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 2221 - 2240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2221 | 2026-06-25 |
[Deep Learning-Based Automatic Segmentation Model for Radiotherapy Target Delineation of Brain Metastases and Its Clinical Applications]
2026-May-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation
DOI:10.12455/j.issn.1671-7104.250339
PMID:42338363
|
研究论文 | 开发基于U-Net的自动分割模型用于伽玛刀放射治疗脑转移瘤的靶区勾画，并评估其与初级临床医师手动勾画的准确性和效率 | 提出U-Net+GTV模型在脑转移瘤伽玛刀放疗靶区勾画中，准确性和效率均优于初级临床医师，具有临床应用的潜力 | NA | 开发自动分割模型并评估其在脑转移瘤伽玛刀放疗靶区勾画中的临床适用性 | 100例接受伽玛刀治疗的脑转移瘤患者 | 计算机视觉 | 脑转移瘤 | NA | 卷积神经网络（CNN） | 图像 | 100例脑转移瘤患者 | NA | U-Net | Dice相似系数, Hausdorff距离, 平均对称表面距离, 最大对称表面距离, 总时间消耗, 单样本处理时间 | NA |
| 2222 | 2026-06-25 |
[Research on the Automatic Detection Method of Spatial Resolution for CT Systems Based on the Catphan500 Phantom]
2026-May-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation
DOI:10.12455/j.issn.1671-7104.250842
PMID:42338365
|
研究论文 | 基于Catphan500模体，利用YOLOv8深度学习模型自动检测CT系统空间分辨率，实现快速、客观的质控方法 | 首次将YOLOv8深度学习模型应用于CT系统空间分辨率的自动检测，显著提高检测速度和客观性，减少人工干预和测量误差 | 在极高分辨率下与传统手动测量存在细微差异 | 探索一种基于Catphan500模体的CT设备空间分辨率自动检测方法 | 不同医院、不同型号CT设备的质控图像 | 计算机视觉 | 不适用 | 不适用 | YOLOv8 | 图像 | 未明确说明，但包含多家医院多种型号CT设备的质控图像 | PyTorch | YOLOv8 | 召回率, 精确率, mAP@0.5, 平均检测时间 | 不适用 |
| 2223 | 2026-06-25 |
[Non-Contact Physiological Signal Monitoring Technology: Potential and Applications of BCG]
2026-May-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation
DOI:10.12455/j.issn.1671-7104.250716
PMID:42338367
|
综述 | 本文综述了心冲击图（BCG）作为生理监测技术的发展历史、信号机制、典型波形特征，以及信号处理方法，并探讨了其在心血管监测、睡眠呼吸分析和运动评估中的应用 | 系统总结了BCG技术的最新研究进展，包括信号处理中的深度学习方法，并探讨了跨设备一致性等关键挑战及未来发展方向的全面参考 | 未提及具体局限性 | 全面综述BCG技术的研究和应用，为相关研究提供参考 | 心冲击图（BCG）信号及其在生理监测中的应用 | 机器学习 | 心血管疾病 | NA | 深度学习模型 | 生理信号 | NA | NA | NA | NA | NA |
| 2224 | 2026-06-25 |
Deep learning uncovers conserved regulatory logic and element dosage underlying stable gene expression in grasses
2026-May-29, Molecular plant
IF:17.1Q1
DOI:10.1016/j.molp.2026.05.017
PMID:42216449
|
研究论文 | 利用深度学习揭示禾本科植物中保守的调控逻辑和元件剂量对稳定基因表达的作用 | 提出了Basenji-HMM模型，结合深度学习衍生的突变效应图谱和隐马尔可夫模型，在核苷酸分辨率下界定高影响候选顺式调控元件，揭示了跨物种保守的调控逻辑和元件剂量补偿机制 | 仅关注禾本科植物，未涉及其他植物类群；跨物种cCRE序列同源性较低，可能低估了调控元件的功能保守性 | 研究禾本科植物中基因表达稳定性维持的调控机制 | 五种禾本科植物（包括水稻）的五个直系同源组织 | 机器学习 | NA | DNA测序、染色质可及性测序、RNA测序 | 深度学习模型、隐马尔可夫模型 | DNA序列数据、染色质可及性数据、转录组数据 | 五种禾本科植物各五个组织的样本 | TensorFlow, PyTorch | Basenji-HMM, HMM | 跨物种相关性（Pearson相关系数） | NA |
| 2225 | 2026-06-25 |
Impact of Imaging Protocols on Thermal Detection of Pressure Injuries: Threshold versus Deep Learning Across Skin Tones
2026-May-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.21.26353842
PMID:42238404
|
研究论文 | 系统评估了成像协议变化和受试者肤色对基于红外热成像的压疮早期检测模型性能的影响 | 首次系统比较了阈值法和深度学习法在不同成像条件与肤色群体中的压疮热检测效果，揭示了深度学习模型在多种成像协议和肤色组中的稳健性优于阈值法 | 未提及具体限制，但可能包括样本量有限（35名参与者）以及仅模拟早期压疮温度变化，未涉及真实临床场景 | 评估成像协议变化和肤色对热成像检测压疮模型性能的影响，并比较阈值法与深度学习法的鲁棒性 | 35名不同肤色的参与者，通过受控冷却协议模拟早期压疮温度变化 | 计算机视觉 | 压疮 | 红外热成像 | 深度学习 | 图像 | 1,680张图像来自35名不同肤色的参与者 | NA | MobileNetV2, InceptionNetV3, ResNet50 | 准确率 | NA |
| 2226 | 2026-06-25 |
Artificial intelligence in pediatric intensive care units: current applications in sepsis management
2026-May, World journal of pediatrics : WJP
IF:6.1Q1
DOI:10.1007/s12519-026-01052-3
PMID:42265523
|
综述 | 综述人工智能在儿科重症监护病房脓毒症管理中的应用现状 | 系统比较了AI模型与传统儿科评分系统在脓毒症早期预测和风险分层中的性能差异，并强调了可解释人工智能和跨层级医疗基础设施差异对临床应用的关键影响 | 未提及具体局限性，但隐含指出算法黑箱问题、伪阳性率差异和算法公平性等挑战 | 评估人工智能在儿科重症监护病房脓毒症管理中的当前应用，包括预测、风险分层、决策支持和个性化治疗 | AI模型在儿科脓毒症管理中的应用，包括随机森林、LSTM等模型及临床决策支持系统 | 机器学习 | 儿科脓毒症 | NA | 随机森林，长短期记忆网络 | 横断面数据，时间序列生理数据，多组学数据 | NA | NA | 随机森林，长短期记忆网络 | 准确率，伪阳性率 | NA |
| 2227 | 2026-06-25 |
Machine Learning for Distal Medium-Vessel Occlusion Detection: Advances, Challenges, and Future Directions
2026 May-Jun, Journal of neuroimaging : official journal of the American Society of Neuroimaging
IF:2.3Q2
DOI:10.1111/jon.70138
PMID:42333707
|
综述 | 本文综述了机器学习在远端中等血管闭塞检测中的应用，涵盖当前成像方法、基于机器学习的检测技术、验证研究及临床证据，并讨论了临床整合的障碍与未来方向 | 系统总结了机器学习与深度学习在远端中等血管闭塞识别中的进展，包括多模态网络和可解释人工智能等新兴算法，并指出了从研究到临床转化的关键障碍 | 缺乏大规模标注数据集和前瞻性临床试验验证，现有研究在敏感性和通用性上仍有局限，且临床整合面临监管审批和技术适配等挑战 | 总结并展望机器学习在远端中等血管闭塞检测中的进展、挑战与未来方向，以推动快速卒中诊疗 | 远端中等血管闭塞患者的多模态影像数据（非增强CT、CT血管成像、MR血管成像、CT灌注、多时相CTA及MRI） | 机器学习 | 脑血管疾病（急性缺血性卒中） | CT血管成像, 磁共振血管成像, CT灌注, 多时相CTA, 磁共振成像 | 机器学习, 深度学习 | 影像 | NA | NA | 多模态网络, 可解释人工智能 | 敏感性 | NA |
| 2228 | 2026-06-25 |
Accuracy of Artificial Intelligence-Based Models Versus Conventional Scoring Systems (APACHE, SOFA, and SAPS) in Predicting Mortality Among ICU Patients: A Systematic Review and Meta-Analysis
2026-May, Cureus
DOI:10.7759/cureus.109459
PMID:42338822
|
系统性综述与荟萃分析 | 系统评估基于人工智能的模型与传统评分系统（APACHE、SOFA、SAPS）在预测ICU患者死亡率方面的准确性 | 首次通过荟萃分析系统比较AI模型与传统ICU评分系统的判别性能，并基于模型类型、数据集特征和时间建模进行了亚组分析 | 研究设计、验证方法和报告标准存在显著异质性，且校准报告不统一，无法进行定量综合 | 评估AI模型与传统ICU评分系统在预测住院死亡率方面的性能差异 | 危重症监护病房（ICU）患者 | 机器学习 | 危重症 | NA | 基于树的集成模型、深度学习模型、经典机器学习模型、时间序列模型 | 结构化临床数据 | 约500,000例ICU入院记录，来自10项研究 | NA | NA | AUC, 敏感性, 特异性, 校准度 | NA |
| 2229 | 2026-06-25 |
A hybrid BiLSTM-transformer-GCN architecture with API fusion for adaptive transportation resource analytics
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349787
PMID:42213697
|
研究论文 | 提出一种融合BiLSTM、Transformer编码器、图卷积网络和API上下文特征融合的混合深度学习框架，用于自适应交通资源发现与分类 | 首次将BiLSTM、Transformer和GCN三者结合，并引入API融合机制和联合多目标学习策略，同时优化监督分类和无监督异常发现 | 未提及在极端交通条件下或大规模分布式系统中的性能表现 | 实现智能交通系统中交通资源的自适应发现、分类和管理 | 智能交通系统中的异构时空数据，包括连接车辆、道路基础设施和外部上下文服务数据 | 机器学习 | NA | NA | BiLSTM, Transformer, GCN | 时空数据 | 使用了巴塞罗那事故数据集和地铁州际交通流量数据集，具体样本数量未提及 | PyTorch | BiLSTM, Transformer编码器, GCN | 准确率, F1分数, AUC, AUROC, AUPRC, 重建误差 | NA |
| 2230 | 2026-06-25 |
Image Restoration Learning via Noisy Supervision in Fourier Domain
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3700926
PMID:42275331
|
研究论文 | 提出在傅里叶域中使用噪声监督进行图像恢复学习的方法，解决空间相关噪声和有限监督问题 | 首次证明多种噪声的傅里叶系数分布收敛于高斯分布，并建立傅里叶域中干净与噪声目标之间的统计等价性，从而开发了一种弱监督图像恢复框架和一种针对条带噪声的全无监督去噪方法 | 未提及具体限制，但可能包括对非高斯分布噪声的泛化能力有限，以及完全无监督方法仅针对条带噪声设计 | 在傅里叶域中利用噪声监督进行图像恢复学习，以解决现有方法在处理长程相关噪声和提供更强监督方面的不足 | 自然图像去模糊、超分辨率以及条带噪声去噪任务 | 计算机视觉 | NA | NA | CNN | 图像 | NA | PyTorch | NA | 定量指标，感知质量 | NA |
| 2231 | 2026-06-25 |
Retraction: Multi-modal deep learning methods for classification of chest diseases using different medical imaging and cough sounds
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351197
PMID:42335102
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2232 | 2026-06-25 |
Retraction: Evaluation of influencing factors of China university teaching quality based on fuzzy logic and deep learning technology
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351269
PMID:42335152
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2233 | 2026-06-25 |
Bayesian Uncertainty-aware Deep Learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0352191
PMID:42335163
|
研究论文 | 提出一种贝叶斯不确定性感知深度学习算法，用于处理脑电图癫痫发作检测中的标签噪声问题 | 通过将领域知识融入贝叶斯框架，推导出基于KL散度的新型损失函数，利用不确定性学习癫痫特征，且无需向现有架构添加任何参数 | 未明确提及局限性，但可能依赖模拟数据及特定数据集验证，通用性需进一步研究 | 解决头皮脑电图标注模糊性导致的标签噪声问题，增强癫痫发作检测系统的鲁棒性 | 癫痫发作检测及发作起始区定位任务 | 机器学习 | 癫痫 | NA | 深度学习模型（通用） | 脑电图信号 | 使用一个模拟数据集和两个公开数据集（天普大学医院TUH、波士顿儿童医院CHB-MIT）及跨站点验证西耶纳脑电图数据集 | PyTorch | CNN, LSTM, 或其他基础模型（文中提及三种基础模型） | 鲁棒性指标、噪声识别能力、发作起始区定位准确性 | NA |
| 2234 | 2026-06-25 |
A lightweight hybrid deep learning approach for fashion mnist classification with explainable attention visualization
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351671
PMID:42335173
|
研究论文 | 提出一种轻量级混合深度学习架构，用于时尚图像分类任务，并结合可解释性注意力可视化技术 | 提出TinyCNN结合线性自注意力的轻量级混合架构，参数量少于50万，可在CPU上训练，并集成了多种XAI技术增强模型透明度 | 未提及在更多真实场景或更复杂数据集上的验证，可能未充分讨论模型泛化能力 | 解决深度模型在资源受限和边缘设备上的适用性问题，实现高效准确的时尚图像分类 | 时尚MNIST数据集中的灰度服装图像 | 计算机视觉 | NA | NA | CNN与Transformer混合模型 | 图像 | Fashion-MNIST数据集（包含70,000张灰度图像） | NA | TinyCNN, Linear Self-Attention | 准确率 | CPU |
| 2235 | 2026-06-25 |
Dual chaotic encryption method for wireless communication privacy data based on deep learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341253
PMID:42335192
|
研究论文 | 提出一种基于深度学习的双重混沌加密方法，用于无线通信隐私数据保护，通过BiLSTM预测密钥更新时机，并结合AES算法实现数据加密 | 将一维Logistic映射与二维Henon映射结合生成双重混沌密钥以扩展密钥空间，并使用BiLSTM网络预测密钥更新时机以增强抗攻击能力 | 实验未提及在真实复杂无线环境下的验证情况，且可能依赖充足的历史数据来训练BiLSTM模型 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2236 | 2026-06-25 |
Lightweight deep learning for medical imaging using MobileNetV2-based brain pathology classification with Grad-CAM interpretability
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1810860
PMID:42338932
|
研究论文 | 提出一种基于MobileNetV2的轻量级深度学习框架，用于脑CT图像分类，并结合Grad-CAM实现可解释性 | 采用四种预训练模型（MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16）进行特征提取与集成预测，对比评估了轻量模型在临床部署中的效率优势，并首次将Grad-CAM用于脑CT异常检测的可视化解释 | 研究仅使用了单一数据集，未探讨模型在不同医院、不同扫描设备上的泛化能力；ResNet50和EfficientNetB0在该任务中表现差，可能受限于数据预处理或模型适配不足 | 提高脑CT异常检测的准确性与可解释性，同时探索轻量模型在临床部署中的实用性 | 脑CT扫描图像中的异常（肿瘤、癌症、动脉瘤等） | 计算机视觉、数字病理 | 脑部疾病（肿瘤、癌症、动脉瘤） | CT成像 | 卷积神经网络 | 图像 | 脑CT扫描数据集，具体样本数未提及 | TensorFlow、Keras | MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16 | 准确率、宏AUC | 训练时间89秒，测试时间38.16秒，未提及具体GPU型号 |
| 2237 | 2026-06-25 |
A multi-task deep learning framework for simultaneous prediction of microsatellite instability and tumor mutational burden in gastric cancer from histopathological images
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1755232
PMID:42339119
|
研究论文 | 本文提出了一种多任务深度学习框架，用于从组织病理图像中同时预测胃癌患者的微卫星不稳定性和肿瘤突变负荷 | 创新性地将多任务学习、注意力机制与多模态紧致双线性池化层结合，实现从全切片图像和临床数据中同时预测MSI和TMB，并通过注意力热图提供模型可解释性 | 外部验证集因域偏移导致性能适度下降，模型泛化性在不同扫描仪下存在挑战 | 开发一种经济有效的工具，利用常规组织病理图像和临床数据同时预测胃癌免疫治疗生物标志物MSI和TMB | 胃癌患者的组织病理全切片图像和结构化临床数据（性别、年龄、T/N/M分期） | 数字病理学 | 胃癌 | 全切片成像 | CNN | 图像和结构化数据 | 训练集312名患者（TCGA），外部验证集121名患者（中国医学科学院肿瘤医院） | PyTorch | ResNet50 | AUC | NA |
| 2238 | 2026-06-25 |
Deep learning‑based cell type prediction in lung tissue from brightfield histology using CODEX-derived labels
2026, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.3088120
PMID:42339368
|
research paper | 利用CODEX标记从明场组织学图像中深度学习预测肺组织细胞类型 | 首次使用CODEX生成的大规模标签数据训练深度学习模型，从常规H&E染色组织学图像中预测肺组织细胞类型，替代昂贵多重成像技术 | 模型五类平衡准确率仅51.3%，性能有限 | 开发基于H&E染色组织学图像自动预测肺组织细胞类型的深度学习方法 | 肺组织活检中的细胞类型（上皮细胞、免疫细胞、内皮细胞、基质细胞、收缩细胞） | digital pathology, deep learning, computer vision | geriatric disease, lung cancer, NA | H&E染色, CODEX多重成像 | DeepLabV3+ | 明场组织学图像（H&E染色图像） | 来自多位捐赠者的肺组织切片，包含超过230万标记细胞 | NA | DeepLabV3+ with ResNet backbone | balanced accuracy | NA |
| 2239 | 2026-06-25 |
Double-stage insect recognition model based on synergistic localization of key parts
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1854371
PMID:42339385
|
研究论文 | 提出一种基于关键部位协同定位的两阶段昆虫识别模型，用于准确识别形态相似的蚂蚁物种 | 提出双阶段识别架构，结合目标检测网络定位关键部位、全局上下文增强模块和自适应协同机制融合多部位特征，提升形态相似昆虫的分类准确率 | 未在文章中明确说明局限性 | 解决形态相似小昆虫（如入侵火蚁）的准确识别问题，推动昆虫识别与生态监测应用 | 形态相似的蚂蚁物种（红火蚁等） | 计算机视觉 | NA | NA | 目标检测网络与分类网络结合 | 图像 | 构建了Ant7C数据集（具体样本数量未提及） | NA | 目标检测网络+分类网络+全局上下文增强模块 | 准确率 | NA |
| 2240 | 2026-06-24 |
Deep learning based on CD3 histological slides for prediction of colon cancer outcome: analysis of three international stage III colon cancer cohorts
2026-Dec-31, Oncoimmunology
IF:6.5Q1
DOI:10.1080/2162402X.2026.2668797
PMID:42100890
|
研究论文 | 开发基于CD3组织切片的深度学习模型，用于自动分析并预测III期结肠癌患者的预后 | 首次利用深度学习从CD3免疫组化切片自动提取肿瘤核心和浸润边缘区域特征，实现稳健的预后分层，且不受染色和扫描变异影响 | 外部验证集中肿瘤核心区域的差异无统计学意义；传统CD3计数方法在不同队列中表现不一致 | 提高III期结肠癌预后分层的准确性和可重复性 | 来自三个国际队列（PETACC08、PRODIGE-13、HARMONY）的1737名III期结肠癌患者 | 数字病理学 | 结肠癌 | NGS | CNN | 图像 | 1737名III期结肠癌患者 | NA | VGG19, UNI | 无病生存期 | NA |