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 272 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2026-10-08 |
Uncertainty-Aware Multimodal Gait Representation Learning for Scoliosis Screening
2026-Oct-06, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2026.3740843
PMID:42837228
|
研究论文 | 本文提出了一种不确定性感知的多模态步态表示学习框架（UMGRL），用于从步态视频中进行脊柱侧弯筛查，解决了标签数据有限、模态缺失和细微异常等挑战 | 提出了教师-学生范式进行跨模态步态表示学习，利用解缠模块分离模态不变和模态特定特征，使用动态时间规整和Perceiver IO进行时序对齐和融合，并引入边界聚焦分支和证据深度学习实现不确定性感知预测 | 摘要中未明确说明研究的局限性 | 开发一个可扩展、无辐射的脊柱侧弯筛查方法，通过步态分析实现早期筛查 | 脊柱侧弯患者和正常人的步态视频数据 | 计算机视觉 | 脊柱侧弯 | 步态分析、多模态学习、动态时间规整、证据深度学习 | 教师-学生范式、Perceiver IO | 视频 | Scoliosis1K数据集（具体样本数未提供） | NA | Perceiver IO | NA | NA |
| 42 | 2026-10-08 |
Anomaly Detection and Generation with Diffusion Models: A Survey
2026-Oct-06, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3739960
PMID:42837241
|
综述 | 本文综述了基于扩散模型的异常检测与生成方法，涵盖图像、视频、时间序列、表格和多模态数据，并强调检测与生成之间的协同关系 | 不同于现有综述通常将异常检测与生成视为独立问题，本文突出了二者之间的内在协同关系，揭示了扩散模型能够形成增强循环：生成技术直接解决异常数据稀缺的核心挑战，而检测方法提供关键反馈以提升生成保真度和相关性 | 讨论了可扩展性和计算效率等关键挑战，但未提出具体的解决方案 | 全面综述基于扩散模型的异常检测与生成，提供理论基础的教程式分析和实际实现，并涵盖多种数据类型 | 图像、视频、时间序列、表格和多模态数据中的异常检测与生成方法 | 机器学习 | NA | 扩散模型 | 扩散模型 | 图像, 视频, 时间序列, 表格, 多模态 | NA | NA | NA | NA | NA |
| 43 | 2026-10-08 |
Spatial-Frequency Learning for Scanning Transmission Electron Microscopy Image Enhancement
2026-Oct-06, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3740932
PMID:42837243
|
研究论文 | 提出了一种空间-频率学习框架，用于扫描透射电子显微镜图像增强，通过融合空间域和频率域特征，结合噪声校准方法，提高了图像质量和原子定位精度 | 1. 设计了空间-频率融合网络，利用频率域中的周期性原子排列和空间域中的局部原子细节；2. 提出了STEM噪声校准方法，通过统计分析和拟合真实图像估计扫描噪声、点噪声和背景噪声参数；3. 构建了包含多种原子排列、成像模式和退化类型的多样化数据集，并使用随机掩码模拟材料界面 | 未明确提及 | 提高扫描透射电子显微镜图像的质量，特别是在严重退化条件下的增强性能，并改善原子定位精度 | 扫描透射电子显微镜图像，包括合成数据集和先进材料的真实图像 | 计算机视觉 | NA | 扫描透射电子显微镜 | NA | 图像 | 未明确提及具体数量，但包括合成数据集和真实图像 | NA | 空间-频率融合网络 | 增强性能，原子定位精度 | NA |
| 44 | 2026-10-08 |
Spatial Transcriptomics As Rasterized Image Tensors (STARIT) characterizes cell states with subcellular molecular heterogeneity
2026-Oct-06, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1014845
PMID:42837397
|
研究论文 | 本文提出 STARIT 方法，将基于成像的空间转录组数据中的转录本转换为图像张量，并结合深度学习视觉模型来识别细胞类型和状态。 | 将分段细胞内的转录本转化为栅格化图像张量表示，以保留亚细胞分子定位信息，从而捕捉传统基因计数矩阵忽略的亚细胞异质性。 | 摘要未提及具体局限性，可能包括对分割质量的依赖、图像化表示带来的计算开销、以及在不同 imSRT 平台上的泛化性仍需验证。 | 利用 imSRT 数据的分子分辨率信息，基于亚细胞转录本定位识别细胞状态，并提升细胞类型与状态表征能力。 | 基于成像的空间转录组数据中的分段细胞及其转录本定位信息，包括模拟数据和真实 imSRT 数据。 | 数字病理学 | NA | 基于成像的空间转录组学（imSRT） | CNN | 图像 | NA | NA | NA | NA | NA |
| 45 | 2026-10-08 |
A Contactless Approach for Accurate Sleep Stage Detection Using the Sleepal AI Lamp
2026-Oct-06, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/aeb104
PMID:42838096
|
研究论文 | 该研究验证了Sleepal AI Lamp非接触式雷达系统在睡眠分期检测中的准确性和临床可行性，通过1022名成人的同步PSG对比，证明该系统能有效评估睡眠架构。 | 首次在大规模、病理多样的队列中验证60 GHz FMCW雷达系统结合频率增强深度学习架构进行睡眠分期，实现了非接触式睡眠宏观结构评估。 | 未明确提及局限性 | 验证非接触雷达系统（Sleepal AI Lamp）评估睡眠架构和分期的准确性与临床可行性。 | 1022名成人，包括正常睡眠者和不同严重程度的阻塞性睡眠呼吸暂停患者。 | 数字病理学 | 睡眠障碍 | FMCW雷达、多导睡眠图（PSG） | 深度学习 | 雷达信号 | 1022名成人 | NA | 频率增强深度学习架构 | 准确率, Cohen's kappa, 灵敏度, 特异性, 宏平均F1分数, 平衡准确率/宏召回率 | NA |
| 46 | 2026-10-08 |
Pulmonary arterial volume and mortality in smokers without chronic obstructive pulmonary disease
2026-Oct-06, Respiratory medicine
IF:3.5Q2
DOI:10.1016/j.rmed.2026.109134
PMID:42838239
|
研究论文 | 本研究基于COPDGene队列和SUMMIT肺癌筛查试验，利用深度学习自动分割胸部CT测量肺外肺动脉体积，发现无COPD吸烟者中ePA体积增加与全因死亡率独立相关 | 首次在大规模队列中证明并验证了无COPD的当前和既往吸烟者中肺外肺动脉体积与全因死亡率的独立关联，并开发了简约的岭正则化多变量预测模型 | 研究为回顾性分析，ePA体积作为影像标志物需要前瞻性验证 | 探究无COPD的吸烟者中肺外肺动脉体积与全因死亡率之间的关联 | 无COPD的当前和既往吸烟者 | 数字病理学 | 肺癌 | 胸部CT | CNN | 图像 | COPDGene发现队列4719名无COPD参与者，SUMMIT验证队列3391名参与者 | NA | NA | C-index, 综合校准指数 | NA |
| 47 | 2026-10-08 |
Label-Free Microscopic Hyperspectral Imaging for Papillary Thyroid Carcinoma Photodiagnosis Using Patient-Level Spectral-Spatial Deep Learning
2026-Oct-06, Photodiagnosis and photodynamic therapy
IF:3.1Q2
DOI:10.1016/j.pdpdt.2026.105674
PMID:42838368
|
研究论文 | 该研究利用无标记显微高光谱成像技术，结合患者级光谱-空间深度学习框架ThyroHSI-MIL，对甲状腺乳头状癌与良性甲状腺病变进行鉴别诊断 | 开发了患者级双分支框架ThyroHSI-MIL，结合多尺度光谱编码、波长注意力、空间特征提取、门控光谱-空间融合和基于注意力的多实例聚合，实现了无标记高光谱成像在甲状腺病变中的首次应用 | 研究为回顾性设计，样本量有限，需外部和前瞻性验证才能临床部署 | 探索无标记显微高光谱成像结合深度学习在甲状腺乳头状癌光诊断中的价值 | 180例患者（72例甲状腺乳头状癌，54例桥本甲状腺炎，54例结节性甲状腺肿） | 数字病理学 | 甲状腺癌 | 显微高光谱成像 | 多实例学习 | 高光谱图像 | 180例患者（72例甲状腺乳头状癌，54例桥本甲状腺炎，54例结节性甲状腺肿） | NA | ThyroHSI-MIL（双分支框架） | AUC, 准确率, 灵敏度, 特异度, F1分数 | NA |
| 48 | 2026-10-08 |
Therapeutic peptide informatics in the artificial intelligence era: From curated resources to generative design
2026-Oct-06, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104826
PMID:42838384
|
综述 | 该综述系统调查了39个治疗性肽数据库和62个计算工具，涵盖活性预测、理化性质分析、结构建模和理性设计，并讨论了机器学习和深度学习加速数据驱动的肽药物发现以及标准化数据框架和集成评估平台的迫切需求 | 扩大了治疗性肽数据库和计算工具的范围，明确界定了范围，系统梳理了人工智能在治疗性肽发现中的应用，并强调了标准化数据框架和集成评估平台的需求 | 缺乏标准化数据框架和集成评估平台，计算预测与实验验证之间存在差距，未涉及具体的实验验证结果 | 综述人工智能时代治疗性肽信息学的发展，包括整理资源、计算工具和生成式设计，以加速肽药物发现 | 治疗性肽数据库和计算工具（39个数据库和62个工具），以及治疗性肽药物 | 机器学习 | NA | NA | NA | 文本 | 39个治疗性肽数据库和62个计算工具 | NA | NA | NA | NA |
| 49 | 2026-10-08 |
Decoding systemic vascular health and hypertensive disorders in pregnancy through retinal imaging and Visionary AI
2026-Oct-06, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-026-03303-0
PMID:42839051
|
研究论文 | 本文提出Visionary AI平台，整合视网膜成像与基于图的血管建模，在临床症状出现前预测妊娠期高血压疾病 | 开发了可解释的Visionary AI平台，将视网膜图像转换为微血管结构的拓扑和几何表示，基于生物学血管特征而非通用图像嵌入或临床变量进行风险预测 | 未明确提及 | 在临床症状出现前预测妊娠期高血压疾病，并实现生物学可解释的妊娠风险分层 | 妊娠期高血压疾病，包括子痫前期 | 数字病理学 | 妊娠期高血压疾病 | 视网膜成像，基于图的血管建模 | 基于图的模型 | 图像 | 1,267例妊娠的前瞻性开发队列，以及一个独立外部验证队列 | NA | 基于图的血管模型 | AUC, AP | NA |
| 50 | 2026-10-08 |
Comment on: "Multimodal deep learning prediction of treatment response to anti-vascular endothelial growth factor in diabetic macular oedema"
2026-Oct-06, Eye (London, England)
DOI:10.1038/s41433-026-04852-z
PMID:42839087
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 51 | 2026-10-08 |
Accurate and well-powered case-control analysis of spatial molecular data
2026-Oct-06, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-026-03236-1
PMID:42839109
|
研究论文 | 本文提出VIMA方法，结合变分自编码器与统计学元分析，从空间分子数据中灵活精确地识别疾病相关的空间微生态位。 | VIMA利用变分自编码器为每个组织斑块生成数值指纹，定义大量数据依赖的重叠微生态位，并进行元分析发现与疾病状态显著相关的微生态位，克服了传统方法将组织区域简化为离散细胞类型或生态位丰度的限制。 | 摘要中未明确提及局限性。 | 开发一种高精度、高功效的空间分子数据分析方法，以发现疾病相关的空间结构。 | 空间分子数据，涵盖三种疾病和三种空间模态。 | 数字病理学 | NA | 空间分子数据分析 | 变分自编码器 | 空间分子数据 | NA | NA | 变分自编码器 | 校准度、功效、空间准确性 | NA |
| 52 | 2026-10-08 |
Automated sperm tracking using deep learning for high-resolution analysis of motility
2026-Oct-05, Reproduction (Cambridge, England)
DOI:10.1093/reprod/xaag114
PMID:42704692
|
研究论文 | 本文提出了一种基于深度学习的开源模块化框架，用于跨物种精子细胞的自动检测与追踪，并实现单细胞水平的高分辨率运动分析 | 开发了开源、模块化的自动化精子检测与追踪框架，结合物种特异性Cellpose模型进行精子头部分割和Trackpy自动追踪，可从延时显微图像中重建单个精子轨迹，并在人类、小鼠、大鼠和牛四个物种中验证，检测F1分数达0.96至0.98 | 摘要中未明确提及研究局限性 | 开发一种透明、灵活的开源精子追踪流程，实现跨物种、单细胞水平的高分辨率精子运动分析，作为传统CASA的替代方案 | 人类、小鼠、大鼠和牛的精子细胞，人类精子在基础条件和促超活化条件下均进行了测试 | 计算机视觉 | NA | 延时显微成像、相差显微镜、深度学习图像分割 | CNN | 图像 | 四个物种（人类、小鼠、大鼠、牛）的精子样本，在独立验证数据集上进行评估 | NA | Cellpose | F1分数、曲线速度、直线速度、头部侧向位移振幅 | NA |
| 53 | 2026-10-08 |
Retraction notice to "A real-time system using deep learning to detect and track ureteral orifices during urinary endoscopy" [Computers in Biology and Medicine 128 (2021) 104104]
2026-10-05, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111968
PMID:42830244
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 54 | 2026-10-08 |
Retraction notice to "ViTU-net: A hybrid deep learning model with patch-based LSB approach for medical image watermarking and authentication using a hybrid metaheuristic algorithm" [Computers in Biology and Medicine 194 (2025) 110393]
2026-10-05, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111960
PMID:42833943
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 55 | 2026-10-08 |
Deep lensless imaging with non-iterative output-constraint satisfaction
2026-Oct-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.608276
PMID:42839418
|
研究论文 | 本文提出了一种输出约束模块（OCM），作为轻量级附加组件，可将任何深度学习重建模型的输出投影到测量一致子空间，无需迭代计算。 | OCM是一种轻量级附加组件，通过拉格朗日乘子解析推导出闭合形式表达式，仅需矩阵-向量乘积，无需迭代计算即可将输出投影到测量一致子空间。 | 数据驱动方法与测量一致方法在与配对透镜相机图像的相似性方面仍存在差距，这主要反映了数据驱动模型隐式学习的两个相机域之间的映射，而非场景信息的丢失。 | 解决深度学习在无透镜成像中输出不满足物理观测模型的问题，同时避免迭代计算，提高推理速度。 | 无透镜成像重建模型的输出。 | 计算机视觉 | NA | 无透镜成像 | 深度学习重建模型 | 图像 | NA | NA | NA | 数据一致性损失、重建质量、推理速度 | NA |
| 56 | 2026-10-08 |
ITO-based multi-band metasurface absorber for early detection of hepatic cancer through deep learning
2026-Oct-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.603660
PMID:42839429
|
研究论文 | 本研究提出了一种基于ITO的多波段超表面吸收器，结合深度学习分析框架，用于肝（肝脏）癌的高灵敏度检测 | 设计了一种包含石墨烯层的ITO基多波段超表面吸收器，实现了在0.594、0.988、1.196和1.518 THz处的高吸收率（95%、99%、96%、94%），并具有36 GHz/RIU的灵敏度、2045 RIU的品质因数和70的Q因子，同时结合深度学习框架进行肝癌组织分类 | 摘要中未明确提及研究的局限性 | 开发一种基于ITO的多波段超表面吸收器，结合深度学习，用于肝（肝脏）癌的早期检测和高精度诊断 | 肝（肝脏）癌生物标志物及癌变肝组织 | 生物医学成像、超材料、深度学习 | 肝癌 | 多波段超表面吸收器、石墨烯、电场分布分析、等效电路分析、深度学习 | 深度学习模型 | 电磁仿真数据、光学数据 | NA | NA | NA | 吸收率、灵敏度、品质因数 (FOM)、Q因子、训练准确率、验证准确率 | NA |
| 57 | 2026-10-08 |
TIENO: a neural operator for transport-of-intensity-equation-based quantitative phase imaging
2026-Oct-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.612314
PMID:42839448
|
研究论文 | 本文提出了一种基于神经算子的TIE定量相位成像方法TIENO，通过学习逆TIE算子实现从聚焦强度和轴向强度导数到相位分布的映射 | 首次将神经算子学习范式引入TIE定量相位成像领域，通过保持带限函数空间中的连续-离散等价性，结合带限频谱正则化和频域通道注意力机制，解决了现有方法难以直接刻画TIE连续逆算子以及跨分辨率推断中的离散化网格依赖和频谱混叠问题 | 主要在模拟数据集上进行数值评估，实验验证仅使用生物细胞数据，尚未在更广泛的临床样本或复杂成像条件下验证；未明确讨论计算资源需求和实时性 | 解决TIE定量相位成像中连续逆算子难以直接刻画的问题，实现高精度且分辨率灵活的相位恢复 | 模拟数据集和生物细胞数据 | 计算机视觉 | NA | TIE定量相位成像 | 神经算子 | 图像 | NA | NA | 编码器-解码器架构 | 相位恢复精度，跨分辨率推断稳定性 | NA |
| 58 | 2026-10-08 |
Spectral-augmented learning for viable bio-speckle reconstruction
2026-Oct-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.612049
PMID:42839447
|
研究论文 | 该论文构建了活体生物介质散斑数据集，并提出了空间-频率混合重建神经网络（SFHRnet）用于生物散斑重建。 | 构建并公开了活体生物介质散斑数据集；建模并验证了生物散斑的自相关约束和傅里叶幅度谱特性；提出了具有专用频域输入分支的双路径架构SFHRnet。 | 真实生物散斑数据量不足，且散斑存在非理想强度噪声，可能影响方法的泛化能力和实际应用。 | 解决生物散斑成像中真实数据不足和噪声问题，提升散斑相关成像在生物介质中的重建性能。 | 活体生物介质产生的散斑图像。 | 计算机视觉 | NA | 散斑相关成像（SCI） | CNN | 图像 | NA | NA | SFHRnet（空间-频率混合重建神经网络，双路径架构） | 重建精度 | NA |
| 59 | 2026-10-08 |
Deep-learning-based robust M2 factor estimation for multimode fibers from uncalibrated beam patterns
2026-Oct-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.613233
PMID:42839450
|
研究论文 | 本文提出了一种基于深度学习的MSCF-CBAM网络，用于从非校准多模光纤光束图案中稳健估计M2因子，并通过仿真和实验验证了其有效性。 | 提出了多尺度跨层特征融合网络结合卷积块注意力模块（MSCF-CBAM），能够从非校准的单帧光束图案中稳健估计M2因子，克服了现有方法对标准化成像条件的依赖。 | 未明确提及 limitations。 | 实现从非校准多模光纤光束图案中快速、稳健地估计M2因子，以用于在线监测和反馈控制。 | 多模光纤的光束图案。 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 仿真中涉及光束尺度和位置变化；实验中使用了6个随机选择的光束图案。 | NA | MSCF-CBAM, VGG-16, simple-CNN | 平均绝对误差, 平均相对预测误差 | NA |
| 60 | 2026-10-08 |
Deep learning-assisted recognition of space-time wave packets carrying orbital angular momentum in scattering media
2026-Oct-05, Optics express
IF:3.2Q2
DOI:10.1364/OE.610777
PMID:42839474
|
研究论文 | 本文研究了携带轨道角动量的时空波包在散射介质中的鲁棒性和分类性能，利用深度学习框架VortexNet对实验干涉图进行OAM态分类。 | 首次对比了传统LG-OAM光束与ST-OAM光束在散射介质中的鲁棒性，并提出了VortexNet深度学习框架用于OAM态分类，同时定量评估图像质量。 | 摘要中未明确提及研究局限性。 | 研究ST-OAM光束在散射介质中的鲁棒性及其对深度学习分类性能的提升，探索其在复杂动态环境中的光通信和成像应用潜力。 | 携带轨道角动量的LG-OAM光束和ST-OAM光束在散射介质中的干涉图。 | 计算机视觉, 光学 | NA | 深度学习辅助的光学图像分析 | CNN | 图像 | NA | NA | VortexNet | 准确率, PSNR, SSIM | NA |