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 4081 - 4100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4081 | 2026-01-21 |
MRI-based patient selection for active surveillance in prostate cancer using U-Found: a generalized deep learning model
2026-Jan-19, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-00988-z
PMID:41555464
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4082 | 2026-01-19 |
Deep learning on meta-analytic data for therapeutic decision-making in central nervous system aspergillosis
2026-Jan-17, BMC infectious diseases
IF:3.4Q2
DOI:10.1186/s12879-026-12573-7
PMID:41547764
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4083 | 2026-02-15 |
Liver cancer risk stratification using deep learning on nationwide longitudinal health screening data: a retrospective cohort study
2026-Jan-17, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03323-x
PMID:41547794
|
研究论文 | 本研究利用韩国全国性纵向健康筛查数据，开发了一种深度学习模型来预测肝癌风险，旨在改进现有筛查策略 | 首次将深度学习模型应用于常规收集的全国性筛查和索赔数据，以预测肝癌风险，无需额外诊断测试，并超越了当前基于病毒性肝炎或肝硬化的国家筛查标准 | 研究为回顾性队列设计，可能存在选择偏倚；模型性能虽优于现有标准，但绝对风险预测的精确度仍有提升空间（如AUPRC较低） | 开发并验证一个基于深度学习模型的肝癌风险分层系统，以早期识别高风险个体，包括无既往肝病患者 | 参与韩国国家健康筛查计划的50-69岁成年人，共3,962,209名，其中包含12,401例肝癌病例 | 数字病理学 | 肝癌 | 健康筛查数据（包括人口统计学、临床、行为、人体测量和实验室特征） | CNN | 结构化健康筛查数据 | 3,962,209名成年人，其中12,401例肝癌病例 | NA | 一维卷积神经网络 | AUROC, AUPRC, 敏感性, 特异性 | NA |
| 4084 | 2026-01-19 |
Deep learning-based multimodal pathogenomics integration for precision cancer prognosis
2026-Jan-17, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-026-07682-5
PMID:41547829
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4085 | 2026-02-15 |
Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning
2026-Jan-16, Research square
DOI:10.21203/rs.3.rs-8545050/v1
PMID:41646417
|
研究论文 | 本研究介绍了一种名为PanSubNet的深度学习框架，用于从常规H&E染色全切片图像中预测胰腺导管腺癌的分子亚型 | 开发了首个可解释的深度学习框架，直接从常规H&E染色切片预测胰腺癌分子亚型，无需额外分子检测 | 研究基于回顾性队列数据，需要在前瞻性临床环境中进一步验证 | 开发一种快速、经济高效的胰腺癌分子亚型预测工具，以促进精准肿瘤学 | 胰腺导管腺癌（PDAC）患者 | 数字病理学 | 胰腺癌 | RNA测序，H&E染色 | 深度学习 | 全切片图像 | 1055名患者（PANCAN队列846名，TCGA队列209名） | NA | 双尺度架构，注意力机制 | AUC，敏感性，特异性 | NA |
| 4086 | 2026-02-15 |
CvTFuse: An unsupervised medical image fusion method of gliomas T1-DWI mode
2026-Jan-15, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110618
PMID:41547498
|
研究论文 | 本文提出了一种名为CvTFuse的无监督医学图像融合方法，用于融合胶质瘤的T1-DWI模态MRI图像 | 提出了一种结合CNN和Vision Transformer的双分支融合网络，并引入了全局上下文聚合模块（GCAM）以聚合多尺度特征，同时采用能量感知和梯度增强的融合策略来保留源图像细节 | NA | 准确有效地融合不同MRI模态，以精确定位病灶区域并为分析病灶性质提供丰富信息 | 胶质瘤的T1-DWI模态MRI图像 | 数字病理 | 胶质瘤 | MRI | CNN, Transformer | 图像 | NA | NA | CvTFuse（自定义双分支网络） | 平均梯度, 信息熵, 互信息, 视觉显著性 | NA |
| 4087 | 2026-02-15 |
Artificial Intelligence in Cerebrovascular Imaging: A Targeted Review of Aneurysm Detection and Rupture Risk Prediction
2026-Jan-15, JMA journal
IF:1.5Q2
DOI:10.31662/jmaj.2025-0327
PMID:41676817
|
综述 | 本文是一篇关于人工智能在脑血管成像中应用的综述，重点关注动脉瘤检测和破裂风险预测 | 本综述的独特之处在于其整合性方法：它将影像组学、机器学习和深度学习统一在一个框架下，评估它们在检测和风险预测两方面的临床应用，并强调了混合建模、可解释AI和多模态数据融合等新兴解决方案 | 当前基于AI的方法仍处于研究阶段，尚未在临床、实验或与现有诊断标准对比中得到验证，需要进行严格的前瞻性验证 | 评估人工智能在脑血管成像中的应用潜力，特别是在动脉瘤检测和破裂风险预测方面，旨在通过AI驱动的精准医学降低破裂率并改善患者预后 | 脑动脉瘤 | 数字病理学 | 脑血管疾病 | NA | 机器学习, 深度学习 | 影像数据, 临床数据, 血流动力学数据 | NA | NA | 卷积神经网络 | NA | NA |
| 4088 | 2026-02-15 |
Non-destructive detection of micro-impurities in tea using the YOLOv11-PFT model
2026-Jan-10, NPJ science of food
IF:6.3Q1
DOI:10.1038/s41538-025-00702-6
PMID:41519826
|
研究论文 | 本文提出了一种基于YOLOv11改进的深度学习模型YOLOv11-PFT，用于茶叶中微观杂质的无损检测 | 在YOLOv11基础上集成了Powerful-IoU损失函数、FasterNet模块和Triple Attention模块，以提高检测精度、减小模型尺寸并增强特征提取能力 | NA | 开发一种高效、轻量化的深度学习模型，用于茶叶生产过程中微观污染物的自动检测 | 茶叶中的微观杂质（如生产、加工和包装过程中引入的污染物） | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | YOLOv11-PFT | 准确率, 精确率, 召回率, F分数, mAP, GFLOPs, 推理速度(FPS) | NA |
| 4089 | 2026-02-15 |
A deep learning framework (CreoPep) for target-specific design and optimization of conotoxin peptides
2026-Jan-09, Communications chemistry
IF:5.9Q1
DOI:10.1038/s42004-025-01885-5
PMID:41513959
|
研究论文 | 本文介绍了一种名为CreoPep的深度学习生成框架，专门用于设计和优化针对特定受体的芋螺毒素肽 | CreoPep结合了掩码语言建模与渐进掩码方案，并采用基于物理的能量筛选与温度控制多项式采样的增强流程，能够生成结构功能多样且保留关键药理特征的肽变体 | NA | 开发一种计算框架，以克服天然芋螺毒素变体多样性有限及传统工程策略劳动密集的挑战，实现芋螺毒素肽的靶向设计与优化 | 芋螺毒素肽 | 机器学习 | NA | 深度学习生成模型 | 掩码语言模型 | 肽序列数据 | NA | NA | 掩码语言模型 | NA | NA |
| 4090 | 2026-02-15 |
VISTA uncovers missing gene expression and spatial-induced information for spatial transcriptomic data analysis
2026-Jan-08, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-025-09479-6
PMID:41507434
|
研究论文 | 本文提出了一种名为VISTA的模型，通过整合单细胞RNA测序和亚细胞空间转录组学数据，预测空间转录组数据中未测量的基因表达 | VISTA模型结合了变分推断和几何深度学习，并引入不确定性量化，以提升空间转录组数据的基因表达预测精度和下游分析能力 | NA | 克服空间转录组数据基因覆盖有限的挑战，提升空间转录组数据的分析能力 | 空间转录组数据中的基因表达预测 | 机器学习 | NA | 单细胞RNA测序, 亚细胞空间转录组学 | 变分推断, 几何深度学习 | 基因表达数据, 空间数据 | 四个数据集 | NA | NA | 插补准确性, 可扩展性, 效率 | NA |
| 4091 | 2026-02-15 |
ANIA: an inception-attention network for predicting minimum inhibitory concentration of antimicrobial peptides
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag023
PMID:41664908
|
研究论文 | 本研究提出了一种名为ANIA的深度学习框架，用于预测抗菌肽对三种临床重要细菌的最小抑菌浓度 | ANIA结合了混沌游戏表示法将序列转换为图像特征，并采用Inception模块、Transformer编码器和回归头的混合架构，以同时捕获局部基序特征和全局上下文模式 | NA | 开发一种预测抗菌肽最小抑菌浓度的深度学习工具，以对抗抗菌素耐药性 | 抗菌肽序列及其对金黄色葡萄球菌、大肠杆菌和铜绿假单胞菌的最小抑菌浓度 | 自然语言处理 | NA | 混沌游戏表示法 | CNN, Transformer | 序列数据（转换为图像特征） | NA | NA | Inception, Transformer | 皮尔逊相关系数, 均方误差 | NA |
| 4092 | 2026-02-15 |
A survey of contrastive learning methods in molecular representation
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf731
PMID:41671347
|
综述 | 本文首次全面综述了分子表示学习中的对比学习方法 | 首次专门针对分子表示学习中的对比学习方法进行系统性综述 | NA | 综述分子表示学习领域，特别是对比学习方法的应用、挑战与未来方向 | 分子表示学习方法 | 机器学习 | NA | 对比学习 | 深度学习模型 | 分子数据 | NA | NA | NA | NA | NA |
| 4093 | 2026-02-15 |
Multicenter Histology Image Integration and Multiscale Deep Learning Support Machine Learning-Enabled Pediatric Sarcoma Classification
2026-Jan-02, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-2275
PMID:41481196
|
研究论文 | 本研究开发了一个基于深度学习的计算流程，利用多中心整合的组织学图像，对儿童肉瘤亚型进行准确分类 | 通过多中心图像整合与标准化，并系统评估了多种CNN和ViT架构作为特征提取器，结合多尺度特征提升了分类准确性，且基于SAMPLER的分类器训练速度比传统方法快三个数量级 | 未提及 | 开发一个计算流程，以克服儿童肉瘤诊断中因罕见性和亚型多样性带来的挑战，减少对专业病理学知识和昂贵基因检测的依赖 | 儿童肉瘤的组织学切片图像 | 数字病理学 | 儿童肉瘤 | 组织学成像 | CNN, ViT | 图像 | 来自三个医疗中心和儿童肿瘤学组的867张全切片图像 | 未提及 | UNI, CONCH | AUC | 未使用GPU |
| 4094 | 2026-02-15 |
Differential effects of vesicular urokinase receptor uPAR on vascular cell migration and proliferation
2026-Jan, Molecular and cellular biochemistry
IF:3.5Q3
DOI:10.1007/s11010-025-05420-x
PMID:41152550
|
研究论文 | 本研究探讨了间充质干细胞来源的细胞外囊泡中uPAR通过调控Akt信号通路影响血管内皮细胞和平滑肌细胞迁移与增殖的新机制 | 首次发现uPAR缺失的MSC囊泡能选择性刺激平滑肌细胞迁移但丧失促进内皮细胞迁移和毛细血管样结构形成的能力，揭示了uPA/uPAR系统在细胞外囊泡介导的血管生成中具有细胞类型特异性调控功能 | 研究主要使用小鼠脂肪组织来源的MSC和主动脉环模型，尚未在人体组织或体内疾病模型中验证，且机制研究多依赖体外实验 | 探究细胞外囊泡中uPAR在血管生成过程中的调控作用 | 间充质干细胞来源的细胞外囊泡、血管内皮细胞、血管平滑肌细胞、小鼠主动脉环 | 数字病理学 | 心血管疾病 | 超速离心分离、流式细胞术、蛋白质印迹、纳米颗粒追踪分析、免疫荧光染色、共聚焦显微镜、ELISA | 深度学习目标检测模型 | 显微图像 | 未明确样本数量，使用小鼠脂肪组织来源的MSC及其分泌的囊泡 | NA | NA | NA | NA |
| 4095 | 2026-02-15 |
Efficient automated quantification of midline shift in intracerebral hemorrhage using a binarized deep learning model on non-contrast head CT
2026-Jan, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03835-3
PMID:41204958
|
研究论文 | 本文提出了一种基于二值化深度学习的轻量级模型，用于在非增强头部CT扫描中自动量化脑出血患者的中线移位 | 采用基于XNOR的二值化和通道缩放技术，将模型参数从3100万大幅减少至4.4万，实现了高效的实时中线移位量化 | 需要进一步的多中心验证以确认模型的泛化能力 | 开发一种轻量级、可重复的深度学习模型，用于在急诊神经影像环境中自动、准确地量化中线移位 | 急性脑出血患者的非增强头部CT扫描图像 | 计算机视觉 | 脑出血 | 非增强头部CT扫描 | CNN | 图像 | RSNA 2019出血CT数据集的5000张测试切片 | PyTorch | Residual U-Net | Dice分数, 平均绝对误差 | NVIDIA GTX 1650 (4 GB) |
| 4096 | 2026-02-15 |
Enhancing cardiac MRI reliability at 3 T using motion-adaptive B0 shimming
2026-Jan, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70026
PMID:40810283
|
研究论文 | 本研究提出了一种基于深度学习的运动自适应B0匀场方法，用于改善3T高场强心脏MRI的场均匀性和减少伪影 | 开发了首个结合深度学习与运动分辨B0映射的运动自适应B0匀场框架，能够动态补偿呼吸运动引起的场不均匀性 | 研究主要关注呼吸运动的影响，心脏运动的影响较小，且仅验证了特定呼吸状态下的效果 | 提高3T高场强心脏MRI的可靠性和可重复性，减少运动引起的场不均匀性伪影 | 心脏MRI成像中的B0场不均匀性，特别是由呼吸和心脏运动引起的动态变化 | 医学影像处理 | 心血管疾病 | 运动分辨B0映射序列，T2*映射 | 深度学习模型 | MRI图像，B0场映射数据 | 人体成像研究，具体样本数量未明确说明 | NA | NA | 场均匀性标准差比率，T2*映射变异系数，p值 | NA |
| 4097 | 2026-02-15 |
Advanced neuroimaging in pediatric epilepsy surgery: state of the art and future perspectives
2026-Jan, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03859-9
PMID:41317206
|
综述 | 本文综述了儿科耐药性癫痫结构MRI后处理的最新进展，重点关注人工智能驱动和定量技术，并评估了它们对病灶检测、致痫区定位和术前规划的影响 | 系统性地回顾和评估了多种新型后处理技术（如MELD-Graph、MAP18、FLAT1、SUPR-FLAIR）在儿科癫痫中的应用，强调了它们在揭示常规MRI不可见的细微皮质异常方面的潜力，并探讨了将这些工具整合到多模态诊断工作流程中的价值 | 文章作为综述，主要总结了现有技术，未报告原始实验数据；同时指出这些技术仍需标准化、临床验证和工作流程整合方面的持续努力，以确保广泛采用和最大化临床影响 | 回顾儿科耐药性癫痫结构MRI后处理的最新进展，并评估其在病灶检测、致痫区定位和术前规划方面的应用与影响 | 儿科耐药性癫痫患者，特别是MRI阴性（常规MRI未发现明显病灶）的病例 | 医学影像分析 | 癫痫 | 结构MRI后处理技术，包括机器学习、深度学习、基于体素的形态测量学、皮质表面投影、FLAIR/T1比率映射 | 深度学习，机器学习 | MRI图像 | NA | NA | 深度神经网络（具体架构未指定） | 敏感性，特异性，诊断性能 | NA |
| 4098 | 2026-02-15 |
Distribution of coronary artery calcium volume and density by age, sex, and race using AI-based quantification algorithm
2026 Jan-Feb, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.003
PMID:41482498
|
研究论文 | 本研究利用基于AI的量化算法，分析了不同年龄、性别和种族人群的冠状动脉钙化体积和密度分布 | 首次使用经过验证的深度学习软件直接量化CAC体积和平均密度，并构建了跨人口亚组的百分位分布 | 研究为单中心回顾性分析，仅包括无症状且无既往动脉粥样硬化性心血管疾病的患者，可能限制了结果的普适性 | 表征冠状动脉钙化体积和密度在不同人口亚组中的规范分布，以改进CAC解释和风险分层 | 23,844名年龄大于35岁、无症状且无既往动脉粥样硬化性心血管疾病的患者 | 数字病理学 | 心血管疾病 | 非对比心电图门控心脏CT扫描 | 深度学习 | 医学影像（CT图像） | 23,844名患者 | NA | NA | NA | NA |
| 4099 | 2026-02-15 |
Voxel-based correction of CT attenuations for accurate quantification of coronary artery calcification in low tube voltage scans with deep learning reconstruction
2026 Jan-Feb, Journal of cardiovascular computed tomography
IF:5.5Q1
DOI:10.1016/j.jcct.2025.12.008
PMID:41486057
|
研究论文 | 本研究提出了一种基于体素的CT衰减校正方法，用于在低管电压扫描结合深度学习重建技术下，实现冠状动脉钙化的准确量化评估 | 提出了一种基于体素的CT衰减校正方法，通过体模扫描建立线性回归模型，将低管电压协议的CT衰减值映射到标准协议，有效解决了低管电压扫描在冠状动脉钙化量化评估中引入的系统性高估偏差 | 研究仅使用了特定扫描设备和重建算法，其校正公式的普适性需要进一步验证；研究为单中心前瞻性研究，样本量相对有限 | 开发一种校正方法，以解决低管电压扫描结合深度学习图像重建在冠状动脉钙化量化评估中引入的偏差，实现准确的风险分层 | 包含各种插入物的体模，以及被转诊进行冠状动脉钙化评分的患者 | 医学影像分析 | 心血管疾病 | CT扫描，深度学习图像重建 | 线性回归模型 | CT图像 | 190名患者 | NA | NA | 钙化体积，等效质量，Agatston评分，风险分层误分类率，CT衰减值，标准差，信噪比，主观图像质量评分 | NA |
| 4100 | 2026-02-15 |
AI-powered detection of cyberbullying in short-form video content: A hybrid deep learning framework
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0338799
PMID:41671210
|
研究论文 | 提出一种混合深度学习框架，用于检测短视频内容中的网络欺凌行为 | 结合CNN、BiLSTM和Transformer的多模态融合框架，并引入语义一致性验证层以增强跨模态对齐 | 未提及具体的数据偏见或跨平台泛化能力的详细限制 | 开发自动化的网络欺凌检测系统以改善内容审核 | 短视频平台（Instagram Reels、TikTok、YouTube Shorts）中的多模态内容 | 自然语言处理,计算机视觉 | NA | 深度学习 | CNN, BiLSTM, Transformer | 视频,音频,文本 | 基于CAVD和SocialVidMix两个基准数据集 | 未明确提及 | CNN, BiLSTM, Transformer | 准确率,精确率,召回率,F1分数 | 未提及 |