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 1102 篇文献，本页显示第 441 - 460 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 441 | 2026-06-03 |
SERS-based deep learning approach for early detection of gestational diabetes mellitus
2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127472
PMID:41547262
|
研究论文 | 提出了一种基于表面增强拉曼光谱与深度学习融合的早期妊娠期糖尿病诊断新策略 | 首次将表面增强拉曼光谱与PCA-CNN融合模型应用于早期妊娠期糖尿病筛查，实现快速、精准的早期诊断 | NA | 开发一种快速、准确、便捷的早期妊娠期糖尿病筛查方法 | 妊娠期糖尿病患者的血清样本 | 机器学习 | 妊娠期糖尿病 | 表面增强拉曼光谱（SERS） | 卷积神经网络 (CNN) 结合主成分分析 (PCA) | 光谱数据 | NA | NA | PCA-CNN | 准确率、灵敏度、特异度 | NA |
| 442 | 2026-06-03 |
Automatic detection of the fetal brain midsagittal plane on MRI using a deep learning pipeline
2026-Apr-07, American journal of obstetrics & gynecology MFM
IF:3.8Q1
DOI:10.1016/j.ajogmf.2026.101962
PMID:41956321
|
research paper | 开发了一种基于深度学习的自动检测胎儿大脑MRI正中矢状面（MSP）的流程 | 使用多任务2D U-Net检测四个中线结构（胼胝体膝部、压部、小脑蚓部、脑桥）的共现性，并结合LightGBM分类器进行病例级决策 | 研究基于正常胎儿大脑解剖结构，未涉及异常病例或多种MRI序列 | 实现胎儿MRI中正中矢状面的自动检测，以提高图像质量评估和大脑解剖评价的标准化 | 225例18-36周正常胎儿的大脑MRI数据 | 计算机视觉 | NA | MRI（单次激发快速自旋回波T₂加权序列） | U-Net | 图像 | 432个MRI图像堆栈来自225例胎儿（135个含MSP，297个不含） | PyTorch | 2D U-Net | AUC、准确率、灵敏度、特异性、定位准确度 | NA |
| 443 | 2026-06-03 |
DrowsyDG-Phys: Generalizable driver drowsiness estimation in conditional automated vehicles using physiological signals
2026-Apr, Accident; analysis and prevention
DOI:10.1016/j.aap.2026.108407
PMID:41547100
|
研究论文 | 提出了一种名为DrowsyDG-Phys的域泛化框架，用于基于生理信号的驾驶员困倦检测 | 提出了一个显式时频域特征学习的骨干网络，并集成了三种新颖的损失函数：基于先验知识的对比正则化、特征集中化损失和困倦评估标准对齐损失 | 未明确说明局限性 | 提高基于生理信号的驾驶员困倦检测模型的泛化能力和鲁棒性 | 使用心电图、皮肤电活动和呼吸信号三种生理信号进行困倦检测 | 机器学习 | NA | 生理信号采集 | 域泛化框架 | 生理信号（心电图、皮肤电活动、呼吸信号） | 3个公开数据集和1个自采集数据集，包含60名参与者在模拟SAE Level-3驾驶场景下的数据 | PyTorch | DrowsyDG-Phys（时频域特征学习骨干网络） | 准确率（DG协议78.5%，跨被试协议88.4%） | NA |
| 444 | 2026-06-03 |
Application of Digital Medicine to the Diagnosis and Treatment of Head and Neck Tumors
2026-Apr, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70556
PMID:42019980
|
综述 | 本文总结了数字医学在头颈部肿瘤诊断、治疗及预后评估中的应用现状 | 系统整合了数字影像、人工智能和3D打印等数字医学技术在头颈部肿瘤诊疗中的最新进展 | 综述仅叙述现有研究局限性，未提出具体解决方案或定量分析 | 阐述数字医学在头颈部肿瘤诊疗中的应用并展望其前景 | 头颈部肿瘤的诊断、治疗和预后评估相关数字技术 | 数字病理学 | 头颈部肿瘤 | 数字影像（CT、MRI、超声）、人工智能、3D打印 | 深度学习模型 | 医学影像 | NA | NA | NA | 诊断准确率、治疗效果 | NA |
| 445 | 2026-06-03 |
The role of artificial intelligence in early detection and risk prediction of ischemic heart disease
2026-Apr, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000004812
PMID:41939092
|
综述 | 探讨人工智能在缺血性心脏病早期检测和风险预测中的作用 | 系统总结了AI在ECG分析、影像学和生物标志物三个主要领域的应用，展示了其超越传统方法的潜力，并强调了多组学和可穿戴设备集成等新兴方向 | 多数研究为回顾性或单中心，缺乏在不同人群和医疗环境中的验证，存在算法偏差、泛化能力不足、监管不确定性和临床医生熟悉度有限等问题 | 评估AI技术在提高缺血性心脏病早期诊断准确性和风险预测个性化方面的潜力 | 缺血性心脏病及相关诊断工具（如ECG、影像学、生物标志物） | 机器学习 | 缺血性心脏病 | NA | 机器学习、深度学习 | NA | NA | NA | NA | NA | NA |
| 446 | 2026-06-02 |
Transcription factor collaboration enables precise T cell state engineering
2026-Apr-22, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.20.718569
PMID:42079248
|
研究论文 | 通过转录因子筛选和深度学习框架，揭示RUNX作为主合作因子驱动CD8 T细胞状态，并实现精准细胞状态工程 | 首次大规模绘制TF-程序连接图谱，发现RUNX作为'主合作因子'，并通过seq2PRINT框架预测功能性TF互作，实现T细胞状态的理性工程改造 | NA | 研究转录因子协作如何调控CD8 T细胞状态，特别是耗竭状态，并开发细胞状态工程方法 | CD8 T细胞（包括耗竭状态） | 机器学习 | 慢性感染与癌症 | perturb-SHARE-seq、seq2PRINT | 深度学习框架 | 单细胞染色质可及性与基因表达数据 | 702,314个单细胞样本 | PyTorch | seq2PRINT | NA | NA |
| 447 | 2026-06-02 |
Domain-Shift AI Technology for Vendor-Agnostic Multiple Macular Disease Detection From 3D OCT Scans
2026-04-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2026.0029
PMID:41746616
|
研究论文 | 开发了一种与设备无关的深度学习模型，用于从不同供应商的3D OCT扫描中检测多种黄斑疾病 | 提出了一种无监督测试时域适应方法（Test Entropy）来解决不同OCT设备间的域偏移问题，并引入不确定类别处理未见过的黄斑病变，使模型能跨设备泛化 | 未明确提及，但可能包括模型在供应商1和2以外的设备上性能未知，以及不确定类别在某些病例中灵敏度较低 | 开发一种与设备无关的深度学习模型，实现对不同供应商3D OCT扫描的多病种分类 | 来自不同供应商（Spectralis和Cirrus）的3D OCT扫描，以及2D OCT扫描 | 计算机视觉 | 黄斑疾病 | OCT | ResNet 3D | 3D OCT扫描 | 1669名患者的6756次OCT扫描用于模型开发，4336名患者的12236次OCT扫描用于外部测试 | NA | ResNet 3D | AUC, 阳性预测值, 阴性预测值, 临床重要漏诊率 | NA |
| 448 | 2026-02-27 |
Generalizability in OCT Deep Learning-Moving Beyond Single-Disease and Single-Vendor Models
2026-Apr-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2026.0084
PMID:41746664
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 449 | 2026-06-02 |
AI solutions for evolutionary genomics of nonmodel species
2026-Apr, Evolution letters
IF:3.4Q2
DOI:10.1093/evlett/qrag004
PMID:41938207
|
review | 综述了人工智能在非模式物种进化基因组学中的应用，重点探讨深度学习推断种群历史和自然选择信号的最新趋势 | 提出处理数据缺失与不确定性、在未知基因组和种群参数下推断选择事件、生成可解释预测等创新策略，并通过低样本量实验展示选择性清除检测的原创实现 | 未明确讨论标注数据稀缺、模型泛化性验证等具体技术局限 | 探索AI在非模式物种进化基因组学中的方法创新与应用方向 | 非模式物种的基因组数据 | machine learning | NA | NGS, 测序技术 | 深度神经网络 | 基因组序列数据 | 低样本量（实验设置中未提供具体数字） | NA | 深度神经网络 | NA | NA |
| 450 | 2026-06-02 |
A Robust Computational Framework for Autism Spectrum Disorder Identification Using Optimized Image Processing and Hybrid Learning Models
2026-04, Developmental neurobiology
IF:2.7Q3
DOI:10.1002/dneu.70028
PMID:41880993
|
研究论文 | 提出一种结合优化图像处理与混合学习模型的稳健框架，用于自闭症谱系障碍识别 | 首次结合离散小波变换与高斯滤波核进行鲁棒的图像预处理，并采用基于Walrus优化算法优化的提升式混合学习网络进行分类 | 未提及模型的泛化能力和在实际临床环境中的验证 | 开发高精度的自闭症谱系障碍自动识别方法 | 自闭症谱系障碍患者与健康对照组的脑影像数据 | 计算机视觉, 机器学习 | 自闭症谱系障碍 | NA | CNN, 提升式混合学习网络 | 图像 | AID数据集、ASD筛查数据集、ABIDE数据集 | NA | VGG16, 提升网络 | 准确率, 召回率, 精确率, F1分数 | NA |
| 451 | 2026-06-02 |
Artificial Intelligence (AI) in Computer-Aided Design (CAD): How AI Is Redefining Dental CAD
2026-Apr, Cureus
DOI:10.7759/cureus.107879
PMID:42220742
|
综述 | 本文探讨人工智能在牙科计算机辅助设计中的角色，重点介绍其在数字牙科和修复CAD设计中的整合应用 | 系统阐述AI在牙科多专科领域的应用现状，特别聚焦于AI集成CAD系统在固定修复体设计中的创新实践 | 数据质量问题、伦理考量、算法透明度不足，以及临床监督的必要性仍是当前主要限制 | 阐明AI技术如何支持临床医生和牙科技师提升牙科实践的准确性、效率和一致性 | 牙科数字工作流与修复CAD设计中的AI技术应用 | 数字病理学 | 牙科疾病 | 机器学习 | 深度学习模型 | 数字图像 | NA | NA | NA | NA | NA |
| 452 | 2026-06-02 |
Artificial Intelligence in Clinical Decision-Making: Current Applications, Challenges, and Future Directions in Modern Healthcare
2026-Apr, Cureus
DOI:10.7759/cureus.107847
PMID:42220854
|
综述 | 综述人工智能在临床决策中的应用、挑战与未来方向 | 全面分析了AI在医疗影像、电子健康记录分析、精准医学、风险分层、手术支持和药物发现等多个关键领域的应用，并深入探讨了算法偏见、数据隐私、可解释性等实施障碍及伦理法律问题 | 作为叙述性综述，未进行系统性文献检索或定量分析，且依赖现有文献可能产生选择性偏差 | 系统总结人工智能在临床决策中的作用、应用现状、挑战及未来发展方向 | 现代医疗体系中临床决策的AI应用，涵盖诊断、风险预测、治疗规划和操作效率等场景 | 机器学习、自然语言处理、计算机视觉 | NA | NA | 机器学习、深度学习 | 医疗影像、电子健康记录、文本 | NA | NA | NA | NA | NA |
| 453 | 2026-06-01 |
Realization of Long Axial Field-of-View PET Technology in the Clinic and Research Environment
2026-Apr-27, The British journal of radiology
DOI:10.1093/bjr/tqag096
PMID:42046230
|
综述文章 | 讨论长轴向视野PET技术在临床和研究环境中的实现与应用 | 系统分析了长轴向视野PET技术的临床实现、研究应用及深度学习降噪等前沿发展方向 | 未提及具体实验数据或定量性能对比，缺乏对不同设计方案的详细评估 | 概述长轴向视野PET的技术优势、临床实践考量及未来发展方向 | 长轴向视野PET-CT仪器 | 医学影像 | NA | PET-CT | 深度学习 | 医学影像 | NA | NA | NA | 灵敏度 | NA |
| 454 | 2026-06-01 |
Customizing native T1 mapping: The effects of compressed sensing, deep learning-based denoising, and high-resolution on measurement of native myocardial T1
2026-Apr-15, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102726
PMID:41997564
|
研究论文 | 评估压缩感知、深度学习去噪和高分辨率对原生心肌T1 mapping测量结果的影响 | 系统评估了不同CS加速水平、空间分辨率以及DL去噪重建组合对定量T1值的影响，并证明在临床可接受的偏差范围内T1值保持稳定 | 单中心研究，样本量有限（41名志愿者），且未纳入真实患者数据，可能无法完全覆盖病理T1范围 | 优化临床心肌T1 mapping的采集效率和鲁棒性，支持个性化协议设计 | 健康志愿者的心肌T1 mapping图像 | 计算机视觉, 数字病理 | 心血管疾病 | 压缩感知, 深度学习去噪重建 | 深度学习去噪模型 | 图像 | 48名健康志愿者（最终纳入41名），并进行9例重复分析 | NA | NA | 图像质量评分（Likert量表）, 模糊度, 混叠伪影, 易感性伪影, T1值偏差 | NA |
| 455 | 2026-06-01 |
Automated scout-image-based estimation of contrast agent dosing: a deep learning approach
2026-04-11, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02331-1
PMID:41965610
|
研究论文 | 开发并验证了一种基于深度学习的算法，通过CT定位图像自动估算患者体重，进而优化造影剂剂量 | 首次利用深度学习从CT定位图像中自动估算体重，避免了人工测量和自报体重的偏差; 结合情境学习和数据集蒸馏分析体重关键特征; 构建了浏览器界面实现实时剂量估算 | 需要在大规模队列和不同临床中心进行进一步验证 | 实现CT检查中造影剂剂量的自动、准确估算，简化临床工作流程并提高患者安全 | 接受胸腹部CT检查的患者（共817例） | 计算机视觉 | 不适用 | CT扫描 | 卷积神经网络 (EfficientNet) | 图像 (CT定位图像) | 817例患者 | PyTorch | EfficientNet | 平均绝对误差 (MAE) | NA |
| 456 | 2026-06-01 |
Deep learning-based high-speed railway communication systems
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46758-6
PMID:41957081
|
研究论文 | 研究基于深度学习的两种数据驱动框架，以提升高速铁路无线通信系统在严重多普勒频移和快速时变多径条件下的通信质量 | 提出两种数据驱动框架：一是深度神经网络学习信道行为以替代传统时域信道估计中的预设插值模型；二是利用自编码器/解码器结构替代传统处理单元并从数据集获取先验信息 | 文中未明确说明局限性 | 降低高速铁路通信系统在高动态传播条件下的误码概率，提升检测性能 | 高速铁路无线通信系统的信道估计和信号处理 | 机器学习 | NA | NA | 深度神经网络，自编码器/解码器 | 数值数据 | NA | NA | 深度神经网络，自编码器/解码器 | 检测性能 | NA |
| 457 | 2026-04-10 |
Cost-effective and scalable urban air quality monitoring using image-based deep learning
2026-Apr-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47424-7
PMID:41951751
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 458 | 2026-06-01 |
A hybrid architecture with bidirectional gating mechanism for spatiotemporal air quality prediction
2026-Apr-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46820-3
PMID:41951756
|
研究论文 | 提出一种带有双向门控机制的CNN-Transformer-LSTM混合架构用于时空空气质量预测 | 提出BG-Hybrid模型，通过双向门控机制动态平衡CNN提取的局部空间特征和Transformer捕获的全局时间依赖关系，实现自适应特征融合 | 未明确说明局限性 | 提升时空空气质量预测的准确性 | 空气质量数据 | 机器学习 | NA | NA | CNN-Transformer-LSTM混合模型 | 时空序列数据 | NA | NA | CNN, Transformer, LSTM, 双向门控机制 | 误差降低 | NA |
| 459 | 2026-06-01 |
Investigation of multimodal deep learning models for predicting ovarian tumor malignancy based on ultrasound images and clinical information - a comprehensive comparative study against readers and O-RADS
2026-04-06, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02312-4
PMID:41942868
|
研究论文 | 本研究全面探究基于超声图像和临床信息的多模态深度学习模型在预测卵巢肿瘤良恶性方面的有效性，并与放射科医生和O-RADS进行对比 | 构建了两种多模态融合模型（DLM2F和DLM3F），整合灰度超声、彩色多普勒血流成像及临床数据，在性能上超越放射科医生和O-RADS评估 | 研究为回顾性多中心设计，样本量适中（508名患者），可能需前瞻性验证 | 评估多模态深度学习模型在卵巢肿瘤良恶性分类中的诊断能力 | 卵巢肿瘤患者 | 数字病理学 | 卵巢肿瘤 | 超声成像 | 密集卷积网络 | 图像和临床数据 | 508名卵巢肿瘤患者（327例良性，181例恶性） | NA | DenseNet | AUC, 敏感度, 特异度 | NA |
| 460 | 2026-06-01 |
A High-Quality Endoscopic Image Dataset with Annotated Recurrent Laryngeal Nerve for AI-Assisted Thyroid Surgery
2026-Apr-03, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06961-6
PMID:41932923
|
研究论文 | 介绍首个用于内镜甲状腺手术中喉返神经识别的综合体内数据集ThyRLN-PUMCH | 首次构建了大规模、像素级标注的内镜喉返神经数据集ThyRLN-PUMCH，填补了人工智能辅助头颈外科术中导航的数据空白 | 未提及具体限制 | 解决现有术中神经监测技术成本高、依赖操作者、信号不连续的问题，为训练鲁棒深度学习模型提供数据基础 | 内镜甲状腺手术中的喉返神经识别 | 数字病理学 | 甲状腺手术相关神经损伤 | 内镜成像 | 分割模型（CNN） | 图像 | 28个临床多样化手术案例，共18,178帧像素级标注图像 | NA | NA | NA | NA |