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 49867 篇文献，本页显示第 5681 - 5700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5681 | 2026-03-07 |
WxC-Bench: A Novel Dataset for Weather and Climate Downstream Tasks
2026-Mar-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06839-7
PMID:41786786
|
研究论文 | 本文介绍了一个名为WxC-Bench的新型多模态数据集，旨在支持天气和气候研究中可泛化AI模型的开发 | 提出了首个针对天气和气候下游任务、涵盖多种大气尺度（从中尺度到天气尺度）的综合性、预处理的机器学习就绪数据集 | 未明确说明数据集的覆盖时间范围、空间分辨率限制或潜在的数据偏差 | 为天气和气候分析领域开发新的AI模型或微调现有模型提供高质量的数据集支持 | 天气和气候数据，包括大气湍流、飓风强度与路径、天气相似性搜索、重力波参数化等过程 | 机器学习 | NA | 多模态数据整合 | NA | 多模态数据（空间与时间序列数据） | NA | NA | NA | NA | NA |
| 5682 | 2026-03-06 |
Research and implementation of intelligent clothing personalized customization system based on deep learning
2026-Mar-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40436-3
PMID:41781421
|
研究论文 | 本研究提出了一种基于深度学习的智能服装个性化定制系统，集成了身体测量、风格偏好学习、虚拟试穿和设计推荐等核心模块 | 提出了一种新颖的CNN-Transformer-GAN混合架构，专门针对个性化服装设计任务进行优化，在测量精度和可视化质量方面显著优于现有方法 | 未明确说明系统对不同体型、年龄和文化的适用性限制，也未讨论长期使用中的算法稳定性问题 | 开发一个智能化的服装个性化定制系统，通过人工智能技术提升服装定制效率和用户满意度 | 服装个性化定制系统及其用户 | 计算机视觉 | NA | 深度学习 | CNN, Transformer, GAN | 图像数据（身体测量）、用户偏好数据 | 120名参与者的单盲用户研究 + 250名用户的大规模部署测试 | 未明确指定（可能为PyTorch或TensorFlow） | CNN-Transformer-GAN混合架构 | 平均绝对误差（MAE）、准确率、响应时间、用户满意度评分 | NA |
| 5683 | 2026-06-15 |
Machine Learning in Left Ventricular Hypertrophy Detection: Systematic Review and Meta-Analysis
2026-Feb-27, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/76637
PMID:41773691
|
系统综述与荟萃分析 | 系统评估机器学习方法在左心室肥厚检测中的诊断准确性 | 首次通过系统综述与荟萃分析，全面评估不同机器学习方法和建模变量对左心室肥厚检测准确性的影响 | 纳入研究存在极端异质性，基于有限证据得出的结论需要谨慎解读，且未来需更多基于影像数据的高性能模型研究 | 系统评估机器学习方法在左心室肥厚检测中的诊断准确性，为人工智能工具的开发提供依据 | 左心室肥厚检测相关的机器学习模型 | 机器学习 | 心血管疾病 | NA | 机器学习模型（包括深度学习模型） | 心电图、临床特征、超声心动图 | 25项研究 | NA | NA | 灵敏度, 特异性 | NA |
| 5684 | 2026-06-04 |
Construction and Interpretability of a Multimodal Deep Learning Model of Electronystagmography-Optical Coherence Tomography Angiography for Early Screening of Alzheimer's Disease
2026 Jan-Dec, American journal of Alzheimer's disease and other dementias
DOI:10.1177/15333175261422037
PMID:41601185
|
研究论文 | 构建并解释整合眼电图和光学相干断层扫描血管成像的多模态深度学习模型，用于阿尔茨海默病早期筛查 | 首次将眼电图与光学相干断层扫描血管成像数据多模态融合，结合深度学习模型进行阿尔茨海默病和轻度认知障碍的早期非侵入性筛查，并使用Grad-CAM和SHAP方法进行模型可解释性分析 | 样本量有限（250名受试者），为回顾性研究，未提及外部验证及多中心数据 | 评估多模态深度学习模型整合OCTA与ENG在阿尔茨海默病和轻度认知障碍早期筛查中的价值及可解释性 | 阿尔茨海默病和轻度认知障碍患者 | 机器学习 | 阿尔茨海默病 | 光学相干断层扫描血管成像, 眼电图 | 深度学习 | 图像, 信号 | 250名受试者 | NA | NA | AUC, 敏感性, 特异性 | NA |
| 5685 | 2026-03-18 |
PRAD-Hybrid CNN (PRADHC): A Deep Learning Model for Assisted Diagnosis of Prostate Cancer on MRI
2026, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究提出了一种名为PRAD-Hybrid CNN（PRADHC）的深度学习模型，用于辅助诊断前列腺癌的MRI图像 | PRADHC模型创新性地结合了EfficientNet和残差块，通过增加CNN层数并集成ResNet来解决梯度消失问题，从而提升了诊断准确率 | AI辅助诊断工具仍存在假阳性病灶检测的局限性 | 开发一种高效的深度学习模型，以提升前列腺癌的自动诊断准确性，特别是在早期阶段 | 前列腺癌的MRI图像 | 计算机视觉 | 前列腺癌 | MRI成像 | CNN | 图像 | 来自64名患者的1,528张MRI图像 | NA | EfficientNet, ResNet | 准确率, AUC | NA |
| 5686 | 2026-07-26 |
Research Progress of MRI-based Radiomics in Rectal Cancer
2026, Current medical imaging
IF:1.1Q3
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5687 | 2026-07-26 |
Web of Science Bibliometrics Analysis of Magnetic Resonance Imaging Research Advances in Multiple Sclerosis
2026, Current medical imaging
IF:1.1Q3
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5688 | 2026-07-26 |
Forecasting user engagement and competing cascades in social media diffusion: A Hawkes-Transformer approach
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0354472
PMID:42497156
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5689 | 2026-07-26 |
Spatial-aware lightweight network for real-time tea disease detection: A coordinate attention-enhanced YOLOv8n approach with path-decoupling strategy
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0354583
PMID:42497159
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5690 | 2026-07-26 |
Fundus image analysis of retinitis pigmentosa using artificial intelligence
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0354452
PMID:42497190
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5691 | 2026-07-26 |
Ionospheric TEC anomalies analysis and prediction during six volcanic eruptions using a Hybrid ML-DL model and comparison with the AR/MLR Models
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0354386
PMID:42497284
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5692 | 2026-07-26 |
A dataset-centric review of IoT and IIoT intrusion detection: realism, evaluation biases, and future research directions
2026, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2026.1878260
PMID:42499387
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5693 | 2026-07-26 |
Deciphering tuberculosis pathway mechanisms via graph neural networks and multimodal deep learning: a comprehensive AI-driven framework for precision medicine
2026, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2026.1753893
PMID:42499499
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5694 | 2026-07-26 |
Monthly trends, determinants, and forecasting of perinatal mortality in Ghana: a comparison of ARIMA, BPNN, DLNN, and GRNN models
2026, Frontiers in reproductive health
IF:2.3Q3
DOI:10.3389/frph.2026.1849802
PMID:42499668
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5695 | 2026-07-26 |
Machine and deep learning based on magnetic resonance imaging to segment glioblastoma and predict the spread of recurrence: a multicenter retrospective protocol
2026, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2026.1818594
PMID:42500392
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5696 | 2026-07-26 |
EDISP: a hybrid CNN-ViT framework for robust maize leaf disease detection and classification
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1873194
PMID:42500479
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5697 | 2025-12-24 |
CT-based radiomics deep learning signatures for noninvasive prediction of early recurrence after radical surgery in locally advanced colorectal cancer: A multicenter study
2025-12, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2025.110482
PMID:41014758
|
研究论文 | 本研究开发并验证了一种结合CT影像组学、深度学习特征与临床实验室参数的术前模型，用于无创预测局部晚期结直肠癌患者根治术后的早期复发风险 | 首次将CT影像组学特征、深度学习特征与临床实验室参数整合构建术前预测模型，并在多中心外部数据集验证其优于传统病理和TNM分期模型 | 回顾性研究设计，样本量相对有限，且未在更广泛的人群中进行前瞻性验证 | 优化局部晚期结直肠癌患者的治疗策略，通过术前无创预测早期复发，减少不必要的药物毒性 | 局部晚期结直肠癌患者 | 数字病理 | 结直肠癌 | CT影像，RNA测序 | 机器学习，深度学习 | CT图像，临床实验室数据，RNA测序数据 | 560例经病理证实的局部晚期结直肠癌患者（来自三个中心）及GEO数据集 | NA | NA | AUC | NA |
| 5698 | 2025-12-03 |
Automated abdominal aortic calcification scoring via deep learning: a multi-center validation of LVLCRNet
2025-12-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02072-7
PMID:41327056
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5699 | 2025-10-07 |
Using artificial intelligence and statistics for managing peritoneal metastases from gastrointestinal cancers
2025-01-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae049
PMID:39736152
|
综述 | 探讨人工智能和统计学方法在胃肠道癌腹膜转移分析与管理的应用 | 系统比较AI方法与统计学方法在腹膜转移管理中的性能表现 | 纳入研究数量有限（约30篇），样本量是影响预测准确性的关键因素 | 研究AI和统计学方法在胃肠道癌腹膜转移管理中的应用价值 | 胃肠道癌引发的腹膜转移患者 | 机器学习 | 胃肠道癌 | 文献系统回顾 | 机器学习,深度学习 | 医学文献数据 | 约30篇符合条件的研究文献 | NA | NA | 预测准确性,精确度 | NA |
| 5700 | 2025-10-07 |
DeepMEns: an ensemble model for predicting sgRNA on-target activity based on multiple features
2025-01-15, Briefings in functional genomics
IF:2.5Q3
DOI:10.1093/bfgp/elae043
PMID:39528429
|
研究论文 | 提出基于深度学习的集成可解释模型DeepMEns，用于预测sgRNA的靶向活性 | 提出集成可解释模型，结合多种特征和架构，通过五个子回归器的平均预测提高性能 | 模型内在机制仍存在解释难度，性能提升空间未明确量化 | 提高CRISPR/Cas9系统中sgRNA靶向活性的预测准确性 | 化脓性链球菌CRISPR/Cas9系统的单导RNA（sgRNA） | 机器学习 | NA | 基因编辑技术 | CNN, Transformer, LSTM | 序列数据，DNA形状特征，位置编码特征 | 五个不同的训练和验证数据集，十个独立测试数据集 | NA | CNN with Transformer encoder, LSTM with attention mechanism | Spearman相关系数 | NA |