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 44481 篇文献，本页显示第 3641 - 3660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3641 | 2026-03-31 |
Recent Advances in Musculoskeletal Radiology: Bridging Innovation and Clinical Application
2026-Mar-30, 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.2025-0150
PMID:41443887
|
综述 | 本文综述了肌肉骨骼放射学领域的最新进展，重点介绍了MRI、CT和人工智能等技术创新及其在临床诊断中的应用 | 总结了肌肉骨骼成像的7个关键领域，包括CT样对比MRI、定量MRI、AI在图像重建和诊断支持中的应用等，代表了该领域的范式转变 | 作为一篇综述文章，未提出新的原始研究数据或模型，主要依赖现有文献进行总结 | 回顾并总结肌肉骨骼放射学领域的最新技术进展及其临床转化应用 | 肌肉骨骼系统的影像学诊断技术，包括MRI、CT、PET和人工智能应用 | 数字病理学 | 肌肉骨骼疾病 | MRI, CT, PET, MR spectroscopy (MRS), 人工智能 | CNN, 自然语言处理模型 | 图像, 文本 | NA | NA | NA | NA | NA |
| 3642 | 2026-03-31 |
Automated daily adaptation for breast cancer radiotherapy: benefits of deep learning-driven dose prediction workflow for CBCT-based adaptation
2026-Mar-30, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae5387
PMID:41843986
|
研究论文 | 本研究探讨了基于深度学习的剂量预测与自动计划结合，用于乳腺癌放疗中基于锥形束CT的每日自适应放疗的可行性及临床益处 | 首次将深度学习驱动的剂量预测引擎与自动计划解决方案结合，用于乳腺癌放疗的每日自适应工作流，并通过预测标准优化重新计划决策 | 每日自适应可能并非对所有患者的所有分次都带来益处，且研究样本量较小（28例患者），需要进一步验证 | 评估基于锥形束CT的每日自适应放疗在乳腺癌治疗中的临床可行性及益处 | 28例接受容积旋转调强放疗的乳腺癌患者及其每日锥形束CT图像 | 数字病理学 | 乳腺癌 | 锥形束CT成像，容积旋转调强放疗 | 深度学习模型 | 医学图像（锥形束CT） | 28例乳腺癌患者，每日锥形束CT图像（约15次/患者） | 未明确指定 | 未明确指定 | 计划靶区剂量覆盖率，临床目标达成比例，器官风险剂量减少百分比 | 未明确指定 |
| 3643 | 2026-03-31 |
Integration of Raman tweezers and machine learning for label-free single-cell characterization of endometriosis cells
2026-Mar-30, The Analyst
DOI:10.1039/d5an01076d
PMID:41711554
|
研究论文 | 本研究开发并验证了一种结合光学捕获和拉曼光谱的拉曼镊子平台，用于对子宫内膜异位症来源的VK2/E6E7上皮细胞进行无标记单细胞生化分析 | 首次将拉曼镊子应用于子宫内膜异位症细胞的单细胞分析，并整合了深度学习预处理和可解释机器学习方法 | 研究仅比较了VK2/E6E7细胞与A549上皮癌细胞系，未涉及更多细胞类型或临床样本，可能限制其普适性 | 探索子宫内膜异位症的细胞机制，开发一种无标记、微创的诊断策略 | 子宫内膜异位症来源的VK2/E6E7上皮细胞和上皮癌细胞系A549 | 机器学习 | 子宫内膜异位症 | 拉曼镊子（结合光学捕获和拉曼光谱） | Random Forest, XGBoost | 拉曼光谱数据 | 涉及VK2/E6E7细胞和A549细胞系，具体样本数量未明确说明 | NA | RSPSSL（自监督深度学习模型用于预处理） | 准确率 | NA |
| 3644 | 2026-03-31 |
Algorithm prediction of lifetime under high-power microwave based on T-type field plate HEMTs
2026-Mar-30, Nanotechnology
IF:2.9Q2
DOI:10.1088/1361-6528/ae5539
PMID:41861404
|
研究论文 | 本研究构建了一个深度学习模型，结合TCAD技术，用于预测T型场板HEMTs在高功率微波应力下的可靠性 | 采用深度学习算法预测高功率微波下HEMTs的寿命，相比传统机器学习方法具有更低的预测误差，并允许非半导体专家快速获取设备寿命数据 | 未明确提及模型在极端或未见过条件下的泛化能力，以及可能的数据集规模限制 | 预测T型场板HEMTs在高功率微波应力下的可靠性，以支持设备设计和寿命评估 | T型场板高电子迁移率晶体管（HEMTs） | 机器学习 | NA | TCAD技术 | 深度学习模型 | 数值数据（脉冲宽度、功率、占空比） | NA | NA | NA | 相对误差，平均相对误差 | NA |
| 3645 | 2026-03-31 |
Cross-platform deep learning enables automated cytomorphologic subtyping of acute leukemia from bone marrow smears
2026-Mar-30, Virchows Archiv : an international journal of pathology
IF:3.4Q1
DOI:10.1007/s00428-026-04492-4
PMID:41906037
|
研究论文 | 本研究开发了一个深度学习框架ALSNet，用于从Wright-Giemsa染色的骨髓涂片中自动进行细胞级分类和病例级亚型分型急性白血病 | ALSNet结合了双分支卷积架构和Transformer编码器，以捕获细粒度局部特征和全局形态学上下文，并通过多平台数据训练增强了泛化能力 | 未明确提及具体局限性，但外部验证的病例级准确率为0.75，仍有提升空间 | 自动化急性白血病的细胞形态学亚型分型，以指导治疗和预测患者结局 | 急性白血病患者的Wright-Giemsa染色骨髓涂片 | 数字病理学 | 急性白血病 | Wright-Giemsa染色 | CNN, Transformer | 图像 | 180,928张专家标注的单细胞图像，涵盖19个造血和白血病细胞类别，来自三个不同的成像平台 | NA | 双分支卷积架构, Transformer编码器 | 每类准确率, 病例级准确率, 相关系数R | NA |
| 3646 | 2026-03-31 |
Artificial Intelligence in Periodontology: A Systematic Review
2026-Mar-30, Journal of periodontal research
IF:3.4Q1
DOI:10.1111/jre.70107
PMID:41907011
|
系统综述 | 本文系统综述了人工智能在牙周病学中的应用，重点关注深度学习在基于图像的牙周炎诊断以及非图像AI应用 | 首次对牙周病学中AI应用进行全面系统综述，涵盖图像与非图像数据，并采用QUADAS-2偏倚风险评估框架 | 研究普遍存在泛化性不足问题，主要由于数据多样性有限、任务/指标不一致且缺乏外部验证 | 系统评估人工智能在牙周病学领域的应用现状与效果 | 牙周病学领域的AI研究文献 | 数字病理学 | 牙周炎 | 深度学习, 自然语言处理 | CNN | 全景X光片, CBCT, 口内X光片, 临床照片, 非图像临床数据 | PICO1包含29项研究（21项使用全景X光片），PICO2包含65项研究 | NA | NA | 准确率, AUROC | NA |
| 3647 | 2026-03-31 |
Deep learning-assisted otoscopic screening for paediatric otitis media: feasibility of edge deployment
2026-Mar-30, Acta oto-laryngologica
IF:1.2Q3
DOI:10.1080/00016489.2026.2632953
PMID:41910391
|
研究论文 | 本研究开发并验证了一种用于儿童中耳炎耳镜筛查的深度学习模型，并评估了其在嵌入式边缘设备上部署的可行性 | 首次将MobileNetV3-Small模型应用于儿童中耳炎的耳镜图像分类，并探索了INT8量化在STM32H7嵌入式平台上的部署，以优化存储和计算资源 | 研究为回顾性设计，数据来源于单一医院，未来需要前瞻性多中心验证以增强泛化能力 | 开发一种深度学习辅助的耳镜筛查工具，以支持儿童中耳炎的临床分诊和预诊断 | 儿童中耳炎患者，包括急性中耳炎、渗出性中耳炎和正常鼓膜 | 计算机视觉 | 中耳炎 | 耳镜成像 | CNN | 图像 | 19,522张耳镜图像，其中测试集包含600张图像（每类200张） | TensorFlow, PyTorch | MobileNetV3-Small | 准确率, 灵敏度, 特异性 | STM32H7嵌入式平台，支持浮点32位和INT8量化部署 |
| 3648 | 2026-03-31 |
Intraoperative full-spine imaging with C-arm using a deep learning-based automatic stitching model: development and clinical validation
2026-Mar-30, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-026-09872-7
PMID:41910750
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3649 | 2026-03-31 |
A two-stage deep learning system for cervical spine fracture diagnosis: integrating 3D segmentation and 2.5D classification on CT images
2026-Mar-30, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-026-09892-3
PMID:41910751
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3650 | 2026-03-31 |
Enhancing Parkinson's Disease Staging: An Integrative Deep Learning Framework for Multimodal Feature Selection
2026-Mar-30, Journal of molecular neuroscience : MN
IF:2.8Q2
DOI:10.1007/s12031-026-02492-2
PMID:41910849
|
研究论文 | 本研究提出了一种名为MAFNet的新型深度学习框架，用于整合多模态数据以增强帕金森病的分期准确性 | 提出了一个集成了迭代自适应Vold-Kalman滤波时域去噪、加速二进制粒子群优化特征选择、多层感知机-拉格朗日支持向量机分类以及基于图注意力的多模态融合网络的端到端深度学习框架 | 未来工作包括纵向时序建模、模态无关融合、边缘部署、联邦学习以及扩展到阿尔茨海默病/肌萎缩侧索硬化症 | 提高帕金森病分期的准确性，实现从主观评估到客观精准医学的转变 | 帕金森病患者 | 机器学习 | 帕金森病 | 深度学习，多模态数据融合 | MLP, SVM, 图注意力网络 | 遗传SNP数据，神经影像体素数据，临床评分数据 | 200名患者（来自PPMI队列），并进行了印度队列的外部验证 | NA | MAFNet（包含IAVKF, ABPSO, MLP-LSVM, GAMF组件） | 准确率，精确率，召回率，F1分数，信噪比 | NVIDIA RTX 3090 GPU |
| 3651 | 2026-03-31 |
A Deep Learning Prognostic Model for Diabetes Patients Using Bilateral Fundus Imaging
2026-Mar-29, Journal of diabetes science and technology
IF:4.1Q2
DOI:10.1177/19322968261434035
PMID:41905764
|
研究论文 | 本研究开发了一种利用常规双侧彩色眼底摄影预测糖尿病患者长期死亡风险的深度学习预后模型 | 首次将深度学习架构与Cox比例风险模型结合，利用常规眼底图像直接预测糖尿病患者死亡率，实现了比现有商业系统更强的风险分层能力 | 研究基于回顾性数据，需要在更多样化的人群中进行前瞻性验证 | 开发一种能够早期识别高死亡风险糖尿病患者的预后模型，以便及时干预 | 糖尿病患者 | 数字病理学 | 糖尿病 | 彩色眼底摄影 | 深度学习 | 图像 | 19029名糖尿病患者 | NA | NA | 风险比, 五年生存率 | NA |
| 3652 | 2026-03-31 |
Cross-chemical and cross-species toxicity prediction: benchmarking and a novel 3D-structure-based deep learning model
2026-Mar-28, Environmental toxicology and chemistry
IF:3.6Q2
DOI:10.1093/etojnl/vgag081
PMID:41904675
|
研究论文 | 本文通过构建一个全面的水生毒性数据集，开发了tox-learn Python库，并提出了基于3D结构的深度学习模型3DMol-Tox，用于跨化学和跨物种的毒性预测 | 提出了一个新颖的基于3D结构的深度学习模型3DMol-Tox，并开发了tox-learn库以自动化数据集清理和性能评估，同时强调了避免因不当数据分割导致的性能高估问题 | 未明确提及模型在特定化学类别或物种上的泛化能力限制，以及3D结构数据获取的潜在挑战 | 实现化学化合物的无动物测试，通过计算毒性预测提高模型性能的一致性和准确性 | 化学化合物的毒性预测，涉及跨化学和跨物种的数据分析 | 机器学习 | NA | 化学指纹、深度学习潜在表示、3D结构建模 | 深度学习模型 | 化学结构数据（2D和3D）、物种信息 | 50,603条记录，涉及5,889种化合物和2,285个不同物种 | Python, tox-learn库 | 3DMol-Tox, GPBoost | 回归准确性、W1B分类准确性 | NA |
| 3653 | 2026-03-31 |
A hybrid deep learning framework for epileptic seizure prediction using scalp and intracranial EEG data
2026-Mar-28, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种用于癫痫发作预测的混合深度学习框架，并评估了其在头皮和颅内脑电图数据上的跨模态有效性 | 提出了一种针对头皮脑电图优化的定制混合CNN-LSTM模型，并在颅内脑电图数据集上进行了跨模态评估，展示了强大的泛化能力 | 未明确说明模型在处理不同患者间EEG信号变异性方面的具体限制 | 开发一个能够跨不同脑电图模态（头皮和颅内）有效预测癫痫发作的深度学习框架 | 癫痫患者的脑电图信号 | 机器学习 | 癫痫 | 脑电图 | CNN, LSTM | 时间序列信号 | 使用了CHB-MIT（头皮EEG）和AES-Kaggle（颅内EEG）数据集，并额外验证了来自巴基斯坦拉合尔总医院的真实世界头皮EEG数据 | NA | 定制混合CNN-LSTM模型 | 准确率 | NA |
| 3654 | 2026-03-31 |
ACCURACY AND GENERALIZABILITY OF AN OPEN-SOURCE DEEP LEARNING MODEL FOR FACIAL BONE SEGMENTATION ON CT AND CBCT SCANS: AN EX VIVO STUDY
2026-Mar-27, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2026.106663
PMID:41905505
|
研究论文 | 评估开源深度学习工具DentalSegmentator在不同CT和CBCT扫描条件下自动重建面部骨骼表面模型的准确性和泛化性 | 首次在多种CT和CBCT协议（包括超低剂量协议）下评估开源深度学习模型对面部骨骼分割的准确性和泛化性 | 研究仅基于10个干燥人类头骨样本，且为体外成像条件，未涉及活体临床数据 | 评估深度学习模型在面部骨骼分割任务中的准确性和跨成像系统的泛化能力 | 人类干燥头骨的CT和CBCT扫描图像 | 计算机视觉 | NA | CT扫描，锥形束CT（CBCT）扫描，光学扫描 | 深度学习模型 | CT图像，CBCT图像 | 10个干燥人类头骨，使用1台CT扫描仪和2台CBCT设备进行扫描 | NA | DentalSegmentator | 平均绝对距离（MAD），绝对距离的标准差（SDAD） | NA |
| 3655 | 2026-03-31 |
Evaluating Deep Learning Attenuation Correction for SPECT MPI: Lessons From Clinical Validation
2026-Mar-27, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2026.102701
PMID:41905547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3656 | 2026-03-31 |
Assessing the Performance and Reliability of Deep Learning Auto-Segmentation in Videofluoroscopic Swallowing Studies: A Systematic Review and Meta-Analysis
2026-Mar-27, Archives of physical medicine and rehabilitation
IF:3.6Q1
DOI:10.1016/j.apmr.2026.03.016
PMID:41905601
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了深度学习在视频荧光吞咽研究（VFSS）中自动分割解剖结构的性能和可靠性 | 首次对VFSS中基于深度学习的自动分割方法进行全面的荟萃分析，量化了其整体准确性并识别了研究间的异质性 | 纳入研究存在显著的方法学异质性，且缺乏多中心数据集和标准化协议，可能影响结果的普遍性和临床适用性 | 系统评估深度学习在VFSS中自动分割解剖结构的准确性和可靠性 | 视频荧光吞咽研究（VFSS）中的解剖结构，包括食团、颈椎、舌骨或甲状软骨-声带复合体（TVC） | 医学图像分析 | 吞咽障碍 | 深度学习 | NA | 视频图像 | 10项符合纳入标准的研究 | NA | NA | Dice相似系数 | NA |
| 3657 | 2026-03-31 |
Deep learning assisted particle size ranking and estimation from SEM images without explicit segmentation
2026-Mar-26, Micron (Oxford, England : 1993)
DOI:10.1016/j.micron.2026.104022
PMID:41905154
|
研究论文 | 本文提出了一种无需显式分割的深度学习框架，用于直接从SEM图像中排名和估计颗粒尺寸比 | 采用基于相似性的深度学习框架，无需真实标注的显微镜图像，仅使用合成生成的类SEM图像训练CNN，实现颗粒尺寸的隐式编码和相对排序 | 未明确提及框架在处理极端复杂形态或高度聚集颗粒时的具体局限性 | 开发一种无需显式分割的颗粒尺寸排名和估计方法，以简化纳米材料研究中的尺寸分析 | 扫描电子显微镜（SEM）图像中的纳米颗粒 | 计算机视觉 | NA | 扫描电子显微镜（SEM）成像 | CNN | 图像 | 未明确指定具体样本数量，仅提及使用合成生成的类SEM图像和真实SEM数据集进行评估 | 未明确指定，可能为TensorFlow或PyTorch等 | 未明确指定具体架构，仅提及卷积神经网络（CNN） | 排名性能、视觉一致性 | 未明确指定 |
| 3658 | 2026-03-31 |
Identifying key convection-sensitive oceanic regions to weaken the ENSO spring predictability barrier
2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2512725123
PMID:41838918
|
研究论文 | 本文通过引入海表温度范围指数（SRI）识别对对流变化最敏感的关键海洋区域，以减弱ENSO的春季可预报性障碍（SPB） | 提出了海表温度范围指数（SRI）来量化有利于对流的SST空间范围，并识别出东中太平洋和东大西洋的关键对流敏感区域，这些区域通过调节沃克环流增强Bjerknes反馈，从而缓解SPB | NA | 减弱厄尔尼诺-南方涛动（ENSO）的春季可预报性障碍（SPB），提高春季预测能力 | ENSO现象及其春季可预报性障碍（SPB），重点关注对流敏感的海洋区域 | 机器学习 | NA | 海表温度（SST）分析，深度学习建模 | LSTM | 海表温度数据，气候指数数据 | NA | NA | LSTM | 预测技能（与动力和统计模型平均相比） | NA |
| 3659 | 2026-03-31 |
Dual-encoder contrastive learning accelerates enzyme discovery
2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2520070123
PMID:41843673
|
研究论文 | 本文提出了一个名为Dual-encoder contrastive learning的计算高效深度学习框架，用于大规模反应-酶推荐，并通过实验验证其在酶发现中的有效性 | 首次将双编码器对比学习框架大规模应用于酶发现，并通过全面的实验验证其在真实世界场景中的有效性，包括孤儿反应、酶混杂性和非天然生化反应 | 在代表性不足的反应类别上性能仍有提升空间，需要更多样化的反应数据集进行训练 | 加速酶发现过程，解决酶工程中寻找合适起始蛋白质的关键瓶颈 | 酶（蛋白质）与化学反应 | 机器学习 | NA | 反应指纹、蛋白质语言模型 | 深度学习、对比学习 | 化学反应数据、蛋白质序列数据 | 数百万个反应-酶对 | NA | 双编码器对比学习框架 | Top-100命中率 | NA |
| 3660 | 2026-03-31 |
Orthogonal disentanglement of single-cell multi-omics reveals private and shared drivers of tissue development and pathogenesis
2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2519870123
PMID:41849387
|
研究论文 | 本文提出了一种名为OmiDos的深度学习框架，用于从单细胞多组学数据中分离组学特异性和组间共享的潜在变量，以揭示组织发育和发病机制的驱动因素 | 开发了OmiDos框架，通过私有-共享成分分析正交解耦多组学数据中的私有和共享信号，并采用模块化架构支持对抗学习和最大均值差异正则化，以最小化对生物变异性的干扰 | 未明确提及具体限制，但可能涉及数据对齐和模型泛化性方面的挑战 | 整合分析单细胞多组学数据，以表征正常组织功能和疾病进展中的基因表达和调控动态 | 单细胞多组学数据，包括基因表达和调控信息 | 机器学习 | 髓母细胞瘤 | 单细胞多组学技术 | 深度学习 | 多组学数据 | NA | NA | NA | 聚类准确性，批次效应校正，错位解析 | NA |