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 42795 篇文献，本页显示第 3761 - 3780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3761 | 2026-02-19 |
Machine Learning Prediction of Protein Adsorption on Drug-delivering Nanoparticles: A Literature Survey and Need for Future Development
2026-Jan, Pharmaceutical research
IF:3.5Q2
DOI:10.1007/s11095-025-03981-6
PMID:41298984
|
综述 | 本文综述了机器学习在预测药物递送纳米颗粒上蛋白质吸附方面的研究，并强调了未来发展的需求 | 强调结合随机森林和深度学习的互补优势来克服实验数据有限的挑战，并指出未来模型可能扩展到其他生物冠成分，特别是针对软材料如脂质纳米颗粒 | 当前研究主要集中于蛋白质冠，缺乏对其他生物冠成分的全面考虑，且实验数据质量和多样性有待提高 | 优化纳米颗粒设计以用于药物递送、诊断和治疗 | 纳米颗粒-蛋白质相互作用 | 机器学习 | NA | NA | 随机森林, 深度学习 | 高维数据 | NA | NA | NA | NA | NA |
| 3762 | 2026-02-19 |
Systematic review and meta-analysis of AI-driven MRI motion artifact detection and correction
2026-Jan, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.105704
PMID:41442850
|
综述与荟萃分析 | 本文对人工智能驱动的MRI运动伪影检测与校正方法进行了系统性回顾和荟萃分析 | 聚焦于深度学习，特别是生成模型，在MRI运动伪影处理中的应用，并评估其发展、有效性及挑战 | 方法泛化能力有限，依赖成对训练数据，存在视觉失真风险，且缺乏标准化数据集和报告协议 | 评估人工智能方法在检测和校正磁共振成像运动伪影方面的当前进展、效果、挑战及未来研究方向 | 人工智能驱动的MRI运动伪影检测与校正方法 | 医学影像分析 | NA | 磁共振成像 | 深度学习，生成模型 | 图像 | NA | NA | NA | NA | NA |
| 3763 | 2026-02-19 |
Wesselsbron Virus-Induced Hepatitis in Ewes and Lambs Unraveled Through Machine Learning-Driven Digital Histopathology
2026, Transboundary and emerging diseases
IF:3.5Q1
DOI:10.1155/tbed/7912840
PMID:41693730
|
研究论文 | 本研究利用机器学习驱动的数字组织病理学方法，系统评估了Wesselsbron病毒在母羊和羔羊中诱导的肝炎 | 首次将深度学习与全玻片成像技术结合，对WSLV诱导的肝炎进行客观、定量的组织病理学表征，并揭示了组织细胞密度与病毒载量之间的强相关性 | 样本量较小（实验组14只，对照组6只），且仅研究了两种病毒株系 | 通过数字组织病理学客观表征Wesselsbron病毒诱导的肝炎病变 | 感染WSLV clade I (rSA999) 和 clade II (SAH117) 的母羊和羔羊 | 数字病理学 | 病毒性肝炎 | 免疫组织化学染色，RT-qPCR，全玻片成像 | 深度学习 | 组织病理学图像 | 20只动物（6只感染clade I，8只感染clade II，6只对照组） | NA | NA | 相关性分析（与RT-qPCR结果及肝损伤标志物的相关性） | NA |
| 3764 | 2026-02-19 |
Promises and challenges of AI-enabled methods for myocardial characterisation in cardiovascular magnetic resonance
2026, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2026.1638861
PMID:41694301
|
综述 | 本文总结了人工智能在心血管磁共振心肌组织表征中的最新进展，并探讨了其临床转化的前景与挑战 | AI技术通过深度学习自动化LGE分割、改进运动校正和图像重建、利用原生CMR信号实现无对比剂瘢痕表征，并加速了心脏磁共振指纹识别和扩散张量成像等新兴技术 | 临床转化受限于大规模异质训练数据的获取、泛化性、公平性、可解释性问题，以及监管批准和临床部署的障碍 | 探讨人工智能在心血管磁共振心肌组织表征中的应用，以解决传统方法的局限性并推动临床转化 | 心血管磁共振成像数据，特别是心肌组织表征相关图像 | 数字病理 | 心血管疾病 | 心脏磁共振成像，包括LGE、T1 mapping、磁共振指纹识别、扩散张量成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 3765 | 2026-02-19 |
The impact of online real-time teaching interaction on teaching effect among undergraduate nursing students: the mediating role of deep learning
2026, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2026.1715936
PMID:41694521
|
研究论文 | 本研究探讨了在线实时教学互动、深度学习与教学效果之间的关系，并分析了深度学习在其中的中介作用 | 首次在护理本科生在线教育背景下，实证检验了深度学习在在线实时教学互动与教学效果间的中介作用 | 采用方便抽样，样本仅来自河北省高校，可能限制结果的普适性；横断面设计无法确定因果关系 | 探索护理本科生在线实时教学互动、深度学习与在线教学效果之间的关系，并分析深度学习的中介作用 | 河北省开设护理专业高校的587名护理本科生 | 教育技术 | NA | 问卷调查法 | NA | 问卷量表数据 | 587名护理本科生 | SPSSAU | NA | 相关系数(r), p值, 中介效应值, 中介效应占比 | NA |
| 3766 | 2026-02-19 |
A scalable and reliable deep learning framework for enhanced brain tumor detection and diagnosis using AI-based medical imaging
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1738796
PMID:41695179
|
研究论文 | 提出了一种可扩展且可靠的深度学习框架，用于通过AI医学影像增强脑肿瘤检测和诊断 | 采用两阶段深度学习架构，结合分割和分类，以提高检测可靠性，并注重临床适用性和数据治理 | 未涉及肿瘤亚型的诊断，可能限制了在更精细分类中的应用 | 开发一个用于脑肿瘤检测和诊断的深度学习框架，以支持及时诊断和基于证据的决策 | 脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | CNN | 图像 | NA | NA | DeepLabV3, CNN | 准确率, 精确率, 召回率 | NA |
| 3767 | 2026-02-19 |
Transforming multi-omics data into images for disease classification: A review of techniques and tools
2026-Jan, Journal of pathology informatics
DOI:10.1016/j.jpi.2026.100543
PMID:41695317
|
综述 | 本文综述了将多组学非图像数据转换为图像格式以利用深度学习进行疾病分类和生物标志物发现的技术与工具 | 系统回顾了多组学数据图像化转换这一新兴方法，并总结了多种转换技术与深度学习模型的结合应用 | 存在过拟合、泛化能力有限和可解释性不足等挑战，且多组学数据的多样性和复杂性加剧了这些问题 | 探讨多组学数据图像化转换技术及其在疾病分类和生物标志物发现中的应用 | 2013年至2024年间发表的关于多组学数据转换为图像的研究 | 机器学习 | NA | t-SNE, kernel PCA, UMAP, FFT, treemaps | CNN, autoencoders, SVM, GCN, GNN | 多组学数据 | NA | NA | NA | 准确率 | NA |
| 3768 | 2026-02-19 |
Radiation exposure and clinical validation of autosegmentation models for the supraventricular cardiac conduction system in breast cancer radiotherapy: an institutional perspective
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1734696
PMID:41695359
|
研究论文 | 本研究评估了乳腺癌放疗中窦房结和房室结的辐射剂量，并临床验证了一种基于深度学习的自动分割模型 | 首次在乳腺癌放疗中系统评估心脏传导节点的剂量，并开发了CNN自动分割模型，实现了高效准确的解剖结构勾画 | 样本量较小（87例患者），且为单中心回顾性研究，可能限制结果的普适性 | 评估乳腺癌放疗中心脏传导节点的辐射暴露风险，并验证自动分割模型的临床适用性 | 接受调强放疗的乳腺癌患者 | 数字病理学 | 乳腺癌 | 调强放疗（IMRT） | CNN | 医学影像 | 87例乳腺癌患者（训练集60例，验证集7例，测试集20例） | NA | 卷积神经网络 | Dice相似系数 | NA |
| 3769 | 2026-02-19 |
Toward Efficient Identification of Retinal Diseases: A Lightweight Convolutional Neural Network-Based Approach Using Optical Coherence Tomography
2026 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.70059
PMID:41695596
|
研究论文 | 本文提出了一种基于轻量级卷积神经网络的诊断框架，用于高效识别视网膜疾病 | 模型集成了轻量卷积块和全局-局部融合块，采用深度可分离卷积和挤压-激励机制，参数仅0.27百万，适合边缘设备部署 | 未明确提及模型在更广泛或更具挑战性数据集上的泛化能力 | 开发高效的视网膜疾病诊断方法，适用于临床边缘设备 | 光学相干断层扫描图像 | 计算机视觉 | 视网膜疾病 | 光学相干断层扫描 | CNN | 图像 | 三个基准数据集：OCT 2017、OCT C8和OCTDL | 未指定 | 轻量卷积块、全局-局部融合块 | 准确率、混淆矩阵、ROC分析 | 未指定 |
| 3770 | 2026-02-19 |
A Hybrid Ensemble Approach for Early-Stage Diabetes Detection
2026 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.70060
PMID:41695598
|
研究论文 | 本文提出了一种结合XGBoost和深度神经网络的混合集成方法，用于早期糖尿病检测 | 采用软投票的混合集成框架，结合XGBoost和深度神经网络，提高了模型的稳定性和泛化能力 | 未明确说明模型在更广泛人群或不同医疗环境中的验证情况 | 开发一种用于早期糖尿病检测的混合机器学习-深度学习模型 | 糖尿病早期检测 | 机器学习 | 糖尿病 | NA | XGBoost, DNN | NA | 两个数据集：Diabetes UCI数据集和新收集的尼泊尔数据集 | NA | NA | 准确率, AUC | NA |
| 3771 | 2026-02-19 |
Deep learning-based prediction of TERT mutation status from MRI for glioma molecular subtyping
2026, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2026.1749556
PMID:41695629
|
研究论文 | 本研究开发并验证了一种基于术前MRI的深度学习模型，用于无创预测胶质瘤患者的TERT启动子突变状态 | 首次利用深度学习模型从常规MRI中预测TERT启动子突变状态，为胶质瘤分子分型提供了一种非侵入性工具 | 研究为单中心回顾性研究，样本量较小（100例），需要多中心数据进一步验证以增强临床适用性 | 开发一种基于术前MRI的非侵入性方法，用于预测胶质瘤的TERT启动子突变状态，以辅助分子分型 | 经组织学证实的高级别胶质瘤患者 | 数字病理学 | 胶质瘤 | MRI（对比增强T1加权序列） | CNN | 图像 | 100例患者 | NA | RegNet, GhostNet, MobileNet, ResNeXt50, ShuffleNet | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 3772 | 2026-02-19 |
Better data for better predictions: data curation improves deep learning for sgRNA/Cas9 prediction
2026, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.20706
PMID:41695711
|
研究论文 | 本文探讨了通过数据优化方法提升sgRNA/Cas9预测模型性能的研究 | 采用数据为中心的方法，通过优化输入序列长度和数据过滤策略，而非仅依赖模型架构改进，来提升预测性能 | NA | 提高细菌SpCas9系统的靶向切割预测准确性 | sgRNA核苷酸序列及其活性评分 | 机器学习 | NA | NA | 深度学习 | 序列数据 | NA | NA | crisprHAL | NA | NA |
| 3773 | 2026-02-19 |
Artificial intelligence for patent ductus arteriosus-a systematic review
2026, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2026.1648943
PMID:41695746
|
系统综述 | 本文对人工智能在动脉导管未闭领域的应用研究进行了系统性回顾，评估了现有研究的优势、局限性和未来方向 | 首次对人工智能在动脉导管未闭领域的应用进行全面系统综述，识别了该领域的研究现状、方法学挑战和临床转化障碍 | 纳入研究存在高度异质性，无法进行荟萃分析；所有研究均存在高偏倚风险；缺乏外部验证、临床效用评估和公平性考量 | 评估人工智能在动脉导管未闭管理中的应用现状、有效性和局限性 | 动脉导管未闭患者，特别是早产儿、新生儿和儿科队列 | 机器学习 | 心血管疾病 | NA | 监督学习, 传统机器学习, 深度学习 | 多模态参数, 高维单模态数据 | 11项研究，样本量范围66-8,369，多数小于500 | NA | NA | AUC | NA |
| 3774 | 2026-02-19 |
Evaluating haptic experience using EEG and deep learning across multiple modalities: linking stimulus and self-reports
2026, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2026.1666558
PMID:41695974
|
研究论文 | 本研究通过EEG和深度学习评估多模态触觉体验，比较基于物理刺激参数和自我报告标签的模型性能 | 系统性地比较了基于物理刺激参数和自我报告标签的深度学习模型在触觉体验评估中的表现，揭示了在接近感知阈值时物理刺激标签的优越性 | 研究未探讨如何将物理刺激训练的模型与用户特定的自我报告信息进行有效结合 | 探索神经响应与触觉体验的物理刺激参数和自我报告感知之间的关系 | 触觉接口的EEG神经响应数据 | 机器学习 | NA | EEG | 深度学习 | EEG信号 | NA | NA | ATCNet, EEG Inception, EEG Conformer | NA | NA |
| 3775 | 2026-02-19 |
Deep learning for detecting early gastric cancer with white-light endoscopy: a systematic review and meta-analysis
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1734591
PMID:41696043
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估了深度学习算法在使用白光内镜图像诊断早期胃癌方面的性能 | 首次对深度学习算法在早期胃癌白光内镜诊断中的性能进行了全面的系统综述和荟萃分析，并比较了其与专家内镜医师的诊断准确性 | 纳入研究数量有限，特别是外部验证研究仅4项；研究间存在异质性，且异质性与训练数据集大小显著相关 | 评估深度学习算法在诊断早期胃癌（EGC）方面的性能，并比较其与专家内镜医师的诊断准确性 | 使用白光内镜图像进行早期胃癌诊断的深度学习算法 | 计算机视觉 | 胃癌 | 白光内镜 | 深度学习算法 | 图像 | 内部验证：15项研究，共37,037张图像（范围：433-9,650）；外部验证：4项研究，共3,579张图像（范围：200-1,514） | NA | NA | 灵敏度, 特异度 | NA |
| 3776 | 2026-02-19 |
Traditional machine learning in biomedical image analysis: before you go too deep
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1695230
PMID:41696042
|
综述 | 本文全面回顾了传统机器学习在生物医学图像分析中的应用，强调了其在多模态数据集成、可解释性、计算效率和小数据集鲁棒性方面的优势 | 在深度学习主导的时代，系统性地阐述了传统机器学习在生物医学图像分析中的独特价值和持续相关性，特别是在多模态数据处理、有限数据、可解释性需求和快速原型开发等场景 | 作为一篇综述文章，未提出新的算法或模型，主要基于现有文献进行总结和分析 | 探讨传统机器学习在生物医学图像分析领域的应用、核心原理、实践实现及其相对于深度学习的独特优势 | 生物医学图像数据及其分析任务 | 数字病理 | NA | 传统机器学习算法 | NA | 生物医学图像 | NA | NA | NA | NA | NA |
| 3777 | 2026-02-19 |
DP-MDLA Net: Detection of smooth pursuit abnormalities in Parkinson's disease
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261421158
PMID:41696087
|
研究论文 | 本文开发并验证了一种基于智能手机视频的深度学习框架，用于量化帕金森病中的平滑追踪异常 | 提出DP-MDLA Net，一种双路径多尺度扩张LSTM注意力架构，融合卷积和循环表示，用于从智能手机视频中检测平滑追踪异常 | 样本量较小（仅18名患者），且未提及外部验证或泛化能力评估 | 开发并验证一个基于深度学习的框架，用于量化帕金森病患者的平滑追踪异常 | 帕金森病患者的智能手机视频数据 | 计算机视觉 | 帕金森病 | 智能手机视频采集，MediaPipe FaceLandmarker用于眼部标志点提取 | CNN, LSTM | 视频 | 54个智能手机视频，来自18名帕金森病患者，包含1767个事件级样本（2秒窗口） | 未明确指定，但提及使用MediaPipe FaceLandmarker | DP-MDLA Net（双路径多尺度扩张LSTM注意力架构） | 准确率，精确率，召回率，F1分数，AUC | NA |
| 3778 | 2026-02-19 |
LightWaveNet: a lightweight wavelet-enhanced high-low-frequency-aware network with multi-stage supervision for rice disease recognition
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1692649
PMID:41696181
|
研究论文 | 本研究提出了一种用于水稻病害识别的轻量级小波增强高低频感知网络LightWaveNet | 提出了一种并行的小波卷积与最大池化结构，用于协同学习高低频特征，并引入了多阶段监督机制以优化训练过程 | 未提及模型在更广泛或更复杂田间环境下的泛化能力，也未讨论对不同水稻病害亚型或早期病害的识别效果 | 开发一种轻量级、高效率的水稻病害识别模型，以部署在资源受限的农业设备上 | 水稻病害图像 | 计算机视觉 | 水稻病害 | NA | CNN | 图像 | NA | NA | LightWaveNet | 准确率 | NA |
| 3779 | 2026-02-19 |
PotatoGuardNet: a refined deep learning framework for potato leaf disease detection
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1720276
PMID:41696171
|
研究论文 | 本文提出了一种改进的深度学习框架PotatoGuardNet，用于马铃薯叶部病害的检测与分类 | 结合Inception-ResNet-V2和Faster-RCNN，提高了对复杂环境下马铃薯叶部病害的识别准确性和定位能力 | 未提及模型在更广泛环境或不同数据集上的泛化能力测试 | 开发自动化系统以准确快速分类马铃薯叶部病害，减少误诊和延误治疗风险 | 马铃薯叶部病害 | 计算机视觉 | 马铃薯病害 | 深度学习 | CNN | 图像 | 来自PlantVillage数据集的大量复杂马铃薯植物样本 | TensorFlow, PyTorch | Inception-ResNet-V2, Faster-RCNN | 准确率, mAP | NA |
| 3780 | 2026-02-19 |
AI-driven audience clustering in sport media: a human-computer interaction approach using 'CoPE-DEC'
2026, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2026.1767724
PMID:41696532
|
研究论文 | 本研究从人机交互视角，利用基于人工智能的深度学习分析体育媒体观众特征与潜在模式，为体育媒体产业提供基础数据 | 提出了一种新颖的无监督聚类框架CoPE-DEC，用于建模和分析体育媒体消费中的多维观众体验数据，并识别出三种不同的观众集群 | 未提及具体的数据集规模或验证方法，且未来研究需整合更多AI方法和多模态数据源以提升跨学科洞察 | 为体育媒体产业提供观众特征分析的基础数据，支持观众细分、个性化内容设计和战略决策 | 体育媒体观众 | 机器学习 | NA | 深度学习分析 | 无监督聚类 | 多维观众体验数据 | NA | NA | CoPE-DEC | NA | NA |