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 1110 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 | 2026-06-23 |
Challenges and Barriers in Implementing AI for Clinical Applications in Anatomic Pathology
2026-May-01, Advances in anatomic pathology
IF:5.1Q1
DOI:10.1097/PAP.0000000000000537
PMID:42011912
|
综述 | 讨论在解剖病理学中实施人工智能用于临床应用的障碍与挑战 | 系统性地分析了从数字病理学到AI临床转化中的多维度障碍，并提出了可行的解决方案建议 | 未提供实证数据支持，主要依赖文献综述和观点总结 | 总结数字病理和AI在解剖病理学中的应用现状，分析临床实施障碍并提出开发策略 | 解剖病理学中AI系统的开发与临床应用 | 数字病理学 | NA | NA | NA | 图像 | NA | NA | NA | NA | NA |
| 442 | 2026-06-23 |
Physics-informed deep learning for rapid marine radionuclide dispersion forecasting in nuclear emergency response
2026-May, Journal of environmental radioactivity
IF:1.9Q3
DOI:10.1016/j.jenvrad.2026.108000
PMID:42013683
|
研究论文 | 开发了一种物理信息深度学习框架，用于核事故后的海洋放射性核素扩散快速预测 | 将优化的约瑟夫瞬时点源模型与去噪扩散概率模型耦合，利用DDPM学习物理模型的残差分布以重建高保真浓度场，实现快速且高精度的预测 | 未明确提及，可能依赖于特定事故场景的假设，且泛化至其他核素或复杂水文条件需进一步验证 | 提升核应急响应中海洋放射性核素扩散预测的速度和准确性，支持动态危险区划与决策 | 福岛第一核电站事故急性高浓度释放和塞拉菲尔德设施慢性低水平排放于爱尔兰海中的放射性核素扩散 | 机器学习和环境科学 | NA | NA | 物理信息深度学习（PIDL）框架、去噪扩散概率模型（DDPM） | 时间序列数据和空间浓度分布数据 | 两个代表性释放场景：福岛事故数据和塞拉菲尔德慢性排放数据，具体样本数未提及 | PyTorch | DDPM、优化约瑟夫瞬时点源模型 | 决定系数R、均方根误差（RMSE） | GPU（未具体说明型号，但运行在标准GPU上） |
| 443 | 2026-06-23 |
Correction to "Mitral regurgitation detection and central/eccentric classification using transformer-based deep learning in multi-view echocardiography"
2026-May, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70616
PMID:42135265
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 444 | 2026-06-22 |
A Deep Learning Approach to Automatically Classify Ice Hockey Shooting Actions Using Acceleration Signals
2026-May-26, Sensors (Basel, Switzerland)
DOI:10.3390/s26113361
PMID:42280881
|
研究论文 | 使用可穿戴传感器和深度学习模型自动分类冰球射门动作 | 探索了使用最少传感器配置（仅手部传感器）实现高精度动作分类的可行性，为实际应用中的传感器集成手套提供了支持 | 未提及模型在不同冰球水平运动员或比赛环境中的泛化能力，也未讨论实时处理的延迟问题 | 评估深度学习模型对冰球常见击球动作（传球、射门）的分类能力 | 43名精英冰球运动员的7种技术动作（腕射、拍击射、反手射、一击射、传球、其他、休息） | 机器学习 | NA | 惯性测量单元传感器 | 卷积神经网络 | 加速度信号 | 43名精英冰球运动员的7种动作数据 | NA | 全连接卷积神经网络 | F1分数 | NA |
| 445 | 2026-06-22 |
Identification of Hepatic Fibrosis and Steatosis via A Point-of-Care Transient Elastography System With Integrated AI
2026-May, Liver international : official journal of the International Association for the Study of the Liver
IF:6.0Q1
DOI:10.1111/liv.70634
PMID:41947638
|
研究论文 | 报道了一种集成人工智能的即时弹性成像系统，用于同时评估肝纤维化和脂肪变性，并与传统瞬态弹性成像进行对比验证 | 首次将实时B型超声图像引导、人工智能辅助（深度学习分析）与即时弹性成像技术相结合，提出新型多域衰减参数用于脂肪定量，并证明少于4次测量即可维持诊断性能 | 主要验证队列样本量相对较小（138例），且未对不同病因慢性肝病（如NAFLD、病毒性肝炎等）进行亚组分析 | 验证新型AI-POC-TE系统在诊断慢性肝病患者肝纤维化和脂肪变性中的准确性，并探索最少测量次数 | 慢性肝病患者（肝脏活检验证队列138例，大队列1455例） | 机器学习, 计算机视觉 | 肝纤维化, 脂肪肝（肝脏疾病） | 瞬时弹性成像, B型超声成像, 深度学习 | 深度学习模型 | 图像（超声弹性图）、临床数值参数 | 肝脏活检验证队列138例，大队列1455例 | NA | NA | AUROC, Youden指数, 相关系数（r） | NA |
| 446 | 2026-06-22 |
Predicting Visual Outcomes in Congenital Posterior Lens Opacities: A Deep Learning Model Using Ultra-Widefield Fundus Images
2026-May, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2026.101122
PMID:41953141
|
研究论文 | 开发并验证一种基于超广角眼底图像的深度学习模型，用于自动分割先天性后发性晶状体混浊的投影阴影，并预测儿童视觉预后 | 首次利用超广角眼底图像中的晶状体混浊投影阴影（LOPS）与视盘比值（SODR）作为新型预测指标，通过深度学习模型准确分割并预测先天性后发性晶状体混浊儿童的视觉预后 | 单中心、小样本研究，且未涉及其他类型白内障或更大人群的验证 | 评估深度学习模型在超广角眼底图像上自动分割LOPS并预测先天性后发性晶状体混浊儿童视觉预后的有效性 | 先天性后发性晶状体混浊患儿及其超广角眼底图像 | 计算机视觉, 数字病理学 | 先天性后发性晶状体混浊 | NA | U-Net | 图像 | 55名先天性后发性晶状体混浊患儿的60只眼，共454张超广角眼底图像 | NA | U-Net | 敏感性, 特异性, Dice系数, 受试者工作特征曲线 | NA |
| 447 | 2026-05-27 |
Correction to "Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data"
2026-May-26, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c05436
PMID:42113025
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 448 | 2026-06-21 |
Performance and Utility of the Sybil Deep Learning Model for Lung Cancer Risk Prediction in Asian High- and Low-Risk Populations
2026-May-14, Chest
IF:9.5Q1
DOI:10.1016/j.chest.2026.05.002
PMID:42140481
|
研究论文 | 评估深度学习模型Sybil在亚洲高风险和低风险人群中预测肺癌风险的表现和实用性 | 首次在亚洲人群（包含大量从不吸烟者）中验证Sybil模型的性能，展示其在不同风险谱系中的稳健性 | 短期表现在存在肉芽肿性后遗症、亚实性结节或基线未检测到结节的患者中下降；研究为单中心回顾性分析，需进一步验证 | 评估Sybil深度学习模型在亚洲肺癌筛查队列中的性能和实用性 | 21,087名50-80岁接受LDCT筛查的亚洲个体（包括大量从不吸烟者） | 计算机视觉 | 肺癌 | 低剂量胸部CT（LDCT） | 深度学习模型 | 图像（CT影像） | 21,087名参与者（包括4,611名≥20包年吸烟史、5,378名<20或未知包年吸烟史、11,098名从未吸烟者） | 未明确提及 | Sybil（具体架构未明确说明） | AUROC（曲线下面积） | 未明确提及 |
| 449 | 2026-06-19 |
DeepPTMPred: a multi-modal deep learning framework for accurate prediction of protein post-translational modification sites
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag321
PMID:42308422
|
研究论文 | 提出一个多模态深度学习框架DeepPTMPred，用于准确预测蛋白质翻译后修饰位点 | 通过多模态整合和AlphaFold预测，结合增强型CNN-Transformer架构，能够预测17种翻译后修饰类型，并有效捕捉序列局部依赖、结构特征和进化模式中的复杂空间关系与全局上下文依赖 | 未明确说明局限性 | 开发一个高效准确的模型，用于预测蛋白质翻译后修饰位点，以加深对翻译后修饰的理解并推动功能注释研究 | 蛋白质翻译后修饰位点，包括羟化、丙二酰化、O-连接糖基化和磷酸化等17种类型 | 机器学习 | NA | AlphaFold | CNN-Transformer | 序列数据、结构特征、进化模式 | NA | NA | 增强型CNN-Transformer | AUC | NA |
| 450 | 2026-06-19 |
MAPLE: interpretable deep learning identifies selective antimicrobial peptides using joint evolutionary-physicochemical analysis
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag318
PMID:42308420
|
研究论文 | 提出可解释深度学习框架MAPLE，通过联合进化-理化分析识别选择性抗菌肽 | 提出双流框架结合蛋白质语言模型嵌入与理化描述符，实现14类活性类别系统功能谱分析，并揭示效力-溶血耦合具有基序区依赖性 | 主要受限于二元注释不完整和结构整合不足 | 开发可解释性深度学习模型，识别兼具抗菌效力和低哺乳动物毒性的选择性抗菌肽 | 抗菌肽序列及其多类别活性功能谱 | 机器学习 | NA | 蛋白质语言模型、k-mer富集分析 | 双流深度学习框架 | 肽序列 | 基准数据集和序列无重叠独立验证集 | PyTorch | 蛋白质语言模型、双流网络 | 准确率、精确率、召回率、F1分数、AUC | NA |
| 451 | 2026-06-19 |
Extending Tanner's framework: the digital clinical judgment model for nursing education
2026-May-02, BMC nursing
IF:3.1Q1
DOI:10.1186/s12912-026-04703-y
PMID:42069542
|
研究论文 | 提出数字临床判断模型（DCJM），以支持护理教育中临床判断的教学与学习 | 将Tanner的临床判断模型与社会文化学习、脚手架和深度学习理论相结合，提出一个支持数字和混合学习环境中临床判断教学的教学设计模型 | 需要进一步的实证研究来确定其在实践中的有用性及其对学生学习和教育设计的影响 | 开发一个教学模型以支持数字护理教育中临床判断的教学与学习 | 护理教育中的临床判断数字学习环境设计 | 自然语言处理 | NA | NA | 概念模型 | NA | NA | NA | 数字临床判断模型（DCJM） | NA | NA |
| 452 | 2026-06-19 |
Quantification, radiomics and artificial intelligence in infection imaging: Current status and future directions in nuclear medicine
2026-May, Seminars in nuclear medicine
IF:4.6Q1
DOI:10.1053/j.semnuclmed.2026.02.002
PMID:41826111
|
综述 | 探讨定量成像、影像组学和人工智能在核医学感染成像中的当前应用与未来方向 | 首次将定量成像、影像组学与人工智能整合为“计算组学”概念，提出从定性模式识别转向客观、可重复、数据驱动的感染表征新范式 | 定量精度与影像组学稳定性高度依赖采集、重建和处理参数；AI图像增强可能改变体素统计量，影响定量指标和纹理特征；特征定义、分割方法和分析管线的差异限制可重复性 | 总结定量成像、影像组学和人工智能在核医学感染成像中的现状，并提出未来发展方向 | 核医学感染成像中的定量指标、影像组学特征和AI模型 | 计算机视觉, 机器学习 | 感染性疾病 | 核医学成像（PET/SPECT） | 机器学习, 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 453 | 2026-06-19 |
Deep learning for H&E-based meningioma molecular classification and outcome prediction: a retrospective cohort study
2026-May, The Lancet. Digital health
DOI:10.1016/j.landig.2026.100986
PMID:42248714
|
研究论文 | 基于深度学习从H&E染色切片进行脑膜瘤分子分型及预后预测的回顾性队列研究 | 首次应用深度学习模型仅通过H&E染色即可识别单个脑肿瘤实体（脑膜瘤）的分子亚型并预测预后，无需资源密集的基因组分析 | NA | 评估深度学习能否从H&E染色切片稳健地识别脑膜瘤分子亚型、预测复发风险及染色体拷贝数变异 | 脑膜瘤患者的H&E染色组织切片和配对DNA甲基化数据 | 数字病理学 | 脑膜瘤 | DNA甲基化测序 | 深度学习模型 | 图像 | 训练集：美国国家癌症研究所439例及加拿大大学健康网络166例；测试集：美国梅奥诊所67例WHO 2级脑膜瘤 | NA | NA | AUC, 平衡准确率 | NA |
| 454 | 2026-06-19 |
Detection of young-onset type 2 diabetes using deep learning across primary and secondary care: a nationwide, retrospective cohort study
2026-May, The Lancet. Digital health
DOI:10.1016/j.landig.2025.100968
PMID:42025543
|
研究论文 | 利用深度学习模型，基于丹麦全国初级和二级医疗数据，预测年轻发病2型糖尿病的风险 | 首次结合初级和二级医疗数据开发深度学习模型用于年轻发病2型糖尿病的早期预测，并在全国范围内进行验证 | 研究基于丹麦医疗登记数据，可能无法推广到其他医疗体系或种族群体；预测模型依赖历史医疗记录，未纳入生活方式和遗传因素 | 提高年轻发病2型糖尿病的检测率，减少长期的医疗负担 | 丹麦全国医疗登记数据中的患者健康轨迹，包括医院诊断、初级医疗处方和健康服务事件 | 机器学习 | 2型糖尿病 | NA | 深度学习模型（具体未说明） | 文本（医疗记录数据） | 3,435,638名个体，其中16,828人发展为年轻发病2型糖尿病 | NA | NA | 相对风险、检测阳性预测值（5%阈值） | NA |
| 455 | 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 |
| 456 | 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 |
| 457 | 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 |
| 458 | 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 |
| 459 | 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 |
| 460 | 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） |