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 36734 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 | 2025-12-19 |
SynSeg: A synthetic data-driven approach for robust subcellular structure segmentation
2026-Mar-02, The Journal of cell biology
IF:7.4Q1
DOI:10.1083/jcb.202506096
PMID:41410685
|
研究论文 | 本文提出了一种名为SynSeg的合成数据驱动方法，用于鲁棒地分割亚细胞结构，无需人工标注 | 开发了基于合成训练数据的U-Net模型分割流程，通过生成具有多样强度、形态和信号分布的合成数据集来替代耗时且可能存在偏差的人工标注 | 未明确说明合成数据与真实数据之间的域适应挑战或模型在未见过的细胞类型上的泛化能力限制 | 开发一种无需人工标注的鲁棒亚细胞结构分割方法，以促进定量细胞生物学研究 | 细胞和活体秀丽隐杆线虫中的囊泡、细胞骨架细丝以及疾病相关的微管形态 | 数字病理学 | 神经退行性疾病 | 合成数据生成 | CNN | 图像 | NA | NA | U-Net | NA | NA |
| 2 | 2025-12-19 |
Assessment of a Deep Learning Model Trained on Permanent Pathology for the Classification of Squamous Cell Carcinoma in Mohs Frozen Sections: Lessons Learned
2026-Jan-01, Dermatologic surgery : official publication for American Society for Dermatologic Surgery [et al.]
IF:2.5Q1
DOI:10.1097/DSS.0000000000004758
PMID:40631753
|
研究论文 | 本文评估了一个基于永久病理切片训练的深度学习模型在Mohs手术冰冻切片中对鳞状细胞癌的分类性能，并分析了其局限性 | 首次将基于永久病理训练的模型应用于Mohs手术冰冻切片分类，并通过定性分析模型弱点来指导再训练和微调 | 模型在冰冻切片中肿瘤区域稀少时表现不准确，可能错误关注正常组织或非肿瘤结构（如炎症、肌肉、神经），且冰冻切片中的深层解剖结构可能导致模型分布外数据问题 | 评估基于永久病理训练的深度学习模型在Mohs手术冰冻切片中分类鳞状细胞癌的适用性，并识别模型短板以优化临床效用 | 皮肤活检切片（永久病理）和Mohs手术冰冻切片 | 数字病理 | 鳞状细胞癌 | H&E染色 | 深度学习模型 | 图像 | 训练集：746张皮肤活检切片；测试集：15张Mohs手术冰冻切片 | NA | NA | AUC-ROC | NA |
| 3 | 2025-12-19 |
Emerging Role of MRI-Based Artificial Intelligence in Individualized Treatment Strategies for Hepatocellular Carcinoma: A Narrative Review
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70048
PMID:40682357
|
综述 | 本文是一篇叙述性综述，探讨了基于MRI的人工智能在肝细胞癌个体化治疗策略中的新兴作用 | 聚焦于AI在MRI影像中用于指导HCC个体化治疗策略的应用，特别是治疗前预测治疗反应和预后的AI工具 | 模型泛化性、可解释性及临床整合方面仍存在挑战，需要标准化的影像数据集和多组学融合 | 探讨人工智能在肝细胞癌个体化治疗策略中的应用，以支持精准临床决策 | 肝细胞癌患者 | 数字病理学 | 肝细胞癌 | 磁共振成像 | NA | 影像 | NA | NA | NA | NA | NA |
| 4 | 2025-12-19 |
Improving genomic selection accuracy using a dual-path convolutional neural network framework: a terpenoid case study
2026-Jan, The New phytologist
DOI:10.1111/nph.70727
PMID:41229065
|
研究论文 | 本研究通过整合全基因组重测序数据和代谢物定量分析，开发了一种基于双路径卷积神经网络的基因组选择模型，用于提高山鸡椒中萜类化合物合成的预测精度 | 提出了PKDP深度学习模型，该模型通过并行路径分别提取GWAS识别位点和全基因组标记的特征，并将先验知识与广泛基因组信息融合，从而显著提升基因组选择的预测能力 | NA | 揭示山鸡椒萜类生物合成的遗传基础，并开发基于深度学习的基因组选择策略以促进高效的遗传改良 | 山鸡椒（Litsea cubeba）的945个种质资源及其中的310个样本的萜类化合物 | 机器学习 | NA | 全基因组重测序, GC-MS定量分析 | CNN | 基因组数据, 代谢物定量数据 | 945个种质资源进行全基因组重测序，310个样本进行GC-MS萜类定量 | NA | 双路径卷积神经网络（PKDP） | 预测能力提升百分比（与传统rrBLUP相比） | NA |
| 5 | 2025-12-19 |
Artificial intelligence in sport psychology: Implications for the identification and development of talent
2026-Jan, Psychology of sport and exercise
IF:3.1Q1
DOI:10.1016/j.psychsport.2025.102977
PMID:41326137
|
综述 | 本文探讨了人工智能（特别是机器学习）在运动心理学领域，尤其是在人才识别与发展方面的应用、挑战与未来方向 | 系统性地将人工智能范式引入运动心理学领域，并特别强调了解决数据挑战、促进人机交互以及整合心理建构的未来方向 | 面临数据可用性、质量、所有权和标注困难等重大障碍，纵向研究存在数据缺失和数据集不平衡问题，可能导致模型存在偏见和泛化能力差，心理和主观因素（如教练判断、运动员态度）在现有技术中代表性不足 | 探讨人工智能在运动心理学，特别是人才识别与发展领域的应用、挑战与未来发展方向 | 运动心理学领域，特别是运动员人才识别与发展过程 | 机器学习 | NA | 机器学习，深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 6 | 2025-12-19 |
USING ARTIFICIAL INTELLIGENCE TO ASSESS MACULAR EDEMA TREATMENTS IN RETINITIS PIGMENTOSA
2026-Jan-01, Retina (Philadelphia, Pa.)
DOI:10.1097/IAE.0000000000004636
PMID:40743462
|
研究论文 | 本研究验证了一种基于深度学习的AI工具，用于量化视网膜色素变性中黄斑水肿的视网膜内液体积，并通过纵向分析提供了治疗疗效和疾病自然史的新见解 | 开发并验证了一种深度学习工具，用于快速准确地量化视网膜色素变性相关黄斑水肿的视网膜内液体积，为治疗评估提供了新方法 | 研究为回顾性设计，样本量相对较小（44名患者），且随访时间有限（平均2.3年） | 验证AI工具在量化视网膜色素变性黄斑水肿中的应用，并评估不同治疗方法的疗效 | 视网膜色素变性伴黄斑水肿的患者 | 数字病理学 | 视网膜色素变性 | 光谱域光学相干断层扫描 | 深度学习 | 图像 | 44名患者，共66只眼（52只治疗组，14只未治疗组），490对图像用于验证 | NA | NA | Dice系数 | NA |
| 7 | 2025-12-19 |
Performance of Artificial Intelligence in Skin Cancer Detection: An Umbrella Review of Systematic Reviews and Meta-Analyses
2026-Jan, International journal of dermatology
IF:3.5Q1
DOI:10.1111/ijd.17981
PMID:40745683
|
综述 | 本文通过伞状综述综合评估了人工智能模型在皮肤癌检测中的诊断性能 | 首次通过伞状综述整合多项系统综述和荟萃分析，全面比较了不同AI模型（如CNN、SVM）在多种皮肤癌类型和临床场景下的诊断准确性，并特别评估了AI辅助工具对初级保健医生与专科医生诊断能力的差异化提升效果 | 纳入的荟萃分析存在异质性（如研究设计、数据来源、评估标准不同），可能影响结果的可比性；未对原始研究的偏倚风险进行统一评估；缺乏对AI模型在真实世界临床环境中长期表现的前瞻性数据 | 综合评估人工智能在皮肤癌检测中的诊断准确性，为临床整合提供证据支持 | 皮肤癌（包括黑色素瘤、鳞状细胞癌等）的检测与诊断 | 数字病理学 | 皮肤癌 | 人工智能辅助诊断 | CNN, SVM | 图像 | 11项荟萃分析，涵盖551项研究 | NA | 卷积神经网络，支持向量机 | 灵敏度，特异性，准确度 | NA |
| 8 | 2025-12-19 |
Validation of fibroblast activation protein and α-smooth muscle actin as prognostic biomarkers in prostate cancer through AI-assisted image analysis of dual-marker IHC
2026-Jan, The journal of pathology. Clinical research
DOI:10.1002/2056-4538.70068
PMID:41410015
|
研究论文 | 本研究通过AI辅助图像分析验证了成纤维细胞激活蛋白和α-平滑肌肌动蛋白作为前列腺癌预后生物标志物的价值 | 开发了一种针对双标记免疫组化的新型AI增强图像分析流程，实现了生物标志物表达的自动化、组织区室特异性量化 | 研究主要基于组织微阵列样本，可能无法完全代表整个肿瘤异质性；部分预后关联仅在特定分析（如MRI可见肿瘤）中观察到 | 验证成纤维细胞激活蛋白和α-平滑肌肌动蛋白作为前列腺癌预后生物标志物，以支持临床治疗决策 | 前列腺癌患者组织样本 | 数字病理学 | 前列腺癌 | 双标记免疫组化 | 深度学习模型 | 高分辨率全切片图像 | 来自835名患者的4,097个组织微阵列核心 | NA | NA | 准确性 | NA |
| 9 | 2025-12-19 |
Association Between Choroid Plexus Morphological Alterations, Alzheimer Pathologies, and Cognitive Impairment: A Longitudinal Study
2025-Dec-23, Neurology
IF:7.7Q1
DOI:10.1212/WNL.0000000000213953
PMID:41284956
|
研究论文 | 本研究利用深度学习分割方法，探讨了阿尔茨海默病相关脉络丛形态学改变与认知功能下降之间的纵向关联 | 开发了基于深度学习的脉络丛分割方法，并首次系统分析了高阶形态学特征在阿尔茨海默病病理与认知衰退之间的中介作用 | 研究为回顾性设计，且脉络丛形态学特征背后的病理学基础尚需通过影像-组织病理学对比研究进一步阐明 | 探究阿尔茨海默病相关脉络丛形态学特征及其与认知功能下降的关联 | 阿尔茨海默病神经影像学倡议项目中无痴呆的参与者 | 数字病理学 | 阿尔茨海默病 | 3D T1 MRI, 3D FLAIR MRI, β-淀粉样蛋白PET, tau蛋白PET | 深度学习 | 医学影像 | 564名无痴呆参与者（平均年龄72.4岁，54.1%女性），其中339名Aβ-，225名Aβ+ | NA | NA | p值, 假发现率校正, 标准化β系数, 95%置信区间 | NA |
| 10 | 2025-12-19 |
Toward neuroimaging-based diagnostic support: a deep learning approach with a closed-loop system for psychiatric classification
2025-Dec-19, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.114100
PMID:41399512
|
研究论文 | 本研究开发了一种基于深度学习的补丁层次网络（PHN），用于从结构MRI中分类多种精神疾病，并部署了一个闭环诊断支持系统 | 提出了PHN深度学习框架，并首次实现了一个闭环神经影像诊断支持系统，将其整合到临床工作流程中 | 未明确说明模型在更广泛或不同人群中的泛化能力限制，以及临床部署的具体挑战 | 利用人工智能提供客观支持，缩小精神疾病诊断的研究与实践差距 | 四种主要精神疾病患者及对照组的神经影像数据 | 医学影像分析 | 精神疾病 | 结构MRI | 深度学习 | 图像 | 训练集2,490例，独立研究数据集1,346例，真实世界临床数据344例 | NA | 补丁层次网络（PHN） | NA | NA |
| 11 | 2025-12-19 |
Frog vocal sacs-inspired soft acoustic system with continuously tunable resonance for sound emission and stethoscopic sensing
2025-Dec-19, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adz5930
PMID:41406220
|
研究论文 | 本文提出了一种受青蛙鸣囊启发的可调谐共振软声学系统，用于声音发射和听诊传感 | 设计了一种基于激光诱导石墨烯和可变形腔体的共振可调谐石墨烯声音设备，实现了从922.12到1762.90赫兹的连续调谐，并集成了深度学习算法用于心音分类 | 未明确说明设备在极端环境下的稳定性或长期穿戴的舒适性 | 克服柔性热声设备在低频发射和传感方面的限制，开发智能可穿戴听诊系统 | 青蛙鸣囊启发的软声学系统，包括健康志愿者和患者的心音数据 | 机器学习 | 心血管疾病 | 激光诱导石墨烯技术 | 深度学习算法 | 声音数据 | 健康志愿者和患者（具体数量未明确） | 未明确指定 | AuscNet-H | 准确率 | NA |
| 12 | 2025-12-19 |
phyddle: Software for Exploring Phylogenetic Models with Deep Learning
2025-Dec-18, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syaf036
PMID:40366771
|
研究论文 | 介绍phyddle软件，这是一个基于流水线的工具，用于使用无似然深度学习方法在系统发育树上执行建模任务 | 开发了一个灵活的软件管道，将深度学习应用于系统发育建模，特别是针对缺乏易处理似然函数的模型 | NA | 探索系统发育模型，以提取进化历史和过程的信息 | 系统发育树 | 机器学习 | NA | 深度学习 | 深度学习模型 | 系统发育数据 | NA | NA | NA | 准确性, 覆盖测试 | NA |
| 13 | 2025-12-19 |
Dual-channel TRCA-net based on cross-subject positive transfer for SSVEP-BCI
2025-Dec-18, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae291c
PMID:41360014
|
研究论文 | 提出一种基于跨被试正向迁移的双通道TRCA-net方法，用于提升SSVEP-BCI系统的解码性能 | 提出了创新的基于迁移准确率的被试选择策略，并开发了结合SSVEP领域自适应网络的双通道TRCA-net，以增强模型泛化能力 | NA | 提升稳态视觉诱发电位脑机接口的解码准确率和信息传输率，减少被试间差异 | 稳态视觉诱发电位脑机接口系统 | 机器学习 | NA | 稳态视觉诱发电位 | 深度学习网络 | 脑电信号 | 在两个大规模公共基准数据集上进行验证 | NA | TRCA-net, SSVEP-DAN | 解码准确率, 信息传输率 | NA |
| 14 | 2025-12-19 |
A holistic framework for strengthening security of healthcare data through encryption utilizing blockchain technology
2025-Dec-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31698-4
PMID:41407846
|
研究论文 | 本研究提出了一种结合区块链和高级加密标准（AES）的框架，以增强医疗数据的安全性和隐私性 | 提出了一种新颖的BCT-AES框架，将CNN特征提取、决策树与逻辑回归分类、AES加密和区块链技术集成，实现了去中心化、防篡改的医疗数据安全解决方案 | 未明确提及框架在超大规模数据集或实时高并发场景下的性能限制，也未讨论与现有医疗系统集成的具体挑战 | 增强医疗数据的安全性、隐私性和完整性，以应对日益增长的网络安全威胁 | 医疗数据，包括患者记录和医学图像 | 机器学习 | NA | 区块链技术，高级加密标准（AES） | CNN, 决策树, 逻辑回归 | 文本（患者记录），图像（医学图像） | NA | Python | CNN, 决策树, 逻辑回归 | 加密时间（毫秒），分类准确率 | NA |
| 15 | 2025-12-19 |
Accelerating imaging: deep learning for enhanced 123I-ioflupane SPECT efficiency
2025-Dec-18, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01933-z
PMID:41407995
|
研究论文 | 本研究评估了深度学习重建能否从5分钟扫描中生成诊断质量的123I-ioflupane多巴胺转运体SPECT图像 | 首次将多种卷积架构（包括U-Net变体和TransUNet）应用于加速SPECT成像，并证明四层U-Net可将扫描时间减少80%而不损失诊断质量 | 研究为回顾性分析，需要前瞻性多中心验证；样本量相对有限（207项研究） | 通过深度学习加速123I-ioflupane SPECT成像，减少患者扫描时间 | 123I-ioflupane多巴胺转运体SPECT图像 | 医学影像分析 | 神经系统疾病（如帕金森病） | SPECT成像 | 深度学习，卷积神经网络 | 医学图像（SPECT切片） | 207项研究（1035个切片），来自207名患者，分为训练集（120名患者/600张图像）、验证集（37名患者/185张图像）和测试集（50名患者/250张图像） | 未明确指定 | U-Net（1-5层深度）、V-Net、U-Net++、R2U-Net、Attention U-Net、TransUNet | 峰值信噪比（PSNR）、结构相似性指数（SSIM）、加权κ系数、组内相关系数（ICC） | NA |
| 16 | 2025-12-19 |
Spine age derived from DXA VFA images predicts incident fractures and mortality: the Manitoba Bone Mineral Density Registry
2025-Dec-18, Journal of bone and mineral research : the official journal of the American Society for Bone and Mineral Research
IF:5.1Q1
DOI:10.1093/jbmr/zjaf194
PMID:41408721
|
研究论文 | 本研究利用深度学习从DXA VFA图像中估计脊柱年龄，并探讨其加速老化对骨折和死亡风险的独立预测价值 | 首次将深度学习应用于DXA VFA图像来估计脊柱生物年龄，并证明其能独立于年龄、椎体骨折和骨密度预测骨折及死亡风险 | 研究基于特定人群（加拿大马尼托巴省≥50岁成年人），可能限制了结果的普适性；随访时间平均为3.9年，相对较短 | 评估从DXA VFA图像中衍生的脊柱年龄是否能够独立预测骨折发生和死亡率 | 年龄≥50岁、在加拿大马尼托巴省接受DXA VFA检查的成年人 | 数字病理学 | 骨质疏松症 | DXA（双能X射线吸收测定法）VFA（椎体骨折评估），深度学习 | CNN | 图像 | 训练集：韩国队列10,341人；测试集：加拿大队列8,810人 | NA | 卷积神经网络 | 调整后的风险比 | NA |
| 17 | 2025-12-19 |
Comparing guideline adherence and readability: Artificial intelligence with deep learning versus specialized physicians in peripheral artery disease management
2025-Dec-18, Vascular medicine (London, England)
DOI:10.1177/1358863X251386394
PMID:41410030
|
研究论文 | 本研究比较了专业医生与人工智能在管理外周动脉疾病时对指南的遵循程度和回答可读性 | 首次在拉丁美洲背景下，将大型语言模型（包括标准模型和思维链推理模型）与专业医生的临床建议在指南遵循和可读性方面进行直接比较 | 样本量相对较小（30名医生和13个LLM系统），且研究为横断面设计，无法评估临床结果 | 比较人工智能与专业医生在外周动脉疾病管理中的指南遵循情况和回答可读性 | 外周动脉疾病的标准病例 | 自然语言处理 | 心血管疾病 | 大型语言模型，思维链推理 | LLM | 文本 | 30名专业医生（11名心脏病专家，19名血管外科医生）和13个LLM系统（10个标准模型，3个思维链模型） | NA | NA | 指南遵循评分，可读性指数（Readability μ），组内相关系数 | NA |
| 18 | 2025-12-19 |
Volumetric compensation after anatomical lung resection: comparative analysis of lobectomy and segmentectomy
2025-Dec-18, European journal of cardio-thoracic surgery : official journal of the European Association for Cardio-thoracic Surgery
IF:3.1Q1
DOI:10.1093/ejcts/ezaf428
PMID:41410522
|
研究论文 | 本研究通过深度学习辅助的3D肺部分割技术，比较了肺癌患者接受肺叶切除术与肺段切除术后肺功能和体积代偿的差异 | 首次使用深度学习辅助的3D肺部分割技术量化比较肺叶切除与肺段切除后的体积代偿模式，并揭示了不同切除类型和肺叶位置对代偿模式的异质性影响 | 研究为回顾性设计，可能存在选择偏倚；仅基于影像学体积测量，未纳入更全面的生理功能评估；样本量在匹配后仍有限，特别是肺段切除亚组分析 | 比较肺癌患者接受肺叶切除术与肺段切除术后肺功能保留和肺体积代偿的差异 | 接受初次肺癌手术的患者，包括肺叶切除和肺段切除两组 | 数字病理学 | 肺癌 | 薄层计算机断层扫描（CT）、深度学习辅助的3D肺部分割 | 深度学习模型（具体架构未明确说明） | 医学影像（CT图像） | 初始1076名患者（870例肺叶切除，206例肺段切除），经倾向评分匹配后纳入567名患者（378例肺叶切除，189例肺段切除） | NA | NA | 统计显著性（p值）、相关性分析 | NA |
| 19 | 2025-12-19 |
Deep learning's false positive burden may threaten the MRI harm reduction mandate in screening
2025-Dec-18, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12228-2
PMID:41410706
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 20 | 2025-12-19 |
Learning feature dependencies for precise tumor region detection and segmentation in optical coherence tomography images
2025-Dec-18, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-025-03914-7
PMID:41410798
|
研究论文 | 本文提出了一种新颖的依赖特征分割方法（DIFSM），用于提高视网膜光学相干断层扫描（OCT）图像中肿瘤区域的定位和分割精度 | 通过集成图像预处理、特征间依赖分析和Vision Transformer架构，DIFSM能够建模特征间依赖关系并解决重叠像素模糊问题，显著提升了分割精度 | 未明确提及研究的具体局限性 | 提高视网膜OCT图像中肿瘤区域的自动检测和分割精度，以支持早期诊断和临床决策 | 视网膜OCT图像中的肿瘤感染区域，包括黄斑裂孔和中心性浆液性视网膜病变相关的肿瘤区域 | 计算机视觉 | 视网膜肿瘤 | 光学相干断层扫描（OCT）成像 | Vision Transformer（ViT） | 图像 | 使用OCTID数据集，包含高分辨率视网膜OCT图像，具体样本数量未明确说明 | 未明确提及 | Vision Transformer（ViT） | Dice系数, IoU, 精确度, 灵敏度, 特异性, 均方匹配误差（MSME） | 未明确提及 |