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 2581 - 2600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2581 | 2026-03-03 |
How to Train Custom Cell Segmentation Models Using Cell-APP
2026-Feb-20, Bio-protocol
IF:1.0Q3
DOI:10.21769/BioProtoc.5618
PMID:41769259
|
研究论文 | 本文介绍了一种名为Cell-APP的工具，用于自动化生成透射光细胞分割模型的训练数据，并提供了使用该工具训练自定义细胞分割模型的逐步协议 | 开发了Cell-APP工具，通过结合荧光图像和提示式深度学习模型SAM，自动化生成高质量的细胞分割训练数据，解决了手动标注耗时的问题 | 需要配对的透射光和荧光图像，且荧光图像中的每个细胞必须具有完整且空间上独立的信号，这限制了其应用范围 | 自动化生成细胞分割模型的训练数据，以加速细胞生物学中的显微镜分析 | HeLa、U2OS、HT1080和RPE-1细胞 | 数字病理学 | NA | 显微镜成像、荧光成像、透射光成像 | 深度学习模型 | 图像 | HeLa、U2OS、HT1080和RPE-1细胞的延时电影数据 | NA | SAM | 空间和时间一致性 | NA |
| 2582 | 2026-03-03 |
Computational approaches for RNA structure prediction and design
2026-Feb-18, Cell reports. Physical science
DOI:10.1016/j.xcrp.2026.103097
PMID:41769665
|
综述 | 本文综述了计算RNA结构预测和设计领域的最新进展，特别是深度学习方法的变革性影响 | 概述了深度学习如何超越传统同源性和建模方法，显著提高RNA结构预测准确性，并介绍了基于多序列比对、无多序列比对以及通用模型等策略 | NA | 综述计算RNA结构预测和设计的方法进展，并探讨当前挑战和未来方向 | RNA的三维结构 | 计算生物学 | NA | 深度学习 | NA | 序列数据（多序列比对、单序列） | NA | NA | NA | NA | NA |
| 2583 | 2026-03-03 |
Integration of traditional Chinese medicine and machine learning: Opportunities, obstacles, and implications for future of healthcare
2026-Feb-17, Journal of integrative medicine
DOI:10.1016/j.joim.2026.02.004
PMID:41765716
|
综述 | 本文综述了机器学习在传统中医中的应用现状，探讨了将中医与机器学习整合的机遇、障碍及对医疗未来的影响 | 提出将知识图谱与深度学习结合以增强中医诊断、治疗规划和预后评估，并讨论了凸机器学习在优化中医测试算法中的潜力 | 面临数据标准化、伦理法律框架以及跨学科合作等主要障碍 | 探索机器学习与传统中医整合的机遇与挑战，以推动中医现代化并提升未来医疗系统效能 | 传统中医的理论、实践及其与机器学习技术的结合 | 机器学习 | NA | 机器学习，深度学习 | 深度学习算法 | NA | NA | NA | NA | NA | NA |
| 2584 | 2026-03-03 |
Entropy Production in Non-Gaussian Active Matter: A Unified Fluctuation Theorem and Deep Learning Framework
2026-Feb-13, Physical review letters
IF:8.1Q1
DOI:10.1103/y94p-4qcz
PMID:41765831
|
研究论文 | 本文提出了一个用于推导非高斯活性物质系统中熵产生率的通用理论框架，并引入了基于深度学习的高效计算方法 | 提出了适用于非高斯活性涨落的熵产生分解公式和涨落定理，并创新性地结合深度学习技术（Lévy评分）进行高效计算 | 研究主要基于稳态条件，虽然可扩展至任意初始状态，但未讨论具体非稳态过程的适用性 | 建立活性物质系统中非平衡热力学行为的统一分析框架和计算工具 | 活性物质系统，特别是受非高斯活性涨落驱动的系统 | 机器学习 | NA | 概率流等价技术，深度学习 | 深度学习模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 2585 | 2026-03-03 |
UCSF RMaC: University of California San Francisco 3D Multi-Phase Renal Mass CT Dataset with Tumor Segmentations
2026-Feb-12, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.11.26346096
PMID:41728332
|
研究论文 | 本文介绍了UCSF RMaC数据集，一个包含831个多期相3D CT检查的肾肿瘤数据集，用于支持深度学习模型在肾肿瘤亚型分类和分级预测中的研究 | 提供了大规模、多样化的多期相3D肾肿瘤CT数据集，包含肿瘤轮廓或边界框标注、病理结果和患者元数据，旨在改善模型性能并强化评估集 | 未提及模型性能的具体限制，但暗示现有方法在肾肿瘤亚型区分和分级预测上效果不一，需要更大数据集来提升 | 通过提供大规模数据集，促进深度学习、放射组学和纹理分析在肾肿瘤亚型分类及分级预测中的应用研究 | 肾肿瘤，特别是良性嗜酸细胞瘤、透明细胞肾细胞癌（RCC）以及低级别与高级别RCC | 数字病理学 | 肾癌 | 多期相3D CT成像 | NA | 3D CT图像 | 831个多期相3D CT检查，每个检查包含最多三个对比增强CT期相 | NA | NA | NA | NA |
| 2586 | 2026-03-03 |
[Current status, application scenarios, challenges, and recommendations for the development of medical artificial intelligence: a domestic and international perspective]
2026-Feb-10, Zhonghua liu xing bing xue za zhi = Zhonghua liuxingbingxue zazhi
|
综述 | 本文回顾了医学人工智能技术的发展历程，分析了国内外大规模模型在数据、算力和算法方面的现状，并探讨了其在精准预防、诊断、药物研发、传染病控制和医学教育等五大应用场景中的进展与挑战 | 从国内外政策支持和技术演进的视角，系统梳理了医学AI从符号推理到深度学习及大语言模型驱动的新范式转变，并针对数据质量、模型可解释性、幻觉控制等关键挑战提出了应对策略 | 作为综述性文章，未涉及具体实验数据或模型验证，主要基于文献和政策分析，缺乏实证研究支撑 | 为医学人工智能的持续发展提供全面的视角和战略建议 | 医学人工智能技术及其在医疗领域的应用 | 机器学习 | NA | 深度学习, 大语言模型 | NA | NA | NA | NA | NA | NA | NA |
| 2587 | 2026-03-03 |
Working face status detection in coal mine based on YOLOv8-EST
2026-Feb-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35452-2
PMID:41656345
|
研究论文 | 本文提出了一种基于改进YOLOv8的YOLOv8-EST算法，用于煤矿工作面的状态检测 | 在YOLOv8网络中引入Swin Transformer模块以增强特征提取能力；改进GELU激活函数为GELUS以降低计算复杂度；使用深度学习网络生成相对位置编码以捕获更复杂的空间关系；引入EMA注意力机制以关注输入图像的重要区域 | 算法在真实煤矿工作面自采集的CM数据集上进行验证，但未提及数据集的公开性、规模多样性或与其他公开数据集的对比 | 在有限的计算资源下，实现煤矿工作面状态的实时、高效、准确检测，以提高生产安全与效率 | 煤矿工作面的状态 | 计算机视觉 | NA | 深度学习，目标检测 | CNN, Transformer | 图像 | 自采集的真实煤矿工作面CM数据集（具体数量未提及） | NA | YOLOv8, Swin Transformer | 检测精度，效率 | 煤矿工作面有限的计算资源 |
| 2588 | 2026-03-03 |
Abnormal Driving Pattern Detection from GPS Trajectories Using Vision Transformer
2026-Feb-06, Research square
DOI:10.21203/rs.3.rs-8653475/v1
PMID:41674834
|
研究论文 | 本文提出了一种基于Vision Transformer的驾驶模式检测方法，通过GPS轨迹分析来分类正常与异常驾驶行为 | 引入了二进制网格图像表示驾驶轨迹的空间结构，并首次将Vision Transformer应用于驾驶模式检测问题 | 未明确讨论模型对复杂天气或交通条件变化的适应性，以及数据隐私问题 | 开发一种有效的驾驶模式检测方法，以提升道路安全和认知健康评估 | GPS轨迹数据表示的驾驶行为 | 计算机视觉 | NA | GPS轨迹分析 | Transformer | 图像（二进制网格图像） | NA | NA | Vision Transformer (ViT) | F1分数 | NA |
| 2589 | 2026-03-03 |
ASPECT: Alternative Splicing Event Classification with Transformers
2026-Feb-06, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.04.700904
PMID:41684940
|
研究论文 | 本文提出了一种基于DNABERT-2和BPE分词器的替代剪接事件分类框架ASPECT，用于区分多种剪接事件类型 | 利用DNABERT-2模型结合BPE分词处理基因组序列，能够捕获更广泛的调控上下文信息，超越传统方法对短序列窗口的依赖 | 未明确说明模型在处理非典型或罕见剪接事件时的泛化能力，且训练数据可能主要基于规范剪接事件 | 开发一个高性能的替代剪接事件分类工具，以促进对剪接调控在健康和疾病中作用的全面理解 | 替代剪接事件，特别是TCGA BRCA癌症相关剪接事件 | 自然语言处理 | 乳腺癌 | 基因组序列分析 | Transformer | 基因组序列 | NA | PyTorch | DNABERT-2 | AUC, F1-score, accuracy | NA |
| 2590 | 2026-03-03 |
Automated Ventricle Assessment via Three-dimensional Anatomical Reconstruction (AVA-TAR): a computational toolkit for autonomous lateral ventricle assessment in preclinical hydrocephalus models
2026-Feb-05, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.02.703412
PMID:41676469
|
研究论文 | 本研究开发并内部验证了一种深度学习模型，用于自动分割啮齿动物脑部MRI中的侧脑室，实现3D重建、形态学分析和脑室扩大检测 | 提出了一种基于U-Net++和EfficientNet-B1编码器的深度学习工具，首次实现了啮齿动物脑部MRI中侧脑室的自动化分割和形态学分析，并打包为公开可用的应用程序 | 模型训练主要基于形态学正常的样本，可能对异常形态的泛化能力有限；样本数量相对较少（307个），且内部验证未涉及外部独立数据集 | 开发一个自动化工具，用于临床前脑积水模型中侧脑室的评估，提高研究效率和准确性 | 啮齿动物（大鼠和小鼠）的脑部MRI图像 | 数字病理学 | 脑积水 | 磁共振成像 | 深度学习 | 图像 | 307个啮齿动物脑部MRI（262只大鼠，45只小鼠） | NA | U-Net++, EfficientNet-B1 | Dice系数, IoU, Hausdorff指数, Pearson相关系数, 类内相关系数 | NA |
| 2591 | 2026-03-03 |
Single-cell Multiome Analysis of Chromatin State and Transcriptome in the Human Basal Ganglia
2026-Feb-03, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.03.703645
PMID:41684930
|
研究论文 | 本研究通过单细胞多组学分析，构建了人类基底神经节中组蛋白修饰和转录组的首个图谱，揭示了细胞类型特异性的基因调控网络 | 首次在人类基底神经节中结合单细胞组蛋白修饰和转录组数据进行多组学分析，并整合空间转录组数据揭示表观基因组景观的区域异质性 | 研究主要基于神经典型成年人类供体，可能未涵盖疾病状态或发育阶段的变异 | 理解基底神经节细胞类型身份和功能的基因调控程序，以解释疾病相关的非编码变异 | 人类基底神经节的八个区域细胞 | 生物信息学 | 神经精神疾病 | 单细胞多组学分析，组蛋白修饰分析，转录组分析，MERFISH空间转录组学 | 深度学习模型 | 单细胞组蛋白修饰数据，转录组数据，空间转录组数据 | 来自神经典型成年人类供体的八个基底神经节区域 | NA | NA | NA | NA |
| 2592 | 2026-03-03 |
Interpretable Deep Learning for OCT-Based Diagnosis of Vitreoretinal Lymphoma Versus Uveitis
2026-Feb-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.2.30
PMID:41746131
|
研究论文 | 开发并验证了一种可解释的深度学习模型，用于基于光学相干断层扫描（OCT）图像区分玻璃体视网膜淋巴瘤（VRL）与非感染性葡萄膜炎（NIU） | 结合了梯度加权类激活映射（Grad-CAM）的可解释深度学习模型，能够可视化区分VRL与NIU的病理OCT特征 | 样本量较小（VRL 45例，NIU 52例），且为横断面研究，可能限制模型的泛化能力 | 开发一种可解释的深度学习模型，用于基于OCT图像对VRL与NIU进行自动分类 | 玻璃体视网膜淋巴瘤（VRL）患者与非感染性葡萄膜炎（NIU）患者 | 数字病理学 | 眼部疾病 | 光学相干断层扫描（OCT）成像 | CNN | 图像 | 97名患者（VRL 45例，NIU 52例） | NA | 自定义深度卷积神经网络 | AUROC, AUPRC, 准确率, F1分数, 精确率, 灵敏度, 特异性, kappa | NA |
| 2593 | 2026-03-03 |
External evaluation of an open-source deep learning model for prostate cancer detection on bi-parametric MRI
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11865-x
PMID:40753327
|
研究论文 | 本研究评估了一个开源深度学习模型在双参数磁共振成像上检测临床显著前列腺癌的诊断准确性 | 对开源深度学习模型进行外部验证，并强调共享模型代码和权重以促进有效外部验证和进一步研究的重要性 | 研究为回顾性诊断准确性研究，样本量相对较小（151名患者），且模型对临床显著前列腺癌的特异性较低（0.53） | 评估开源深度学习模型在双参数磁共振成像上检测临床显著前列腺癌的诊断准确性，并概述促进模型有效共享和外部评估的必要组件 | 151名生物学男性患者的双参数磁共振成像检查 | 数字病理学 | 前列腺癌 | 双参数磁共振成像 | 深度学习模型 | 医学影像 | 151名生物学男性患者（平均年龄65±8岁） | NA | NA | AUC, 敏感性, 特异性, Fleiss' kappa | NA |
| 2594 | 2026-03-03 |
Artificial intelligence for breast cancer prevention: the vision ahead
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12036-8
PMID:41060416
|
综述 | 本文探讨了人工智能在乳腺癌预防中的应用前景，特别是在乳腺影像筛查和风险分层方面的潜力 | 强调了人工智能不仅可用于提高筛查效率（如提升检出率和减少工作量），还能支持一级（真正）预防，通过整合网络工具、移动应用和可穿戴设备促进健康生活方式 | 文章主要基于现有研究和愿景展望，缺乏具体实施案例或长期效果数据，且未详细讨论技术集成中的实际障碍 | 旨在阐述人工智能如何助力乳腺癌的一级和二级预防，并推动放射科医生在预防策略中发挥更积极的作用 | 乳腺癌预防策略，包括筛查程序和生活方式干预 | 医学影像分析 | 乳腺癌 | 人工智能，深度学习，放射组学 | 深度学习模型 | 乳腺影像数据（如乳腺X线摄影），健康行为数据 | NA | NA | NA | 癌症检出率提升（超过25%），阅读工作量减少（超过40%） | NA |
| 2595 | 2026-03-03 |
A Deep Neural Network Based on Two-Stage Training for Estimating Heart Rate Variability From Camera Videos
2026-Feb, Health care science
DOI:10.1002/hcs2.70047
PMID:41767171
|
研究论文 | 本文提出了一种基于两阶段训练的深度神经网络方法，通过摄像头视频非接触式估计心率变异性 | 采用面部网格分割结合基于Transformer的神经网络进行信号滤波，并利用大规模合成数据进行预训练以提高HRV估计精度 | 未明确说明实际应用场景中的环境干扰处理及跨人群泛化能力验证 | 提高非接触式设备检测心率变异性的准确性，拓展HRV评估场景 | 通过摄像头视频获取的人体面部生理信号 | 计算机视觉 | 心血管疾病 | 摄像头视频采集 | 深度神经网络, Transformer | 视频 | 100万合成数据点预训练，结合公开数据集与自建数据集进行任务训练 | NA | Transformer | 准确率, 均方根误差, 相关性指数 | NA |
| 2596 | 2026-03-03 |
Artificial Intelligence-Enabled Echocardiographic Assessment of Right Ventricular Function
2026-Jan-22, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.01.20.26344425
PMID:41646670
|
研究论文 | 本研究开发了一种名为EchoNet-RV的深度学习模型，用于分割心尖四腔心切面超声心动图视频中的右心室并估计右心室面积变化分数 | 开发了首个专门用于右心室分割和功能评估的深度学习模型EchoNet-RV，并在多个国际外部测试集上验证了其性能优于现有多任务模型 | 模型主要基于心尖四腔心切面视频，可能未涵盖所有右心室评估的超声视图；外部测试集虽来自不同中心，但可能仍存在数据分布偏差 | 开发一个自动化、可重复的深度学习模型，以改善右心室功能的超声心动图评估 | 心尖四腔心切面超声心动图视频中的右心室 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习模型 | 视频 | 训练集：7,169个专家标注的心尖四腔心切面超声心动图视频；内部测试集：1,320个视频；两个外部测试集：3,107个和1,077个视频 | NA | EchoNet-RV | Dice系数, 平均绝对误差, 受试者工作特征曲线下面积 | NA |
| 2597 | 2026-03-03 |
Editorial: Neuromorphic and deep learning paradigms for neural data interpretation and computational neuroscience
2026, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2026.1789388
PMID:41766771
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2598 | 2026-03-03 |
A review of optimization strategies for deep and machine learning in diabetic macular edema
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1684752
PMID:41766941
|
综述 | 本文综述了深度学习和机器学习在糖尿病性黄斑水肿（DME）分析中的应用，特别关注优化算法在提升模型效能、鲁棒性和性能方面的整合与影响 | 强调并整合了优化算法（如元启发式优化器Jaya和蚁群优化）在DME相关深度学习与机器学习任务中的关键作用，通过混合架构（如Auto-Metric图神经网络）展示了性能提升 | 存在挑战，如基于YOLO的模型在病变识别中测试集性能的平均精度较低（0.1540），且临床可解释性有待提高以增强临床医生信任 | 巩固、评估和整合深度学习和机器学习在糖尿病性黄斑水肿（DME）分析中的应用研究，特别关注优化算法的整合与影响 | 糖尿病性黄斑水肿（DME）相关的眼科图像分析任务 | 计算机视觉 | 糖尿病性黄斑水肿 | NA | 深度学习, 机器学习 | 图像 | NA | NA | Auto-Metric图神经网络, YOLO | 准确率, 平均精度 | NA |
| 2599 | 2026-03-03 |
An AI approach to lunar phase detection: enhancing the identification of the new crescent with astronomical data integration
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1727824
PMID:41766946
|
研究论文 | 本研究探讨了利用人工智能技术从NASA月球勘测轨道飞行器图像中检测和分析新月牙的可行性 | 首次将深度学习与传统机器学习方法结合用于基于太空影像的新月牙检测，并整合了月球年龄数据以增强CNN模型 | 研究主要基于轨道图像，可能未完全覆盖地球观测的所有条件；合成噪声和遮挡测试虽进行，但真实环境复杂性可能更高 | 通过AI技术改进新月牙的检测，以支持天文学、文化传统和宗教农历的确定 | NASA月球勘测轨道飞行器获取的超过13年的月球图像 | 计算机视觉 | NA | 太空影像分析，图像预处理（灰度转换、对比度受限自适应直方图均衡化、降噪） | CNN, RF, SVM | 图像 | 超过13年的月球轨道图像数据集 | NA | 自定义CNN架构 | 精确率, 召回率, F分数, 整体准确率 | NA |
| 2600 | 2026-03-03 |
Automatic classification and prognosis prediction of cerebral hemorrhage based on a deep learning model
2026, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2026.1725732
PMID:41767013
|
研究论文 | 本研究提出了一种名为HemorrhageNet的深度学习框架，用于脑出血的自动分类和预后预测 | 提出HemorrhageNet框架，整合多模态数据，采用双路径架构和注意力机制，并结合自适应预后策略以增强泛化能力和可解释性 | 未明确说明数据集的样本量或具体局限性 | 开发一个深度学习模型，用于脑出血的自动分类和预后预测，以克服传统诊断方法的限制 | 脑出血患者的多模态数据，包括CT和MRI影像、人口统计学信息和临床参数 | 数字病理学 | 脑出血 | CT成像, MRI成像 | 深度学习模型 | 图像, 文本 | NA | NA | HemorrhageNet | 准确性, 鲁棒性, 透明度 | NA |