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 45529 篇文献，本页显示第 2421 - 2440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2421 | 2026-05-24 |
An automatic detection model for spread through air spaces in postoperative pathological sections based on deep learning in NSCLC
2026-Dec, Computer assisted surgery (Abingdon, England)
DOI:10.1080/24699322.2026.2674321
PMID:42172197
|
研究论文 | 提出基于深度学习的非小细胞肺癌术后病理切片气腔扩散自动检测模型 | 结合肿瘤区域分割算法与改进的目标检测算法，首次实现气腔扩散（STAS）的自动检测与量化 | 外部验证中精度和召回率有所下降，且在肺鳞癌中准确性低于肺腺癌 | 开发基于深度学习的AI框架，自动检测和量化非小细胞肺癌全切片图像中的气腔扩散（STAS） | 91名STAS阳性非小细胞肺癌患者的129张病理切片 | 数字病理学 | 非小细胞肺癌 | 深度学习 | 目标检测模型 | 病理图像 | 129张病理切片（来自91名患者） | PyTorch | 分割算法、改进的目标检测模型 | Jaccard相似度、精确率、召回率、平均精度（AP）、F1分数、组内相关系数 | NA |
| 2422 | 2026-05-24 |
AI-driven target definition using CE-T1w and black blood sequence imaging in stereotactic radiosurgery for brain metastases
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112891
PMID:42066626
|
研究论文 | 开发并评估一种基于深度学习的方法，用于在立体定向放射外科治疗脑转移瘤时，从对比增强T1加权（CE-T1w）和黑血（BB）MR扫描中自动检测和勾画病灶 | 首次结合CE-T1w和黑血序列成像用于脑转移瘤的自动检测与靶区勾画，并基于nnUNet模型实现高精度，能够识别专家遗漏的3.0%病灶 | 模型对小病灶（<0.1 cc）的检测灵敏度低于专家（0.83 vs 0.95），需要进一步优化以适用于临床 | 优化立体定向放射外科治疗脑转移瘤的规划流程 | 206名立体定向放射外科患者的CE-T1w和BB CE-T1w扫描图像及手动勾画 | 数字病理学 | 脑转移瘤 | MRI（CE-T1w和黑血序列） | nnUNet | 图像 | 206名患者（162名训练集，44名测试集） | PyTorch | nnUNet | F1分数, 灵敏度, 阳性预测值, Dice系数, Hausdorff距离 | NA |
| 2423 | 2026-05-24 |
A hybrid deep learning framework for accurate N6,2'-O-Dimethyladenosine site prediction
2026-Aug, Biophysical chemistry
IF:3.3Q2
DOI:10.1016/j.bpc.2026.107639
PMID:42054815
|
研究论文 | 提出一个混合深度学习框架用于精确预测RNA中的N6,2'-O-二甲基腺苷（mAm）修饰位点 | 整合多种序列衍生特征并结合SHAP进行分析以提升模型效率和可解释性 | 未提及 | 开发准确且可解释的mAm位点预测方法，推动表观转录组学研究 | RNA中的N6,2'-O-二甲基腺苷（mAm）修饰位点 | 机器学习, 生物信息学 | NA | RNA测序 | 深度神经网络 (DNN) | RNA序列数据 | NA | NA | 深度神经网络 (DNN) | 准确率 | NA |
| 2424 | 2026-05-24 |
Clinical evaluation of deep learning accelerated 3D magnetic resonance cholangiopancreatography at 1.5 T and 3 T
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112906
PMID:42070421
|
研究论文 | 评估深度学习加速的3D磁共振胆胰管成像在1.5T和3T磁场下的临床可行性 | 利用新型深度学习加速方法Sonic DLTM 3D（SDL）显著缩短扫描时间至11-17秒，同时保持或提升图像质量 | 放射科医生之间的图像质量评分存在差异，且SDL MRCP并非在所有评估特征类别中均优于标准技术 | 评估深度学习加速3D MRCP的临床可行性 | 接受MRCP扫描的患者 | 机器学习 | 胆胰系统疾病 | MRI | 深度学习模型 | 图像 | 96名患者（64名1.5T扫描，32名3T扫描） | NA | NA | 整体图像质量、图像噪声、图像锐度、伪影 | NA |
| 2425 | 2026-05-24 |
MRI-based interpretable deep learning radiomics for predicting treatment response in axial spondyloarthritis
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112903
PMID:42085769
|
研究论文 | 开发并验证基于MRI的可解释深度学习放射组学模型，用于预测强直性脊柱炎患者对抗肿瘤坏死因子抑制剂的治疗反应 | 首次将深度学习与放射组学结合并加入可解释性分析，用于预测强直性脊柱炎患者的TNFi治疗反应，并整合临床数据构建DLRC模型 | 单中心研究、样本量相对较小（183例），且未进行外部验证 | 建立基于MRI的DLR模型以预测axSpA患者的TNFi治疗反应，实现治疗前精准分层 | 初次使用TNFi治疗前的强直性脊柱炎患者 | 医学影像分析, 机器学习 | 强直性脊柱炎 | MRI | 深度学习与放射组学结合 | 图像（骶髂关节MRI） | 183例患者（平均年龄26.5岁，男性占66.1%） | NA | 深度学习特征提取网络 | AUC, 校准曲线, 决策曲线分析, 综合判别改善指数 | NA |
| 2426 | 2026-05-24 |
Ultra-low-dose CT for malignant metastasis screening using a deep learning image reconstruction algorithm
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112896
PMID:42102570
|
research paper | 评估使用超分辨率深度学习重建算法的超低剂量CT在恶性转移筛查中的可行性和诊断性能 | 首次将超分辨率深度学习重建算法应用于超低剂量CT的恶性转移筛查，实现了约70%的辐射剂量降低的同时保持优越的图像质量和诊断性能 | 未提及具体限制 | 评估超低剂量CT结合超分辨率深度学习重建在癌症患者恶性转移筛查中的表现 | 271名癌症患者（平均年龄66.3岁，134名男性），其中56人需要治疗干预 | computer vision | 恶性转移 | CT | 深度学习重建算法 | 图像 | 271名癌症患者，17种原发癌和178处转移病灶，1264个良性病变 | NA | 超分辨率深度学习重建 | 图像质量评分、病变检出率、诊断性能 | NA |
| 2427 | 2026-05-24 |
Interpretable machine learning and deep learning model for discriminating pheochromocytoma from adrenocortical adenoma based on CT: A multicenter study
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112902
PMID:42107147
|
研究论文 | 基于CT影像的机器学习和深度学习模型用于区分嗜铬细胞瘤与肾上腺皮质腺瘤的多中心研究 | 首次系统对比多种机器学习与深度学习架构在嗜铬细胞瘤和肾上腺皮质腺瘤鉴别诊断中的效能，并应用SHAP解释性方法构建临床列线图 | 样本量相对较小，且为回顾性研究，可能存在选择偏倚 | 通过基准测试不同机器学习和深度学习架构，确定术前区分嗜铬细胞瘤与肾上腺皮质腺瘤的最优诊断策略 | 来自两个医疗中心的401例患者的双期CT影像数据及临床信息 | 数字病理 | 肾上腺肿瘤（嗜铬细胞瘤与肾上腺皮质腺瘤） | CT影像组学 | 逻辑回归、SqueezeNet | 医学图像 | 401例患者（中心1: 331例，中心2: 70例） | NA | 逻辑回归、SqueezeNet | AUC、准确率、决策曲线分析 | NA |
| 2428 | 2026-05-24 |
A CT-based deep learning model to differentiate between benign and malignant adrenal lesions
2026-Aug, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112907
PMID:42107149
|
研究论文 | 开发一种基于CT的深度学习模型，用于区分肾上腺病变的良恶性 | 结合临床、生物学和影像学特征的深度学习模型，在初次CT检查中高效区分肾上腺良恶性病变 | 未在论文摘要中明确提及 | 开发深度学习模型以区分肾上腺良性病变与恶性病变 | 肾上腺病变患者 | 机器学习 | 肾上腺病变 | CT | 深度学习模型 | 图像 | 380名患者，385个经病理证实的肾上腺病变（101个恶性，284个良性） | NA | NA | 敏感性、特异性、准确性、AUC | NA |
| 2429 | 2026-05-24 |
Rapid multi-parametric quantitative MRI via deep learning-based synthetic-to-real reconstruction and 3D SSFP-MOLED imaging
2026-Jul-15, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2026.121985
PMID:42107614
|
研究论文 | 提出一种结合深度学习的合成到真实重建与3D SSFP-MOLED的快速多参数定量磁共振成像方法 | 首次将相位调制三维稳态自由进动与多重叠回波分离（3D SSFP-MOLED）信号编码方法与基于物理约束的合成数据管道和深度学习重建相结合，实现快速、高精度的多参数定量成像 | NA | 解决多参数定量磁共振成像扫描时间长、对非理想信号条件敏感的问题 | 磁共振成像中的多参数定量映射 | 机器学习 | 肿瘤、出血 | 磁共振成像（MRI） | 深度学习网络 | 磁共振图像 | 体模、健康志愿者及肿瘤/出血患者 | NA | NA | 准确度、可重复性 | NA |
| 2430 | 2026-05-24 |
Editorial for the Special Issue on Harmonization Techniques for MRI
2026-Jul-15, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2026.121979
PMID:42128316
|
评论 | 介绍神经影像协调化的专刊，总结多站点MRI分析中的协调化方法及其挑战 | 系统梳理协调化方法的主要类别（包括统计方法、深度学习和域泛化策略），并强调网络感知协调化技术超越体素的创新方向 | 未涉及具体方法的实验验证；跨模态性能、生物信息保留和隐私保护框架的挑战尚未完全解决 | 推动多站点神经影像数据的可重复性和泛化性研究 | 多站点MRI数据中的协调化技术 | 机器学习 | NA | MRI | 深度学习模型（如ComBat家族、深度学习方法） | 神经影像数据（包括体素、连接组数据） | NA | NA | ComBat, 深度学习网络（未具体说明） | NA | NA |
| 2431 | 2026-05-24 |
Toward clinical value, not just accuracy: deep learning segmentation of soft tissue sarcoma
2026-Jul, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-026-05227-x
PMID:42029683
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2432 | 2026-05-24 |
Zero Echo Time Magnetic Resonance Imaging of the Spine
2026-Jun, Seminars in musculoskeletal radiology
IF:0.9Q4
DOI:10.1055/a-2803-1958
PMID:41839202
|
综述 | 综述零回波时间磁共振成像在脊柱成像中的技术基础、临床应用及新兴角色 | 综合阐述了零回波时间脊柱成像的序列设计、深度学习重建策略、解读陷阱，以及CT样骨可视化在避免电离辐射下的应用优势 | 空间分辨率有限，存在气体模拟钙化、金属相关伪影等解读陷阱 | 总结零回波时间脊柱成像的技术原理和临床应用，为减少CT依赖和推动无电离辐射MRI诊断流程提供依据 | 脊柱（包括创伤、退变、炎症、肿瘤、感染、发育性病变及儿童/胎儿脊柱评估等） | 计算机视觉 | 脊柱疾病 | 零回波时间磁共振成像 | NA | 图像 | NA | NA | NA | NA | NA |
| 2433 | 2026-05-24 |
MRI-driven multimodal deep learning approach for predicting pathological complete response after neoadjuvant chemoradiotherapy in locally advanced rectal cancer: A multicenter study
2026-Jun, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2026.111796
PMID:41996781
|
研究论文 | 开发一种基于多参数磁共振成像的临床深度学习影像组学模型，用于预测局部进展期直肠癌患者在新辅助放化疗后是否达到病理完全缓解 | 创新性地将影像组学特征与深度学习特征融合，并结合SHAP分析和Grad-CAM方法实现模型可解释性，且采用多中心外部验证 | 回顾性设计、样本量相对较小、需进一步前瞻性验证 | 开发无创性预测模型以识别新辅助放化疗后能达到病理完全缓解的局部进展期直肠癌患者，从而支持器官保留策略 | 180名接受新辅助放化疗后手术的局部进展期直肠癌患者，来自三个医疗中心 | 医学影像分析, 数字病理学 | 直肠癌 | MRI | ResNet50, GoogLeNet, ResNet18, VGG16 | MRI影像（T2加权和弥散加权成像序列） | 180名患者（训练队列92例，外部验证队列88例） | NA | ResNet50, GoogLeNet, ResNet18, VGG16 | AUC | NA |
| 2434 | 2026-05-24 |
Optimising Sleep Stage Detection Using a Minimal Non-EEG Physiological Signal Set and Deep Learning
2026-Jun, Journal of sleep research
IF:3.4Q2
DOI:10.1111/jsr.70266
PMID:41391449
|
研究论文 | 提出一种基于U-Net架构的深度学习模型，仅使用三种非EEG生理信号（血氧饱和度、心率和腹部呼吸努力）进行睡眠阶段自动分类 | 首次实现每秒级睡眠阶段预测，突破了传统30秒固定时段的限制；仅用三种易获取的非EEG信号替代EEG，提高可重复性和居家监测适用性 | 未在多样化临床人群或真实噪声环境中验证；模型性能在五类分类中加权F1分数为68%，仍有提升空间 | 开发轻量级、可重复的睡眠阶段分类框架，实现非侵入式居家睡眠监测推广 | 睡眠健康研究访问2（SHHS2）数据集和多民族动脉粥样硬化研究（MESA）外部验证集 | 机器学习 | 睡眠障碍 | 无 | 卷积神经网络 | 时间序列生理信号（血氧饱和度、心率、呼吸努力度） | SHHS2数据集用于训练，MESA数据集用于外部验证，具体样本数未明确说明 | Keras | U-Net | 加权F1分数，Cohen's Kappa | Keras Tuner与Hyperband算法用于超参数优化 |
| 2435 | 2026-05-24 |
Integrating multi-omics data for enhanced prognosis prediction in gastric cancer post-neoadjuvant therapy
2026-Jun, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2026.111837
PMID:42054940
|
研究论文 | 整合CT影像深度学习和免疫评分构建多组学模型，提升局部进展期胃癌新辅助治疗后预后预测准确性 | 首次将基于ResNet18的CT影像深度学习特征与转录组免疫评分整合为多组学列线图，用于新辅助治疗后胃癌预后预测，显著优于传统临床病理模型 | 样本量相对较小（总样本208例），仅使用单一中心内部验证和有限的外部验证队列，未涵盖免疫治疗联合方案或不同新辅助化疗方案，需更大规模多中心前瞻性验证 | 开发并验证一种整合CT影像深度学习特征（DeepScore）和免疫评分（ImmuneScore）的多组学预后模型，以改善局部进展期胃癌新辅助治疗后的风险分层 | 局部进展期胃癌患者，接受新辅助治疗（2019-2022年）的179例训练/内部验证队列，以及29例外部验证队列 | 数字病理学, 机器学习, 计算机视觉 | 胃癌 | CT成像, RNA-seq转录组测序 | CNN（ResNet18）, 回归模型（Cox, LASSO）, 列线图（Nomogram） | CT图像, 转录组表达数据 | 总共208例（179例内部队列+29例外部队列），其中训练队列125例、内部验证队列54例、外部验证队列29例 | PyTorch | ResNet18 | AUC, DFS率, OS率 | NA |
| 2436 | 2026-05-24 |
A Digital Twin-Inspired Closed-Loop Latent Simulation Framework for Cross-Cohort Breast Cancer Subtype Classification under Modality-Disjoint Learning
2026-May-22, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3696086
PMID:42172162
|
研究论文 | 提出一种数字孪生启发的闭环潜在仿真框架CDLS，用于跨队列乳腺癌亚型分类，在模态不重叠条件下整合多种数据 | 首次引入闭环潜在轨迹分类系统，结合PPO强化学习策略和kNN潜在反馈步骤，实现跨模态潜在对齐而非逐患者融合 | 瓶颈维度d_twin=7基于经验指导而非理论最优；闭环潜在框架仅从计算表示空间角度使用 | 解决现有深度学习系统在乳腺癌PAM50亚型分类中的单次预测局限，实现迭代表示优化 | 来自三个非重叠队列的乳腺癌患者数据，包括组织病理学、转录组学、乳腺摄影序列和临床协变量 | 机器学习 | 乳腺癌 | RNA-seq, 组织病理学图像, 乳腺摄影 | PPO, Twin-GRU | 图像, 文本, 序列数据 | 三个非重叠队列，未明确样本总数 | PyTorch | PPO, Twin-GRU | 平衡准确率, MCC | NA |
| 2437 | 2026-05-24 |
Convolutional Neural Networks in Radiology: Principles, Clinical Applications, and a Practical Framework for Radiologists
2026-May-22, Medical principles and practice : international journal of the Kuwait University, Health Science Centre
IF:2.9Q1
DOI:10.1159/000552704
PMID:42172171
|
综述 | 提供卷积神经网络在放射学中的原理、临床应用和实践框架的教育性综述 | 将卷积神经网络与语言模型结合，为放射科医生提供从原理到代码原型制作的全面指导 | 未包含实验性研究结果，依赖现有文献总结，缺乏最新临床验证数据 | 帮助放射科医生理解卷积神经网络的原理、潜力和局限性 | 放射学领域中的卷积神经网络应用 | 数字病理学 | NA | NA | 卷积神经网络 | 图像 | NA | NA | 卷积神经网络 | NA | NA |
| 2438 | 2026-05-24 |
Performance comparison between a deep learning model and spine surgeons in detecting cervical spinal cord compression on radiographs
2026-May-22, Journal of neurosurgery. Spine
DOI:10.3171/2026.1.SPINE251409
PMID:42172670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2439 | 2026-05-24 |
Deep learning-driven performance prediction and design of high-DoF MEMS resonators
2026-May-21, Microsystems & nanoengineering
IF:7.3Q1
DOI:10.1038/s41378-026-01198-0
PMID:42161903
|
研究论文 | 提出基于残差网络的求解器（ResNES），用于MEMS谐振器的高效物理性能预测与优化设计 | 引入随机拓扑生成策略批量创建高自由度MEMS谐振器设计，结合残差网络实现毫秒级物理性能预测，速度提升近三个数量级，并与粒子群优化算法协同实现多目标优化 | NA | 实现高自由度MEMS谐振器的快速物理性能预测和高效设计优化 | MEMS谐振器的面内振动模式谐振频率 | 机器学习 | NA | NA | 残差网络（ResNet） | 拓扑结构数据 | 数千万种潜在拓扑结构 | NA | ResNES（残差网络求解器） | 平均误差、计算速度提升倍数、预测与实验差异、优化后性能指标提升百分比 | NA |
| 2440 | 2026-05-24 |
Thousand-Brains Systems: Sensorimotor Intelligence for Rapid, Robust Learning and Inference
2026-May-20, Neural computation
IF:2.7Q3
DOI:10.1162/NECO.a.1508
PMID:41945800
|
研究论文 | 评估首个千脑系统实现Monty在3D物体感知中的独特性能，包括物体识别和姿态估计 | 提出通过模仿皮质柱架构的千脑系统实现快速、持续学习和高效泛化，并验证了基于传感器运动学习的结构化表示和投票算法对推理速度的提升 | 千脑系统（Monty）尚处于早期开发阶段 | 探索基于传感器运动学习的智能系统在物体识别和姿态估计中的应用 | 3D物体感知中的物体识别与姿态估计任务 | 机器学习 | NA | 传感器运动学习 | 千脑系统 | 图像 | YCB数据集中的日常物体 | NA | Monty（千脑系统实现） | 泛化能力、推理速度 | NA |