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 5481 - 5500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5481 | 2026-01-29 |
Classifying Obsessive-Compulsive Disorder from Resting-State EEG Using Convolutional Neural Networks: A Pilot Study
2026, Computational psychiatry (Cambridge, Mass.)
DOI:10.5334/cpsy.149
PMID:41585367
|
研究论文 | 本研究探索使用卷积神经网络（CNN）分析静息态脑电图（EEG）的时频表示，以区分强迫症患者与健康对照 | 首次将CNN应用于EEG时频表示进行强迫症分类，并展示了其相对于传统支持向量机（SVM）方法的显著性能优势 | 样本量较小（仅20名参与者），且未包含药物治疗患者，限制了结果的泛化性 | 开发一种基于EEG的深度学习方法来识别强迫症 | 20名未服药的参与者（10名强迫症患者，10名健康对照） | 机器学习 | 强迫症 | 静息态脑电图（EEG） | CNN, SVM | EEG时频表示 | 20名参与者（10名强迫症患者，10名健康对照） | 未明确指定，可能为TensorFlow或PyTorch | 2D CNN | 准确率, AUC | 未明确指定 |
| 5482 | 2026-01-29 |
Neuromorphic Silicon-Based Capacitive-Tunneling Junction
2026-Jan, Advanced materials (Deerfield Beach, Fla.)
DOI:10.1002/adma.202416643
PMID:41074824
|
研究论文 | 本文介绍了一种基于硅电容隧道结的神经形态计算器件，通过结合电容耦合和量子隧道效应，实现了高速、低能耗的突触行为模拟 | 利用硅兼容器件中的电容耦合与量子隧道协同效应，设计出具有双向双语言多模态突触后行为的SCTJ，响应时间达10纳秒，能耗低至1飞焦 | NA | 开发能量高效的神经形态计算系统，以处理大规模数据集 | 硅电容隧道结及其在物体运动轨迹监测与识别系统中的应用 | 机器学习 | NA | 脉冲编程信号调制 | NA | 信号数据 | NA | NA | NA | 响应时间，能耗 | NA |
| 5483 | 2026-01-29 |
Applications of artificial intelligence in tooth extraction: A systematic review
2026-Jan, Journal of dental sciences
IF:3.4Q1
DOI:10.1016/j.jds.2025.10.007
PMID:41585134
|
系统综述 | 本文通过系统综述探讨了人工智能在牙齿拔除领域的应用现状 | 首次系统性地回顾和总结了人工智能在牙齿拔除领域的应用研究，涵盖了从术前评估到术后并发症预测的多个关键主题 | 仅基于三个数据库（PubMed、Scopus、Web of Science）的文献检索，可能存在发表偏倚；纳入文献数量有限（35篇），且部分主题研究较少 | 评估人工智能在牙齿拔除临床决策、风险预测和治疗策略中的应用潜力 | 牙齿拔除相关的临床研究文献 | 医疗人工智能 | 口腔疾病 | NA | NA | NA | NA | NA | NA | NA | NA |
| 5484 | 2026-01-29 |
FM-DLM: A new method for image classification based on the fusion of multi-level deep learning models
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0338137
PMID:41592008
|
研究论文 | 本文提出了一种基于多级深度学习模型融合的图像分类新方法FM-DLM，以解决大模型部署受限和小模型标签数量有限的问题 | 通过融合多级深度学习模型，结合百度AI平台作为Level 0模型进行广泛分类，利用Level 1模型差异进行数据集预测，再训练Level 2模型进行标签分类，最终通过标签分布提升准确率 | 未在摘要中明确说明 | 开发一种能够在保证广泛分类范围的同时提高准确率的图像分类方法 | 图像数据 | 计算机视觉 | NA | 深度学习模型融合 | 深度学习模型 | 图像 | 未在摘要中明确说明 | 未在摘要中明确说明 | 未在摘要中明确说明 | 准确率 | 未在摘要中明确说明 |
| 5485 | 2026-01-29 |
A deep learning-based computational pipeline predicts developmental outcome in retinal organoids
2026-Jan, PLoS biology
IF:7.8Q1
DOI:10.1371/journal.pbio.3003597
PMID:41592127
|
研究论文 | 本研究利用深度学习预测视网膜类器官的发育路径和组织形成，以克服类器官发育中的异质性挑战 | 通过深度学习在早期发育阶段预测视网膜类器官的分化路径和组织形成，绕过组织形成的异质性挑战 | NA | 预测视网膜类器官的发育结果和组织形成 | 视网膜类器官 | 计算机视觉 | NA | 高分辨率延时成像 | 深度学习 | 图像 | 约1,000个类器官和超过100,000张图像 | NA | NA | NA | NA |
| 5486 | 2026-01-29 |
Deep learning-based bubble separation for passive acoustic monitoring of underwater gas plumesa)
2026-Jan-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0042232
PMID:41603626
|
研究论文 | 本研究提出了一种基于深度学习的泡沫声音分离方法，用于从噪声混合中提取泡沫波形，以增强水下气体羽流的被动声学监测性能 | 首次将深度学习应用于泡沫声音分离，通过数值模拟框架生成带标签的训练数据，有效提升了低信噪比环境下的泡沫检测能力 | 方法在真实世界应用中的泛化能力可能受限于模拟数据与真实记录的差异，且未详细讨论计算复杂度或实时处理性能 | 提高水下气体羽流的被动声学监测中泡沫检测的准确性和鲁棒性 | 水下气体羽流产生的泡沫声音信号 | 机器学习 | NA | 被动声学监测, 数值模拟 | 深度学习模型 | 音频数据 | 模拟数据和真实PAM记录（来自海马冷泉） | NA | NA | NA | NA |
| 5487 | 2025-12-27 |
Deep learning-based ordinal classification overcomes subjective assessment limitations in intraoral free flap monitoring
2025-Dec-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33637-9
PMID:41449199
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5488 | 2025-12-27 |
Explainable deep learning ensemble framework for accurate classification of wild poisonous mushroom species
2025-Dec-25, BMC biotechnology
IF:3.5Q2
DOI:10.1186/s12896-025-01092-z
PMID:41449383
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5489 | 2026-01-29 |
SentXFormer: a transformer-enhanced hybrid deep learning framework for cross-domain sentiment analysis of customer reviews
2025-Dec-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33526-1
PMID:41444756
|
研究论文 | 本文提出了一种名为SentXFormer的混合深度学习框架，用于跨领域客户评论的情感分析 | 结合了CNN、GRU层与BERT、RoBERTa、DABERT的上下文嵌入，并采用基于对抗训练和梯度反转层的领域适应模块，以学习领域不变表示 | NA | 提高跨领域情感分析的准确性和泛化能力 | 客户评论 | 自然语言处理 | NA | NA | CNN, GRU, Transformer | 文本 | 23,440条情感标注评论，来自Amazon（7,550条）、Yelp（8,450条）和IMDB（7,440条）数据集 | NA | SentiConGRU-Net, BERT, RoBERTa, Domain-Adaptive BERT | 准确率 | NA |
| 5490 | 2026-01-29 |
Advances in AI-Driven EEG Analysis for Neurological and Oculomotor Disorders: A Systematic Review
2025-Dec-24, Biosensors
DOI:10.3390/bios16010015
PMID:41590267
|
系统综述 | 本文系统综述了人工智能在脑电图分析中用于神经和眼动障碍诊断、分类和监测的最新进展 | 综合了机器学习与深度学习技术在脑电图分析中的应用趋势，并强调了方法学进展与常见挑战 | 纳入研究存在样本量小、数据集异质性强以及外部验证有限等普遍局限性 | 评估人工智能驱动的脑电图分析在神经和眼动障碍评估中的当前方法及未来方向 | 神经和眼动相关障碍 | 机器学习 | 神经疾病 | 脑电图 | 机器学习, 深度学习 | 脑电图信号 | NA | NA | NA | NA | NA |
| 5491 | 2025-12-25 |
Deep learning estimation of effective atomic number for HU to RED calibration in dual energy photon counting CT
2025-Dec-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33507-4
PMID:41436561
|
研究论文 | 本研究提出了一种基于深度学习的双能CT有效原子序数估计方法，用于改进相对电子密度校准 | 采用改进的U-Net模型直接从合成数据中预测有效原子序数，相比传统的Rutherford和化学计量法，显著提高了预测精度和HU-RED校准的线性度 | 研究基于体模实验，尚未在临床数据上进行验证，且样本材料种类有限（八种） | 改进双能CT中相对电子密度的估计精度，以支持更精确的剂量计算 | 组织等效体模中的八种材料 | 计算机视觉 | NA | 双能光子计数CT | CNN | 图像 | 八种材料（组织等效体模） | NA | 改进的U-Net | 平均绝对误差, 相对误差, 残差, R² | NA |
| 5492 | 2026-01-29 |
Deep Learning-Based Quantification of Residual Blood Clots in Single-Use Dialyzers Using Bedside Mobile-Captured Images
2025-Dec-18, American journal of nephrology
IF:4.3Q1
DOI:10.1159/000549740
PMID:41411211
|
研究论文 | 本研究开发了一种基于深度学习的模型，利用床边智能手机拍摄的图像量化透析器中残留的血栓 | 首次将ConvNeXt架构应用于透析器血栓量化，并结合可解释AI（LIME）验证模型聚焦临床相关区域，通过复合图像增强检测能力 | 模型准确率仍有提升空间（最高0.7672），且仅针对<10%和∼30%两种血栓水平进行二分类 | 开发机器学习模型以量化透析器中残留血栓，辅助临床决策 | 透析器图像（通过智能手机拍摄） | 计算机视觉 | 终末期肾病 | 图像采集与预处理（背景去噪、图像分割） | CNN | 图像 | 未明确具体样本数量，数据集按60%/20%/20%划分为训练/验证/测试集 | 未明确指定，可能为PyTorch或TensorFlow | ConvNeXt | 准确率 | 未明确指定 |
| 5493 | 2026-01-29 |
The orthodontic diagnosis
2025-12-09, Nederlands tijdschrift voor tandheelkunde
DOI:10.5177/ntvt.2025.12.25003
PMID:41367283
|
综述 | 本文综述了正畸诊断的基础、系统、技术发展及其在临床实践中的应用与局限性 | 强调了人工智能和深度学习在提升正畸诊断测量与分类可靠性方面的应用，同时指出其在准确性和透明度方面的挑战 | 人工智能无法替代临床评估，复杂病例仍需人工解释和跨学科合作 | 探讨正畸诊断的系统、技术发展及其在临床决策中的作用 | 正畸诊断中的骨骼、牙齿和功能异常评估 | NA | NA | 人工智能，深度学习 | NA | NA | NA | NA | NA | 准确性，透明度 | NA |
| 5494 | 2026-01-29 |
Deep learning-based acceleration and denoising of 0.55T MRI for enhanced conspicuity of vestibular Schwannoma post contrast administration
2025-Dec, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03758-z
PMID:40970959
|
研究论文 | 本研究评估了基于深度学习的去噪算法在0.55T MRI中用于增强对比剂后前庭神经鞘瘤显影效果及缩短采集时间的应用 | 首次在0.55T MRI中应用深度学习去噪技术，显著提升图像质量的同时将检查时间缩短超过一半 | 研究为回顾性设计，样本量较小（仅30例患者），且仅针对前庭神经鞘瘤这一特定疾病 | 评估深度学习去噪算法在0.55T MRI中提升前庭神经鞘瘤显影效果和减少采集时间的效能 | 30例前庭神经鞘瘤患者（包括9名女性）的MRI影像数据 | 医学影像分析 | 前庭神经鞘瘤 | MRI成像，深度学习去噪 | 深度学习模型 | MRI图像 | 30例患者 | NA | NA | 图像质量评分，肿瘤显影评分，伪影评分，尺寸测量可靠性 | NA |
| 5495 | 2026-01-29 |
Cross-Modality Learning for Predicting Immunohistochemistry Biomarkers from Hematoxylin and Eosin-Stained Whole Slide Images
2025-Dec, The American journal of pathology
DOI:10.1016/j.ajpath.2025.08.014
PMID:40946794
|
研究论文 | 本研究提出了一种名为HistoStainAlign的深度学习框架，用于直接从H&E全切片图像预测IHC染色模式 | 提出了一种新颖的深度学习框架HistoStainAlign，通过对比训练策略整合配对的H&E和IHC嵌入，无需切片级注释或组织配准即可捕获跨染色模态的互补特征 | NA | 开发一种计算工具，作为IHC染色的预筛查工具，帮助优先选择病例进行IHC染色并提高工作流程效率 | 胃肠道和肺组织全切片图像，使用三种常用IHC染色：P53、程序性死亡配体-1和Ki-67 | 数字病理学 | 肺癌 | H&E染色、IHC染色 | 深度学习 | 图像 | NA | NA | HistoStainAlign | 加权F1分数 | NA |
| 5496 | 2026-01-29 |
AI-assisted computed tomography analysis for pre-procedural planning prior to TAVI
2025-Nov-12, Clinical research in cardiology : official journal of the German Cardiac Society
IF:3.8Q1
DOI:10.1007/s00392-025-02790-6
PMID:41603941
|
研究论文 | 本研究比较了基于深度学习的全自动CT分析算法与临床标准软件在TAVI术前规划中的性能 | 开发了一种全自动、基于深度学习的算法，用于TAVI术前CT分析，无需人工干预即可完成完整分析 | 研究为回顾性分析，样本量相对较小（98例患者），且仅与单一商业软件进行比较 | 评估基于深度学习的全自动CT分析算法在TAVI术前规划中的准确性和可行性 | 接受TAVI的症状性严重主动脉瓣狭窄患者 | 数字病理学 | 心血管疾病 | 心脏计算机断层扫描 | 深度学习算法 | CT图像 | 98例患者 | NA | NA | 平均绝对误差, 平均绝对百分比误差, 组内相关系数 | NA |
| 5497 | 2026-01-29 |
Overview of Multimodal Radiomics and Deep Learning in the Prediction of Axillary Lymph Node Status in Breast Cancer
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.07.017
PMID:40830005
|
综述 | 本文综述了多模态影像组学和深度学习在预测乳腺癌腋窝淋巴结状态中的应用与进展 | 整合了多模态影像（如乳腺X线摄影、超声、MRI和PET/CT）与深度学习算法，系统分析了影像组学工作流和模型构建策略，为乳腺癌腋窝淋巴结转移的非侵入性预测提供了综合参考 | 存在方法学和技术上的挑战待解决，未具体说明 | 合成和评估当前研究成果，为乳腺癌腋窝淋巴结转移的精准诊断和评估提供参考，并推动该领域的发展 | 乳腺癌患者的腋窝淋巴结状态 | 数字病理学 | 乳腺癌 | 多模态影像技术（乳腺X线摄影、超声、MRI、PET/CT） | 深度学习算法 | 多模态医学影像 | NA | NA | NA | NA | NA |
| 5498 | 2026-01-29 |
AI-assisted rapid on-site evaluation ROSE of EUS-FNA cytopathology for pancreatic solid lesions: A two-stage deep learning approach
2025 Nov-Dec, Endoscopic ultrasound
IF:4.4Q1
DOI:10.1097/eus.0000000000000154
PMID:41585852
|
研究论文 | 本研究开发并验证了一种用于胰腺实性病变EUS-FNA细胞学图像自动分析的两阶段深度学习诊断模型 | 提出了一种新颖的两阶段深度学习模型，结合YOLOv8n-p2进行组织细胞检测和DenseNet201进行恶性/正常分类，专门用于处理移动设备捕获的、质量多变的ROSE图像 | 研究为回顾性设计，样本量相对有限（92名患者），且所有数据来自单一中心 | 开发自动化AI辅助诊断系统，以改善胰腺实性病变的快速现场评估（ROSE）效率和可及性 | 胰腺实性病变患者的EUS-FNA细胞学图像 | 数字病理学 | 胰腺癌 | EUS-FNA细胞学 | 深度学习 | 图像 | 92名患者的882张EUS-FNA细胞学图像 | PyTorch | YOLOv8n-p2, DenseNet201 | 准确率, AUC-PR, AUC-ROC | NA |
| 5499 | 2026-01-29 |
Trustworthy deep learning for the automated quantification of the fatty infiltration of the rotator cuff muscles using magnetic resonance imaging
2025-Nov, JSES international
DOI:10.1016/j.jseint.2025.06.020
PMID:41584544
|
研究论文 | 本研究提出并评估了一种基于深度学习的自动化方法，用于在磁共振成像上对肩袖肌肉脂肪浸润进行分类 | 提出了一种结合域内迁移学习、特征融合和机器学习分类器的新型深度学习流程，用于自动分类肩袖肌肉脂肪浸润 | NA | 开发一种自动、客观的方法来分类肩袖肌肉的脂肪浸润，以改进当前主观且可靠性低的分类方法 | 肩袖肌肉的磁共振图像 | 计算机视觉 | 肩袖撕裂 | 磁共振成像 | CNN | 图像 | 383名患者的1,149张分割后的肩袖肌肉图像 | TensorFlow, Keras, Scikit-learn | Xception, InceptionV3, MobileNetV2 | 准确率, 精确率, 召回率, F1分数, 特异性 | NA |
| 5500 | 2026-01-29 |
Artificial Intelligence in Population-Level Gastroenterology and Hepatology: A Comprehensive Review of Public Health Applications and Quantitative Impact
2025-Oct-24, Digestive diseases and sciences
IF:2.5Q2
DOI:10.1007/s10620-025-09452-7
PMID:41136718
|
综述 | 本文全面回顾了人工智能在胃肠病学和肝病学领域的人口层面应用及其定量影响，强调AI在推动医疗策略从被动治疗转向主动预防中的作用 | 聚焦于AI在胃肠病学和肝病学公共健康领域的应用，系统评估其在结直肠癌、代谢功能障碍相关脂肪肝病、病毒性肝炎、胃肠道感染及上消化道癌症等多个领域的定量影响 | AI发展在高低收入国家间分布不均可能加剧健康差距，且存在算法偏见、患者隐私保护、监管框架不完善以及从研究到实际部署的转化挑战 | 评估人工智能在胃肠病学和肝病学公共健康领域的应用及其对全球疾病负担的定量影响 | 结直肠癌、代谢功能障碍相关脂肪肝病、病毒性肝炎、胃肠道感染、上消化道癌症（如胃癌）及炎症性肠病等疾病的人群层面筛查、诊断与预防 | 机器学习 | 胃肠病学和肝病学 | 机器学习、深度学习、非侵入性测试、废水分析 | NA | 医疗数据、废水样本数据 | NA | NA | NA | 检测率、准确性、风险预测准确性 | NA |