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 43650 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-05-01 |
Extending Multiscale Characterization of Heart Rate Variability via Deep Learning for Mortality Risk Prediction
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3614714
PMID:41004366
|
研究论文 | 利用深度学习方法扩展心率变异性的多尺度特征，用于死亡风险预测 | 结合去趋势移动平均（DMA）分析与卷积神经网络（CNN），捕捉传统线性分析忽略的HRV非线性标度模式 | NA | 通过捕捉HRV非线性标度模式，改进基于心率变异信号的死亡风险预测 | 24小时Holter ECG记录的916名幸存者和70名非幸存者 | 机器学习 | 心血管疾病 | Holter ECG | CNN | 信号 | 986名患者的2小时窗口24小时Holter ECG记录（916名幸存者，70名非幸存者） | NA | NA | ROC-AUC, 调整风险比 | NA |
| 2 | 2026-05-01 |
Multilevel Correlation-Aware and Modal-Aware Graph Convolutional Network for Diagnosing Neurodevelopmental Disorders
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3617348
PMID:41037545
|
研究论文 | 提出了一种多层级相关感知和模态感知的图卷积网络（MCM-GCN），用于诊断神经发育障碍 | 通过设计个体层级的关联驱动特征生成模块捕获图间相关性，并在群体层级通过多模态解耦特征增强模块深度融合多模态和多图谱信息 | NA | 实现神经发育障碍的可靠诊断，提高诊断准确率并识别关键指标 | 自闭症谱系障碍（ASD）和注意力缺陷多动障碍（ADHD）患者 | 机器学习 | 神经发育障碍 | 静息态功能磁共振成像 | 图卷积网络 | 脑网络数据、表型数据 | 两个公开数据集 | PyTorch | MCM-GCN | 准确率 | NA |
| 3 | 2026-05-01 |
A Tutorial on MRI Reconstruction: From Modern Methods to Clinical Implications
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3617575
PMID:41042661
|
综述 | 本文是一篇关于MRI重建的教程，从现代方法到临床应用进行了全面概述 | 系统性地从经典方法到深度学习方法梳理了MRI重建技术进展，并附带Python工具箱 | 作为教程，未涉及所有最新方法的技术细节和横向比较 | 综述MRI重建技术发展及其临床转化应用 | MRI图像重建算法及相关临床数据集 | 机器学习 | NA | MRI重建 | NA | 图像 | NA | Python | NA | NA | NA |
| 4 | 2026-05-01 |
Deep Learning-Based Denoising for High-Resolution Carotid Vessel Wall MRI Using Standard Neurovascular Coils
2026-May, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70226
PMID:41420073
|
研究论文 | 开发基于深度学习的去噪方法，提升使用标准头颈临床线圈采集的高分辨率颈动脉血管壁MRI质量 | 首次利用残差UNet模型监督学习，将低信噪比的标准线圈图像映射为高信噪比的专用表面线圈参考图像，无需额外硬件即可实现高级颈动脉成像 | NA | 提高标准头颈线圈采集的颈动脉血管壁MRI的图像质量，使其媲美专用颈表面线圈 | 颈动脉血管壁MRI图像 | 数字病理学 | 颈动脉疾病 | MRI | 残差UNet | 图像 | 55次扫描（多中心研究） | NA | 残差UNet | PSNR, SSIM, SNR, CNR, ERD, Likert评分 | NA |
| 5 | 2026-05-01 |
Game Theory Meets Statistical Physics: A Novel Deep Neural Networks Design
2026-May, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2025.3649299
PMID:41525603
|
研究论文 | 提出一种融合博弈论与统计物理原理的新型深度神经网络设计方法，用于特征提取和模式分类 | 首次将博弈论中Shapley值与统计物理的玻尔兹曼能量模型结合，通过神经元贡献度评估实现网络正则化，并采用蒙特卡洛采样降低计算复杂度 | 未提及具体局限性信息 | 设计一种统一的学习框架，通过博弈论和统计物理的交叉方法提升深度神经网络性能 | 面部年龄估计和性别分类任务 | 机器学习 | NA | NA | 深度神经网络 | 图像 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数 | NA |
| 6 | 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 |
| 7 | 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 |
| 8 | 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 |
| 9 | 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 |
| 10 | 2026-05-01 |
Collaborative Coarse-to-Fine Disease Learning With Discharge Summary Awareness for EHR Event Prediction
2026-May, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3664408
PMID:41774654
|
研究论文 | 提出一种粗到细的疾病学习框架，结合出院小结辅助，用于电子健康记录事件预测 | 通过构建细粒度动态疾病图、整合ICD-9-CM层次结构中的粗/细粒度信息，并结合出院小结进行协同疾病学习 | 未明确提及局限性 | 提升电子健康记录事件预测的准确性，解决疾病动态关系建模、多角度诊断代码本体利用及非结构化出院小结整合问题 | 电子健康记录（EHR）中的疾病和出院小结 | 自然语言处理 | 通用疾病 | 电子健康记录（EHR）数据分析 | 门控循环单元（GRU） | 文本数据（EHR记录及出院小结） | 使用MIMIC-III和MIMIC-IV两个真实世界EHR数据集 | PyTorch | GRU, 位置注意, 软注意机制 | 准确性, AUC | NA |
| 11 | 2026-05-01 |
XNet: Enhancing Physical Activity Intensity Assessment With Attentional Multidomain Fusion and Visual Analytics
2026-May, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3666726
PMID:41774652
|
研究论文 | 提出XNet，一种用于身体活动强度分类和能量消耗估计的双域深度学习模型，通过注意力多域融合与视觉分析提升评估性能 | 创新性体现在分层多头架构与两级注意力特征融合模块，先聚合传感器特征再融合域嵌入，优于单阶段融合，并提供可解释的注意力权重揭示传感器和域的贡献 | NA | 提高身体活动强度监测的准确性、泛化能力和解释性，促进可穿戴设备上的实时健康监测 | 身体活动强度分类和能量消耗估计任务，涉及加速度计、心率、心电图等多传感器数据 | 机器学习 | NA | NA | 双域深度学习模型，包含1D卷积光谱编码器 | 多传感器时序数据（加速度计、心率、心电图） | 105名参与者的新数据集及多个公开数据集 | NA | XNet（分层多头架构），包含1D卷积光谱编码器、Transformer、图注意力网络变体，注意力特征融合模块 | F1分数、真阳性率、推理延迟 | NA |
| 12 | 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 |
| 13 | 2026-05-01 |
Minimum Clinically Achievable Dose for Detecting Liver Lesions Using Deep Learning Image Reconstruction: A Phantom and Patient Study
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.02.022
PMID:41781262
|
研究论文 | 通过体模和患者研究，探究深度学习图像重建在约4.5 mGy超低剂量下检测肝脏局灶性病变的性能，并与标准剂量下的自适应统计迭代重建-V进行对比 | 首次验证深度学习图像重建在4.5 mGy超低剂量下实现肝脏病灶检测，辐射剂量降低50%至70%，同时检测性能优于标准剂量迭代重建 | 单中心前瞻性研究，样本量较小（84名参与者），未涉及多中心验证；缺乏长期随访数据评估辐射剂量降低的临床影响 | 评估深度学习图像重建在超低剂量CT中检测肝脏病灶的可行性与准确性 | 肝脏局灶性病变（包括良性和恶性病变） | 计算机视觉 | 肝脏疾病 | CT成像 | 深度学习图像重建 | 图像 | 84名参与者（平均年龄64岁，48名男性），71个肝脏病灶（平均大小12.8 mm）；Gammex CT体模 | NA | 深度学习图像重建 | 图像噪声、信噪比、对比噪声比、噪声功率谱峰值、可检测性指数、检测率、灵敏度、特异度、图像质量评分 | NA |
| 14 | 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 |
| 15 | 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 |
| 16 | 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 |
| 17 | 2026-05-01 |
Quantification of Ki-67 labeling index in pediatric brain tumor immunohistochemistry images
2026-May-01, Journal of neuropathology and experimental neurology
IF:3.2Q2
DOI:10.1093/jnen/nlaf163
PMID:41806389
|
研究论文 | 提出一个自动化框架，用于在儿科脑肿瘤免疫组化全切片图像中量化Ki-67标记指数 | 结合Apache Groovy脚本和Python后处理脚本，利用StarDist深度学习模型进行细胞分割，实现Ki-67标记指数的自动化评分 | 未提及 | 开发一种自动化方法，用于Ki-67标记指数的量化评估，以减少手动评分的主观性 | 儿科脑肿瘤免疫组化全切片图像 | 数字病理学 | 儿科脑肿瘤 | 免疫组化 | 深度学习模型（StarDist） | 全切片图像 | 632例儿科脑肿瘤病例，共734张Ki-67全切片图像 | QuPath, Python | StarDist | 显著性相关（P < 0.05） | NA |
| 18 | 2026-05-01 |
Quantitative CT Measurements of Interstitial Lung Disease: Same-Day Variability Between Two Vendors-A Prospective Study
2026-Apr-29, AJR. American journal of roentgenology
DOI:10.2214/AJR.25.34057
PMID:41474222
|
研究论文 | 评估不同厂商CT设备在同一天内对间质性肺病纤维化程度的定量CT测量的一致性 | 首次前瞻性研究两个不同厂商CT扫描仪在同一天内对ILD纤维化评分的变异性，强调使用各自主要高频重建核时测量差异小 | 样本量较小（48人），且仅比较了两个厂商的设备，可能不适用于其他厂商或更多机型 | 评估不同厂商CT设备在同一天内对ILD患者纤维化程度的定量测量变异性 | 间质性肺病（ILD）患者 | 计算机视觉，医学影像分析 | 间质性肺病 | 定量CT（QCT） | 深度学习模型 | 图像（胸部CT扫描） | 48名参与者（43男，5女，平均年龄67.8岁） | NA | NA | Bland-Altman方法，一致性相关系数（CCC） | NA |
| 19 | 2026-05-01 |
Artificial-intelligence models vs. radiologists in the detection of clinically significant prostate cancer on mpMRI: a meta-analysis
2026-Mar-18, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12465-z
PMID:41844851
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 20 | 2026-05-01 |
Deep learning for dynamic tactical formation recognition in professional football
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41383-9
PMID:41844762
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |