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 4901 - 4920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4901 | 2026-02-06 |
Image Fusion for Super-Resolution Mass Spectrometry Imaging of Plant Tissue
2026-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202512662
PMID:41255198
|
研究论文 | 本研究提出了一种名为损失控制残差网络（LCRN）的工作流程，专门用于植物质谱成像数据的超分辨率融合 | 引入了边缘感知损失函数，用于评估复杂形态信息，并应用于损失传播，以提升融合质量，实现了高达20倍的超分辨率融合 | NA | 提升植物质谱成像数据的超分辨率融合质量 | 植物组织 | 计算机视觉 | NA | 质谱成像（MSI） | CNN | 图像 | NA | NA | 残差连接神经网络 | 边缘感知损失 | NA |
| 4902 | 2026-02-06 |
Deformation Prediction of 4D-Printed Active Composite Structures Based on Data Mining
2026-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202516989
PMID:41293877
|
研究论文 | 本文提出了一种基于数据挖掘的可扩展变形预测方法，用于预测4D打印活性复合结构的变形 | 提出曲率驱动序列点生成算法，可预测任意长度体素编码的变形，相比传统有限元方法显著提升效率，相比深度学习方法提高精度并解决泛化能力不足的问题 | 未明确说明方法对超大规模体素结构的适用性极限，也未讨论算法在极端几何形状下的表现 | 开发高效准确的4D打印活性复合结构变形预测方法 | 4D打印的活性复合结构 | 机器学习 | NA | 4D打印，数据挖掘 | NA | 体素编码数据，特征数据 | NA | NA | 曲率驱动序列点生成算法 | 预测效率，预测精度，泛化能力 | NA |
| 4903 | 2026-02-06 |
Deep learning-based classification of lung adenocarcinoma subtypes in histopathological images using DS-EffNet
2026-Feb, Human pathology
IF:2.7Q2
DOI:10.1016/j.humpath.2025.106020
PMID:41421723
|
研究论文 | 本研究提出了一种基于深度学习的模型DS-EffNet，用于肺腺癌组织病理学图像亚型的自动分类 | 将深度可分离残差块、RefConv、通道注意力池化和多维协作注意力模块集成到EfficientNetV2-S架构中，优化了特征提取和复杂病理模式建模 | 未明确提及模型在更大规模或更多样化数据集上的泛化能力验证 | 提高肺腺癌组织病理学图像亚型分类的准确性和效率 | 肺腺癌组织病理学图像 | 数字病理学 | 肺癌 | 组织病理学成像 | CNN | 图像 | 主要实验数据集和LC25000数据集，具体样本数量未明确 | NA | EfficientNetV2-S | 准确率, F1分数, AUC | NA |
| 4904 | 2026-02-06 |
High-resolution optogenetics generates distinguishable neocortical activity patterns in awake mice
2026-Feb, Neuroscience research
IF:2.4Q3
DOI:10.1016/j.neures.2025.105012
PMID:41448496
|
研究论文 | 本研究开发了一种基于数字微镜器件的高分辨率光遗传学平台，用于在清醒小鼠中精确控制新皮质神经元群体活动 | 开发了具有2微米空间分辨率和0.2毫秒时间分辨率的光刺激平台，能够产生可区分的神经活动模式 | 研究仅限于初级体感皮层和表达通道视紫红质-2的小鼠模型 | 探究认知的神经基础，通过精确控制神经元群体活动来研究网络动力学 | 表达通道视紫红质-2的清醒小鼠的初级体感皮层 | 神经科学 | NA | 光遗传学，数字微镜器件光刺激，电生理记录 | 深度学习算法 | 电生理信号 | NA | NA | NA | 分类准确率 | NA |
| 4905 | 2026-02-06 |
Approaches for accelerating microbial gene function discovery using artificial intelligence
2026-Feb, Nature microbiology
IF:20.5Q1
DOI:10.1038/s41564-025-02214-1
PMID:41501479
|
综述 | 本文回顾了人工智能在加速微生物基因功能发现方面的最新进展，并讨论了实现可解释和高通量人工智能引导注释的未来方向 | 整合计算与实验方法，开发系统化基因功能发现工作流程，利用深度学习改进基因功能预测 | 传统注释方法受限于可扩展实验技术的缺乏和基于同源性的计算方法的局限性 | 加速微生物基因功能发现，实现更高效、准确和全面的基因组注释 | 微生物基因组中的未知功能基因 | 机器学习 | NA | 基因组测序技术 | 深度学习 | 基因组数据 | NA | NA | NA | NA | NA |
| 4906 | 2026-02-06 |
Nocturnal enteral feeding and mechanical ventilation risk in intensive care unit patients: A deep Learning-Based causal inference study
2026-Feb, Clinical nutrition (Edinburgh, Scotland)
DOI:10.1016/j.clnu.2025.106556
PMID:41518874
|
研究论文 | 本研究利用深度学习因果推断模型，探讨了ICU患者夜间肠内营养与机械通气风险之间的关联 | 首次采用深度学习因果推断模型评估夜间肠内营养对机械通气风险的平均处理效应，并结合SHAP分析识别关键预测因子 | 研究基于观察性数据，可能存在未测量的混杂因素，且外部验证队列的样本量相对较小 | 探究ICU患者夜间肠内营养是否增加机械通气需求 | 重症监护病房（ICU）患者 | 机器学习 | NA | 深度学习因果推断 | 深度学习因果推断模型 | 电子健康记录数据 | MIMIC-IV队列1551例，eICU队列3394例 | NA | NA | 比值比（OR），置信区间（CI），平均处理效应（ATE） | NA |
| 4907 | 2026-02-06 |
Multistream Deep Learning Models Using Multimodal Optical Coherence Tomography for Predicting Visual Impairment in Epiretinal Membrane
2026-Feb, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.10.023
PMID:41636542
|
研究论文 | 本研究开发了一种多流深度学习模型，利用多模态光学相干断层扫描图像预测视网膜前膜患者的视力损伤 | 首次提出结合八种不同OCT图像类型的多流深度学习模型来预测视网膜前膜视力损伤，并通过热图可视化识别可能的生物标志物 | 研究为单中心回顾性设计，样本量有限，外部验证集规模较小 | 开发深度学习模型预测视网膜前膜患者的视力损伤程度，并识别相关的OCT生物标志物 | 被诊断为特发性视网膜前膜的患者 | 数字病理学 | 视网膜疾病 | 光学相干断层扫描 | 深度学习 | 图像 | 351组图像用于模型开发，50组用于外部验证 | NA | 多流深度学习模型 | 准确率 | NA |
| 4908 | 2026-02-06 |
Automatic liver Couinaud segmentation from computed tomography scans with a gradient-enhanced hierarchical cascade deep learning network
2026-Feb, Current problems in surgery
IF:2.3Q2
DOI:10.1016/j.cpsurg.2025.101957
PMID:41638851
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4909 | 2026-02-02 |
Deep learning framework for timely detection and classification of chili leaf diseases and pests
2026-Jan-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34477-3
PMID:41620433
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4910 | 2026-02-06 |
Adversarial robust EEG-based brain-computer interfaces using a hierarchical convolutional neural network
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34024-0
PMID:41617748
|
研究论文 | 本研究提出了一种用于脑机接口的三层分层卷积神经网络，旨在同时提升运动意图分类的准确性和对抗攻击的鲁棒性 | 提出了一种新颖的三层分层卷积神经网络架构，通过结构化的层次化解码流程（区分运动想象与执行、单侧与双侧任务、细粒度运动分类）来提升模型对抗攻击的鲁棒性 | 研究仅在公开的BCI Competition IV-2a数据集上进行评估，且数据仅来自健康受试者，未在临床患者数据或更大规模数据集上验证 | 提升基于脑电图的脑机接口在对抗攻击下的鲁棒性和可靠性，以保障其在康复治疗和辅助设备控制等安全关键应用中的安全性 | 运动想象和运动执行任务相关的脑电图信号 | 机器学习 | NA | 脑电图 | CNN | 脑电图信号 | 9名健康受试者的多类运动想象脑电图记录（来自BCI Competition IV-2a数据集） | NA | 分层卷积神经网络 | 准确率 | NA |
| 4911 | 2026-02-06 |
Multi-timescale representation with adaptive routing for deep tabular learning under temporal shift
2026-Jan-30, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108670
PMID:41638097
|
研究论文 | 提出一种名为TARS的即插即用方法，用于提升深度学习模型在时序漂移下的表格数据学习鲁棒性 | 首次提出多时间尺度表示与自适应路由机制，通过显式时序编码器分解时间戳为短、中、长期嵌入，并结合隐式漂移编码器跟踪高阶分布统计，实现动态时间尺度加权 | 未明确说明方法在极端时序漂移场景下的性能边界，也未讨论计算复杂度增加对实际部署的影响 | 解决表格数据因时间演化导致的时序漂移问题，提升深度学习模型的长期性能稳定性 | 随时间演化的真实世界表格数据集 | 机器学习 | NA | NA | 深度学习 | 表格数据 | 八个真实世界数据集（来自TabReD基准） | 未指定 | MLP, DCNv2 | 相对改进率 | NA |
| 4912 | 2026-02-06 |
Adaptive fusion based deep learning framework for restoring underwater image quality using multi scale attention features
2026-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32519-4
PMID:41611737
|
研究论文 | 本文提出了一种基于自适应融合的深度学习框架，利用多尺度注意力特征来恢复水下图像质量 | 提出了ERUI-MSAF模型，该模型集成了通道和空间注意力特征，并采用自适应双边滤波进行预处理，结合深度小波网络和EfficientNet进行特征融合，以自适应地强调水下图像中的信息特征和区域 | NA | 开发一种有效的方法来恢复水下图像，通过提高可见性和增强图像整体质量 | 水下图像 | 计算机视觉 | NA | NA | 深度学习 | 图像 | 使用了EUVP和UIEB两个数据集，具体样本数量未明确说明 | NA | 深度小波网络, EfficientNet | PSNR | NA |
| 4913 | 2026-02-06 |
Application of a novel approach for dementia prevalence prediction in Taiwan
2026-Jan-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34592-1
PMID:41519877
|
研究论文 | 本研究提出了一种优化的机器学习模型FGOASVR，用于有效预测台湾的痴呆症患病率趋势 | 提出了一种新颖的飞鹅优化算法支持向量回归（FGOASVR）模型，用于痴呆症患病率预测，并在与多种统计、深度学习和混合模型的比较中表现出最高的准确性和稳定性 | 研究仅基于台湾的国民健康保险研究数据库数据，模型在其他地区或人群的泛化能力未经验证 | 预测痴呆症患病率趋势，以支持数据驱动的公共卫生预测和政策制定 | 台湾1998年至2023年的年度痴呆症诊断数据 | 机器学习 | 老年疾病 | NA | 支持向量回归（SVR），长短期记忆网络（LSTM） | 时间序列数据 | 1998年至2023年的年度痴呆症诊断数据（来自台湾NHIRD） | NA | FGOASVR, ARIMA, HWETS, LSTM, SVR, PSOSVR, DESVR, WOASVR, HHOSVR | 平均绝对百分比误差（MAPE），均方根误差（RMSE） | NA |
| 4914 | 2026-01-11 |
Automatic bone age assessment: a deep learning case study on the Brazilian population with a supporting mobile application prototype
2026-Jan-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34651-7
PMID:41513744
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4915 | 2026-02-06 |
An end-to-end framework for data lineage analysis covering link pattern recognition, fault diagnosis, and early warning
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34522-1
PMID:41501163
|
研究论文 | 本文提出了一种基于数据血缘的端到端全链路智能分析框架（EEFL），用于链路模式识别、故障诊断和预警 | 结合图结构与深度学习算法，通过动态数据血缘图模型、图神经网络提取拓扑特征、时间卷积网络捕获长期依赖关系，并引入动态阈值预警机制，实现了链路故障的实时预测与追踪 | NA | 解决数据平台中实时预测和追踪数据链路故障的关键问题 | 数据链路及其故障（如数据中断、延迟异常、数据污染） | 机器学习 | NA | 图神经网络（GNN）、时间卷积网络（TCN）、贝叶斯优化、在线学习 | GNN, TCN | 企业数据和模拟数据 | NA | NA | 图神经网络, 时间卷积网络 | 准确率（Acc） | NA |
| 4916 | 2026-01-09 |
Research on return water temperature prediction model for casting cooling system based on deep learning
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34510-5
PMID:41501340
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4917 | 2026-01-09 |
Two-stage deep learning approach for screening for anterior disk displacement of the temporomandibular joint using orthopantomograms
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34657-1
PMID:41501357
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4918 | 2026-02-06 |
Design and evaluation of a remote damage control surgery real-time guidance system based on HoloLens 2 in low-speed network environments
2026-Jan-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34705-w
PMID:41491882
|
研究论文 | 本研究旨在为低速网络环境开发并评估一种基于HoloLens 2的远程损伤控制手术实时指导系统 | 提出了一种结合多维损伤数据编码技术、WebSocket长链接协议和分片传输技术的系统，以缓解低速复杂网络环境下的数据传输延迟，并利用混合现实技术实现远程实时交互式手术指导 | 研究样本规模较小（仅28名学生），且仅针对颅脑创伤模型进行了评估，未涉及其他类型损伤或更广泛的临床场景 | 开发并评估一个适用于低速网络环境的远程损伤控制手术实时指导系统，以提升手术能力并提供实时高效的决策支持 | 由28名学生组成的四个手术团队，以及通过动物损伤平台构建的颅脑创伤模型 | 数字病理 | 颅脑创伤 | 多维损伤数据编码技术，WebSocket长链接协议，分片传输技术 | 多模态深度学习，决策树 | 多模态数据 | 28名学生（分为远程组和对照组） | NA | NA | 损伤判断评分，手术操作评分，整体有效性评分，手术时间，动物存活时间 | HoloLens 2沉浸式头戴显示设备，Wi-Fi通信协议 |
| 4919 | 2026-02-06 |
Application of deep learning technology in breast cancer: a systematic review of segmentation, detection, and classification approaches
2026-Jan-04, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-025-01502-5
PMID:41486277
|
综述 | 本文对2020年至2024年间深度学习在乳腺癌影像学（包括分割、检测和分类）中的应用进行了系统性回顾，重点分析了模型架构、数据集特征、方法学质量及临床转化意义 | 系统性地比较了CNN、Transformer及混合架构在不同乳腺癌影像模态（如乳腺X线摄影、病理学、DBT、DCE-MRI）中的性能，并强调了全局上下文建模在特定场景（如致密乳腺、多视图输入）中的优势 | 大多数研究为回顾性、单中心设计，存在类别不平衡、人口统计学代表性狭窄、参考标准异质性高、缺乏外部或前瞻性验证等问题，导致潜在的偏倚、过拟合及公平性担忧 | 批判性评估深度学习在乳腺癌影像学中的最新进展，并探讨其临床转化潜力 | 深度学习模型在乳腺癌影像分割、检测和分类任务中的应用 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN, Transformer, 混合架构 | 影像数据（如乳腺X线摄影、病理图像、DBT、DCE-MRI） | NA | NA | U-Net变体, CNN分类器, Transformer | 准确率, AUC, 敏感性, Dice系数, IoU | NA |
| 4920 | 2026-01-05 |
Classification of pulmonary diseases using machine learning and deep learning models on GLI-2012 standardized spirometry features
2026-Jan-03, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03335-7
PMID:41484760
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |