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 981 - 1000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2026-05-01 |
Non-invasive Prediction of CYP11B2-Defined Subtypes in Primary Aldosteronism Using 18F-Pentixafor PET/CT and Machine Learning
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.026
PMID:41530023
|
研究论文 | 开发并验证结合临床数据、影像组学和深度学习特征的可解释机器学习模型，用于无创预测原发性醛固酮增多症的病理亚型 | 首次将18F-Pentixafor PET/CT影像的影像组学和深度学习特征与临床数据整合，通过可解释机器学习模型（SHAP分析）实现原发性醛固酮增多症亚型的无创预测，并揭示与CXCR4和CYP11B2表达的生物学关联 | 单中心回顾性研究、样本量有限（89例）、方法未在其他中心验证、模型计算资源未详细说明 | 开发无创预测原发性醛固酮增多症病理亚型（基于CYP11B2免疫组化定义）的可解释机器学习模型，以减少对侵入性肾上腺静脉采样的依赖 | 89例诊断为原发性醛固酮增多症或无功能性肾上腺腺瘤的患者，接受18F-Pentixafor PET/CT检查 | 机器学习 | 原发性醛固酮增多症 | PET/CT | 支持向量机 | 临床数据、PET/CT图像 | 89例患者 | NA | 支持向量机 | AUC、敏感性、F1分数 | NA |
| 982 | 2026-01-18 |
Less Noise, More Confidence: Deep Learning Denoising Algorithm for Coronary Stenosis Assessment in pre-TAVI CT Imaging
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.052
PMID:41545257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 983 | 2026-01-18 |
Comment on "Deep Learning Denoising Algorithm for Improved Assessment of Coronary Arteries in Transcatheter Aortic Valve Implantation CT Imaging"
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.053
PMID:41545256
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 984 | 2026-05-01 |
Automated Gross Tumor Volume (GTV) Contouring in High-Grade Gliomas Using a Deep Learning Approach
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.046
PMID:41545259
|
研究论文 | 提出一种基于深度学习的方法，用于高级别胶质瘤（HGG）中肿瘤大体体积（GTV）的自动勾画 | 利用修改后的3D U-Net架构，在BraTS 2018-2019挑战赛的469个样本上训练，基于多序列MRI增强特征学习，并遵循ESTRO和EANO指南定义GTV | 未提及具体的局限性 | 开发一种自动勾画HGG中GTV的深度学习框架，以提高放射治疗规划的精度和效率 | 高级别胶质瘤（HGG）患者 | 计算机视觉 | 高级别胶质瘤 | MRI（多序列磁共振成像） | 3D U-Net | 图像 | 469个样本（来自BraTS 2018-2019挑战赛） | NA | 修改后的3D U-Net | Dice相似系数（DSC），95百分位Hausdorff距离（HD95） | NA |
| 985 | 2026-05-01 |
Prediction of Neoadjuvant Chemotherapy Efficacy for Locally Advanced Nasopharyngeal Carcinoma Using MRI-Based Deep Learning Features Combined with Vision Transformer
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.02.003
PMID:41775615
|
研究论文 | 利用MRI深度学习特征结合Vision Transformer预测局部晚期鼻咽癌新辅助化疗疗效 | 首次将多序列MRI深度学习特征与Vision Transformer结合用于预测局部晚期鼻咽癌新辅助化疗疗效 | 单中心回顾性研究，样本量有限，未进行外部验证 | 评估多序列MRI深度学习特征结合Vision Transformer在预测局部晚期鼻咽癌新辅助化疗疗效中的价值 | 接受标准新辅助化疗的局部晚期鼻咽癌患者 | 计算机视觉, 数字病理学 | 鼻咽癌 | MRI | 深度学习模型 | 图像 | 266例局部晚期鼻咽癌患者 | PyTorch | ResNet50, DenseNet121, Vision Transformer (ViT) | AUC, 准确率, F1分数 | NA |
| 986 | 2026-05-01 |
Physics-Guided Self-Supervised Implicit Neural Representation for Accelerated $\text{T}_{1\rho }$ Mapping
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3618476
PMID:41052172
|
研究论文 | 提出一种基于物理引导的自监督隐式神经表示方法，用于加速T1ρ定量成像，实现从高度欠采样k空间数据重建T1ρ加权图像并生成T1ρ图 | 首次将自监督隐式神经表示与T1ρ映射物理模型相结合，仅利用时空坐标作为输入，无需全采样训练数据集，并引入信号松弛先验和k-t空间数据自一致性两个显式先验 | 未在文中明确提及局限性 | 实现高度欠采样k空间数据的T1ρ定量成像加速，提高成像速度同时保持图像质量 | T1ρ加权图像和T1ρ参数图 | 机器学习 | NA | 磁共振定量成像, T1ρ映射 | 隐式神经表示 | 磁共振k空间数据 | 使用回顾性和前瞻性欠采样k空间数据进行验证 | NA | NA | 伪影抑制水平, 误差最低 | NA |
| 987 | 2026-05-01 |
Self-Supervised Denoising With Noise Propagation Model: Improving Material Decomposition in Photon-Counting CT
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3620135
PMID:41071699
|
研究论文 | 结合基于物理的噪声分析与深度学习，控制光子计数CT材料分解过程中的噪声 | 提出噪声传播模型将泊松分布探测器噪声与材料特定噪声模式连接，结合自监督训练方法，无需高质量数据即可从有限训练数据学习 | NA | 改善光子计数CT材料分解中的噪声和伪影问题 | 光子计数CT成像中的材料分解过程 | 计算机视觉 | NA | 光子计数CT | 神经网络 | 图像 | 真实患者扫描数据 | PyTorch | 神经网络 | 材料准确性、虚拟单色图像清洁度 | NA |
| 988 | 2026-05-01 |
SemSTNet: Medical EEG Semantic Metric Learning With Class Prototypes Generated by Pretrained Language Model
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3620754
PMID:41082414
|
研究论文 | 提出了一种名为SemSTNet的新型轻量级框架，用于脑电图分析，通过语义度量学习捕获类别间关系并提升分类性能 | 首次将预训练语言模型生成的类原型应用于脑电图语义度量学习，设计轻量级解耦时空特征的卷积架构，模型参数仅23K | 未提及具体局限性 | 解决现有脑电图深度学习模型忽视语义关系且模型复杂度过高的问题 | 脑电图信号 | 机器学习 | 癫痫, 睡眠障碍 | 脑电图 | 卷积神经网络 | 信号 | NA | NA | SemSTNet | 准确率 | NA |
| 989 | 2026-04-29 |
AI-Powered Image-Based Assessment of Pressure Injuries Using You Only Look Once Version 8 (YOLOv8) Models
2026-May, Advances in wound care
IF:5.8Q1
DOI:10.1089/wound.2024.0245
PMID:40081991
|
研究论文 | 本研究利用YOLOv8深度学习模型对压力性损伤进行图像检测与分期 | 通过对比YOLOv8的多种变体和优化器，发现YOLOv8s结合AdamW优化器在压力性损伤分期中性能最优，尤其在2期等困难阶段检测效果显著提升 | 基于仿真数据集的评估可能无法完全反映真实临床场景的复杂性 | 提高压力性损伤检测与分期的准确性和鲁棒性，为临床决策提供可靠工具 | 压力性损伤的高质量公开图像数据集 | 计算机视觉 | 压力性损伤（褥疮） | NA | YOLOv8变体（YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x） | 图像 | 公开数据集，具体样本量未说明 | PyTorch | YOLOv8s | 平均精确率（mAP@0.5）、召回率、准确率 | NA |
| 990 | 2026-04-29 |
Synthetic computed tomography from magnetic resonance imaging: An editorial on deep learning approaches for hip and knee image translation
2026-May, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA
DOI:10.1002/ksa.70229
PMID:41368970
|
评论 | 一篇关于从磁共振成像生成合成计算机断层扫描的评论文章，重点关注髋关节和膝关节的深度学习图像翻译方法 | 系统概述了深度学习在髋关节和膝关节MRI到CT翻译中的应用前景，包括条件生成对抗网络和扩散模型等代表性方法 | 未提供具体实验验证，缺乏对合成CT临床可靠性和可重复性的定量评估 | 引导临床医生、工程师和研究者关注深度学习MRI到CT翻译的关键前景与开放问题 | 髋关节和膝关节的MRI到CT图像翻译方法 | 计算机视觉 | NA | MRI, CT | 生成对抗网络, 扩散模型 | 图像 | NA | NA | 条件生成对抗网络, 扩散模型 | NA | NA |
| 991 | 2026-04-27 |
Assumption-Agnostic Deep Learning Framework for Holistic Clinical Trial Monitoring
2026-May, Therapeutic innovation & regulatory science
IF:2.0Q3
DOI:10.1007/s43441-026-00915-1
PMID:41703352
|
研究论文 | 提出一种无需假设的深度学习框架，用于全面监测临床试验中的异常，特别是质量容忍限度偏差 | 采用层次化、非参数的多维偏差评分方案结合长短期记忆自编码器，无需参数假设或先验知识，可处理异构和纵向数据 | 未明确提及，但可能依赖于模拟数据评估，真实世界验证有限 | 实现临床试验中异常（包括QTL偏差）的持续集中检测，提高安全性和运营效率 | 临床试验中的数值变量、层次结构（项目、研究、中心和受试者）文本数据的数值表示 | 机器学习 | NA | NA | 长短期记忆自编码器 | 数值数据、文本数据的数值表示 | 基于真实世界试验结构和异常模式的模拟数据，以及一项案例研究 | NA | LSTM自编码器 | 异常信号区分度、不必要的随访减少、计算可扩展性 | NA |
| 992 | 2026-04-24 |
Automated Classification of Cervical Spinal Stenosis Using Deep Learning on Computed Tomography Scans
2026-May-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005414
PMID:40458958
|
研究论文 | 基于深度学习的CT图像自动分类颈椎管狭窄症 | 首次利用CT图像结合深度学习模型实现颈椎管狭窄症的自动化诊断，并与不同经验医生的诊断结果进行比较，验证了模型在资源受限环境下的替代潜力 | 未提及具体局限性，但可能包括样本量、数据偏倚或多中心验证不足 | 开发并验证基于CT的深度学习模型用于诊断颈椎管狭窄症 | 颈椎管狭窄症患者的CT图像 | 计算机视觉 | 颈椎管狭窄症 | CT成像 | Faster R-CNN和卷积神经网络 | 图像 | 未明确，但提及CT图像按8:1:1比例划分为训练集、验证集和测试集 | NA | Faster R-CNN, EfficientNet-b0, DenseNet-121, ResNet-101, EfficientNet-26d | 准确率、F1分数、Cohen κ系数 | NA |
| 993 | 2026-04-24 |
Dual-model deep learning for Alzheimer's prognostication
2026-May-15, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111672
PMID:41962454
|
研究论文 | 提出PROGRESS双模型深度学习框架，利用单次脑脊液生物标志物评估为阿尔茨海默病提供个性化预后估计，无需纵向临床观察 | 首次将单个基线CSF生物标志物转化为具有校准不确定性边界的预后估计，同时整合概率轨迹网络和深度生存模型，解决首次就诊时的治疗决策需求 | NA | 开发一种无需纵向临床观察即可在首次就诊时提供阿尔茨海默病预后估计的深度学习框架 | 阿尔茨海默病患者的脑脊液生物标志物数据，用于预测认知衰退参数和从轻度认知障碍到痴呆的转化时间 | 机器学习 | 阿尔茨海默病 | CSF生物标志物检测 | 深度学习模型（概率轨迹网络和深度生存模型） | 表格数据（CSF生物标志物测量值） | 超过3000名参与者，来自43个阿尔茨海默病研究中心 | NA | 概率轨迹网络，深度生存模型 | 校准不确定性边界覆盖率，生存预测性能（与Cox比例风险、随机生存森林、梯度提升等方法比较），风险分层转换率差异 | NA |
| 994 | 2026-04-24 |
SCAR-Net-assisted ultrasound diagnosis of postoperative scars and recurrent lesions in breast cancer
2026-May-15, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115550
PMID:42023157
|
研究论文 | 介绍SCAR-Net深度学习模型，用于超声区分乳腺癌术后疤痕组织和复发病灶 | 提出结合疤痕-复发特征增强器和边界敏感注意力网络的SCAR-Net模型，显著提升了影像科医生的诊断性能 | NA | 利用深度学习模型提高乳腺癌术后疤痕与复发病灶的超声鉴别准确性 | 乳腺癌术后患者的疤痕组织和复发病灶 | 医学影像分析 | 乳腺癌 | 超声成像 | 深度学习 | 超声图像 | 来自四家医院的5710名患者的34376张超声图像 | NA | SCAR-Net | AUC、灵敏度、特异度、Dice系数 | NA |
| 995 | 2026-04-24 |
Development and validation of a multimodal deep learning model for early esophageal squamous neoplasia detection and invasion depth prediction
2026-May, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2780-0974
PMID:41468904
|
研究论文 | 开发并验证一种用于早期食管鳞状细胞癌检测和浸润深度预测的多模态深度学习模型 | 提出特征级融合的多模态算法MUMA-EDx，结合放大内镜和超声内镜成像，显著优于单模态模型，并在浸润深度分类中达到专家水平 | 模型在浸润深度分类的前瞻性测试中AUC有所下降（0.80 vs 0.95），可能受限于样本多样性和外部验证条件 | 提高早期食管鳞状细胞癌的诊断准确性和浸润深度评估能力 | 食管鳞状细胞癌患者的放大内镜和超声内镜图像 | 计算机视觉 | 食管癌 | 放大内镜、超声内镜 | 深度学习 | 图像 | 回顾性数据集358例患者（18420张图像），前瞻性数据集122例患者（8711张图像） | PyTorch | TResNet_m | 受试者工作特征曲线下面积、准确率、灵敏度、特异度、阳性预测值、阴性预测值 | NA |
| 996 | 2026-04-24 |
Artificial intelligence for diagnosis and triage in oral cancer: a clinician‑centered narrative review
2026-May, International journal of clinical oncology
IF:2.4Q3
DOI:10.1007/s10147-026-03002-5
PMID:41817640
|
综述 | 本叙述性综述聚焦人工智能在口腔癌诊断与分诊中的临床应用，涵盖临床影像、放射学、光学成像和数字病理等多模态技术 | 以临床医生为中心视角，系统整合口腔鳞状细胞癌诊疗全流程（病灶分诊、淋巴结转移预测、切缘评估、病理诊断）的AI应用，强调前瞻性设计、外部验证和临床可解释性 | 依赖PubMed收录的英文文献，可能遗漏非索引来源的重要研究；多数研究缺乏严格的前瞻性验证；性能在分布外图像和真实伪影下仍会下降 | 评估AI技术在口腔癌早期诊断、分诊及临床决策支持中的现状与实施挑战 | 口腔鳞状细胞癌及口腔潜在恶性病变 | 数字病理 | 口腔癌 | NA | 深度学习, 放射组学 | 临床照片, CT影像, MRI影像, PET影像, 高光谱空间频域成像, OCT图像, 全切片病理图像 | NA | NA | NA | 诊断准确率, 泛化性能 | NA |
| 997 | 2026-03-15 |
Correction: Development and validation of a multimodal deep learning model for early esophageal squamous neoplasia detection and invasion depth prediction
2026-May, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2832-9144
PMID:41825460
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 998 | 2026-04-24 |
An integrated microfluidic system for automatic and self-validated analysis of cervical extracellular vesicle markers PD-L1 and ERBB3
2026-May, Analytical sciences : the international journal of the Japan Society for Analytical Chemistry
IF:1.8Q3
DOI:10.1007/s44211-026-00871-8
PMID:41838284
|
研究论文 | 提出一种集成微流控系统，用于自动且自我验证地分析宫颈细胞外囊泡标志物PD-L1和ERBB3 | 集成了基于深度学习的YOLOv8自我验证检测策略，实现了芯片上同时处理测试样本和阳性样本的平行分析，显著提高了检测可靠性，且检测限达15.56颗粒/微升 | 未明确提及 | 开发一种快速、精准的非侵入性液体活检方法，用于妇科恶性肿瘤的早期诊断 | 宫颈癌相关的细胞外囊泡标志物PD-L1和ERBB3 | 数字病理学 | 宫颈癌 | 微流控芯片、细胞外囊泡分离 | CNN | 图像 | 四种细胞系（SiHa, C33A, HeLa, H8） | NA | YOLOv8 | 检测限 | NA |
| 999 | 2026-03-28 |
Assessment of a Deep Learning Model Trained on Permanent Pathology for the Classification of Squamous Cell Carcinoma in Mohs Frozen Sections: Lessons Learned
2026-May-01, Dermatologic surgery : official publication for American Society for Dermatologic Surgery [et al.]
IF:2.5Q1
DOI:10.1097/DSS.0000000000005096
PMID:41886676
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1000 | 2026-04-24 |
Early Detection of Gallbladder and Biliary Malignancy
2026-May, Radiologic clinics of North America
IF:2.1Q2
DOI:10.1016/j.rcl.2026.01.004
PMID:42020074
|
综述 | 本文强调了风险分层和多模态成像在胆囊癌和胆管癌早期识别中的重要性，并探讨了人工智能和深度学习模型在提高诊断准确性方面的潜力 | 整合人工智能与深度学习模型以增强诊断准确性，并提出多学科协作的早期检测策略 | 未提供具体实验结果或模型验证，仅概述了潜在方向 | 探讨胆囊和胆道恶性肿瘤早期检测的策略与技术进展 | 胆囊癌与胆管癌的早期检测方法 | 医学影像 | 胆囊癌, 胆管癌 | 多模态成像 | 深度学习 | NA | NA | NA | NA | NA | NA |