器学习模型 | 研究为单中心、前瞻性非干预性研究，样本量相对较小（210只眼），且仅针对近视患者，可能限制了结果的普适性 | 研究角膜屈光透镜摘除术后视觉质量恢复的影响因素，并建立术后视觉质量的预测模型 | 105名近视患者的210只眼，这些患者接受了角膜屈光透镜摘除手术 | 数字病理学 | 近视 | 高精度图像分割，放射组学特征提取 | U-net, ExtraTrees, AdaBoost, RidgeCV, LassoLarsIC | 图像，临床数据，手术参数，角膜地形图，生物力学数据 | 210只眼（来自105名患者） | NA | U-net | AUC | NA |
| 1248 | 2026-03-09 |
Integrating multimodal data and deep learning for functional assessment and rehabilitation prediction after cerebral hemorrhage
2026-Mar-01, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109306
PMID:41793967
|
研究论文 | 本研究开发并验证了一个整合CT影像、临床数据和康复评估的多模态预测模型，用于同时预测脑出血后的运动功能恢复和整体康复结局 | 提出了一个结合3D-DenseNet和MLP的晚期融合深度学习模型，用于多模态数据整合预测，相比单模态模型显著提高了预测准确性 | 研究为回顾性设计，样本量相对有限（739例患者），且仅基于单一中心数据，可能影响模型的泛化能力 | 开发一个多模态预测模型，以早期预测脑出血患者的运动功能恢复和整体康复结局，辅助临床决策和个性化康复策略制定 | 脑出血后接受康复治疗的患者 | 数字病理学 | 脑出血 | CT成像, 临床数据采集, 康复评估 | 深度学习, 机器学习 | CT影像, 临床数据, 实验室特征 | 739例患者（其中315例用于运动功能预测，424例用于康复结局评估） | NA | 3D-DenseNet, Multi-Layer Perceptron (MLP), Gradient Boosting Decision Tree (GBDT) | AUC, R², F1分数 | NA |
| 1249 | 2026-03-07 |
Incremental learning approach for semantic segmentation of skin histology images
2026-Mar-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31553-6
PMID:41786800
|
研究论文 | 本研究提出了一种增量学习框架，用于增强基于Transformer的深度学习模型在皮肤癌及相关组织结构分割中的泛化能力和鲁棒性 | 采用受生物学启发的增量学习策略，允许模型逐步整合新数据，同时减少灾难性遗忘，并通过集成多个损失函数来适应不同放大倍数级别 | 未明确说明模型在完全未见过的数据分布上的性能表现，且未讨论计算成本或实时应用可行性 | 提升深度学习模型在皮肤癌诊断中的临床实用性，通过增强其对新场景的适应性和可靠性 | 皮肤癌及相关组织结构的图像分割 | 数字病理学 | 皮肤癌 | NA | Transformer | 图像 | NA | NA | Transformer | 准确率 | NA |
| 1250 | 2026-03-07 |
Handwriting to Digital Text Translation Using a Self-Powered Triboelectricity-Induced Piezoelectric Writing Pad through a Deep Learning Algorithm
2026-Mar-06, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.5c22477
PMID:41789810
|
研究论文 | 本文介绍了一种基于摩擦电诱导压电的书写垫，结合深度学习算法，用于将手写输入转换为数字文本 | 开发了一种自供电的摩擦电诱导压电书写垫，结合深度学习算法实现高精度手写字母识别 | 仅针对四个英文字母进行了测试，样本量较小，且未涉及更复杂的手写体或连续文本 | 研究手写字母到数字文本的转换技术，提升人机交互效率 | 手写英文字母信号 | 机器学习和人机交互 | NA | 摩擦电诱导压电传感和深度学习 | CNN | 时间序列信号和频谱图 | 三名个体手写的四个英文字母信号 | NA | CNN | 分类准确率 | NA |
| 1251 | 2026-03-07 |
HighRelax: Physics-Based Refinement of Deep Learning Protein Predictions with Noncanonical Amino Acids
2026-Mar-06, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01807
PMID:41789985
|
研究论文 | 本文提出了一种名为HighRelax的物理优化方法，用于改进包含非经典氨基酸的深度学习蛋白质结构预测结果 | 扩展了AMBER力场以覆盖139种非经典氨基酸，并开发了与AlphaFold3等先进模型兼容的增强型Amber-relax协议，能够处理含非经典氨基酸和环肽的复杂系统 | 未明确说明方法对特定类型非经典氨基酸或极端结构情况的适用性限制 | 解决非经典氨基酸在蛋白质结构预测中产生的立体冲突、手性违规和几何扭曲问题 | 包含非经典氨基酸的蛋白质和肽类结构 | 计算生物学 | NA | 分子动力学模拟，力场参数化 | 物理优化方法 | 3D蛋白质结构 | NA | AMBER | HighRelax（基于Amber-relax的增强协议） | 立体冲突减少，手性恢复，结构质量改善 | NA |
| 1252 | 2026-03-07 |
Improving MRI-based differentiation of brain metastasis, glioblastoma, and primary CNS lymphoma using deep learning
2026-Mar-06, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03960-7
PMID:41790161
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1253 | 2026-03-07 |
Deep learning-based vessel segmentation in non-contrast black-blood MRI for treated aneurysm follow-up: a comparative study with TOF-MRA and DSA
2026-Mar-06, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03936-7
PMID:41790163
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1254 | 2026-03-07 |
Deep learning-based prediction of 24-2 visual field from fundus photographs in glaucoma
2026-Mar-06, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie
DOI:10.1007/s00417-026-07141-3
PMID:41790193
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1255 | 2026-03-07 |
SpatioFreq: A Deep Learning Framework for Decoding Cellular and Tissue Landscapes Across Organisms Using Spatial Transcriptomics
2026-Mar-06, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00811-6
PMID:41790387
|
研究论文 | 本文提出了一种名为SpatioFreq的深度学习框架，用于通过空间转录组学解码生物体中的细胞和组织景观 | SpatioFreq引入了频率域特征提取和图形自监督对比学习，以捕获空间数据中的细微结构和动态模式，从而提高了空间聚类和细胞类型解卷积的准确性 | 未在摘要中明确提及 | 提高空间转录组学分析的准确性和效率，以揭示细胞在组织内的空间组织和细胞类型分布 | 空间转录组学数据，包括来自不同生物体的细胞和组织样本 | 空间转录组学 | 乳腺癌 | 空间转录组学 | 深度学习 | 空间转录组学数据 | 多个数据集，包括DCIS乳腺癌数据集 | NA | NA | 准确性，效率 | NA |
| 1256 | 2026-03-07 |
Integrating multimodal intelligence in heart failure: AI-driven risk prediction, precision diagnosis, phenotyping, personalized treatment, and prognosis
2026-Mar-05, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000004000
PMID:41782204
|
综述 | 本文系统总结了人工智能在心力衰竭管理中多领域应用的最新进展，并讨论了临床实施的关键挑战与未来方向 | 整合多模态数据（如电子健康记录和医学影像）的AI模型，为心力衰竭的风险预测、表型分型、诊断、治疗和预后提供了新见解 | 模型选择、泛化能力、可解释性以及在真实世界环境中可靠性有限等挑战，阻碍了AI在临床实践中的可靠实施 | 探讨人工智能技术在心力衰竭管理中的应用，以改善患者生活质量 | 心力衰竭患者 | 机器学习 | 心血管疾病 | NA | 机器学习, 深度学习, 大语言模型 | 电子健康记录, 医学影像 | NA | NA | NA | NA | NA |
| 1257 | 2026-03-07 |
WxC-Bench: A Novel Dataset for Weather and Climate Downstream Tasks
2026-Mar-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06839-7
PMID:41786786
|
研究论文 | 本文介绍了一个名为WxC-Bench的新型多模态数据集，旨在支持天气和气候研究中可泛化AI模型的开发 | 提出了首个针对天气和气候下游任务、涵盖多种大气尺度（从中尺度到天气尺度）的综合性、预处理的机器学习就绪数据集 | 未明确说明数据集的覆盖时间范围、空间分辨率限制或潜在的数据偏差 | 为天气和气候分析领域开发新的AI模型或微调现有模型提供高质量的数据集支持 | 天气和气候数据，包括大气湍流、飓风强度与路径、天气相似性搜索、重力波参数化等过程 | 机器学习 | NA | 多模态数据整合 | NA | 多模态数据（空间与时间序列数据） | NA | NA | NA | NA | NA |
| 1258 | 2026-03-07 |
Deep learning-based histopathological classification and subclassification of benign and malignant salivary gland tumors
2026-Mar-05, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-026-10082-6
PMID:41786944
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1259 | 2026-03-07 |
A Dual-Model Machine Learning Framework for Interpretable Design and Ensemble Prediction of C-Amidated Antimicrobial Peptides
2026-Mar-05, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.6c00110
PMID:41787253
|
研究论文 | 本研究提出了一种双模型机器学习框架，用于可解释地设计和集成预测C端酰胺化抗菌肽 | 结合了基于可解释增强机（EBM）的设计导向模型和基于微调ESM2深度学习架构的部署模型，实现了序列级设计规则提取与可靠预测 | 未在摘要中明确说明 | 设计和预测针对特定目标的C端酰胺化抗菌肽 | C端酰胺化抗菌肽 | 机器学习 | NA | 机器学习，深度学习 | Explainable Boosting Machine (EBM), ESM2 | 序列数据 | 未在摘要中明确说明 | NA | ESM2 | NA | 未在摘要中明确说明 |
| 1260 | 2026-03-07 |
Deep learning-based automatic segmentation of MRONJ lesions on CBCT images
2026-Mar-05, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-08022-1
PMID:41787411
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |