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 42805 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 | 2026-03-05 |
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 |
| 2582 | 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 |
| 2583 | 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 |
| 2584 | 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 |
| 2585 | 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 |
| 2586 | 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 |
| 2587 | 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 |
| 2588 | 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 |
| 2589 | 2026-03-05 |
Role of artificial intelligence in magnetic resonance imaging-based detection of temporomandibular joint disorder: a systematic review
2025-04, The British journal of oral & maxillofacial surgery
DOI:10.1016/j.bjoms.2024.12.004
PMID:40087072
|
系统综述 | 本系统综述评估了人工智能在利用磁共振成像识别颞下颌关节盘位置中的应用 | 首次系统性地总结了AI在颞下颌关节紊乱症MRI检测中的应用，并比较了不同深度学习与机器学习算法的性能 | 纳入研究数量有限（7项），存在设计标准化不足和报告不一致的问题，其中一项研究存在高偏倚风险 | 评估人工智能在基于磁共振成像的颞下颌关节盘位置检测中的有效性和应用 | 正常个体或颞下颌关节紊乱症患者的颞下颌关节磁共振成像数据 | 医学影像分析 | 颞下颌关节紊乱症 | 磁共振成像 | 深度学习, 机器学习 | 图像 | NA | NA | MobileNetV2, ResNet | 灵敏度, 特异性, 准确率 | NA |
| 2590 | 2025-02-19 |
Deep learning: Cracking the metabolic code
2025-Mar-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001220
PMID:39960202
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2591 | 2026-03-05 |
Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_17
PMID:40337098
|
研究论文 | 本研究提出了一种基于nnUNetv2框架并融合自编码器架构的新型深度学习模型，用于头颈癌MRI引导放疗图像中的肿瘤体积自动分割 | 在nnUNetv2框架中引入自编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提升分割精度 | 研究仅基于头颈癌患者的特定数据集（150例训练，50例测试），模型在其他癌症类型或影像模态上的泛化能力未经验证 | 提升头颈癌MRI引导放疗图像中肿瘤体积自动分割的精度 | 头颈癌患者的MRI引导放疗图像 | 数字病理 | 头颈癌 | MRI引导放疗 | CNN | 图像 | 150例头颈癌患者用于训练，50例用于测试 | nnUNetv2 | nnUNet, 自编码器 | Dice相似系数 | NA |
| 2592 | 2026-03-05 |
Assessing Self-supervised xLSTM-UNet Architectures for Head and Neck Tumor Segmentation in MR-Guided Applications
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_12
PMID:40400661
|
研究论文 | 本文提出了一种用于头颈部肿瘤分割的新型两阶段模型，结合自监督学习和xLSTM-UNet架构，以提升MRI引导自适应放疗中的分割精度 | 提出了一种创新的两阶段模型，第一阶段采用基于DINOv2架构的自监督3D师生学习框架从未标记数据中学习有效表示，第二阶段设计了一种结合xLSTM的UNet模型，能够同时捕获肿瘤进展的空间特征和时序依赖关系 | 未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算资源需求和处理时间 | 优化头颈部癌症的MRI引导自适应放疗，通过自动肿瘤分割提升治疗精度 | 头颈部肿瘤的MRI影像 | 数字病理学 | 头颈部癌症 | MRI影像分析 | 自监督学习, 师生学习, xLSTM-UNet | 3D MRI影像 | 未明确说明具体样本数量，仅提及在多样化的头颈部癌症病例上进行评估 | PyTorch（基于DINOv2架构推断） | DINOv2, xLSTM-UNet | Dice系数 | NA |
| 2593 | 2026-03-05 |
Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge
2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
DOI:10.1007/978-3-031-83274-1_20
PMID:40417457
|
研究论文 | 本文探讨了使用3D nnU-Net模型在MRI数据上自动分割头颈部原发肿瘤和转移淋巴结的潜力 | 在3D nnU-Net模型中引入残差编码器，并针对高背景比例数据进行了专门的再训练优化 | 模型在高背景比例数据上表现不佳，GTVp分割效果弱于GTVn，仍需进一步优化 | 提高头颈部肿瘤放疗计划中肿瘤自动分割的准确性和可靠性 | 头颈部原发肿瘤体积（GTVp）和转移淋巴结（GTVn） | 医学图像分割 | 头颈部肿瘤 | MRI成像 | 深度学习 | 3D MRI图像 | 2024 MICCAI头颈部肿瘤分割挑战赛提供的高质量数据集 | PyTorch | 3D nnU-Net with Residual Encoder | DSCagg | NA |
| 2594 | 2026-03-05 |
PPB-Affinity: Protein-Protein Binding Affinity dataset for AI-based protein drug discovery
2024-12-03, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03997-4
PMID:39627219
|
研究论文 | 本文介绍了一个名为PPB-Affinity的大型蛋白质-蛋白质结合亲和力数据集，并开发了基于深度学习的基准模型来预测亲和力 | 创建了目前最大的公开可用的蛋白质-蛋白质结合亲和力数据集，填补了该领域开源数据稀缺的空白 | 未明确提及数据集的潜在偏差或模型预测的局限性 | 促进基于AI的大分子药物发现，特别是蛋白质-蛋白质结合亲和力的预测 | 蛋白质-蛋白质复合物及其结合亲和力数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质晶体结构数据、结合亲和力数据 | 未明确指定具体样本数量，但描述为大型数据集 | 未明确指定 | 未明确指定具体架构 | 未明确指定 | 未明确指定 |
| 2595 | 2026-03-05 |
Seizure Sources Can Be Imaged from Scalp EEG by Means of Biophysically Constrained Deep Neural Networks
2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202405246
PMID:39473085
|
研究论文 | 本文研究了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的头皮脑电图中成像癫痫发作活动 | 采用具有生物物理约束的深度神经网络，并利用神经质量模型生成与发作动态时空谱特征相似的合成训练数据 | 研究仅针对33名耐药性局灶性癫痫患者，样本量相对有限 | 研究DeepSIF框架在从头皮脑电图成像癫痫发作活动源方面的能力，以辅助难治性癫痫的管理 | 耐药性局灶性癫痫患者的高密度（76通道）脑电图癫痫发作记录 | 机器学习 | 癫痫 | 脑电图 | 深度神经网络 | 脑电图信号 | 33名耐药性局灶性癫痫患者 | NA | DeepSIF | 空间特异性, 空间离散度, 平均距离 | NA |
| 2596 | 2026-03-05 |
Wise Roles and Future Visionary Endeavors of Current Emperor: Advancing Dynamic Methods for Longitudinal Microbiome Meta-Omics Data in Personalized and Precision Medicine
2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202400458
PMID:39535493
|
综述 | 本文探讨了动态方法在整合纵向微生物组多组学数据于个性化与精准医学中的当前角色与未来愿景 | 提出统一分析框架和深度学习工具等先进动态方法，并强调其在微生物组研究中的创新应用 | 缺乏验证分析协议和数据资源的金标准，工作流程步骤的相互依赖性影响整体结果 | 探索动态方法在个性化与精准医学中整合纵向微生物组多组学数据的最佳实践与未来方向 | 微生物、代谢物、基因等实体及其与宿主生理和外部刺激的相互作用 | 机器学习 | NA | 高级测序工具，多组学数据整合 | 深度学习 | 纵向微生物组多组学数据 | NA | NA | NA | NA | NA |
| 2597 | 2026-03-05 |
A continuous pursuit dataset for online deep learning-based EEG brain-computer interface
2024-11-20, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-04090-6
PMID:39567538
|
研究论文 | 本文介绍了一个用于在线连续追踪脑机接口研究的EEG数据集，该数据集基于深度学习解码器，旨在促进复杂连续对象控制范式的新解码算法开发 | 提供了首个针对复杂连续追踪任务的在线深度学习脑机接口数据集，采用随机移动目标而非传统静态目标，包含多会话的大规模受试者特定数据 | 数据集主要针对特定连续追踪范式，可能不直接适用于其他传统脑机接口任务；在线解码器的性能可能受实时计算约束影响 | 开发适用于连续对象控制的脑机接口解码算法，推动脑电脑机接口走向实际应用 | 28名人类受试者在多会话中采集的脑电信号 | 脑机接口 | NA | 脑电图 | 深度学习 | 脑电信号 | 28名受试者，总计约168小时脑电记录 | NA | NA | NA | NA |
| 2598 | 2026-03-05 |
Explainable AI for computational pathology identifies model limitations and tissue biomarkers
2024-Nov-18, ArXiv
PMID:39279830
|
研究论文 | 本文介绍了一种名为HIPPO的可解释AI框架，用于计算病理学，通过生成图像反事实来识别模型局限性和组织生物标志物 | 开发了HIPPO框架，系统修改全切片图像中的组织区域以生成图像反事实，支持定量假设测试、偏差检测和超越传统性能指标的模型评估 | 未在摘要中明确说明 | 增强深度学习模型在数字病理学中的透明度和可靠性，促进临床采用 | 乳腺癌转移检测、乳腺癌和黑色素瘤的预后预测、胶质瘤IDH突变分类 | 计算病理学 | 乳腺癌, 黑色素瘤, 胶质瘤 | NA | 深度学习模型 | 全切片图像 | NA | NA | NA | 传统性能指标, 注意力方法 | NA |
| 2599 | 2026-03-05 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Sep-12, ArXiv
PMID:39314513
|
研究论文 | 本研究开发了一个基于多任务学习的统一计算框架，用于胎儿脑部扩散磁共振成像的精确组织分割、白质束分割和脑区划分 | 首次提出一个统一的多任务深度学习框架，能够同时完成胎儿脑部组织分割、白质束分割和脑区划分三项关键任务 | 研究仅基于97个胎儿脑部样本，样本量相对有限，且数据质量受胎儿运动等因素影响 | 开发自动化计算方法以解决胎儿脑部扩散磁共振成像数据分析的可靠性和可重复性问题 | 胎儿脑部扩散磁共振成像数据 | 医学影像分析 | 胎儿神经发育 | 扩散加权磁共振成像 | 深度学习 | 医学影像 | 97个胎儿脑部样本 | NA | 多任务深度学习模型 | Dice相似系数 | NA |
| 2600 | 2026-03-05 |
Detailed delineation of the fetal brain in diffusion MRI via multi-task learning
2024-Aug-30, bioRxiv : the preprint server for biology
DOI:10.1101/2024.08.29.609697
PMID:39257731
|
研究论文 | 本文开发并验证了一个统一的计算框架，用于胎儿脑部扩散磁共振成像数据的多任务分析，包括组织分割、白质束分割和脑区划分 | 提出了一种多任务深度学习方法来同时执行胎儿脑部扩散磁共振成像数据的组织分割、白质束分割和脑区划分，解决了现有自动化方法缺失的问题 | 未明确提及，但可能包括数据质量低、脑部发育快速带来的挑战，以及标注数据的有限性 | 开发可靠的计算方法来分析胎儿脑部扩散磁共振成像数据，以促进胎儿神经影像学领域的发展 | 胎儿脑部扩散磁共振成像数据 | 医学影像分析 | NA | 扩散磁共振成像 | 深度学习 | 磁共振图像 | 97个胎儿脑部 | NA | NA | Dice相似系数 | NA |