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 4921 - 4940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4921 | 2026-06-01 |
Quantitative comparison of GRAPPA and RAKI simultaneous multi-slice reconstruction algorithms
2026-Sep, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110697
PMID:42066870
|
研究论文 | 定量比较基于GRAPPA和RAKI的同步多层重建算法，并提供开源工具箱 | 首次系统比较线性GRAPPA与非线性数据驱动RAKI方法在同步多层MRI重建中的性能，并开源GPU加速重建工具箱 | 结果基于特定供应商、线圈阵列、脉冲序列和体模数据，需更多实验验证才能推广至体内观察 | 定量比较不同k空间插值同步多层重建算法性能，提供GPU加速开源重建工具箱 | 不同加速因子组合下的同步多层MRI重建算法 | 磁共振成像 | 不适用 | GRAPPA, RAKI, 同步多层成像 | 线性GRAPPA, 非线性RAKI | MRI k空间数据 | 单个体模数据，含全采样参考和不同加速因子下的加速数据 | 开源工具箱（未指明具体框架） | Slice-GRAPPA, split-slice-GRAPPA, readout-SENSE-GRAPPA, 其RAKI对应模型（含超参数调优） | 结构相似性指数（SSIM）, 变异系数（CV） | GPU加速（未指定具体GPU型号） |
| 4922 | 2026-06-01 |
A unified approach for maintaining MRI reconstruction quality and quantifying both aleatoric and epistemic uncertainty
2026-Sep, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110680
PMID:41966495
|
研究论文 | 提出一种统一方法，在模型驱动深度学习加速MRI重建中同时维持图像质量并量化偶然不确定性和认知不确定性 | 系统比较了蒙特卡洛丢弃与贝叶斯反向传播在不同随机层放置模式下的表现，并提出两阶段训练策略以提升重建网络性能 | 未说明 | 为模型驱动深度学习加速MRI重建提供贝叶斯不确定性量化的实用设计选择指导 | 加速MRI重建中的不确定性估计方法 | 计算机视觉 | 不适用 | 加速MRI重建 | 模型驱动深度学习, 贝叶斯神经网络 | 图像 | 未说明 | NA | NA | 峰值信噪比 | NA |
| 4923 | 2026-06-01 |
Comparison of machine learning and deep learning models in manual strength prediction using anthropometric variables
2026-Jun, International journal of occupational safety and ergonomics : JOSE
IF:1.6Q3
DOI:10.1080/10803548.2025.2554461
PMID:41021732
|
研究论文 | 使用人体测量学变量评估机器学习与深度学习模型在手动力量预测中的表现 | 比较了传统机器学习与多种深度学习模型（包括TabNet、TabPFN和定制卷积神经网络）在手动力量预测中的性能，并结合SHAP分析解释特征重要性 | 深度学习模型在特定任务中表现优异，但线性回归在泛化方面更为稳健，且集成方法存在过拟合倾向 | 评估机器学习与深度学习模型在利用人体测量学变量预测手动力量方面的性能 | 墨西哥坎佩切经济活动人口中的382名参与者 | 机器学习 | NA | NA | 线性回归、随机森林、AdaBoost、极限梯度提升、TabNet、TabPFN、卷积神经网络 | 数值型数据（人体测量学变量和力量数据） | 382名参与者（男性和女性） | NA | 线性回归、随机森林、AdaBoost、XGBoost、TabNet、TabPFN、自定义卷积神经网络 | 平均绝对误差、均方误差、解释方差分数 | NA |
| 4924 | 2026-06-01 |
Artificial intelligence-based approaches to augmenting and automating surgical training
2026-Jun, BJU international
IF:3.7Q1
DOI:10.1111/bju.70229
PMID:41817162
|
综述 | 综述了人工智能在手术技能评估与反馈中自动化改进手术训练的最新进展 | 系统总结了AI通过运动学、统计指标、计算机视觉和手势分析等多种方法自动化评估手术技能，并进一步用于生成自动反馈以改善手术表现 | 当前AI模型主要能检测较大技能差异并提供基础反馈，尚需开发能进行更精细技能评估和生成更详细建设性反馈的模型 | 探讨如何利用人工智能自动化手术技能评估与反馈，以改善手术训练中的不足 | 2015年至2025年间发表的关于AI用于手术训练的研究文献 | 计算机视觉,自然语言处理,机器学习 | 不适用 | 运动学分析,统计指标分析,计算机视觉,手势分析 | 深度学习模型（具体未指明） | 手术视频,运动学数据,手势数据 | 不适用（综述，具体样本数量未提及） | 不适用 | 不适用 | 与人类评分员的一致性 | 不适用 |
| 4925 | 2026-06-01 |
Artificial Intelligence in Spine Imaging Interpretation
2026-Jun, Seminars in musculoskeletal radiology
IF:0.9Q4
DOI:10.1055/a-2836-8033
PMID:41980600
|
综述 | 本文综述了人工智能在脊柱影像解读中的最新应用，包括椎体骨折、脊柱畸形、退行性疾病、骨骼肿瘤、炎症性疾病和机会性筛查等病理领域 | 以病理为导向系统梳理了人工智能在脊柱影像中的创新应用，为肌肉骨骼放射科医生提供了全面的技术概览 | 作为叙述性综述，未进行系统性的文献检索或定量分析，可能遗漏部分最新研究 | 为放射科医生提供脊柱影像中人工智能应用的最新综述，促进临床采纳 | 脊柱影像解读中的人工智能应用，涵盖多种脊柱疾病 | 计算机视觉、机器学习 | 脊柱疾病 | NA | 深度学习、传统机器学习 | 影像 | NA | NA | NA | NA | NA |
| 4926 | 2026-06-01 |
Two-stage deep learning networks for diagnosing and staging membranous glomerulonephritis from electron microscopy images
2026-May-29, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2026.106141
PMID:42217547
|
研究论文 | 开发基于深度学习的两阶段模型，用于从透射电镜图像检测和分期膜性肾小球肾炎 | 首次将Vision Transformer网络应用于膜性肾小球肾炎的自动分期，采用两阶段架构（膜区域检测与分期分类）提升临床可解释性 | NA | 构建基于深度学习的AI模型，实现膜性肾小球肾炎的自动检测与分期 | 膜性肾小球肾炎患者的透射电镜图像 | 数字病理 | 膜性肾小球肾炎 | 透射电镜 | Vision Transformer | 图像 | 包含患者微图的综合数据集及独立外部验证数据集 | PyTorch | Vision Transformer | 准确率、灵敏度、特异度 | NA |
| 4927 | 2026-06-01 |
Advances in Clinical Imaging and AI Integration for Dry Eye Diagnosis
2026-May-29, The American journal of pathology
DOI:10.1016/j.ajpath.2026.04.022
PMID:42217618
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4928 | 2026-06-01 |
Improving airport security with IoT-powered deep learning methods for threat detection and intelligent recommendation systems
2026-May-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-54104-z
PMID:42209587
|
research paper | 本研究提出了一种融合深度学习算法、智能推荐系统和物联网设备的框架，旨在提升机场安保水平 | 将深度学习、推荐系统与物联网设备集成，实现机场威胁检测和异常行为识别，并通过迁移学习和新型ISODI方法提升检测准确率 | 需进一步研究在现有安保系统中的最佳应用场景，并解决潜在的隐私问题；实际系统需大量测试以适应不同机场环境的复杂性 | 提升机场安保水平，通过智能检测和推荐系统减少误报、提高运营效率并增强安全措施 | 机场安保场景中的威胁行为（如无人看管行李）和航班延误相关的异常 | computer vision, machine learning | NA | NA | CNN, Decision Tree, K-Nearest Neighbors | image, simulation data | NA | PyTorch, Scikit-learn | MVCNN | accuracy | NA |
| 4929 | 2026-06-01 |
High-resolution ultrasonic waveform analysis for decoupling physical effects in multi-damaged and healing in concrete using vibro-acoustic feature engineering and machine learning
2026-May-26, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2026.108153
PMID:42217289
|
研究论文 | 提出一种高分辨率超声波波形分析方法，通过振动声学特征工程和机器学习解耦混凝土中多种物理效应（如热损伤、湿度、愈合过程） | 核心创新在于振动声学特征工程，从时域、频域及时频域提取79个信号特征，并结合XGBoost模型与SHAP解释分析，实现对材料孔隙率、热损伤、湿度和愈合进程等物理效应的定量解耦和深层物理声学洞察 | 未明确提及 | 实现复杂介质（如混凝土）中多物理效应的高分辨率定量评估，特别是热损伤、湿度效应和材料愈合的区分与量化 | 混凝土试件中的超声波波形信号 | 机器学习 | NA | 超声波波形分析 | XGBoost | 超声波波形信号 | NA | XGBoost, SHAP | XGBoost | NA | NA |
| 4930 | 2026-06-01 |
CollDTI: Dual-encoder collaborative learning for drug-target interaction prediction
2026-May-25, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.109175
PMID:42217429
|
研究论文 | 提出一种双编码器协作学习框架CollDTI，通过联合建模药物-靶点对的内在结构特征与外部关系特征，提升药物-靶点相互作用预测性能 | 首次提出双编码器协作框架，结合多视图异构图神经网络提取外部关系特征、字符字典编码与图卷积网络提取内在结构特征，并使用加权残差交叉注意力机制实现多视图嵌入的协作融合 | NA | 通过整合药物与靶点的内在结构和外部关系特征，提高药物-靶点相互作用预测的准确性 | 药物-靶点相互作用数据对 | 机器学习 | NA | NA | 双编码器协作学习框架 | 结构化数据 | NA | PyTorch | 多视图异构图神经网络、图卷积网络、字符字典编码、加权残差交叉注意力机制 | 准确率、精确率、召回率、F1分数、AUC | NA |
| 4931 | 2026-06-01 |
Comparative evaluation of deep learning architectures for microbial colony classification in microbiological imaging
2026-05-18, BMC microbiology
IF:4.0Q2
DOI:10.1186/s12866-026-05028-1
PMID:42144581
|
研究论文 | 对六种卷积神经网络架构用于微生物菌落分类进行头对头比较 | 在同数据集AGAR上，首次系统对比六种CNN架构（AlexNet、SqueezeNet 1.1、ResNet18、ShuffleNetV2、EfficientNetB0和MobileNetV2）用于微生物菌落分类，并采用统一训练协议，揭示轻量级网络达到最佳性能 | 仅使用单一公众数据集AGAR，相关结论可能受限于标准化成像条件和特定物种（五种） | 评估深度学习架构在微生物菌落自动分类中的比较性能，为自动化微生物图像分析提供参考 | 来自AGAR数据集的86,045个微生物菌落裁剪图像，涵盖五种微生物（枯草芽孢杆菌、大肠杆菌、铜绿假单胞菌、金黄色葡萄球菌和白色念珠菌） | 计算机视觉 | NA | 微生物成像 | 卷积神经网络 | 图像 | 86,045个菌落裁剪图（来自4,424个可计数培养皿） | PyTorch | AlexNet, SqueezeNet 1.1, ResNet18, ShuffleNetV2, EfficientNetB0, MobileNetV2 | 准确率, 精确率, 召回率, F1分数 | NA |
| 4932 | 2026-06-01 |
Artificial intelligence in the differential diagnosis of hypertrophic cardiomyopathy and physiological hypertrophy: a scoping review
2026-May-15, Hellenic journal of cardiology : HJC = Hellenike kardiologike epitheorese
IF:2.7Q2
DOI:10.1016/j.hjc.2026.05.001
PMID:42142808
|
综述 | 系统梳理了人工智能在鉴别肥厚型心肌病与生理性心肌肥厚中的研究现状与应用潜力 | 首次聚焦AI鉴别HCM与运动员心脏这一临床难题，揭示了目前缺乏运动员特异性数据集的现状并指出未来研究方向 | 运动员来源数据集匮乏且外部验证不足，显著限制了在运动心脏病学中的临床应用 | 评估AI/ML在区分HCM与生理性心肌肥厚（尤其是运动员心脏）中的验证性应用范围 | 基于AI/ML方法区分HCM与左心室肥厚（包括生理性及病理性）的原始研究 | 机器学习 | 肥厚型心肌病 | NA | 支持向量机（SVM） | 心电图、超声心动图、影像组学、视频数据 | 共纳入8项研究，其中仅1项直接比较HCM与运动员心脏 | NA | 支持向量机（SVM） | AUC | NA |
| 4933 | 2026-06-01 |
Development and validation of a novel deep learning coronary artery plaque quantification model
2026-05-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02379-z
PMID:42135689
|
研究论文 | 提出并验证了一种基于深度学习的冠状动脉斑块量化模型，用于自动分割总斑块和钙化斑块体积 | 开发了一种名为QuantiPlaque的新型软件，利用深度学习模型实现冠状动脉斑块体积的自动化量化，并与专家手动标注进行了严格验证 | 样本量较小（仅115例CCTA扫描），且对左旋支动脉区域的斑块分割效果较弱 | 开发一种自动化的深度学习模型，用于准确量化冠状动脉总斑块和钙化斑块体积，以辅助临床评估心血管事件风险 | 冠状动脉斑块（总斑块和钙化斑块） | 计算机视觉 | 冠状动脉疾病 | 冠状动脉CT血管造影 | 深度学习模型 | 图像 | 115例CCTA扫描（平均年龄58岁，51%为女性，平均冠脉钙化评分56 Agatston单位） | NA | NA | 组内相关系数，皮尔逊相关系数，斯皮尔曼秩相关系数，Bland-Altman分析 | NA |
| 4934 | 2026-06-01 |
Application of Artificial Intelligence-Based Transfer Learning Models to the Bethesda System for Thyroid Cytopathology
2026-05, Cytopathology : official journal of the British Society for Clinical Cytology
IF:1.2Q3
DOI:10.1111/cyt.70045
PMID:41361911
|
研究论文 | 应用基于人工智能的迁移学习模型对甲状腺细胞病理学Bethesda系统进行分类 | 首次将集成迁移学习应用于TBSRTC分类，通过加权软投票组合六种预训练模型（Xception、ResNet50V2、DenseNet121、MobileNetV2、InceptionV3、EfficientNetB3），提升了分类精度 | 数据集规模较小（仅94例FNAC病例，949张代表图像），缺乏全切片影像验证，需要更大样本来进一步验证 | 评估集成软投票迁移学习模型在根据TBSRTC对甲状腺细胞学涂片进行分类时的性能 | 甲状腺细针穿刺细胞学涂片图像 | 计算机视觉 | 甲状腺疾病 | NA | 集成迁移学习（CNN） | 图像 | 94例甲状腺FNAC病例，共949张代表图像 | NA | DenseNet121, ResNet50V2, Xception, MobileNetV2, InceptionV3, EfficientNetB3 | 敏感性, 特异性, 阳性预测值, 阴性预测值, F1分数, AUCROC | NA |
| 4935 | 2026-06-01 |
Community medical centers struggle to produce well-calibrated clinical prediction models: Data augmentation can help
2026-May, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2026.105012
PMID:41825516
|
研究论文 | 研究社区医疗中心在临床预测模型本地校准中面临的样本量不足问题，并评估合成数据生成作为数据扩充方法的有效性 | 首次系统评估社区医疗机构在机器学习模型本地化中因样本量不足导致的校准困难，并提出利用深度学习合成数据生成技术进行数据扩充以改善模型校准性能 | 研究仅基于两个农村医院和一个城市学术医疗中心的数据，可能无法推广到所有社区医疗机构；合成数据质量对校准效果的长期影响尚未验证 | 探究社区医疗中心是否有足够患者数据支持机器学习模型的本地校准，以及合成数据生成能否帮助缓解样本量不足问题 | 30天非计划再入院预测模型在多家不同规模医院的本地校准效果 | 机器学习 | 再入院预测 | 合成数据生成 | 深度学习 | 结构化电子健康记录数据 | 真实网络医院数据集（两个农村医院和一个城市学术医疗中心）以及多站点ICU模拟数据集 | NA | NA | 校准度 | NA |
| 4936 | 2026-03-30 |
Machine and Deep Learning Models for Preoperative Prediction of Suboptimal Clinical Response One Year after Metabolic Bariatric Surgery: Findings from the Tehran Obesity Treatment Study
2026-May, Obesity surgery
IF:2.9Q1
DOI:10.1007/s11695-026-08568-7
PMID:41904288
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4937 | 2026-03-31 |
Evaluating deep learning attenuation correction for single-photon emission computed tomography myocardial perfusion imaging: Lessons from clinical validation
2026-May, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2026.102701
PMID:41905547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4938 | 2026-06-01 |
Mapping 25 years of forensic and legal medicine research: a multi-database bibliometric and science-mapping analysis (2000-2025)
2026-May, Journal of forensic and legal medicine
IF:1.2Q3
DOI:10.1016/j.jflm.2026.103127
PMID:41965962
|
研究论文 | 对2000-2025年间法医学与法律医学研究进行多数据库文献计量与科学映射分析 | 首次整合多数据库（Web of Science核心合集和Scopus）进行长达25年的法医学文献全景分析，并结合Callon中心性-密度主题映射和趋势主题分析揭示学科演进 | 仅纳入英文文献且主要依赖Web of Science核心合集，可能遗漏部分非英文或灰色文献；关键词同义变体（如medico-legal vs medicolegal）的标准化处理可能影响部分主题的覆盖率 | 通过文献计量方法系统刻画法医学与法律医学的研究格局、演进趋势和主题结构，为研究优先级设定和编辑策略提供依据 | 2000-2025年间Web of Science核心合集和Scopus收录的法医学与法律医学相关文献 | 自然语言处理 | NA | NA | NA | 文本 | 16190篇文献（Web of Science核心合集），来自3052个来源，49746位作者 | NA | NA | NA | NA |
| 4939 | 2026-06-01 |
Realization of Long Axial Field-of-View PET Technology in the Clinic and Research Environment
2026-Apr-27, The British journal of radiology
DOI:10.1093/bjr/tqag096
PMID:42046230
|
综述文章 | 讨论长轴向视野PET技术在临床和研究环境中的实现与应用 | 系统分析了长轴向视野PET技术的临床实现、研究应用及深度学习降噪等前沿发展方向 | 未提及具体实验数据或定量性能对比，缺乏对不同设计方案的详细评估 | 概述长轴向视野PET的技术优势、临床实践考量及未来发展方向 | 长轴向视野PET-CT仪器 | 医学影像 | NA | PET-CT | 深度学习 | 医学影像 | NA | NA | NA | 灵敏度 | NA |
| 4940 | 2026-06-01 |
Customizing native T1 mapping: The effects of compressed sensing, deep learning-based denoising, and high-resolution on measurement of native myocardial T1
2026-Apr-15, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102726
PMID:41997564
|
研究论文 | 评估压缩感知、深度学习去噪和高分辨率对原生心肌T1 mapping测量结果的影响 | 系统评估了不同CS加速水平、空间分辨率以及DL去噪重建组合对定量T1值的影响，并证明在临床可接受的偏差范围内T1值保持稳定 | 单中心研究，样本量有限（41名志愿者），且未纳入真实患者数据，可能无法完全覆盖病理T1范围 | 优化临床心肌T1 mapping的采集效率和鲁棒性，支持个性化协议设计 | 健康志愿者的心肌T1 mapping图像 | 计算机视觉, 数字病理 | 心血管疾病 | 压缩感知, 深度学习去噪重建 | 深度学习去噪模型 | 图像 | 48名健康志愿者（最终纳入41名），并进行9例重复分析 | NA | NA | 图像质量评分（Likert量表）, 模糊度, 混叠伪影, 易感性伪影, T1值偏差 | NA |