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 3281 - 3300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3281 | 2026-02-26 |
Diagnostic accuracy of deep learning vs. human raters for detecting osteoporotic vertebral compression fractures in routine CT scans
2026-Feb-24, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12393-y
PMID:41733641
|
研究论文 | 本研究评估了深度学习模型与人类评估者在常规CT扫描中检测骨质疏松性椎体压缩骨折的诊断准确性 | 首次系统比较了多种深度学习模型、商业软件与不同经验水平人类评估者在椎体骨折检测与分级上的表现，并使用了公开的VerSe数据集进行验证 | 研究为回顾性设计，依赖于公开数据集，可能无法完全代表临床实际场景；骨折样本比例相对较低（5.4%） | 评估深度学习模型在CT扫描中检测和分级骨质疏松性椎体压缩骨折的诊断性能，并与人类评估者进行比较 | 331名患者的3548个胸椎和腰椎椎体，包括190个骨折椎体（其中139个为中度或重度骨折） | 数字病理学 | 骨质疏松症 | CT扫描 | 深度学习模型 | 医学影像（CT扫描图像） | 331名患者，3548个椎体 | NA | NA | 准确率, AUC, AUROC | NA |
| 3282 | 2026-02-26 |
Dual Low-b-value-driven U-shaped fusion GAN for synthesizing high-b-value prostate DWI
2026-Feb-24, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-026-01713-7
PMID:41733852
|
研究论文 | 本研究提出了一种名为UsFGAN的新型深度学习模型，用于从低b值扩散加权成像数据中合成高质量的高b值前列腺DWI图像 | 提出了一种双低b值驱动的U形融合生成对抗网络，首次整合了U-Net子网络、Swin-Transformer残差块和分层融合网络，以充分利用双低b值的互补信息 | 研究仅针对前列腺DWI图像，未验证在其他器官或成像模式上的泛化能力；样本量（280名受试者）虽为多中心数据，但仍有扩大空间 | 开发一种深度学习方法来合成高质量的高b值前列腺扩散加权成像，以克服直接采集高b值DWI的技术挑战和临床限制 | 前列腺扩散加权成像数据 | 医学影像分析 | 前列腺癌 | 扩散加权成像 | GAN | 医学影像 | 280名受试者的6440张DWI切片（多中心数据集） | NA | U-Net, Swin-Transformer, 自定义融合网络 | 峰值信噪比, 结构相似性指数, LPIPS, FID, 准确率 | NA |
| 3283 | 2026-02-26 |
Masked Image Modeling for Generalizable Organelle Segmentation in Volume EM
2026-Feb-24, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2026.3667612
PMID:41734129
|
研究论文 | 本文提出了一种名为OrgMIM的双分支掩码图像建模框架，用于提升体积电子显微镜中细胞器的可泛化分割性能 | 提出了首个面向细胞器的双分支MIM框架，结合静态结构先验和动态重建反馈的互补掩码策略，并构建了首个大规模细胞器中心3D EM数据集IsoOrg-1K | 未明确说明模型在极端分辨率或高度异质样本上的泛化能力，也未讨论计算效率与实时应用的可行性 | 开发一种可泛化的深度学习方法，以提升体积电子显微镜中细胞器分割的准确性和稳定性 | 体积电子显微镜图像中的细胞器 | 数字病理学 | NA | 体积电子显微镜 | Transformer | 3D体积图像 | 928个体积数据，超过1200亿体素 | PyTorch | Transformer | mIoU | NA |
| 3284 | 2026-02-26 |
Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning
2026-Feb-24, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02459-y
PMID:41735519
|
研究论文 | 本文开发并验证了MOC起源预测模型（MOCOPM），一种基于深度学习的模型，用于从组织病理学图像中区分原发性与胃肠道转移性黏液性卵巢癌 | 首次开发了专门针对黏液性卵巢癌起源预测的深度学习模型MOCOPM，并在多中心数据上进行了内部和外部验证 | 样本量相对较小（仅167名患者），且未提及模型在其他类型转移性卵巢癌或更广泛人群中的泛化能力 | 区分原发性与胃肠道转移性黏液性卵巢癌，以支持临床诊断决策 | 黏液性卵巢癌患者的组织病理学图像 | 数字病理学 | 卵巢癌 | 组织病理学成像 | 深度学习 | 图像 | 167名MOC患者 | NA | NA | AUROC | NA |
| 3285 | 2026-02-26 |
Deep learning models for pulmonary embolism segmentation on dual-energy CT: performance analysis and image quality correlation
2026-Feb-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02221-6
PMID:41735881
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3286 | 2026-02-26 |
Performance comparison and future perspectives of deep learning and classical machine learning in bone tumor applications: a systematic review (2019-2025)
2026-Feb-24, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03401-8
PMID:41735994
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3287 | 2026-02-26 |
An Explainable Deep Learning Model for Clathrin Protein Prediction Using a DCT-Enhanced Position-Specific Scoring Matrix
2026-Feb-19, Current drug targets
IF:3.0Q2
|
研究论文 | 本研究提出了一种名为Pred-CLGRUs的新型计算框架，用于预测网格蛋白，该框架结合了门控循环单元和离散余弦变换增强的位置特异性评分矩阵 | 提出Pred-CLGRUs框架，首次将PSSM与DCT结合用于网格蛋白预测，并比较了四种深度学习架构的性能 | 模型尚未整合异质性生物信息（如结构、进化、功能），未来计划结合胶囊神经网络与DeepWalk获取结构特征 | 开发高精度的网格蛋白预测模型以支持生物医学研究 | 网格蛋白 | 生物信息学 | 神经退行性疾病，癌症 | 位置特异性评分矩阵，离散余弦变换 | GRU, CNN, LSTM, DNN | 蛋白质序列数据 | NA | NA | GRU, CNN, LSTM, DNN | 准确率，灵敏度，特异性，马修斯相关系数 | NA |
| 3288 | 2026-02-26 |
CT Radiation Dose Reduction With Preserved Diagnostic Performance: How Far Have We Come Over 25 Years?
2026-Feb-04, AJR. American journal of roentgenology
DOI:10.2214/AJR.25.34450
PMID:41636571
|
综述 | 本文回顾了过去25年来CT辐射剂量降低技术的发展历程及其对诊断性能的影响 | 系统总结了从滤波、调制到深度学习重建及光子计数探测器CT等一系列剂量降低技术的演进，并强调基于任务的客观图像质量评估的重要性 | NA | 总结CT辐射剂量降低技术的关键里程碑与创新，并评估这些技术对常规检查剂量与图像质量的累积影响 | CT辐射剂量降低技术及其在常规解剖部位检查中的应用 | 医学影像 | NA | CT扫描技术，包括光束滤波、动态z轴准直、自动管电流调制、管电压选择、迭代重建、深度学习重建及光子计数探测器CT | NA | CT图像 | NA | NA | NA | 基于任务的图像质量评估 | NA |
| 3289 | 2026-02-26 |
Clinician-Led Code-Free Deep Learning for Detecting Papilledema and Pseudopapilledema Using Optic Disc Imaging
2026-Feb-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.2.25
PMID:41718661
|
研究论文 | 本研究评估了无代码自动机器学习平台在利用标准光学相干断层扫描的近红外反射图像区分视盘水肿和假性视盘水肿方面的性能 | 首次比较了多种无代码自动机器学习平台在视盘水肿检测和严重程度分级中的表现，为无编码专业知识的临床团队提供了可访问的解决方案 | 研究为回顾性队列研究，需要进一步的外部验证来确认临床实用性 | 评估自动机器学习模型在区分视盘水肿和假性视盘水肿以及分级视盘水肿严重程度方面的性能 | 来自289名患者的813张视神经头中心光学相干断层扫描图像，包括正常视盘、视盘水肿和视盘玻璃膜疣 | 医学影像分析 | 眼科疾病 | 光学相干断层扫描 | 自动机器学习 | 图像 | 289名患者，813张图像 | Amazon Rekognition, Medic Mind, Google Vertex | 自动机器学习模型 | AUC, 精确度, 召回率, F1分数, 混淆矩阵 | NA |
| 3290 | 2026-02-26 |
PCG-based exercise fatigue detection method using multi-scale feature fusion model
2026-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2406369
PMID:39318193
|
研究论文 | 提出了一种基于心音图信号、利用多尺度特征融合模型进行运动疲劳检测的新方法 | 首次提出利用PCG信号进行运动疲劳检测，并创新性地融合了深度学习特征与线性特征以提高检测性能 | 未明确说明模型在更广泛人群或不同运动场景下的泛化能力，也未与更多现有PCG分析方法进行对比 | 开发一种基于生理信号的、准确的运动疲劳检测方法 | 心音图信号 | 机器学习 | NA | 短时傅里叶变换 | CNN, SVM, LDA | 信号，图像 | 两个数据集（具体数量未在摘要中说明） | NA | VGG-16 | 准确率，F1分数，敏感度 | NA |
| 3291 | 2026-02-26 |
Exploring coronavirus sequence motifs through convolutional neural network for accurate identification of COVID-19
2026-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2404149
PMID:39508163
|
研究论文 | 本文提出了一种名为DeepCoV的深度学习模型，利用卷积神经网络（CNN）对SARS-CoV-2病毒序列进行分类，并识别其关键序列基序 | 通过CNN模型不仅实现了高精度的SARS-CoV-2病毒分类，还能解释模型决策过程，定位与病毒相关的序列基序，增强了模型的可解释性 | 未提及模型在其他冠状病毒数据集上的泛化能力，以及计算资源需求的具体细节 | 开发一种快速准确识别SARS-CoV-2病毒的方法，以区分其与其他冠状病毒 | SARS-CoV-2病毒序列及其他冠状病毒序列 | 自然语言处理 | COVID-19 | 基因组序列分析 | CNN | 文本（基因组序列） | 使用2019nCoVR数据集，具体样本数量未提及 | 未提及 | 分层卷积神经网络（具体架构未指定） | AUCPR, AUC-ROC | 未提及 |
| 3292 | 2026-02-26 |
Deep learning model integrating contrast-enhanced ultrasound spatiotemporal imaging with clinical data for the differential diagnosis between hepatocellular carcinoma and intrahepatic cholangiocarcinoma
2026-Feb, La Radiologia medica
DOI:10.1007/s11547-025-02132-6
PMID:41148561
|
研究论文 | 本研究开发了一种深度学习模型CEUS-CD-Net，通过整合动态对比增强超声的时空特征与患者临床参数，用于肝细胞癌和肝内胆管癌的鉴别诊断 | 首次提出将动态对比增强超声的时空特征与患者临床参数整合的深度学习模型，显著提升了鉴别诊断性能 | 回顾性研究设计，样本量相对有限（305例患者），未提及外部验证结果 | 开发一种深度学习模型，用于肝细胞癌和肝内胆管癌的鉴别诊断 | 肝细胞癌和肝内胆管癌患者 | 医学影像分析 | 肝癌 | 对比增强超声 | 深度学习模型 | 动态超声图像序列，临床数据 | 305例患者（165例ICC，140例HCC） | NA | CEUS-CD-Net | AUC | NA |
| 3293 | 2026-02-26 |
Strategies in Global Ancestry and Local Ancestry Inference
2026-Feb, Current protocols
DOI:10.1002/cpz1.70321
PMID:41649483
|
综述 | 本文是一篇关于全球祖先和局部祖先推断策略的实用指南，旨在帮助研究人员为不同研究设计和数据集选择和实施适当的祖先推断方法 | 提供了一种面向协议的实用指南，系统性地组织了全球祖先和局部祖先推断的方法，并提供了基于ADMIXTURE和SHAPEIT5 + RFMix的分步协议 | NA | 为研究人员提供选择和实施适当祖先推断方法的指导 | 混合人群的遗传祖先推断 | 机器学习 | NA | 基因型芯片和全基因组测序数据 | 基于模型的聚类、降维方法、隐马尔可夫模型、基于窗口的机器学习、深度学习框架 | 遗传数据 | NA | NA | ADMIXTURE, RFMix | NA | NA |
| 3294 | 2026-02-26 |
The Dual Associations of Peripheral Inflammatory Cells With Brain Reorganization in Insular Gliomas With/Without Epilepsy: An Exploratory Analysis
2026-Feb, CNS neuroscience & therapeutics
IF:4.8Q1
DOI:10.1002/cns.70788
PMID:41721208
|
研究论文 | 本研究探讨了岛叶胶质瘤伴或不伴癫痫患者中大脑重组与周围炎症细胞的关联 | 揭示了岛叶胶质瘤伴癫痫与不伴癫痫患者大脑重组模式的差异，并探索了周围炎症细胞作为潜在生物标志物的价值 | 样本量有限，为探索性分析，需要纵向研究和更具体的生物标志物来阐明因果关系 | 揭示岛叶胶质瘤患者的大脑重组过程，并探索反映这些过程的潜在周围生物标志物 | 岛叶胶质瘤相关癫痫患者和不伴癫痫患者 | 数字病理学 | 胶质瘤 | 深度学习肿瘤分割，虚拟大脑移植，形态学分析 | 深度学习 | 医学影像 | 103名患者（51名岛叶胶质瘤相关癫痫，52名不伴癫痫） | MATLAB, SPM, CAT12 | NA | NA | NA |
| 3295 | 2026-02-26 |
Systematic bibliometric and visualized analysis of global research trends, impact, emerging areas, and hotspots of artificial intelligence in personalized medicine
2026-Feb, Naunyn-Schmiedeberg's archives of pharmacology
DOI:10.1007/s00210-025-04732-5
PMID:41105247
|
综述 | 本研究通过文献计量和可视化分析，全面评估了人工智能在个性化医学领域的研究趋势、影响力、新兴领域和热点 | 首次系统性地利用Scopus数据库数据，结合多种分析工具，对AI在个性化医学领域的全球研究趋势进行文献计量和可视化分析，识别出关键热点如深度学习、生物标志物和影像组学 | 分析仅基于Scopus数据库，可能未涵盖所有相关文献；研究为回顾性分析，无法预测未来具体技术发展 | 分析人工智能在个性化医学领域的研究趋势、影响力、新兴领域和热点，为研究者、政策制定者和资助机构提供参考 | 全球范围内关于人工智能在个性化医学领域的学术文献 | 机器学习 | NA | 文献计量分析，可视化分析 | NA | 文本数据（学术文献元数据） | 3719篇文章 | Microsoft Excel 365, VOSviewer, Bibliometrix R package | NA | NA | NA |
| 3296 | 2026-02-26 |
A Beginner's Guide to Using DeepVirFinder for Viral Sequence Identification From Metagenomic Datasets
2026-Feb, Current protocols
DOI:10.1002/cpz1.70310
PMID:41609929
|
指南 | 本文提供了使用DeepVirFinder软件从宏基因组数据集中识别病毒序列的入门指南 | 通过优化运行时间性能并保持原始用户界面，改进了DeepVirFinder软件，并提供了基本工作流程和下游分析辅助脚本 | NA | 促进DeepVirFinder软件在病毒序列识别中的快速采用，帮助初学者用户有效挖掘宏基因组数据中的病毒信息 | 病毒序列 | 机器学习 | NA | 宏基因组测序 | CNN | 序列数据 | NA | NA | 孪生卷积神经网络 | NA | NA |
| 3297 | 2026-02-26 |
[Delivering with Intelligence: Integrating Artificial Intelligence into Intrapartum Ultrasound]
2026-Feb, Harefuah
PMID:41736619
|
研究论文 | 本文探讨了将人工智能整合到产时超声中，以自动化关键测量并减少对操作者经验的依赖 | 开发了一种全自动深度学习算法，用于分析经会阴产时超声扫描，自动识别最佳帧并测量进展角，无需人工干预 | NA | 提高产时超声的诊断精度，减少不必要的干预，并确保在分娩和分娩环境中提供一致、个性化的护理 | 产时超声扫描，包括胎儿头位、进展角和头会阴距离等参数 | 医学影像 | 产科疾病 | 超声 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 3298 | 2026-02-26 |
Causal deep learning to personalize medicine: Which intensive care patients with sepsis will benefit from corticosteroid therapy?
2026-Feb, Journal of intensive medicine
DOI:10.1016/j.jointm.2025.07.002
PMID:41736785
|
研究论文 | 本研究利用因果深度学习框架，识别哪些重症监护脓毒症患者能从皮质类固醇治疗中获益 | 首次将因果深度学习应用于脓毒症治疗个性化，通过TARNet模型估计治疗对28天死亡率的预测概率降低，并识别治疗反应者、无反应者和可能受伤害者 | 研究依赖于回顾性ICU数据库，可能存在未测量的混杂因素；外部验证性能（AUROC 0.71）低于内部验证（AUROC 0.79） | 个性化脓毒症治疗，确定皮质类固醇治疗对重症监护脓毒症患者的生存获益 | 重症监护脓毒症患者 | 机器学习 | 脓毒症 | 因果深度学习 | TARNet | 临床数据 | 阿姆斯特丹UMCdb数据库2920例入院患者（干预组1378例，对照组1542例），MIMIC-IV v2.2用于外部验证 | 未明确指定 | TARNet | AUROC, Wasserstein距离 | NA |
| 3299 | 2026-02-26 |
Web-Based Application of Simplified Machine Learning for Detecting Reduced LVEF From 12-Lead ECG
2026-Feb, Journal of arrhythmia
IF:2.2Q2
DOI:10.1002/joa3.70296
PMID:41738056
|
研究论文 | 本研究开发并验证了基于12导联心电图数值参数的简化机器学习模型，用于检测左心室射血分数降低，并实现了一个用户友好的网络应用 | 提出简化的机器学习模型替代复杂的深度学习模型，以提高临床可用性，并开发了网络应用工具 | 模型在外部验证中连续预测性能较差，且研究为回顾性分析，可能存在选择偏倚 | 开发并验证简化的机器学习模型，用于从12导联心电图检测左心室射血分数降低 | 来自两个机构的21,471名患者的心电图和经胸超声心动图数据 | 机器学习 | 心血管疾病 | 心电图，经胸超声心动图 | 随机森林，极端梯度提升，支持向量机，广义加性模型 | 数值参数 | 21,471名患者（开发队列：非房颤12,922例，房颤1,281例；外部验证队列：非房颤6,284例，房颤984例） | NA | 随机森林，XGBoost，支持向量机，广义加性模型 | R²，AUC | NA |
| 3300 | 2026-02-26 |
Protein language models trained on biophysical dynamics inform mutation effects
2026-Jan-27, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2530466123
PMID:41576089
|
研究论文 | 本文介绍了SeqDance和ESMDance两种蛋白质语言模型，它们基于分子动力学模拟和正常模式分析训练，用于预测蛋白质动态特性和突变效应 | 首次将蛋白质动态生物物理特性整合到语言模型中，通过超过64,000个蛋白质的模拟数据训练，能够捕获残基间的动态相互作用和协同运动，并在缺乏进化信息的蛋白质上实现零样本预测 | 模型依赖于分子动力学模拟和正常模式分析的数据质量，可能无法完全覆盖所有蛋白质的动态复杂性，且训练数据规模虽大但仍有限 | 开发能够整合蛋白质动态特性的语言模型，以更准确地预测蛋白质行为和突变效应 | 蛋白质，包括有序和无序蛋白质，以及设计蛋白质和病毒蛋白质 | 自然语言处理 | NA | 分子动力学模拟，正常模式分析 | 蛋白质语言模型 | 序列数据，动态生物物理特性数据 | 超过64,000个蛋白质 | NA | SeqDance, ESMDance, ESM2 | 零样本预测性能 | NA |