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 4221 - 4240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4221 | 2026-02-14 |
FDA-Cleared Artificial Intelligence Medical Devices in Orthopaedic Surgery
2026-Feb-01, Journal of the American Academy of Orthopaedic Surgeons. Global research & reviews
|
综述 | 本文对截至2025年2月美国FDA批准的70种用于骨科手术的人工智能/机器学习医疗设备进行了回顾性分析，评估了其适应症、亚专业、技术架构和商业化情况 | 首次对FDA批准的骨科AI医疗设备进行全面分析，揭示了其增长趋势、技术演变（深度学习占主导）以及临床验证的不足 | 分析基于FDA批准数据，可能未涵盖所有临床前研究或国际设备；且为回顾性分析，无法评估设备实际临床效果 | 分析FDA批准的骨科AI医疗设备的现状、发展趋势及临床验证水平 | 70种FDA批准的用于骨科手术的人工智能/机器学习医疗设备 | 数字病理 | 骨科疾病 | 深度学习, 机器学习 | NA | 医疗设备数据, 临床数据 | 70种设备 | NA | NA | NA | NA |
| 4222 | 2026-02-14 |
Erratum: Deep learning-based super-resolution method for projection image compression in radiotherapy
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-20252-03
PMID:41669401
|
correction | 本文是对先前发表的一篇关于放疗中投影图像压缩的深度学习超分辨率方法的文章的勘误 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4223 | 2026-02-14 |
Acquisition of Ktrans perfusion parameter maps from DCE-MRI in breast cancer using a deep learning approach
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-930
PMID:41669415
|
研究论文 | 本研究提出了一种基于深度学习的 pix2pix 条件生成对抗网络方法，用于从动态对比增强磁共振成像中合成乳腺 Ktrans 灌注参数图 | 首次采用 pix2pix 条件生成对抗网络结合谱归一化和局部判别器，直接从对比增强磁共振图像合成 Ktrans 灌注图，避免了传统方法计算复杂和动脉输入函数估计困难的问题 | 未明确说明样本量大小，且合成图像的质量指标（如 PSNR 和 SSIM）仍有提升空间，临床应用的泛化能力需进一步验证 | 研究深度学习技术是否能够从对比增强磁共振图像合成 Ktrans 灌注参数图，以简化临床诊断流程 | 乳腺肿瘤的 Ktrans 灌注参数图 | 医学影像分析 | 乳腺癌 | 动态对比增强磁共振成像 | 条件生成对抗网络 | 磁共振图像 | NA | NA | pix2pix | 峰值信噪比, 结构相似性指数, 准确率, 皮尔逊相关系数, Bland-Altman 分析 | NA |
| 4224 | 2026-02-14 |
Structural and Statistical Knowledge-Enhanced Attention Network for early Parkinson's disease diagnosis
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1468
PMID:41669428
|
研究论文 | 本文提出了一种结构性和统计知识增强的注意力网络（SSKEA-Net），用于早期帕金森病的诊断 | 提出SSKEA-Net，包含灰白质交互调制模块和统计先验引导注意力模块，有效整合神经影像领域知识以增强诊断性能和临床可解释性 | NA | 开发一个专门的深度学习框架，有效整合神经影像领域知识，以提升早期帕金森病检测的诊断性能和临床可解释性 | 早期帕金森病患者 | 数字病理学 | 帕金森病 | 磁共振成像，扩散张量成像 | CNN | 图像 | NA | NA | SSKEA-Net | 准确度，阳性预测值，真阳性率，特异性，曲线下面积 | NA |
| 4225 | 2026-02-14 |
Feasibility of shortening the 18F-FDG Patlak scan time in a high-sensitivity short-axial field-of-view positron emission tomography-computed tomography system for oncological studies using deep learning denoising algorithms
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1757
PMID:41669422
|
研究论文 | 本研究探讨了在高灵敏度短轴视野PET/CT系统中，通过深度学习去噪算法缩短18F-FDG Patlak扫描时间的可行性 | 结合高灵敏度短轴PET/CT系统与深度学习去噪算法，评估缩短Patlak扫描时间的临床实用性 | 样本量较小（14例患者），且部分患者因长时间躺卧不适未能完成完整协议 | 评估缩短18F-FDG Patlak扫描时间在高灵敏度短轴PET/CT系统中的临床可行性 | 14例接受双时间点18F-FDG注射的肿瘤患者 | 医学影像分析 | 肿瘤 | 18F-FDG PET/CT成像，Patlak动力学分析 | 深度学习去噪算法 | PET/CT图像 | 14例患者 | NA | NA | Bland-Altman分析，Pearson相关系数，偏差，精度误差，曲线下面积 | NA |
| 4226 | 2026-02-14 |
Optimizing S-detect classification accuracy for BI-RADS 4 breast nodules using multimodal ultrasound parameters
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1092
PMID:41669442
|
研究论文 | 本研究通过整合多模态超声参数优化了基于深度学习的S-detect工具对BI-RADS 4乳腺结节的分类准确性 | 首次将多模态超声参数（如弹性应变比、血管指数等）与S-detect深度学习工具结合，显著提升了BI-RADS 4乳腺结节的鉴别诊断特异性 | 单中心回顾性研究设计，未来需要多中心前瞻性研究进一步验证 | 提高S-detect工具在区分良恶性BI-RADS 4乳腺结节中的诊断准确性 | 231名被诊断为BI-RADS 4型乳腺结节的女性患者 | 数字病理学 | 乳腺癌 | 多模态超声（包括灰度超声、血流分级、血管阻力指数、钙化、弹性评分、弹性应变比、血管指数等） | 深度学习 | 图像 | 231例患者 | NA | S-detect | 敏感性, 特异性, 准确率, ROC曲线, AUC | NA |
| 4227 | 2026-02-14 |
Mamba-based brain tumor segmentation of incomplete multi-modal MR images
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1913
PMID:41669445
|
研究论文 | 本文提出了一种基于Mamba的新型融合网络，用于处理模态不完整的多模态MRI图像，以提升脑肿瘤分割的准确性 | 引入了新颖的Mamba融合网络和跨层级不确定性约束，利用上下文学习机制从低层级数据中捕获全局特征，以应对模态缺失的挑战 | NA | 提升在模态不完整情况下的脑肿瘤分割性能 | 多模态磁共振成像中的脑肿瘤 | 数字病理学 | 脑肿瘤 | 磁共振成像 | 深度学习网络 | 图像 | BraTS2018和BraTS2020数据集 | NA | Mamba融合网络 | 平均Dice相似系数 | NA |
| 4228 | 2026-02-14 |
Alzheimer's disease prediction algorithm based on hippocampal longitudinal hybrid morphological features
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-377
PMID:41669460
|
研究论文 | 本文提出了一种基于海马体纵向混合形态特征的深度学习框架，用于预测阿尔茨海默病的临床进展 | 开发了一个结合多视图特征融合卷积网络和双向门控循环单元的纵向预测框架，首次充分探索了海马体形态特征的时空相关性，并引入了厚度特征和热核签名来编码海马体形态萎缩特征 | 研究样本量相对较小（n=221），且仅使用了ADNI数据库的T1加权MRI数据，未在其他独立数据集上进行验证 | 开发一个能够捕捉海马体形态变化时空相关性的阿尔茨海默病临床进展预测模型 | 阿尔茨海默病患者的海马体形态变化 | 数字病理学 | 阿尔茨海默病 | 结构磁共振成像 | CNN, RNN | 三维MRI图像 | 221名来自阿尔茨海默病神经影像学倡议的受试者 | NA | 多视图特征融合卷积网络, 双向门控循环单元 | 均方根误差, 相关系数, 95%置信区间 | NA |
| 4229 | 2026-02-14 |
Nonlinear inversion model-driven deep learning method for magnetic resonance imaging (MRI) quantitative susceptibility mapping imaging
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1851
PMID:41669455
|
研究论文 | 本文提出了一种结合非线性物理模型与数据驱动正则化的模型驱动深度学习方法（NSIDL），用于磁共振定量磁化率成像，以提高定量精度并抑制伪影 | 将非线性磁化率反演模型集成到卷积神经网络中，并采用近端梯度下降法求解优化问题，在网络中显式地强制执行偶极子模型数据保真度 | 未明确提及方法在更广泛疾病类型或更大规模数据集上的泛化能力限制 | 开发一种模型驱动的深度学习方法，以提升磁共振定量磁化率成像的定量准确性和图像质量，抑制伪影 | 多方向梯度回波磁共振成像数据集、重建挑战数据集、体内数据以及患有出血、钙化和多发性硬化症的患者数据 | 医学影像分析 | 多发性硬化症, 脑出血, 脑钙化 | 多方向梯度回波磁共振成像 | 卷积神经网络 | 磁共振图像 | 使用了多方向梯度回波MRI数据集进行训练和验证，并利用重建挑战数据集和体内数据进行评估，临床评估涉及出血、钙化和多发性硬化症患者 | NA | 非线性磁化率反演深度学习模型 | 拟合斜率, R2, 归一化均方根误差, 高频误差范数, 峰值信噪比 | NA |
| 4230 | 2026-02-14 |
Histopathologic basis of a deep learning pelvic computed tomography model for prognostic prediction among patients with advanced high-grade serous ovarian carcinoma
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-297
PMID:41669468
|
研究论文 | 本研究基于术前CT图像，利用深度学习模型提取高级别浆液性卵巢癌的组织病理学特征，并通过无监督聚类分析验证其与患者预后及风险因素的关联 | 首次将深度学习模型从CT图像中提取的特征与具体的组织病理学标志物（如P53、P16、Ki-67）及侵袭部位（如网膜、直肠、盆腔壁）进行关联分析，为深度学习模型的“黑箱”输出提供了组织病理学证据，并构建了一个基于聚类的分析框架来识别卵巢癌风险患者 | 研究为回顾性设计，样本来自三个三级医疗中心，可能存在选择偏倚；深度学习模型的具体架构和特征提取细节未详细说明；未进行外部验证 | 为基于术前CT的深度学习预后预测模型提供组织病理学证据支持，并构建一个识别卵巢癌风险患者的分析框架 | 接受根治性肿瘤切除术的高级别浆液性卵巢癌患者 | 数字病理学 | 卵巢癌 | 计算机断层扫描（CT） | 深度学习模型 | 图像 | 418名患者（中位年龄55岁，IQR 30-77岁） | NA | NA | 比值比（OR），置信区间（CI），P值，生存分析 | NA |
| 4231 | 2026-02-14 |
Diagnostic performance of coronary computed tomography (CT) angiography without electrocardiographic (ECG)-gating: comparison with invasive coronary angiography
2026-Feb-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1338
PMID:41669466
|
研究论文 | 本研究评估了非心电图门控冠状动脉CT血管成像（ECG-less CCTA）在诊断阻塞性冠状动脉疾病中的准确性，并与侵入性冠状动脉造影（ICA）作为参考标准进行比较 | 开发并验证了一种不依赖心电图门控的CCTA协议，通过模拟ECG信号、深度学习重建和运动校正技术，提高了在心律失常、高心率或急诊情况下的可行性 | 这是一项回顾性单中心研究，样本量相对较小（110名患者），且钙化负担高（Agatston >400）时特异性会降低 | 评估非心电图门控CCTA在诊断阻塞性冠状动脉疾病中的诊断性能，旨在克服传统CCTA对ECG门控的依赖 | 疑似冠状动脉疾病的患者 | 医学影像 | 心血管疾病 | 冠状动脉CT血管成像（CCTA），侵入性冠状动脉造影（ICA），深度学习图像重建，运动校正 | 深度学习模型（TrueFidelity™） | CT图像 | 110名患者 | NA | TrueFidelity™（深度学习重建），SnapShot Freeze 2（运动校正） | 敏感性，特异性，阴性预测值（NPV） | NA |
| 4232 | 2026-02-14 |
Epicardial and paracardial adipose tissue quantification in short-axis cardiac cine MRI using deep learning
2026-Feb, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01288-6
PMID:40848085
|
研究论文 | 本研究开发了一种基于深度学习的神经网络，用于在短轴心脏电影磁共振成像中自动分割和量化心外膜和心旁脂肪组织 | 提出了一种改进的U-Net架构，集成了多分辨率卷积、运动信息提取、特征融合和双重注意力机制，以利用心脏运动信息提高分割精度 | 未提及外部验证数据集或跨中心泛化能力评估 | 开发自动化工具以快速准确地量化心脏周围的脂肪组织，辅助心脏病学临床诊断 | 心外膜脂肪组织和心旁脂肪组织 | 计算机视觉 | 心血管疾病 | 心脏磁共振成像 | 深度学习 | 图像 | 未明确说明 | 未明确说明 | 改进的U-Net | Dice指数, 决定系数 | 未明确说明 |
| 4233 | 2026-02-14 |
Deep learning-based classification and internal region stratification of wooden breast in broiler by using ultrasound imaging
2026-Jan-28, Poultry science
IF:3.8Q1
DOI:10.1016/j.psj.2026.106534
PMID:41633072
|
研究论文 | 本研究利用超声成像结合深度学习技术，对肉鸡木质胸病的严重程度进行分类和内部区域分层 | 首次通过超声成像结合深度学习实现木质胸病的精确内部区域分层，并量化了不同严重程度下的病理特征空间范围 | 研究样本仅来自单一品种（Arbor Acres）的雄性肉鸡，且年龄固定（42天），可能限制了结果的普适性 | 开发一种基于超声成像和深度学习的自动化方法，以替代传统触诊，实现对木质胸病的科学分类和内部结构分层 | 240只42日龄雄性Arbor Acres肉鸡的胸肉片，根据木质胸病严重程度分为正常、轻度、中度和重度四类 | 计算机视觉 | 木质胸病 | 超声成像、ImageJ阈值二值化、尺度校准 | CNN | 超声图像 | 240个鸡胸肉片样本（正常60，轻度60，中度60，重度60） | NA | MobileNetV3, ResNet18, AlexNet | 准确率, 精确率, 召回率, F1分数 | NA |
| 4234 | 2026-02-14 |
An integrated deep learning framework leveraging NASNet and vision transformer with MixProcessing for accurate and precise diagnosis of lung diseases
2026-Jan-22, SLAS technology
IF:2.5Q3
DOI:10.1016/j.slast.2026.100394
PMID:41580084
|
研究论文 | 本研究提出了一种名为NASNet-ViT的新型深度学习框架，结合NASNet的卷积特征提取与Vision Transformer的全局注意力机制，用于准确诊断肺部疾病 | 提出了一种集成NASNet和Vision Transformer的深度学习框架，并引入名为MixProcessing的多阶段预处理流程，以提高图像质量和特征清晰度 | NA | 开发一个准确、轻量且快速的深度学习模型，用于实时、资源受限的临床环境中诊断肺部疾病 | 肺部图像 | 计算机视觉 | 肺癌 | 深度学习 | CNN, Transformer | 图像 | NA | NA | NASNet, Vision Transformer | 准确率, 灵敏度, F1分数, 特异性 | NA |
| 4235 | 2026-02-14 |
Harnessing artificial intelligence for genomic variant prediction: advances, challenges, and future directions
2026-Jan-21, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giag004
PMID:41518203
|
综述 | 本文综述了人工智能在基因组变异预测领域的应用进展、挑战及未来方向 | 系统评估了从传统规则系统到现代机器学习、深度学习和蛋白质语言模型的演变，并提出了改进预测器选择、多组学数据整合和计算工作流程的策略 | 面临数据异质性、模型可解释性以及意义未明变异持续存在等关键挑战 | 旨在提升基因组变异解释的准确性，以促进疾病研究和靶向治疗的发展 | 基因组变异及其预测模型 | 机器学习 | NA | 多组学数据整合 | 机器学习, 深度学习, 蛋白质语言模型 | 多模态基因组数据 | NA | NA | NA | 预测准确性 | NA |
| 4236 | 2026-02-14 |
Validation of histopathology-based deep learning algorithms for detection of actionable non-small cell lung cancer biomarkers
2026-Jan-20, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-025-01267-z
PMID:41554849
|
研究论文 | 本研究验证了基于组织病理学图像和深度学习算法检测非小细胞肺癌中EGFR、ALK、BRAF和MET等可操作生物标志物的性能 | 利用数字病理基础模型CanvOI 1.1直接从H&E染色组织切片中识别多种NSCLC生物标志物，特别是识别无EGFR或ALK驱动基因改变的肿瘤 | 研究未详细讨论模型在临床实践中的整合挑战或外部验证的广泛性 | 开发并验证深度学习工具以辅助NSCLC生物标志物检测，支持更明智的临床决策 | 非小细胞肺癌患者的H&E染色组织切片 | 数字病理 | 肺癌 | H&E染色组织病理学 | 深度学习分类器 | 图像 | 968个NSCLC样本的独立验证数据集 | NA | CanvOI 1.1（数字病理基础模型） | AUC | NA |
| 4237 | 2026-02-14 |
Deep learning analysis of particle content in extracted slow-release morphine: longer boiling reduces large fragments while retaining morphine extraction
2026-Jan-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35870-2
PMID:41554914
|
研究论文 | 本研究评估了不同方法从缓释吗啡片中提取吗啡的效率及滤液中颗粒物含量，旨在为减少注射相关危害提供证据 | 首次结合深度学习和图像分析技术，系统量化了不同提取方法对滤液中颗粒物大小和密度的影响 | 研究仅针对特定品牌（Dolcontin）的60 mg片剂，未涵盖其他药物或剂量，且样本量有限 | 评估注射吸毒者常用的吗啡提取方法对颗粒物污染的影响，以支持减少危害的服务设计 | 从缓释吗啡片（Dolcontin 60 mg）提取的滤液 | 数字病理学 | NA | LC-MS/MS, 玻片扫描, 深度学习分割, QuPath图像分析 | 深度学习 | 图像 | 四种提取方法（A、B、C、D）的滤液样本 | NA | NA | 吗啡回收率, 颗粒物密度（按大小分类） | NA |
| 4238 | 2026-02-14 |
PAIRWISE: Deep Learning-based Prediction of Effective Personalized Drug Combinations in Cancer
2026-Jan-19, Research square
DOI:10.21203/rs.3.rs-8518203/v1
PMID:41646323
|
研究论文 | 本研究开发了一种名为PAIRWISE的深度学习模型，用于预测针对特定癌症亚型或个体患者的有效个性化药物组合 | 结合深度学习与迁移学习，整合先验科学知识，并基于肿瘤特异性转录组谱预测药物协同作用，能对癌细胞系或个体肿瘤样本的药物组合协同效应进行显式建模 | 未明确说明模型在更广泛癌症类型或临床样本中的泛化能力，以及计算资源需求 | 开发一种计算工具，以优先筛选针对癌症的候选个性化药物组合，提高治疗效果并防止复发 | 癌细胞系（包括弥漫性大B细胞淋巴瘤细胞系）和个体肿瘤样本 | 机器学习 | 癌症 | 转录组分析 | 深度学习 | 转录组数据、药物化学结构数据、药物靶点数据 | 未在摘要中明确总样本数，但涉及癌细胞系数据集和8个非霍奇金淋巴瘤细胞系的验证 | NA | NA | AUROC | NA |
| 4239 | 2026-02-14 |
Exploring students' emotion recognition and teachers' teaching feedback in college foreign language classroom based on AFCNN model
2026-Jan-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36747-0
PMID:41549127
|
研究论文 | 本研究提出了一种基于注意力特征卷积神经网络（AFCNN）的模型，用于实时识别大学外语课堂中学生的情绪变化，为教师提供及时的教学反馈，并探索外语教师的专业发展路径 | 引入了AFCNN模型进行教育情感分析，结合心理情感分析为外语教师专业发展提供新视角，并验证了模型在遮挡情况下的鲁棒性 | 模型在学生面部被遮挡时识别准确率可能下降，且仅针对快乐和中性两种情绪识别效果较好 | 探索基于深度学习的学生情绪识别与教师教学反馈在外语课堂中的应用，以支持外语教师的专业发展 | 大学外语课堂中的学生情绪变化及外语教师的教学反馈 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA | NA | AFCNN, VGG16, ResNet18 | 识别准确率 | NA |
| 4240 | 2026-02-14 |
Integrating multiomics data using a correlation based graph attention network for subtype classification in lower grade glioma
2026-Jan-16, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04428-z
PMID:41543639
|
研究论文 | 本研究提出了一种名为BioGAT-LGG的深度学习框架，通过基于相关性的图注意力网络整合多组学数据，用于低级别胶质瘤亚型分类和生物标志物发现 | BioGAT-LGG构建基因驱动的相关性图，无需依赖外部生物先验知识，能够学习有生物学意义的分子相互作用，提高了特征可解释性 | 未明确提及具体局限性 | 开发一个深度学习框架，整合多组学数据进行低级别胶质瘤亚型分类和生物标志物发现 | 低级别胶质瘤（LGG） | 机器学习 | 胶质瘤 | mRNA测序, miRNA测序, DNA甲基化测序 | GATv2 | 多组学数据 | 未明确提及具体样本数量 | 未明确提及 | GATv2 | 准确率, 精确率, 召回率, F1分数 | 未明确提及 |