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 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2026-03-31 |
A switching-based deep learning framework for personalized and adaptive E-commerce recommendations
2026-Feb-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40024-5
PMID:41735446
|
研究论文 | 提出一种基于切换的深度学习框架，用于个性化且自适应的电子商务推荐系统，以应对用户多样性和实时适应性挑战 | 构建基于切换的混合推荐系统，根据用户交互历史和参与度将用户分为新手、轻度用户和重度用户三类，并优化包括产品浏览在内的多目标信号 | 未明确提及框架在极端数据稀疏或跨领域推荐中的泛化能力限制 | 开发一个能够处理多样化用户档案、数据稀疏性、冷启动问题及实时适应性的推荐系统 | 电子商务推荐系统中的用户，根据交互历史分为新手、轻度用户和重度用户 | 机器学习 | NA | 深度学习 | 混合推荐系统 | 用户交互数据（如产品浏览） | NA | NA | NA | 验证损失, HR@10, NDCG@10, 准确率, 精确率, 召回率, F1分数 | NA |
| 402 | 2026-03-31 |
Contextual anatomy-guided deep learning for accurate fovea segmentation in diabetic retinopathy fundus images
2026-Feb-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40287-y
PMID:41735453
|
研究论文 | 本文提出了一种基于解剖学上下文引导的深度学习框架，用于在糖尿病视网膜病变眼底图像中准确分割黄斑中心凹 | 采用数据为中心的方法，通过逐步整合关键解剖标志（视盘、视网膜和血管）到训练标签中，并引入多类别约束机制，显式利用解剖结构间的相互依赖关系，而非单纯增加模型复杂度 | 未明确讨论模型在更广泛或更具挑战性的临床场景中的泛化能力，以及计算效率的详细分析 | 提高糖尿病视网膜病变筛查中黄斑中心凹分割的准确性，以支持糖尿病性黄斑水肿的临床管理决策 | 糖尿病视网膜病变的眼底图像 | 数字病理学 | 糖尿病视网膜病变 | 深度学习 | 深度学习模型 | 图像 | 81张图像（54张训练，27张测试） | NA | MNv4Fovea | IoU, F1-score, 平均欧几里得距离 | NA |
| 403 | 2026-03-31 |
Real-time identification and quantification of apple scab on fruit in preharvest and postharvest conditions using YOLO11: a deep learning approach
2026-Feb-22, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-026-01508-7
PMID:41725009
|
研究论文 | 本研究提出了一种基于深度学习的框架，利用YOLO11模型在收获前和收获后条件下实时识别和量化苹果黑星病症状 | 采用两阶段微调过程，结合高分辨率图像，显著提升了细尺度病变的分割精度，相比先前YOLO架构提高了50%以上，并支持实时图像和视频处理 | 面临光照变化和症状异质性等挑战，分割模型的精确度相对较低（0.64） | 开发一种准确、可扩展的苹果黑星病表型分析方法，以克服传统视觉评估的局限性 | 苹果果实上的黑星病症状 | 计算机视觉 | 苹果黑星病 | 深度学习 | YOLO | 图像 | NA | NA | YOLO11 | 精确度, 召回率, mAP50, mAP50-95 | NA |
| 404 | 2026-03-29 |
Electrocardiogram-based deep learning score for coronary artery calcification reclassifies cardiovascular risk and identifies screening candidates
2026-Feb-21, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03400-9
PMID:41723484
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 405 | 2026-03-31 |
Deep learning models identify brain changes during the progression of Alzheimer's disease
2026-Feb-19, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-026-00666-7
PMID:41714635
|
研究论文 | 本研究提出了一种多分支融合通道注意力网络（MBFCA-Net），用于利用纵向结构磁共振成像数据诊断阿尔茨海默病，并分析疾病进展中脑区的动态变化 | 提出MBFCA-Net网络，整合多时间序列数据和不同脑组织特征，利用纵向扫描的时间相关性进行疾病诊断，并进行回顾性可解释性分析以量化疾病各阶段脑区的贡献 | 未明确说明样本量的具体规模或数据集的局限性，可能影响模型的泛化能力 | 开发深度学习模型以识别阿尔茨海默病进展过程中的脑部变化，支持早期诊断和病理理解 | 阿尔茨海默病患者和正常衰老个体的纵向结构磁共振成像数据 | 数字病理学 | 阿尔茨海默病 | 结构磁共振成像（sMRI） | 深度学习模型 | 图像 | NA | NA | 多分支融合通道注意力网络（MBFCA-Net） | NA | NA |
| 406 | 2026-03-31 |
Robust and interpretable unit level causal inference in neural networks for pediatric myopia
2026-Feb-19, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02442-7
PMID:41714699
|
研究论文 | 本文提出了一种集成到神经网络中的因果推断框架，用于评估个体特征对预测的影响，并应用于儿童近视进展的研究 | 将单位级因果推理融入深度学习，通过干预估计直接和间接因果效应，增强了AI系统的可解释性和可靠性 | 未明确提及具体限制，但可能依赖于数据质量和模型假设 | 开发透明可靠的AI系统，以支持精准医疗和公平医疗保健 | 超过3000名儿童的前瞻性儿科眼科队列，具有纵向随访数据 | 机器学习 | 近视 | 因果推断 | 神经网络 | 纵向数据 | 超过3000名儿童 | NA | NA | NA | NA |
| 407 | 2026-03-31 |
Hierarchical deep learning pipeline for robust cervical parameter measurement in radiographs with C7 obscuration
2026-Feb-19, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02455-2
PMID:41714822
|
研究论文 | 开发并外部验证了一个分层深度学习流程，用于自动化测量颈椎矢状面参数，特别处理C7椎体在侧位X光片中被遮挡的情况 | 采用分层（粗到细）的深度学习策略，结合全局关键点检测器和基于多层感知机的C2/C7专家模型，在C7遮挡率高达82%的挑战性外部数据上实现高精度测量 | 未明确说明模型在更广泛临床环境或不同成像设备下的泛化能力，以及计算效率的具体分析 | 开发一个鲁棒且可泛化的自动化系统，用于在真实世界条件下（尤其是C7椎体被遮挡时）可靠评估颈椎对齐参数 | 颈椎侧位X光片，特别是那些C7椎体被部分或完全遮挡的图像 | 计算机视觉 | 颈椎疾病 | X射线成像 | CNN, 多层感知机 | 图像 | 5604张图像用于训练，并在内部和外部队列（外部队列C7遮挡率为82%）进行测试 | NA | NA | 组内相关系数, 平均绝对误差, 偏差, 一致性界限 | NA |
| 408 | 2026-02-16 |
Clinically applicable deep learning model for segmentation of the mandibular bone and inferior alveolar canal in CBCT cross-sectional images
2026-Feb-14, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07840-7
PMID:41691250
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 409 | 2026-03-31 |
Predicting disease-specific histone modifications and functional effects of non-coding variants by leveraging DNA language models
2026-Feb-14, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-026-04003-3
PMID:41691336
|
研究论文 | 本文开发了一种基于大型语言模型的深度学习框架，用于疾病特异性组蛋白修饰预测及非编码变异功能效应分析，并以阿尔茨海默病为例进行验证 | 提出了一种结合疾病特异性表观遗传数据的语言模型框架，并引入混合专家架构以区分疾病与健康状态，显著提升了组蛋白修饰预测的准确性 | 研究目前仅聚焦于阿尔茨海默病，尚未扩展到其他复杂疾病；模型性能依赖于特定疾病数据集的构建 | 开发一种能够精准预测疾病特异性组蛋白修饰并解释非编码变异功能效应的计算方法 | 阿尔茨海默病相关的组蛋白修饰及非编码遗传变异 | 自然语言处理 | 阿尔茨海默病 | 表观基因组学数据分析 | 大型语言模型 | 表观基因组数据 | 多个患者样本 | NA | 混合专家架构 | NA | NA |
| 410 | 2026-02-14 |
Multi-view deep learning for automated lymphoma staging from 18F-FDG PET/CT: physician-level accuracy with high-throughput workflow
2026-Feb-13, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-025-01357-w
PMID:41686381
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 411 | 2026-03-31 |
Performance of machine learning algorithms in diffusion tensor imaging of movement disorders: an exploratory meta-analysis
2026-Feb-07, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-026-01528-3
PMID:41654900
|
荟萃分析 | 本文通过探索性荟萃分析，评估了机器学习算法在运动障碍扩散张量成像中的性能趋势、方法学多样性及变异性来源 | 首次对机器学习应用于运动障碍DTI诊断的分类研究进行探索性荟萃分析，重点描述性能分布和方法学模式，而非推断单一合并诊断效应 | 研究间存在极高的异质性（I²=94.7%），样本量小且多为单中心队列，限制了外部效度和确证性推断 | 表征基于DTI数据的机器学习模型在运动障碍分类中的性能趋势、方法学多样性及变异性来源 | 帕金森病、图雷特综合征、特发性震颤等运动障碍患者 | 机器学习 | 运动障碍 | 扩散张量成像 | 深度学习, 基于影像组学的模型 | 影像数据 | 46项研究（2016-2024年），涉及样本量多为小规模单中心队列（如37-139名参与者） | NA | NA | 准确率, 灵敏度, 特异性, 曲线下面积 | NA |
| 412 | 2026-03-31 |
Artificial Intelligence in Orthopaedic Research: A Technical Report on Opportunities and Pitfalls
2026-Feb, Cureus
DOI:10.7759/cureus.104159
PMID:41909280
|
技术报告 | 本文是一篇关于人工智能在骨科研究中应用与挑战的技术报告 | 系统综述了过去五年PubMed索引研究中AI在骨科研究中的新兴应用，并特别指出了生成式AI在科学写作中带来的原创性、准确性和研究诚信问题 | 作为一篇叙述性技术综述，未进行系统性荟萃分析，且主要基于PubMed数据库的文献，可能存在选择偏倚 | 探讨人工智能在骨科研究中的机遇与陷阱，促进AI技术与临床研究的有效整合 | 骨科研究领域，包括影像分析、手术规划、生物力学分析及科研写作等 | 机器学习 | 骨科疾病 | NA | 机器学习, 深度学习 | 图像, 文本, 生物力学数据 | NA | NA | NA | NA | NA |
| 413 | 2026-03-31 |
Artificial Intelligence in Sports Cardiology: Advancing Cardiovascular Screening and Diagnosis
2026-Feb, Cureus
DOI:10.7759/cureus.104174
PMID:41909334
|
综述 | 本文综述了人工智能在运动心脏病学中用于心血管筛查和诊断的当前应用与进展 | 提出了一个实用的AI集成筛查框架，以补充而非替代临床判断，并展示了AI在识别常规心电图参数正常时的疾病模式方面的能力 | 存在局限性，包括运动员特异性训练数据有限、与生理性重塑相关的假阳性风险以及需要外部验证 | 探讨人工智能作为辅助工具，提升运动员心血管筛查和诊断的效能 | 运动员的心血管疾病筛查与诊断 | 机器学习 | 心血管疾病 | 心电图分析、数字听诊、经胸超声心动图及影像学模态 | 深度学习模型 | 心电图、听诊音频、超声图像 | NA | NA | NA | 灵敏度、诊断性能 | NA |
| 414 | 2026-01-28 |
The sarcopenia artificial intelligence diagnostic decision support system (SAID DSS) - a multimodal deep learning model
2026-Jan-26, BMC geriatrics
IF:3.4Q2
DOI:10.1186/s12877-026-07005-9
PMID:41588346
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 415 | 2026-03-31 |
FFM-ViT: an efficient fish species classification method based on deep features and transformers
2026-Jan, Journal of fish biology
IF:1.7Q2
DOI:10.1111/jfb.70213
PMID:41028988
|
研究论文 | 提出一种基于深度特征和Transformer的高效鱼类物种分类方法FFM-ViT | 放弃传统ViT的直接分块操作，引入MBConv和Fuse-MBConv模块获取更准确的高维信息，并设计通道空间合并注意力模块增强特征提取和融合能力 | 未明确说明模型计算复杂度或实时性表现，也未讨论在极端光照或遮挡条件下的鲁棒性 | 解决小数据集和高相似度鱼类物种的准确分类问题 | 鱼类图像 | 计算机视觉 | NA | 深度学习 | Transformer, CNN | 图像 | 包含78个类别的Oceanfish78数据集，以及fish4knowledge和Fish31等数据集 | 未明确说明 | Vision Transformer, MBConv, Fuse-MBConv, 通道空间合并注意力模块 | 准确率 | NA |
| 416 | 2026-03-31 |
Comparative Evaluation of Conventional and Deep Learning Methods for Respiratory Signal Extraction From Clinical 3D CBCT Projections
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338261437311
PMID:41871542
|
研究论文 | 本研究评估了传统方法和深度学习方法从临床3D CBCT投影中提取呼吸信号的性能 | 首次在临床3D CBCT投影数据上系统比较了多种传统信号提取方法与基于U-Net的深度学习方法，并证明了深度学习方法在复杂呼吸模式下的优越性 | 研究样本量相对有限（70组投影），且主要针对胸腹部癌症患者，未涵盖所有可能的呼吸变异模式 | 评估和比较传统方法与深度学习方法从临床3D CBCT投影中提取呼吸信号的性能，以改进4D CBCT相位排序和重建 | 来自胸腹部癌症患者的临床3D CBCT投影数据，包括规则和不规则呼吸运动模式 | 医学影像分析 | 胸腹部癌症 | 3D CBCT成像，4D CBCT重建 | U-Net | 3D CBCT投影图像 | 70组来自临床3D CBCT成像的投影数据 | 未明确说明 | U-Net | 相关系数，相位排序能力 | NA |
| 417 | 2026-03-31 |
GAN-based underwater image enhancement and scene classification using transfer learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0345593
PMID:41894524
|
研究论文 | 本文提出了一种基于GAN的水下图像增强和迁移学习场景分类方法，用于改善水下图像质量并准确分类海洋物种 | 结合了传统图像增强算法（GW、HE、CLAHE）、边缘检测（Canny）与先进的深度学习模型（VGG16、ResNet50、DenseNet121）进行迁移学习，并引入ESRGAN进行图像超分辨率增强 | 未明确说明实验数据的具体规模、模型性能对比的定量结果以及计算资源的具体配置 | 提升水下图像质量并实现海洋物种的准确分类，以支持海洋生态研究和保护工作 | 水下图像和视频，特别是包含鱼类、珊瑚礁和海龟等海洋物种的图像 | 计算机视觉 | NA | 图像增强技术、边缘检测、迁移学习、生成对抗网络 | CNN, GAN | 图像、视频 | NA | NA | VGG16, ResNet50, DenseNet121, ESRGAN | NA | NA |
| 418 | 2026-03-31 |
Probabilistic forecasting of monthly dengue cases using epidemiological and climate signals: A BiLSTM-Negative Binomial Model versus Mechanistic and Count-Model Baselines
2026, PLOS global public health
DOI:10.1371/journal.pgph.0005404
PMID:41894525
|
研究论文 | 本文比较了四种概率模型在预测塞拉利昂弗里敦市月度登革热病例方面的性能，包括负二项广义线性模型、负二项INGARCH模型、机制更新模型和双向长短期记忆网络模型 | 提出了一个结合流行病学和气候信号的BiLSTM-负二项模型，并与传统机制和计数模型基线进行对比，在泄漏安全的滚动原点评估框架下进行概率预测 | 研究仅基于弗里敦市的数据，可能不适用于其他城市环境；气候输入仅限于滞后1期的协变量，可能未充分利用长期气候模式 | 开发可靠的短期登革热病例预测模型，以支持城市卫生系统资源分配 | 塞拉利昂弗里敦市的月度登革热病例计数 | 机器学习 | 登革热 | 时间序列分析，概率预测 | BiLSTM, NB-GLM, INGARCH-NB, Renewal-NB | 时间序列数据 | 2015年至2024年弗里敦市的月度登革热病例数据，每个预测范围内对齐的常见问题-目标对数量为32 | NA | 双向长短期记忆网络 | 平均对数分数，经验覆盖率，50%和90%预测区间中位数宽度，概率积分变换校准诊断，Diebold-Mariano检验 | NA |
| 419 | 2026-03-31 |
Application of bioinformatics and data science in studies of cancer epigenetics
2026, International review of cell and molecular biology
DOI:10.1016/bs.ircmb.2025.10.003
PMID:41905787
|
综述 | 本文综述了生物信息学与数据科学在癌症表观遗传学研究中的应用，包括表观遗传调控机制、高通量数据分析和机器学习方法 | 整合生物信息学与数据科学工具，系统梳理表观遗传数据与多组学、临床数据的融合分析策略，为癌症机制研究和治疗靶点发现提供新方向 | 未涉及具体实验验证或算法开发细节，主要基于现有文献进行归纳总结 | 探讨生物信息学与数据科学在癌症表观遗传学研究中的最新应用进展 | 癌症相关的表观遗传数据（如DNA甲基化、组蛋白修饰、非编码RNA）及多组学整合分析 | 生物信息学 | 癌症 | ChIP-seq, WGBS, 质谱分析 | 机器学习, 深度学习 | 表观遗传数据, 多组学数据, 临床数据 | NA | NA | NA | NA | NA |
| 420 | 2026-03-31 |
Advancements in AI-based quantitative analysis of fundus tessellation and its application in myopia research
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1786949
PMID:41907242
|
综述 | 本文综述了人工智能在眼底镶嵌纹定量分析及其在近视研究中的应用进展 | 利用人工智能，特别是基于深度学习的图像分析技术，对眼底镶嵌纹进行定量评估，为近视研究提供了客观、可扩展的新方法 | NA | 综述人工智能辅助的定量图像分析方法在眼底镶嵌纹评估中的应用及其与近视临床参数的关系 | 眼底镶嵌纹及其密度 | 计算机视觉 | 近视 | 深度学习图像分析 | 深度学习 | 图像 | 多个队列研究 | NA | NA | NA | NA |