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 4961 - 4980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4961 | 2026-02-03 |
Deep Learning and Noninvasive Sensors for Detecting Physiological Dysregulation: A Scoping Review
2026-Jan-30, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-025-02332-7
PMID:41615529
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4962 | 2026-02-03 |
End-to-End Platform for Electrocardiogram Analysis and Model Fine-Tuning: Development and Validation Study
2026-Jan-30, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/81116
PMID:41616241
|
研究论文 | 本研究开发并验证了一个名为ExChanGeAI的端到端开源网络平台，旨在简化心电图数据的分析流程和模型微调 | 提出了一个集成化、用户友好的开源平台，解决了心电图数据格式异构、预训练模型访问受限以及技术流程复杂等主要瓶颈，支持本地计算以确保数据隐私 | 未明确说明平台在处理极大规模数据集或实时临床部署时的具体性能限制 | 降低心电图深度学习分析的技术门槛，为临床研究人员和从业者提供易于使用的先进分析工具 | 心电图数据及其相关的深度学习分析任务 | 机器学习 | 心血管疾病 | NA | 深度学习 | 心电图信号 | 使用了3个外部异构验证数据集，包括一个来自常规护理的新整理测试集 | NA | 多种最先进的心电图深度学习架构 | 模型泛化能力、资源效率 | 支持个人计算机部署，并可扩展至高性能计算基础设施，所有计算在本地执行 |
| 4963 | 2026-02-03 |
A probabilistic deep learning approach for choroid plexus segmentation in autism spectrum disorder
2026-Jan-30, NPP - digital psychiatry and neuroscience
DOI:10.1038/s44277-026-00056-1
PMID:41617769
|
研究论文 | 本文提出了一种用于自闭症谱系障碍中脉络丛分割的概率深度学习工具ASCHOPLEX，并评估了其在不同年龄组中的泛化能力 | 开发了一种能够通过患者特定数据进行微调的深度学习工具，并引入了概率方法以量化分割不确定性，从而评估模型置信度 | 在儿童数据上的准确性下降，表明在没有额外微调的情况下，对不同年龄组的泛化能力有限 | 开发并评估一种能够准确分割自闭症谱系障碍患者脉络丛的自动化工具，以支持大规模人群分析 | 自闭症谱系障碍患者和对照参与者的脉络丛 | 医学影像分析 | 自闭症谱系障碍 | 磁共振成像 | 深度学习模型 | 图像 | 本地数据集中的ASD和CON参与者，以及ABIDE数据集中的儿童和成人数据 | NA | NA | 准确性 | NA |
| 4964 | 2026-02-03 |
Trustworthy prediction of enzyme commission numbers using a hierarchical interpretable transformer
2026-Jan-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68727-3
PMID:41617688
|
研究论文 | 本文提出了一种名为HIT-EC的分层可解释Transformer模型，用于准确且可信地预测酶委员会（EC）编号 | 采用四层Transformer架构以匹配EC编号的层次结构，结合局部和全局依赖关系进行多标签分类，并提出处理不完整EC编号标注的学习策略，作为证据深度学习模型提供生物学意义的解释方案 | 未明确提及模型在计算资源需求或特定EC类别泛化能力方面的具体限制 | 开发一个可信赖的EC编号预测模型，以改善酶功能理解和生物过程分析 | 酶蛋白序列及其对应的EC编号 | 自然语言处理 | NA | 深度学习 | Transformer | 蛋白质序列（文本数据） | 未明确指定具体样本数量，但提及使用大型数据集进行交叉验证和外部数据验证 | 未明确指定，可能为PyTorch或TensorFlow | 分层Transformer（HIT-EC） | 未明确列出具体指标，但提及预测性能的统计显著提升 | 未明确指定 |
| 4965 | 2026-02-03 |
Performance of Artificial Intelligence Tools in Axial Spondyloarthritis Imaging Assessment: a Systematic Literature Review and Meta-analysis
2026-Jan-30, Joint bone spine
IF:3.8Q1
DOI:10.1016/j.jbspin.2026.106036
PMID:41621467
|
系统综述与荟萃分析 | 本文通过系统文献综述和荟萃分析，总结了人工智能技术在轴性脊柱关节炎影像评估中的性能表现 | 首次对AI在轴性脊柱关节炎多种影像模态（MRI、CT、CR）中相对于人类读者的性能进行了全面的系统综述和荟萃分析 | 研究存在异质性，且AI诊断仍需人类专家以确保临床安全性和准确性 | 评估人工智能技术在轴性脊柱关节炎影像解读中的性能，并与人类读者进行比较 | 轴性脊柱关节炎的影像数据，包括磁共振成像、计算机断层扫描和常规X线摄影 | 医学影像分析 | 轴性脊柱关节炎 | 磁共振成像、计算机断层扫描、常规X线摄影 | 深度学习 | 图像 | 33项研究（涉及1033篇参考文献，46篇全文审查） | NA | NA | 灵敏度、特异度、准确度、受试者工作特征曲线下面积 | NA |
| 4966 | 2026-02-03 |
Preoperative Prediction of Prolonged Operative Time in Laparoscopic Ovarian Cystectomy Using Convolutional Neural Network-Extracted Ultrasound Image Features
2026-Jan-30, Journal of minimally invasive gynecology
IF:3.5Q1
DOI:10.1016/j.jmig.2026.01.055
PMID:41621701
|
研究论文 | 本研究旨在通过结合临床变量和CNN提取的超声图像特征，预测腹腔镜卵巢囊肿切除术中手术时间延长的风险 | 首次将CNN提取的超声图像特征与传统临床变量结合，用于预测腹腔镜卵巢囊肿切除术的手术时间延长，提高了预测模型的AUC值 | 研究为单中心回顾性队列研究，样本量有限（247例患者），且CNN特征加入后AUC提升未达到统计学显著性，需要外部验证 | 预测腹腔镜卵巢囊肿切除术中手术时间延长，以支持术前风险分层和手术资源规划 | 接受腹腔镜卵巢囊肿切除术的良性卵巢肿瘤患者 | 计算机视觉 | 卵巢囊肿 | 超声成像 | CNN | 图像 | 247例患者 | NA | NA | AUC | NA |
| 4967 | 2026-02-03 |
Deep neural network-based biostatistical analysis for disease marker screening
2026-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34115-y
PMID:41611762
|
研究论文 | 本文提出了一种基于深度神经网络的新型生物标志物筛选框架，并与传统统计方法进行了比较 | 设计了一个可扩展的综合模型，用于多组学数据整合并增强模型解释性，结合了注意力机制与SHAP值分析 | 未明确说明，但可能包括对特定数据集（乳腺癌）的依赖以及模型在其他疾病上的泛化能力有待验证 | 开发一种更准确、可解释的生物标志物筛选方法，以克服传统统计方法在处理高维小样本数据时的局限性 | 乳腺癌生物标志物 | 生物统计学 | 乳腺癌 | 单细胞测序 | 深度神经网络 | 多组学数据 | NA | NA | NA | 灵敏度, 准确率, AUC | NA |
| 4968 | 2026-02-03 |
[Research progress of automated ergonomic assessment methods based on RULA and REBA]
2026-Jan-20, Zhonghua lao dong wei sheng zhi ye bing za zhi = Zhonghua laodong weisheng zhiyebing zazhi = Chinese journal of industrial hygiene and occupational diseases
|
综述 | 本文综述了基于RULA和REBA的自动化人机工效学接触风险评估技术的研究进展 | 系统性地总结了当前自动化评估方法在数据采集、处理、应用场景和准确性验证方面的现状与挑战，并展望了未来研究方向 | 当前研究主要受限于数据采集与传输的约束以及系统可靠性，多采用半自动化方法在模拟场景中进行 | 推动自动化人机工效学评估技术的发展与应用 | 基于RULA和REBA的自动化评估方法 | 计算机视觉, 机器学习 | NA | 惯性测量单元(IMU), 常规/深度相机, 红外运动捕捉系统 | 深度学习算法 | 运动数据, 图像数据 | NA | NA | NA | Cohen's kappa (κ), 比例一致性指数(Po) | NA |
| 4969 | 2026-02-03 |
Deep visual detection system for oral squamous cell carcinoma
2026-Jan-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34332-5
PMID:41554886
|
研究论文 | 本研究提出了一种基于深度学习的视觉检测系统（DVDS），用于自动化检测口腔鳞状细胞癌（OSCC）的组织病理学图像 | 开发了一个基于EfficientNetB3的深度视觉检测系统，用于OSCC的自动化检测，并在两个公开数据集上验证了其优于DenseNet121和ResNet50的性能 | 研究使用了公开数据集，可能无法完全代表所有临床场景；模型性能可能受到数据集类别不平衡和图像质量的影响 | 开发一个自动化、快速且客观的深度学习系统，以辅助口腔鳞状细胞癌的早期诊断和临床决策 | 口腔鳞状细胞癌（OSCC）的组织病理学图像 | 数字病理学 | 口腔鳞状细胞癌 | 组织病理学图像分析 | CNN | 图像 | 两个公开数据集：Kaggle Oral Cancer Detection数据集（5192张图像，标记为正常或OSCC）和NDB-UFES数据集（3763张图像，分为OSCC、伴有异型增生的白斑和无异型增生的白斑） | TensorFlow, Keras | EfficientNetB3, DenseNet121, ResNet50 | 准确率, 精确率, 召回率, F1分数, 特异性, 灵敏度 | NA |
| 4970 | 2026-02-03 |
A Public Image Dataset for Surface Defect Detection of Water-Based Coated Wood Products
2026-Jan-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-06443-1
PMID:41535684
|
研究论文 | 本文发布了一个用于水性涂装木制品表面缺陷检测的公共图像数据集 | 开发并公开了一个专门针对水性涂装木制品表面缺陷的高分辨率图像数据集，包含四种缺陷类型，数据采集自真实工业生产线 | NA | 为深度学习模型在真实工业装配线上的部署提供关键数据支持，促进自动化机器学习解决方案的开发 | 水性涂装木制品的表面缺陷，包括划痕、裂纹、气泡和孔洞 | 计算机视觉 | NA | 工业相机图像采集 | NA | 图像 | 13400张高分辨率图像，包含3645个气泡缺陷、3498个划痕缺陷、3256个裂纹缺陷和3001个孔洞缺陷 | NA | NA | NA | NA |
| 4971 | 2026-01-15 |
Lightweight deep learning model with spatial attention for accurate and efficient breast cancer prediction
2026-Jan-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34311-w
PMID:41530223
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4972 | 2026-02-03 |
A novel vision transformer model produces clock drawing test scores as accurate as expert human coders
2026-Jan-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34064-6
PMID:41530250
|
研究论文 | 本研究开发了一种基于深度学习的智能时钟评分系统，用于自动编码时钟绘图测试图像，以辅助阿尔茨海默病及相关痴呆症的筛查 | 引入了结构化排序的编码系统，将时钟绘图评分视为有序分类问题，而非传统的无序分类，并首次将Vision Transformer模型应用于该任务，实现了与专家人工编码相当的准确性 | 研究依赖于公开数据集，可能未涵盖所有临床变异情况；模型性能在特定评分区间可能存在偏差 | 开发自动化的时钟绘图测试评分系统，以替代人工编码，减少大规模研究中的偏见和成本 | 时钟绘图测试图像 | 计算机视觉 | 阿尔茨海默病及相关痴呆症 | 深度学习神经网络 | CNN, Vision Transformer | 图像 | 2011-2019年国家健康与老龄化趋势研究（NHATS）中的大规模公开时钟绘图图像库 | NA | ResNet101, EfficientNet, Vision Transformer | 加权Kappa系数 | NA |
| 4973 | 2026-01-12 |
Hybrid feature selection with novel deep learning model for COVID-19 risk prediction
2026-Jan-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35013-7
PMID:41519902
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4974 | 2026-02-03 |
sCellST predicts single-cell gene expression from H& E images
2026-Jan-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-67965-1
PMID:41513659
|
研究论文 | 本文提出了一种深度学习模型sCellST，用于从H&E染色图像预测单细胞基因表达 | 引入了一种能够从形态学直接预测单细胞基因表达的深度学习方法，相比现有基于图像块的方法，能捕捉更精细的形态变异 | NA | 从组织学图像预测基因表达，以研究组织空间结构和细胞多样性 | H&E染色图像和单细胞基因表达数据 | 数字病理学 | 癌症 | H&E染色，空间基因表达谱分析 | 深度学习 | 图像，基因表达数据 | NA | NA | NA | NA | NA |
| 4975 | 2026-02-03 |
Enhanced colorectal gland segmentation through multi-scale attention and contextual feature fusion
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34548-5
PMID:41495415
|
研究论文 | 提出一种名为MAC-Net的深度学习模型，用于增强结直肠腺体分割，通过多尺度注意力和上下文特征融合提高分割精度 | 集成多尺度特征融合与注意力引导的上下文解码，通过通道注意力保留精细结构信息，增加编码器-解码器侧连接以增强判别特征学习，并在瓶颈处使用多尺度空间池化捕获全局上下文信息 | 未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算效率或实时应用的可能性 | 提高结直肠癌组织学图像中腺体分割的准确性和鲁棒性，以支持可靠的癌症分级、预后评估和治疗规划 | 结直肠癌组织学图像中的腺体结构 | 数字病理学 | 结直肠癌 | 组织学图像分析 | 深度学习模型 | 图像 | 训练数据：EBHI-Seg数据集（2228张图像）；交叉验证数据：GIaS数据集（165张图像） | 未明确指定，可能为PyTorch或TensorFlow | MAC-Net（自定义架构，基于编码器-解码器结构，集成注意力机制和多尺度特征融合） | Dice系数, IoU, 精确率, 召回率 | 未明确指定 |
| 4976 | 2026-02-03 |
An intelligent hybrid deep learning-machine learning model for monthly groundwater level prediction
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34292-w
PMID:41501104
|
研究论文 | 本研究提出了一种结合粒子群优化、浣熊优化、门控循环单元和自适应神经模糊推理系统的混合人工智能模型，用于预测伊朗阿尔达比勒平原的月地下水水位 | 提出了一种名为PCGA的新型混合模型，首次将PSO-COO优化算法与GRU和ANFIS结合，用于优化参数并提取数据中的隐藏模式，从而提高了地下水水位预测的精度 | NA | 开发一种高精度的混合人工智能模型，用于预测月地下水水位，以支持环境保护 | 伊朗阿尔达比勒平原的月地下水水位数据 | 机器学习 | NA | NA | GRU, ANFIS | 时间序列数据 | NA | NA | GRU, ANFIS | 平均绝对误差, 纳什-萨特克利夫效率 | NA |
| 4977 | 2026-02-03 |
A hybrid CNN-transformer model with adaptive activation function for potato leaf disease classification
2026-Jan-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34406-4
PMID:41495315
|
研究论文 | 本文提出了一种结合CNN与Transformer的混合深度学习架构PLDNet，用于马铃薯叶片病害的自动分类 | 提出了一种混合CNN-Transformer架构PLDNet，并设计了自适应参数激活函数AFpM，通过可学习参数实现自适应非线性，在动态梯度控制方面优于现有激活函数 | 未明确说明模型在复杂田间环境或多种作物间的泛化能力，也未讨论计算复杂度与实时性 | 开发自动化植物病害识别方法，提高马铃薯叶片病害分类的准确性与效率 | 马铃薯叶片病害图像 | 计算机视觉 | 植物病害 | 深度学习图像分类 | CNN, Transformer | 图像 | PlantVillage和Mendeley两个公开数据集 | 未明确说明 | DenseNet, Transformer注意力模块 | 准确率 | NA |
| 4978 | 2026-02-03 |
Interpretable deep learning reveals distinct spectral and temporal drivers of perceived musical emotion
2026-Jan-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34238-2
PMID:41491208
|
研究论文 | 本研究开发了一种可解释的深度学习模型，用于识别预测音乐情感感知（效价和唤醒度）的特定动态声学特征 | 提出了一种结合卷积路径（局部频谱分析）和Transformer路径（长程时间依赖）的新型理论引导神经网络，并通过注意力机制揭示了不同声学模式对情感维度的驱动作用 | 模型性能依赖于DEAM数据集的标注质量，且理论约束可能限制了模型发现未知特征的能力 | 开发可解释的计算模型以测试和推进音乐认知理论，识别预测人类情感反应的动态声学特征 | 音乐片段及其对应的连续效价-唤醒度评分 | 自然语言处理 | NA | 深度学习 | CNN, Transformer | 音频 | 1,802段音乐片段 | NA | 卷积神经网络与Transformer的混合架构 | 一致性相关系数 | NA |
| 4979 | 2026-02-03 |
Deep learning and superoscillatory speckles empowered multimode fiber probe for in situ nano-displacement detection and micro-imaging
2026-Jan-05, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-67942-8
PMID:41491775
|
研究论文 | 本文提出了一种基于深度学习和超振荡散斑的多模光纤探针，用于原位纳米位移检测和显微成像 | 利用深度学习从超振荡散斑中高效提取精细特征信息，实现单端检测，具有10纳米分辨率和99.95%的准确率，并建立了位移与光纤高阶模式比例的物理模型 | 未明确说明在极端环境或长期稳定性方面的限制 | 开发一种灵活的原位非接触纳米位移测量方法，用于复杂设备内部探测 | 不同结构的微米级目标，在受限空间内进行检测 | 计算机视觉 | NA | 超振荡散斑成像，多模光纤传感 | 深度学习 | 图像 | 未明确指定具体样本数量 | 未明确指定 | 未明确指定 | 准确率，分辨率 | 未明确指定 |
| 4980 | 2026-02-03 |
Optimized CNN framework with VGG19, EfficientNet, and Bayesian optimization for early colon cancer detection
2026-Jan-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34262-2
PMID:41492074
|
研究论文 | 本文提出了一种结合VGG19、EfficientNet和贝叶斯优化的优化CNN框架，用于通过组织病理学图像分析实现结肠癌的早期自动检测 | 将卷积神经网络与贝叶斯优化相结合以高效微调超参数，并采用有效的数据增强和染色归一化技术，提升了模型的鲁棒性和泛化能力 | 框架在数据集内部表现出色，但临床部署前需要在独立、多机构的队列上进行外部验证 | 开发一种可靠的早期结肠癌自动检测方法，以辅助病理学家的临床决策 | 结肠癌组织病理学图像 | 计算机视觉 | 结肠癌 | 组织病理学图像分析 | CNN | 图像 | 来自Kaggle和Kaggle癌症数据门户的公开数据集，涵盖正常、肿瘤、基质等九种组织类型 | TensorFlow, PyTorch, Keras | VGG19, EfficientNet | 准确率, 精确率, 召回率, F1分数, AUC | NA |