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 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 | 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 |
| 2342 | 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 |
| 2343 | 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 |
| 2344 | 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 |
| 2345 | 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 |
| 2346 | 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 |
| 2347 | 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 |
| 2348 | 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 |
| 2349 | 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 |
| 2350 | 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 |
| 2351 | 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 |
| 2352 | 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 |
| 2353 | 2026-03-06 |
Preoperative identification of deep myometrial invasion in endometrial cancer: a multicenter MRI study with a vision foundation model-enhanced multimodal deep learning framework
2026-Feb-26, European journal of obstetrics, gynecology, and reproductive biology
DOI:10.1016/j.ejogrb.2026.115018
PMID:41780136
|
研究论文 | 本研究开发并验证了一个基于视觉基础模型增强的多模态深度学习放射组学框架，用于无创预测子宫内膜癌患者的深肌层浸润 | 提出了一个结合视觉基础模型（VFM）和多模态信息的深度学习框架，通过异构模型通用知识转移和跨序列引导注意力模块，实现了MRI序列间的语义对齐和协同特征表示 | 回顾性研究设计，可能存在选择偏倚；未在更广泛的人群中进行前瞻性验证 | 开发一个非侵入性预测子宫内膜癌深肌层浸润的深度学习模型 | 子宫内膜癌患者 | 数字病理 | 子宫内膜癌 | MRI成像 | 深度学习 | 图像, 临床病理信息 | 1376名患者，来自七个独立中心 | NA | VFM-MDLR, GKTH, CSGA, VFM-DKF | AUC | NA |
| 2354 | 2026-03-06 |
Thermal signatures in breast cancer: Deciphering latent biomarkers through deep learning and explainable AI
2026-Feb-26, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2026.104426
PMID:41780328
|
研究论文 | 本研究开发了一种基于卷积神经网络和可解释AI的深度学习模型，用于分析乳腺热成像图像以检测乳腺癌 | 将深度学习与可解释AI（SHAP）相结合应用于乳腺热成像分析，提高了模型诊断性能与决策过程的可解释性 | 热成像在乳腺癌诊断中应用不足，公开数据集有限 | 开发基于机器学习的模型以提高乳腺癌早期检测的准确性和可及性 | 乳腺热成像图像 | 计算机视觉 | 乳腺癌 | 热成像 | CNN | 图像 | Visual DMR数据集中的多视角乳腺热成像图像 | NA | VGG16 | 准确率, AUROC, F1分数, 精确率, 敏感度 | NA |
| 2355 | 2026-03-06 |
Artificial intelligence model for cardiovascular disease risk prediction in breast cancer patients using electronic health records and computed tomography scans
2026-Feb-25, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2026.111455
PMID:41759965
|
研究论文 | 本研究开发了一种融合深度学习模型，利用电子健康记录和CT扫描预测接受放疗的乳腺癌患者的心血管疾病死亡率 | 首次提出结合CT扫描和电子健康记录的融合深度学习模型，用于乳腺癌患者心血管疾病死亡风险预测，并展示了高精度性能 | 研究仅针对接受放疗的乳腺癌患者，可能无法推广到其他癌症类型或治疗方式；模型依赖于特定医疗机构的电子健康记录和CT数据，外部验证尚未进行 | 开发一种人工智能模型，用于早期预测乳腺癌患者心血管疾病死亡风险，以支持临床决策和干预 | 接受放疗的乳腺癌患者 | 数字病理学 | 心血管疾病 | CT扫描，电子健康记录分析 | 融合深度学习模型 | 图像，文本 | 23,067名患者，包含约500万张CT切片和约60万份电子健康记录文档 | NA | 融合深度学习模型 | AUC，准确率 | NA |
| 2356 | 2026-03-06 |
Scalable physics-informed deep generative model for solving forward and inverse stochastic differential equations
2026-Feb-24, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108770
PMID:41780285
|
研究论文 | 提出一种可扩展的物理信息深度生成模型（sPI-GeM），用于求解具有高维随机和空间空间的随机微分方程的正反问题 | 提出一种结合物理信息基网络（PI-BasisNet）和物理信息深度生成模型（PI-GeM）的可扩展框架，首次解决了现有深度学习模型难以处理高维空间空间随机微分方程的问题 | 未明确说明模型在极端高维情况下的计算效率限制或对特定类型随机过程的适用性边界 | 开发可扩展的深度学习模型以解决高维随机和空间空间的随机微分方程问题 | 随机微分方程的正反问题求解，包括高斯和非高斯随机过程的近似 | 机器学习 | NA | 物理信息深度学习，随机微分方程数值求解 | 深度生成模型 | 数值模拟数据 | NA | NA | PI-BasisNet, PI-GeM | 准确性 | NA |
| 2357 | 2026-03-06 |
OPU-NET-DADENA: Optimized deep learning ensemble with u-net segmentation for early detection of diabetic retinopathy
2026-Feb-18, Microvascular research
IF:2.9Q2
DOI:10.1016/j.mvr.2026.104923
PMID:41720334
|
研究论文 | 提出一种基于优化深度学习集成和U-Net分割的新方法，用于糖尿病视网膜病变的早期检测 | 提出了一种名为OPU-NET-DADENA的新方法，集成了优化的U-Net分割、残差注意力EfficientNet特征提取、混合爬行动物搜索算法特征选择以及DarkNet、DenseNet 201和NasNetMobile的集成检测模型 | 未明确说明样本来源、数据集大小或模型计算资源需求 | 开发高效的早期糖尿病视网膜病变诊断系统 | 糖尿病患者的视网膜图像 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | CNN, 集成模型 | 图像 | NA | MATLAB | U-Net, EfficientNet, DarkNet, DenseNet, NasNetMobile | 准确率, 精确率, F分数, 特异性, 敏感性, MCC, NPV, FPR, FNR | NA |
| 2358 | 2026-02-16 |
Fuel-driven hybrid deep learning model for forecasting finger millet prices
2026-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34947-8
PMID:41690993
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2359 | 2026-03-06 |
Enhancing Estimation of Fine Particulate Matter Chemical Composition across North America by Including Geophysical A Priori Information in Deep Learning with Uncertainty Quantification
2026-Feb-13, ACS ES&T air
DOI:10.1021/acsestair.5c00251
PMID:41709986
|
研究论文 | 本研究通过结合地球物理先验信息开发深度学习模型，提升了北美地区细颗粒物化学组成的估计精度，并进行了不确定性量化 | 引入地球物理先验信息（如化学传输模型数据）到CNN中，显著提高了模型在偏远地区的性能；提出了BLISCO空间交叉验证方法，以更准确地评估模型外推能力和不确定性 | 传统空间交叉验证可能因地面监测站的空间自相关性而高估性能并低估不确定性；海盐成分的估计性能相对较低（R²=0.37） | 改进北美地区细颗粒物总质量浓度及其化学组成的估计，以支持环境管理和健康影响研究 | 北美地区的细颗粒物（PM）及其化学成分（硫酸盐、硝酸盐、铵盐、有机物、黑碳、粉尘、海盐） | 机器学习 | NA | 卫星遥感、模拟数据和监测站数据整合 | CNN | 多源地球物理数据（卫星、模拟、监测） | 2000年至2023年间的月度数据，覆盖北美地区 | NA | 卷积神经网络 | R²（决定系数） | NA |
| 2360 | 2026-03-06 |
Deep learning-based non-invasive profiling of tumor transcriptomes from cell-free DNA for precision oncology
2026-Feb-12, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.10.705188
PMID:41726945
|
研究论文 | 本文介绍了Triton和Proteus，一种基于深度学习的非侵入性方法，用于从cfDNA中预测肿瘤转录组，以支持精准肿瘤学应用 | 开发了Triton用于cfDNA的片段组学和核小体分析，以及Proteus多模态深度学习框架，能够在标准深度全基因组测序下预测单基因表达，实现转录组范围的分析 | 未明确说明模型在更广泛癌症类型或更大样本中的泛化能力，以及临床验证的深度 | 开发非侵入性工具，从cfDNA中预测肿瘤转录组，用于精准肿瘤学，如癌症监测和治疗指导 | 细胞游离DNA（cfDNA），特别是循环肿瘤DNA（ctDNA），来自患者来源异种移植（PDX）和四个患者队列 | 机器学习 | 癌症 | 全基因组测序（WGS），RNA-Seq | 深度学习 | DNA测序数据 | 涉及患者来源异种移植（PDX）和四个患者队列的cfDNA样本，具体数量未明确 | NA | 多模态深度学习框架（Proteus） | 准确性，基因通路富集分数预测准确性 | NA |