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 47295 篇文献，本页显示第 2101 - 2120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2101 | 2025-12-26 |
Deep Learning Model for Classification of Premature Ventricular Contractions - Could Artificial Intelligence Models Become the New Criteria?
2026-Jun-25, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-25-1002
PMID:41443894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2102 | 2026-06-26 |
Leveraging Artificial Intelligence and Large Language Models for Cancer Immunotherapy
2026-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202521936
PMID:41736575
|
综述 | 全面审查人工智能和机器学习在癌症免疫治疗中的应用现状与未来方向 | 首次系统总结和批判性评估人工智能/机器学习在癌症免疫治疗中的转化潜力，涵盖患者分层、生物标志物发现、治疗策略优化及基础模型和大语言模型四个关键领域 | 现有人工智能方法在预测治疗反应和耐药机制方面仍面临挑战，且缺乏系统性综述来评估其转化潜力 | 填补系统性综述空白，加速人工智能/机器学习集成到精准癌症免疫治疗中 | 癌症免疫治疗中的人工智能/机器学习应用，包括患者分层、生物标志物发现、治疗策略优化及大语言模型 | 机器学习 | 癌症 | NA | 大语言模型 | 多组学生物医学数据 | NA | NA | NA | NA | NA |
| 2103 | 2026-06-26 |
Deep Learning Reconstruction on Quantitative Analysis in Brain Tumors With Diffusion-Weighted Imaging and Dynamic Susceptibility Contrast Imaging
2026-06, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70286
PMID:41793218
|
研究论文 | 评估深度学习重建在脑肿瘤扩散加权成像和动态磁敏感对比增强成像定量分析中的影响 | 首次阐明DLR在脑肿瘤DWI和DSC定量参数中的应用效果，证明其能在保持定量精度的同时有效降噪 | 样本量较小（62例），且仅针对放疗后脑转移瘤，需进一步验证其他肿瘤类型和场景 | 评估深度学习重建对脑肿瘤患者DWI和DSC衍生定量参数的影响 | 62例放疗后脑转移患者（33例男性） | 机器学习 | 脑肿瘤 | 扩散加权成像, 动态磁敏感对比增强成像 | CNN | 图像 | 62例脑转移患者 | NA | NA | 变异系数, 重复性系数, 一致性相关系数, 均方根误差, 平均绝对误差 | NA |
| 2104 | 2026-06-26 |
Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology
2026-May, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-025-01270-1
PMID:41537944
|
研究论文 | 提出一种结合条纹投影轮廓测量术和深度学习技术的自动化无辐射Cobb角评估方法，用于脊柱侧弯筛查 | 首次实现全自动、无辐射的Cobb角评估，结合三维表面成像与卷积神经网络预测脊柱弯曲度，无需X光照射 | 样本量较小（仅48名参与者），且研究对象限于已临床确诊的脊柱侧弯患者，未涵盖正常人群或其他脊柱疾病 | 开发无辐射的自动化Cobb角评估方法，以替代传统X光检查用于大规模脊柱侧弯筛查 | 48名经放射影像确诊的脊柱侧弯患者（来自医院） | 计算机视觉 | 脊柱侧弯 | 条纹投影轮廓测量术、相位偏移算法 | 卷积神经网络 | 三维表面影像 | 48名脊柱侧弯患者 | NA | 卷积神经网络 | 相关系数、决定系数 | NA |
| 2105 | 2026-06-26 |
Identifying Temporal Drivers for Microbial Community Assembly in Wastewater Treatment by Stochastic Physics-Informed Deep Learning Based on Limited-View and Sparsely Sampled Data
2026-03-24, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c11756
PMID:41816806
|
研究论文 | 本研究提出了一种随机物理信息深度学习（SPI-DL）框架，用于基于有限视图和稀疏采样数据识别废水处理中微生物群落组装的时序驱动因素 | 将广义Lotka-Volterra模型、随机微分方程及其积分器嵌入深度学习，并首次提出对数似然解耦方法结合SHAP分析，实现确定性和随机性驱动因素的时变贡献分解 | NA | 识别废水处理中微生物群落组装的时序驱动因素，优化智能废水处理系统 | 废水处理系统中的微生物群落，特别是氨氧化菌和亚硝酸盐氧化菌 | 机器学习 | NA | NA | 深度学习 | 时序数据 | NA | PyTorch | 广义Lotka-Volterra模型、随机微分方程 | NA | NA |
| 2106 | 2026-06-26 |
Real-World Prospective Validation and Economic Evaluation of Deep Learning- Based Diabetic Retinopathy Detection From Fundus Photographs: A Systematic Review and Meta-analysis
2026-03-01, Diabetes care
IF:14.8Q1
DOI:10.2337/dc25-1493
PMID:41259706
|
系统综述与荟萃分析 | 对基于眼底照片的深度学习糖尿病视网膜病变检测进行前瞻性验证与经济学评价的系统综述和荟萃分析 | 首次综合前瞻性验证和经济学证据，评估深度学习糖尿病视网膜病变系统在不同国家的实施可行性，并识别影响模型性能的关键因素 | 缺乏评估多种严重程度糖尿病视网膜病变或糖尿病性黄斑水肿的研究，限制了我们进行亚组分析的能力；对低收入国家的洞察因缺乏相关研究而受限 | 评估基于眼底照片的深度学习糖尿病视网膜病变系统在不同国家的实施可行性 | 深度学习糖尿病视网膜病变检测系统中的前瞻性验证研究和经济学分析研究 | 数字病理学 | 糖尿病视网膜病变 | 眼底照相 | 深度学习 | 图像 | 47项研究纳入荟萃分析，15项研究纳入经济学评论 | NA | NA | AUROC | NA |
| 2107 | 2026-02-22 |
Deep Learning-Enabled Diabetic Retinopathy Screening: A Techno-Clinical Revolution or Just More Artificial Intelligence Hype?
2026-Mar-01, Diabetes care
IF:14.8Q1
DOI:10.2337/dci25-0123
PMID:41719471
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2108 | 2026-06-26 |
Integrative Deep Learning from H&E Images Reveals Prognostically Distinct Pathology-Based Subtypes in Bladder Cancer
2026, Current cancer drug targets
IF:2.3Q3
|
研究论文 | 利用H&E染色全切片图像的深度学习特征，开发膀胱癌病理分型并验证其预后意义 | 首次基于常规H&E染色全切片图像深度学习特征构建膀胱癌病理分型，替代传统RNA分子分型，具有成本低、可推广的特点 | 未在文中明确说明局限性，可能包括依赖特定切片质量、外部验证队列规模有限等 | 开发基于深度学习的膀胱癌病理分型方法，为个性化治疗和患者分层提供经济可行的替代方案 | 膀胱癌患者的H&E染色全切片图像及转录组数据 | 数字病理学, 计算机视觉, 机器学习 | 膀胱癌 | H&E染色, RNA转录组测序 | 卷积神经网络（ResNet50） | 图像（全切片组织病理图像） | 四个独立中心的全切片图像外部队列及IMvigor210和GSE32894转录组数据集 | NA | ResNet50 | 肿瘤-正常区域区分准确率、一致性指标 | NA |
| 2109 | 2026-06-26 |
Deep learning-based MRI model for predicting P53-mutated hepatocellular carcinoma
2025-12-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02045-w
PMID:41430161
|
research paper | 基于MRI的深度学习模型预测P53突变肝细胞癌 | 首次构建基于EfficientNetV2的多序列MRI深度学习模型用于预测P53突变的肝细胞癌，发现多相组合模型（T2WI+AP+VP）显著优于单序列模型 | 单中心回顾性研究，样本量有限（312例），缺乏外部验证数据集 | 开发基于MRI的深度学习模型预测P53突变肝细胞癌 | 312例经病理证实的肝细胞癌患者 | digital pathology, machine learning | hepatocellular carcinoma | MRI | EfficientNetV2 | image | 312例肝细胞癌患者（训练集249例，测试集63例） | NA | EfficientNetV2 | AUC, accuracy, sensitivity, specificity, precision, F1 score | NA |
| 2110 | 2026-06-26 |
Hippocampal auto-segmentation based on deep learning for identifying magnetic resonance imaging biomarkers of early mild cognitive impairment
2025-12-15, Neuroscience
IF:2.9Q2
|
研究论文 | 基于深度学习的海马自动分割方法及其在轻度认知障碍MRI生物标志物识别中的应用 | 结合深度学习自动海马分割与放射组学特征提取，并集成XGBoost框架构建诊断模型，发现glszm_ZoneVariance特征具有最高预测权重 | 样本量较小（150例），可能影响模型泛化能力 | 开发基于深度学习的海马自动分割模型，结合放射组学特征和机器学习分类器，识别轻度认知障碍的MRI生物标志物 | 海马结构及其放射组学特征 | 深度学习, 医学影像分析 | 轻度认知障碍 | MRI (3D T1WI), 放射组学 | 卷积神经网络 (CNN), 逻辑回归 (LR), 支持向量机 (SVM), 随机森林 (RF), XGBoost | 脑部MRI图像 | 150名受试者，按7:3随机分为训练集和验证集 | NA | CNN海马分割网络，LR, SVM, RF, XGBoost | AUC, 95%置信区间 | NA |
| 2111 | 2026-06-26 |
Interpretable multimodal MRI radiomics for predicting neoadjuvant chemotherapy response in nasopharyngeal carcinoma
2025-11-25, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02071-8
PMID:41291491
|
研究论文 | 探索多模态MRI放射组学模型预测鼻咽癌新辅助化疗反应的性能，并比较机器学习与深度学习模型的差异 | 结合DCE-MRI的多模态放射组学模型并通过SHAP值增强模型可解释性，在预测鼻咽癌新辅助化疗反应中展现出优越性能 | 未明确提及，可能包括样本量有限或回顾性研究设计 | 评估多模态MRI放射组学模型预测鼻咽癌新辅助化疗反应的价值，并比较机器学习和深度学习模型的性能差异 | 鼻咽癌（NPC）患者的新辅助化疗（NAC）反应 | 医学影像分析，机器学习 | 鼻咽癌 | 多模态MRI放射组学（T1WI, PDWI, CE-T1WI, DCE-MRI），特征选择（MIC, LASSO），机器学习，深度学习 | 多层感知机（MLP），逻辑回归，支持向量机，随机森林，极限梯度提升（XGBoost） | MRI影像数据（包括DCE-MRI） | 370名鼻咽癌患者，其中126名接受DCE-MRI | NA | 多层感知机，逻辑回归，支持向量机，随机森林，极限梯度提升 | AUC，灵敏度，特异性，SHAP值 | NA |
| 2112 | 2026-06-26 |
Detection of intracranial hemorrhage using ultralow-dose brain computed tomography with deep learning reconstruction versus conventional-dose computed tomography
2025-11-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02082-5
PMID:41286703
|
研究论文 | 评估使用深度学习重建的超低剂量脑部计算机断层扫描在检测颅内出血方面的诊断性能、图像质量和辐射剂量，并与常规剂量计算机断层扫描进行比较 | 首次系统比较深度学习重建与迭代重建在超低剂量计算机断层扫描中检测颅内出血的性能，并证明其在保持诊断效果的同时大幅降低辐射剂量 | 样本量较小（93名患者），且为单中心回顾性研究，可能影响结果泛化性 | 评估超低剂量计算机断层扫描结合深度学习重建对颅内出血的诊断价值及图像质量 | 93名颅内出血患者（中位年龄67岁，其中61名男性） | 计算机视觉 | 颅内出血 | 深度学习重建 | 深度学习网络 | 图像 | 93名患者 | NA | 深度学习重建模型 | 敏感性、特异性、信噪比、对比噪声比 | NA |
| 2113 | 2026-06-26 |
Development and validation of an artificial intelligence-based model for cardiovascular disease prediction using longitudinal data
2025-11-22, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03280-5
PMID:41275275
|
研究论文 | 利用机器学习模型（特别是GRU和LSTM）从纵向随访数据预测心血管疾病10年发病风险，并在伊朗人群中验证模型效能 | 首次在伊朗人群中使用GRU深度学习模型处理纵向时序数据预测CVD，并以较少的临床变量（21个）达到与包含数百变量的大规模研究相当的预测性能 | 样本仅来自单个伊朗人群（TLGS队列），可能限制模型泛化性；模型性能AUC约0.74，仍有提升空间 | 评估深度学习和混合效应逻辑模型利用纵向数据预测10年CVD发病的效果，并识别关键预测因子 | 伊朗德黑兰脂质与葡萄糖研究（TLGS）中4872名30岁以上无心血管病史的成年人（1942名男性，2930名女性） | 机器学习 | 心血管疾病 | NA | LSTM, GRU | 纵向临床数据（人口学、行为、生化指标） | 4872名成人（男性1942，女性2930），其中545人（11.2%）发生CVD事件 | NA | GRU, LSTM | AUC | NA |
| 2114 | 2026-06-26 |
Impact of contrast enhancement boost and super-resolution deep learning reconstruction on pediatric congenital heart disease CTA scans: ultra-low contrast dose
2025-11-18, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02015-2
PMID:41254528
|
研究论文 | 评估对比增强提升与超分辨率深度学习重建结合使用在儿童先天性心脏病CTA扫描中降低对比剂用量的可行性 | 首次将对比增强提升与超分辨率深度学习重建联合应用于儿童先天性心脏病CT成像，实现对比剂用量大幅降低（62.3%）同时保证图像质量 | 研究未提及具体算法框架及模型架构，且样本量较小（n=36），可能存在选择偏倚 | 探索减少儿童先天性心脏病患者CT血管成像中对比剂用量的新方案 | 72例儿童先天性心脏病患者，分为低对比剂剂量组和标准扫描组 | 数字病理学 | 先天性心脏病 | CT血管成像 | 超分辨率深度学习重建网络 | CT图像 | 72例儿童患者（低剂量组36例，标准组36例） | NA | NA | CT值、信噪比、对比噪声比、主观评分、诊断准确性 | NA |
| 2115 | 2026-06-26 |
Automated segmentation of esophageal squamous cell carcinoma in contrast-enhanced free-breathing 3D-GRE: a comparative study of UNet, nnUNet, and UMamba for tumor delineation
2025-11-11, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02011-6
PMID:41219837
|
研究论文 | 对比三种深度学习模型（UNet、nnUNet、UMamba）在增强自由呼吸3D-GRE MRI上自动分割食管鳞状细胞癌的性能 | 首次在1mm各向同性分辨率的对比增强自由呼吸3D-GRE MRI上系统比较UNet、nnUNet和UMamba三种模型用于食管鳞状细胞癌分割，并展示了UMamba在边界描绘和分割精度上的优势 | 数据来源于单一机构，样本量相对较小（192例），且为回顾性研究；手动标注排除了钙化和出血区域，可能影响模型泛化性 | 评估深度学习模型在食管鳞状细胞癌自动分割中的性能，以减轻手动分割的负担并提高临床效率 | 食管鳞状细胞癌肿瘤区域 | 计算机视觉 | 食管癌 | MRI成像（对比增强自由呼吸3D-GRE） | UNet、nnUNet、UMamba | 医学图像（3D MRI） | 192例患者，171例用于训练，21例用于验证 | NA | UNet, nnUNet-2D/3D, UMamba | Dice相似系数（DSC）、豪斯多夫距离（HD）、平均表面距离（MSD） | NA |
| 2116 | 2026-06-26 |
Artificial intelligence diagnostic performance in image-based vulnerable carotid plaque detection: a systematic review and meta-analysis
2025-11-11, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03227-w
PMID:41219882
|
meta分析 | 系统评估人工智能在基于影像的颈动脉易损斑块检测中的诊断性能 | 首次全面荟萃分析人工智能算法在区分不稳定与稳定颈动脉斑块中的诊断准确性，并基于样本量、人工智能算法类型、分割方法和发表年份进行亚组分析 | 仅一项研究报告了外部验证，限制了结果泛化性；研究间异质性高（I² > 90%）；存在发表偏倚 | 评估人工智能算法通过医学影像区分不稳定与稳定颈动脉斑块的诊断性能 | 颈动脉不稳定斑块（易损斑块） | 机器视觉 | 颈动脉粥样硬化 | 医学影像 | 人工智能算法（机器学习或深度学习） | 影像 | 31项研究，其中14项纳入meta分析 | NA | NA | 敏感度，特异度，曲线下面积 | NA |
| 2117 | 2026-06-26 |
Incremental 2D self-labelling for effective 3D medical volume segmentation with minimal annotations
2025-11-07, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01991-9
PMID:41204141
|
研究论文 | 提出一种增量式二维自标注框架，通过仅使用每卷三维医学影像中的一个标注切片，实现有效的三维医疗影像分割 | 提出从单标注切片出发，通过迭代生成和过滤伪标签，逐步自标注相邻切片，以训练准二维U-Net模型，达到对三维医学影像的分割 | 未明确说明，但从概述可推测可能对高度复杂异质性器官或病变的泛化存在局限 | 探索在极低标注约束下训练二维模型进行三维医学影像分割的可行性和效果，以降低标注成本 | 脑MRI和肝脏CECT影像数据 | 计算机视觉 | NA | NA | U-Net | 图像 | NA | NA | U-Net | Dice系数, 交并比, 95百分位Hausdorff距离 | NA |
| 2118 | 2026-06-26 |
Treatment decision support for esophageal cancer based on PET/CT data using deep learning
2025-11-06, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03223-0
PMID:41199255
|
research paper | 提出一种基于PET/CT数据的深度学习模型，支持食管癌治疗决策，结合卷积和Transformer组件，实现多尺度空间编码 | 提出包含基于分裂残差块的卷积特征提取器、多尺度池化模块和MLP预测模块的新型混合深度学习架构，有效融合局部与全局特征表征学习 | NA（摘要未提及具体局限性） | 利用深度学习方法基于PET/CT数据提升食管癌治疗决策的精准性 | PET/CT影像数据 | computer vision | 食管癌 | PET/CT | 混合模型（CNN + Transformer） | 影像数据 | NA（摘要未提及样本量） | NA（摘要未提及具体框架） | 自定义混合架构（含分裂残差块的卷积特征提取器、多尺度池化模块、MLP预测模块） | AUCROC, F1 score, Balanced Accuracy | NA（摘要未提及计算资源） |
| 2119 | 2026-06-26 |
Application of artificial intelligence in predicting the results of open-heart surgery: a scoping review
2025-11-05, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03243-w
PMID:41194211
|
综述 | 本综述旨在综合人工智能在预测开胸手术结果中的研究，评估AI模型性能，并识别数据质量、算法偏差和临床适用性方面的差距 | 系统性地回顾了AI在开胸手术结果预测中的应用，识别了当前研究的空白和未来方向 | 主要限制包括模型验证不一致、前瞻性数据有限以及患者群体缺乏多样性 | 综合研究AI在预测开胸手术结果中的应用，评估AI模型性能，并找出数据质量、算法偏差和临床适用性方面的空白 | 已发表的有关应用AI预测开胸手术结果的研究 | 机器学习 | 心血管疾病 | NA | 逻辑回归、随机森林、XGBoost | 文本 | 64项研究 | NA | NA | NA | NA |
| 2120 | 2026-06-26 |
Optimizing myocardial infarction detection: a hybrid CNN-GRU deep learning approach
2025-11-04, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03217-y
PMID:41188886
|
研究论文 | 开发一种基于心电图的混合CNN-GRU深度学习模型以优化心肌梗死检测 | 提出一种基于CNN-GRU混合架构的深度学习模型，通过Pan-Tompkins算法预处理数据，并使用单导联(lead II)实现近乎完美的检测性能 | 未提及具体局限性 | 优化心肌梗死(MI)的检测，开发基于心电图的混合CNN-GRU深度学习模型作为诊断辅助工具 | 心肌梗死患者和健康对照的心电图(ECG)记录 | 机器学习, 数字病理学 | 心肌梗死 | NA | CNN-GRU混合模型 | 心电图(ECG)信号 | 总计56,354条心电图记录 (41,871条来自心肌梗死患者，14,474条来自健康患者) | NA | CNN-GRU | AUC, 敏感度, 特异度, Macro平均, 加权平均 | NA |