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 4321 - 4340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4321 | 2026-02-12 |
Dynamic ultrasound motion metrics combined with deep learning for clinical differentiation of subacromial impingement syndrome
2026-Feb-11, La Radiologia medica
DOI:10.1007/s11547-026-02188-y
PMID:41670888
|
研究论文 | 本研究评估了深度学习模型在动态肩部超声中预测肩峰下撞击综合征的诊断性能，比较了Faster R-CNN与STL-CNN，并探索了结合1D-CNN进行分类的效用 | 结合动态超声运动指标与深度学习进行临床诊断，首次比较Faster R-CNN与STL-CNN在肩部解剖标志定位中的性能，并利用1D-CNN基于vAHD指标实现高精度SIS分类 | 当前工作流程需要离线视频分析，未来需关注实时实施和改善模型泛化能力 | 评估深度学习模型在动态肩部超声中对肩峰下撞击综合征的诊断性能 | 59名SIS患者和59名对照者 | 计算机视觉 | 肩峰下撞击综合征 | 动态肩部超声成像 | CNN | 视频 | 118名参与者（59名患者和59名对照者） | NA | Faster R-CNN, STL-CNN, 1D-CNN | 准确率, 平均距离误差 | NA |
| 4322 | 2026-02-12 |
Training the diagnostic artificial intelligence in thyroid sonography: how well is deep learning truly learning?
2026-Feb-11, Updates in surgery
IF:2.4Q2
DOI:10.1007/s13304-025-02506-5
PMID:41670922
|
研究论文 | 本研究评估了在真实世界场景中，用于甲状腺结节ACR TI-RADS分类的人工智能软件通过深度学习后的学习曲线和性能提升 | 在真实临床环境中，通过软件更新前后的两阶段对比，量化评估了AI在甲状腺超声TI-RADS分类中的学习曲线和具体改进点，特别是对微钙化等疑难特征的识别能力提升 | AI在复杂或不典型病例（如自身免疫性甲状腺炎、未下降的胸腺、出血性囊肿）中仍存在误判，尚不能完全替代经验丰富的临床医生 | 评估用于甲状腺超声TI-RADS分类的人工智能软件在深度学习训练后的性能提升和学习曲线 | 甲状腺结节患者及其超声图像 | 数字病理学 | 甲状腺疾病 | 3D超声成像，ACR TI-RADS分类 | 深度学习模型 | 超声图像 | 第一阶段：110名患者，176个结节；第二阶段：133名患者，228个结节；更新后重新评估初始110名患者 | NA | NA | 分类一致性百分比（AI与评估者之间） | NA |
| 4323 | 2026-02-12 |
Teravoxel Microscopy Image Analysis for Neurological Diseases
2026-Feb-10, Annual review of biomedical engineering
IF:12.8Q1
|
综述 | 本文综述了光片荧光显微镜（LSFM）在神经疾病研究中的应用，以及深度学习等计算方法在分析大规模三维脑图像中的作用 | 整合了人工智能技术以识别疾病相关的细胞特征和形态标记，并提出了针对数据驱动LSFM图像分析领域挑战的潜在解决方案 | 分析流程针对不同动物模型和脑结构设计各异，导致可行性和兼容性方面的挑战 | 探讨LSFM技术在神经疾病病理生理机制研究中的应用，并分析当前分析流程的挑战与解决方案 | 完整的三维脑结构图像，特别是与神经炎症和神经退行性疾病相关的细胞特征 | 数字病理学 | 神经退行性疾病 | 光片荧光显微镜（LSFM），组织透明化方法 | 深度学习 | 三维显微镜图像 | NA | NA | NA | NA | NA |
| 4324 | 2026-02-12 |
Unsupervised Disentanglement of Brain Heterogeneity for Identifying Subtypes of Alzheimer's Disease
2026-Feb-10, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3663181
PMID:41666058
|
研究论文 | 提出了一种名为3D-DisAD的无监督深度学习框架，用于从阿尔茨海默病患者的脑部MRI中分离出疾病特异性神经解剖学变异，并据此识别疾病亚型 | 提出了一种结合对比解缠网络和基于扩散的生成建模的无监督框架，能够将AD特异性变异与混杂因素（如遗传和环境因素）分离，从而识别出更具临床解释性的疾病亚型 | 研究依赖于公开数据集，可能无法涵盖所有AD人群的异质性；方法主要基于神经解剖学特征，未整合多模态数据（如PET、CSF） | 解决阿尔茨海默病神经解剖学异质性对精准诊断和治疗的阻碍，识别具有同质脑表型的疾病亚型 | 阿尔茨海默病患者和健康对照的脑部MRI数据 | 数字病理学 | 阿尔茨海默病 | MRI | 深度学习 | 3D图像 | 四个公开数据集 | PyTorch | 对比解缠网络, 基于扩散的生成模型 | 与临床和生物学特征的相关性分析, 亚型在生物标志物、认知轨迹和遗传特征上的差异 | NA |
| 4325 | 2026-02-12 |
Stress Detection Using Heart Rate Variability and Respiratory Signals Derived From a Single-Lead ECG
2026-Feb-10, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3658304
PMID:41666060
|
研究论文 | 本文提出了一种结合特征提取与机器学习的混合方法，仅使用单导联心电图信号进行压力检测 | 提出了一种基于单导联心电图的混合方法，通过提取心率变异性和呼吸信号特征，显著提高了分类准确率和计算效率 | 研究仅使用了ES3项目数据库，未在其他数据集上进行验证；实时可穿戴设备应用的硬件限制未完全解决 | 开发一种适用于可穿戴设备的实时压力检测方法 | 单导联心电图信号及其衍生的心率变异性和呼吸信号 | 机器学习 | NA | 单导联心电图信号分析 | XGBoost | 心电图信号 | ES3项目数据库（具体样本数量未在摘要中说明） | NA | XGBoost | 分类准确率，计算效率，推理时间 | NA |
| 4326 | 2026-02-12 |
MMCL: A Multi-modal Contrastive Learning Framework for Molecular Property Prediction
2026-Feb-10, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3663206
PMID:41666076
|
研究论文 | 本文提出了一种名为MMCL的多模态对比学习框架，用于分子属性预测，通过利用分子的不同视图学习相似分子间的共同特征，并显式地将功能基团表示为分子图中的节点，以促进模型学习与分子属性相关的特征 | 提出了一种多模态对比学习框架，整合分子的不同表示以增加信息多样性，并首次将功能基团显式地作为分子图中的节点进行建模，以增强模型对分子属性的捕捉能力 | 未在摘要中明确提及 | 通过深度学习提高分子属性预测的准确性，以促进药物发现过程 | 分子及其属性 | 机器学习 | NA | 多模态对比学习 | 深度学习 | 分子图 | 基准数据集 | NA | NA | NA | NA |
| 4327 | 2026-02-12 |
AGEP_TWAS: A Deep Learning-based Framework for Predicting Gene Expression Levels in Tissues
2026-Feb-10, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3663364
PMID:41666075
|
研究论文 | 提出了一种基于深度学习的基因表达预测框架AGEP_TWAS，用于跨组织预测基因表达水平 | 利用密集连接网络、自适应激活函数和参数剪枝策略，通过核心基因预测其他基因的表达水平，解决了传统方法效率低且忽略训练群体中缺失SNP的问题 | 未明确说明模型在不同物种或组织类型间的泛化能力限制，也未讨论计算资源需求 | 开发高效的基因表达预测方法以支持转录组范围关联研究 | 人类和牛的基因表达数据 | 机器学习 | NA | 基因表达谱分析 | 深度学习 | 基因表达数据 | 人类GEO表达数据集和CattleGTEx数据集 | NA | 密集连接网络 | 均方误差, 皮尔逊相关系数 | NA |
| 4328 | 2026-02-12 |
Sharper than human eyes? A systematic review and meta-analysis of machine learning for retinal detachment detection
2026-Feb-10, European journal of ophthalmology
IF:1.4Q3
DOI:10.1177/11206721261419673
PMID:41666118
|
系统综述与荟萃分析 | 本文通过系统综述与荟萃分析，评估了机器学习在视网膜脱离检测中的诊断准确性 | 首次对机器学习在视网膜脱离检测中的应用进行全面的诊断测试准确性荟萃分析，并比较了不同机器学习技术、成像模态和验证方法的性能差异 | 研究存在显著的异质性（I>90%），且患者选择和数据质量偏差可能影响模型泛化能力 | 评估机器学习在视网膜脱离检测中的诊断准确性，并探讨其临床应用的潜力与挑战 | 视网膜脱离检测的机器学习模型 | 医学影像分析 | 视网膜脱离 | 机器学习，深度学习 | 深度学习模型，机器学习模型 | 医学影像（如眼底成像） | 基于20项研究中的69个模型进行分析 | NA | NA | 灵敏度，特异性，曲线下面积 | NA |
| 4329 | 2026-02-12 |
Rapid and interpretable protein contact map prediction using a pattern-matching strategy
2026-Feb-10, Physical biology
IF:2.0Q3
DOI:10.1088/1478-3975/ae443c
PMID:41666568
|
研究论文 | 本文提出了一种基于模板的模式匹配方法，用于快速预测蛋白质接触图 | 该方法通过识别同源实验结构中的保守结构基序来预测接触图，仅需少量结构模板（50-500个），并在标准硬件上运行，无需GPU或高性能计算集群 | 方法依赖于结构模板的可用性，可能对缺乏同源结构的蛋白质预测效果有限 | 开发一种计算高效且可解释的蛋白质接触图预测方法 | 蛋白质序列及其接触图 | 生物信息学 | NA | 模式匹配、序列比对 | 模式匹配策略 | 蛋白质序列、结构模板 | 25个特征明确的蛋白质结构域和7,599个注释较差的序列 | NA | NA | 相关性、接触覆盖率、F1分数、准确率 | 标准硬件（无需GPU或高性能计算集群） |
| 4330 | 2026-02-12 |
Interpretable and generative deep learning models explicate phase separating intrinsically disordered motifs
2026-Feb-10, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69252-z
PMID:41667449
|
研究论文 | 本研究开发了一个名为PhaSeMotif的深度学习框架，用于可解释且精确地预测蛋白质内在无序区域中驱动相分离的关键基序 | 结合了基序预测、生成和验证，提供了一个开源工具包，并整合生成模型以创建保留关键组成特征的验证就绪基序 | NA | 系统识别调控蛋白质相分离的序列基序及其组成决定因素 | 蛋白质内在无序区域中的相分离驱动基序 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质序列数据 | NA | NA | NA | NA | NA |
| 4331 | 2026-02-12 |
Sjögren's syndrome-focusassist: lymphocytic focus assessment in Sjögren's syndrome: a deep learning and spatial analysis approach
2026-Feb-10, Diagnostic pathology
IF:2.4Q2
DOI:10.1186/s13000-026-01756-0
PMID:41668096
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4332 | 2026-02-12 |
Understanding complaint behavior in mobile banking: A psychological and AI-based analysis of emotional drivers
2026-Feb-09, Acta psychologica
IF:2.1Q2
DOI:10.1016/j.actpsy.2026.106435
PMID:41666715
|
研究论文 | 本研究结合情感智能与人工智能技术，分析移动银行应用中用户投诉行为的情感驱动因素 | 首次将情感智能理论与AI技术结合，用于分类零售移动银行中的用户问题，并评估情感线索与报告行为之间的关系 | 研究仅基于单一银行应用的用户评论数据，可能无法完全代表其他银行或金融应用的用户行为 | 探究情感智能和AI技术在分类移动银行用户报告问题及分析情感与问题报告关联性中的应用 | 美国银行移动银行应用的用户评论 | 自然语言处理 | NA | 情感分析，机器学习，深度学习 | MLP, CNN, RNN | 文本 | 超过216,000条用户评论 | NA | NA | 准确率 | NA |
| 4333 | 2026-02-12 |
Deep Learning Reconstruction Combined with Contrast-Enhancement Boost Technique in "Quadruple-low" CCTA Protocol: Evaluation of Image Quality and Diagnostic Accuracy
2026-Feb-09, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.01.025
PMID:41667344
|
研究论文 | 本研究评估了深度学习重建算法结合对比增强提升技术在“四低”冠状动脉CT血管成像协议中对图像质量和诊断性能的影响 | 首次将深度学习重建与对比增强提升技术结合，应用于“四低”（低管电压、低流速、低对比剂体积、低浓度）CCTA协议，显著降低了辐射剂量和对比剂用量，同时提升了图像质量 | 样本量相对较小（102例），且为单中心研究，可能限制结果的普适性 | 评估“四低”CCTA协议中深度学习重建结合对比增强提升技术对图像质量和诊断准确性的影响 | 102例接受冠状动脉CT血管成像的患者 | 医学影像分析 | 心血管疾病 | 冠状动脉CT血管成像 | 深度学习重建算法 | 医学影像（CT图像） | 102例患者（随机分为常规剂量组51例和四低组51例） | NA | NA | 信噪比, 对比噪声比, 主观图像质量评分, CAD-RADS 2.0, 节段狭窄评分, 节段受累评分, 冠状动脉钙化评分, 诊断准确率, 敏感性 | NA |
| 4334 | 2026-02-12 |
Multi-mechanism-driven dual-mode array based on a single PFC-1/QD probe enables AI-assisted on-site identification of biogenic amines and real-time food freshness monitoring
2026-Feb-06, Biosensors & bioelectronics
IF:10.7Q1
DOI:10.1016/j.bios.2026.118501
PMID:41666536
|
研究论文 | 本研究开发了一种基于P-QDot探针的荧光/比色双模式传感器阵列，结合深度学习和智能手机成像，用于生物胺的分类、定量及食品新鲜度实时监测 | 通过单探针PFC-1/QD实现多机制驱动的双模式响应，结合AI算法和智能手机平台，实现生物胺的现场识别和食品新鲜度的实时可视化监测 | 研究主要针对五种生物胺，可能未覆盖所有相关胺类；实际应用环境中的干扰因素需进一步验证 | 开发便携式实时监测方法，用于食品中生物胺的识别和食品新鲜度评估 | 五种生物胺及虾类食品在储存过程中的新鲜度变化 | 机器学习 | NA | 荧光/比色双模式传感、智能手机成像 | 深度学习 | 图像 | NA | YOLOv12 | YOLOv12 | NA | 智能手机平台 |
| 4335 | 2026-02-12 |
A two-level neurodynamic approach for heterogeneous networked game under event-triggered quantized mechanism
2026-Feb-04, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108671
PMID:41666488
|
研究论文 | 本文提出了一种基于事件触发量化机制的两级神经动力学方法，用于解决异构网络化博弈问题，旨在降低通信成本并提高收敛速度 | 引入基于梯度的事件触发器和对数量化器来减轻通信负担，结合无源性策略补偿信息不完全性，并引入分段时变函数确保规定时间收敛 | NA | 研究网络化博弈中的通信成本降低和收敛速度提升问题 | 异构动态玩家（如自主移动机器人） | 机器学习 | NA | 事件触发机制、量化通信、Lyapunov方法 | 神经动力学模型 | 模拟数据 | NA | NA | 两级神经动力学架构 | 收敛时间、通信频率 | NA |
| 4336 | 2026-02-12 |
Self-adaptive fine-tuning of deep learning super-resolution microscopy for artifact suppression in live-cell imaging
2026-Feb-02, Innovation (Cambridge (Mass.))
DOI:10.1016/j.xinn.2025.101123
PMID:41658490
|
研究论文 | 本文提出了一种自适应性微调方法，用于抑制深度学习超分辨率显微镜在活细胞成像中的伪影生成 | 开发了一种自适应性微调方法，动态调整模型参数以最小化损失函数，该函数直接量化活细胞成像中的伪影 | NA | 抑制深度学习超分辨率显微镜在活细胞成像中的伪影生成 | 活细胞成像中的纳米级细胞器相互作用 | 计算机视觉 | NA | 深度学习超分辨率显微镜 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 4337 | 2026-02-12 |
Exploring the contribution of joint angles and sEMG signals on joint torque prediction accuracy using LSTM-based deep learning techniques
2026-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2400318
PMID:39235388
|
研究论文 | 本研究使用基于LSTM的深度学习技术，探索关节角度和表面肌电信号对关节扭矩预测准确性的贡献 | 通过训练三种双向LSTM模型，分别使用关节角度、表面肌电信号及两者组合作为输入，评估了不同输入模态对下肢关节扭矩预测的独立和联合效果，发现单一输入模态在某些情况下可能足以准确预测特定关节扭矩 | 研究基于公开数据集进行，可能受限于数据集的样本规模和多样性；未探讨模型在其他运动模式或临床场景下的泛化能力 | 预测下肢关节扭矩，以评估关节角度和表面肌电信号在扭矩预测中的相对贡献 | 正常行走过程中的下肢关节扭矩 | 机器学习 | NA | 表面肌电信号采集 | LSTM | 时间序列数据 | 使用公开数据集，具体样本数量未在摘要中明确说明 | NA | 双向LSTM | 归一化均方根误差, Pearson相关系数 | NA |
| 4338 | 2026-02-12 |
Leveraging Representation Learning for Bi-parametric Prostate MRI to Disambiguate PI-RADS 3 and Improve Biopsy Decision Strategies
2026-Feb-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001218
PMID:40586610
|
研究论文 | 本研究利用深度学习模型通过PI-RADS引导的表征学习，从双参数前列腺MRI图像中学习放射科医生的解读方式，以区分PI-RADS 3分类，检测临床显著前列腺癌，并减少不必要的良性活检 | 采用PI-RADS引导的表征学习方法训练深度学习模型，从放射科医生自信评估的MRI图像中学习表征，以解决PI-RADS 3分类的模糊性问题，并开发基于这些表征的活检决策模型，在避免良性活检方面优于放射科医生和临床模型 | 研究为单机构回顾性研究，可能受限于数据来源的多样性和读者差异，且模型在外部验证和泛化能力方面未明确评估 | 通过深度学习模型改善前列腺MRI中PI-RADS 3分类的歧义性，提高临床显著前列腺癌的检测准确性，并优化活检决策策略以减少不必要的良性活检 | 前列腺癌患者，包括已知或疑似前列腺癌的男性，涉及MRI检查和后续活检数据 | 数字病理学 | 前列腺癌 | 双参数前列腺MRI（T2加权和扩散加权成像） | 深度学习模型，表征学习器 | 图像 | 28,263次MRI检查（来自21,938名男性），其中6,352次后续活检，训练集包括21,465次放射科医生自信评估的检查 | NA | NA | AUC, 敏感性, 阴性预测值, 活检产出率 | NA |
| 4339 | 2026-02-12 |
AFM-Based Deep Learning Decodes Human Macrophage Mechanophenotypes
2026-Feb, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202500953
PMID:40722235
|
研究论文 | 本研究介绍了一种结合原子力显微镜与深度学习的集成平台，用于在单细胞分辨率下对巨噬细胞进行无标记的机械表型分析 | 首次将原子力显微镜的纳米级力学映射与深度神经网络相结合，实现了无需传统免疫标记、能动态区分巨噬细胞功能表型（M0、M1、M2）并揭示混合极化状态的非破坏性方法 | 未明确提及样本量或外部验证队列的详细信息，且方法可能依赖于特定的仪器平台 | 开发一种无标记、动态的免疫监测策略，通过细胞力学特性解码巨噬细胞的功能表型 | 人类巨噬细胞在不同激活状态（初始M0、炎症M1、修复M2）下的形态与纳米力学特征 | 生物医学工程，计算生物学 | 免疫相关疾病（泛指） | 原子力显微镜纳米级力映射 | 深度神经网络 | 纳米力学与形态学图像数据（如杨氏模量、粘附力、球形度） | NA | NA | 深度神经网络（具体架构未指定） | 分类准确性（隐含） | NA |
| 4340 | 2026-02-12 |
Advanced deep learning for early diagnosis of arsenic-induced dermatological conditions through dermoscopic image evaluation
2026-Feb, Journal of medical engineering & technology
DOI:10.1080/03091902.2025.2590472
PMID:41273294
|
研究论文 | 本研究提出了一种先进的深度学习框架，通过皮肤镜图像分析支持砷诱导皮肤病的早期诊断 | 采用协同ResNet-DenseNet架构提取判别性图像特征，结合k近邻算法进行分类，实现了对砷暴露相关皮肤病变的高精度自动化评估 | 研究仅基于孟加拉国四个现场的数据集，可能缺乏全球代表性；未提及模型在外部验证集上的泛化性能 | 开发深度学习框架以辅助砷诱导皮肤病的早期诊断和公共卫生监测 | 砷暴露个体和未受影响个体的皮肤镜图像 | 计算机视觉 | 皮肤病 | 皮肤镜图像分析 | CNN, k-NN | 图像 | 8892张皮肤镜图像 | NA | ResNet, DenseNet | 准确率, F1分数, 灵敏度, 召回率 | NA |