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 47514 篇文献，本页显示第 4361 - 4380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4361 | 2026-06-05 |
Imaging foundation model for universal enhancement of non-ideal measurement CT
2026-Jun-04, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73943-y
PMID:42236476
|
研究论文 | 提出了一种成像基础模型TAMP，用于通用增强非理想测量CT图像 | 首次将多尺度集成Transformer放大器作为基础模型，并基于1080万张物理模拟图像预训练，实现跨多种非理想测量CT设置、缺陷程度和身体区域的通用增强 | 未提及具体局限性 | 开发一种通用的非理想测量CT图像增强方法 | 非理想测量CT图像 | 计算机视觉，数字病理学 | NA | CT成像 | Transformer | 图像 | 1080万张物理模拟非理想测量CT图像 | NA | 多尺度集成Transformer放大器（TAMP） | 图像质量、临床可接受性 | NA |
| 4362 | 2026-06-05 |
Artificial intelligence in forensic science: a systematic review. Part I: personal identification
2026-Jun-04, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-026-03855-5
PMID:42236556
|
系统综述 | 对2012至2026年间89项关于人工智能在法医学个人识别中应用的研究进行系统综述，涵盖性别推断、人类识别、祖先推断和亲缘关系分析等任务 | 首个系统性地总结法医个人识别中AI应用证据的综述，包括方法学特征、模型性能及挑战 | 研究间方法学异质性大、主要依靠特定人群数据集、缺乏充分的独立外部验证 | 综合评估AI模型在法医个人识别中的可用证据、方法学特征和性能 | 89项涉及AI法医个人识别的原始研究 | 机器学习 | 不适用 | 计算断层扫描、X射线影像、深度学习模型 | 深度学习模型、传统机器学习模型 | 影像数据（主要是CT和X光图像） | 89项研究（2012-2026年发表） | NA | NA | 准确率（中位91.4%，四分位距88.9-95.0%） | NA |
| 4363 | 2026-06-05 |
Physics-informed deep learning enables reliable and scalable organoid quantification for drug screening via OCT
2026-Jun-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02847-4
PMID:42236584
|
研究论文 | 提出物理信息引导的深度学习框架DICE-2DSeg，实现基于OCT的类器官高通量药物筛选量化 | 创新性地将OCT物理原理（层内相干增强）与图结构层间上下文聚合结合，解决高精度与高通量矛盾，实现多尺度一致分割 | 依赖93个体积数据验证，未说明更大规模外推性；物理先验可能对非OCT数据泛化有限 | 开发可靠且可扩展的类器官量化方法，用于基于OCT的高通量药物筛选 | 患者来源类器官（PDOs）的光学相干断层扫描（OCT）图像 | 计算机视觉, 数字病理学 | 癌症 | OCT | CNN, GNN | 图像 | 93个OCT体积数据，涵盖多种癌症类型和药物处理 | PyTorch | nnUNet3D, DICE-2DSeg | 准确率, 速度（加速比）, 多尺度一致性 | NA |
| 4364 | 2026-06-05 |
CT-based deep learning radiogenomics for predicting key glioma genotypes (IDH, ATRX, EGFR, TP53)
2026-Jun-04, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-04043-3
PMID:42236611
|
研究论文 | 评估基于CT的影像基因组学与机器学习结合预测胶质瘤关键基因型（IDH、ATRX、EGFR、TP53）的性能 | 首次系统评估非对比CT影像组学与深度学习模型预测多种胶质瘤临床相关基因突变（IDH、ATRX、EGFR、TP53）的有效性，并比较传统机器学习与深度学习方法的表现 | EGFR亚组样本量小（n=17），结果可能不具备推广性；缺乏外部验证；回顾性研究设计存在偏差风险 | 验证CT影像组学结合机器学习能否准确预测胶质瘤的临床相关分子标志物 | 197例经组织学确诊胶质瘤患者的非对比CT扫描数据及对应的分子标志物突变状态 | 机器学习, 数字病理 | 胶质瘤 | CT影像组学, 非对比CT扫描 | 传统机器学习（六种经典分类器）和深度学习（自定义全连接神经网络FCNN和TabNet） | 影像数据（非对比CT扫描） | 197例成人患者（ATRX：81例突变，EGFR：17例突变，TP53：71例突变，IDH：183例突变） | NA | TabNet, 自定义全连接神经网络（FCNN） | ROC-AUC | NA |
| 4365 | 2026-06-05 |
Shortening MRI scanning time for acute ischemic stroke: analysis of the effect of 3.0T MRI compressed sensing deep learning reconstruction
2026-Jun-04, Emergency radiology
IF:1.7Q3
DOI:10.1007/s10140-026-02496-w
PMID:42236638
|
研究论文 | 评估压缩感知深度学习重建技术能否在保持诊断图像质量的同时缩短急性缺血性中风患者的3.0T MRI扫描时间 | 首次评估压缩感知深度学习重建在三种加速倍数（R3、R4、R5）下对急性缺血性中风MRI扫描时间和图像质量的影响 | 单中心回顾性设计，样本量较小（69例），未评估不同病变大小和位置的图像质量差异 | 评估压缩感知深度学习重建能否减少急性缺血性中风MRI扫描时间并维持诊断图像质量 | 急性缺血性中风患者 | 数字病理学 | 脑血管疾病 | MRI | 深度学习重建网络 | 图像 | 69例急性缺血性中风患者 | NA | 压缩感知深度学习重建 | 信噪比、对比噪声比、总体质量评分、噪声评分、清晰度评分 | NA |
| 4366 | 2026-06-05 |
An explainable AI framework for enhanced software defect prediction using transformer-assisted boosting
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44202-3
PMID:42236753
|
research paper | 提出一种结合Transformer自注意力机制与XGBoost的可解释AI框架，用于提升软件缺陷预测的准确性和可解释性 | 首次将Transformer自注意力机制与XGBoost集成，实现高预测性能与可解释性的统一，并利用SHAP解释关键特征重要性 | 未讨论框架在不同规模数据集上的泛化能力及计算资源消耗细节 | 开发一种兼具高准确度和可解释性的软件缺陷预测模型，帮助质量保证从业者优化缺陷管理和资源分配 | NASA Metrics Data Program和Code4Code数据集中的软件缺陷数据 | machine learning | NA | NA | Transformer、XGBoost | 数值型软件度量数据（圈复杂度、Halstead属性、代码行数） | NASA MDP和Code4Code两个数据集，具体样本量未提及 | XGBoost | Transformer | AUC, ROC, accuracy | NA |
| 4367 | 2026-06-05 |
A comparative analysis of deep learning models for disease classification in multi-organ histopathological images
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56045-z
PMID:42236837
|
研究论文 | 比较了深度学习模型在多器官组织病理学图像疾病分类中的表现 | 首次系统比较了卷积神经网络和视觉Transformer在多器官疾病分类中的性能，并验证了从单器官扩展到多器官分类时性能不下降 | NA | 评估并比较CNN和ViT模型在多器官组织病理学图像疾病分类中的性能 | 人体主要器官（心脏、肺、肝脏、胰腺）的组织病理学全切片图像 | 数字病理学 | NA | 组织病理学全切片图像 | 卷积神经网络、视觉Transformer | 图像 | NA | NA | Swin-T, DenseNet-161 | 分类准确率 | NA |
| 4368 | 2026-06-05 |
Deep learning enables automated detection of dinosaur footprints with high accuracy
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56031-5
PMID:42236855
|
研究论文 | 提出一种基于YOLOv8深度学习的自动化恐龙足迹检测系统，实现高精度识别与跨区域泛化 | 首次将YOLOv8目标检测网络应用于恐龙足迹自动检测，开发了多尺度检测方法以解决分辨率依赖问题，并在韩国和巴西不同足迹点验证了跨区域泛化能力 | 检测精度受光照条件、保存质量和轮廓标记存在性的影响 | 开发高效自动化恐龙足迹检测系统以替代耗时的人工调查 | 韩国多个足迹点的兽脚类、鸟脚类和蜥脚类恐龙足迹 | 计算机视觉 | 不适用 | 目标检测 | CNN | 图像 | 49,242张来自AI-Hub数据集的图像 | PyTorch | YOLOv8 | 平均精度均值mAP50, mAP50-95 | 不适用 |
| 4369 | 2026-06-05 |
Differentiating advanced from non-advanced hepatic fibrosis: a hybrid deep learning-radiomics model leveraging synthetic contrast-enhanced CT from CycleGAN
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05563-5
PMID:42240649
|
研究论文 | 开发并验证一种混合深度学习-影像组学模型，利用CycleGAN合成的增强CT图像区分晚期和非晚期肝纤维化 | 首次结合CycleGAN合成增强CT图像与混合深度学习-影像组学模型，用于肝纤维化分期的非侵入性诊断，且融合真实平扫与合成增强CT图像进一步提升性能 | NA | 开发并验证一种基于CycleGAN合成增强CT图像的混合深度学习-影像组学模型，以区分晚期与非晚期肝纤维化 | 410例经活检确诊的肝纤维化患者 | 计算机视觉, 机器学习 | 肝纤维化 | CT成像, CycleGAN | CycleGAN, 深度学习模型, 放射组学模型, 机器学习分类器 | 图像 | 410例患者的非增强和增强CT图像 | NA | CycleGAN, 端到端深度学习模型 | AUC, 准确率, 校准曲线, 决策曲线分析, DeLong检验 | NA |
| 4370 | 2026-06-05 |
Deep learning for clinically significant prostate cancer detection on MRI: a systematic review, HSROC meta-analysis, and direct comparison with PI-RADS-based interpretation
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05594-y
PMID:42240646
|
综述 | 系统评价深度学习在MRI检测临床显著性前列腺癌中的诊断准确性，并与PI-RADS解读进行直接比较 | 首次对深度学习在前列腺MRI中检测csPCa进行系统综述和HSROC荟萃分析，并直接对比深度学习单独、PI-RADS单独及AI辅助联合解读三种模式的诊断效能 | 特异性异质性高、HSROC预测区域宽泛限制了合并特异性的可迁移性；缺乏前瞻性验证、校准和患者层面安全性研究 | 评估深度学习在前列腺MRI中检测临床显著性前列腺癌的诊断准确性及其临床适用性 | 基于MRI的深度学习模型检测临床显著性前列腺癌 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | MRI图像 | 36项研究共9411例患者 | NA | NA | 敏感性、特异性、阳性似然比、阴性似然比 | NA |
| 4371 | 2026-06-05 |
Decoding Occult Cervical Lymph Node Metastasis in Head and Neck Squamous Cell Carcinoma: From AI-Driven Multimodal Fusion to Clinical Translation
2026-Jun-04, Current oncology reports
IF:4.7Q1
DOI:10.1007/s11912-026-01802-6
PMID:42240903
|
综述 | 探讨多组学技术与人工智能驱动的跨尺度多模态融合在检测头颈部鳞状细胞癌隐匿性颈部淋巴结转移中的应用及其临床转化 | 将高吞吐组学数据（如全基因组DNA甲基化和空间转录组学）与传统影像组学通过深度学习模型结合，显著提升检测性能，并引入栖息地影像组学和跨模态融合网络以更精细地刻画空间肿瘤异质性和早期转移微环境演变 | 需要进一步验证以支持安全的手术降级和更个性化的治疗策略 | 解决临床淋巴结阴性头颈部鳞状细胞癌患者中隐匿性转移检测的长期挑战，平衡过度治疗与治疗不足 | 头颈部鳞状细胞癌患者，特别是临床淋巴结阴性的患者 | 机器学习, 数字病理学 | 头颈部鳞状细胞癌 | 全基因组DNA甲基化测序, 空间转录组学, 影像组学 | 深度学习模型 | 组学数据, 影像数据 | NA | NA | 栖息地影像组学网络, 跨模态融合网络 | 检测性能（具体指标未提及） | NA |
| 4372 | 2026-06-05 |
Comment on "Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology"
2026-Jun-04, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-026-01386-y
PMID:42240947
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4373 | 2026-06-05 |
A Deep Learning Perspective on Preoperative Ultrasound and Intraoperative Discordance in Transcervical Fibroid Ablation
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70325
PMID:42234588
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4374 | 2026-06-05 |
A Deep Learning-Based Multimodal Nomogram for HLHS Risk Assessment: Practical Considerations
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70323
PMID:42234603
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4375 | 2026-06-05 |
GMC-Bind: A Multimodal Framework for RNA-Protein Binding Site Prediction with Bidirectional Cross-Attentional Fusion
2026-Jun-03, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3700035
PMID:42235009
|
研究论文 | 提出了一种结合多尺度窗口卷积、图注意力和双向交叉注意力机制的多模态框架GMC-Bind，用于RNA-蛋白质结合位点预测 | 通过双向交叉注意力机制实现局部序列特征与全局结构依赖的高效协同建模，并创新性地融合了多尺度卷积提取可变长度基序特征与图注意力编码RNA二级结构空间拓扑 | 未在更广泛数据集验证，且框架复杂度可能增加计算开销 | 提高RNA-蛋白质结合位点预测的准确性，以深入理解基因调控和疾病机制 | RNA-蛋白质结合位点 | 机器学习 | NA | 深度学习 | 多模态混合模型（CNN+GNN+交叉注意力） | 序列和结构数据 | RBP-24数据集（24个子数据集） | PyTorch | 多尺度卷积、图注意力网络、双向交叉注意力机制 | AUC | NA |
| 4376 | 2026-06-05 |
Deep Learning Reconstruction in MRI: Unlocking Efficiency, Enhancing Image Quality, and Navigating Practical Limits
2026-Jun-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9404
PMID:42235965
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4377 | 2026-06-05 |
Diabetes Management Through Glucose Dynamics Analysis Network: A Novel Approach for Accurate Blood Glucose Level Forecasting
2026-Jun-03, Diabetes, obesity & metabolism
DOI:10.1111/dom.70930
PMID:42236259
|
研究论文 | 提出一种名为葡萄糖动力学分析网络的新型混合框架，用于准确预测血糖水平 | 结合样条插值、扩张卷积残差网络、Adamax优化和双向长短期记忆网络的混合框架，有效处理缺失值、提取时空特征并优化超参数 | 需进一步进行硬件级验证和计算效率分析才能部署到实时和可穿戴糖尿病监测系统 | 提高血糖水平预测的准确性，以改进胰岛素给药决策支持系统 | 1型糖尿病患者的血糖水平 | 机器学习 | 糖尿病 | NA | 双向长短期记忆网络, 扩张卷积残差网络 | 时间序列数据 | OhioT1DM数据集 | Adamax | DilaConv-ResNet, BiLSTM | 均方根误差, 平均绝对误差, R方, 均方误差 | NA |
| 4378 | 2026-06-05 |
Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly
2026-Jun-03, Ultrasound in medicine & biology
|
研究论文 | 开发和评估基于深度学习的产前超声图像脑室增大检测模型 | 利用超声数据预训练的自监督基础模型USF-MAE进行微调，在产前超声图像中检测脑室增大，模型具有可解释性 | 未提及具体局限性 | 开发并评估用于产前超声图像中检测脑室增大的深度学习模型 | 胎儿脑超声图像 | 计算机视觉 | 脑室增大 | 超声成像 | Vision Transformer | 超声图像 | 预训练使用超过37万张超声图像，微调使用胎儿脑图像数据集 | PyTorch | USF-MAE, VGG-19, ResNet-50, ViT-B/16, MoCo v3 | 准确率, 精确率, 召回率, 特异度, F1分数, AUC-ROC, AUC-PR | NA |
| 4379 | 2026-06-05 |
Genetic architecture of white matter microstructure captured by unsupervised deep representation learning of fractional anisotropy maps
2026-Jun-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73996-z
PMID:42236496
|
研究论文 | 提出一种无监督深度表示学习框架UDR-WM，利用全脑分数各向异性（FA）图捕捉白质微结构的遗传结构 | 无需先验解剖假设，从体素级FA图学习无监督深度成像表型（UDIP-FA），相比传统ROI方法更敏感地检测衰老效应和SNP遗传力 | NA | 研究白质微结构的遗传基础及其与脑疾病、认知功能的关联 | 白质微结构的遗传结构 | 机器学习 | 脑疾病 | 扩散磁共振成像 | 深度学习 | 图像 | NA | NA | UDR-WM | NA | NA |
| 4380 | 2026-06-05 |
Quantifying agricultural resilience under climate variability: a data-driven climate resilience index for European cereal systems
2026-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-54921-2
PMID:42236573
|
研究论文 | 提出一种数据驱动的气候韧性指数，用于评估欧洲谷物系统在气候变异性下的农业韧性 | 将长期生产力趋势与短期气候波动分离，利用机器学习与深度学习模型（包括TCN-LSTM混合架构）构建多维度的气候韧性指数，并通过主成分分析整合气候暴露指标 | 未明确提及具体研究限制 | 量化欧洲谷物系统在气候变异性下的农业韧性，建立综合的多维度评估框架 | 欧洲谷物系统，包括不同国家的产量时间序列数据 | 机器学习 | 不适用 | 气候指数分析、产量时间序列分解 | 随机森林、CatBoost、CNN、LSTM、TCN、TCN-LSTM混合模型 | 产量时间序列数据、气候极端指数数据 | 未明确说明具体样本数量，但涉及多个欧洲国家 | 未明确说明 | TCN-LSTM混合模型、LSTM、TCN、CNN、随机森林、CatBoost | R²（决定系数） | NA |