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 2381 - 2400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2381 | 2026-03-06 |
Scanner-integrated reconstruction versus post-processing deep learning for low-count 18F-FDG PET/CT: a comparative clinical evaluation
2026-Jan-31, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00841-z
PMID:41619102
|
研究论文 | 本研究比较了两种用于低计数18F-FDG PET/CT的深度学习方法：扫描仪集成的重建级方法（DPR）和图像域后处理增强方法（POST），评估了它们在图像质量、病灶检测和扫描时间减少方面的表现 | 首次在临床环境中直接比较了扫描仪集成重建与后处理深度学习两种低计数PET/CT方法的性能，并预设了非劣效性边界进行定量评估 | 研究样本量有限（67例患者），且仅针对18F-FDG PET/CT，未涵盖其他示踪剂或更广泛的临床场景 | 评估和比较两种深度学习方法在低计数PET/CT中的图像质量和诊断性能，以实现扫描时间减少 | 67例接受全身18F-FDG PET/CT检查的患者 | 医学影像分析 | 癌症（未特指具体类型） | 18F-FDG PET/CT成像，有序子集期望最大化（OSEM）重建 | 深度学习 | PET/CT图像 | 67例患者 | NA | 深度渐进重建（DPR），RaDynPET（POST） | Likert量表评分，信噪比（SNR），肿瘤背景比（TBR），对比噪声比（CNR），Lin一致性相关系数（CCC），Bland-Altman分析 | NA |
| 2382 | 2026-03-06 |
A Comprehensive X-ray Dataset for Pediatric Ulna and Radius Fractures Analysis
2026-Jan-28, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06666-w
PMID:41605965
|
研究论文 | 本文介绍了首个公开的儿科尺骨和桡骨骨折X射线数据集PediURF，并提出了一个双视图分类模型URFNet用于骨折分类 | 创建了首个公开的儿科尺骨和桡骨骨折X射线数据集PediURF，包含超过10,000张去标识化图像，并提出了一个集成前后位和侧位视角的双视图分类模型URFNet | 未明确说明数据集的多样性或模型在外部验证集上的性能 | 为儿科尺骨和桡骨骨折的人工智能研究提供标准化数据集，并开发深度学习模型进行骨折分类 | 儿科尺骨和桡骨骨折的X射线图像 | 计算机视觉 | 儿科骨折 | X射线成像 | 深度学习分类模型 | 图像 | 超过10,000张去标识化X射线图像 | NA | URFNet | NA | NA |
| 2383 | 2026-03-06 |
Systematic evaluation of mitochondrial morphology regulators for amelioration of neuronal α-synucleinopathy
2026-Jan-27, NPJ Parkinson's disease
DOI:10.1038/s41531-026-01277-z
PMID:41593075
|
研究论文 | 本研究系统评估了线粒体形态调节因子在神经元α-突触核蛋白病模型中的治疗潜力，并利用深度学习工具MitoVis进行快速分析 | 首次在α-突触核蛋白病模型中系统比较线粒体融合/分裂关键调节因子，并开发基于深度学习的线粒体图像分析工具MitoVis实现区室特异性形态分析 | 研究仅针对α-突触核蛋白病模型，未验证其他神经退行性疾病；干预效果可能受模型特异性限制 | 评估线粒体形态调节因子作为神经退行性疾病治疗靶点的潜力 | 神经元线粒体（树突与轴突区室） | 数字病理学 | 帕金森病 | 深度学习图像分析 | CNN | 图像 | NA | NA | NA | NA | NA |
| 2384 | 2026-01-30 |
Deep Learning-Based Instance-Level Segmentation of Kidney and Liver Cysts in Computed Tomography Images of Patients Affected by Polycystic Kidney Disease
2026-Jan-01, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000924
PMID:40811034
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2385 | 2026-03-06 |
Predicting Stereotactic Body Radiation Therapy Response Using an AI-Based Tumor Vessel Biomarker
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338261428377
PMID:41761492
|
研究论文 | 本文提出了一种基于深度学习的成像生物标志物Vessel Risk Score（VRS），用于从增强CT扫描中量化肿瘤血管异常，以预测非小细胞肺癌患者对立体定向放射治疗的反应和预后 | 开发了一种新的AI驱动的肿瘤血管生物标志物VRS，能够非侵入性地量化血管异常，相比传统的血管密度指标，能更准确地预测放疗反应和预后 | 研究主要基于非小细胞肺癌患者，且样本量有限（训练集126例，外部验证集128例），需要进一步在其他癌症类型和大规模队列中验证其普适性 | 预测非小细胞肺癌患者对立体定向放射治疗（SBRT）的反应和预后 | 非小细胞肺癌（NSCLC）患者 | 数字病理学 | 肺癌 | 对比增强CT扫描 | 深度学习模型 | 图像 | 训练集：126例NSCLC患者（接受大分割放疗）；外部验证集：128例早期NSCLC患者（接受SBRT） | NA | NA | VRS值（置信区间），PFS（无进展生存期），Cox多变量分析p值 | NA |
| 2386 | 2026-03-06 |
Multi-view deep learning of highly multiplexed imaging data improves association of cell states with clinical outcomes
2026, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbag010
PMID:41782683
|
研究论文 | 本文提出了一种多模态变分自编码器方法，用于从高度多重成像数据中整合细胞的多个视图，以改善细胞状态与临床结果的关联 | 首次探索了多模态变分自编码器在整合高度多重成像数据中细胞的多个视图（包括平均表达、形态学、亚细胞蛋白共定位和空间细胞上下文）方面的能力，并展示了整合后的潜在空间与患者特异性临床结果更强的关联性 | 未明确说明模型在处理大规模数据集时的计算效率或可扩展性限制 | 研究多模态深度学习模型在整合高度多重成像数据中细胞的多视图信息方面的能力，以改善细胞状态与临床结果的关联 | 从高度多重成像数据中量化的单个细胞，包括其平均表达、形态学、亚细胞蛋白共定位和空间细胞上下文 | 数字病理学 | NA | 高度多重成像 | 变分自编码器 | 图像 | NA | Python | 变分自编码器 | NA | NA |
| 2387 | 2026-03-06 |
Performance evaluation of deep learning models for overbite classification on cephalometric radiographs
2026, European oral research
IF:0.9Q3
DOI:10.26650/eor.20251689033
PMID:41782781
|
研究论文 | 本研究评估并比较了不同深度学习算法在基于侧位头颅X光片对覆合进行分类的效果 | 首次系统评估了包括ResNet101、DenseNet201、EfficientNetV2-B0、ConvNetBase、EfficientNet-B0及混合模型在内的六种深度学习模型在头颅X光片覆合分类任务上的性能，并利用Grad-CAM可视化技术解释模型决策过程 | 研究样本量相对有限（1062名患者），且仅基于侧位头颅X光片，未考虑其他影像或临床数据 | 评估深度学习模型在头颅X光片覆合分类中的有效性和可靠性 | 1062名患者的侧位头颅X光片 | 计算机视觉 | 口腔正畸 | 侧位头颅X光摄影 | CNN | 图像 | 1062名患者的侧位头颅X光片 | NA | ResNet101, DenseNet201, EfficientNetV2-B0, ConvNetBase, EfficientNet-B0, Hybrid Model | F1分数, 准确率, 精确率, 召回率, 平均绝对误差, Cohen's Kappa系数, AUC-ROC | NA |
| 2388 | 2026-03-06 |
Leveraging Artificial Intelligence to Advance Bioinformatics in Africa: Opportunities, Challenges, and Ethical Considerations in Combating Antimicrobial Resistance
2026, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322261427123
PMID:41782801
|
综述 | 本文探讨了人工智能与生物信息学在非洲协同应用以应对抗菌素耐药性的机遇、挑战与伦理考量 | 系统性地阐述了AI（特别是ML、DL及LLMs）在非洲AMR基因组数据分析、耐药性预测与传播建模中的创新应用潜力，并提出了针对非洲情境的三大优先行动 | 非洲地区存在基础设施不足、数据共享壁垒、伦理规范缺失等挑战，可能限制AI技术的实际部署与效果 | 推动人工智能与生物信息学在非洲的整合，以提升抗菌素耐药性的监测、预测与防控能力 | 非洲地区的抗菌素耐药性感染及相关病原体基因组数据 | 生物信息学 | 感染性疾病（抗菌素耐药性） | 全基因组测序 | 机器学习, 深度学习, 大语言模型 | 基因组序列数据 | NA | NA | 卷积神经网络, 支持向量机 | NA | NA |
| 2389 | 2026-03-06 |
AMSA-Net: attention-based multi-scale feature aggregation network for single image dehazing
2026, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2026.1698100
PMID:41783049
|
研究论文 | 提出一种基于注意力的多尺度特征聚合网络（AMSA-Net）用于单幅图像去雾 | 设计了多尺度混合注意力特征聚合模块（MSHA-FAM），能够感知雾霾密度和空间分布信息，通过尺度感知坐标残差模块（SCRM）和多尺度特征细化残差模块（MSFRRM）协同工作，显著提升去雾效果 | 未在摘要中明确说明 | 提升单幅图像去雾性能 | 有雾图像 | 计算机视觉 | NA | 深度学习 | 编码器-解码器结构 | 图像 | 未在摘要中明确说明 | 未在摘要中明确说明 | AMSA-Net, MSHA-FAM, SCRM, MSFRRM | 去雾质量（未指定具体指标） | 未在摘要中明确说明 |
| 2390 | 2026-03-06 |
A digital twin-driven deep learning framework for online quality inspection in tobacco transplanting
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1716046
PMID:41783105
|
研究论文 | 本文提出了一种基于数字孪生和深度学习的烟草移栽在线质量检测框架，用于实时检测和评估移栽状态 | 结合数字孪生与深度学习，提出轻量级改进YAN-YOLO11算法，实现虚拟-现实交互闭环的在线质量检测系统 | 未明确说明系统在不同环境条件（如光照、土壤类型）下的泛化能力或长期稳定性 | 提高烟草移栽质量检测的自动化、数字化和精细化管理水平 | 烟草移栽过程中的幼苗状态（正常、露根、埋苗）及种植间距 | 计算机视觉 | NA | 多传感器数据融合（GNSS定位与视觉检测） | CNN | 图像, 传感器数据 | 未明确说明具体样本数量，仅通过田间实验验证 | 未明确说明，可能基于PyTorch或TensorFlow（因YOLO系列常用） | YAN-YOLO11（改进的YOLO11轻量版） | 精确率, 召回率, mAP@50, mAP@0.5:0.95, 整体识别准确率, FPS | 未明确说明，但系统实现30 FPS实时性能，暗示使用GPU或嵌入式设备 |
| 2391 | 2026-03-06 |
Correction: A digital twin-driven deep learning framework for online quality inspection in tobacco transplanting
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1804394
PMID:41783104
|
correction | 本文是对先前发表的一篇关于数字孪生驱动深度学习框架用于烟草移栽在线质量检测文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2392 | 2026-03-06 |
The forecasting of pediatric asthma clinic visits: A comparative analysis of time-series models under varying training set sizes
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261430219
PMID:41783292
|
研究论文 | 本研究比较了四种时间序列模型在预测儿科哮喘日就诊量方面的性能，并探讨了不同训练集大小对模型表现的影响 | 整合机器学习模型和深度学习模型，结合自适应训练策略，为医院提供数据驱动的儿科哮喘就诊量预测框架 | 研究仅基于单一大型三级儿童医院的数据，可能限制了结果的普遍适用性 | 识别最优时间序列模型和训练策略，以预测儿科哮喘日就诊量，为临床资源分配提供数据驱动框架 | 儿科哮喘日就诊数据 | 机器学习 | 哮喘 | 时间序列分析 | ARIMA, Prophet, XGBoost, BiLSTM | 时间序列数据 | 2015年7月1日至2019年6月30日的儿科哮喘日就诊数据 | NA | ARIMA, Prophet, XGBoost, BiLSTM | R2, 平均绝对误差, 均方根误差, 超过误差阈值的天数 | NA |
| 2393 | 2026-03-06 |
Explainable Machine Learning for Prediction of Early Postoperative Nausea and Vomiting After General Anesthesia
2026, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S572550
PMID:41783600
|
研究论文 | 本研究探讨了利用机器学习模型基于常规非侵入性临床指标预测全身麻醉后早期术后恶心呕吐风险的可行性，并应用可解释人工智能技术识别关键预测因子 | 首次将可解释人工智能技术（SHAP分析）与多种机器学习模型结合，专门针对早期PONV风险预测，识别出包括地塞米松使用在内的关键临床预测因子 | 研究为单中心回顾性设计，样本量有限（927例），仅使用非侵入性指标，可能未涵盖所有相关风险因素 | 预测全身麻醉后早期术后恶心呕吐风险，并提高临床决策的可解释性 | 接受全身麻醉手术的患者 | 机器学习 | 术后并发症 | NA | 随机森林, 逻辑回归, 深度学习, 集成学习 | 临床指标数据 | 927例患者病例 | NA | NA | 准确率, 精确率, 召回率, AUC | NA |
| 2394 | 2026-03-06 |
Commentary: Deep learning in obsessive-compulsive disorder: a narrative review
2026, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2026.1776019
PMID:41783732
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2395 | 2026-03-06 |
Encoding functional edges in graphs to model spatially varying relationships in the tumor microenvironment
2026, NPJ artificial intelligence
DOI:10.1038/s44387-026-00075-5
PMID:41783808
|
研究论文 | 本文提出了一种名为SPIFEE的灵活图深度学习框架，用于建模肿瘤微环境并揭示跨多个生物组织层次的空间洞察 | 通过直接在图的边中编码空间变化的功能向量，增强了基于图的表示的表达能力，并采用模态无关的通用框架实现跨模态整合 | 未在摘要中明确提及具体限制 | 旨在全面表征肿瘤微环境，以理解癌症进展并开发有效的患者特异性疗法 | 肿瘤微环境中的细胞类型、表型簇和分子通路等实体 | 数字病理学 | 癌症 | 多重免疫荧光、H&E组织病理学、空间转录组学 | 图深度学习 | 图像、空间转录组数据 | NA | NA | 图注意力机制 | NA | NA |
| 2396 | 2026-03-06 |
Large-scale modeling of axonal dynamic responses via deep learning
2025-Dec-12, Biomechanics and modeling in mechanobiology
IF:3.0Q3
DOI:10.1007/s10237-025-02034-6
PMID:41384998
|
研究论文 | 本研究利用深度学习训练卷积神经网络，快速估计轴突损伤参数，以解决大规模轴突动态模拟计算成本高的问题 | 提出了一种基于CNN的快速估计方法，通过分层自适应采样策略生成训练数据，实现了约3150万倍的效率提升，支持高分辨率全白质轴突响应模拟 | 研究基于男性冰球运动员的头部撞击数据，样本量有限（N=46），且未涵盖不同性别或运动类型的广泛验证 | 开发一种高效的大规模轴突动态响应模拟方法，以研究白质损伤机制 | 冰球运动员头部撞击导致的轴突应变及损伤参数 | 机器学习 | 白质损伤 | 基于纤维束成像的应变分析，轴突损伤模型模拟 | CNN | 纤维应变剖面数据 | 46次头部撞击模拟数据，4979个体素，2000个训练样本，75个独立验证样本 | NA | 卷积神经网络 | 决定系数（R²），归一化均方根误差（NRMSE） | NA |
| 2397 | 2026-03-06 |
Automated Joint Space Detection Improves Bone Segmentation Accuracy
2025-Nov-28, Journal of visualized experiments : JoVE
DOI:10.3791/69252
PMID:41396972
|
研究论文 | 本文提出了一种基于深度学习的自动化关节空间检测方法，以提高小鼠后爪和前爪微CT图像中骨骼分割的准确性 | 在先前半自动标记分水岭算法基础上，引入了结构增强、张量投票和输出膨胀技术，并采用3D U-Net架构与ResNet-18骨干网络的深度学习模型进行关节空间预测 | 模型在疾病严重程度增加和年龄增长的小鼠样本中准确性下降，对新数据集和疾病修饰数据的适应性表现有所降低 | 开发自动化图像分析技术以改进复杂骨骼解剖结构的定量描述 | 野生型和肿瘤坏死因子转基因（TNF-Tg）小鼠的后爪和前爪微CT图像，涵盖不同年龄和性别的炎症侵蚀性关节炎模型 | 计算机视觉 | 关节炎 | 微计算机断层扫描（micro-CT） | CNN | 图像 | 涉及野生型和TNF-Tg小鼠的后爪和前爪数据集，具体样本数量未明确说明 | PyTorch（基于U-Net架构推断） | 3D U-Net, ResNet-18 | 准确性 | NA |
| 2398 | 2026-03-06 |
Integrating Model-Based Reconstruction and Deep Learning for Accelerating Mass Spectrometry Imaging
2025-Nov-18, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c04075
PMID:41199627
|
研究论文 | 本文提出了一种结合模型重建与深度学习的方法，用于加速质谱成像，通过稀疏采样像素重建高分辨率离子图像 | 将光栅扫描前向模型与深度学习先验结合，无需针对不同采集设置重新训练，实现了跨仪器、设置和组织类型的通用高保真重建 | 未明确提及方法在极端稀疏采样或噪声环境下的性能限制，也未讨论计算时间或资源消耗的具体细节 | 加速质谱成像过程，以克服高分辨率组织映射和3D重建中的时间限制 | 质谱成像数据，涉及不同仪器、采集设置和组织类型（如脑和肾脏切片） | 计算成像 | NA | 质谱成像 | 深度学习 | 图像 | 涉及多种组织类型（如脑和肾脏切片），但未指定具体样本数量 | NA | 基于预训练网络的去噪器 | NA | NA |
| 2399 | 2026-03-06 |
Responsible Use of Artificial Intelligence to Improve Kidney Care: A Statement from the American Society of Nephrology
2025-Nov-07, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.0000000929
PMID:41201255
|
综述 | 本文概述了人工智能在肾脏病学中的临床应用，并为肾病学家提供了将AI整合到慢性肾病、急性肾损伤管理、透析和移植护理中的实用指导 | 提出了一个负责任使用AI的框架，强调以患者利益为先、确保临床医生监督，并推动在高负担疾病领域的创新 | 未具体说明AI模型的技术细节或性能评估，主要关注原则和挑战而非实证研究 | 为肾脏病学领域负责任地开发和实施人工智能技术提供指导和原则框架 | 肾脏疾病患者，包括慢性肾病、急性肾损伤、透析和移植护理 | 机器学习 | 肾脏疾病 | 预测分析、机器学习、深度学习、生成式AI | NA | NA | NA | NA | NA | NA | NA |
| 2400 | 2026-03-06 |
Deep Learning with Disc Photos or OCT Scans in Glaucoma Detection
2025 Nov-Dec, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100877
PMID:40893625
|
研究论文 | 本研究比较了基于OCT RNFLT图和视盘照片的深度学习模型在青光眼检测中的诊断性能，发现OCT模型更优，并评估了不同人口学组间的性能差异 | 首次系统比较基于OCT RNFLT客观定量测量与视盘照片的深度学习模型在青光眼功能损伤检测中的性能，并深入分析人口学因素对模型诊断性能的影响 | 回顾性单中心研究，数据来自特定时间段（2011-2022年），可能存在选择偏倚；未考虑其他青光眼诊断标准（如结构损伤） | 评估基于OCT RNFLT图与视盘照片的深度学习模型在青光眼检测中的准确性差异，并分析模型在不同人口学群体中的诊断性能 | 青光眼患者（基于视野缺损定义）的OCT RNFLT图和视盘照片 | 数字病理学 | 青光眼 | OCT（光学相干断层扫描），视野检查 | 深度学习模型 | 图像（OCT RNFLT图，视盘照片） | 16,936组视盘照片和OCT图像集，经质量筛选后用于模型训练和测试 | NA | NA | AUC（曲线下面积），准确性 | NA |