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 2541 - 2560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2541 | 2026-03-05 |
Benchmarking deep learning models for predicting anticancer drug potency (IC50) with insights for medicinal chemists
2026-Jan-29, Communications chemistry
IF:5.9Q1
DOI:10.1038/s42004-026-01916-9
PMID:41611971
|
研究论文 | 本研究对五种深度学习模型在抗癌药物IC50预测中的性能进行了基准测试，并开发了一个用户友好的网络服务器 | 引入了实验变异性感知预测准确度统计量，并评估了模型对未见化合物预测的局限性 | 模型对未见化合物的预测准确性显著下降，且预测误差与化合物及细胞系的理化及生物学特性相关性较弱 | 评估深度学习模型在预测抗癌药物IC50方面的性能，为药物化学家提供实用见解 | 小分子抗癌药物及其对癌细胞系的IC50值 | 机器学习 | 癌症 | 深度学习 | DeepCDR, DrugCell, PaccMann, Precily, tCNN | 化合物和细胞系数据 | 标准化GDSC数据集和近期发表的抗癌化合物 | NA | NA | 百分比误差, 对数误差, 三西格玛限, 实验变异性感知预测准确度 | NA |
| 2542 | 2026-03-05 |
Robust Brain Extraction Tool for Nonenhanced CT and CT Angiography: CTA-BET
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240847
PMID:41147859
|
研究论文 | 开发并评估了一种基于深度学习的脑提取模型CTA-BET，用于CT血管造影和非增强CT图像的精确脑部分割 | 提出首个专门针对CTA和NCCT图像的深度学习脑提取工具，在两种模态上均优于现有非商业基准工具 | 研究为回顾性设计，训练数据主要来自多机构CTA队列（100例），NCCT验证使用公开数据集 | 开发适用于CTA和NCCT图像的鲁棒脑提取工具，提升临床和研究中的自动化影像分析 | CT血管造影图像和非增强CT图像中的脑组织分割 | 数字病理 | NA | CT血管造影，非增强CT | CNN | 3D医学图像 | 训练集：100例CTA患者（多机构）；验证集：50例CTA患者（外部）+ 132例NCCT患者（CQ500公开数据集） | NA | NA | Dice分数，豪斯多夫距离，分数归一化直方图 | NA |
| 2543 | 2026-03-05 |
Adnexal Lesion Discrimination Using Deep Learning Analysis of Dynamic Contrast-enhanced US Images
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.240786
PMID:41190943
|
研究论文 | 本研究开发了一种基于动态对比增强超声图像的多模态深度学习模型（OCNet），用于对附件病变进行分类 | 首次开发了基于动态对比增强超声图像的多模态深度学习模型（OCNet），用于附件病变分类，其性能优于现有的O-RADS US和ADNEX模型，并能提升初级放射科医生的诊断能力 | 这是一项回顾性研究，数据来源于中国的14家医院，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证 | 开发并评估一种深度学习模型，以准确分类附件病变（良性或恶性） | 经病理证实的附件病变患者 | 数字病理 | 卵巢癌 | 动态对比增强超声 | 深度学习模型 | 图像 | 395名女性患者（252个良性病变，143个恶性病变），数据分为训练集（275例）、内部测试集（57例）和外部测试集（63例） | NA | OCNet | AUC, 特异性 | NA |
| 2544 | 2026-03-05 |
Economic Value of AI in Radiology: A Systematic Review
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250090
PMID:41258794
|
系统综述 | 本文对人工智能在放射学工作流程中的经济价值证据进行了系统性回顾和总结 | 首次对2010年至2024年间发表的、明确量化人工智能在放射学中经济成果的原始研究进行了系统性综述，并基于任务复杂性、检查量和实施模式等背景因素分析了AI经济价值的差异性 | 纳入研究数量较少（仅21项），且研究质量可能存在异质性；仅关注了明确量化经济成果的研究，可能排除了其他相关证据 | 总结人工智能在放射学工作流程中经济价值的证据 | 2010年至2024年间发表的、量化AI在放射学中经济成果的原始研究文章 | NA | NA | NA | 机器学习, 深度学习, 计算机辅助诊断, 自然语言处理 | NA | 从1879项初始搜索结果中筛选出21项研究 | NA | NA | 成本节约, 增量成本效益比, 准确性, 特异性 | NA |
| 2545 | 2026-03-05 |
Rethinking Privacy in Medical Imaging AI: From Metadata and Pixel-Level Identification Risks to Federated Learning and Synthetic Data Challenges
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250273
PMID:41295085
|
综述 | 本文探讨了医学影像AI中隐私保护的风险与挑战，重点关注元数据和像素级识别风险，并回顾了联邦学习和合成数据等隐私保护方法的局限性 | 强调了像素级图像信息（如强度值）可能被深度学习模型利用以揭示敏感患者数据，这一风险常被忽视，同时指出了联邦学习和合成数据方法在模型反转和推理攻击下的脆弱性 | 文章为综述性报告，未提出具体的新技术或解决方案，主要基于现有文献讨论风险与挑战，缺乏实证数据支持 | 分析医学影像AI中的隐私风险，并评估现有隐私保护方法的有效性及局限性 | 医学影像数据及其相关的元数据（如患者标识符、采集参数、机构详情） | 医学影像AI | NA | 深度学习 | NA | 医学影像数据 | NA | NA | NA | NA | NA |
| 2546 | 2026-03-05 |
Gastric Neoplasm Detection at Contrast-enhanced CT with Deep Learning
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250145
PMID:41295087
|
研究论文 | 开发并验证了一种名为GANDA的深度学习模型，用于在临床常规增强CT中自动检测、诊断和分割胃部肿瘤 | 提出了一种联合分割和分类的三维深度学习模型，并在多个内部、外部和真实世界测试队列中进行了验证，其诊断准确性显著高于经验丰富的放射科医生 | 研究为回顾性设计，模型在外部测试队列中的分割性能（Dice系数）仍有提升空间 | 开发一种自动化工具，用于在CT影像中检测和诊断胃部肿瘤 | 胃部肿瘤患者及对照人群 | 数字病理 | 胃癌 | 对比增强CT | 深度学习模型 | CT图像 | 共4606名患者（1683名用于模型开发，266名用于内部测试，2657名用于外部测试，7695名用于真实世界测试） | NA | 联合分割和分类的三维深度学习模型 | 敏感性, 特异性, 准确率, Dice系数, AUC | NA |
| 2547 | 2025-12-05 |
Rethinking Adnexal Mass Diagnosis with Dynamic Contrast-enhanced US and Deep Learning
2026-Jan, Radiology. Artificial intelligence
DOI:10.1148/ryai.250977
PMID:41335002
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2548 | 2026-03-05 |
Deep Learning for Coronary Stenosis Detection in Heavily Calcified Plaques at Coronary CT Angiography: A Stepwise, Multicenter Study
2026-01, Radiology. Artificial intelligence
DOI:10.1148/ryai.250109
PMID:41405428
|
研究论文 | 本研究开发并验证了一个深度学习模型，用于在冠状动脉CT血管成像中自动评估伴有严重钙化斑块的血管狭窄 | 首次开发并验证了专门针对严重钙化斑块的冠状动脉狭窄自动检测深度学习模型，并进行了多中心、多阶段的外部验证和临床实用性评估 | 研究为回顾性设计，且模型性能在严重钙化场景下仍有提升空间（如患者水平的特异性为48%） | 开发并验证一个深度学习模型，以自动评估冠状动脉CT血管成像中伴有严重钙化斑块的血管狭窄 | 冠状动脉CT血管成像图像，特别是伴有严重钙化斑块的血管 | 计算机视觉 | 心血管疾病 | 冠状动脉CT血管成像 | 深度学习模型 | 医学影像 | 总计10,101例CCTA检查用于模型开发，442例用于外部测试集1，120例用于外部测试集2，150例用于外部测试集3 | NA | NA | 特异性，受试者工作特征曲线下面积，Kappa系数 | NA |
| 2549 | 2026-03-05 |
Artificial Intelligence and Big Data in Urological Oncology: From Radiomics to Real-World Evidence
2026-Jan, Archivos espanoles de urologia
IF:0.6Q4
|
综述 | 本文综述了人工智能和大数据在泌尿系统肿瘤学中的应用，涵盖从影像组学到真实世界证据的进展 | 整合了人工智能驱动的影像组学和深度学习模型在泌尿系统肿瘤诊断、预后评估及治疗个性化中的高精度应用，并展望了多中心标准化和联邦学习框架的未来方向 | 大多数研究依赖于回顾性或单中心数据集，外部验证有限，泛化能力存在担忧 | 探讨人工智能和大数据如何提升泌尿系统肿瘤（前列腺癌、膀胱癌、肾癌）的诊断精度、预后评估和治疗个性化 | 前列腺癌、膀胱癌和肾癌 | 计算机视觉, 自然语言处理, 机器学习 | 前列腺癌, 膀胱癌, 肾癌 | 磁共振成像, 计算机断层扫描, 正电子发射断层扫描, 组织病理学 | 深度学习模型 | 图像 | NA | NA | NA | AUC, 敏感性, 特异性, 准确率 | NA |
| 2550 | 2026-03-05 |
Real-time on-device weed identification using a hardware-efficient lightweight CNN
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1747863
PMID:41777389
|
研究论文 | 本文提出了一种名为TinyWeedNet的硬件高效轻量级卷积神经网络，用于精准农业中的实时设备端杂草识别 | 模型集成了多尺度特征提取、深度可分离倒置残差块和紧凑通道注意力机制，在保持最小计算足迹的同时增强了判别能力，专为低功耗现场设备设计 | 模型在公共DeepWeeds数据集上进行评估，可能未涵盖所有田间杂草种类或环境条件，且部署依赖于特定微控制器（STM32H7）和TinyML工作流 | 开发一种适用于资源受限农业平台的实时、低功耗杂草识别系统，以支持自主农业系统 | 杂草图像，来自公共DeepWeeds数据集 | 计算机视觉 | NA | 图像识别 | CNN | 图像 | 基于公共DeepWeeds数据集，具体样本数量未在摘要中明确说明 | TinyML | TinyWeedNet（集成多尺度特征提取、深度可分离倒置残差块、紧凑通道注意力） | 分类准确率 | STM32H7微控制器，通过TinyML工作流实现嵌入式执行 |
| 2551 | 2026-03-05 |
CG-RecNet: a gated and attention-fused deep learning framework for label-free classification of neural stem cell differentiation via imaging flow cytometry
2026, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2026.1767574
PMID:41777601
|
研究论文 | 提出了一种名为CG-RecNet的深度学习框架，用于通过成像流式细胞术对神经干细胞分化进行无标记分类 | 整合了LinAngular跨通道注意力融合模块以捕获全局形态依赖性，并采用门控卷积神经网络块来抑制背景噪声，实现了对少数类（如少突胶质细胞）的高精度识别而无需合成过采样 | 研究基于大鼠胚胎神经干细胞进行验证，尚未在其他物种或更广泛的细胞类型中进行测试 | 开发一种准确、无标记的方法，用于纵向监测神经干细胞分化，以推动再生医学发展 | 大鼠胚胎神经干细胞及其分化谱系（神经元、星形胶质细胞和少突胶质细胞） | 计算机视觉 | NA | 成像流式细胞术 | CNN | 图像 | NA | NA | GatedCNN, LinAngular-XCA Fusion Module | 准确率, 宏平均AUC | NA |
| 2552 | 2026-03-05 |
Prospective applications of artificial intelligence for the diagnosis of oral leukoplakia: a scoping review
2026, Frontiers in oral health
IF:3.0Q1
DOI:10.3389/froh.2026.1760177
PMID:41777604
|
综述 | 本文是一篇范围综述，调查了人工智能在口腔白斑临床和病理诊断中的应用现状 | 首次对人工智能在口腔白斑诊断中的应用证据进行了全面的范围综述，涵盖了从光谱学到深度学习的技术演变 | 现有证据仍处于初步阶段，需要标准化报告、更全面的数据集纳入以及多中心大样本验证以确保普适性 | 调查人工智能在口腔白斑诊断中的应用现状与潜力 | 口腔白斑 | 数字病理学 | 口腔白斑 | 光谱学，深度学习图像分析 | 深度学习模型 | 临床图像，组织病理学图像 | 10项研究 | NA | NA | 灵敏度，特异性，准确率 | NA |
| 2553 | 2026-03-05 |
MedCSS: a causal self-supervised approach for hierarchical feature consistency in 3D medical imaging
2026, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2026.1739716
PMID:41777736
|
研究论文 | 本文提出了一种名为MedCSS的层次特征一致性框架，结合因果自监督学习，用于三维医学图像分析 | 通过分布一致性对齐中间和高级特征，并引入基于编码率的因果正则化来抑制非因果冗余，增强了特征稳定性和边界敏感性 | NA | 解决传统深度学习模型在医学图像分析中依赖统计相关性而非生成结构建模的问题，提升小样本和跨域场景下的鲁棒性 | 三维医学图像 | 计算机视觉 | NA | NA | CNN | 三维图像 | NA | NA | 3D ResNet | NA | NA |
| 2554 | 2026-03-05 |
Hybrid deep learning model for autism spectrum disorder diagnosis
2025-Dec-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28819-4
PMID:41462499
|
研究论文 | 本文提出了一种用于儿童自闭症谱系障碍诊断的混合深度学习模型，并在面部图像数据集上进行了性能评估 | 提出并比较了多种混合深度学习模型（如MobileNetV2+GRU），其中MobileNetV2+GRU模型在测试集上表现出最优性能 | 研究仅基于Kaggle的面部图像数据集，未涉及其他多模态数据（如fMRI、游戏评估、运动特征等），且未说明模型的临床验证情况 | 开发一种客观、高效的深度学习模型，用于儿童自闭症谱系障碍的早期诊断 | 自闭症谱系障碍儿童的面部图像数据 | 计算机视觉 | 自闭症谱系障碍 | 深度学习 | CNN, LSTM, GRU | 图像 | 来自Kaggle仓库的面部图像数据集（具体数量未说明） | NA | MobileNetV2, BiLSTM, ResNet50, LSTM, EfficientNetB4, InceptionV3, GRU | 准确率, 精确率, F1分数, ROC值 | NA |
| 2555 | 2026-03-05 |
A Pre-Trained Model Customization Framework for Accelerated PET/MR Segmentation of Abdominal Fat in Obstructive Sleep Apnea
2025-Dec-18, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics15243243
PMID:41464242
|
研究论文 | 本研究验证了一种基于预训练网络的定制化框架，用于开发自动化内脏和皮下脂肪组织分割模型，利用阻塞性睡眠呼吸暂停患者的PET/MRI混合数据进行腹部脂肪量化 | 提出了一个可扩展的定制化框架，结合预训练的UNet-ResNet50模型和闭环训练系统，首次在PET/MRI混合成像中实现腹部脂肪的自动分割，同时支持体积和代谢分析 | 模型在轮廓/边界描绘方面的Dice相似系数较低（0.43和0.54），可能影响分割精度；样本量相对有限，仅基于OSA患者数据 | 开发一个自动化框架，用于加速PET/MRI中腹部脂肪的分割，以支持阻塞性睡眠呼吸暂停及相关慢性疾病的研究 | 阻塞性睡眠呼吸暂停患者的腹部内脏脂肪组织和皮下脂肪组织 | 数字病理学 | 阻塞性睡眠呼吸暂停 | 混合正电子发射断层扫描/磁共振成像 | CNN | 图像 | 59、157和328个带标注的扫描用于迭代训练，10个独立测试案例（每个扫描80-100个MR切片） | Discovery Viewer平台 | UNet-ResNet50 | Dice相似系数, 分割时间, 组内相关系数, Bland-Altman分析 | NA |
| 2556 | 2026-03-05 |
Leveraging multi-modal feature learning for predictions of antibody viscosity
2025-Dec, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2490788
PMID:40214197
|
研究论文 | 本文提出了一种多模态特征学习工作流，用于预测治疗性抗体的粘度 | 整合了序列、结构、理化性质及语言模型嵌入等多种数据源，使模型能从分子模拟的理化规则和预训练深度学习模型捕获的蛋白质进化模式中学习 | NA | 预测抗体粘度以支持早期治疗性抗体开发 | 治疗性抗体 | 机器学习 | NA | 多模态特征学习，分子模拟，语言模型嵌入 | 深度学习模型 | 序列，结构，理化性质，嵌入向量 | NA | NA | NA | NA | NA |
| 2557 | 2026-03-05 |
Automatically Measuring Kidney, Liver, and Cyst Volumes in Autosomal Dominant Polycystic Kidney Disease
2025-Nov-04, Journal of the American Society of Nephrology : JASN
IF:10.3Q1
DOI:10.1681/ASN.0000000904
PMID:41186985
|
研究论文 | 本文开发了一个基于深度学习的网络平台TraceOrg，用于自动测量常染色体显性多囊肾病患者的肾脏、肝脏和囊肿体积 | 结合了U-Net和Transformer元素的3D混合模型，实现了高精度的自动分割，并作为一个基于网络的公开工具提供，支持多种MRI协议 | 外部验证数据集中样本量相对有限，且模型在肝脏囊肿分割上的Dice分数略低 | 开发一个自动、准确且可重复的测量工具，以辅助常染色体显性多囊肾病的诊断、分类和管理 | 常染色体显性多囊肾病患者及非患者的MRI和CT扫描图像 | 数字病理学 | 常染色体显性多囊肾病 | 磁共振成像, 计算机断层扫描 | 深度学习 | 图像 | 720名参与者（包括611名ADPKD患者和109名非患者），用于内部和外部验证的额外MRI数据集 | 未明确指定 | U-Net, Transformer | Dice分数, 平均绝对百分比差异 | 基于网络的平台，具体计算资源未明确说明 |
| 2558 | 2026-03-05 |
Integrating Imaging-Derived Clinical Endotypes with Plasma Proteomics and External Polygenic Risk Scores Enhances Coronary Microvascular Disease Risk Prediction
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.18.25333844
PMID:40894134
|
研究论文 | 本研究通过整合影像学衍生的临床内型、血浆蛋白质组学和外源多基因风险评分，开发了冠状动脉微血管疾病的风险预测模型 | 首次应用影像学内型分型，并结合遗传和蛋白质组学数据进行CMVD风险预测，提出了一种用于复杂疾病的多模态建模框架 | CMVD的大规模全基因组关联研究缺乏，限制了多基因风险评分模型的开发 | 增强冠状动脉微血管疾病的风险预测能力 | 冠状动脉微血管疾病患者 | 机器学习 | 心血管疾病 | 全基因组关联研究，血浆蛋白质组学，灌注PET成像 | 机器学习，深度学习 | 影像数据，蛋白质组学数据，遗传数据 | NA | NA | NA | AUROC | NA |
| 2559 | 2026-03-05 |
Genomic Characterization of Lung Cancer in Never-Smokers Using Deep Learning
2025-Aug-20, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.14.670178
PMID:40894597
|
研究论文 | 本文提出了一种基于ResNet50架构的定制化深度卷积神经网络，用于从未吸烟者肺腺癌的H&E染色全切片图像中同时预测16种分子改变 | 首次将深度学习模型专门应用于从未吸烟者的肺腺癌，这是一种分子和组织学上独特的肺癌亚型，并针对该亚型优化了网络架构，实现了从单张WSI同时预测多种分子特征 | 模型对肿瘤突变负荷、APOBEC突变特征及某些KRAS热点突变的预测性能较低至中等 | 开发一种深度学习模型，用于从未吸烟者肺腺癌的组织学图像中推断分子特征，以支持分子检测的分流和精准治疗策略 | 从未吸烟者的肺腺癌患者的H&E染色全切片图像 | 数字病理学 | 肺癌 | H&E染色 | CNN | 图像 | 495张全切片图像 | NA | ResNet50 | AUROC | NA |
| 2560 | 2026-03-05 |
Using deep learning to predict postoperative pain in reverse shoulder arthroplasty patients
2025-May, JSES international
DOI:10.1016/j.jseint.2024.11.020
PMID:40486767
|
研究论文 | 本研究开发了一个深度学习算法，用于预测反向全肩关节置换术后的疼痛情况 | 首次应用人工神经网络预测反向全肩关节置换术后疼痛，并利用SHAP分析识别关键预测因素 | 模型准确率仅为63%，需要进一步优化，如纳入更多预测参数和尝试其他机器学习算法 | 开发预测反向全肩关节置换术后疼痛的深度学习模型，以优化手术指征和患者期望管理 | 反向全肩关节置换术患者 | 机器学习 | 骨科疾病 | 人工神经网络 | 人工神经网络 | 临床数据 | 1707名患者（疼痛组705人，无疼痛组1002人） | NA | 人工神经网络 | 准确率, 精确率, 召回率, F1分数 | NA |