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 3001 - 3020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3001 | 2026-02-28 |
Two stage fine-tuned multimodal generative AI for automated ECG based cardiovascular report generation
2026-Feb-26, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae2e01
PMID:41406494
|
研究论文 | 本文提出了一种轻量级多模态生成式AI框架，用于自动解读心电图图像并生成结构化临床报告 | 采用两阶段微调策略，基于SmolVLM-500M-Instruct模型，通过量化低秩适应（QLoRA）实现高效部署，并整合视觉编码器、跨模态融合机制和语言解码器，以对齐视觉心电图表征与诊断叙述 | 未明确提及模型在外部验证集上的泛化能力或临床部署中的具体限制 | 开发一个可扩展、可解释且资源高效的AI框架，用于心脏诊断，以弥合深度学习研究与真实世界临床实践之间的差距 | 心血管疾病（CVDs）患者的心电图图像及对应的临床报告 | 计算机视觉, 自然语言处理 | 心血管疾病 | 量化低秩适应（QLoRA） | 生成式AI, 多模态模型 | 图像, 文本 | NA | NA | SmolVLM-500M-Instruct | BLEU, ROUGE-L, BERTScore | 标准硬件 |
| 3002 | 2026-02-28 |
Current Status and Future Perspective for Bladder Cancer MR Imaging and the Vesical Imaging-Reporting and Data System (VI-RADS) in Japan: Challenges and Solutions
2026-Feb-26, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.rev.2025-0213
PMID:41741147
|
综述 | 本文综述了膀胱癌多参数MRI和VI-RADS在日本的应用现状、面临的挑战以及未来的发展前景 | 系统总结了日本在实施VI-RADS过程中特有的医疗结构、MRI质量不均和亚专科放射科医生短缺等障碍，并提出了针对性的解决方案和未来研究方向 | 本文是一篇非系统性的叙述性综述，可能未涵盖所有相关研究，且提出的解决方案有待未来前瞻性试验验证 | 评估膀胱癌多参数MRI和VI-RADS在日本的应用现状，分析实施障碍，并提出促进其临床整合的策略 | 膀胱癌的MRI成像、Vesical Imaging-Reporting and Data System (VI-RADS) | 数字病理学 | 膀胱癌 | 多参数MRI, 扩散加权成像, 动态对比增强, 影像组学 | 深度学习, 人工智能 | 医学影像 | NA | NA | NA | 诊断性能, 可重复性, 阅片者间一致性 | NA |
| 3003 | 2026-02-28 |
Clinically interpretable deep learning for pediatric dental age estimation with explainable AI
2026-Feb-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07961-z
PMID:41742153
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3004 | 2026-02-28 |
A Bottom-Up Design Framework for Multifunctional Lattice Metamaterials
2026-Feb-26, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202518923
PMID:41742849
|
研究论文 | 本文提出了一种结合生成式AI和深度学习的自下而上设计框架，用于开发具有能量吸收和宽带吸声功能的多功能晶格超材料 | 引入了一种结合3D高斯体素生成与深度学习的生成式AI框架，克服了传统逆设计方法（如拓扑优化）在探索设计空间方面的局限性，实现了更高的结构复杂性和设计自由度 | NA | 开发一种能够优化能量吸收和宽带吸声功能的多功能晶格超材料设计框架 | 壳晶格结构 | 机器学习 | NA | 3D打印 | CNN, GAN | 3D体素数据 | NA | TensorFlow, PyTorch | 3D卷积神经网络, 条件深度卷积生成对抗网络 | 能量吸收性能, 吸声系数 | NA |
| 3005 | 2026-02-28 |
Trends and Research Hotspots in Technology-Enhanced Dental Education: A Bibliometric Analysis
2026-Feb-26, European journal of dental education : official journal of the Association for Dental Education in Europe
IF:1.7Q2
DOI:10.1111/eje.70120
PMID:41747017
|
研究论文 | 本文通过文献计量分析，探讨了2015年至2025年间技术增强牙科教育的研究热点、趋势和概念结构 | 首次对技术增强牙科教育领域进行全面的文献计量分析，揭示了从传统教学向数字和模拟学习转变的趋势，并识别了四大核心研究领域 | 研究仅基于Scopus数据库，可能未涵盖所有相关文献；分析时间范围截至2025年，未来趋势可能变化 | 绘制牙科教育中教育技术的研究热点、趋势和概念结构图 | 2015年至2025年间发表的749篇与牙科教育技术相关的学术出版物 | NA | NA | 文献计量分析 | NA | 文献数据 | 749篇出版物 | Bibliometrix (R), VOSviewer | NA | NA | NA |
| 3006 | 2026-02-28 |
CapsFormer: A Dual-Stream Causal-Aware Capsule-Transformer Network for EMG Signal Representation Learning
2026-Feb-26, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3668131
PMID:41747118
|
研究论文 | 提出了一种名为CapsFormer的双流因果感知胶囊-Transformer网络，用于肌电信号表示学习 | 提出了一种新颖的双流架构，结合了具有因果注意力的Transformer和动态路由胶囊网络，以同时建模长程时序依赖和局部姿态不变性，并确保因果一致性 | 未明确提及 | 开发一种能够平衡长程时序建模与局部姿态不变性，并具有因果一致可解释性的肌电信号手势识别算法 | 肌电信号 | 机器学习 | NA | NA | Transformer, Capsule Network | 信号 | 多被试数据集 | NA | CapsFormer | 识别准确率 | NA |
| 3007 | 2026-02-28 |
M2PL-GAN: Multi-View Multi-Level Pathology Semantic Perception Learning for H&E-to-IHC Virtual Staining
2026-Feb-26, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2026.3668248
PMID:41747115
|
研究论文 | 本文提出了一种用于H&E到IHC虚拟染色的多视图多级别病理语义感知学习方法（M2PL-GAN），通过结构上下文关系、特征分布和拓扑感知细粒度语义三个视图增强病理语义对齐 | 引入了从结构上下文关系、特征分布和拓扑感知细粒度语义三个视图的全面语义学习范式，分别对应上下文感知相关机制、局部感知分布对齐机制和图感知双向对比学习机制 | NA | 解决H&E到IHC虚拟染色中病理语义特征对齐困难的问题，提升虚拟染色图像的质量和语义一致性 | H&E染色图像和IHC染色图像 | 数字病理学 | 肿瘤 | 虚拟染色 | GAN | 图像 | NA | PyTorch | GAN | 定量指标和定性评估 | NA |
| 3008 | 2026-02-28 |
Survey of Latest Advancements in Deep Learning for Point Cloud Completion
2026-Feb-26, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2026.3668741
PMID:41747119
|
综述 | 本文全面综述了截至2025年12月，基于深度学习的点云补全方法的最新进展 | 提供了对2024年至2025年最新文献的更新综述，并基于网络具体组件的改进进行了分析性回顾 | 作为一篇综述文章，其本身不提出新的方法或模型，主要依赖现有文献进行分析 | 回顾和总结深度学习在点云补全任务中的最新研究进展 | 点云数据 | 计算机视觉 | NA | NA | 深度学习 | 点云 | NA | NA | NA | NA | NA |
| 3009 | 2026-02-28 |
Deep Learning for Classification and Prognosis of Melanoma in Whole-Slide Images: A Review
2026-Feb-26, The American Journal of dermatopathology
DOI:10.1097/DAD.0000000000003239
PMID:41747151
|
综述 | 本文系统回顾了2020年至2024年间发表的关于使用深度学习对黑色素瘤全切片图像进行诊断分类和预后评估的研究现状、趋势与挑战 | 首次系统性地梳理了深度学习在黑色素瘤全切片图像诊断与预后领域的最新进展，并明确了模型泛化性、可解释性及临床整合等关键挑战与未来研究方向 | 作为一篇综述文章，其局限性在于主要基于对现有文献的分析，未提出新的实验数据或模型 | 概述深度学习在黑色素瘤全切片图像分类与预后评估领域的应用现状、趋势与挑战，并为该领域从研究向临床实践的转化提供指导 | 关于深度学习应用于黑色素瘤全切片图像诊断与预后的相关研究文献 | 数字病理学 | 黑色素瘤 | NA | 深度学习 | 全切片图像 | NA | NA | NA | NA | NA |
| 3010 | 2026-02-28 |
Vision transformer model-based dose prediction and beam angle optimization for BNCT
2026-Feb-26, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae4b03
PMID:41747394
|
研究论文 | 本文提出了一种结合3D Vision Transformer和Mamba模块的深度学习框架，用于硼中子俘获治疗（BNCT）的剂量预测和束流角度优化 | 创新点包括集成3D Vision Transformer与Mamba模块以捕获长程空间依赖性和增强局部特征提取，以及引入ROI引导的注意力机制聚焦于肿瘤和皮肤区域，并结合贝叶斯优化进行束流角度选择 | NA | 开发一个高效且准确的神经网络模型，以预测不同束流角度下的BNCT剂量分布，从而促进治疗计划优化 | 硼中子俘获治疗（BNCT）的治疗计划设计，特别是剂量预测和束流角度优化 | 计算机视觉 | NA | 深度学习，贝叶斯优化 | Vision Transformer (ViT), Mamba | 3D医学图像数据 | 临床数据集 | NA | 3D Vision Transformer, Mamba | 平均绝对误差（MAE），平均绝对百分比误差（MAPE），伽马通过率 | NA |
| 3011 | 2026-02-28 |
Artificial Intelligence in Multiple Sclerosis: Possibilities in Radiological Diagnostics and Progression Assessment
2026-Feb-26, RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin
DOI:10.1055/a-2808-0083
PMID:41748084
|
综述 | 本文综述了人工智能在放射学领域应用于多发性硬化症的诊断和进展评估的现状与可能性 | 聚焦于人工智能如何应对多发性硬化症诊断复杂性增加带来的挑战，特别是自动化病灶量化和评估复杂生物标志物，并强调了多模态数据整合的重要性 | 临床实践应用面临挑战，包括需要大规模验证数据集和伦理框架 | 探讨人工智能在多发性硬化症放射学诊断和进展评估中的应用潜力与发展方向 | 多发性硬化症 | 数字病理学 | 多发性硬化症 | MRI | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |
| 3012 | 2026-02-28 |
Predicting concrete compressive strength using optimized deep learning and large language models
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41072-7
PMID:41748670
|
研究论文 | 本研究提出了一种结合iHow优化算法与时空图卷积网络的混合框架，用于预测混凝土抗压强度 | 首次将认知启发的iHow优化算法与STGCN结合用于混凝土强度预测，并采用LLM驱动的预处理流程提升数据质量 | 需要在更多样化的数据集和实际场景中进一步验证其泛化能力和实际适用性 | 提高混凝土抗压强度的预测精度，为可持续建筑材料设计提供数据驱动的决策支持 | 混凝土材料 | 机器学习 | NA | NA | STGCN | 结构化数据 | 公共数据集（具体数量未说明） | NA | 时空图卷积网络 | 预测误差，相关系数 | NA |
| 3013 | 2026-02-28 |
HSICNet a novel deep learning architecture for hyperspectral image classification in remote sensing and environmental monitoring
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40509-3
PMID:41748692
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3014 | 2026-02-28 |
Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41969-3
PMID:41748689
|
研究论文 | 本研究通过机器学习和深度学习模型，对液化引起的浅基础沉降进行分类，并处理了数据不平衡问题 | 结合了数据级重采样、成本敏感学习、算法级改进以及基于SHAP的特征选择方法，并应用动态阈值调整和加权投票集成学习以提高分类可靠性 | 未明确说明模型在极端不平衡数据下的泛化能力或外部验证结果 | 评估地震引起的液化沉降，以支持地震风险分析和土壤改良策略设计 | 浅基础液化土壤上的建筑物沉降案例 | 机器学习 | NA | NA | 机器学习, 深度学习 | 结构化数据（建筑特征、岩土参数、地震强度指标） | 系统编制的文档化案例研究数据库 | NA | NA | NA | NA |
| 3015 | 2026-02-28 |
A hybrid model for image forgery detection using deep learning with block and keypoint methods
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41473-8
PMID:41748712
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3016 | 2026-02-28 |
AI-based intelligent sensing detection of cybersecurity threats using multimodal sensor data in smart devices
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40614-3
PMID:41748759
|
研究论文 | 本文提出了一种基于深度学习的多模态传感架构，用于检测智能设备中由传感器数据引发的网络攻击 | 提出了一种新的混合CNN-RNN-Transformer架构，融合了多模态传感器特征并考虑了时空交互 | 未明确说明模型在更广泛或动态变化的物联网环境中的泛化能力 | 开发一种能够实时检测物联网设备中网络物理威胁的智能感知系统 | 智能设备中的多模态传感器数据（如加速度计、陀螺仪、麦克风、温度传感器） | 机器学习 | NA | 深度学习 | CNN, RNN, Transformer | 多模态传感器数据 | 使用了一个手动标注的多模态数据集和两个公开基准数据集（CICIDS-2017和IoT-23） | 未明确指定，可能为TensorFlow或PyTorch | 混合CNN-RNN-Transformer架构 | AUC, F1-score, 推理延迟 | 边缘硬件（具体类型未指定） |
| 3017 | 2026-02-28 |
A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40925-5
PMID:41748772
|
研究论文 | 提出一种结合CNN、Bi-LSTM和Transformer层的深度学习架构，用于从12导联心电图中进行多标签心律失常检测，并集成SHAP解释以提高临床可解释性 | 首次联合使用CNN、Bi-LSTM和Transformer层来共同提取心电信号的形态、时间和空间模式，并集成SHAP实现病例级别的可解释性 | 模型在PhysioNet/Computing in Cardiology Challenge 2020数据集上训练和评估，可能在其他数据集上的泛化能力未验证 | 开发可解释的自动化人工智能解决方案，用于准确分类12导联心电图心律失常 | 12导联心电图信号 | 机器学习 | 心血管疾病 | 心电图信号处理 | CNN, Bi-LSTM, Transformer | 心电图信号 | 超过43,000个多标签心电图记录，涵盖27种心律失常类别 | NA | CNN-Bi-LSTM-Transformer联合架构 | 准确率, 宏F1分数, ROC曲线下面积 | NA |
| 3018 | 2026-02-28 |
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 | 提出一种用于视频暴力检测的可解释深度学习框架，该框架集成了无监督关键帧选择、注意力机制和基于Grad-CAM++的可解释性 | 提出了一种新颖的可解释注意力增强CNN框架，通过无监督关键帧选择减少冗余，嵌入注意力模块增强时空特征判别，并利用Grad-CAM++提供决策过程的可视化解释 | 未明确提及 | 解决视频暴力检测中的冗余性、透明性和泛化性挑战，为监控和公共安全系统提供智能、可解释的实时检测方案 | 监控和在线平台中的视频数据 | 计算机视觉 | NA | 无监督关键帧选择，注意力机制，Grad-CAM++ | CNN | 视频 | 在五个基准数据集上进行综合实验：RLVS, Hockey Fight, Violent Flow, ShanghaiTech, UCF-Crime | 未明确提及 | CNN | 准确率，F1分数 | 未明确提及 |
| 3019 | 2026-02-28 |
A device-invariant multi-modal learning framework for respiratory disease classification
2026-Feb-26, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02445-4
PMID:41748911
|
研究论文 | 本文提出了一种设备无关的多模态学习框架，用于通过咳嗽声、人口统计学数据和症状描述进行成人呼吸系统疾病的分类 | 提出了一种设备无关的多模态深度学习框架，通过嵌入对抗分支和不变风险最小化增强损失来解决设备异质性和非结构性偏移问题 | NA | 开发一种可扩展且可转移的基于AI的方法，用于基于咳嗽的呼吸系统疾病筛查，强调多模态融合和鲁棒表示学习在提升临床适用性中的重要性 | 成人呼吸系统疾病 | 机器学习 | 呼吸系统疾病 | 咳嗽声分析 | 深度学习 | 音频, 文本, 人口统计学数据 | 超过10,000个病例，涵盖七种主要呼吸系统疾病 | NA | NA | AUROC | NA |
| 3020 | 2026-02-28 |
Explainable deep learning framework incorporating medical knowledge for insulin titration in diabetes
2026-Feb-26, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01449-1
PMID:41748914
|
研究论文 | 本研究提出了一种结合医学知识的可解释深度学习框架，用于糖尿病胰岛素滴定管理 | 引入专家引导的可解释人工智能框架，利用Shapley Taylor交互指数捕获特征交互影响，并通过医生在环过程结合临床约束迭代优化模型 | 研究主要基于住院患者的电子健康记录数据，可能未完全覆盖门诊或社区糖尿病管理场景 | 提高深度学习模型在糖尿病胰岛素滴定管理中的透明度和可信度 | 2型糖尿病住院患者 | 机器学习 | 糖尿病 | 电子健康记录分析 | 深度学习 | 结构化医疗数据 | 内部数据集1,275名住院患者，外部数据集292名患者 | NA | STII-DIL | 胰岛素滴定准确性，专家评估一致性 | NA |