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 43010 篇文献，本页显示第 2361 - 2380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2361 | 2026-03-10 |
Automatic estimation of single-tooth width from standardized two-dimensional occlusal photographs using deep learning
2026-Mar-09, Head & face medicine
IF:2.4Q2
DOI:10.1186/s13005-026-00605-1
PMID:41796356
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2362 | 2026-03-10 |
Development and Evaluation of Artificial Intelligence-Based Two-Step Model for Automated Serum Quality Assessment in Clinical Laboratories
2026-Mar-09, Annals of laboratory medicine
IF:4.0Q1
DOI:10.3343/alm.2025.0509
PMID:41797408
|
研究论文 | 本文开发并评估了一种基于人工智能的两步模型，用于临床实验室中血清质量的自动化评估 | 提出了一种新颖的自研人工智能方法，采用两步深度学习YOLOv5-ResNet-50架构模型，并在真实实验室条件下探索其性能 | NA | 增强临床实验室的分析前质量控制，为受溶血、黄疸或脂血影响的样本提供风险警报，确保患者检测结果的准确性 | 血清样本 | 计算机视觉 | NA | 血清指数测试与手动评估结合 | 深度学习 | 图像 | 主要数据集包含21,000个血清样本（训练集80%，验证集20%），独立测试数据集包含21,000个样本 | NA | YOLOv5, ResNet-50 | 准确率 | 集成到罗氏Cobas c 701模块中进行预处理 |
| 2363 | 2026-03-10 |
Harnessing the Power of artificial intelligence for clinical trials in cancer
2026-Mar-09, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2026.2642221
PMID:41797434
|
综述 | 本文综述了人工智能在癌症临床试验全生命周期中的应用、挑战与未来展望 | 系统总结了AI（包括基础机器学习、深度学习及大语言模型）如何作为催化剂，提升临床试验效率、包容性和数据驱动性，并探讨了Trial Pathfinder、TrialGPT、PRISM等工具在模拟试验标准、加速患者匹配和提高资格准确性方面的能力 | 未涉及具体临床试验数据或模型性能的定量分析，主要基于现有工具和框架的定性讨论 | 探讨人工智能在癌症临床试验中的应用潜力与挑战，以推动更高效、包容和数据驱动的研究 | 癌症临床试验的全生命周期，包括设计、招募、数据管理和结果评估 | 机器学习 | 癌症 | 数字病理学、影像学、基因组测序 | 机器学习, 深度学习, 大语言模型 | 图像, 文本, 基因组数据 | NA | NA | NA | NA | NA |
| 2364 | 2026-03-10 |
Benchmarking a deep learning model against healthcare practitioners for hip fracture detection in the emergency department
2026-Mar-09, Singapore medical journal
IF:1.7Q2
|
研究论文 | 本研究旨在验证一个用于急诊科骨盆X光片中髋部骨折自动检测的深度学习模型，并将其性能与急诊科初级医生和放射技师进行基准比较 | 首次将深度学习模型在髋部骨折检测中的性能与急诊科医疗从业者（包括放射技师和初级医生）进行直接对比，并评估了模型输出对医生诊断决策的辅助效果 | 深度学习模型在原始高分辨率图像上的性能低于放射技师，且未整合多模态临床数据，限制了其临床应用的直接部署 | 验证深度学习模型在急诊科髋部骨折自动检测中的有效性，并评估其相对于医疗从业者的诊断性能 | 骨盆X光片中的髋部骨折 | 计算机视觉 | 髋部骨折 | X光成像 | CNN | 图像 | 600张正面骨盆X光片 | NA | DenseNet-121 | AUROC, AUPRC, 灵敏度, 特异性, 阳性预测值, 阴性预测值 | NA |
| 2365 | 2026-03-10 |
De Novo Multi-Mechanism Antimicrobial Peptide Design via Multimodal Deep Learning
2026-Mar-09, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202515835
PMID:41801219
|
研究论文 | 本文提出了一种基于多模态深度学习的抗菌肽设计方法，通过整合三维结构特征和物种特异性抗菌活性，实现多机制抗菌肽的从头设计 | 首次将三维结构特征、微生物物种特异性抗菌活性和作用机制整合到AI驱动的抗菌肽发现中，并开发了创新的三维体素着色方法来增强结构表征 | 未明确说明数据库覆盖的抗菌肽多样性是否足够广泛，且体内实验的样本规模和长期毒性评估可能有限 | 开发一种AI驱动的抗菌肽设计方法，以对抗多重耐药微生物 | 抗菌肽（AMPs）及其对多重耐药微生物的抗菌活性 | 机器学习 | NA | 多模态深度学习 | 深度学习模型 | 序列、三维结构、抗菌特性数据 | 12,914个抗菌肽 | NA | NA | NA | NA |
| 2366 | 2026-03-10 |
Deep learning-enhanced shoreline dynamics and vulnerability assessment in Niger Delta area of Nigeria
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39405-7
PMID:41796127
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2367 | 2026-03-10 |
BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43573-x
PMID:41796249
|
研究论文 | 本文提出了一个名为BigEye的临床可解释深度学习框架，用于糖尿病视网膜病变的检测和分期预测 | 提出了一种新颖的框架，利用提取的病灶特征来预测ICDR分期，并通过SHAP值分析展示了模型预测与临床分期标准的高度一致性，增强了结果的可解释性 | 未明确提及研究的局限性 | 开发一个能够识别相关视网膜病灶并提供可解释结果的深度学习模型，以应对未来糖尿病视网膜病变病例的预期增长 | 糖尿病视网膜病变 | 数字病理 | 糖尿病视网膜病变 | 眼底照相 | CNN | 图像 | 来自当地医院和公共数据集的眼底图像，标注有分割掩码和DR分期 | NA | DeepLabV3+ | 精确度, 召回率, F1分数, ROC-AUC, 准确度 | NA |
| 2368 | 2026-03-10 |
Biodistribution of AAV-TT and AAV9 in the Nonhuman Primate Brain
2026-Mar-08, Human gene therapy
IF:3.9Q2
DOI:10.1177/10430342261427733
PMID:41797378
|
研究论文 | 本研究比较了AAV-TT和AAV9在非人灵长类动物大脑中的生物分布和神经元转导效率 | 首次在成年非人灵长类动物大脑中直接比较AAV-TT和AAV9的分布和转导效率，展示了AAV-TT在神经退行性疾病建模和治疗中的潜力 | 研究仅涉及四只非人灵长类动物，样本量较小，且仅观察了注射后四周的短期效果 | 评估AAV-TT在非人灵长类动物大脑中的临床潜力，并与AAV9进行比较 | 非人灵长类动物（具体为年轻成年个体）的大脑 | 数字病理学 | 神经退行性疾病 | 腺相关病毒（AAV）载体递送、绿色荧光蛋白（GFP）表达、深度学习图像分析 | 深度学习 | 图像 | 四只非人灵长类动物（两只接受AAV-TT-GFP，两只接受AAV9-GFP） | Aiforia | NA | GFP+神经元数量量化 | NA |
| 2369 | 2026-03-10 |
Frequency-Aware Feature Fusion Driven Multimodal Cell Microscopic Image Segmentation Framework
2026-Mar-08, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70137
PMID:41797365
|
研究论文 | 本文提出了一种新颖的深度学习框架，用于实现多模态细胞显微图像的准确高效分割，无需手动参数调整或算法切换 | 通过加权双向特征金字塔网络（BiFPN）、频率感知特征融合（FreqFusion）和混合局部通道注意力（MLCA）机制，解决了多模态细胞显微图像分割中的漏检、图像退化和特征利用不足等问题 | NA | 提高多模态细胞显微图像的分割精度，以支持高内涵成像与分析（HCIA）技术的精确结果 | 多模态细胞显微图像 | 计算机视觉 | NA | 显微成像 | 深度学习框架 | 图像 | NA | NA | 加权双向特征金字塔网络（BiFPN），频率感知特征融合（FreqFusion），混合局部通道注意力（MLCA） | 平均精度，细胞检测率，分割速度（FPS） | NA |
| 2370 | 2026-03-10 |
Calibration-sample free distortion correction of electron diffraction patterns using deep learning
2026-Mar-07, Ultramicroscopy
IF:2.1Q2
DOI:10.1016/j.ultramic.2026.114347
PMID:41797115
|
研究论文 | 本研究开发了一个名为EMicroML的Python库，利用深度学习框架校正电子衍射图案中的光学畸变，无需单独的校准样品 | 提出了一种无需校准样品或先验倒易晶格知识的深度学习畸变校正方法，克服了传统技术需要样品交换或已知晶格信息的限制 | 对于具有非常小衍射盘的图案，其性能仍略逊于传统的径向梯度最大化（RGM）技术 | 开发一种无需校准样品的电子衍射图案畸变校正方法，提高电子衍射分析的便利性和准确性 | 会聚束电子衍射（CBED）图案和选区电子衍射（SAED）图案 | 机器学习 | NA | 会聚束电子衍射（CBED）、选区电子衍射（SAED）、多层切片模拟 | 深度学习模型 | 图像（电子衍射图案） | 使用多层切片模拟生成的人工畸变MoS/非晶C的CBED图案数据集 | Python, 深度学习框架 | NA | 与径向梯度最大化（RGM）技术进行基准比较 | NA |
| 2371 | 2026-03-10 |
Development trajectory and trends of ultrasound biomicroscopy in glaucoma research: a comprehensive 20-year bibliometric analysis
2026-Mar-06, International ophthalmology
IF:1.4Q3
DOI:10.1007/s10792-026-04010-0
PMID:41790279
|
综述 | 本文对过去20年超声生物显微镜在青光眼研究中的应用进行了全面的文献计量分析 | 通过文献计量分析揭示了超声生物显微镜在青光眼研究中的动态演变和扩展范围，并识别了新兴研究前沿，如深度学习和3D重建 | 文献计量分析基于已发表文献，可能无法涵盖未发表或新兴的研究趋势 | 分析超声生物显微镜在青光眼研究中的应用轨迹和趋势 | 2005年至2024年间发表的557篇相关文献 | 医学影像分析 | 青光眼 | 超声生物显微镜 | NA | 文献数据 | 557篇文章 | VOSviewer, CiteSpace | NA | NA | NA |
| 2372 | 2026-03-10 |
Integrated photonic 3D tensor processing engine
2026-Mar-06, Light, science & applications
DOI:10.1038/s41377-026-02183-y
PMID:41792110
|
研究论文 | 本文提出了一种基于时间、波长和空间交织调制的集成光子三维张量处理引擎，用于加速三维卷积神经网络计算 | 首次提出完全在光域内实现数据缓存、通道同步和计算的集成光子三维张量处理引擎，无需在电域进行张量重塑，减少了内存和时间开销 | 验证实验的时钟频率范围有限（10-30 GHz），概念验证任务相对单一 | 开发用于加速三维卷积神经网络的光子硬件加速器 | 三维张量处理引擎的光子实现 | 机器学习 | NA | 光学计算，交织调制（时间、波长、空间） | CNN | 三维点云图像 | NA | NA | 三维卷积神经网络 | 识别准确率 | 光学可调延迟线芯片（支持高达200 GHz时钟频率），基于双耦合微环谐振器的交叉开关芯片（3-dB通带宽度50 GHz） |
| 2373 | 2026-03-10 |
Curiosity as a catalyst for conceptual change: A schema-based model of learning and development
2026-Mar-06, Acta psychologica
IF:2.1Q2
DOI:10.1016/j.actpsy.2026.106570
PMID:41795553
|
研究论文 | 本文提出了SEEK模型，将好奇心视为长期知识发展的认知引擎，解释了好奇心如何通过预测误差触发学习机制 | 提出了SEEK模型，首次将好奇心定位为基于过程的长期知识发展框架，整合了动机、情感和认知维度 | NA | 探索好奇心作为概念变化催化剂的作用机制及其在学习和发展中的长期影响 | 好奇心驱动的学习过程与知识发展机制 | 认知科学 | NA | NA | SEEK模型 | NA | NA | NA | SEEK模型 | NA | NA |
| 2374 | 2026-03-10 |
Microscopic detection of nematodes in entomopathogenic nematode-enriched samples using a lightweight deep learning model
2026-Mar-06, Journal of invertebrate pathology
IF:3.6Q1
DOI:10.1016/j.jip.2026.108594
PMID:41796953
|
研究论文 | 本研究提出了一种名为LightDetectorMS的超轻量级无锚点目标检测框架，用于在显微镜图像中自动检测昆虫病原线虫，以替代传统人工计数方法 | 开发了一种专为显微镜图像优化的超轻量级目标检测模型，参数仅62,991个，能在高密度重叠个体场景下实现实时处理，相比现有计算机视觉方法在架构设计和计算效率上有显著改进 | 研究仅在实验室分离的Steinernema feltiae感染期幼虫样本上进行评估，未涉及其他昆虫病原线虫物种或复杂自然环境样本 | 开发一种高效、可靠的自动化检测方法，以支持昆虫病原线虫在生物防治研究中的大规模监测和生产工作流程 | 实验室分离的Steinernema feltiae感染期幼虫的显微镜图像 | 计算机视觉 | NA | 显微镜成像 | 目标检测模型 | 图像 | 未明确说明总样本数，但使用五折交叉验证进行评估，并与人工专家计数（n=50）进行了比较 | 未明确说明，但推断可能基于PyTorch或TensorFlow等深度学习框架 | LightDetectorMS（一种超轻量级、无锚点的目标检测框架） | mAP@0.5, mAP@0.5:0.95, 精确率, 召回率, 变异系数 | 未明确说明具体GPU类型或云平台，但模型强调超轻量级和实时处理能力（152.5 FPS） |
| 2375 | 2026-03-10 |
In silico design of stable single-domain antibodies with high affinity
2026-Mar-05, Structure (London, England : 1993)
DOI:10.1016/j.str.2025.12.010
PMID:41519125
|
研究论文 | 本文介绍了一种基于结构的抗体设计流程EvolveX，用于设计具有高亲和力和稳定性的单域抗体 | 利用经验力场FoldX设计单域抗体的互补决定区，显著提高了抗体亲和力 | NA | 开发一种计算工具以克服抗体设计中的高亲和力和稳定性挑战 | 单域抗体（VHHs），特别是针对小鼠和人Vsig4的抗体 | 机器学习 | NA | X射线晶体学，下一代测序（NGS） | NA | 结构数据，序列数据 | NA | NA | NA | 结合亲和力提升倍数 | NA |
| 2376 | 2026-03-10 |
An explainable deep learning framework for few shot crop disease detection in rice and sugarcane using CNN based feature extraction
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37501-2
PMID:41786811
|
研究论文 | 本文提出了一种基于CNN特征提取和少样本学习的可解释深度学习框架，用于水稻和甘蔗作物的早期病害检测 | 结合CNN特征提取、原型网络和MAML少样本学习技术，并集成Grad-CAM解释方法以提高决策透明度 | NA | 开发快速、自动化、经济高效且精确的作物病害检测方法，以支持智能农业系统 | 水稻和甘蔗的叶片病害 | 计算机视觉 | 作物病害 | 图像处理，可解释人工智能 | CNN | 图像 | NA | NA | CNN | 准确率，特异性 | NA |
| 2377 | 2026-03-10 |
Improved image quality and reduced acquisition time in brain MRI using deep learning-based reconstruction: A quantitative and subjective assessment compared to standard MPRAGE in 0.55 T MRI
2026-Mar-05, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110656
PMID:41794343
|
研究论文 | 本研究评估了基于深度学习的图像重建在0.55 T脑部MRI中对图像质量和采集时间的影响，并与标准MPRAGE序列进行了定量和主观比较 | 在低场强（0.55 T）MRI系统中应用基于变分网络架构的深度学习重建方法，显著提高了图像质量并大幅缩短了采集时间 | 标准重建在伪影抑制和灰白质对比度方面表现略优，且研究样本量较小（30例患者） | 评估深度学习重建在低场强脑部MRI中改善图像质量和减少采集时间的潜力 | 30名接受脑部MRI检查的患者 | 医学影像分析 | NA | 3D T1加权MPRAGE序列，k空间欠采样 | 深度学习 | MRI图像 | 30例患者 | NA | 变分网络 | 信噪比，对比噪声比，5点Likert量表主观评分 | NA |
| 2378 | 2026-03-10 |
PHIVE: A physics-informed variational encoder enables rapid spectral fitting of brain metabolite mapping at 7T
2026-Mar-03, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104014
PMID:41797202
|
研究论文 | 提出了一种名为PHIVE的新型深度学习框架，用于快速、准确地量化7T磁共振波谱成像中的脑代谢物浓度 | 将物理先验知识集成到变分自编码器架构中，实现了代谢物浓度与不确定性度量的同步估计，并引入了条件基线建模方法 | 未来工作需在更多样化的数据集上进行验证，并探索其在纵向和多中心研究中的实用性 | 开发一种快速、可靠且可解释的高分辨率代谢物量化方法，为临床和研究中的实时MRSI应用铺平道路 | 健康对照者和多发性硬化症患者的全脑7T MRSI数据 | 医学影像分析 | 多发性硬化症 | 磁共振波谱成像 | 变分自编码器 | 光谱数据 | NA | NA | PHIVE | 准确性, Cramér-Rao下界, 偶然不确定性, 认知不确定性 | NA |
| 2379 | 2026-03-10 |
Advancing Metaverse-Based Healthcare With Multimodal Neuroimaging Fusion via Multi-Task Adversarial Variational Autoencoder for Brain Age Estimation
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3505421
PMID:40030298
|
研究论文 | 本文提出了一种用于脑龄估计的多任务对抗变分自编码器（M-AVAE）框架，通过融合多模态神经影像数据来提升预测精度 | 提出M-AVAE框架，将潜在变量分离为通用编码和独特编码以区分共享特征和模态特定特征，并引入性别分类作为辅助任务的多任务学习来考虑性别特异性衰老差异 | 未明确说明模型对功能磁共振成像（fMRI）数据中噪声和复杂结构的处理极限，以及模型在更广泛数据集或临床环境中的泛化能力 | 开发一种深度学习框架，通过整合多模态MRI数据来改进脑龄估计，以支持元宇宙医疗应用 | 用于脑龄估计的多模态磁共振成像（MRI）数据，包括结构MRI（sMRI）和功能MRI（fMRI） | 医学影像分析 | 阿尔茨海默病 | 磁共振成像（MRI），包括结构MRI（sMRI）和功能MRI（fMRI） | 变分自编码器（VAE），对抗训练，多任务学习 | 多模态神经影像数据（图像） | 基于OpenBHB数据集（一个多中心脑部MRI聚合数据集），具体样本数量未明确说明 | NA | 多任务对抗变分自编码器（M-AVAE） | 平均绝对误差（MAE） | NA |
| 2380 | 2026-03-10 |
KAFSTExp: Kernel Adaptive Filtering With Nyström Approximation for Predicting Spatial Gene Expression From Histology Images
2026-Mar, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3595101
PMID:40758493
|
研究论文 | 提出一种名为KAFSTExp的框架，利用病理学基础模型UNI提取组织学图像特征，并引入基于Nyström近似的核自适应滤波方法，从组织学图像预测空间基因表达 | 首次将核自适应滤波与Nyström近似相结合应用于空间转录组学预测任务，通过核方法将复杂的非线性关系转化为高维特征空间中的线性回归问题，显著提升了预测精度并降低了计算成本 | 未明确说明模型在极大规模数据集上的可扩展性，以及对于不同组织类型或癌症亚型的泛化能力可能需要进一步验证 | 开发一种从低成本病理学图像预测空间基因表达的计算方法，以替代昂贵的空间转录组学检测 | 组织病理学图像与空间基因表达数据 | 数字病理学 | 肿瘤 | 空间转录组学 | 核自适应滤波, 深度学习 | 图像, 基因表达数据 | 多个空间转录组学数据集（具体数量未明确说明） | NA | UNI | 皮尔逊相关系数 | NA |