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 43005 篇文献，本页显示第 4681 - 4700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4681 | 2026-02-12 |
Construction and validation of a CT-based radiomics-deep learning signature for non-invasive prediction of PD-L1 expression and immunotherapy outcomes in non-small cell lung cancer
2026-Jan-31, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-1-1433
PMID:41659266
|
研究论文 | 本研究构建并验证了一种基于CT的放射组学-深度学习特征，用于无创预测非小细胞肺癌的PD-L1表达及免疫治疗结果 | 融合了放射组学特征和深度学习特征，开发了一种新型的CT图像签名（RADLsig），用于无创预测PD-L1表达和免疫治疗反应，相比单一方法性能更优 | 研究为回顾性设计，模型开发队列中腺癌占主导且多为早期疾病，可能限制了泛化性；PD-L1表达检测依赖免疫组化，存在采样偏差等固有局限 | 开发一种非侵入性预测工具，用于评估非小细胞肺癌患者的PD-L1表达状态和免疫治疗临床结局 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像, 免疫组化, 单细胞RNA测序 | 深度学习, 放射组学 | CT图像 | 模型开发队列531例患者，独立免疫治疗验证队列145例患者，TCIA验证队列128例患者 | PyRadiomics | NA | AUC, 客观缓解率, 相关系数 | NA |
| 4682 | 2026-02-12 |
A CT imaging-based deep learning model for predicting EGFR and KRAS mutations in non-small cell lung cancer: toward personalized treatment approaches
2026-Jan-31, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-1043
PMID:41659270
|
研究论文 | 本研究开发并外部验证了一种基于CT成像和临床变量的多模态深度学习模型，用于无创预测非小细胞肺癌中的EGFR和KRAS突变 | 提出了结合CT成像特征与临床变量的多模态深度学习模型LG-MutaNet，并在多个外部数据集上验证了其预测EGFR和KRAS突变的高性能 | 研究依赖于公开数据集，可能受数据质量和样本选择偏差影响；模型在更广泛人群中的泛化能力仍需进一步验证 | 开发一种非侵入性方法，通过CT成像和临床数据预测非小细胞肺癌的关键基因突变，以支持个性化治疗决策 | 非小细胞肺癌患者的CT扫描图像及相关临床变量 | 数字病理学 | 肺癌 | CT成像 | 深度学习模型 | 图像, 临床数据 | 来自TCIA（包括NSCLC Radiogenomics、TCGA-LUSC和TCGA-LUAD）的多个数据集 | NA | Local-Global Mutation Network (LG-MutaNet) | AUC, 准确率, 敏感性, 特异性, F1分数 | NA |
| 4683 | 2026-01-28 |
Letter to the editor: Deep learning and digital pathology for HCC prediction in steatotic liver disease
2026-Jan-26, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001696
PMID:41587349
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4684 | 2026-02-12 |
Novel discovery framework: harnessing adaptive learning for breakthroughs in drug development and clinical applications
2026-Jan-16, Integrative biology : quantitative biosciences from nano to macro
IF:1.5Q4
DOI:10.1093/intbio/zyaf024
PMID:41665938
|
综述 | 本文回顾了深度学习在药物研发和临床应用中的新兴范式——自适应学习，探讨其如何通过动态架构应对研发挑战 | 提出了自适应学习作为下一代深度学习框架，强调自组织模型能随时间调整输入以优化学习，突破传统静态分析结构的限制 | 从转化研究视角看，当前深度学习在药物发现中的局限性讨论较少，且自适应学习框架仍处于早期阶段，实际应用验证不足 | 探索药物研发和临床应用中应对高成本和高失败率的新框架，重点关注患者分层和疗法匹配的改进 | 药物研发流程、临床患者数据、疾病相互作用网络 | 机器学习 | NA | NA | 液体神经网络, 图注意力算法, 数字孪生 | NA | NA | NA | NA | NA | NA |
| 4685 | 2026-02-12 |
A fully autonomous AI system for accurate and reproducible Cobb angle measurement in adolescent idiopathic scoliosis: a multicenter study
2026-Jan-06, The spine journal : official journal of the North American Spine Society
DOI:10.1016/j.spinee.2026.01.010
PMID:41506453
|
研究论文 | 本研究开发了一种基于人工智能的全自动系统，用于在青少年特发性脊柱侧凸的全脊柱X光片上准确、可重复地测量Cobb角 | 开发了SPARC AI系统，实现了无需人工干预的全自动Cobb角测量，相比专家初始评估，能检测更高比例的脊柱曲线（94.0% vs. 86.4%）且误差范围更小（±20.3° vs. ±41.3°） | 研究为回顾性、观察性设计，可能受限于数据收集的医院和患者群体；未明确说明模型在外部验证集上的泛化性能 | 开发一个自动化、可重复的人工智能系统，以辅助全脊柱X光片上的Cobb角估计，减少诊断不确定性 | 青少年特发性脊柱侧凸（AIS）患者的全脊柱前后位/后前位X光图像 | 计算机视觉 | 青少年特发性脊柱侧凸 | X光成像 | 深度学习模型 | 图像 | 484张X光图像，包含1,054条经脊柱外科医生达成共识的曲线 | 未明确说明 | 未明确说明 | 平均绝对误差（MAE），检测比例，误差范围 | 未明确说明 |
| 4686 | 2026-02-12 |
Combining Pre- and Post-Demosaicking Noise Removal for RAW Video
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3527886
PMID:40031011
|
研究论文 | 本文提出了一种结合去马赛克前后去噪的自相似性去噪方案，用于Bayer模式CFA视频数据 | 通过加权预去马赛克和后去马赛克去噪器，并集成时间轨迹预滤波步骤，实现自适应不同噪声水平的实时视频去噪 | 未明确提及模型对极端场景或未知噪声分布的泛化能力限制 | 开发一种自适应噪声水平、适用于真实世界视频处理的去噪方法 | Bayer模式CFA视频数据 | 计算机视觉 | NA | 深度学习去噪 | 神经网络 | 视频 | NA | NA | NA | 图像质量 | NA |
| 4687 | 2026-02-12 |
Is EMG Information Necessary for Deep Learning Estimation of Joint and Muscle Level States?
2026-Jan, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3577084
PMID:40471740
|
研究论文 | 本研究探讨了在深度学习模型中，肌电图（EMG）信息对于估计关节和肌肉水平生理状态的必要性 | 通过比较使用和不使用EMG信息的深度学习模型，首次系统评估了EMG在关节和肌肉状态估计中的作用，并发现仅训练时使用EMG即可显著提升肌肉状态估计性能 | 需要EMG作为模型输入的方法在实际部署中可能不切实际，因为需要获取EMG数据 | 开发准确、非侵入性的方法来估计关节和肌肉的生理状态，以增强可穿戴设备在真实世界行走中的控制 | 膝关节的生理状态，包括力矩、功率、速度和力 | 机器学习 | NA | 深度学习 | 深度学习模型 | 运动学输入 | 28种不同的周期性和非周期性任务 | NA | NA | NA | NA |
| 4688 | 2026-02-12 |
Reduction of membrane-derived noise using beam-tilt measurement and deep learning in observation using environmental cell
2026-Jan-01, Microscopy (Oxford, England)
DOI:10.1093/jmicro/dfaf031
PMID:40581827
|
研究论文 | 提出一种结合电子束倾斜测量和深度学习的方法，用于去除环境细胞电子显微镜中由硅氮化物膜引起的噪声 | 首次将Noise2Noise深度学习模型应用于电子束倾斜序列图像，有效分离膜噪声与样本信息，并同步消除泊松噪声 | 未明确说明方法对动态样本或极端环境条件的适用性，且未提供量化对比实验数据 | 提升环境细胞电子显微镜在气体/液体环境中观测纳米材料的图像质量 | 催化剂及其他纳米材料在环境细胞中的透射电子显微镜图像 | 计算机视觉 | NA | 透射电子显微镜，环境细胞技术 | 深度学习 | 图像序列 | NA | NA | Noise2Noise | 信噪比 | NA |
| 4689 | 2026-02-12 |
Application of explainable artificial intelligence integrating with electronic health record in oncology
2026, Exploration of targeted anti-tumor therapy
DOI:10.37349/etat.2026.1002357
PMID:41657585
|
综述 | 本文综述了可解释人工智能（XAI）方法在基于电子健康记录（EHR）的肿瘤学任务中的应用、挑战及未来研究方向 | 总结了当前XAI在肿瘤学EHR任务中的应用方法，并提出了加速其在肿瘤学中安全采用的实用建议和研究方向 | 存在报告不一致、临床效用评估不足、可重复性有限、外部验证不足以及对公平性考虑不充分等差距 | 提高基于EHR的肿瘤学机器学习模型的透明度和临床可接受性，以改善肿瘤学护理 | 基于电子健康记录的肿瘤学机器学习模型 | 机器学习 | 肿瘤学 | NA | 树模型, 广义可加模型 | 电子健康记录 | NA | NA | NA | NA | NA |
| 4690 | 2026-02-12 |
IoMT-Fog-Cloud-based AI frameworks for chronic disease diagnosis: updated comparative analysis with recent AI-IoMT models (2020-2025)
2026, Frontiers in medical technology
IF:2.7Q3
DOI:10.3389/fmedt.2026.1748964
PMID:41657732
|
综述 | 本文对2020年至2025年间发表的基于AI的IoMT系统研究进行了比较分析，重点关注用于糖尿病和心血管疾病诊断的IoMT-Fog-Cloud框架，并评估其诊断性能和网络服务质量 | 首次对2020-2025年间AI驱动的IoMT-Fog-Cloud框架进行系统性比较分析，重点关注诊断性能与网络QoS的联合评估，并提出了可复现比较的14项指标分类体系 | 纳入研究数量有限（14项），部分研究报告的性能可能过于乐观，存在小数据集、类别不平衡、模拟评估中的潜在数据泄露或过拟合等问题 | 比较分析近期（2020-2025）用于慢性疾病诊断的AI-IoMT模型与IoMT-Fog-Cloud框架的性能与服务质量 | 糖尿病和心血管疾病患者 | 医疗物联网 | 糖尿病, 心血管疾病 | NA | 可解释深度学习, 集成深度学习 | 生物信号流数据 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数, 灵敏度, 特异性 | Fog计算, 云计算 |
| 4691 | 2026-02-12 |
Construction and validation of deep learning-based pathomics signature model for predicting postoperative recurrence of patients with clear cell renal cell carcinoma
2026, American journal of cancer research
IF:3.6Q2
DOI:10.62347/ZCHX8002
PMID:41657786
|
研究论文 | 本研究开发了一种基于注意力的多实例深度卷积神经网络（CRPNet），用于早期预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险 | 提出了一种新的基于注意力的多实例深度卷积神经网络（CRPNet），用于从全切片图像中提取病理组学特征以预测ccRCC术后复发，其性能超越了包括UISS、SSIGN和Karakiewicz列线图在内的传统预后模型 | 模型在验证队列中的召回率（63.16%）和假阴性率（36.84%）仍有提升空间，且研究样本量相对有限（训练集183例，验证集75例） | 开发并验证一个深度学习模型，以准确预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险 | 透明细胞肾细胞癌（ccRCC）患者 | 数字病理学 | 肾细胞癌 | 全切片图像（WSI）分析 | CNN | 图像 | 训练集：183例ccRCC患者的WSI；验证集：75例ccRCC患者的WSI | NA | CRPNet（一种基于注意力的多实例深度卷积神经网络） | AUC, 准确率, 精确率, 召回率, 假阳性率, 假阴性率, C-index, 风险比, Kaplan-Meier分析 | NA |
| 4692 | 2026-02-12 |
3DeepVOG: An Open-Source Framework for Real-Time, Accurate 3D Gaze Tracking with Deep Learning
2026 Jan-Dec, Digital biomarkers
DOI:10.1159/000549948
PMID:41658975
|
研究论文 | 本文介绍了3DeepVOG，一个基于深度学习的开源框架，用于实时、准确的三维单目注视跟踪，包括水平、垂直和扭转旋转 | 结合自动瞳孔和虹膜分割与几何可解释估计，使用双球解剖眼球模型和角膜折射校正，并采用新颖的小块模板匹配方法实时跟踪扭转运动 | NA | 开发一个在多样化成像条件下（包括低光和噪声环境）稳健运行的三维注视跟踪框架，以克服传统视频眼动图系统的局限性 | 眼动作为神经耳科、神经眼科和神经退行性疾病的生物标志物 | 计算机视觉 | 神经退行性疾病 | 视频眼动图 | 深度学习 | 图像 | 超过24,000个注释样本，来自多个设备和临床场景 | NA | NA | 注视误差（约0.1°）、扫视峰值速度、平滑追踪增益、视动性眼震慢相速度 | NA |
| 4693 | 2026-02-12 |
PhysMorph: A biomechanical and image-guided deep learning framework for real-time multi-modal liver image registration
2026-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.100906
PMID:41659345
|
研究论文 | 本文提出并验证了PhysMorph，一种结合生物力学正则化和图像相似性度量的深度学习框架，用于实现肝脏多模态图像的实时配准 | 将有限元方法模拟作为生物力学正则化整合到深度学习配准框架中，实现了快速、解剖学上合理的MR-CBCT图像配准 | NA | 开发一个快速、准确且物理真实的肝脏图像配准框架，以支持立体定向体部放射治疗 | 肝脏图像，包括预处理磁共振成像和机载锥形束计算机断层扫描 | 计算机视觉 | 肝癌 | 磁共振成像, 锥形束计算机断层扫描 | 深度学习 | 图像 | 两个数据集：1) 从纵向MR-Linac扫描中获得的模拟数据；2) 来自肝脏SBRT患者的临床MR-CBCT图像对 | NA | NA | 目标配准误差, 平均表面距离, 生物力学保真度指标 | NA |
| 4694 | 2026-02-12 |
BTdiagAI: A Web-Deployed Hybrid Framework for Brain Tumor Classification Using Optimized MRI Preprocessing and Deep Learning Fusion
2026 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.70053
PMID:41659364
|
研究论文 | 本研究提出了一种基于优化MRI预处理和深度学习融合的混合框架BTdiagAI，用于脑肿瘤分类，并通过Web平台实现部署 | 系统评估了五种MRI预处理方法，并提出了一个融合微调InceptionV3、DenseNet121和Xception网络的深度学习框架，结合特征选择和机器学习分类，以解决类不平衡问题 | 研究未明确讨论预处理方法在不同肿瘤类型或MRI设备间的泛化能力，且可能受限于所用数据集的规模和多样性 | 开发一个高效、准确的脑肿瘤自动分类系统，以辅助临床诊断 | 脑部MRI扫描图像 | 计算机视觉 | 脑肿瘤 | MRI预处理（包括CLAHE、Nyul归一化、N4偏置校正、模板配准、White Stripe归一化） | CNN | 图像 | NA | TensorFlow, Keras | InceptionV3, DenseNet121, Xception | 准确率 | NA |
| 4695 | 2026-02-12 |
Case Report: Novel ASAP1::BRAF fusion in a young adult with low-grade temporal lobe glioma
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1763047
PMID:41659712
|
病例报告 | 报告了一名年轻成年低级别颞叶胶质瘤患者中发现的新的ASAP1::BRAF融合基因 | 首次报道了ASAP1::BRAF融合基因在低级别胶质瘤中的存在，扩展了BRAF融合伴侣的谱系 | 仅基于单个病例报告，缺乏大规模临床验证和功能实验证实 | 描述低级别胶质瘤中一种新型BRAF融合基因的分子特征及其临床意义 | 一名31岁女性低级别颞叶毛细胞星形细胞瘤患者 | 数字病理学 | 脑胶质瘤 | RNA测序, 深度学习验证 | 深度学习 | RNA测序数据 | 1例患者肿瘤样本 | FusionAI | NA | 融合概率评分 | NA |
| 4696 | 2026-02-12 |
Accuracy of artificial intelligence applications in periodontics: a thematic narrative review
2026, Frontiers in dental medicine
IF:1.5Q3
DOI:10.3389/fdmed.2026.1729825
PMID:41660180
|
综述 | 本文综述了2019年至2025年间发表的35项研究，评估了人工智能在牙周病学诊断中的应用准确性 | 首次对牙周病学中人工智能应用的准确性进行了主题性叙事综述，并综合了多中心、外部验证和可解释性研究的最新进展 | 研究间存在数据集、解剖部位、参考标准、模型架构和报告实践的显著异质性，且自主诊断仍不成熟 | 评估人工智能在牙周病学诊断中的准确性，并探讨其临床转化路径 | 牙周病学诊断，包括牙槽骨丧失检测、牙槽骨水平测量、根分叉病变识别和根尖周病变检测 | 数字病理学 | 牙周病 | 影像学技术（根尖片、咬翼片、全景片、锥形束CT、口内照片） | CNN, Transformer | 图像（放射影像、口内照片） | 35项研究（具体样本量未在摘要中明确给出） | NA | 卷积神经网络, Transformer网络, 混合分割-分类架构 | 诊断准确性, AUC, 灵敏度, 特异性 | NA |
| 4697 | 2026-02-12 |
Assessing the potential of deep learning for protein-ligand docking
2026, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-025-01160-1
PMID:41624973
|
研究论文 | 本文通过引入PoseBench基准，系统评估了深度学习方法在蛋白质-配体对接中的表现，特别是在预测结构、多配体结合和无先验口袋知识等广泛适用场景下的应用潜力 | 首次系统研究了深度学习方法在预测蛋白质结构、多配体结合和无先验口袋知识等广泛适用场景下的对接行为，并引入了多配体基准数据集 | 深度学习方法在预测新蛋白质-配体结合构象时仍面临挑战，且在结构准确性与化学特异性之间难以取得平衡 | 评估深度学习方法在蛋白质-配体对接中的实际应用潜力，特别是在药物发现和酶设计等生物医学研究领域 | 蛋白质-配体对接方法，特别是深度学习方法 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质结构数据, 配体数据 | NA | NA | AlphaFold 3 | 结构准确性, 化学特异性 | NA |
| 4698 | 2026-02-12 |
SonoMind: deep learning-based voice analysis for mental health monitoring
2026 Jan-Feb, Rivista di psichiatria
IF:1.0Q4
DOI:10.1708/4641.46506
PMID:41665892
|
研究论文 | 本研究提出了一种名为SonoMind的自适应深度学习框架，用于通过语音信号进行早期抑郁症检测 | 提出了一种仅基于语音的非侵入式、客观且保护隐私的抑郁症检测框架，结合了自适应谱配对降噪、同步声学特征学习和自适应磷虾-狼群优化算法进行特征选择 | 仅使用公开可用的DAIC-WOZ临床访谈数据集进行评估，未在更广泛或多样化的临床环境中进行验证 | 开发一种高效可靠的仅基于语音的临床抑郁症检测工具，以解决现有筛查工具的不足 | 抑郁症患者的语音信号 | 自然语言处理 | 抑郁症 | 语音信号分析 | 神经网络 | 语音信号 | 使用公开的DAIC-WOZ临床访谈数据集 | NA | NA | 准确率, 精确率, 召回率, F1分数, 平均绝对误差, 均方根误差 | NA |
| 4699 | 2026-02-12 |
Correction: Deep learning for atrial electrogram estimation: toward non-invasive arrhythmia mapping using variational autoencoders
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1788430
PMID:41669084
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4700 | 2025-12-28 |
From lesion detection to outcome prediction: artificial intelligence and deep learning applications in multiple sclerosis
2025-Dec-27, Neurological sciences : official journal of the Italian Neurological Society and of the Italian Society of Clinical Neurophysiology
IF:2.7Q3
DOI:10.1007/s10072-025-08661-2
PMID:41454173
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |