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 42795 篇文献，本页显示第 2281 - 2300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2281 | 2026-03-07 |
A novel deep semantic- and vision-based self-attention architecture for skin cancer classification
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261430276
PMID:41788664
|
研究论文 | 本文提出了一种基于深度学习和可解释人工智能的皮肤癌分类架构，用于皮肤病变分割和分类 | 提出了一种融合倒置自注意力残差架构与视觉Transformer的FusedNet架构（ISAwViT），并利用可解释人工智能技术（如LIME和Grad-CAM）解释模型决策 | 未明确提及研究局限性，可能包括数据集单一或模型泛化能力未充分验证 | 开发一种计算机辅助诊断系统，以帮助医生更准确地检测和预测皮肤癌 | 皮肤癌病变图像 | 计算机视觉 | 皮肤癌 | 深度学习，可解释人工智能 | CNN, Transformer | 图像 | HAM10000数据集 | NA | DeepLab V3, ResNet-18, Inverted self-attention with Vision Transformer | 准确率 | NA |
| 2282 | 2026-03-07 |
The combined deep learning model integrating CT features and clinical variables for preoperative T-stage diagnosis in esophageal cancer: A multicenter study
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261427129
PMID:41788663
|
研究论文 | 本研究开发并验证了一种结合CT特征和临床变量的深度学习模型，用于食管癌术前T分期诊断 | 提出了一种结合分层多尺度特征融合网络（HMFFN）和自动度量图神经网络（AMGNN）的深度学习模型，首次将CT图像特征、手工形态特征和临床变量融合用于食管癌T分期诊断 | 样本量相对有限（共443例患者），且为回顾性研究，可能存在选择偏倚 | 开发并验证一种结合CT特征和临床变量的深度学习模型，以提高食管癌术前T分期的诊断准确性 | 食管癌患者 | 计算机视觉 | 食管癌 | CT成像，三维重建技术 | 深度学习，图神经网络 | CT图像，临床数据（人口统计学信息、实验室检测结果、内镜检查结果） | 443例食管癌患者（内部数据集394例，外部数据集49例） | NA | 分层多尺度特征融合网络（HMFFN），自动度量图神经网络（AMGNN） | AUC，准确率 | NA |
| 2283 | 2026-03-07 |
Deep learning-based multi-class classification of thyroid disorders on Tc-99m scintigraphy using modified DenseNet-201
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261418842
PMID:41788666
|
研究论文 | 本研究开发了一种基于改进DenseNet-201的深度学习系统，用于在Tc-99m闪烁扫描图像上对甲状腺疾病进行七分类自动诊断 | 利用迁移学习技术，对DenseNet-201模型进行定制化修改，实现了对七种甲状腺疾病类型的多分类，包括冷结节、热结节等，并通过五折交叉验证展示了较高的诊断性能 | 未明确提及样本来源的多样性、模型在外部验证集上的泛化能力，以及临床实际部署中的计算资源需求 | 开发一个自动化系统，辅助医生对甲状腺疾病进行临床诊断 | 甲状腺疾病（包括冷结节、热结节、多结节性甲状腺肿、结节性甲状腺肿、甲状腺炎、毒性弥漫性甲状腺肿和正常状态） | 计算机视觉 | 甲状腺疾病 | Tc-99m闪烁扫描成像 | CNN | 图像 | NA | NA | DenseNet-201 | 准确率, 特异性, 精确率, 灵敏度, F1分数, AUC, Kappa系数 | NA |
| 2284 | 2026-03-07 |
Fusion of genomic and pathological data for breast cancer detection using BCDNN
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1726223
PMID:41788706
|
研究论文 | 本研究开发并评估了一个名为BC-DNN的模型，该模型通过融合基因组和病理学数据来分类乳腺肿瘤为良性或恶性，旨在提高诊断准确性 | 提出了一种融合基因组和病理学数据的BC-DNN模型，用于乳腺癌检测，通过AI驱动方法提升诊断准确率 | 模型泛化能力有待增强，未来需探索与实时诊断系统的集成 | 开发并评估一个基于深度学习的模型，以改善乳腺癌的早期和准确检测 | 乳腺肿瘤（良性或恶性） | 机器学习 | 乳腺癌 | 基因组测序，组织病理学分析 | DNN | 基因组数据，病理学数据 | 使用了一个来自Kaggle的公开乳腺癌数据集，具体样本数量未明确说明 | MATLAB R2016 | BC-DNN | 分类准确率 | NA |
| 2285 | 2026-03-07 |
Evaluation of the impact of cardiopulmonary rehabilitation exercise training on cardiopulmonary function in patients with chronic obstructive pulmonary disease complicated by unstable angina pectoris using a hierarchical deep learning CT image model
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1735687
PMID:41788879
|
研究论文 | 本研究利用分层深度学习CT图像模型，定量评估心肺康复运动训练对慢性阻塞性肺疾病合并不稳定型心绞痛患者心肺结构与功能的影响 | 构建了一个多任务3D U-Net + ResNet50深度学习模型，用于自动量化来自胸部高分辨率CT和冠状动脉CT血管造影的四类成像生物标志物，为评估康复效果提供了可靠的影像学生物标志物 | 研究仅针对特定患者群体（COPD合并UA），样本量相对有限（400例），且未探讨长期效果 | 定量评估心肺康复运动训练对慢性阻塞性肺疾病合并不稳定型心绞痛患者心肺结构与功能的影响 | 慢性阻塞性肺疾病合并不稳定型心绞痛患者 | 数字病理学 | 慢性阻塞性肺疾病, 心血管疾病 | 胸部高分辨率CT, 冠状动脉CT血管造影 | 深度学习 | CT图像 | 400例患者（实验组200例，对照组200例） | NA | 3D U-Net, ResNet50 | Dice系数 | NA |
| 2286 | 2026-03-07 |
Objective interpretation of intrapartum cardiotocography images using attention-guided convolutional neural networks
2026, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2026.1717012
PMID:41789305
|
研究论文 | 本研究开发了一种基于注意力引导卷积神经网络的客观方法，用于自动分析产时胎心监护图像，以评估胎儿健康状况 | 提出了一种结合系统预处理流程和注意力引导卷积神经网络的客观解释方法，通过卷积块注意力模块使模型聚焦于临床显著的形态特征，提高了诊断一致性 | 未明确说明内部临床数据集的具体样本量，且依赖于特定标注（FIGO分类和pH值）可能限制泛化能力 | 开发一种客观的产时胎心监护图像解释方法，以减少漏诊风险并提高诊断一致性 | 产时胎心监护图像 | 计算机视觉 | NA | 电子胎儿监护 | CNN | 图像 | 内部临床数据集和外部公开CTU-UHB数据集 | NA | EfficientNet-B0, Convolutional Block Attention Module | 准确率, 宏平均F1分数 | NA |
| 2287 | 2026-03-07 |
[A visual analysis of machine learning in periodontal disease research, 2001-2023]
2025-Dec, Shanghai kou qiang yi xue = Shanghai journal of stomatology
PMID:41766323
|
综述 | 本文通过文献计量学方法，对2001年至2023年间牙周病研究中机器学习的应用和研究热点进行了可视化分析 | 利用Bibliometrix、CiteSpace和VOSviewer等工具对牙周病机器学习文献进行系统性可视化分析，揭示了该领域的发展趋势和近两年基于图像的分割与特征提取热点 | 分析仅基于Web of Science核心合集中的127篇文献，样本量相对有限，可能未涵盖所有相关研究 | 分析牙周病研究中机器学习的应用现状和研究热点 | 2001年至2023年Web of Science核心合集中收录的牙周病机器学习相关文献 | 机器学习 | 牙周病 | 文献计量学分析 | NA | 文献元数据 | 127篇符合纳入与排除标准的论文 | Bibliometrix, CiteSpace, VOSviewer | NA | NA | NA |
| 2288 | 2026-03-07 |
DG-DiT: Dual-Branch Gating Diffusion Transformer for Multi-Tracer and Multi-Scanner Brain PET Image Denoising
2025-Nov-07, IEEE transactions on radiation and plasma medical sciences
IF:4.6Q1
DOI:10.1109/trpms.2025.3630161
PMID:41743403
|
研究论文 | 本文提出了一种名为DG-DiT的双分支门控扩散Transformer网络，用于多示踪剂和多扫描仪脑PET图像去噪 | 利用扩散Transformer的强大分布建模能力，从紧凑且正则化的潜在空间中学习先验知识，实现高效少步扩散，并采用双分支门控机制有效融合多输入信息 | 未明确提及具体局限性 | 解决多示踪剂和多扫描仪PET图像去噪中效率、准确性和泛化性的挑战 | 脑PET图像 | 计算机视觉 | NA | 扩散概率模型 | Transformer | 图像 | 多示踪剂和多扫描仪数据集 | NA | 扩散Transformer, 图像恢复Transformer | PSNR, 对比度噪声比 | NA |
| 2289 | 2026-03-07 |
Reliable deep learning for coronary artery disease detection: a patient-level, statistically validated MRI study
2025 Oct-Dec, Romanian journal of morphology and embryology = Revue roumaine de morphologie et embryologie
DOI:10.47162/RJME.66.4.09
PMID:41787625
|
研究论文 | 本研究评估了DenseNet121和ResNet50两种深度学习架构在利用多参数心脏磁共振成像自动分类冠状动脉疾病方面的性能与统计稳健性 | 结合了患者级别的严格数据划分、现实的预处理流程以及全面的统计推断测试（如Shapiro-Wilk检验和Brown-Forsythe检验），以生成可重复且具有临床意义的性能评估 | 未明确提及样本的具体来源或多样性，可能影响模型的泛化能力；仅比较了两种深度学习架构，未探索其他可能更优的模型 | 评估深度学习模型在冠状动脉疾病检测中的性能和统计稳健性，以支持早期诊断和临床决策 | 冠状动脉疾病患者的心脏磁共振成像数据 | 计算机视觉 | 心血管疾病 | 心脏磁共振成像 | CNN | 图像 | NA | NA | DenseNet121, ResNet50 | 准确率, AUC-ROC, 精确率-召回率曲线下面积 | NA |
| 2290 | 2026-03-06 |
A data fusion deep learning approach for accurate organelle-based classification of cancer cells
2026-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-025-00425-8
PMID:41659840
|
研究论文 | 提出了一种基于细胞器形态和空间组织的自动化、可解释深度学习框架，用于从高分辨率荧光显微镜图像中对乳腺癌细胞系进行分类 | 开发了一种端到端框架，结合了基于补丁的采样、稀疏性过滤和通道级中间融合策略，以独立提取和整合细胞器特异性特征，无需手动分割和3D渲染步骤 | 研究仅针对六种乳腺癌细胞系进行评估，尚未在更广泛的癌症类型或临床样本中得到验证 | 开发一种自动化、可解释的深度学习框架，利用亚细胞细胞器组织对癌细胞进行分类 | 六种乳腺癌细胞系的高分辨率荧光显微镜图像 | 数字病理学 | 乳腺癌 | 荧光显微镜成像 | 深度学习 | 图像 | 六种乳腺癌细胞系的荧光显微镜图像，使用5折交叉验证 | NA | NA | 分类准确率 | NA |
| 2291 | 2026-03-06 |
PriBeL-Net: Extending betel leaf dataset with CNN-based image classification
2026-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2026.103828
PMID:41778255
|
研究论文 | 本研究通过比较四种深度学习框架在自定义数据集上的性能，评估了它们在受控和田间环境下的图像分类效果，并确定DenseNet121为最适合农业应用的模型 | 在自定义数据集上系统比较了四种深度学习框架在受控和田间环境下的性能，并针对农业应用场景提出了模型优化方向 | EfficientNetB0在噪声真实数据集上表现不佳，表明轻量级模型在处理复杂农业环境时存在限制 | 评估深度学习模型在农业图像分类任务中的性能，并确定最适合田间应用的模型 | 槟榔叶图像数据集 | 计算机视觉 | NA | 图像分类 | CNN | 图像 | 自定义数据集（具体数量未说明） | TensorFlow, Keras | MobileNetV2, EfficientNetB0, ResNet50V2, DenseNet121 | 准确率, F1分数 | NA |
| 2292 | 2026-03-06 |
AI-based prostate volume estimation from multi-planar MRI under variable acquisition protocols
2026-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2026.100738
PMID:41783490
|
研究论文 | 本研究开发了一种基于知识的深度学习分割模型，用于适应不同MRI采集协议（包括仅轴向的简化协议）的前列腺体积估计 | 提出了一种结合知识对比损失的深度学习模型，能够在训练和推理中仅使用轴向分割标注，同时整合未标注的正交视图，提高了模型在真实临床工作流程中的适应性 | 研究为回顾性设计，且仅基于单一机构的3-Tesla MRI数据，可能限制了模型的泛化能力 | 开发并评估一种能够适应不同MRI采集协议的前列腺体积估计深度学习模型 | 经活检确认的前列腺癌患者的MRI图像 | 数字病理学 | 前列腺癌 | 多参数3-Tesla MRI | 深度学习 | MRI图像 | 629例多参数3-Tesla前列腺MRI检查 | nnU-Net | 2D nnU-Net | Dice Score Coefficient, Relative Volume Difference, Bland-Altman分析, 组内相关系数 | NA |
| 2293 | 2026-03-06 |
Accelerating Multiparametric Quantitative MRI Using Self-Supervised Scan-Specific Implicit Neural Representation With Model Reinforcement
2026-May, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70227
PMID:41419989
|
研究论文 | 提出一种自监督扫描特异性深度学习框架REFINE-MORE，用于加速多参数定量MRI重建 | 结合隐式神经表示与模型强化模块，引入MR物理约束，并采用低秩适应策略提升计算效率 | NA | 开发用于加速多参数定量MRI重建的自监督扫描特异性深度学习框架 | 体模和活体脑部数据 | 医学影像处理 | NA | 多参数定量磁化转移成像 | 深度学习 | MRI图像 | 体模和活体脑部数据 | NA | 隐式神经表示 | 归一化均方根误差, 结构相似性指数 | NA |
| 2294 | 2026-03-06 |
Dynamic-Guided Diffusion Probability Model for Cranial Nerves Segmentation
2026-May, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70191
PMID:41428854
|
研究论文 | 本文提出了一种动态引导扩散概率模型，用于从多模态磁共振图像中分割颅神经束，以提高分割准确性 | 提出了一种结合多通道注意力和非局部注意力机制的动态引导机制（SE-A-NL模块），以整合颅神经的内在特征、环境特征和多模态图像信息 | 未明确说明模型的计算复杂度、泛化能力到其他神经结构或数据集，以及临床验证的充分性 | 提高颅神经束在磁共振图像中的分割性能，以支持其形态和方向的定量分析 | 五对颅神经束 | 数字病理学 | NA | 磁共振成像（MRI） | 扩散概率模型 | 多模态磁共振图像 | NA | NA | 动态引导扩散概率模型，SE-A-NL模块 | 20项评估指标（具体未列明，但提及在16项中优于现有技术） | NA |
| 2295 | 2026-03-06 |
A Deep Learning Framework for Predicting Teprotumumab Treatment Response in Thyroid Eye Disease
2026-Apr, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2026.101098
PMID:41783079
|
研究论文 | 开发并评估一个基于深度学习的框架，用于量化甲状腺眼病（TED）在替妥木单抗治疗前后的严重程度，并创建预测模型以预测个体患者对治疗的反应 | 整合基于CT的眶容积特征和临床数据，开发深度学习分类模型来量化TED严重程度，并构建回归模型预测治疗反应，为个体化治疗规划提供数据驱动工具 | 回顾性单中心研究，样本量有限（治疗反应组仅19例患者），需要外部验证和前瞻性研究确认 | 开发深度学习框架以客观量化TED严重程度并预测替妥木单抗治疗反应 | 甲状腺眼病患者（184例）和正常眶解剖个体（44例作为对照），以及治疗前后影像的19例患者 | 数字病理 | 甲状腺眼病 | 计算机断层扫描（CT） | 深度学习分类模型, 回归模型 | 图像, 临床数据 | 184例TED患者, 44例正常对照, 19例治疗反应患者 | NA | NA | 准确率, AUC, 均方根误差, 决定系数（R²） | NA |
| 2296 | 2026-03-06 |
Closing the loop: A systematic review of artificial intelligence in circular e-waste management
2026-Mar-15, Waste management (New York, N.Y.)
DOI:10.1016/j.wasman.2026.115392
PMID:41653831
|
系统综述 | 本文系统综述了人工智能在电子废弃物循环管理中的应用，分析了2019年至2025年10月间的147篇文献 | 提出了一个六层分类法来结构化文献证据，涵盖AI方法、生命周期阶段、数据、废物类型、限制、挑战及未来路径，并将AI系统从终端处理重构为再生循环 | 数据可用性和泛化性不足，缺乏标准化、互操作性差距，以及AI伦理和监管采纳的障碍，限制了不确定性感知电子废物系统的发展 | 探讨人工智能如何促进从线性废物处理向循环路径的战略转变，以支持可持续电子废物管理 | 电子废弃物（e-waste） | 机器学习 | NA | 深度学习 | NA | NA | 147篇文献 | NA | NA | NA | NA |
| 2297 | 2025-12-23 |
Development of the model for predicting the efficacy of bevacizumab and prognosis in ovarian cancer using deep learning-based pathomics signatures
2026-Mar-05, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003823
PMID:41424025
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2298 | 2026-03-06 |
Boosting Crystalline Property Prediction through Dynamical Feature Updating and Wavelet-Denoised Features: A New Deep Learning Model
2026-Mar-05, The journal of physical chemistry letters
IF:4.8Q1
DOI:10.1021/acs.jpclett.5c03930
PMID:41711197
|
研究论文 | 提出了一种名为WANN的新型深度学习框架，通过动态特征更新和小波去噪特征来提升晶体材料性质的预测精度 | 引入了迭代子嵌入模块来隐式捕获多体原子相互作用，无需预定义的特征工程；构建了基于小波的多尺度特征分析回归组件 | 未明确提及模型在处理极端复杂材料体系或超大规模数据集时的具体限制 | 准确预测多种材料的物理和化学性质，特别是多组分材料 | 晶体材料，包括高熵合金和陶瓷等 | 机器学习 | NA | NA | GNN, 深度学习模型 | 原子结构数据 | NA | NA | Wavelet Atomic Neighborhood Network (WANN) | 平均绝对误差 (MAE) | NA |
| 2299 | 2026-03-06 |
Shifting the paradigm in intracranial aneurysm detection with deep learning: A diagnostic accuracy meta-analysis and meta-regression
2026-Mar-05, Neurosurgical review
IF:2.5Q1
DOI:10.1007/s10143-026-04196-y
PMID:41781568
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2300 | 2026-03-06 |
Time-frequency-spatial channel attention network for semantic decoding: an exploratory EEG study
2026-Mar-05, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-026-03539-7
PMID:41781649
|
研究论文 | 本研究提出了一种名为TFSANet的深度学习模型，用于从脑电图信号中解码语义信息，并探索其在失语症患者中的应用 | 设计了针对中文语言刺激的语义任务范式，并构建了结合时域、频域和空间通道注意力的深度学习模型TFSANet，以解码与语义相关的脑电图特征 | 脑电图数据集有限，特别是包含中文语言刺激的数据集 | 研究语言处理和表征的神经机制，并开发解码语义信息的方法 | 失语症患者和健康受试者 | 脑机接口 | 失语症 | 脑电图 | 深度学习 | 脑电图信号 | 17名参与者（包括失语症患者和健康受试者） | NA | Time-Frequency-Spatial Channel Attention Network | 准确率 | NA |