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 891 篇文献，本页显示第 641 - 660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 641 | 2026-04-06 |
Developing an artificial intelligence tool for detecting fractures of child abuse: preliminary findings
2026-Apr-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12513-8
PMID:41934493
|
研究论文 | 本研究旨在开发和评估一种基于深度学习的AI工具（BoneView），用于检测儿童虐待导致的骨折，通过初步训练提升了模型性能 | 首次将商业可用的深度学习算法应用于儿童虐待骨折的自动检测，并通过针对性的放射影像数据重新训练，初步验证了其性能提升的潜力 | 研究为单中心回顾性试点研究，样本量相对有限（1740名患者），且参考标准依赖于放射学报告和单一观察者的回顾性审查，可能存在偏差 | 开发并评估一种人工智能工具，以提高儿童虐待所致骨折的诊断准确性，辅助临床决策 | 5岁以下因疑似身体虐待接受骨骼检查的儿童及其放射影像 | 数字病理学 | 儿童虐待 | 放射影像学检查（骨骼检查） | 深度学习模型 | 图像（放射影像） | 1740名患者（平均年龄8.77个月，1026名男性），其中1227项阳性研究中329项被标注用于训练 | NA | BoneView | AUC, 灵敏度, 特异性 | NA |
| 642 | 2026-04-06 |
Application of transformer-enhanced convolutional neural network: multicenter MRI assessment of muscle invasion in bladder cancer
2026-Apr-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12497-5
PMID:41934494
|
研究论文 | 本研究开发了一种基于Transformer增强卷积神经网络的深度学习模型，用于多中心MRI评估膀胱癌的肌层浸润情况 | 通过深度学习模型克服了传统MRI解读中因病灶形态（带蒂与无蒂）导致的诊断偏差，特别是在无蒂病灶中显著提高了特异性 | 研究未明确说明模型在其他类型病灶或不同MRI设备上的泛化能力，且样本量虽为多中心但可能仍存在选择偏倚 | 准确评估膀胱癌的肌层浸润情况，以指导治疗选择 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | MRI | CNN, Transformer | 图像 | 1374名患者 | PyTorch | nnU-Net, ConvNeXt-tiny | Dice系数, AUC, 准确率, 灵敏度, 特异性 | NA |
| 643 | 2026-04-06 |
A deep learning-based multimodal model with automated body composition analysis predicts prognosis in advanced clear cell renal cell carcinoma
2026-Apr-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46515-9
PMID:41935094
|
研究论文 | 本研究开发了一种基于深度学习的多模态预测模型，通过整合自动化的身体成分分析与临床病理特征，用于预测晚期透明细胞肾细胞癌的预后 | 首次将深度学习自动化的身体成分分析（Comp2Comp模型）与临床病理特征结合，构建了可解释的多模态预测模型，并通过转录组学分析探索了关键成像特征的生物学基础 | 研究为回顾性多中心设计，存在潜在的选择偏倚；初步外部验证队列规模可能有限，需要进一步前瞻性验证 | 开发自动化、可解释的预测模型，以评估晚期透明细胞肾细胞癌的预后并探索其潜在机制 | 接受根治性肾切除术的晚期透明细胞肾细胞癌患者 | 数字病理学 | 肾细胞癌 | CT成像，转录组学分析，免疫组织化学 | 深度学习，机器学习 | CT图像，临床病理数据，转录组数据 | 未在摘要中明确指定患者数量，但涉及多中心回顾性队列和独立外部验证队列 | 未在摘要中明确指定，但提及了深度学习模型（Comp2Comp）和机器学习模型 | Comp2Comp（用于身体成分分析），MLP（多层感知器），SVC（支持向量分类器） | AUC（曲线下面积），校准和区分度指标 | 未在摘要中明确指定 |
| 644 | 2026-04-06 |
Integrating tumor habitat heterogeneity with a hybrid deep learning architecture for ultrasound radiomics: a dual-center study on non-invasive prediction of PD-L1 expression in triple-negative breast cancer
2026-Apr-04, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-026-02275-y
PMID:41935256
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 645 | 2026-04-06 |
Deep learning‑based ultra-high-resolution CT imaging of viral pneumonia at admission and after discharge
2026-Apr-04, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02320-4
PMID:41935266
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 646 | 2026-04-06 |
Deep learning for dentomaxillofacial cone-beam computed tomography enhancement: A systematic review and meta-analysis
2026-Apr-03, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2026.105797
PMID:41934701
|
系统综述与荟萃分析 | 本文系统回顾和荟萃分析了深度学习在牙颌面锥形束CT图像增强中的应用及其对客观图像质量指标的影响 | 首次对深度学习在牙颌面CBCT增强领域的应用进行系统综述和定量荟萃分析，综合评估了多种增强任务（如CBCT-to-CT合成、金属伪影减少等）的性能 | 研究间存在高度异质性（I2 > 99%），限制了直接比较；方法学变异性大且临床验证有限 | 评估深度学习技术用于牙颌面锥形束CT图像增强的效果及其对客观图像质量指标的影响 | 应用深度学习进行CBCT增强的相关研究 | 医学影像处理 | 牙颌面疾病 | 锥形束CT成像 | 深度学习模型 | CBCT图像 | 37项符合纳入标准的研究 | NA | NA | 平均绝对误差, 峰值信噪比, 结构相似性指数, 均方根误差 | NA |
| 647 | 2026-04-06 |
LTF-MSPCNet: A synergistic approach combining attention mechanisms and local texture features for oil spill segmentation in SAR images
2026-Apr-03, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2026.119689
PMID:41934891
|
研究论文 | 本文提出了一种结合注意力机制和局部纹理特征的SAR图像溢油分割新方法LTF-MSPCNet | 在TransUNet框架基础上，集成了LBP纹理特征提取方法到多尺度大核卷积模块，并引入了可学习的特征提取与重建机制，结合SE注意力机制抑制背景噪声 | 未明确说明模型在极端天气条件或复杂海况下的泛化能力，也未讨论计算效率与实时性 | 提高SAR图像中溢油区域的分割精度，特别是对小规模溢油区域的检测能力 | 合成孔径雷达（SAR）图像中的海洋溢油区域 | 计算机视觉 | NA | 合成孔径雷达（SAR）成像 | CNN, Transformer | 图像 | 1655个训练样本，370个测试样本（来自Sentinel-1 SAR图像） | NA | TransUNet, LTF-MSPCNet（基于TransUNet的改进架构） | Mean Dice, Mean IoU | NA |
| 648 | 2026-04-06 |
From statistics to deep learning in single-molecule fluorescence resonance energy transfer analysis
2026-Apr-03, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2026.103268
PMID:41934925
|
综述 | 本文综述了基于深度学习的方法在单分子荧光共振能量转移分析中的应用，并与传统统计方法进行比较 | 探讨深度学习在smFRET分析中提升精度、准确性和速度的潜力，这是该领域的前沿研究方向 | NA | 比较深度学习与传统方法在smFRET信号分析中的性能 | 单分子荧光共振能量转移信号 | 机器学习 | NA | 单分子荧光共振能量转移 | 深度学习模型 | 荧光信号 | NA | NA | NA | 精度, 准确性, 速度 | NA |
| 649 | 2026-04-06 |
Prediction of Early-onset Preeclampsia Using Deep Learning: A Scoping Review of Clinical and Imaging Models
2026-Apr-03, Pregnancy hypertension
DOI:10.1016/j.preghy.2026.101462
PMID:41935450
|
综述 | 本文对使用深度学习模型预测早发型子痫前期的临床和影像学方法进行了范围综述，总结了现有证据、模型性能及方法学局限性 | 首次对早发型子痫前期预测的深度学习模型进行范围综述，系统比较了临床模型与影像学模型，并识别了多模态模型在提升判别能力方面的潜力 | 纳入研究数量有限（15项），多数研究缺乏外部验证，模型泛化性不足，存在参与者选择、预测因子处理和分析程序等方法学局限 | 系统梳理和评估深度学习模型在预测早发型子痫前期方面的现有证据、性能及临床适用性 | 早发型子痫前期 | 机器学习 | 子痫前期 | NA | 深度学习, 机器学习 | 临床数据, 影像数据 | NA | NA | 深度神经网络, 随机森林, 梯度提升, XGBoost | AUC | NA |
| 650 | 2026-04-06 |
Advances in Artificial Intelligence in Cosmetic Dermatology
2026-Apr, Actas dermo-sifiliograficas
IF:3.8Q1
DOI:10.1016/j.ad.2025.104560
PMID:41418903
|
综述 | 本文综述了人工智能在美容皮肤科中的应用进展，包括皮肤评估、个性化治疗开发以及相关移动应用和临床设备 | 总结了AI在美容皮肤科中从皮肤诊断到激光治疗预测和化妆品配方优化的多方面革命性应用，并指出了当前面临的挑战 | 面临数据偏见和临床验证不足等挑战 | 探讨人工智能在美容皮肤科领域的应用现状与未来潜力 | 美容皮肤科中的皮肤评估、诊断、治疗预测及产品推荐 | 机器学习 | NA | NA | 机器学习,深度学习 | NA | NA | NA | NA | 准确性 | NA |
| 651 | 2026-04-06 |
Intelligent interferometric analysis of lipid layer thickness for clinical evaluation of dry eye disease
2026-Apr, The ocular surface
DOI:10.1016/j.jtos.2026.02.011
PMID:41794130
|
研究论文 | 本研究开发并验证了一个全自动深度学习框架，用于从白光干涉图像中定量分析泪膜脂质层厚度，以支持干眼症和睑板腺功能障碍的临床评估 | 首次将深度学习分割模型与基于物理的光学映射方法相结合，实现泪膜脂质层厚度的全自动定量测量，消除了传统定性或半定量评估的限制 | 研究主要基于特定动物模型和临床数据集，未涉及大规模多中心验证，且可能受成像条件变化的影响 | 开发一个全自动、可扩展的定量泪膜脂质层厚度分析工具，用于干眼症和睑板腺功能障碍的客观临床评估 | BALB/c小鼠的临床前图像以及健康志愿者和睑板腺功能障碍患者的临床数据集 | 计算机视觉 | 干眼症 | 白光干涉成像 | 深度学习分割模型 | 图像 | 动物和人类数据集，具体样本数量未明确说明 | NA | U-Net, DeepLabV3+, Unet++ | Dice系数, R2 | NA |
| 652 | 2026-04-06 |
Artificial Intelligence in Vitreoretinal Surgery: A Systematic Review of Current Applications and Future Directions
2026-Apr, Ophthalmology and therapy
IF:2.6Q2
DOI:10.1007/s40123-026-01347-8
PMID:41795058
|
综述 | 本文系统回顾了人工智能在玻璃体视网膜疾病和手术中的应用现状，并探讨了未来发展方向 | 首次全面评估了AI在玻璃体视网膜手术多个环节（术前预测、术中引导、工作流支持）的应用，并识别了知识空白 | 大多数研究为回顾性、单中心设计，外部验证有限，临床转化需前瞻性验证 | 评估人工智能在玻璃体视网膜疾病诊断、手术预后预测及术中辅助的应用潜力与挑战 | 玻璃体视网膜疾病患者、手术过程及相关医学影像数据 | 计算机视觉, 自然语言处理 | 玻璃体视网膜疾病 | 光学相干断层扫描 | 机器学习, 深度学习 | 医学影像, 临床变量, 文本 | 37项研究（具体样本量未明确） | NA | NA | R2, AUROC, 准确率, 精确率 | NA |
| 653 | 2026-04-06 |
Validation of the Eyerobo FC Portable Fundus Camera for Diabetic Retinopathy Screening Using Public Datasets and Deep Learning
2026-Apr, Ophthalmology and therapy
IF:2.6Q2
DOI:10.1007/s40123-026-01353-w
PMID:41814043
|
研究论文 | 本研究验证了便携式免散瞳眼底相机Eyerobo FC在糖尿病视网膜病变筛查中的诊断性能，通过迁移学习方法，将基于桌面相机图像训练的人工智能算法应用于该便携设备图像 | 首次采用迁移学习方法，将基于标准桌面眼底相机图像训练的AI模型直接应用于新型便携式设备Eyerobo FC的图像，验证了跨成像平台的算法泛化能力 | 前瞻性验证队列样本量相对较小（N=104只眼），且研究主要关注糖尿病视网膜病变的二元分类（可转诊vs不可转诊） | 验证新型便携式免散瞳眼底相机Eyerobo FC在糖尿病视网膜病变筛查中的诊断性能是否不劣于标准桌面眼底相机 | 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 | 眼底成像 | CNN | 图像 | 训练数据来自EyePACS和APTOS 2019公共数据集；参考标准评估使用Messidor-2数据集（N=1748只眼）；前瞻性验证使用Eyerobo FC采集的图像（N=104只眼） | TensorFlow, PyTorch | EfficientNet-B4 | 灵敏度, 特异性, AUC, 准确率, Cohen's kappa | NA |
| 654 | 2026-04-06 |
Improving Fairness and Mitigating Bias in Multicenter Electronic Health Records Models to Predict Glaucoma Outcomes
2026-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2026.101119
PMID:41883731
|
研究论文 | 本研究评估了在多中心电子健康记录中预测青光眼进展模型中使用偏倚缓解方法的有效性，并提出了一个平衡性能与公平性的新评估指标 | 提出了FairOdds-AUC这一复合指标，用于平衡模型性能与公平性，并在多中心青光眼数据上系统比较了多种偏倚缓解方法 | 后处理和预处理偏倚缓解策略在不同外部站点间的泛化能力较弱，结果变化较大 | 评估偏倚缓解方法在青光眼进展预测模型中的有效性，并促进临床人工智能的公平性 | 来自美国七个机构的50,656名青光眼患者 | 机器学习 | 青光眼 | 电子健康记录分析 | XGBoost, 神经网络, Transformer | 电子健康记录 | 50,656名患者 | Python | Transformer, 全连接网络 | AUROC, 均衡机会差异, FairOdds-AUC | NA |
| 655 | 2026-04-06 |
Deep Learning as a Compass for Industrial Biocatalysis: The Grase Framework Rewrites the Rules for Polyurethane Recycling
2026-Apr, Biotechnology journal
IF:3.2Q2
DOI:10.1002/biot.70222
PMID:41934218
|
研究论文 | GRASE深度学习框架通过克服酶活性与稳定性之间的权衡，发现了一种名为AbPURase的稳健生物催化剂，可在恶劣工业条件下高效解聚聚氨酯废物，实现可扩展的闭环化学回收 | GRASE框架克服了酶活性与稳定性之间的传统权衡，为工业生物催化提供了新的深度学习指导方法 | NA | 开发一种深度学习框架以发现高效生物催化剂，用于聚氨酯废物的工业级回收 | 聚氨酯废物及其生物催化剂 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 656 | 2026-04-06 |
A Deep Learning Model for the Identification of Active Contraction Properties of the Myocardium Using Limited Clinical Metrics
2026-Apr, International journal for numerical methods in biomedical engineering
IF:2.2Q2
DOI:10.1002/cnm.70170
PMID:41934219
|
研究论文 | 本研究开发了一种深度学习模型，用于基于有限的临床指标预测左心室心肌的主动收缩特性 | 提出了一种深度学习模型，能够通过合成临床指标和压力-容积环数据，在单次前向传递中预测整个心动周期中心肌的主动收缩参数波形并估计心内膜和心外膜的纤维角度，从而弥合复杂本构模型与临床实践之间的差距 | 模型仅在理想化和单个患者衍生几何结构上进行了测试，尚未使用真实临床数据进行验证 | 开发一种面向患者特异性评估左心室心肌行为的深度学习模型，以支持更精准的心血管干预和诊断 | 左心室心肌的主动收缩特性 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习模型 | 合成临床指标和压力-容积环数据 | NA | NA | NA | 一致性 | NA |
| 657 | 2026-04-05 |
Synthetic data-augmented machine learning for 30-day readmission prediction in patients with chronic conditions: a retrospective real-world study
2026-Apr-03, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2025-108273
PMID:41932702
|
研究论文 | 本研究开发并评估了一个结合合成数据增强的可解释机器学习框架，用于预测慢性阻塞性肺疾病、心力衰竭和2型糖尿病患者的30天非计划性再入院，并识别关键临床和社会预测因子 | 采用合成数据生成技术（包括高级重采样和基于深度学习的方法）来解决结果不平衡问题并改进模型训练，同时结合了结构化变量和非结构化临床笔记信息 | 研究基于单一三级学术医疗中心（MIMIC-IV数据库）的数据，可能限制了结果的普遍性，且为回顾性研究 | 开发一个可解释的机器学习框架，预测慢性病患者的30天非计划性再入院，并识别关键预测因子 | 患有慢性阻塞性肺疾病、心力衰竭或2型糖尿病的成年住院患者 | 机器学习 | 慢性阻塞性肺疾病, 心力衰竭, 2型糖尿病 | 合成数据生成（高级重采样和深度学习技术） | 集成机器学习模型 | 电子健康记录数据（包括结构化变量和非结构化临床笔记） | 慢性阻塞性肺疾病患者14,050人，心力衰竭患者7,097人，2型糖尿病患者12,735人 | 未明确指定（提及了多种机器学习方法） | 未明确指定具体架构 | 未明确指定具体指标（但提及了使用五折交叉验证评估预测性能） | NA |
| 658 | 2026-04-05 |
Deep learning-based high-information-content graph representation of early stage bacterial biofilms
2026-Apr-03, NPJ biofilms and microbiomes
IF:7.8Q1
DOI:10.1038/s41522-026-00971-3
PMID:41932927
|
研究论文 | 本研究提出了一种基于深度学习的高信息量图表示方法，用于分析早期细菌生物膜的结构 | 将生物膜建模为无向交互图，结合Mask R-CNN和自定义神经网络（BINet）实现细胞分割与交互预测，提供可扩展的高信息量分析框架 | NA | 开发自动化分析微生物群落的高信息量方法，揭示生物膜组织的非明显模式 | 早期形成阶段的细菌生物膜 | 计算机视觉 | NA | 显微镜可视化 | CNN | 图像 | NA | PyTorch | Mask R-CNN, BINet | NA | NA |
| 659 | 2026-04-05 |
Label-free pathological subtyping of non-small cell lung cancer using deep classification and virtual immunohistochemical staining
2026-Apr-03, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02557-x
PMID:41933080
|
研究论文 | 本研究提出了一种无标记方法，利用自发荧光成像和深度学习技术对非小细胞肺癌进行病理亚型分类和虚拟免疫组化染色 | 采用无标记的自发荧光成像结合深度学习，实现非小细胞肺癌亚型的快速准确区分，并生成临床级虚拟免疫组化染色，避免了传统染色过程的耗时与成本 | 未明确说明样本来源的多样性或外部验证集的情况，可能影响模型的泛化能力 | 开发一种无标记、快速且准确的非小细胞肺癌病理亚型分类方法，以加速诊断流程 | 非小细胞肺癌组织样本，包括非癌组织、腺癌、鳞状细胞癌及其他亚型 | 数字病理学 | 肺癌 | 自发荧光成像（强度成像和寿命成像） | 深度学习 | 图像 | 未明确说明具体样本数量 | 未明确说明 | 未明确说明具体架构 | 曲线下面积 | 未明确说明 |
| 660 | 2026-04-05 |
Improving Diabetic Foot Care With Infrared Thermography and Artificial Intelligence: A Review
2026-Apr-03, Journal of diabetes science and technology
IF:4.1Q2
DOI:10.1177/19322968261432639
PMID:41933482
|
综述 | 本文综述了红外热成像与人工智能在糖尿病足护理中的应用，分析了37篇相关研究 | 整合红外热成像与人工智能技术，用于糖尿病足并发症的识别和风险预测，强调了自动诊断系统的潜力 | 研究多局限于使用预准备数据集进行足部热图分类，分割方法研究有限，且因缺乏大规模多样化数据集而限制了深度学习的应用 | 评估红外热成像与人工智能在糖尿病足护理中的潜力，以改善决策、减少错误并支持预后评估 | 糖尿病足并发症的识别和风险预测 | 计算机视觉 | 糖尿病足 | 红外热成像 | NA | 图像 | NA | NA | NA | NA | NA |