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 42996 篇文献，本页显示第 4281 - 4300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4281 | 2026-02-17 |
Development and Validation of a Predictive AI Framework for Diabetic Foot Ulcer Monitoring and Severity Assessment: A Step towards Self-monitoring and Primary Care Integration
2026-Jan, Healthcare informatics research
IF:2.3Q3
DOI:10.4258/hir.2026.32.1.69
PMID:41681001
|
研究论文 | 本研究开发并验证了一个深度学习算法，用于根据国际糖尿病足工作组分类标准对糖尿病足图像进行严重程度分级 | 开发了一个预测性AI框架，用于糖尿病足溃疡的监测和严重程度评估，旨在支持资源有限环境下的自我监测和初级护理整合 | 模型在区分相邻严重程度等级时存在轻微过拟合，且样本量相对有限 | 开发并验证一个用于糖尿病足溃疡监测和严重程度评估的预测性AI框架 | 糖尿病足溃疡图像 | 计算机视觉 | 糖尿病足溃疡 | 深度学习 | CNN, Transformer | 图像 | 612张临床图像（通过数据增强从407张原始图像扩展） | NA | MobileNet_V2, EfficientNet-b0, DenseNet121, ResNet_50, VGG16, ViT_b_16 | 准确率, F1分数 | NA |
| 4282 | 2026-02-17 |
Improving Greater Caribbean manatee vocalization detection across habitats using neural networks
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341561
PMID:41686843
|
研究论文 | 本研究探索了使用神经网络改进大加勒比海牛（Trichechus manatus manatus）叫声检测与分类的方法，以应对水下声学环境的复杂性 | 结合先进的信号处理技术（如滤波和归一化）与深度学习算法，并采用数据增强和特征提取策略，以处理海洋环境的动态和噪声条件，模型在未进行领域相关预训练的情况下，通过微调少量数据实现了对新数据集的泛化 | 模型在泛化能力方面仍有改进空间，特别是在不同噪声环境下 | 改进大加勒比海牛叫声的检测与分类，以深入了解其行为并辅助保护工作 | 大加勒比海牛（Trichechus manatus manatus）的叫声 | 机器学习 | NA | 水下录音、信号处理（滤波、归一化） | CNN | 音频 | 大型水下录音数据集，包括Wildtracks和Placencia数据集 | NA | 已知的CNN架构（具体未指定） | F1分数 | NA |
| 4283 | 2026-02-17 |
Machine learning, deep learning, and artificial intelligence as applied to the field of cytopathology: a comprehensive review
2026 Jan-Feb, Journal of the American Society of Cytopathology
DOI:10.1016/j.jasc.2025.07.004
PMID:40803957
|
综述 | 本文全面回顾了机器学习、深度学习和人工智能在细胞病理学领域的应用现状与研究进展 | 系统梳理了细胞病理学领域AI/ML技术从早期自动化系统到现代深度学习的发展脉络，并指出该领域相较于外科病理学的滞后性及当前发展机遇 | 细胞病理学AI应用仍处于起步阶段，大规模数据收集和算法建模因样本制备与评估方式的多样性而滞后 | 探讨数字细胞病理学中人工智能技术的科研与商业化发展现状 | 细胞病理学图像与标本 | 数字病理学 | NA | 数字玻片扫描, 图像分析 | 深度学习, 机器学习 | 图像 | NA | NA | AlexNet | NA | GPU |
| 4284 | 2026-02-17 |
End-to-end vs. human-defined feature extraction: comparing deep learning approaches for age classification using mandibular third molars
2025-Dec-24, The Journal of forensic odonto-stomatology
DOI:10.5281/zenodo.17776415
PMID:41452801
|
研究论文 | 本研究比较了基于下颌第三磨牙X光片的年龄分类方法，包括传统人工方法、端到端深度学习模型和人工定义特征提取方法，以评估其在泰国人群中区分18岁以下和以上年龄的准确性 | 首次在泰国人群中系统比较了传统人工方法、端到端深度学习模型和人工定义特征提取方法在年龄分类中的性能，突出了人工定义特征提取方法在特异性和可解释性方面的平衡优势 | 研究样本仅来自泰国人群，可能限制了结果的普适性；深度学习模型的敏感性仍有提升空间 | 评估和比较不同方法在下颌第三磨牙X光片年龄分类中的准确性，以支持法律和法医学应用 | 下颌第三磨牙X光片 | 计算机视觉 | NA | X光成像 | CNN | 图像 | 3,407张来自14-23岁个体的图像 | NA | CNN | 特异性, 敏感性, 贝叶斯后验概率, 准确率 | NA |
| 4285 | 2026-02-17 |
Artificial Intelligence in The Diagnosis, Treatment, and Prognostication in Endodontics: A Comprehensive Literature Review
2025-Dec, European endodontic journal
IF:1.6Q3
DOI:10.14744/eej.2025.83788
PMID:41685843
|
综述 | 本文对人工智能在牙髓病学中诊断、治疗和预后预测方面的应用进行了全面综述 | 系统性地将AI在牙髓病学中的应用归纳为诊断、治疗和预后三大领域，并总结了当前的研究进展与具体模型表现 | 面临数据集规模需求大、成本高以及缺乏自主开发能力等限制 | 综述人工智能在牙髓病学中的应用，以优化诊断、支持临床决策和预测治疗结果 | 牙髓病学中的诊断、治疗规划和预后预测 | 计算机视觉 | 牙髓病 | NA | CNN, 深度学习模型, 神经网络 | X光片, CBCT图像 | 基于51篇纳入文章（2016-2025年） | NA | NA | 准确率 | NA |
| 4286 | 2026-02-17 |
Decoding Dendritic Cell Subtypes via Integrated Radiogenomics: A Stacked Ensemble Model for Predicting Immunotherapy Response in NSCLC
2025-Nov-15, FASEB journal : official publication of the Federation of American Societies for Experimental Biology
IF:4.4Q2
DOI:10.1096/fj.202501990R
PMID:41160086
|
研究论文 | 本研究通过整合单细胞RNA测序、影像组学和深度学习，开发了一个多模态框架，用于解码树突状细胞亚型并预测非小细胞肺癌患者对免疫疗法的反应 | 首次将单细胞RNA测序、影像组学和深度学习结合，采用堆叠集成学习方法整合转录组、临床和影像组学数据，以预测免疫治疗反应并识别关键的树突状细胞标记基因 | 未明确说明样本量是否足够大或模型是否在其他独立队列中得到验证，可能限制了结果的泛化能力 | 预测非小细胞肺癌患者对PD-1抑制剂免疫疗法的反应，并探索树突状细胞介导的机制 | 非小细胞肺癌患者的肿瘤样本，包括响应者和非响应者 | 数字病理学 | 肺癌 | 单细胞RNA测序, 影像组学 | LSTM, ResNet50, 集成学习 | 转录组数据, 临床数据, 影像数据 | NA | NA | LSTM, ResNet50 | 准确率, AUC | NA |
| 4287 | 2026-02-17 |
Raptor: Scalable Train-Free Embeddings for 3D Medical Volumes Leveraging Pretrained 2D Foundation Models
2025-Jul, Proceedings of machine learning research
PMID:41684746
|
研究论文 | 提出一种无需训练的3D医学体积数据嵌入方法Raptor，利用预训练的2D基础模型生成语义丰富的表示 | 首次提出通过随机平面张量压缩技术，将预训练的2D自然图像基础模型直接应用于3D医学体积数据，完全避免高成本训练过程 | 未明确说明方法对特定模态（如CT、超声）的泛化能力，且依赖2D基础模型的自然图像预训练知识 | 解决3D医学影像基础模型开发中的计算复杂性和数据稀缺问题 | 磁共振成像（MRI）等医学体积数据 | 医学影像分析 | NA | 随机投影压缩 | 基础模型 | 3D医学体积数据（MRI） | 十个不同的医学体积任务数据集 | NA | 预训练的2D基础模型 | 与SuPreM、MISFM、Merlin、VoCo、SLIViT等方法的性能对比 | NA |
| 4288 | 2026-02-17 |
Brain structural connectomic topology predicts medication response in youth with bipolar disorder: A randomized clinical trial
2025-Feb-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2024.11.061
PMID:39577502
|
研究论文 | 本研究利用脑结构连接组拓扑特征，通过深度学习模型预测青少年双相情感障碍患者对喹硫平或锂盐的药物反应 | 首次结合基线及用药一周后的脑结构连接组拓扑变化，构建纵向联合深度学习模型，实现了对双相情感障碍药物反应的高精度预测（91.3%） | 需要独立样本验证初步发现 | 开发基于神经影像的生物标志物，预测青少年双相情感障碍患者的药物反应 | 未接受过精神药物治疗的双相情感障碍I型青少年患者 | 数字病理学 | 双相情感障碍 | 结构磁共振成像 | 深度学习 | 图像 | 121名患者 | NA | NA | 准确率 | NA |
| 4289 | 2026-02-17 |
A Multicenter Evaluation of the Impact of Therapies on Deep Learning-Based Electrocardiographic Hypertrophic Cardiomyopathy Markers
2025-Feb-15, The American journal of cardiology
DOI:10.1016/j.amjcard.2024.11.028
PMID:39581517
|
研究论文 | 本研究评估了基于深度学习的AI-ECG模型在监测肥厚型心肌病患者接受室间隔减容术和Mavacamten药物治疗后生物反应中的应用 | 首次利用AI-ECG模型对两种不同疗法（手术/介入治疗与口服药物治疗）在肥厚型心肌病中的治疗效果进行系统性比较评估 | 研究为观察性设计，样本量相对有限，且随访时间较短，可能影响结果的普遍性和长期效应评估 | 评估AI-ECG作为监测肥厚型心肌病治疗反应的新策略 | 接受室间隔减容术或Mavacamten药物治疗的肥厚型心肌病患者 | 数字病理学 | 心血管疾病 | AI增强心电图分析 | 深度学习模型 | 心电图图像 | 315名患者（70名来自YNHHS，100名来自CCF，145名来自AHS接受SRT；36名来自YNHHS接受Mavacamten治疗） | NA | NA | AI-ECG HCM评分，Wilcoxon符号秩检验 | NA |
| 4290 | 2024-10-18 |
Radiomics-Based Prediction of Patient Demographic Characteristics on Chest Radiographs: Looking Beyond Deep Learning for Risk of Bias
2025-02, AJR. American journal of roentgenology
DOI:10.2214/AJR.24.31963
PMID:39413236
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4291 | 2026-02-17 |
From situational interest and state curiosity to personal interest: developmental pathways and underlying mechanisms
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1700208
PMID:41473513
|
综述 | 本文综述了从情境兴趣和状态好奇心到个人兴趣的发展路径及其核心机制 | 整合教育心理学、认知神经科学和动机科学的视角，提出了两条个人兴趣发展的路径，并强调奖励处理作为核心机制 | NA | 探讨短暂动机状态如何发展为稳定的个人兴趣 | 情境兴趣、状态好奇心、个人兴趣 | 教育心理学 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4292 | 2026-02-17 |
RESIGN: Alzheimer's Disease Detection Using Hybrid Deep Learning based Res-Inception Seg Network
2025, Current Alzheimer research
IF:1.8Q4
|
研究论文 | 本文提出了一种名为RESIGN的混合深度学习模型，结合Res-InceptionSeg网络，用于基于MRI图像的阿尔茨海默病检测 | 提出了一种新颖的RESIGN模型，结合了ResNet-LSTM进行时空特征提取、Inception V3进行分类以及SegNet进行异常脑区分割，实现了高精度的阿尔茨海默病检测 | 存在数据集偏差和由于统一成像条件导致的有限泛化性等潜在限制 | 通过深度学习模型提高阿尔茨海默病的早期检测准确性 | MRI图像中的白质、灰质和脑脊液特征，用于区分正常、轻度认知障碍和阿尔茨海默病类别 | 数字病理学 | 阿尔茨海默病 | MRI成像 | CNN, LSTM | 图像 | 未明确说明具体样本数量，但使用了ADNI数据集 | 未明确说明 | ResNet-LSTM, Inception V3, SegNet | 准确率, 特异性, 精确率, 召回率, F1分数 | 未明确说明 |
| 4293 | 2026-02-17 |
Scaling behaviours of deep learning and linear algorithms for the prediction of stroke severity
2024, Brain communications
IF:4.1Q2
DOI:10.1093/braincomms/fcae007
PMID:38274570
|
研究论文 | 本研究比较了线性回归和深度学习算法在预测中风严重程度方面的性能，特别关注样本量对预测效果的影响 | 首次系统比较了线性算法和深度学习在真实世界中风患者样本（规模较小）中预测中风严重程度的性能，并揭示了深度学习在较大样本量（900例患者）下开始显著优于线性方法 | 研究样本量相对有限（最大900例训练样本），且仅基于MRI病灶位置进行预测，未考虑其他临床因素 | 评估深度学习算法在预测中风后症状严重程度方面的潜力，并与传统线性方法进行比较 | 缺血性中风患者 | 医学影像分析 | 中风 | 扩散加权MRI, 病灶自动分割, 空间标准化, 主成分分析 | 线性回归, 神经网络 | MRI图像 | 总计1430例患者（来自MRI-Genetics Interface Exploration合作和麻省总医院研究），训练子集包括100、300和900例 | 未明确提及 | 八层神经网络 | 解释方差 | NA |
| 4294 | 2026-02-17 |
[Recent Review Article in RPT: Deep learning-based PET image denoising and reconstruction: A review]
2024, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics
DOI:10.11323/jjmp.44.4_78
PMID:41692459
|
综述 | 本文回顾了基于深度学习的PET图像去噪和重建技术的历史与发展 | NA | NA | 综述医学物理领域，特别是PET图像处理中深度学习的应用历史 | PET图像的去噪和重建技术 | 医学物理 | NA | NA | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 4295 | 2026-02-17 |
Ensemble Learning-Based Hybrid Segmentation of Mammographic Images for Breast Cancer Risk Prediction Using Fuzzy C-Means and CNN Model
2023, Journal of healthcare engineering
DOI:10.1155/2023/1491955
PMID:36760835
|
研究论文 | 本文提出了一种基于集成学习的混合分割方法，结合模糊C均值聚类和CNN模型，用于乳腺X线图像分割以预测乳腺癌风险 | 采用CLAHE和形态学操作预处理乳腺X线图像，并结合模糊C均值聚类与CNN进行混合分割，以提高乳腺癌风险预测的准确性 | 研究仅基于MIAS数据库图像，样本来源有限，且未详细说明模型在多样化临床数据上的泛化能力 | 开发一种计算机辅助诊断系统，通过图像分割技术早期检测乳腺癌，以提升治疗效果和患者生存率 | 乳腺X线图像，特别是来自MIAS数据库的图像，用于识别乳腺肿块和评估乳腺癌风险 | 计算机视觉 | 乳腺癌 | CLAHE（对比度受限自适应直方图均衡化），形态学操作，图像分割 | CNN | 图像 | 使用MIAS数据库中的图像，具体样本数量未明确说明 | NA | NA | 阈值，准确率，灵敏度，特异性，活检率 | NA |
| 4296 | 2026-02-17 |
Using artificial intelligence to improve the diagnostic efficiency of pulmonologists in differentiating COVID-19 pneumonia from community-acquired pneumonia
2022-08, Journal of medical virology
IF:6.8Q1
DOI:10.1002/jmv.27777
PMID:35419818
|
研究论文 | 本研究旨在通过深度学习AI模型辅助肺科医生利用CT扫描区分COVID-19肺炎与社区获得性肺炎 | 开发了一个基于深度学习的AI模型，从体积CT扫描中提取视觉数据，显著提升了肺科医生在区分COVID-19肺炎与社区获得性肺炎时的诊断效率 | 研究为回顾性设计，未来需要关注AI在实时应用中的效果以对抗COVID-19感染 | 分析AI在提升肺科医生利用CT扫描区分COVID-19肺炎与社区获得性肺炎诊断性能方面的贡献 | COVID-19肺炎和社区获得性肺炎患者的CT扫描图像 | 医学影像 | COVID-19, 社区获得性肺炎 | CT扫描 | 深度学习模型 | CT图像 | 2496次扫描（来自887名患者），其中COVID-19组1428次（57.2%），社区获得性肺炎组1068次（42.8%） | NA | NA | 准确率, 灵敏度, 特异性, AUC | NA |
| 4297 | 2026-02-16 |
Redefining obstructive sleep apnea diagnosis: An attention augmented CNN-BiLSTM hybrid alternative to traditional PSG testing
2026-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2026.103808
PMID:41684745
|
研究论文 | 本研究提出了一种基于注意力增强的CNN-BiLSTM混合深度学习模型，用于自动检测阻塞性睡眠呼吸暂停（OSA），以替代传统的多导睡眠图（PSG）诊断方法 | 结合卷积神经网络与双向长短期记忆网络的混合架构，并集成注意力机制以提升特征表示和分类性能，同时通过ANOVA选择生理信号子集以优化检测效果 | NA | 开发一种替代传统多导睡眠图（PSG）的自动化OSA检测方法，以提高诊断的可及性和准确性 | 阻塞性睡眠呼吸暂停（OSA）患者 | 机器学习 | 阻塞性睡眠呼吸暂停 | 深度学习 | CNN, BiLSTM | 生理信号数据 | 基于两个公开数据库，具体样本数量未明确说明 | NA | CNN-BiLSTM混合架构 | 准确率, F1分数 | NA |
| 4298 | 2026-02-16 |
Ultrasound-guided sound speed correction for photoacoustic computed tomography
2026-Apr, Photoacoustics
IF:7.1Q1
DOI:10.1016/j.pacs.2026.100804
PMID:41685117
|
研究论文 | 本文提出了一种基于双模态深度学习的框架，通过联合处理配准的光声和超声图像来校正组织中的异质声速，以提高光声计算机断层扫描的图像质量 | 提出了一种利用配准超声图像中的丰富散斑和高信噪比信息来估计空间变化声速图，并将其与光声图像融合以校正声速畸变的新方法 | 该方法在数值和组织模拟体模上进行了测试，并展示了跨域泛化能力，但未提及在更广泛或更复杂临床场景中的验证 | 提高光声计算机断层扫描中因组织异质声速导致的图像畸变校正的准确性和效率 | 光声和超声双模态图像 | 计算机视觉 | NA | 光声计算机断层扫描，超声成像 | 深度学习 | 图像 | 数值模拟体模、组织模拟体模和活体数据 | NA | NA | 图像质量（结构细节增强、声学伪影减少） | NA |
| 4299 | 2026-02-16 |
Explainable artificial intelligence for multi-modal cancer analysis: From genomics to immunology
2026-Mar, Critical reviews in oncology/hematology
DOI:10.1016/j.critrevonc.2025.105040
PMID:41290079
|
综述 | 本文综述了可解释人工智能在多模态癌症分析中的应用，涵盖从基因组学到免疫学的整合 | 提出了基于免疫学信息的多模态深度学习框架，通过可解释AI增强模型透明度，并连接预测特征与肿瘤免疫微环境动态 | 面临数据协调和模态不平衡等挑战，需进一步解决以确保科学有效性 | 推进个性化精准肿瘤学，通过多模态数据整合改善癌症预后、治疗选择和反应预测 | 癌症的多模态生物医学数据，包括基因组学、转录组学、组织病理学、医学影像、蛋白质组学、代谢组学、电子健康记录和免疫学特征 | 机器学习 | 癌症 | 多模态深度学习，可解释人工智能 | 深度学习模型 | 多模态数据（基因组、转录组、病理图像、医学影像、蛋白质组、代谢组、电子健康记录、免疫特征） | NA | NA | NA | 统计指标，生物学合理性评估 | NA |
| 4300 | 2026-02-16 |
Interpreting Imaging in the Era of Artificial Intelligence: Future Possibilities in Ocular Inflammatory Disease
2026-Mar, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.12.019
PMID:41443461
|
综述 | 本文回顾了人工智能在葡萄膜炎多模态影像解读领域的当前能力、局限性与未来前景 | 系统梳理了AI在眼科炎症疾病影像分析中的新兴应用方向，特别是深度学习在多模态影像自动解读中的潜力 | AI在葡萄膜炎领域的应用尚处于起步阶段，现有工具仍在开发中，临床验证不足 | 探讨人工智能在葡萄膜炎多模态影像解读中的应用前景 | 葡萄膜炎（眼部炎症性疾病）的多模态影像数据 | 计算机视觉 | 葡萄膜炎 | 多模态影像分析 | 深度学习 | 医学影像 | NA | NA | NA | NA | NA |