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 42799 篇文献，本页显示第 2021 - 2040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2021 | 2026-03-10 |
Craniocaudal Mammograms Generation Using Image-to-Image Translation Techniques
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3599641
PMID:40824990
|
研究论文 | 本文提出了一种基于生成对抗网络的统计生成模型工作流，用于生成高分辨率合成乳腺X光片 | 利用独特的二维参数化压缩乳腺模型和图像到图像转换技术，实现对乳腺特征的完全精确控制，并生成正常和肿瘤病例 | 质量评估主要依赖于视觉分析和统计矩，可能缺乏更全面的定量评估；专家问卷样本量有限（45人） | 开发生成合成乳腺X光片的方法，以解决真实数据访问受限和不平衡问题，辅助机器学习算法训练 | 乳腺X光片（特别是头尾位投影） | 计算机视觉 | 乳腺癌 | 图像到图像转换技术 | GAN | 图像 | NA | NA | NA | 视觉分析，前五阶统计矩，专家问卷评估 | NA |
| 2022 | 2026-03-10 |
Non-Direct Contact ECG Signal Classification Using a Hybrid Deep Learning Framework With Validation in Bedside Heart Rate Variability Analysis
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3601807
PMID:40853807
|
研究论文 | 本研究提出了一种基于电容耦合心电图（cECG）的床边非直接接触ECG记录系统，并验证了其在夜间准确捕捉心率变异性（HRV）的性能 | 开发了一种非直接接触的cECG记录系统，通过衣物采集ECG数据，避免了传统湿电极对皮肤的刺激，并利用深度学习框架进行信号质量评估和HRV分析 | 研究样本量较小，仅涉及6名受试者，可能影响结果的普遍性 | 验证非直接接触ECG记录系统在床边HRV分析中的准确性和可靠性 | 床边非直接接触ECG信号和心率变异性（HRV） | 机器学习 | 心血管疾病 | 电容耦合心电图（cECG） | 深度学习框架 | ECG信号 | 6名受试者 | NA | NA | 准确率, 召回率, 精确率, F1分数, Cohen's Kappa, 平均绝对百分比误差（MAPE） | NA |
| 2023 | 2026-03-10 |
A Novel Dual-Attention Deep Neural Network With Multi-Scale Fusion Feature Processing for Predicting Transcription Factor Binding Sites
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3604625
PMID:40889326
|
研究论文 | 提出了一种名为DeepCTMS的新型双注意力深度神经网络，用于预测转录因子结合位点，通过融合DNA序列特征和形状特征来提高预测性能 | 设计了卷积三重注意力模块来提取DNA形状数据的三维特征，并采用多尺度融合特征处理模块有效融合序列和形状特征，解决了现有模型忽略DNA双螺旋结构和立体形状信息的问题 | 未明确说明模型在非ChIP-seq数据集上的泛化能力，以及计算资源需求的具体细节 | 准确预测转录因子结合位点，以调控基因表达并促进新药和疾病治疗的探索 | DNA序列和形状数据，特别是转录因子结合位点 | 生物信息学 | NA | ChIP-seq | 深度神经网络 | 序列数据, 形状数据 | 165个ChIP-seq数据集 | NA | DeepCTMS | 预测性能, 泛化能力 | NA |
| 2024 | 2026-03-10 |
Unraveling sperm kinematic heterogeneity with machine learning
2026-Mar-01, Asian journal of andrology
IF:3.0Q1
DOI:10.4103/aja202544
PMID:40791002
|
综述 | 本文回顾了计算机辅助精子分析（CASA）数据的传统应用、分析限制以及机器学习在增强精子运动学异质性理解中的前景 | 探讨了机器学习（包括监督和无监督学习）如何利用CASA数据自动分类和聚类精子运动模式，以识别精子样本中的运动学子群，为生殖生物学和生育评估提供新见解 | 机器学习在该领域的应用仍有限，且CASA数据的类型和格式（原始或浓缩）对传统统计方法构成挑战 | 增强对精子运动学异质性的理解，并自动化精子分类和运动模式识别 | 精子样本及其运动参数和轨迹 | 机器学习 | NA | 计算机辅助精子分析（CASA） | 监督学习, 无监督学习 | 精子坐标数据, 运动参数, 轨迹表示 | NA | NA | NA | NA | NA |
| 2025 | 2026-03-10 |
Spatiospectral Representation and Neural Decoding of Somatic Perception of Acupuncture Stimulations
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3601173
PMID:40844954
|
研究论文 | 本研究利用脑电图功率谱密度和深度学习，探索了针灸刺激下体感知觉的神经表征与解码 | 通过去除非周期性成分提取周期性空间谱，并首次使用StyleGAN的w-latents进行特征解耦表示，实现了对针灸状态下脑状态的高精度解码 | 未明确说明样本的具体健康状况或人口统计学特征，且仅比较了两种针灸手法 | 探究针灸刺激下体感知觉的神经表征机制并实现脑状态解码 | 针灸刺激下的人类脑电图响应 | 机器学习 | NA | 脑电图 | GAN, Transformer | 脑电图信号 | NA | NA | StyleGAN, Transformer | 准确率 | NA |
| 2026 | 2026-03-10 |
FIGNet: A Robust and Interpretable Fuzzy-Irreversible Gated Network for Auditory Brainstem Response Classification
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3604834
PMID:40892642
|
研究论文 | 提出了一种结合类型2模糊逻辑与时间不可逆注意力机制的新型深度学习模型FIGNet，用于听觉脑干反应信号的自动分类 | 首次将类型2模糊逻辑与时间不可逆注意力机制相结合，以处理ABR信号中的不确定性和时间方向性 | 未提及模型在更大规模或更多样化数据集上的泛化能力 | 开发一种高精度、鲁棒性强且可解释的自动分类模型，以最少的ABR数据实现稳定有效的识别性能 | 听觉脑干反应信号 | 机器学习 | NA | 听觉脑干反应测量 | 深度学习网络 | 时间序列信号 | 真实ABR数据集（具体数量未提及） | NA | FIGNet（模糊不可逆门控网络） | 准确率 | NA |
| 2027 | 2026-03-10 |
Freezing pre-trained parameters of encoders for denoisers: Expanding pixel involvement and filtering out high-frequency noise
2026-Mar-01, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108794
PMID:41797192
|
研究论文 | 本文提出了一种通过冻结编码器预训练参数来提升图像去噪模型泛化能力的训练策略 | 首次证明在训练过程中冻结编码器的预训练参数能够扩大影响去噪结果的输入像素范围并有效滤除高频噪声信号 | NA | 提高图像去噪模型在面对分布外噪声时的泛化性能 | 图像去噪模型 | 计算机视觉 | NA | 深度学习 | 编码器-解码器结构 | 图像 | NA | NA | NA | NA | NA |
| 2028 | 2026-03-10 |
A Deep Learning Model for Second-Molar Lesions Related to Impacted Third Molars
2026-Feb-28, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2026.109467
PMID:41764935
|
研究论文 | 本研究开发了一种基于深度学习的自动化系统，用于在全景X光片上检测和分类与阻生第三磨牙相关的第二磨牙病变 | 提出了增强的SMM-YOLOv8n模型，该模型基于YOLOv8架构，引入了Slim-Neck优化和多维注意力机制，在检测精度和效率上均优于基线模型 | 研究为回顾性设计，数据集规模相对有限（1,170张图像），且仅使用单一类型影像（全景X光片） | 开发自动化深度学习系统以提升与阻生第三磨牙相关的第二磨牙病变的诊断准确性和临床决策支持 | 全景X光片中显示的与阻生第三磨牙相邻的第二磨牙 | 计算机视觉 | 口腔疾病 | 深度学习，迁移学习 | CNN | 图像 | 1,170张全景X光片 | PyTorch | YOLOv8, SMM-YOLOv8n | mAP@50, 精确率, 召回率, F1分数 | NA |
| 2029 | 2026-03-10 |
Artificial intelligence in urological malignancy diagnosis and prognosis: current status and future prospects
2026-Feb-28, The Canadian journal of urology
DOI:10.32604/cju.2026.076084
PMID:41800500
|
综述 | 本文综述了人工智能在泌尿系统恶性肿瘤（包括前列腺癌、膀胱癌和肾细胞癌）诊断与预后中的当前应用、技术创新及面临的临床挑战与未来机遇 | 整合影像学、病理学和分子数据，提升肿瘤检测、分级和风险分层的精确性与可重复性，并探索了AI在实时病变分割、非侵入性生物标志物预测及个性化治疗支持方面的应用 | 面临数据标准化、模型泛化性、可解释性以及监管合规性等挑战，阻碍了AI的临床转化 | 概述人工智能在泌尿系统癌症诊断与预后领域的现状、技术创新及未来临床挑战与机遇 | 泌尿系统恶性肿瘤，包括前列腺癌、膀胱癌和肾细胞癌 | 数字病理学 | 前列腺癌 | 多参数磁共振成像、数字病理系统、深度学习、放射组学、多组学数据 | 深度学习 | 影像、病理、分子数据 | NA | NA | NA | NA | NA |
| 2030 | 2026-03-10 |
Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine Learning, and Physics-Informed Methods
2026-Feb-17, ArXiv
PMID:41757284
|
综述 | 本文综述了基于成像的冠状动脉血流储备分数（FFR）的最新进展，重点关注物理基础、机器学习以及物理信息方法 | 强调了新兴的物理信息神经网络和神经算子（PINNs和PINOs）在提高泛化能力和减少对密集监督依赖方面的创新应用 | 机器学习/深度学习方法在真实世界中的性能和泛化能力可能因多中心异质性、可解释性挑战以及采集协议和图像质量的差异而存在波动 | 旨在快速、无导丝且可扩展地进行冠状动脉狭窄的功能评估 | 基于CT和血管造影的冠状动脉血流储备分数（FFR） | 医学影像分析 | 心血管疾病 | 计算流体动力学（CFD）、机器学习（ML）、深度学习（DL） | 物理信息神经网络（PINNs）、神经算子（PINOs） | CT图像、血管造影图像 | NA | NA | NA | 校准、不确定性量化、质量控制 | NA |
| 2031 | 2026-03-10 |
Parameter-free representations outperform single-cell foundation models on downstream benchmarks
2026-Feb-13, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.11.705358
PMID:41727141
|
研究论文 | 本文探讨了在单细胞RNA测序数据分析中，无需复杂深度学习模型，仅通过简单线性方法即可实现与现有基础模型相媲美甚至更优的下游任务性能 | 展示了简单、可解释的线性方法在多个单细胞下游基准测试中达到或超越基于Transformer的基础模型性能，特别是在涉及训练数据中未见的新细胞类型和生物体的分布外任务上表现更优 | 未详细讨论线性方法在更复杂或大规模数据集上的可扩展性，以及可能存在的特定生物学场景适应性限制 | 评估并比较基于深度学习的单细胞基础模型与简单线性方法在下游任务中的性能表现 | 单细胞RNA测序数据及其在细胞类型分类、疾病状态预测和跨物种学习等下游任务中的应用 | 机器学习 | NA | 单细胞RNA测序 | 线性模型, Transformer | 基因表达数据 | NA | NA | Transformer | NA | NA |
| 2032 | 2026-03-10 |
A two-stage deep learning framework for kidney disease detection using modified specular-free imaging and EfficientNetB2
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04606-z
PMID:41673036
|
研究论文 | 本文提出了一种用于肾脏疾病检测的两阶段深度学习框架，结合改进的无镜面反射成像技术和EfficientNetB2分类模型 | 提出了一种新颖的改进无镜面反射技术来增强肾脏图像质量，并结合EfficientNet-B2架构构建两阶段诊断模型，在肾脏疾病检测中实现了98.27%的高准确率 | 未明确说明数据集的规模和多样性限制，也未讨论模型在临床实际应用中的验证情况 | 提高各种肾脏病理的检测准确率 | 肾脏图像（包括正常肾脏、肿瘤、肾结石和囊肿） | 数字病理学 | 肾脏疾病 | 改进的无镜面反射成像技术 | CNN | 图像 | NA | NA | EfficientNet-B2, VGG16, ResNet50, VGG19, DenseNet121, DenseNet169, DenseNet201, EfficientNet-B0, EfficientNet-B1, EfficientNet-B3 | 准确率 | NA |
| 2033 | 2026-03-10 |
Automated cone photoreceptor detection using synthetic data and deep learning in confocal adaptive optics scanning laser ophthalmoscope images
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39570-9
PMID:41673253
|
研究论文 | 本研究提出了一种基于合成数据和深度学习的方法，用于在自适应光学扫描激光检眼镜图像中自动检测视锥细胞 | 利用合成数据（ERICA生成）结合少量真实数据训练U-Net模型，解决了标注数据不足的问题，并在独立数据集上验证了方法的泛化能力 | 未明确说明合成数据与真实数据的分布差异对模型性能的具体影响，也未讨论模型在不同疾病状态下的适用性 | 开发一种自动化的视锥细胞检测方法，以替代耗时且主观的人工标注 | 自适应光学扫描激光检眼镜图像中的视锥细胞 | 计算机视觉 | 视网膜疾病 | 自适应光学扫描激光检眼镜成像 | CNN | 图像 | 大型合成数据集（ERICA生成）配合较小真实数据集（密尔沃基数据集），并在独立真实数据集（牛津数据集）上测试 | NA | U-Net | Dice系数 | NA |
| 2034 | 2026-03-10 |
Interpretable Feature-Transformer Framework for Cross-Subject MCI Detection Using Nonlinear Dynamical and Graph-Theoretic EEG Features
2026-Feb-11, Research square
DOI:10.21203/rs.3.rs-8744978/v1
PMID:41727576
|
研究论文 | 本研究提出了一种可解释的特征-Transformer框架，利用非线性动力学和图论EEG特征进行跨被试的轻度认知障碍检测 | 结合手工设计的非线性动力学与图论连通性特征与基于注意力的Transformer建模，并利用SHAP分析提供模型可解释性 | 样本量相对有限（183名参与者），且仅使用静息态闭眼EEG数据，未探索其他任务状态或更长时程数据 | 早期准确检测轻度认知障碍，以预防其向阿尔茨海默病发展 | 183名参与者（127名健康对照，56名MCI患者）的静息态闭眼EEG记录 | 机器学习 | 阿尔茨海默病 | EEG信号处理，非线性动力学分析，图论分析 | Transformer, EEGNet | EEG信号 | 183名参与者（127名健康对照，56名MCI患者） | 未明确提及 | Transformer, EEGNet | 准确率 | NA |
| 2035 | 2026-03-10 |
Design and Implementation of an Automated Drosophila Locomotor Assay Using Computer Vision Tracking
2026-Feb-11, Research square
DOI:10.21203/rs.3.rs-8769384/v1
PMID:41727580
|
研究论文 | 本文介绍了一种基于计算机视觉跟踪的自动化果蝇运动行为检测系统的设计与实现 | 开发了一个集成的硬件-软件平台，实现自动化、高分辨率的果蝇运动分析，相比手动评分处理速度提高2.8倍，数据密度提高约800倍 | NA | 开发自动化果蝇运动行为检测系统，以克服传统方法的主观评分、通量限制和可重复性挑战 | 果蝇（Drosophila） | 计算机视觉 | NA | 计算机视觉跟踪 | 深度学习 | 视频 | NA | Python | NA | IoU | Raspberry Pi |
| 2036 | 2026-03-10 |
DynMoCo: a Novel AI Framework to Reveal Modular Substructures of Protein From Molecular Dynamics
2026-Feb-10, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.08.704355
PMID:41727081
|
研究论文 | 提出一种名为DynMoCo的新型深度学习框架，用于从分子动力学模拟数据中识别蛋白质的动态模块化亚结构 | 首次将动态社区检测方法引入分子动力学分析，结合图卷积网络与循环模型实现端到端的动态社区识别 | 目前仅在三种整合素系统上进行验证，需要更多生物系统验证通用性 | 开发能够解析蛋白质动态结构与功能关系的人工智能方法 | 蛋白质分子动力学模拟数据 | 计算生物学 | NA | 分子动力学模拟 | 图卷积网络, 循环神经网络 | 分子动力学轨迹数据 | 三种整合素系统的力控分子动力学模拟 | NA | 图卷积网络与循环模型的集成架构 | NA | NA |
| 2037 | 2026-03-10 |
Horizontal nystagmus identification with joint SAM segmentation and time series classification
2026-Feb-09, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-025-09950-4
PMID:41663530
|
研究论文 | 本文提出了一种结合SAM分割和时间序列分类的水平性眼球震颤检测模型 | 联合使用SAM分割提取瞳孔运动轨迹，并结合空间注意力和多尺度一维时间序列卷积分类器进行检测，提高了诊断准确性 | NA | 开发一种高效的水平性眼球震颤检测方法，以提升前庭障碍的早期筛查和干预能力 | 水平性眼球震颤的眼动视频数据 | 计算机视觉 | 前庭障碍 | 深度学习 | CNN | 视频 | 临床收集的水平性眼球震颤视频数据集 | NA | SAM, 多尺度一维时间序列卷积分类器 | 准确率, 精确率 | NA |
| 2038 | 2026-03-10 |
Deep Learning-Based Automated Echocardiographic Measurements in Pediatric and Congenital Heart Disease
2026-Feb-09, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.06.26345782
PMID:41728295
|
研究论文 | 本研究开发了一个名为EchoFocus-Measure的AI平台，用于自动从儿科和先天性心脏病患者的超声心动图研究中提取定量和定性参数 | 扩展了多任务、视图无关的PanEcho架构，并引入了研究级Transformer来优先处理具有诊断信息的视图，从而在儿科和先天性心脏病超声心动图的全面自动化测量方面取得了进展 | 外部验证中定性指标的AUROC表现相对一般（0.73-0.86），且研究主要基于特定医院的数据，可能在不同医疗环境中的泛化能力有待进一步验证 | 开发一个AI平台，以在全球范围内提供专家级别的超声心动图测量精度和标准化，特别是在资源有限和农村地区 | 儿科和先天性心脏病患者的超声心动图研究 | 计算机视觉 | 先天性心脏病 | 超声心动图 | Transformer, 深度学习模型 | 视频 | 内部队列包括来自217,435次超声心动图的1,140万段视频（60,269名患者），外部验证包括来自3,096次超声心动图的289,613段视频（2,506名患者） | NA | PanEcho, Transformer | 中位绝对误差, AUROC | NA |
| 2039 | 2026-03-10 |
Technological Advancements in Cranial and Spinal Navigation in the Past 30 Years: A Detailed Patent Bibliometric Analysis
2026-Feb, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2025.124779
PMID:41482266
|
研究论文 | 本文通过专利文献计量学分析，系统回顾了过去30年颅脑和脊柱导航技术的技术发展历程 | 首次采用专利文献计量学框架系统探索颅脑和脊柱导航领域的技术发展，并量化科学出版物对专利的影响 | 研究主要基于前向引用次数筛选专利，可能忽略其他重要但引用较少的专利；数据来源限于Lens数据库 | 评估颅脑和脊柱导航领域的技术创新趋势和知识产权发展 | 颅脑和脊柱导航技术相关的专利和科学出版物 | 医学工程 | 神经系统疾病 | 专利文献计量学分析 | NA | 专利记录和科学出版物 | 714项相关专利，其中100项高引用专利；近15,000篇科学出版物，其中1,107篇被专利引用 | NA | NA | 前向引用次数 | NA |
| 2040 | 2026-03-10 |
Ab initio prediction of RNA structure ensembles with RNAnneal
2026-Feb-01, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.01.703098
PMID:41659490
|
研究论文 | 介绍了一种名为RNAnneal的方法，用于预测RNA结构集合，该方法结合了生成式深度学习、统计物理学和分子动力学建模 | RNAnneal首次将生成式深度学习与统计物理学和分子动力学建模无缝集成，用于RNA结构集合的从头预测，并引入了交互熵作为构象异质性的度量 | 对于包含假结（PK-comprising）的结构，性能仍有改进空间 | 预测RNA结构集合，以加速RNA靶向药物发现和功能性RNA分子设计 | RNA分子，特别是核糖开关RNA的实验解析构象 | 机器学习 | NA | 生成式深度学习，统计物理学，分子动力学建模 | 深度学习模型 | RNA序列 | 16个实验解析的核糖开关RNA构象 | NA | NA | RNAnneal评分，Rosetta评分，RNA力场分类性能 | NA |