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 46134 篇文献，本页显示第 5641 - 5660 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5641 | 2026-04-12 |
Deep learning with cinematic rendering: fine-tuning deep neural networks using photorealistic medical images
2018-09-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aada93
PMID:30113015
|
研究论文 | 本文提出了一种利用电影渲染技术生成逼真医学图像，以微调深度学习网络的方法，用于内窥镜单目深度估计任务 | 首次将电影渲染技术应用于深度学习，通过使用电影渲染生成的逼真CT数据微调合成数据驱动的网络，提高了模型对真实医学图像的适应性和鲁棒性 | 研究主要针对内窥镜深度估计任务，可能未涵盖其他医学图像分析应用；且依赖于特定渲染条件，泛化能力需进一步验证 | 解决医学图像数据稀缺问题，提升深度学习模型在真实医学图像上的性能 | 内窥镜图像，特别是结肠内窥镜图像 | 计算机视觉 | NA | 电影渲染，CT数据重建 | CNN | 图像 | NA | NA | NA | 深度估计误差减少百分比 | NA |
| 5642 | 2026-04-12 |
Computer-aided detection of small intestinal ulcer and erosion in wireless capsule endoscopy images
2018-08-10, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aad51c
PMID:30033931
|
研究论文 | 提出一种基于深度学习的计算机辅助检测方法，用于无线胶囊内窥镜图像中小肠溃疡和糜烂的检测 | 首次将深度学习框架应用于无线胶囊内窥镜图像中溃疡和糜烂的自动检测，能够直接从数据中提取图像特征，提高识别准确性和效率 | NA | 开发一种计算机辅助检测方法，以自动识别无线胶囊内窥镜图像中的小肠溃疡和糜烂 | 无线胶囊内窥镜图像中的小肠溃疡和糜烂病变 | 计算机视觉 | 小肠溃疡和糜烂 | 无线胶囊内窥镜成像 | CNN | 图像 | 数万张无线胶囊内窥镜图像 | NA | AlexNet | 准确率, 灵敏度, 特异性, AUC | NA |
| 5643 | 2026-04-12 |
Computed tomography super-resolution using deep convolutional neural network
2018-07-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aacdd4
PMID:29923839
|
研究论文 | 本研究开发了一种基于卷积神经网络的CT图像超分辨率方法，通过改进的U-Net学习低分辨率（厚层厚）与高分辨率（薄层厚）图像之间的端到端映射 | 采用改进的U-Net架构实现CT图像的超分辨率与去噪联合优化，显著提升骨结构和气腔边界的去模糊效果 | 研究仅使用二维切片数据进行训练，未涉及三维体积数据；样本量相对有限（52个训练研究） | 开发深度学习模型以提升CT图像的空间分辨率并降低噪声 | CT图像（薄层与厚层对比） | 计算机视觉 | NA | 计算机断层扫描（CT） | CNN | 图像 | 52个CT研究用于训练（7670张切片），13个CT研究用于测试 | NA | 改进的U-Net | 峰值信噪比（PSNR），归一化均方根误差（NRMSE） | NA |
| 5644 | 2026-04-12 |
Evolutionary pruning of transfer learned deep convolutional neural network for breast cancer diagnosis in digital breast tomosynthesis
2018-05-01, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aabb5b
PMID:29616660
|
研究论文 | 提出一种分层路径进化方法，用于压缩深度卷积神经网络，以在数字乳腺断层合成中分类肿块，同时保持分类准确性 | 采用遗传算法进行迭代路径进化，通过锦标赛选择驱动计数保持交叉和突变，显著减少网络参数和计算操作 | 未提及方法在其他深度学习网络或成像任务中的泛化能力验证，且统计差异不显著（p > 0.05） | 压缩深度卷积神经网络参数，提高推理和迁移学习效率，用于乳腺癌诊断 | 数字乳腺断层合成中的肿块区域 | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成 | CNN | 图像 | 第一阶段：19,632个增强ROI（来自2,454个乳腺X光肿块病变）；第二阶段：9,120个DBT ROI（来自228个肿块病变）；测试：89个肿块病变（来自94个独立DBT病例） | NA | 预训练的DCNN（基于ImageNet） | AUC | NA |
| 5645 | 2026-04-12 |
Comment on 'Deep convolutional neural network with transfer learning for rectum toxicity prediction in cervical cancer radiotherapy: a feasibility study'
2018-03-15, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aaae23
PMID:29424369
|
评论 | 对一篇关于使用深度卷积神经网络预测宫颈癌放疗中直肠毒性的可行性研究论文进行评论 | NA | NA | 讨论深度学习技术在医学物理和放射肿瘤学领域的应用潜力与局限性 | 深度学习在放射肿瘤学中的应用 | 数字病理学 | 宫颈癌 | NA | 卷积神经网络 | NA | NA | NA | VGG-16 | NA | NA |
| 5646 | 2026-04-12 |
Computer-aided assessment of breast density: comparison of supervised deep learning and feature-based statistical learning
2018-01-09, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aa9f87
PMID:29210358
|
研究论文 | 本研究开发了一种基于监督深度学习的自动化方法，用于评估数字乳腺X线摄影中的乳腺密度百分比，并与基于特征的统计学习方法进行比较 | 采用监督深度卷积神经网络结合域适应重采样方法，生成乳腺密度概率图，实现了比传统特征学习方法更准确和稳健的密度估计 | 研究仅使用了单一机构的回顾性数据，样本量有限，且未在外部数据集上进行验证 | 开发自动化评估乳腺密度的方法，以辅助癌症风险预测和密度报告 | 数字乳腺X线摄影图像 | 计算机视觉 | 乳腺癌 | 数字乳腺X线摄影 | CNN | 图像 | 训练集478张数字乳腺X线摄影图像，独立测试集183张图像 | NA | 深度卷积神经网络 | Dice系数, Pearson相关系数 | NA |
| 5647 | 2026-04-11 |
Computational dual-loop frameworks bridging single-enzyme design and cascade tunnel network engineering for next-generation biosynthetic systems
2026 Jul-Aug, Biotechnology advances
IF:12.1Q1
DOI:10.1016/j.biotechadv.2026.108850
PMID:41763370
|
综述 | 本文综述了计算酶工程的最新进展，重点介绍了结构预测、突变效应建模、多尺度分子模拟和多酶网络工程，并将其置于一个连接分子水平酶设计与途径水平整合的双循环DBTL框架中 | 与现有主要关注单一计算方法或单酶优化的综述不同，本文强调在统一的DBTL框架内，将机制性酶建模与多酶网络设计相结合，提供了一个连接单酶设计与级联隧道网络工程的双循环框架 | NA | 总结计算酶工程的最新进展，并为下一代生物合成系统提供一个连接分子设计与系统集成的结构化框架 | 酶（单酶及多酶系统） | 计算生物学 | NA | 结构预测、突变效应建模、分子动力学模拟、量子力学/分子力学分析 | 深度学习 | NA | NA | NA | NA | NA | NA |
| 5648 | 2026-04-11 |
Evaluation of Image-Level Harmonization Methods for Multi-Center MR Neuroimaging
2026-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70221
PMID:41489091
|
研究论文 | 本研究评估了多中心MR神经影像数据中图像级标准化方法的性能，重点关注阿尔茨海默病神经影像倡议数据集中的T1w和T2-FLAIR图像 | 首次在ADNI数据集中系统比较了统计方法ComBat与深度学习方法HACA3在跨厂商MR图像标准化中的效果，并利用多指标评估了标准化后图像特征的一致性 | 当前多对比度MR标准化工具在T2-FLAIR图像标准化方面仍存在困难，且研究仅基于ADNI数据集，可能无法推广到其他疾病或影像协议 | 评估多中心MR神经影像研究中扫描仪相关差异，并比较公开可用的图像级标准化工具的性能 | 阿尔茨海默病神经影像倡议数据集中的T1w和T2-FLAIR MR图像，涉及GE、Philips和Siemens三种扫描仪厂商 | 数字病理学 | 阿尔茨海默病 | T1w和T2-FLAIR MRI序列 | 深度学习模型 | 图像 | 扫描仪组分析：1143名ADNI3受试者（233名GE，173名Philips，250名Siemens，其中487名Siemens受试者作为独立参考组）；受试者内比较：8名受试者的配对多厂商扫描会话 | NA | HACA3 | 灰质/白质对比度比，白质高信号体积，Fréchet Inception距离，学习感知图像块相似度 | NA |
| 5649 | 2026-03-01 |
Editorial for "Analysis of Upper Airway Morphology Using Four-Dimensional Dynamic MRI With Active Deep Learning-Based Automatic Segmentation"
2026-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70283
PMID:41761402
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5650 | 2026-04-11 |
Determination of Modified Waldenström Staging in Legg-Calvé-Perthes Disease Using Deep Learning
2026-May, Journal of the Pediatric Orthopaedic Society of North America
DOI:10.1016/j.jposna.2026.100334
PMID:41890888
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于从标准髋关节X光片中自动确定Legg-Calvé-Perthes病的改良Waldenström分期 | 首次利用深度学习自动化提取临床相关参数，构建分类管道以改进LCPD分期的客观性和一致性 | 早期阶段样本代表性不足，模型在完整分类中的准确性中等，需要更大规模多中心数据提升性能 | 开发深度学习模型以自动化和标准化Legg-Calvé-Perthes病的改良Waldenström分期 | Legg-Calvé-Perthes病患者的髋关节X光片（前后位和蛙式侧位） | 数字病理学 | Legg-Calvé-Perthes病 | X光成像 | 深度学习分类模型 | 图像 | 机构1包含2,164张图像，保留测试集229对X光片，外部验证集533对X光片 | NA | NA | Dice系数, AUROC | NA |
| 5651 | 2026-04-11 |
Advanced deep learning framework for breast cancer detection using digital breast tomosynthesis images
2026-Apr-24, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2025-0011
PMID:41521204
|
研究论文 | 本研究提出了一种基于深度学习的鲁棒框架，用于利用数字乳腺断层合成图像进行乳腺癌检测 | 提出了一种结合单切片和多切片输入的混合深度学习模型，并应用了拉普拉斯金字塔增强、特征融合和穷举特征选择等先进方法以提升诊断性能 | 研究未使用多中心数据集进行验证，且尚未与临床决策支持系统集成 | 开发一种用于乳腺癌早期准确检测的深度学习框架 | 数字乳腺断层合成图像 | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成成像 | CNN, 集成学习 | 图像 | 未明确说明 | TensorFlow, Keras, Scikit-learn, XGBoost | ResNet V2, MobileNet V3, Inception V3+ | 准确率, 灵敏度, 特异性, AUC | 未明确说明 |
| 5652 | 2026-04-11 |
A simulation-based deep learning framework for spatially explicit malaria modeling of CRISPR suppression gene drive mosquitoes
2026-Apr-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115221
PMID:41890961
|
研究论文 | 本研究开发了一个基于模拟的深度学习框架，用于空间显式建模CRISPR抑制基因驱动蚊子对疟疾的影响 | 结合个体建模与深度学习，高效分析多参数对基因驱动效果的影响，揭示了不完美驱动仍可能消除疟疾的潜力 | 未明确说明模型在真实世界数据上的验证情况，且计算需求可能仍较高 | 预测CRISPR基因驱动释放对疟疾传播的影响，优化蚊虫抑制策略 | CRISPR基因驱动蚊子及其对疟疾传播的调控 | 机器学习 | 疟疾 | CRISPR基因驱动技术，个体建模 | 深度学习模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 5653 | 2026-04-11 |
RaMoA: Raman Microspectroscopy and Deep Learning for the Classification of Antimicrobial Mechanism of Action
2026-Apr-10, ACS infectious diseases
IF:4.0Q1
DOI:10.1021/acsinfecdis.5c00917
PMID:41824399
|
研究论文 | 本文提出了一种结合拉曼显微光谱和深度学习的新技术，用于分类抗菌药物的作用机制并预测其新颖性 | 首次将拉曼显微光谱与深度学习结合，用于抗菌药物作用机制的分类和新颖性预测，实现了高精度分类和未知机制识别 | 研究仅基于大肠杆菌ATCC 25922野生型菌株，且处理时间固定为1小时，样本多样性和时间动态性有限 | 开发一种基于拉曼光谱和深度学习的技术，以快速分类抗菌药物的作用机制并评估其新颖性 | 大肠杆菌ATCC 25922野生型菌株，使用27种代表5类传统功能（细胞壁合成抑制剂、蛋白质合成抑制剂、DNA复制抑制剂、RNA合成抑制剂、细胞膜功能抑制剂）的抗生素处理 | 机器学习 | NA | 拉曼显微光谱 | CNN, 自编码器 | 拉曼光谱 | 27种抗生素处理的大肠杆菌样本，代表5类作用机制 | NA | 1D 卷积神经网络, 自编码器 | 准确率 | NA |
| 5654 | 2026-04-11 |
The impact of data consistency on deep learning models for nasopharyngeal cancer organ auto-segmentation
2026-Apr-10, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae596e
PMID:41916328
|
研究论文 | 本研究探讨了标注一致性对基于深度学习的鼻咽癌放疗中危及器官自动勾画性能的影响 | 揭示了标注一致性比数据集规模对自动勾画性能更具决定性影响，并展示了通过医师特定微调可弥补领域适应差距 | 研究仅基于CT扫描数据，未考虑其他影像模态；样本来源和标注医师的多样性可能有限 | 研究标注一致性如何影响深度学习模型在鼻咽癌放疗中危及器官自动勾画的性能 | 鼻咽癌患者的CT扫描图像及对应的危及器官勾画 | 数字病理 | 鼻咽癌 | CT扫描 | CNN | 图像 | 1,301例鼻咽癌患者CT扫描，其中65例由医师A勾画，76例由医师B勾画，1,160例由多医师团队勾画 | NA | U-Net | Dice相似系数 | NA |
| 5655 | 2026-04-11 |
Artificial intelligence augmented imaging of pancreatic fluid collections in acute pancreatitis
2026-Apr-10, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology
IF:2.0Q3
DOI:10.1007/s12664-026-01979-5
PMID:41957213
|
综述 | 本文综述了人工智能在增强急性胰腺炎中胰腺液体积聚成像方面的应用，包括分割、图像生成、预后预测和工作流优化 | 利用深度学习和放射组学技术，自动化分割胰腺及液体积聚，客观量化坏死碎片，并加速MRI采集时间，可能生成合成图像 | 临床整合面临挑战，如数据标准化、算法验证和实际工作流适应性问题 | 探讨人工智能如何改进胰腺液体积聚的成像诊断和管理，以克服传统成像方法的局限性 | 急性胰腺炎患者的胰腺液体积聚 | 数字病理学 | 胰腺炎 | 深度学习, 放射组学 | 深度学习模型 | 医学影像数据（如CT、MRI） | NA | NA | NA | NA | NA |
| 5656 | 2026-04-11 |
Hyperspectral imaging-driven detection of neutraliser adulteration in milk using spatial-spectral features
2026-Apr-09, Food additives & contaminants. Part A, Chemistry, analysis, control, exposure & risk assessment
DOI:10.1080/19440049.2026.2653543
PMID:41955473
|
研究论文 | 本研究提出了一种结合新型光谱指数和空间导数特征的混合方法，利用高光谱成像和机器学习来检测牛奶中的中和剂掺假 | 提出了一种结合新型光谱指数（基于纯中和剂在650-975 nm范围的反射率曲线开发）和二阶空间导数特征的混合方法，以增强检测精度 | NA | 检测和分类牛奶中的中和剂（如碳酸钠和碳酸氢钠），以确保牛奶质量和消费者安全 | 新鲜牛奶和掺有不同浓度中和剂（每100 ml牛奶添加0.025 g、0.05 g和0.075 g）的牛奶样本 | 机器视觉 | NA | 高光谱成像 | XGBoost, Random Forest | 高光谱图像 | NA | NA | NA | 准确率 | NA |
| 5657 | 2026-04-11 |
Enabling ankle-brachial index prediction from doppler sounds using deep learning
2026-Apr-09, NPJ cardiovascular health
DOI:10.1038/s44325-026-00116-7
PMID:41957436
|
研究论文 | 本研究介绍了一种名为AutoABI的深度学习算法，能够直接从循环多普勒声音中分类踝臂指数（ABI）类别，以提升床旁ABI评估的可及性 | 首次提出利用深度学习直接从多普勒声音预测ABI类别，为无法进行传统ABI测量的患者（如血管钙化患者）提供了新的评估方案 | 研究基于有限规模的数据集（198名患者的791条录音），样本量较小，可能影响模型的泛化能力 | 开发一种基于深度学习的算法，以改善外周动脉疾病（PAD）患者踝臂指数（ABI）评估的可及性和可靠性 | 外周动脉疾病（PAD）患者，特别是那些因血管钙化而无法进行传统ABI测量的患者 | 机器学习 | 外周动脉疾病 | 多普勒声音分析 | 深度学习算法 | 音频（多普勒声音录音） | 198名患者的791条录音 | NA | NA | AUC（受试者工作特征曲线下面积） | NA |
| 5658 | 2026-04-11 |
Predicting Osteoporosis Risk from Knee Radiographs and Clinical Features through Deep Learning: A Multimodal Approach
2026-Apr-09, Annals of African medicine
IF:0.6Q3
DOI:10.4103/aam.aam_857_25
PMID:41957558
|
研究论文 | 本研究开发了一种结合膝关节X光片和临床特征的多模态深度学习方法，用于预测骨质疏松风险 | 提出了一种双流方法，将CNN从X光片中提取的特征与临床参数结合，用于骨质疏松筛查，为资源有限地区提供了一种成本效益高的替代方案 | 样本量较小（仅239张图像），且仅使用了单一公共数据集，可能影响模型的泛化能力 | 探索利用深度学习和临床数据预测骨质疏松风险，以替代昂贵的DEXA扫描 | 膝关节X光图像及对应的临床数据 | 计算机视觉 | 骨质疏松症 | X射线成像，骨矿物质密度评估 | CNN | 图像，临床数据 | 239张膝关节X光图像及对应临床数据 | NA | AlexNet, Inception V3 | 召回率，准确率，AUC，灵敏度 | NA |
| 5659 | 2026-04-11 |
Identification of Aspergillus at section and species levels by artificial intelligence-based microscopic morphology image recognition
2026-Apr-08, Journal of clinical microbiology
IF:6.1Q1
DOI:10.1128/jcm.00012-26
PMID:41757926
|
研究论文 | 本研究开发了一种名为FungalNet的深度学习模型，用于基于显微形态图像快速准确识别曲霉菌的节和种水平 | 提出了FungalNet模型，该模型整合了ResNet-50架构与Focal Loss算法，并采用了一种结合五折交叉验证和专家人工审查的新型质量控制方法 | 需要进一步优化和多中心验证才能集成到常规诊断流程中 | 通过人工智能显微形态图像识别，快速准确识别曲霉菌的节和种水平，以支持曲霉病的诊断和抗真菌治疗 | 临床分离的曲霉菌种，属于八个不同的节 | 计算机视觉 | 曲霉病 | 显微形态图像分析，乳酚棉蓝染色 | 深度学习，CNN | 图像 | 11,689张合格的高分辨率图像，来源于12,000张初始图像 | PyTorch, TensorFlow | ResNet-50, GoogLeNet, Xception | 准确率 | NA |
| 5660 | 2026-04-11 |
A simulation-based study of 3D printing angle optimization by integrating deep learning and NSGA-III for prosthesis and retainer manufacturing
2026-Apr-08, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2026.03.015
PMID:41956844
|
研究论文 | 本研究开发了一个集成深度学习和NSGA-III算法的计算框架，用于优化牙科3D打印中牙冠和固位体的构建方向，以减少支撑面积和打印高度 | 首次将PointNet++、MeshSegNet和NSGA-III集成到一个自动化框架中，用于牙科3D打印的构建方向优化，避免了传统软件中手动调整和支撑物放置在功能区域的问题 | 研究为基于仿真的研究，需要进一步的实验验证才能应用于临床 | 开发并评估一个计算框架，以优化牙科3D打印中牙冠和固位体的构建方向，最小化支撑面积和打印高度 | 牙科牙冠和固位体的3D打印构建方向 | 计算机视觉 | NA | 3D打印 | 深度学习 | 3D网格数据 | 24个牙科模型 | NA | PointNet++, MeshSegNet | 支撑面积, 打印高度 | NA |