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 961 - 980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 961 | 2026-03-31 |
Toward accurate prediction of pediatric epidemic disease patient volume in the Chaoshan region: A deep learning framework
2026-Apr-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115211
PMID:41907420
|
研究论文 | 本研究开发了一个深度学习框架，用于预测潮汕地区儿科流行病患者的就诊量，基于电子健康记录数据 | 该框架首次针对潮汕地区的流行病学特征设计，能够学习捕捉本地疫情动态的儿科表征，以满足区域临床预测需求 | 研究仅基于单一医院的电子健康记录数据，可能未涵盖所有区域流行病学变化，且模型在其他地区的泛化能力未验证 | 准确预测儿科流行病患者就诊量，以支持有效的预防和个性化治疗策略 | 潮汕地区的儿科门诊和急诊患者 | 机器学习 | 儿科流行病 | 深度学习 | 深度学习框架 | 电子健康记录 | 278,506例儿科门诊和急诊就诊记录 | NA | NA | 平均相关系数，均方根误差，平均绝对比例误差 | NA |
| 962 | 2026-03-31 |
An Unsupervised Learning Approach for Multimodal Low Back Pain Stratification
2026-Apr-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005593
PMID:41384355
|
研究论文 | 本研究提出了一种新颖的多模态无监督学习框架，用于对腰痛患者进行分层，整合了影像生物标志物和非影像数据 | 开发了一种结合深度学习提取的影像生物标志物（如椎间盘退变和关节突关节不对称）与吸烟状态、人口统计学及自我报告数据的多模态无监督分层方法 | 研究为横断面设计，无法确定因果关系；样本来自特定出生队列，可能限制泛化性 | 开发一个全面的风险分层框架，以改善腰痛患者的个性化护理 | 腰痛患者，数据来自北芬兰出生队列，包括影像和非影像信息 | 数字病理学 | 腰痛 | 深度学习分析腰椎MRI | 深度学习模型 | 多模态数据（影像、问卷、人口统计学） | 北芬兰出生队列的参与者，具体数量未在摘要中明确 | NA | NA | 准确率, 净收益 | NA |
| 963 | 2026-03-31 |
Dual-feature cross-fusion network for precise brain tumor classification: a neurocomputational approach
2026-Apr, The International journal of neuroscience
DOI:10.1080/00207454.2025.2565445
PMID:40986620
|
研究论文 | 本文提出了一种名为双特征交叉融合网络（DF-CFN）的新型深度学习架构，用于基于MRI数据的脑肿瘤自动分类 | 提出了一种结合ConvNeXt提取全局上下文特征与浅层CNN及FcaNet提取局部特征的双特征交叉融合网络，通过交叉特征融合机制提升分类性能 | 未明确说明模型在更广泛或更具挑战性数据集上的泛化能力，也未详细讨论计算复杂度或实时应用可行性 | 开发一种自动化、高精度的脑肿瘤分类方法，以辅助临床诊断 | 脑肿瘤MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤类别 | 计算机视觉 | 脑肿瘤 | 磁共振成像（MRI） | CNN | 图像 | 使用Kaggle数据集和FigShare数据集进行训练和验证，具体样本数量未明确说明 | 未明确说明，可能为PyTorch或TensorFlow | ConvNeXt, 浅层CNN, FcaNet, 双特征交叉融合网络（DF-CFN） | 准确率 | NA |
| 964 | 2026-03-31 |
Preliminary findings on a deep learning model using electroencephalogram for multi-level neuropathic pain detection in post-stroke patients
2026-Apr, The International journal of neuroscience
DOI:10.1080/00207454.2025.2584081
PMID:41199478
|
研究论文 | 本研究开发了一种基于脑电图信号的深度学习模型，用于卒中后患者的多级别神经病理性疼痛检测 | 提出了一种量子启发的金字塔深度可分离残差网络，结合了深度可分离残差网络降低计算复杂度、金字塔注意力机制捕捉多尺度模式以及量子启发变换层建模脑电图特征间复杂非线性依赖关系三大创新点 | NA | 开发准确且计算高效的多级别神经病理性疼痛检测框架 | 卒中后患者的脑电图信号 | 机器学习 | 卒中 | 脑电图 | 深度学习 | 脑电图信号 | NA | NA | 量子启发的金字塔深度可分离残差网络 | 准确率, 召回率 | NA |
| 965 | 2026-03-31 |
The role of artificial intelligence in pre-operative prediction of completeness of cytoreduction for peritoneal surface malignancies: a scoping review
2026-Apr, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2026.111480
PMID:41740519
|
综述 | 本文是一篇范围综述，分析了人工智能在预测腹膜表面恶性肿瘤细胞减灭术完全性方面的应用 | 首次通过范围综述系统总结了AI在预测细胞减灭术完全性中的应用，并强调了放射组学-临床列线图和深度学习框架（如DeAF）的潜力 | 可解释性仅限于列线图、特征重要性图或校准分析，未采用现代可解释AI技术；研究数量有限（仅9项） | 分析人工智能在预测腹膜表面恶性肿瘤细胞减灭术完全性中的应用 | 腹膜表面恶性肿瘤患者 | 数字病理 | 腹膜表面恶性肿瘤 | 放射组学，深度学习 | 深度学习框架，列线图 | 临床数据，影像数据 | NA | NA | DeAF | AUC | NA |
| 966 | 2026-03-31 |
Advancements in artificial intelligence for meibography: clinical utility and contributions to meibomian gland dysfunction management
2026-Apr, Clinical & experimental optometry
DOI:10.1080/08164622.2025.2555315
PMID:41083413
|
综述 | 本文综述了人工智能在睑板腺成像（meibography）中的最新进展，及其在睑板腺功能障碍诊断与管理中的临床应用 | 利用深度学习实现更精确的腺体特征提取，如腺体缺失、密度和迂曲度，支持标准化和可重复的临床评估 | 当前AI模型在区域腺体变异建模有限、数据集多样性不足、缺乏标准化图像质量控制 | 探索基于AI的睑板腺成像在睑板腺功能障碍诊断与管理中的临床效用 | 睑板腺结构与睑板腺功能障碍 | 计算机视觉 | 睑板腺功能障碍 | meibography | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 967 | 2026-03-31 |
Blueprint for Drug Repurposing Success: Foundational Concepts and Practical Framework
2026-Apr, Drug development research
IF:3.5Q2
DOI:10.1002/ddr.70270
PMID:41904819
|
综述 | 本文全面分析了药物重定位的传统与计算策略，包括实验方法和人工智能驱动的模型，旨在加速药物发现研究 | 系统整合了人工智能和机器学习在药物重定位流程中的应用，强调了其在处理大规模数据、提高预测准确性方面的能力 | NA | 为药物化学家、计算生物学家和药物发现科学家提供加速药物重定位研究的实用框架和资源指南 | 现有临床评估化合物及其新的治疗应用 | 自然语言处理, 机器学习 | NA | 结合亲和力测定、临床数据挖掘、表型筛选、结构基、签名基、通路基、知识基、靶点基策略 | 深度学习架构, 图神经网络, 知识图谱, 网络药理学框架 | 大规模数据集, 药物-靶点相互作用数据 | NA | NA | NA | 预测准确性 | NA |
| 968 | 2026-03-30 |
Software-based de-filtering restores quantitative accuracy in Clarity2D-enhanced whole-body bone scintigraphy
2026-Apr, Annals of nuclear medicine
IF:2.5Q2
DOI:10.1007/s12149-025-02145-1
PMID:41460439
|
研究论文 | 本研究评估了基于深度学习的软件去滤波方法在恢复Clarity2D降噪滤波器影响的全身骨闪烁扫描图像定量准确性方面的效果 | 提出了一种基于深度学习的软件去滤波算法，能够有效逆转Clarity2D滤波器引起的定量失真，从而在保持降噪优势的同时恢复骨扫描指数和热点数量的测量准确性 | 研究为回顾性设计，样本量相对有限（101名成人），且仅基于特定CZT SPECT/CT系统和99mTc-HMDP示踪剂，结果可能无法直接推广到其他设备或协议 | 评估软件去滤波技术是否能够恢复因Clarity2D降噪滤波器而退化的全身骨闪烁扫描图像的定量准确性 | 接受99mTc-HMDP全身骨闪烁扫描的成人患者（n=101，平均年龄67±13岁）及其图像数据 | 数字病理学 | 骨相关疾病（通过骨闪烁扫描评估） | 99mTc-HMDP全身骨闪烁扫描，Clarity2D噪声减少滤波，基于深度学习的软件去滤波 | 深度学习 | 医学图像（平面骨闪烁扫描图像） | 101名成人患者 | NA | NA | Pearson相关系数，Bland-Altman分析（偏差±95%限），Dice系数，Hausdorff距离，基于交并比的精确度、召回率、F1分数 | NA |
| 969 | 2026-03-30 |
Integrating Eye Tracking and Inertial Sensing for Enhanced Freezing of Gait Detection in Parkinson's Disease
2026-Apr, The European journal of neuroscience
DOI:10.1111/ejn.70472
PMID:41891752
|
研究论文 | 本研究通过结合眼动追踪和惯性传感数据，旨在提升帕金森病患者步态冻结的检测准确性 | 首次将眼动运动学数据与踝部惯性测量单元数据相结合，以区分步态冻结和自主停止，从而提高了分类性能 | 研究样本量较小（10名参与者），且仅在标准化行走任务中进行评估，可能限制了结果的普适性 | 提高帕金森病患者步态冻结的自动检测准确性 | 帕金森病患者的步态冻结事件 | 机器学习 | 帕金森病 | 惯性测量单元，眼动追踪 | 深度学习分类器 | 传感器数据（加速度计、陀螺仪、眼动数据） | 10名参与者 | NA | NA | 宏平均F1分数，召回率 | NA |
| 970 | 2025-11-22 |
NeuralFlux: Estimation of Reaction Fluxes at a Genome-Scale Level From Time-Resolved Isotope Labelling Patterns Using Deep Learning
2026-Apr, Plant biotechnology journal
IF:10.1Q1
DOI:10.1111/pbi.70470
PMID:41264380
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 971 | 2026-03-28 |
Particulate matter emission area identification based on phenomenological atmospheric dispersion and deep learn algorithms
2026-Apr, Environmental technology
IF:2.2Q3
DOI:10.1080/09593330.2025.2573837
PMID:41097995
|
研究论文 | 本研究开发了一个结合计算流体动力学和人工神经网络的集成框架，用于在平坦地形中精确定位颗粒物排放源 | 提出了一种结合CFD模拟和深度学习算法的新框架，用于实时识别PM排放源，在工业区和港口环境中实现了重大突破 | 研究仅针对平坦地形，未考虑复杂地形条件；模拟数据集规模相对有限（243次运行） | 开发实时颗粒物排放源定位方法，以支持环境监管、工业责任追究和公共健康保护 | 工业区和港口区域的多重颗粒物排放源 | 机器学习 | NA | 计算流体动力学模拟，人工神经网络 | LSTM, CNN | 模拟数据 | 243次CFD模拟运行，包含不同风速、风向、排放高度和排放间隔的组合 | NA | 长短期记忆网络，一维卷积神经网络 | F1分数 | NA |
| 972 | 2026-03-28 |
Predicting ventilation from single breathing phase non-contrast CT using Swin Transformers
2026-Apr, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70406
PMID:41881558
|
研究论文 | 本研究开发了一种基于Swin Transformer的深度学习模型，仅使用非对比增强4DCT的吸气相来预测肺通气功能，并评估了添加呼气相的影响 | 首次探索了仅使用单呼吸相CT进行深度学习肺通气预测的可行性，并展示了基于Swin Transformer的模型在此任务上的优越性能 | 研究样本量较小（44例），且仅基于特定数据集进行验证，可能限制了结果的泛化能力 | 开发并评估基于单相CT的深度学习模型，用于预测肺通气成像，以简化临床工作流程并减少成像伪影 | 肺通气成像预测，特别是基于非对比增强4DCT的吸气相和呼气相数据 | 医学影像分析 | 肺疾病 | 4DCT成像，SPECT通气成像 | 深度学习模型 | CT图像 | 44例配对吸气CT和SPECT扫描病例 | PyTorch | SwinUNETR, U-Net | Spearman相关系数 | NA |
| 973 | 2026-03-27 |
Feasibility of Free-breathing Deep Learning-reconstructed Single-Shot Cine MRI in Participants with Arrhythmia: Comparison with Conventional Segmented Cine MRI
2026-Apr, Radiology. Cardiothoracic imaging
DOI:10.1148/ryct.250298
PMID:41885622
|
研究论文 | 本研究评估了基于深度学习压缩感知重建的自由呼吸单次激发心脏电影MRI在心律失常患者中的可行性，并与传统分段采集电影MRI进行对比 | 首次将深度学习增强的压缩感知技术应用于自由呼吸、单次激发的心脏电影MRI序列，并在心律失常患者中验证其临床可行性，显著缩短扫描时间并减少运动伪影 | 样本量相对较小（70名参与者），研究仅在1.5T MRI扫描仪上进行，缺乏多中心验证 | 评估深度学习重建单次激发电影MRI在测量左心室结构和功能方面的临床可行性 | 健康志愿者和疑似心律失常的参与者 | 医学影像分析 | 心血管疾病 | 心脏磁共振成像，深度学习增强压缩感知，平衡稳态自由进动序列 | 深度学习模型 | 心脏磁共振图像 | 70名参与者（25名健康志愿者，45名疑似心律失常患者） | NA | NA | 欧洲心血管磁共振注册评分，图像质量评分，扫描时间，左心室容积参数一致性 | 1.5T MRI扫描仪 |
| 974 | 2026-03-24 |
Deep learning with limited data: a transfer learning approach for transcriptomic survival prediction
2026-Apr-15, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111618
PMID:41812364
|
研究论文 | 本研究评估了迁移学习在转录组学生存预测中的应用，通过利用跨癌症的大数据集来提升小队列中的预测性能 | 首次系统评估迁移学习在转录组学生存预测中的效果，并采用留一法预训练策略结合微调，显著提升了小队列肿瘤的预测性能 | 研究依赖于TCGA数据，可能未涵盖所有肿瘤类型或临床异质性，且模型解释性方法基于LIME-like方法，可能存在局限性 | 探索迁移学习在癌症转录组学数据中用于疾病无进展生存预测的有效性 | 来自TCGA的27种肿瘤类型的7509名患者的RNA-seq数据 | 机器学习 | 癌症 | RNA-seq | 深度神经网络 | 转录组学数据 | 7509名患者 | NA | NA | 一致性指数 | NA |
| 975 | 2026-03-24 |
Interpretable evaluation of physiological signals for biometric identification
2026-Apr-15, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111616
PMID:41812367
|
研究论文 | 本文提出一个统一框架，用于分析ECG、EEG和PPG生理信号在生物识别中的应用，并强调模型可解释性 | 将研究焦点从单纯性能指标转向深入理解生物识别系统行为，特别是信号特征、人口规模和样本可用性对性能的影响，并引入SHAP进行特征重要性量化 | 未明确提及具体局限性，但可能涉及数据集多样性或实际部署中的泛化能力 | 评估生理信号在生物识别中的性能，并提高系统的可解释性和可靠性 | ECG、EEG和PPG生理信号 | 机器学习 | NA | 生理信号分析 | 机器学习模型 | 生理信号数据 | NA | NA | NA | 识别准确率, 等错误率 | NA |
| 976 | 2026-03-24 |
Beyond spectroscopy: Machine vision as the future of non-destructive testing in 3D-printed pharmaceuticals
2026-Apr-10, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2026.126750
PMID:41819388
|
综述 | 本文综述了用于3D打印药物质量控制的非破坏性光谱和成像检测技术，并重点探讨了机器视觉（MV）与人工智能结合的应用前景 | 强调了机器视觉（MV）与深度学习算法（如CNN、YOLO）结合，作为实时缺陷检测和视觉检查的创新工具，在个性化制药领域提供更灵活、精确和高效的质量控制策略 | 讨论了现有技术差距、监管挑战以及标准化需求，以确保这些技术安全可靠地集成到制药工作流程中 | 开发适用于3D打印药物的灵活、精确且高效的非破坏性质量控制策略 | 3D打印（3DP）的个性化剂型和药物递送系统 | 机器视觉 | NA | 近红外光谱、拉曼光谱、太赫兹光谱、光学相干断层扫描、高光谱成像 | CNN, YOLO | 图像 | NA | NA | 卷积神经网络（CNN）、YOLO模型 | 准确性、速度、适应性 | NA |
| 977 | 2026-03-24 |
Artificial intelligence in clinical nutrition. A narrative review
2026-Apr, Clinical nutrition ESPEN
IF:2.9Q3
DOI:10.1016/j.clnesp.2025.11.142
PMID:41285366
|
综述 | 本文是一篇关于人工智能在临床营养学中应用的叙述性综述，旨在为临床医生提供AI基础概念及其在营养护理中实际应用的概述 | 系统性地综述了AI在临床营养学中的整合潜力，并强调了临床医生教育、跨学科合作与伦理监督对成功实施的重要性 | 作为一篇叙述性综述，可能未涵盖所有最新研究，且未进行定量分析或荟萃分析 | 概述人工智能在临床营养学中的应用，并探讨如何促进其负责任和有效的整合 | 临床营养学领域的人工智能技术及其在医疗保健中的应用 | 机器学习 | NA | NA | 机器学习, 深度学习, 大语言模型 | NA | NA | NA | NA | NA | NA |
| 978 | 2026-03-22 |
Integrating molecular generation and fingerprints transferring for single-molecule theranostics targeting endoplasmic reticulum stress
2026-Apr, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.07.042
PMID:40721023
|
研究论文 | 本研究提出了一种结合被动与主动靶向机制的AI驱动双靶向策略，用于设计靶向内质网应激的诊疗一体化分子 | 开发了基于机器学习的分子指纹转移方法用于被动靶向，并设计了基于深度学习的3D分子生成模型PM-1用于主动靶向，通过整合两者实现了新型荧光分子探针的智能设计 | NA | 设计能够精确靶向并调控内质网应激的多功能诊疗一体化分子 | 内质网应激关键生物标志物Grp78 | 机器学习 | 肿瘤 | 分子指纹转移、3D分子生成 | 机器学习、深度学习 | 分子结构数据 | NA | NA | PM-1 | Pearson相关系数、IC50 | NA |
| 979 | 2026-03-22 |
Prostate MR image segmentation using a multi-stage network approach
2026-Apr, International urology and nephrology
IF:1.8Q3
DOI:10.1007/s11255-025-04763-0
PMID:40911178
|
研究论文 | 本研究利用深度学习图像分割技术，通过多阶段网络方法对前列腺T2加权MR图像进行分割，以提升前列腺癌的检测和表征能力 | 提出并比较了三种多阶段分割策略（单阶段、顺序两阶段和端到端两阶段），其中端到端方法通过共享特征表示显著提升了前列腺边界划分的准确性 | 模型仍需进一步优化，并需评估其在多样化医学影像场景中的泛化能力 | 提升前列腺癌的诊断准确性和治疗规划效率 | 前列腺T2加权磁共振图像 | 数字病理学 | 前列腺癌 | T2加权磁共振成像 | 深度学习 | 图像 | 1151名患者的61,119张T2加权MR图像 | NA | MultiResUNet | NA | NA |
| 980 | 2026-03-21 |
Single-cell resolution spatial transcriptomic signature of the retrosplenial cortex during memory consolidation
2026-Apr, Molecular psychiatry
IF:9.6Q1
DOI:10.1038/s41380-025-03331-3
PMID:41188622
|
研究论文 | 本研究利用单细胞分辨率空间转录组学揭示了记忆巩固过程中压后皮质的转录组特征 | 首次在空间记忆巩固过程中识别压后皮质神经元亚型的转录组特征，并利用深度学习工具揭示学习后细胞类型特异性分子激活模式 | 研究主要基于小鼠模型，结果在人类中的适用性需进一步验证 | 探究压后皮质在空间记忆巩固过程中的分子机制 | 小鼠压后皮质神经元，特别是兴奋性神经元 | 空间转录组学 | 阿尔茨海默病及相关痴呆 | 单细胞分辨率空间转录组学，Xenium空间转录组学，化学遗传学方法 | 深度学习 | 空间转录组数据 | NA | NA | NA | NA | NA |