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 1013 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2026-06-19 |
Noninvasive Risk Stratification Based on Renal Tubular Injury Phenotypes: A Deep Learning Study for Predicting Vesicoureteral Reflux in Children
2026-05, Journal of cellular and molecular medicine
IF:4.3Q2
DOI:10.1111/jcmm.71172
PMID:42108518
|
研究论文 | 开发基于肾小管损伤表型的深度学习模型MedSwinNet，用于无创预测儿童膀胱输尿管反流风险分层 | 首次利用99mTc-DMSA肾静态显像的管状功能障碍表型特征，结合Swin Transformer骨干网络、多尺度表征融合、卷积块注意力模块和门控选择策略构建深度学习模型，实现VUR风险的无创量化与分层 | 研究为单中心回顾性设计，样本量有限（346例），且模型性能依赖DMSA图像质量，可能存在数据集偏移；模型对轻微VUR分级的区分能力未充分验证 | 开发基于DMSA显像的深度学习模型，为非侵入性识别需要VCUG检查的VUR高危患儿提供量化决策支持，减少不必要侵入性操作 | 346例发热性尿路感染儿童（2019年1月至2023年1月温医大附二院收治）的99mTc-DMSA肾静态显像数据 | 计算机视觉 | 膀胱输尿管反流 | 99mTc-DMSA肾静态显像 | 深度学习模型 | 医学图像 | 346例儿童 | PyTorch | Swin Transformer, 卷积块注意力模块(CBAM) | 准确率 | NA |
| 222 | 2026-06-19 |
Standardizing attenuation across tube voltages and vertebral levels for opportunistic osteoporosis screening on low-dose chest CT
2026-May, Radiology advances
DOI:10.1093/radadv/umag026
PMID:42311861
|
研究论文 | 提出在低剂量胸部CT上跨管电压与椎体水平的标准化衰减方法，用于机会性骨质疏松筛查 | 首次利用对数线性混合效应模型实现椎体CT值在不同管电压和椎体水平的群体级标准化，为机会性CT筛查提供一致性参考 | 未明确说明 | 在低剂量胸部CT上为机会性骨质疏松筛查建立跨管电压与椎体水平的椎体衰减标准化方法 | 589名患者的低剂量胸部CT图像及椎体衰减测量数据 | 计算机视觉 | 骨质疏松 | 低剂量胸部CT、双能X线吸收测定法 | 对数线性混合效应模型 | 图像 | 589名患者（女性336名，平均年龄65.9±12.4岁） | NA | 对数线性混合效应模型 | Pearson相关系数、平均偏差、95%一致性界限 | NA |
| 223 | 2026-06-19 |
Editorial | Artificial Intelligence-Augmented Breast Ultrasound: Advancing Diagnostic Precision and Equity in Cancer Care in Kuwait
2026-May, The Gulf journal of oncology
PMID:42312825
|
评论 | 评估人工智能增强型乳腺超声在提升科威特癌症诊断精准度和公平性中的应用潜力 | 首次系统探讨人工智能增强超声技术在科威特乳腺癌诊断中提升敏感性、降低假阳性率及减少观察者间差异的潜力，并解决区域结构性医疗不公问题 | 未提供具体实验数据或实证结果，仅限于文献综述和理论评估 | 评估人工智能辅助乳腺超声在科威特提高乳腺癌早期诊断精准度、标准化及公平性的潜力，并提出整合建议 | 科威特乳腺癌患者及其诊断流程 | 计算机视觉 | 乳腺癌 | NA | 深度学习 | 图像 | NA | NA | NA | 敏感性、假阳性率、观察者间变异性 | NA |
| 224 | 2026-06-18 |
Predicting pulmonary nodule growth from a single time point: a fusion model of radiomics and deep learning to optimize follow-up strategies
2026-May-31, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2026-1-0298
PMID:42306661
|
研究论文 | 结合影像组学和深度学习特征，从单次CT时间点预测肺结节生长，优化随访策略 | 创新性地融合影像组学特征与Swin Transformer深度特征，利用基线CT数据预测结节增长状态，无需对比随访图像 | NA | 开发一种非侵入性方法，分析基线与随访CT之间肺结节生长进展，准确区分生长状态以优化临床随访策略 | 肺结节患者 | 计算机视觉 | 肺癌 | CT影像 | 逻辑回归、随机森林 | 图像 | 1387个肺结节（内部训练1109个，内部测试278个） | NA | Swin Transformer | AUC、敏感性、特异性 | NA |
| 225 | 2026-06-18 |
Deep learning based automated detection and grading of oral epithelial dysplasia: A comparative histopathological image analysis
2026-May-21, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2026.106771
PMID:42167476
|
研究论文 | 开发和比较多种深度学习架构用于口腔上皮异型增生的自动检测与分级 | 系统比较了九种深度学习架构（包括Transformer和卷积模型）在口腔上皮异型增生分级中的性能，发现DenseNet-121表现最优 | 未提及具体局限性 | 开发并评估用于口腔上皮异型增生自动检测和分级的深度学习模型 | 口腔上皮异型增生组织病理图像 | 数字病理学 | 口腔癌前病变 | H&E染色 | 深度学习 | 图像 | 2080张数字化H&E染色的组织病理图像 | NA | Vision Transformer, VGG16, YOLOv11, ResNet-50, YOLOv8, MobileNet-v3, Inception-v3, EfficientNet-B0, DenseNet-121 | 准确率, 精确率, 召回率, F1分数 | NA |
| 226 | 2026-06-18 |
Adaptive Deep Learning for High-Fidelity Quantitative Single-Molecule Imaging
2026-05-19, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00376
PMID:42083266
|
研究论文 | 提出一种自适应深度学习框架，通过原位构建训练数据集和自反馈算法，在多种成像条件下保持绝对分子强度，实现高保真定量单分子成像 | 首次提出自适应深度学习框架，结合原位训练数据集构建和自反馈算法，确保荧光成像中的绝对分子强度保真度，并在多种荧光标记和实验条件下展现出优越的鲁棒性 | 未提及具体局限性信息 | 开发一种自适应且强度保持的深度学习框架，用于高精度定量生物成像，以准确量化活细胞中的分子动态 | 活细胞中的受体信号分子，包括有机染料、量子点、荧光蛋白以及程序性死亡配体1（PD-L1） | 机器学习 | 肿瘤学（通过PD-L1研究间接关联） | 单分子荧光成像 | 深度学习框架（自适应深度学习模型） | 图像 | NA（未明确提及样本数量） | NA（未明确提及所用算法框架） | NA（未明确提及模型具体架构） | 信噪比、定位精度 | NA（未提及计算资源） |
| 227 | 2026-06-18 |
A Triple-Perception Adaptive Network for In Vivo Organ Recognition Using Diffuse Reflectance Hyperspectral Imaging
2026-05-19, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00546
PMID:42087583
|
研究论文 | 提出一种三重感知自适应网络，用于通过漫反射高光谱成像进行体内器官识别 | TriAd网络通过三个互补分支（图卷积网络、2D卷积神经网络和离散小波变换）分别提取全局光谱-结构依赖、局部空间-光谱特征和多尺度光谱成分，并利用最大均值差异减少跨领域差异 | 未提及 | 开发一种自适应网络，用于校正实验条件与发育阶段引起的个体间光谱变异，实现斑马鱼体内器官识别 | 斑马鱼体内12个器官 | 计算机视觉 | 不适用 | 近红外漫反射高光谱成像 | 图卷积网络、2D卷积神经网络、离散小波变换 | 光谱图像 | 包含两个发育阶段斑马鱼12个器官的高光谱数据集 | PyTorch（推测） | 图卷积网络、2D卷积神经网络、离散小波变换 | 分类性能（未具体说明指标） | 未提及 |
| 228 | 2026-06-18 |
Deep Learning Optimisation Strategies for Uveal Melanoma Detection Using Ultra-Widefield Photography
2026-May-11, Research square
DOI:10.21203/rs.3.rs-9441188/v1
PMID:42183368
|
研究论文 | 评估数据为中心的深度学习优化策略，用于使用超广角眼底摄影检测葡萄膜黑色素瘤 | 系统评估了三种数据优化策略（类别添加、数据集增强和增强特征选择）对深度学习模型在葡萄膜黑色素瘤检测中的影响，并提出了三项关键原则：健康类别添加可改善特异性和解剖特征学习、数据质量可能优于数量、上下文输入调整是关键模型参数 | 研究为回顾性设计，数据集来自单一中心，样本量有限（784名患者，864张图像），多策略模型未显示叠加效益 | 评估数据为中心的优化策略对深度学习分类葡萄膜黑色素瘤的性能提升效果 | 葡萄膜黑色素瘤和脉络膜痣的眼底图像 | 计算机视觉, 数字病理学 | 葡萄膜黑色素瘤, 脉络膜痣 | 超广角眼底摄影 | 卷积神经网络 | 图像 | 784名患者，864张超广角眼底照片 | NA | NA | AUC, F1分数, 精确度, 召回率, 预期校准误差 | NA |
| 229 | 2026-06-18 |
Non-invasive profiling of the tumour microenvironment with spatial ecotypes
2026-May-06, Nature
IF:50.5Q1
DOI:10.1038/s41586-026-10452-4
PMID:42092150
|
研究论文 | 提出一种机器学习框架，通过对肿瘤微环境的多分析物分析，识别出保守的空间生态型，并利用深度学习方法从血浆游离DNA中重建这些生态型 | 首次提出“空间生态型”概念，整合超过1000万个单细胞和空间转录组数据，发现九种保守的EC；证明空间生态型可通过DNA甲基化谱区分，并能利用深度学习从血浆cfDNA中恢复，为液体活检提供新方法 | 分析主要基于已有公开数据集，样本量和肿瘤类型可能有限；cfDNA检测的临床验证规模较小（约100例黑色素瘤患者），需更大队列验证 | 开发一种非侵入性方法，通过分析肿瘤微环境的细胞状态和多细胞生态系统，改善癌症风险分层和免疫治疗个性化 | 多种人类癌症（包括黑色素瘤）的肿瘤微环境中的细胞状态和多细胞生态系统 | 机器学习 | 黑色素瘤 | 空间转录组学, 单细胞转录组学, DNA甲基化测序, 血浆游离DNA测序 | 深度学习模型 | 基因表达数据, 甲基化数据, 图像数据 | 超过1000万个单细胞和点水平空间转录组数据，约100例黑色素瘤患者的cfDNA样本 | NA | NA | NA | NA |
| 230 | 2026-06-18 |
Automated Detection of Cervical Spinal Cord Compression on MRI Using YOLO11 Deep Learning Architecture: A Two-Center External Validation Study
2026-May-01, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005639
PMID:41631492
|
研究论文 | 开发并验证基于YOLO11架构的深度学习模型，用于在MRI上自动检测颈椎脊髓压迫 | 首次使用YOLO11架构进行颈椎脊髓压迫的自动检测，并进行了双中心外部验证，同时采用梯度加权类激活映射增强模型可解释性 | 未提及具体局限性 | 开发并验证用于MRI上自动检测颈椎脊髓压迫的深度学习模型 | 颈椎MRI图像中的脊髓压迫状态 | 计算机视觉 | 颈椎退行性疾病 | MRI | YOLO11 | 图像 | 735名患者的1431张矢状T2加权颈椎MRI图像 | PyTorch | YOLO11 | mAP50, 精确率, 召回率 | NA |
| 231 | 2026-06-18 |
Artificial Intelligence as the Ultimate Operative Assistant
2026-May, Clinics in colon and rectal surgery
IF:1.2Q3
DOI:10.1055/a-2769-1318
PMID:41948160
|
综述 | 概述人工智能在手术各阶段（术前、术中、机器人手术）的应用现状、技术基础及面临挑战 | 系统梳理了AI在手术全流程（术前规划、术中决策支持、自主机器人手术）的潜在应用，并聚焦数据治理、算法透明性及伦理等关键障碍 | 未提供实证结果或定量分析，且明确指出AI自主手术仍存在诸多未解决的哲学与伦理问题 | 探讨人工智能作为手术辅助工具的应用前景与实施瓶颈 | 现代人工智能技术在手术领域的前沿应用 | 机器学习, 计算机视觉, 自然语言处理 | NA | NA | 深度学习, 生成模型 | 文本, 图像, 视频 | NA | NA | NA | NA | NA |
| 232 | 2026-06-18 |
AI Clinical Decision Tools in Multidisciplinary Team Discussions for Colorectal Cancer
2026-May, Clinics in colon and rectal surgery
IF:1.2Q3
DOI:10.1055/a-2769-1363
PMID:41948157
|
综述 | 探讨人工智能在结直肠癌多学科团队讨论中的临床应用工具 | 系统梳理了人工智能（特别是机器学习、影像组学和大语言模型）在结直肠癌多学科团队中的整合潜力，重点关注临床决策支持 | 在复杂病例中处理能力有限，可解释性差，缺乏监管框架，伦理挑战未解决，尚未整合到常规多学科团队工作流程中 | 概述人工智能在结直肠癌多学科团队中整合的现有证据，强调临床潜力和实施障碍 | 结直肠癌多学科团队讨论中的人工智能决策工具 | 机器学习 | 结直肠癌 | NA | 机器学习、深度学习、大语言模型 | 影像、内镜、文本 | NA | NA | NA | 准确性、预测性能 | NA |
| 233 | 2026-06-18 |
Artificial Intelligence for the Treatment and Management of Colorectal Liver Metastases
2026-May, Clinics in colon and rectal surgery
IF:1.2Q3
DOI:10.1055/a-2769-1413
PMID:41948161
|
综述 | 总结人工智能在结直肠癌肝转移治疗与管理中的应用现状及未来前景 | 系统性地梳理了AI在CRLM诊疗全流程（诊断、治疗反应预测、手术规划、术中导航、术后监测）中的应用，并强调了多模态数据整合与个性化治疗潜力 | 多数研究为回顾性，外部验证不足，模型决策可解释性有限 | 探讨人工智能改善结直肠癌肝转移治疗流程和结果的潜力 | 结直肠癌肝转移患者 | 机器学习 | 结直肠癌肝转移 | NA | NA | 影像、基因组、病理、临床数据 | NA | NA | NA | NA | NA |
| 234 | 2026-06-18 |
The Role of Perioperative Artificial Intelligence in Colon and Rectal Surgery
2026-May, Clinics in colon and rectal surgery
IF:1.2Q3
DOI:10.1055/a-2769-1052
PMID:41948166
|
综述 | 本文探讨了围手术期人工智能在结肠和直肠手术中的应用，涵盖术前规划、术中引导及术后优化 | 系统性地总结了AI在结直肠手术围手术期的创新应用，包括计算机视觉、放射组学、多组学数据整合、深度学习识别关键解剖结构以及视觉-语言模型等新兴技术 | 研究仍处于早期阶段，尚未准备好用于广泛的临床实施 | 探索围手术期人工智能工具在结直肠手术中的应用潜力，以增强决策并标准化手术护理 | 结肠和直肠手术的围手术期流程，包括术前预测、术中引导和术后结果优化 | 计算机视觉, 自然语言处理, 机器学习 | 结直肠癌, 炎症性肠病 | 放射组学, 深度测序, 多组学 | 机器学习模型, 深度学习, 视觉-语言模型, 手术基础模型 | 影像数据, 分子数据, 多组学数据 | NA | NA | NA | NA | NA |
| 235 | 2026-06-18 |
Methodological considerations for evaluating deep learning segmentation models in digital pathology whole-slide images
2026-May, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.3.037501
PMID:42305726
|
研究论文 | 评估深度学习分割模型在数字病理全玻片图像中的性能，并探讨方法学问题 | 引入基于不同分析单位（像素、感兴趣区域、全玻片）的性能聚合方法和自助法估计幻灯片级别性能方差 | 未提及具体模型架构或计算资源细节 | 评估深度学习分割模型在乳腺癌全玻片图像数据集上的性能，并探究评估中的方法学问题 | 乳腺癌全玻片图像数据集（来自肿瘤浸润淋巴细胞挑战赛） | 数字病理 | 乳腺癌 | NA | 深度学习 | 图像（全玻片图像） | 乳腺癌全玻片图像数据集（具体数量未提及） | NA | NA | 性能估计（均值）、不确定性（方差） | NA |
| 236 | 2026-06-18 |
Additional Dose Reduction Potential of Vendor-Agnostic Deep Learning Model: A Phantom Study
2026-May, Journal of the Korean Society of Radiology
DOI:10.3348/jksr.2025.0047
PMID:42306167
|
研究论文 | 使用体模实验评估一个厂商无关的深度学习模型应用于不同CT厂商迭代重建方法时的额外剂量降低潜力 | 首次评估了厂商无关的深度学习模型（ClariCT.AI）对不同CT厂商迭代重建方法的额外剂量降低潜力 | 未提及具体局限性 | 评估厂商无关的深度学习模型对CT图像额外剂量降低的潜力 | 多尺寸图像质量体模（Mercury v4.0）的图像 | 计算机视觉, 医学影像 | NA | CT成像 | 深度学习模型（DLM, ClariCT.AI） | CT图像 | 使用两台不同厂商的CT扫描仪，在六个剂量水平（参考剂量的6%, 12%, 25%, 50%, 100%, 200%）下获取图像 | NA | NA | 可探测指数（d'）, 对比度噪声比（CNR） | NA |
| 237 | 2026-06-18 |
Artificial intelligence in dentistry: Training and testing a caries detection model with intraoral scans
2026-May, Journal of conservative dentistry and endodontics
DOI:10.4103/JCDE.JCDE_1025_25
PMID:42306595
|
研究论文 | 开发和评估基于YOLOv5的深度学习模型，用于从口内扫描中检测咬合面龋齿 | 首次将YOLOv5模型应用于口内扫描图像的龋齿检测，并通过针对性预处理模块（单通道、混合通道、Ohta变换）提升模型可靠性 | 未提及样本分布均衡性及外部验证泛化能力 | 开发并验证基于深度学习模型的口内扫描龋齿检测方法 | 117名患者的330颗龋齿（中等和广泛病变） | 计算机视觉 | 龋齿 | 口内扫描 | YOLOv5 | 图像 | 117名患者，330颗龋齿 | YOLOv5 | YOLOv5（变体） | 精确率、召回率、F1分数、平均精确率、Cohen's kappa、McNemar检验 | NA |
| 238 | 2026-06-16 |
PI-RADS v2.1 for prostate MRI: current applications, ongoing debates, and synergies with advanced technologies-a narrative review
2026-May-30, Translational andrology and urology
IF:1.9Q3
DOI:10.21037/tau-2026-0193
PMID:42293821
|
综述 | 回顾PI-RADS v2.1在前列腺MRI中的当前应用、诊断表现、局限性以及与生物标志物、AI等新技术的协同作用 | 系统总结了PI-RADS v2.1与先进技术（如深度学习、放射组学、酰胺质子转移加权成像等）的协同潜力 | 仍存在读者间差异性和患者准备指导不明的问题，且缺乏对不同临床环境中整合方法的前瞻性验证 | 总结PI-RADS v2.1的应用现状并探索其与先进技术的协同作用以推动精准诊断 | PI-RADS v2.1版本及相关诊断方法 | 自然语言处理 | 前列腺癌 | mpMRI, bpMRI, AI, 深度学习, 放射组学, 酰胺质子转移加权成像, 限制谱成像, 磁共振弹性成像 | 深度学习, CNN | 图像 | NA | NA | NA | 诊断准确性 | NA |
| 239 | 2026-06-16 |
Evolutionary transfer learning enables organism-wide inference of mammalian enhancer landscapes
2026-May-27, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.07.717039
PMID:41993329
|
研究论文 | 通过进化迁移学习，结合单细胞染色质可及性图谱和深度学习模型，实现对哺乳动物增强子景观的全基因组推断 | 提出‘进化转移学习’方法，利用物种间增强子进化速率差异，引入跨物种增强子同源信息（241个哺乳动物基因组），显著提升模型在不同物种间的泛化能力 | 进化感知模型（STEAM）仍面临标签噪声放大问题，且对串联重复序列和启动子-远端增强子语法混淆的改进有限 | 使用单细胞数据和深度学习技术，在全基因组尺度上预测哺乳动物发育过程中的细胞类型特异性远端增强子 | 人类、小鼠及其他239种哺乳动物的发育胚胎细胞，涵盖36个细胞类别和140个细胞类型 | 机器学习, 数字病理学 | NA | 单细胞染色质可及性测序（组合索引法）、全基因组增强子预测 | 多输出深度学习模型（CREsted、STEAM） | 染色质可及性数据、序列数据、进化同源注释数据 | 3.9 million 个细胞（来自36个阶段小鼠胚胎） | TensorFlow, PyTorch, Keras | ResNet, Transformer, U-Net | AUC, 精确率, 召回率, F1分数 | NVIDIA RTX 3090 GPU, 云计算平台（AWS） |
| 240 | 2026-06-16 |
DiagPat: An Explainable Language Detection Model Using EEG Signals
2026-May-26, Sensors (Basel, Switzerland)
DOI:10.3390/s26113363
PMID:42280883
|
研究论文 | 提出了一种基于EEG信号的可解释语言检测模型DiagPat，用于区分阿拉伯语和土耳其语的不同任务模式 | 提出了基于对角线模式分析的过渡表特征提取方法，结合迭代邻域成分分析和可解释性符号语言，实现了轻量级且高准确率的脑电语言检测 | 留一法交叉验证的准确率较低（29.75%-83.50%），表明模型在主体间泛化能力有限 | 开发一种准确、轻量且可解释的脑电信号语言检测框架 | 346名参与者的脑电信号（98名阿拉伯语、248名土耳其语），包含阅读和听力两种模式 | 机器学习 | NA | 脑电图（EEG） | 特征工程模型（DiagPat） | 脑电信号（14通道×15秒，128Hz） | 346名参与者，6364个脑电片段 | NA | DiagPat、k近邻（tkNN） | 准确率、平衡准确率、宏F1分数 | NA |