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 2341 - 2360 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2341 | 2025-12-22 |
Author Response to "Letter to Editor: Deep Learning-Based Differentiation of DCIS and IDC from Mammographic Microcalcifications"
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.001
PMID:41421880
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2342 | 2025-12-25 |
Deep Learning-Based Differentiation of DCIS and IDC from Mammographic Microcalcifications
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.002
PMID:41436320
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2343 | 2026-03-06 |
Remodeling of non-coding RNA regulatory networks: Decoding the pathological mechanisms and new therapeutic paradigms of cardiovascular diseases
2026-Mar, Physics of life reviews
IF:13.7Q1
DOI:10.1016/j.plrev.2025.12.007
PMID:41447890
|
综述 | 本文系统总结了非编码RNA在心血管疾病中的表达谱和多层调控机制，并探讨了其作为生物标志物和治疗靶点的潜力 | 提出了一个跨尺度的分析框架，整合网络拓扑、竞争性内源RNA动态、外泌体运输时空梯度及能量/化学计量约束，以统一解释多种心血管疾病表型 | 基于非编码RNA的疗法在现实应用中面临递送效率低、功能冗余和微环境依赖性等挑战 | 解码非编码RNA调控网络在心血管疾病中的病理机制，并探索新的治疗范式 | 非编码RNA（如miRNA、lncRNA、circRNA、snoRNA）在心血管疾病中的作用 | 自然语言处理 | 心血管疾病 | 单细胞多组学、空间转录组学、CRISPR-dCas9系统、深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 2344 | 2026-03-06 |
Deep Learning Radiomics Based on Preoperational Ultrasound Images for Predicting Ipsilateral Ischemic Stroke in Patients with Carotid Artery Stenting: A Multicenter Study
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.006
PMID:41455622
|
研究论文 | 本研究开发并验证了一个结合临床、影像组学和深度学习特征的集成模型，用于预测颈动脉支架植入术后长期同侧缺血性卒中风险 | 首次将临床特征、影像组学特征和深度学习特征整合到单一模型中，用于预测颈动脉支架植入术后的长期卒中风险，并在多中心数据上进行了验证 | 研究为回顾性设计，可能存在选择偏倚；模型性能在外部验证集中有所下降；需要进一步的前瞻性研究验证其临床实用性 | 预测颈动脉支架植入术后患者发生长期同侧缺血性卒中的风险 | 接受颈动脉支架植入术的患者 | 数字病理学 | 心血管疾病 | 超声成像 | 深度学习, 随机生存森林 | 图像 | 802名患者（来自三个中心，2018-2024年） | NA | NA | C-index, Kaplan-Meier分析 | NA |
| 2345 | 2026-03-06 |
HiST: Histological Images Reconstruct Tumor Spatial Transcriptomics via MultiScale Fusion Deep Learning
2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202514351
PMID:41487073
|
研究论文 | 本文开发了一个多尺度卷积深度学习框架HiST，用于从组织学图像重建空间转录组学数据，以评估肿瘤异质性并预测患者预后 | HiST首次通过多尺度融合深度学习，从组织学图像中高精度重建空间分辨的基因表达谱，其性能优于现有模型约两倍，并展示了在多种癌症类型中的临床应用价值 | NA | 开发一个深度学习框架，以低成本从组织学图像中重建空间转录组学数据，用于肿瘤微环境分析和临床预后预测 | 多种癌症类型的组织学图像和空间转录组学数据，包括乳腺癌等 | 数字病理学 | 乳腺癌 | 空间转录组学 | CNN | 图像 | NA | NA | 多尺度卷积深度学习框架 | AUC, 皮尔逊相关系数, 一致性指数 | NA |
| 2346 | 2026-03-06 |
Pixel-level Radiomics and Deep Learning for Predicting Ki-67 Expression in Breast Cancer Based on Dual-modal Ultrasound Images
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.047
PMID:41539915
|
研究论文 | 本研究开发了一种基于双模态超声图像和像素级放射组学特征的深度学习模型，用于预测乳腺癌Ki-67表达 | 提出了一种结合像素级放射组学特征图和Vision-Mamba深度学习架构的新方法，用于从二维和应变弹性成像超声图像中预测Ki-67表达 | 未明确说明模型在更广泛人群或不同超声设备上的泛化能力，以及计算资源需求的具体细节 | 开发一个深度学习模型来预测乳腺癌中的Ki-67表达，以辅助个体化治疗决策 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 超声成像（二维和应变弹性成像） | 深度学习模型 | 图像 | 1031名乳腺癌患者（训练集616，内部验证集265，外部测试集150），外加63名前瞻性验证患者 | NA | Vision-Mamba | AUC, 校准曲线, 决策曲线分析 | NA |
| 2347 | 2026-03-06 |
Generalizable Deep Learning for Prostate Cancer Risk Stratification: Multicenter Study Integrating 18F-PSMA-1007 PET/CT and mpMRI
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.050
PMID:41547629
|
研究论文 | 本研究开发了一种名为CL-MGNET的少样本深度学习模型，通过整合18F-PSMA-1007 PET/CT、多参数MRI和临床数据，以预测前列腺癌的高侵袭性生物学特征 | 提出了一种专为少样本学习设计的深度学习网络CL-MGNET，能够有效融合多模态成像和临床数据，在数据有限的情况下实现高性能预测，并展示了跨中心的强泛化能力 | 研究为回顾性设计，样本量相对有限（共377例患者），且外部验证队列规模较小（36例），可能影响结果的普遍适用性 | 开发一个能够预测前列腺癌高风险生物学特征（ISUP分级、包膜外侵犯、手术切缘阳性）的深度学习模型，以改善风险分层和治疗指导 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 18F-PSMA-1007 PET/CT, 多参数MRI | 深度学习 | 图像, 临床数据 | 377例患者（341例来自中心A，36例来自中心B） | NA | CL-MGNET | AUC | NA |
| 2348 | 2026-03-06 |
De novo design of GPCR exoframe modulators
2026-Mar, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-09957-1
PMID:41699180
|
研究论文 | 本文介绍了一种名为GPCR外框架调节器（GEMs）的从头设计蛋白质，用于靶向G蛋白偶联受体的跨膜结构域，实现多样化的变构调节 | 首次开发了针对GPCR跨膜结构域的从头设计蛋白质调节器，采用幻觉式设计方法和结构提示策略，实现了对多巴胺D受体的变构调节，包括激动剂-正变构调节器、负变构调节器和偏向性变构调节器 | 研究主要基于多巴胺D受体作为原型模型，未广泛验证其他GPCR靶点；功能恢复实验限于体外功能测定，缺乏体内疗效验证 | 开发针对GPCR跨膜结构域的新型变构调节剂，以拓展GPCR药物发现策略 | G蛋白偶联受体（GPCRs），特别是多巴胺D受体及其功能缺失突变体 | 计算生物学 | NA | 幻觉式设计方法，结构生物学研究，功能测定 | 深度学习模型 | 蛋白质结构数据，功能测定数据 | 四种GEMs蛋白质，针对多巴胺D受体及其突变体进行系统研究 | NA | NA | NA | NA |
| 2349 | 2026-03-06 |
Open-Set Active Learning for Nucleus Detection From the Histopathological Images
2026-Mar, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3617073
PMID:41052167
|
研究论文 | 本文提出了一种用于开放集环境中细胞核检测的两阶段主动学习框架，旨在减少标注负担并提高检测准确性 | 首次探索开放集环境下的细胞核检测主动学习，提出基于原型的查询策略和两阶段框架以处理未知类样本 | 未提及具体的数据集规模限制或模型泛化能力的详细评估 | 开发一种在开放集环境中减少标注工作量的细胞核检测主动学习方法 | 组织病理学图像中的细胞核 | 数字病理学 | NA | 深度学习 | CNN | 图像 | NuCLS和PanNuke两个数据集 | PyTorch | NA | 检测准确性 | NA |
| 2350 | 2026-03-06 |
Unsupervised High-Order Implicit Neural Representation With Line Attention for Metal Artifact Reduction
2026-Mar, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3620222
PMID:41071700
|
研究论文 | 本文提出了一种基于隐式神经表示的无监督金属伪影减少框架，通过高阶线注意力网络从X射线中捕获局部上下文和几何表示，以重建无伪影的CT图像 | 提出了高阶线注意力网络，通过二阶特征交互改善频谱偏差问题，并设计线性复杂度的线注意力模块建立采样射线间空间点标记的全局关系，采用多局部相邻射线采样策略提供更多上下文信息 | 未在摘要中明确说明 | 减少计算机断层扫描图像中的金属伪影 | 含有金属植入物的CT图像 | 计算机视觉 | NA | 计算机断层扫描 | 隐式神经表示 | 图像 | NA | NA | 高阶线注意力网络 | NA | NA |
| 2351 | 2026-03-06 |
Deep learning in biology faces a transferability crisis
2026-Mar, PLoS biology
IF:7.8Q1
DOI:10.1371/journal.pbio.3003656
PMID:41774686
|
评论 | 本文讨论了深度学习在生物学领域面临的泛化性危机，并提出了潜在解决方案 | 指出生物学中深度学习模型泛化性问题的严重性，并系统性地提出改进方向 | NA | 分析深度学习在生物学应用中的泛化性挑战，并提出解决策略 | 深度学习模型在生物学领域的应用 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2352 | 2026-03-06 |
Deep Learning-Enhanced Diffusion-Weighted Imaging of the Abdomen at 0.55 T: Image Quality and Apparent Diffusion Coefficient Calculation Interchangeability in Healthy Volunteers
2026-Mar, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.11.039
PMID:41391962
|
研究论文 | 本研究评估了深度学习增强的低场强腹部扩散加权成像的技术可行性、图像质量和表观扩散系数可靠性 | 首次在0.55 T低场强磁共振中应用深度学习超分辨率重建技术，显著提升腹部扩散加权成像质量 | 研究仅纳入健康志愿者，样本量有限（33人），且未评估病理组织 | 评估深度学习增强低场强扩散加权成像的技术性能与临床适用性 | 健康志愿者的腹部器官（肝脏、脾脏、胸椎椎体） | 医学影像分析 | NA | 扩散加权成像，磁共振成像 | 深度学习 | 医学影像 | 33名健康志愿者 | NA | 超分辨率重建网络 | 图像质量评分，组内相关系数，Bland-Altman分析，相关性系数 | NA |
| 2353 | 2026-03-06 |
Spectral Decomposition of Chemical Semantics for Activity Cliffs-Aware Molecular Property Prediction
2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202517579
PMID:41632044
|
研究论文 | 提出了一种名为PrismNet的光谱图网络，通过模拟化学直觉，用于分子性质预测，特别是在处理活性悬崖方面表现出色 | 采用光谱图网络和双分解策略，将分子分解为支架、功能基团和药效团三个化学视角，并通过光谱频率解析，实现了多尺度语义的统一和化学可解释性 | NA | 提高分子物理化学和生物性质预测的准确性，特别是在药物发现中处理活性悬崖问题 | 分子 | 机器学习 | NA | 光谱图网络 | 光谱图网络 | 分子图数据 | 64个基准数据集，包括30个活性悬崖数据集 | NA | PrismNet | NA | NA |
| 2354 | 2026-03-06 |
Deep Learning-Based Super-Resolution for Vessel Enhancement in Photoacoustic Microscopy Imaging
2026-Mar, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70221
PMID:41780538
|
研究论文 | 本文提出了一种基于深度学习的超分辨率方法GDSU-Net，用于增强光声显微成像中的血管结构 | GDSU-Net在U-Net架构基础上引入了组归一化、深度可分离卷积、挤压-激励块和基于像素重排的解码器，以提升光声成像的超分辨率重建性能 | NA | 旨在通过超分辨率重建技术提升光声显微成像中血管网络的图像质量 | 光声显微成像中的血管网络图像 | 计算机视觉 | NA | 光声成像 | CNN | 图像 | NA | NA | U-Net | 结构相似性指数, 峰值信噪比, 均方根误差, 平均绝对误差 | NA |
| 2355 | 2026-03-06 |
MuloAD: A Multiomics Integration Model Utilizing Graph Convolutional Networks for Alzheimer's Disease Diagnosis and Biomarker Identification
2026-Mar, The European journal of neuroscience
DOI:10.1111/ejn.70452
PMID:41782334
|
研究论文 | 本文提出了一种基于图卷积神经网络的框架MuloAD，用于整合多组学数据以增强阿尔茨海默病的诊断和生物标志物识别 | 利用GraphSAGE从DNA甲基化、mRNA表达和microRNA表达数据中独立提取特征，并通过视图相关发现网络在高维标签空间中捕获跨组学关系 | 研究仅基于ROSMAP队列的350个样本，样本量相对有限，且未在其他独立队列中进行验证 | 通过多组学数据整合提升阿尔茨海默病的早期诊断准确性并识别关键生物标志物 | 阿尔茨海默病患者和健康对照者的多组学数据 | 机器学习 | 阿尔茨海默病 | DNA甲基化测序、mRNA表达测序、microRNA表达测序 | 图卷积神经网络 | 多组学数据 | 350个样本（来自ROSMAP队列） | PyTorch | GraphSAGE | 准确率 | NA |
| 2356 | 2026-03-06 |
Utility of Artificial Intelligence in Stereotactic Radiosurgery for Vestibular Schwannomas: A Systematic Review
2026-Mar, Asian journal of neurosurgery
DOI:10.1055/s-0045-1813260
PMID:41782594
|
系统综述 | 本文系统综述了人工智能在听神经瘤立体定向放射外科治疗中的当前应用与临床效用 | 首次系统性地将AI在听神经瘤立体定向放射外科中的应用归纳为三个领域（治疗前肿瘤表征与分割、放射外科治疗计划、治疗后反应预测），并总结了卷积神经网络和联邦学习等AI方法在自动化、精准化方面的潜力 | 存在数据标准化不足、模型泛化性有限以及临床实践整合困难等挑战，需要更多前瞻性多中心研究和监管监督来验证和推广AI工具 | 评估人工智能在听神经瘤立体定向放射外科管理中的应用现状和临床价值 | 听神经瘤患者及其立体定向放射外科治疗过程 | 数字病理 | 听神经瘤 | 立体定向放射外科，特别是伽玛刀放射外科 | 机器学习，深度学习 | 医学影像数据 | 基于22项原始研究的汇总分析，具体样本量未在摘要中明确 | NA | 卷积神经网络 | 与专家手动标注相当的性能指标 | NA |
| 2357 | 2026-03-06 |
Application of Artificial Intelligence in Detecting Dental Anomalies: Current Models, Imaging Modalities, and Future Directions
2026-Mar, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.71969
PMID:41782650
|
综述 | 本文综述了人工智能在牙科异常检测中的应用，包括当前模型、成像模态及未来方向 | 系统评估了多种AI模型在牙科异常检测中的性能，并识别了高效模型如EfficientDet-D3、nnU-Net和ResNeXt | 性能在不同异常类型和成像模态间存在差异，且缺乏同时检测多种异常的多类别模型 | 调查人工智能在牙科异常检测与诊断中的应用 | 牙科异常，包括多生牙、巨牙症、阻生牙、异位萌出和磨牙-切牙釉质矿化不全 | 计算机视觉 | 牙科疾病 | 牙科放射成像和摄影 | 深度学习 | 图像 | 20项研究 | NA | EfficientDet-D3, nnU-Net, ResNeXt | 准确率 | NA |
| 2358 | 2026-03-06 |
Improved 3D image reconstruction via deep-learning-based fusion of light-field microscopy and Fourier light-field microscopy images
2026-Mar, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.31.3.036002
PMID:41783388
|
研究论文 | 本文提出了一种基于深度学习的图像融合技术，结合光场显微镜（LFM）和傅里叶光场显微镜（FLFM）图像，以提高3D图像重建质量 | 通过深度学习网络融合LFM和FLFM图像，结合了FLFM的高空间分辨率和LFM的密集角度采集能力，并采用分层级联融合策略优化多模态特征 | NA | 克服光场显微镜在空间分辨率与角度信息之间的权衡限制，提升3D图像重建的细节保留和深度恢复能力 | 合成微管蛋白数据集和小鼠脑部血管数据集 | 计算显微镜 | NA | 光场显微镜（LFM）、傅里叶光场显微镜（FLFM）、深度学习图像融合 | 深度学习网络 | 3D图像、光场图像、傅里叶光场图像、极平面图像数据 | 公开可用的合成微管蛋白数据集和小鼠脑部血管数据集 | NA | U-Net | 峰值信噪比（PSNR）、结构相似性指数（SSIM） | NA |
| 2359 | 2026-03-06 |
Rolling convolution filters for lightweight neural networks in medical image analysis
2026-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.2.024501
PMID:41783539
|
研究论文 | 本文提出了一种称为滚动卷积滤波器的设计元素，用于开发医学图像分析中的轻量级卷积神经网络，旨在降低模型复杂性和内存占用而不影响性能 | 通过通道级滚动操作在单个基础滤波器上生成独特滤波器，限制可学习参数，从而显著减少参数数量和模型大小 | NA | 开发轻量级卷积神经网络以降低模型复杂性和内存需求，适用于资源受限的医学成像环境 | 医学图像分析任务，包括重建、分割和分类，涉及MRI、CT和OCT模态 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | NA | NA | 滚动卷积滤波器 | 性能误差，参数减少倍数，模型大小减少倍数 | NA |
| 2360 | 2026-03-06 |
Deep learning-based MRI segmentation for substantia nigra in Parkinson's disease with cognitive impairment
2026-Feb-28, Parkinsonism & related disorders
IF:3.1Q2
DOI:10.1016/j.parkreldis.2026.108260
PMID:41780488
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于在神经黑色素敏感MRI上分割帕金森病伴认知障碍患者的黑质致密部，并探索其与临床症状的关联 | 首次将SA-U2Net模型应用于神经黑色素敏感MRI的黑质致密部自动分割，并揭示了黑质致密部面积与帕金森病伴认知障碍患者疲劳严重程度的特异性独立关联 | 研究为单中心横断面设计，样本量有限，其他关联性需要在多中心纵向研究中进一步验证 | 开发可扩展的影像学生物标志物，用于帕金森病伴认知障碍的临床分层 | 帕金森病伴认知障碍患者、帕金森病不伴认知障碍患者和健康对照者 | 数字病理学 | 帕金森病 | 神经黑色素敏感MRI | 深度学习 | MRI图像 | 156名参与者（53名PD-CI, 53名PD-NCI, 50名HC） | NA | SA-U2Net | 与手动分割的一致性 | NA |