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 48077 篇文献，本页显示第 2981 - 3000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2981 | 2026-07-03 |
A survey of label-noise deep learning for medical image analysis
2024-07, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103166
PMID:38613918
|
综述 | 对医学图像分析中标签噪声深度学习的最新研究进行了全面综述 | 首次对医学图像领域标签噪声学习方法进行了统一分类和系统比较，并基于医学图像特性提出了新的研究方向 | 未详细说明具体实验对比结果及量化性能指标 | 为研究人员和从业者提供医学标签噪声学习的全面理解，助力开发抗噪声新方法 | 医学图像分析中的标签噪声问题及相应深度学习方法 | 医学图像分析 | NA | NA | NA | 医学图像 | NA | NA | NA | NA | NA |
| 2982 | 2026-07-03 |
Multi-center Dose Prediction Using Attention-aware Deep learning Algorithm Based on Transformers for Cervical Cancer Radiotherapy
2024-07, Clinical oncology (Royal College of Radiologists (Great Britain))
DOI:10.1016/j.clon.2024.03.022
PMID:38631974
|
研究论文 | 开发一种基于注意力机制的Transformer深度学习算法AtTranNet，用于多中心宫颈癌放疗剂量预测 | 首次提出AtTranNet算法，结合注意力机制和Transformer架构，实现多中心宫颈癌VMAT剂量的快速准确预测，并验证其可泛化至不同处方剂量的子宫内膜癌 | 内部测试中D98和膀胱Dmean等剂量指标存在一定误差；仅针对特定类型癌症（宫颈癌和子宫内膜癌）验证；样本量有限 | 开发用于宫颈癌容积调强放射治疗（VMAT）的快速准确剂量预测深度学习算法，并探索其对不同处方子宫内膜癌的泛化能力 | 来自多个医疗中心的宫颈癌患者数据集和子宫内膜癌患者数据集 | 机器学习 | 宫颈癌 | 深度学习 | Transformer | 三维剂量数据 | 367名宫颈癌患者（4个中心），70名子宫内膜癌患者 | NA | AtTranNet（基于注意力机制的Transformer） | 平均绝对误差，剂量差，剂量体积直方图指标 | NA |
| 2983 | 2026-07-03 |
Anat-SFSeg: Anatomically-guided superficial fiber segmentation with point-cloud deep learning
2024-07, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103165
PMID:38608510
|
研究论文 | 提出一种基于点云深度学习的新框架Anat-SFSeg，用于解剖学引导的表层纤维分割，以提高扩散磁共振成像中浅层白质分割的准确性 | 创新性地结合了纤维解剖描述符FiberAnatMap和基于点云数据的深度学习网络，提出新的度量指标FARP和ARFC用于纤维分割评估 | 未明确提及局限性 | 改进浅层白质分割性能，探索其在神经退行性疾病中的潜在生物标志物应用 | 脑白质纤维束，特别是浅层白质 | 数字病理学 | 阿尔茨海默病 | 扩散磁共振成像（dMRI） | 点云深度学习网络 | 点云数据 | 人类连接组项目（HCP）数据集及具有不同认知障碍水平的临床受试者 | PyTorch | PointNet | 准确性、FARP、ARFC | NA |
| 2984 | 2026-07-03 |
Application of a novel deep learning-based 3D videography workflow to bat flight
2024-06, Annals of the New York Academy of Sciences
IF:4.1Q1
DOI:10.1111/nyas.15143
PMID:38652595
|
研究论文 | 提出一种基于深度学习的3D视频分析工作流，用于研究蝙蝠飞行中的运动学参数，并通过与手动数字化对比验证其准确性 | 结合深度学习自动数字化与基于深度学习及3D重建质量指标的标记点过滤校正，实现无标记点的高效准确3D姿态估计，无需手动标记即可提取飞行生物力学关键数据 | 仅针对蝙蝠飞行场景进行验证，未评估其他动物或复杂环境下的通用性；工作流依赖高质量深度学习模型训练数据，可能限制其在数据稀缺领域的应用 | 开发并验证一种高效、可扩展的深度学习3D视频分析方法，用于动物飞行生物力学研究 | 蝙蝠飞行过程中的翅膀运动学参数及三维坐标 | 计算机视觉, 机器学习 | NA | 3D视频分析, 深度学习 | 深度学习模型（具体结构未明确详述） | 视频 | 4只蝙蝠在2m风洞中稳定飞行，以及1只蝙蝠在344m封闭空间内自由飞行 | NA | NA | 坐标平均距离, 运动学参数差异显著性 | NA |
| 2985 | 2026-07-03 |
Deep learning-based whole-body characterization of prostate cancer lesions on [68Ga]Ga-PSMA-11 PET/CT in patients with post-prostatectomy recurrence
2024-03, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-023-06551-3
PMID:38049657
|
研究论文 | 基于深度学习的[68Ga]Ga-PSMA-11 PET/CT全身前列腺癌病灶特征提取方法研究 | 首次利用3D U-Net实现前列腺癌术后复发患者全身转移病灶的自动分割与检测，性能优于以往研究 | NA（摘要未提及明显局限性） | 评估三维卷积神经网络自动分割和检测前列腺癌术后复发患者全身转移病灶的性能 | 前列腺癌根治术后复发患者的转移病灶 | 计算机视觉 | 前列腺癌 | PET/CT成像，68Ga-PSMA-11示踪剂 | 三维卷积神经网络（3D CNN），3D U-Net | 医学影像（PET和CT数据） | 116例前列腺癌转移患者（中心1：78例交叉验证+19例内部测试；中心2：19例外部测试） | NA | 3D U-Net | Dice相似系数，召回率，精确率，F1分数，线性回归R²，Bland-Altman图 | NA |
| 2986 | 2026-07-03 |
A novel deep learning-based method for automatic stereology of microglia cells from low magnification images
2024 Mar-Apr, Neurotoxicology and teratology
IF:2.6Q3
DOI:10.1016/j.ntt.2024.107336
PMID:38402997
|
研究论文 | 提出一种基于深度学习的新方法，能从低倍显微图像自动进行小胶质细胞的体视学分析 | 结合深度学习分类与体视学方法，实现从低倍图像（20×）快速估计小胶质细胞总数，无需繁琐的人工计数 | 目前仅应用于小鼠脑组织Iba1免疫染色样本，需进一步验证在人脑和疾病模型中的适用性 | 开发高效、可重复的方法量化小胶质细胞数目和形态，以研究其与神经化学功能的关系 | 小胶质细胞 | 数字病理学 | 神经退行性疾病 | 免疫组化（Iba1染色） | 深度学习模型 | 低倍显微图像（20×） | 2个数据集，共39个小鼠脑组织 | NA | NA | 准确率>90%，重复性100%，效率提升60倍 | NA |
| 2987 | 2026-07-03 |
TB-DROP: deep learning-based drug resistance prediction of Mycobacterium tuberculosis utilizing whole genome mutations
2024-Feb-12, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-024-10066-y
PMID:38347478
|
研究论文 | 基于全基因组突变构建深度学习模型TB-DROP用于结核分枝杆菌耐药性预测 | 首次提出端到端的定制化深度学习框架TB-DROP，克服了以往模型依赖已知耐药相关位点的局限，采用全新学习方法基于全基因组水平突变进行预测，并集成到一个用户友好的图形化工具中 | 未提及具体的局限性信息 | 构建定制化深度学习模型以实现基于基因型的结核分枝杆菌耐药性预测 | 结核分枝杆菌的全基因组突变数据 | 机器学习 | 结核病 | 全基因组测序 | 多层感知器 | 基因突变数据 | 未明确提及样本数量 | TensorFlow | 多层感知器 | 灵敏度, 特异度 | 未明确提及计算资源 |
| 2988 | 2026-07-03 |
Differentiable partition function calculation for RNA
2024-02-09, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkad1168
PMID:38038257
|
研究论文 | 提出了一种可微分的RNA配分函数计算方法，实现了端到端的梯度优化 | 首次将McCaskill算法推广到连续输入，实现配分函数的可微分计算，从而将RNA热力学与深度学习等可微分编程工具相结合 | NA | 建立RNA热力学与可微分编程之间的桥梁，解决RNA逆折叠问题 | RNA序列 | 机器学习 | NA | 动态规划 | 可微分计算模型 | 序列数据 | NA | PyTorch | NA | NA | NA |
| 2989 | 2026-07-03 |
Deep Learning of Cancer Stem Cell Morphology
2024, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3730-2_17
PMID:38478348
|
研究论文 | 利用深度学习识别癌症干细胞形态，并可视化AI学习过程以发现未知结构 | 首次使用AI图像识别技术自动识别癌症干细胞形态，无需先验图像标注知识，并通过深度学习过程可视化揭示未识别的结构 | NA | 构建能识别培养物和肿瘤组织中癌症干细胞形态的AI模型 | 癌症干细胞的形态特征 | 计算机视觉 | 癌症 | NA | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 2990 | 2026-07-03 |
Prediction of LncRNA-protein Interactions Using Auto-Encoder, SE-ResNet Models and Transfer Learning
2024, MicroRNA (Shariqah, United Arab Emirates)
|
研究论文 | 提出一种名为AR-LPI的深度学习框架，用于预测长链非编码RNA与蛋白质的相互作用 | 使用自编码器进行特征提取，结合SE-ResNet模型进行预测，并引入迁移学习处理小样本数据集 | 未提及具体局限性 | 提高LncRNA-蛋白质相互作用预测的准确性 | 长链非编码RNA与蛋白质的相互作用 | 机器学习 | 癌症, Prader-Willi综合征, 自闭症, 阿尔茨海默病, 软骨毛发发育不全, 听力损失 | NA | 自编码器, SE-ResNet | 序列数据和二级结构特征 | NA | NA | SE-ResNet | 准确率, F值 | NA |
| 2991 | 2026-07-03 |
RETRACTED ARTICLE: A review on quantum computing and deep learning algorithms and their applications
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07037-4
PMID:35411203
|
综述 | 本文综述了量子计算和深度学习算法及其在计算智能中的应用 | 系统分析了量子算法和深度学习算法这两大领域及其在计算智能中的应用，强调了量子计算带来的指数级加速优势 | 未详细比较不同算法的具体性能指标，也未讨论实际部署中的挑战 | 探讨量子计算和深度学习在计算智能中的研究现状与应用 | 量子计算和深度学习算法 | 机器学习 | NA | NA | 深度学习模型 | 文本、图像、音频 | NA | NA | NA | NA | NA |
| 2992 | 2026-07-03 |
RETRACTED ARTICLE: DenseNet-II: an improved deep convolutional neural network for melanoma cancer detection
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07406-z
PMID:36034768
|
研究论文 (已撤稿) | 提出改进的深度卷积神经网络DenseNet-II用于黑色素瘤检测 | 通过自定义网络层数、激活函数和输入数组维度，改进DenseNet架构，实现对七类皮肤病变的分类，超越传统二分类（恶性/良性）方法 | 未在摘要中明确说明 | 提高黑色素瘤检测的准确性 | 黑色素瘤皮肤病变数据集中的七种病变类型 | 计算机视觉, 数字病理学 | 黑色素瘤 | NA | 卷积神经网络（CNN） | 图像（皮肤镜图像或普通相机图像） | NA | NA | DenseNet（改进型，文中称DenseNet-II） | 准确率 | NA |
| 2993 | 2026-07-03 |
RETRACTED ARTICLE: An automatic and intelligent brain tumor detection using Lee sigma filtered histogram segmentation model
2023, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-022-07457-2
PMID:36105824
|
科研论文 | 提出一种基于Lee sigma滤波直方图分割模型（LSFHS）的自动智能脑肿瘤检测方法 | 创新性地结合自适应Lee sigma滤波与灰度双峰直方图分割进行脑肿瘤检测，相比现有方法提高了14%的检测准确率并加快了25%的检测速度 | 本文已被撤回，可能涉及研究结果或方法的可靠性问题 | 实现高准确率、低时间消耗的脑肿瘤自动检测 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI成像 | NA | 图像 | 多张MRI图像 | NA | LSFHS（Lee sigma滤波直方图分割） | 峰值信噪比（PSNR），肿瘤检测准确率，错误率 | NA |
| 2994 | 2026-07-03 |
Analyzing fibrous tissue pattern in fibrous dysplasia bone images using deep R-CNN networks for segmentation
2022, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-021-06519-1
PMID:34867079
|
研究论文 | 利用深度R-CNN网络分割纤维异常增生骨图像中的纤维组织模式 | 提出了结合区域卷积神经网络与线性回归模型的方法，用于纤维异常增生骨图像中纤维组织分割及骨异常程度预测 | 未说明数据样本量、计算资源及与其他方法的对比，仅报告了自身性能指标 | 实现纤维异常增生骨图像中纤维组织的自动分割，并预测骨异常水平 | 纤维异常增生（FD）患者的骨图像 | 计算机视觉, 数字病理学 | 骨骼疾病 | 医学影像分析 | 区域卷积神经网络（R-CNN） | 图像 | 未提及 | NA | R-CNN | 准确率, 损失值 | 未提及 |
| 2995 | 2026-07-03 |
RE: A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma
2021-11-29, Journal of the National Cancer Institute
DOI:10.1093/jnci/djab098
PMID:34021355
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2996 | 2026-07-03 |
A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma
2021-05-04, Journal of the National Cancer Institute
DOI:10.1093/jnci/djaa149
PMID:32970812
|
研究论文 | 基于深度学习构建局部晚期鼻咽癌预后预测系统，利用MRI影像和临床数据区分低危患者 | 首次将3D卷积神经网络与XGBoost结合，基于MRI影像和临床数据构建多中心验证的预后系统，显著优于传统TNM分期系统 | 未提及具体限制，可能包括样本量有限、数据来源地域局限或模型可解释性不足 | 开发并验证基于MRI特征的预后系统，以区分局部晚期鼻咽癌低危患者，优化治疗方案 | 局部晚期鼻咽癌（LA-NPC）患者 | 机器学习 | 鼻咽癌 | MRI | 3D卷积神经网络, XGBoost | 图像 | 3444例局部晚期鼻咽癌患者 | NA | 3D卷积神经网络, XGBoost | 一致性指数（C-index） | NA |
| 2997 | 2026-07-03 |
Region of interest-based predictive algorithm for subretinal hemorrhage detection using faster R-CNN
2021, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-021-06098-1
PMID:34421341
|
研究论文 | 本文提出一种基于深度学习的预测算法，利用Faster R-CNN检测视网膜下出血，并通过OCT图像实现分类 | 结合区域卷积神经网络和语义分割技术，提出基于感兴趣区域的预测算法以提升分类准确率，并在测试时间上优于传统CNN、R-CNN和Fast R-CNN | 仅使用特定医疗机构的OCT图像和Kaggle数据集进行验证，泛化性可能受限；且样本数量未明确说明，可能影响模型鲁棒性 | 开发一种能够自动检测并分类视网膜下出血为响应型或非响应型的预测算法 | 视网膜下出血患者的光学相干断层扫描（OCT）图像 | 计算机视觉 | 年龄相关性黄斑变性、糖尿病性黄斑水肿 | OCT | Faster R-CNN | 图像 | 未明确说明 | NA | Faster R-CNN | 灵敏度、特异度、准确率、测试时间 | NA |
| 2998 | 2026-07-03 |
Ontology: Footstone for Strong Artificial Intelligence
2019-Nov-12, Chinese medical sciences journal = Chung-kuo i hsueh k'o hsueh tsa chih
DOI:10.24920/003701
PMID:36578862
|
会议综述 | 该文章论述了本体论在推动强人工智能发展中的关键作用，特别是在生物医学领域的应用，并介绍了2019年中国生物医学本体与术语会议 | 提出本体论可作为实现强人工智能的基石，通过标准化数据、支持语义集成和逻辑表达，解决复杂医学问题的路径 | 未具体说明本体的实际应用案例或性能评估，仅从理论层面讨论了其重要性 | 探讨本体论如何助力机器理解数据，从而推动强人工智能在生物医学领域的发展 | 生物医学本体与术语，以及其在人工智能中的应用 | 机器学习 | NA | 本体论 | NA | 生物医学数据 | NA | NA | NA | NA | NA |
| 2999 | 2026-07-02 |
Axial length prediction Model based on screening fundus photography data in school-age children
2026-Apr, Experimental eye research
IF:3.0Q1
DOI:10.1016/j.exer.2026.110893
PMID:41611113
|
研究论文 | 本研究基于学龄儿童筛查眼底照片开发深度学习模型预测眼轴长度 | 首次利用近乎正常的彩色眼底照片预测儿童眼轴长度，并系统评估年龄、等效球镜和性别等临床变量对模型性能的影响 | 未明确提及局限性，但可能包括样本仅来自6-10岁儿童、未考虑其他眼部参数以及性别加入导致性能下降的机制不明确 | 开发基于筛查眼底照片的深度学习模型预测学龄儿童眼轴长度 | 6-10岁学龄儿童的彩色眼底照片及相关临床数据（年龄、等效球镜、性别） | 计算机视觉 | 近视相关眼病 | 眼底照相 | 卷积神经网络 | 图像 | 2779名儿童的3840张彩色眼底照片 | NA | ResNet101 | 相关系数R | NA |
| 3000 | 2026-07-02 |
Hit identification in ultra large virtual screening: an integrative review and future challenges
2026-Mar, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104616
PMID:41611169
|
综述 | 综述超大规模虚拟筛选在靶点发现中的最新策略、平台及未来挑战 | 系统总结了多种工作流（基于结构、配体、药效团、片段及混合方法）及其在机器学习增强下的进展，并指出评分准确性、资源效率和泛化性等关键挑战 | 未提供具体实验验证细节和定量比较现有方法的性能 | 综述超大规模虚拟筛选在命中化合物发现中的现状、平台技术及未来发展方向 | 超大规模虚拟筛选中的策略、工作流及平台（如VirtualFlow、RosettaVS、Deep Docking、V-SYNTHES） | 机器学习 | 不适用 | 虚拟筛选 | 机器学习、深度学习 | 化学分子数据 | 涉及数亿至数十亿化合物 | 不适用 | 不适用 | 准确性、资源效率、泛化性 | 不适用 |