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 45616 篇文献，本页显示第 2881 - 2900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2881 | 2026-05-19 |
Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study
2026-Apr, The Lancet. Oncology
DOI:10.1016/S1470-2045(25)00727-2
PMID:41831466
|
研究论文 | 开发并验证一种多模态深度学习模型，能够直接从常规组织病理切片和临床变量预测Oncotype DX 21基因复发评分，以评估乳腺癌复发风险和化疗获益 | 首次将基于大规模组织病理切片预训练的基础模型应用于预测基因组复发评分，实现常规病理切片直接评估化疗获益，无需昂贵基因组检测 | 未明确列出局限性，但研究基于回顾性数据和特定人群，可能在更具种族多样性的群体中表现需进一步验证 | 开发低成本、可推广的人工智能工具，替代Oncotype DX基因组检测以指导激素受体阳性、HER2阴性早期乳腺癌的化疗决策 | 激素受体阳性、HER2阴性早期乳腺癌患者 | 数字病理学 | 乳腺癌 | 数字全切片成像 | 多模态深度学习模型 | 组织病理学全切片图像、临床变量 | 训练集171,189张切片，TAILORx内部验证集8,284例患者，测试集2,407例患者，外部验证集5,497例患者 | NA | 基础模型（基于大规模病理切片预训练）、多模态深度学习架构 | AUC、风险比、95%置信区间 | NA |
| 2882 | 2026-05-19 |
Cell-MICS: Detecting Immune Cells With Label-Free Two-Photon Autofluorescence and Deep Learning
2026-Apr, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70260
PMID:41923530
|
研究论文 | 通过无标记双光子自体荧光和深度学习检测免疫细胞 | 提出MICS（多光子成像结合计算特异性）方法，利用低复杂度SqueezeNet卷积神经网络在无标记双光子自体荧光图像上实现免疫细胞分类，验证了NADH和FAD自体荧光信号对分类的同等重要性 | 目前仅对分离的六种免疫细胞进行分类，未在活体组织中进行验证，且仅使用SqueezeNet单一架构 | 探索利用深度学习为无标记双光子自体荧光图像提供计算特异性，实现免疫细胞分类 | T细胞、中性粒细胞等六种分离的免疫细胞 | 计算机视觉 | NA | 双光子自体荧光成像 | 卷积神经网络 | 图像 | NA（未提供具体样本数量） | NA | SqueezeNet | ROC-AUC, PR-AUC, F1分数, 精确率, 召回率 | NA |
| 2883 | 2026-05-19 |
Enhancing movie script creation through retrieval-augmented LLMs and stable diffusion scene modeling
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45852-z
PMID:41922447
|
研究论文 | 利用RAG和Stable Diffusion增强电影剧本自动生成与场景建模 | 首次将检索增强生成与Stable Diffusion结合，实现从剧本到场景的端到端自动化生成，并比较了RAG与微调两种方法的有效性 | 剧本生成的质量仍受限于训练数据集的规模与多样性，场景可视化仅依赖CLIP评分衡量，缺乏人类专家评估 | 探索利用大语言模型和稳定扩散模型自动生成电影剧本及对应场景的可行性 | 电影剧本的自动生成与对应场景的可视化建模 | 自然语言处理, 计算机视觉 | NA | 检索增强生成, 稳定扩散模型 | 大语言模型, 扩散模型 | 文本, 图像 | 多个电影剧本数据集中训练的模型 | PyTorch | Gemini-Pro, GPT-2, Bloom, CompVis | 余弦相似度, 困惑度, CLIP分数 | NA |
| 2884 | 2026-05-19 |
Cross-domain multimodal learning for stress-level prediction: a hybrid deep learning framework integrating independent EEG and facial expression datasets
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41250-7
PMID:41922398
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2885 | 2026-05-19 |
ChunkyBERT: a novel technique for multiclass political bias detection in news media
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46646-z
PMID:41922711
|
研究论文 | 提出一种名为ChunkyBERT的新方法，利用BERT模型对新闻媒体中的多类政治偏见进行检测 | 通过将长政治文章分割成固定长度的片段，分别使用预训练BERT编码，再经由Transformer编码器和注意力池化机制聚合片段级嵌入，实现对完整文本的利用，无需手动生成特征 | 未明确提及局限性，但可能受限于分割长度选择和计算资源需求 | 提出一种可扩展的政治偏见检测方法，应用于新闻分类为左倾、中间派和右倾倾向 | 新闻媒体中的政治文章 | 自然语言处理 | NA | NA | BERT（双向编码器表示来自Transformers）、Transformer编码器 | 文本 | NA | PyTorch（假设，基于BERT常见实现） | BERT、Transformer编码器 | 准确率（86.22%）、AUC-ROC（0.96） | NA |
| 2886 | 2026-05-19 |
AI and the digital pathology revolution: clinical applications in cancer diagnosis and assessment
2026-Apr, Expert review of molecular diagnostics
IF:3.9Q1
DOI:10.1080/14737159.2026.2665801
PMID:42070246
|
综述 | 本文综述了人工智能与数字病理学在癌症诊断与评估中的临床应用 | 全面总结了从经典机器学习到深度学习模型（如卷积神经网络、Transformer和基础计算病理模型）的转变，以及多模态AI系统整合组织学图像与文本数据的涌现研究 | 未提供具体实验验证或定量分析结果 | 探讨数字病理学和人工智能如何改变癌症诊断与评估过程，并展望其未来在常规病理实践中的嵌入 | 数字病理学与人工智能技术在癌症诊断中的临床应用 | 数字病理学 | 癌症 | 数字病理学全切片成像 | 深度学习模型（卷积神经网络、Transformer、基础计算病理模型） | 图像（H&E染色组织切片） | NA | NA | 卷积神经网络、Transformer、基础计算病理模型 | NA | NA |
| 2887 | 2026-05-19 |
Artificial Intelligence in Low-Dose Computed Tomography Lung Cancer Screening: Clinical Integration, Validation, and Translational Challenges
2026-Apr, Cureus
DOI:10.7759/cureus.107050
PMID:42147591
|
综述 | 本文综述了人工智能在低剂量CT肺癌筛查中的临床应用、验证研究及转化挑战 | 系统总结了AI在LDCT筛查中从算法性能到临床整合与人类-AI协作的转化进展 | 外部验证不足、泛化性有限、可解释性差、工作流整合困难，且放射科医师信任度及人机交互影响实际应用 | 总结AI在LDCT肺癌筛查中的方法、临床验证及转化挑战 | LDCT筛查中应用的AI技术及其临床整合 | 机器学习 | 肺癌 | NA | 深度学习, 放射组学 | 图像 | NA | NA | NA | NA | NA |
| 2888 | 2026-05-19 |
Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data
2026-Mar-31, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c15772
PMID:41861271
|
研究论文 | 提出基于深度学习的多污染物同步预测框架DeepMAP，利用地球静止卫星数据量化多种空气污染物的共同暴露 | 首次提出能同时预测六种主要空气污染物（PM2.5、PM10、O3、NO2、CO、SO2）的深度学习框架，并引入新型共暴露指数来识别污染热点区域 | NA | 开发高时空分辨率的多污染物同步预测方法，以量化人群对混合污染物的共同暴露及其健康影响 | 东亚地区六种主要空气污染物的时空分布及其共同暴露特征 | 机器学习 | 呼吸系统疾病，心血管疾病 | 卫星遥感 | 深度学习 | 卫星影像 | NA | PyTorch | NA | 归一化均方根误差 | NA |
| 2889 | 2026-05-19 |
Morphology-guided deep learning for nanoparticle agglomeration diagnostic assays
2026-Mar-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45423-2
PMID:41917119
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2890 | 2026-05-19 |
Atlas of predicted protein complex structures across kingdoms
2026-Mar-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70884-4
PMID:41882029
|
研究论文 | 利用AlphaFold2的ColabFold框架预测了110万个蛋白质-蛋白质相互作用结构，构建了跨物种的蛋白质复合物图谱 | 首次大规模跨物种预测蛋白质复合物结构，涵盖细菌、古菌、人类、小鼠、植物和人类-病毒对，并发现跨物种共享的蛋白质复合物结构 | 预测结构依赖计算机模型，实验验证仅针对特定病毒受体，覆盖范围有限 | 系统性地预测和解析跨物种蛋白质复合物的三维结构，揭示进化保守性和功能关系 | 蛋白质复合物的预测结构及蛋白质-蛋白质相互作用 | 机器学习 | NA | AlphaFold2, ColabFold | AlphaFold2 | 蛋白质序列 | 110万个蛋白质-蛋白质相互作用结构，覆盖细菌、古菌、人类、小鼠、植物和人类-病毒对 | ColabFold | AlphaFold2 | 高置信度结构分类标准 | NA |
| 2891 | 2026-05-19 |
An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44499-0
PMID:41844761
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2892 | 2026-03-18 |
Uncertainty-aware automated labeling of intracranial arteries using deep learning
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02276-5
PMID:41840364
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2893 | 2026-05-19 |
Assessing the influence of kernel selection on chest computed tomography image quality across varying dose levels using TrueFidelity reconstruction
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf143
PMID:41821439
|
研究论文 | 评估不同剂量水平下使用不同重建核对胸部CT图像质量的影响 | 首次比较GE Healthcare的TrueFidelity DLIR软件中标准核与肺部核在全剂量和超低剂量胸部CT图像质量上的差异 | 样本量较小（仅25名患者），且对超低剂量协议无法得出可靠结论 | 评估全剂量和超低剂量胸部CT扫描中使用TrueFidelity标准核与肺部核重建的图像质量 | 25名接受胸部CT扫描的患者图像 | 计算机视觉 | 肺部疾病 | CT | 深度学习图像重建（DLIR） | 图像 | 25名患者的胸部CT图像 | NA | TrueFidelity | 视觉分级特征（VGC）曲线下面积（AUCVGC） | NA |
| 2894 | 2026-05-19 |
From digital chest tomosynthesis to 3D CT
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf162
PMID:41821455
|
研究论文 | 提出一种从数字胸部断层合成到三维CT的高效深度学习重建方法 | 提出通过从投影数据的小块中重建矢状CT切片，显著降低内存需求，并采用体素分类（空气、软组织、骨）替代连续HU值预测 | 难以重建精细细节，尚不适合临床应用 | 开发一种低资源需求的断层合成体积成像重建方法 | 数字胸部断层合成投影图像及其对应的CT重建 | 计算机视觉 | NA | 数字胸部断层合成 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 2895 | 2026-05-19 |
Improving visibility of small anatomical details on low and ultra-low dose computed tomography with artificial intelligence-based image reconstructions
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf171
PMID:41821465
|
研究论文 | 评估人工智能图像重建技术在低剂量和超低剂量CT扫描中提升小解剖结构可见性的效果 | 首次系统评估深度学习图像重建在极低辐射剂量下对胸部小解剖结构诊断质量的影响 | 基于体模和单一肺标本，未包含活体患者数据 | 比较不同CT图像重建技术在不同辐射剂量水平下对诊断图像质量的影响 | PBU-50人体模型和风干人肺标本 | 计算机视觉 | 肺部结节、纤维化、支气管周围病变 | CT扫描 | 深度学习图像重建 | 图像 | 一个PBU-50人体模型（小型成人）和一个风干人肺标本，六个剂量水平 | NA | DLIR-H, ASiR-V, FBP | 描述性统计、视觉分级特征分析 | NA |
| 2896 | 2026-03-02 |
Explainable deep learning and radiomics integration for differentiating insulinomas from NF-PNETs in EUS imaging
2026-Feb-28, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03388-2
PMID:41764459
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2897 | 2026-05-19 |
An explainable deep learning framework for video violence detection using unsupervised keyframe selection and attention-based CNN
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40977-7
PMID:41748832
|
研究论文 | 提出一种可解释的注意力增强卷积神经网络框架，用于视频暴力检测，集成无监督关键帧选择、注意力驱动特征学习和Grad-CAM++可解释性 | 融合无监督关键帧选择、注意力机制和Grad-CAM++可解释性，在降低计算开销的同时提升时空特征判别能力和模型透明度 | 未明确讨论在极低光照、严重遮挡或高动态场景下的鲁棒性，且仅在五类基准数据集上验证，可能泛化到其他暴力场景需进一步测试 | 解决视频暴力检测中的数据冗余、透明度和泛化挑战，实现高效且可解释的实时检测系统 | 视频监控和在线平台中的暴力行为检测 | 计算机视觉 | NA | 无监督关键帧选择（基于相似性聚类）、注意力机制、Grad-CAM++ | CNN（卷积神经网络） | 视频 | 五个基准数据集（RLVS、Hockey Fight、Violent Flow、ShanghaiTech、UCF-Crime） | NA | 注意力增强CNN（具体架构未明确，可能基于常见CNN骨干如ResNet） | 准确率、F1分数、处理速度（FPS）、内存使用量 | NA |
| 2898 | 2026-05-19 |
Mathematical and Artificial Intelligence Techniques in Modern Drug Discovery: A Review
2026-02, Drug development research
IF:3.5Q2
DOI:10.1002/ddr.70212
PMID:41431184
|
综述 | 综述了数学和人工智能技术在药物发现中的应用 | 系统性地将数学框架与AI技术相结合，并分析了它们在药物开发各阶段的协同作用 | 未提供具体的实验验证或定量比较，分析主要基于现有文献 | 探讨数学建模与AI算法在药物开发中联合应用的潜力，以加速研发并降低风险 | 药物发现过程中的数学和AI技术 | 机器学习 | NA | NA | 机器学习、深度学习、强化学习、自然语言处理、迁移学习 | NA | NA | NA | NA | NA | NA |
| 2899 | 2026-05-19 |
Imaging-Based Artificial Intelligence in Vascular and Interventional Radiology: A Narrative Review
2026-Jan-05, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01803-0
PMID:41491740
|
综述 | 本文探讨了人工智能在血管介入放射学中的应用，涵盖术前、术中和术后各阶段，并分析了不同成像模态和任务类型下的AI模型表现 | 系统性地综述了AI在血管介入放射学全流程中的应用，并特别关注了放射组学与机器学习结合在治疗反应预测和风险分层中的有效性 | 数据集规模有限、存在潜在偏倚以及模型可解释性不足 | 评估AI在血管介入放射学中的应用现状和潜力 | 血管介入放射学中的AI模型及其在解剖结构分割、检测、预测等任务中的表现 | 计算机视觉 | 主动脉夹层、腹主动脉瘤、血管狭窄 | NA | 深度学习 | 图像 | NA | NA | NA | Dice相似系数、准确率、AUC | NA |
| 2900 | 2026-05-19 |
Deep Learning Model for Predicting Operative Mortality After Total Gastrectomy: Analysis of the Japanese National Clinical Database (NCD)
2026-Jan, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70067
PMID:41488848
|
研究论文 | 利用日本国家临床数据库（NCD）大数据开发深度学习模型，预测全胃切除术后手术死亡率 | 首次基于日本国家级大规模数据库（NCD）构建深度学习模型，用于预测全胃切除术后死亡率，模型包含5217个变量，采用四层架构 | 模型准确性有待提高，需引入术后并发症相关变量或常规方法无法分析的新因素 | 开发术前风险分层工具，预测全胃切除术后手术死亡率 | 2018年1月至2019年12月在日本NCD注册的、年龄≥18岁、因胃癌接受全胃切除术的患者 | 机器学习 | 胃癌 | NA | 深度学习模型 | 结构化临床数据 | 14980例（11980例训练，3000例验证），事件发生率1.2% | TensorFlow, Keras | 四层神经网络 | C统计量 | NA |