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 46159 篇文献，本页显示第 5801 - 5820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5801 | 2026-04-10 |
Climate driven drought risk and machine learning approaches for urban resilience and sustainable water governance
2026-Mar-10, Environmental research
IF:7.7Q1
DOI:10.1016/j.envres.2026.124220
PMID:41819208
|
研究论文 | 本文提出了一种先进的干旱风险预测模型，结合多尺度标准化降水指数、气候分区和深度学习模型，用于预测和识别不同气候区域的干旱动态 | 整合了多尺度标准化降水指数、气候分区和深度学习模型，用于干旱风险预测，并比较了多种混合模型的性能 | 未明确说明模型在极端气候事件或数据稀缺区域的泛化能力 | 开发干旱风险预测模型以支持城市韧性和可持续水治理 | 巴基斯坦不同气候区域的干旱动态 | 机器学习 | NA | 标准化降水指数、气候分区 | RNN, LSTM, BiLSTM, CNN-LSTM, SVM | 气候数据 | NA | NA | RNN, LSTM, BiLSTM, CNN-LSTM | NA | NA |
| 5802 | 2026-04-10 |
EFFNet: Efficient feature fusion network for left ventricular hypertrophy identification based on 12-lead electrocardiogram signals
2026-Mar-04, Heart rhythm
IF:5.6Q1
DOI:10.1016/j.hrthm.2026.02.046
PMID:41791632
|
研究论文 | 本文提出了一种基于12导联心电图信号的高效特征融合网络（EFFNet），用于左心室肥厚的识别 | 提出了一种新颖的特征融合模块，将卷积神经网络提取的形态特征与算法导出的振幅特征融合，并结合专家混合模块，提高了左心室肥厚检测的准确性 | 在外部验证集（青海数据集）上的性能（AUC为0.654）低于在UK Biobank数据集上的性能（AUC为0.933），表明模型可能对数据分布敏感，泛化能力有待进一步验证 | 探索一种新的深度学习方法，用于基于12导联心电图信号有效识别左心室肥厚 | 左心室肥厚患者的心电图信号 | 机器学习 | 心血管疾病 | 心电图信号分析 | CNN | 心电图信号 | UK Biobank数据集（n = 38,289）和青海数据集（n = 142,777） | NA | EFFNet | AUC | NA |
| 5803 | 2026-04-10 |
Exploring voltage-gated sodium channel conformations and protein-protein interactions using AlphaFold2
2026-03-02, The Journal of general physiology
IF:3.3Q1
DOI:10.1085/jgp.202413705
PMID:41411077
|
研究论文 | 本研究探索了AlphaFold2在采样电压门控钠通道多种构象及评估AlphaFold Multimer在建模钠通道α亚基与其蛋白质伙伴相互作用方面的能力 | 利用AlphaFold2采样钠通道的多种构象，包括实验未描述的状态和潜在中间态，并首次应用AlphaFold Multimer高精度建模钠通道与辅助β亚基和钙调蛋白的复合物 | 预测模型仍为假设，需实验数据验证 | 探索深度学习方法在理解钠通道结构、门控和调控方面的潜力 | 电压门控钠通道及其与辅助β亚基和钙调蛋白的相互作用 | 机器学习 | NA | 冷冻电子显微镜, AlphaFold2, AlphaFold Multimer | 深度学习模型 | 蛋白质序列和结构数据 | NA | AlphaFold2, AlphaFold Multimer | AlphaFold2, AlphaFold Multimer | NA | NA |
| 5804 | 2026-04-10 |
How I Do It: Fast MRI of the Joints
2026-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.251430
PMID:41842665
|
综述 | 本文提供了关于快速肌肉骨骼关节MRI的实践导向概述，重点介绍了回波链优化和现代加速技术的应用 | 结合并行成像、同时多层采集和压缩感知欠采样技术，以及深度学习图像重建方法，实现关节MRI的三到十倍加速 | 需要进一步的研究和数据支持，以验证深度学习方法的长期临床效果 | 优化关节MRI的扫描速度与图像质量，提升临床效率 | 中枢和周围关节的肌肉骨骼MRI | 医学影像 | NA | MRI, 并行成像, 同时多层采集, 压缩感知, 深度学习图像重建 | 深度学习 | MRI图像 | NA | NA | NA | 图像质量, 诊断准确性 | NA |
| 5805 | 2026-04-10 |
Artificial Intelligence in Proton Therapy: What Works, What Does Not, and What Is Next
2026 Mar-Apr 01, Cancer journal (Sudbury, Mass.)
DOI:10.1097/PPO.0000000000000821
PMID:41880273
|
综述 | 本文综述了人工智能在质子治疗中的应用现状、挑战与未来方向 | 强调AI在质子治疗中整合异构数据、捕捉复杂临床工作流关系的能力，并区分任务级自动化与工作流级智能 | NA | 总结人工智能在质子治疗中的当前与新兴应用，并讨论其临床转化面临的挑战 | 质子治疗中的成像、治疗计划、质量保证、自适应工作流和结果建模 | 机器学习 | NA | NA | 机器学习,深度学习 | 异构数据 | NA | NA | NA | NA | NA |
| 5806 | 2026-04-10 |
Deep learning-assisted tumor radiomic dynamics on MRI predict pathological complete response in HCC undergoing immune-based therapy followed by hepatectomy
2026-Feb-26, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001724
PMID:41746634
|
研究论文 | 本研究开发并验证了一个整合临床病理和影像组学特征的模型，用于预测不可切除肝细胞癌在转化治疗后达到病理完全缓解 | 首次将基于MRI的时间动态影像组学特征与血清AFP反应相结合，构建预测模型，显著提高了预测性能 | 研究为回顾性多中心设计，样本量相对有限，需前瞻性研究进一步验证 | 预测不可切除肝细胞癌在免疫联合治疗后行肝切除术的病理完全缓解 | 不可切除肝细胞癌患者 | 数字病理 | 肝癌 | MRI影像分析 | 机器学习模型 | MRI图像 | 训练集78例，内部测试集32例，独立验证集44例 | Scikit-learn | 随机森林 | AUC, NPV, PPV, 敏感性, 特异性 | NA |
| 5807 | 2026-02-25 |
An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA)
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38045-1
PMID:41714716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5808 | 2026-02-15 |
Multi-institutional deep learning for GTV segmentation and survival prediction in nasopharyngeal carcinoma
2026-Feb-13, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02195-5
PMID:41688962
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5809 | 2026-04-10 |
Radiologic Pattern of Fibrosis in Combined Pulmonary Fibrosis and Emphysema: Impact on Disease Trajectories and Prognostic Outcomes
2026-02, Radiology
IF:12.1Q1
DOI:10.1148/radiol.251686
PMID:41733469
|
研究论文 | 本研究评估了不同纤维化模式对合并性肺纤维化和肺气肿（CPFE）患者疾病轨迹和预后的影响 | 首次利用深度学习量化方法，系统评估了CPFE中不同放射学纤维化模式（如UIP、NSIP、SRIF、DIP）对纤维化进展速度的影响，并明确了生存率主要与基线纤维化程度及临床不良事件相关 | 研究为回顾性设计，样本主要来自单一机构且男性占绝大多数，可能限制了结果的普遍性，且未详细说明深度学习模型的具体架构和验证过程 | 评估CPFE患者中不同放射学纤维化模式对疾病进展轨迹和临床结局的影响 | 236名被诊断为合并性肺纤维化和肺气肿（CPFE）的患者 | 数字病理学 | 肺纤维化与肺气肿 | 高分辨率CT（HRCT），深度学习量化 | 深度学习模型（具体类型未明确说明） | 医学影像（CT图像） | 236名患者（平均年龄65岁±7.8，其中232名男性） | NA | NA | 风险比（HR），置信区间（CI），中位进展时间 | NA |
| 5810 | 2026-04-10 |
Peptide-based drug design using generative AI
2026-Jan-13, Chemical communications (Cambridge, England)
DOI:10.1039/d5cc04998a
PMID:41376388
|
综述 | 本文综述了利用生成式人工智能进行基于肽的药物设计的最新进展，重点关注生成架构、相互作用建模、筛选和递送优化 | 整合了生成式AI（如图神经网络、Transformer、扩散模型）与肽化学创新（如环化、非经典氨基酸）来加速药物发现，并将发现周期从数年缩短至数月 | 预测生成肽序列的溶解度、免疫原性和毒性仍具挑战性，数据质量和自主药物发现的实践问题也是当前限制 | 加速基于肽的治疗药物的设计与发现，优化其药代动力学和临床适用性 | 肽类药物，特别是用于代谢性疾病、肿瘤学和医学成像的肽 | 机器学习 | 代谢性疾病, 肿瘤学 | NA | 图神经网络, Transformer, 扩散模型 | 序列数据, 结构数据 | NA | NA | NA | NA | NA |
| 5811 | 2026-04-10 |
Artificial Intelligence-Driven Differentiation Between Uveal Melanoma and Nevus Based on Fundus Photographs: A Systematic Review and Meta-Analysis
2026-Jan-05, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.1.34
PMID:41590408
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估了基于眼底照片的人工智能模型在区分葡萄膜黑色素瘤和痣方面的性能 | 首次对基于眼底照片的AI模型在区分葡萄膜黑色素瘤与痣方面的性能进行系统综述和荟萃分析，并评估了外部验证模型的判别能力 | 现有证据高度异质，受限于小数据集规模和有限的外部验证 | 检验人工智能模型基于眼底照片区分葡萄膜黑色素瘤和痣的能力 | 葡萄膜黑色素瘤（UM）和葡萄膜痣（UN） | 计算机视觉 | 葡萄膜黑色素瘤 | 眼底摄影 | 深度学习, 传统机器学习 | 图像 | 总计6208名参与者 | NA | NA | AUC, 准确率, 灵敏度, 特异性 | NA |
| 5812 | 2026-04-10 |
Assessing deep learning model performance in osteoporosis screening with lumbar spine radiographs
2026-Jan, Journal of bone and mineral metabolism
IF:2.4Q3
DOI:10.1007/s00774-025-01672-1
PMID:41361106
|
研究论文 | 本研究评估了深度学习模型在腰椎X光片上筛查骨质疏松症的性能 | 利用腰椎X光片替代DXA进行骨质疏松症筛查，提出了一种资源有限的替代方案 | 模型性能（如AP图像的AUC为0.79）仍有提升空间，且依赖特定数据集 | 开发并评估深度学习模型用于骨质疏松症的筛查 | 腰椎X光片（正位和侧位） | 计算机视觉 | 骨质疏松症 | X光成像 | CNN | 图像 | 训练集：2244张正位和2368张侧位腰椎X光片；测试集：963张正位和1018张侧位图像 | NA | ResNet-18, DarkNet-19 | AUC, 敏感性, 特异性 | NA |
| 5813 | 2026-04-10 |
Automated Joint Space Detection Improves Bone Segmentation Accuracy
2025-11-28, Journal of visualized experiments : JoVE
DOI:10.3791/69252
PMID:41396972
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于提高小鼠爪部骨骼分割的准确性，通过检测关节空间来优化分割效果 | 在先前半自动标记分水岭算法基础上，引入了结构增强、张量投票和输出膨胀技术，并结合3D U-Net架构的深度学习模型进行关节空间预测，显著提升了分割精度 | 在疾病严重程度增加和年龄增长的小鼠样本中，模型准确性下降，表明其在病变或新型数据集上的性能有限 | 开发自动化方法以定量描述复杂解剖结构，减少手动分割所需专业知识和劳动，并降低观察者间变异性 | 小鼠后爪和前爪的micro-CT图像数据集，包括野生型和TNF-Tg关节炎模型 | 计算机视觉 | 关节炎 | micro-CT成像 | 深度学习模型 | 3D图像 | 野生型和TNF-Tg小鼠的后爪及前爪样本，涵盖不同年龄和性别 | NA | 3D U-Net, ResNet-18 | 分割准确性 | NA |
| 5814 | 2026-04-10 |
Deep Learning-Driven Automated Assessment of Left Ventricular Diastolic Function in Echocardiography
2025-09, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.70290
PMID:40892533
|
研究论文 | 本研究评估了一种基于深度学习的全自动模型在二维经胸超声心动图中评估左心室舒张功能的可行性、准确性和诊断性能 | 开发并验证了一种全自动深度学习模型，用于自动分析二维经胸超声心动图中的舒张参数，并与专家手动测量进行比较，展示了在分类左心室舒张功能等级方面的潜力 | 在中间类别分类中存在更多变异性，且三尖瓣反流速度的一致性较低，需要进一步验证 | 评估基于人工智能的软件在评估左心室舒张功能方面的可行性、准确性和诊断性能 | 302名疑似舒张功能障碍的患者 | 数字病理学 | 心血管疾病 | 二维经胸超声心动图 | 深度学习模型 | 图像 | 302名患者 | NA | NA | 测量成功率、相关系数（如E速度r=0.93）、分类准确性 | NA |
| 5815 | 2026-04-10 |
Analog optical computer for AI inference and combinatorial optimization
2025-09, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-09430-z
PMID:40903585
|
研究论文 | 本文介绍了一种结合模拟电子学和三维光学的模拟光学计算机，用于在单一平台上加速AI推理和组合优化 | 提出了一种结合模拟电子学和三维光学的模拟光学计算机，通过快速定点搜索避免数字转换并增强噪声鲁棒性，实现了AI推理和组合优化的双域能力 | 未明确说明 | 开发一种能同时加速AI推理和组合优化的节能计算平台 | 模拟光学计算机硬件及其在AI和优化任务中的应用 | 机器学习 | NA | 模拟光学计算、三维光学技术 | NA | 图像数据（医学图像重建、图像分类）、金融交易数据 | NA | NA | NA | NA | 基于可扩展的消费级技术构建 |
| 5816 | 2026-04-10 |
Deep Learning-Based Segmentation of Gravity-Loaded Human Spine
2025-06-10, Journal of visualized experiments : JoVE
DOI:10.3791/67781
PMID:40587489
|
研究论文 | 本研究提出了一种基于深度学习的协议，用于在重力加载条件下分割人体脊柱的3D图像 | 首次使用结合3D卷积层和残差连接的U-Net CNN，对重力加载（站立位）CBCT图像中的脊柱结构进行分割，并支持分割模型导出为STL格式用于3D打印 | 未明确提及模型在外部验证集上的泛化性能，以及处理不同扫描仪或患者群体时的鲁棒性 | 开发一种可靠且可适应的工具，用于在重力加载条件下准确分割脊柱及其他解剖结构，以支持临床诊断和研究 | 重力加载条件下的人体脊柱、骨盆和股骨头 | 计算机视觉 | 脊柱侧弯，退行性椎间盘疾病 | 负重锥形束计算机断层扫描（CBCT） | CNN | 3D图像 | NA | NA | U-Net | NA | NA |
| 5817 | 2026-04-10 |
DSAM: A deep learning framework for analyzing temporal and spatial dynamics in brain networks
2025-Apr, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103462
PMID:39892220
|
研究论文 | 提出了一种名为DSAM的新型可解释深度学习框架，用于直接从时间序列中学习任务特定的功能连接矩阵，并利用专门的图神经网络进行最终分类，以分析脑网络的时空动态 | 提出了一种可解释的深度学习框架，能够直接从时间序列中学习任务特定的功能连接矩阵，并整合了时间因果卷积网络、时间注意力单元、自注意力单元以及一种新颖的图神经网络变体，以同时捕获时空动态 | 未明确提及研究的局限性 | 开发一个深度学习框架，以更准确地建模和分析静息态功能磁共振成像数据中脑网络的时空动态，超越静态或滑动窗口功能连接矩阵的假设 | 人脑功能连接网络 | 机器学习 | NA | 静息态功能磁共振成像 | 图神经网络, 卷积神经网络, 注意力机制 | 时间序列数据 | Human Connectome Project数据集1075个样本，Adolescent Brain Cognitive Development数据集8520个样本 | NA | 时间因果卷积网络, 时间注意力单元, 自注意力单元, 图神经网络变体 | NA | NA |
| 5818 | 2025-03-05 |
Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules
2025-Mar, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250387
PMID:40035670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5819 | 2026-04-10 |
Two-Stage Deep Learning Model for Adrenal Nodule Detection on CT Images: A Retrospective Study
2025-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.231650
PMID:40035671
|
研究论文 | 本研究开发并测试了一个用于在腹部CT图像上自动检测肾上腺结节的两阶段深度学习模型，并模拟了其与人工解读结合的分诊性能 | 提出了一个针对左右肾上腺分别训练的两阶段（检测与分割）深度学习架构，并首次在大型外部数据集上模拟了模型与人工解读结合的分诊性能 | 这是一项回顾性研究，可能存在选择偏倚；模型性能在左右肾上腺结节上存在差异，分割精度有待提高 | 开发一个自动检测肾上腺结节的深度学习模型，以辅助临床分诊和管理 | 肾上腺结节 | 计算机视觉 | 肾上腺疾病 | CT成像 | 深度学习模型 | CT图像 | 内部数据集995名患者，外部测试集12080名患者，内部测试集2有1214名患者 | NA | 两阶段顺序检测与分割模型 | AUC, 交并比 | NA |
| 5820 | 2026-04-10 |
MRI-based Deep Learning Algorithm for Assisting Clinically Significant Prostate Cancer Detection: A Bicenter Prospective Study
2025-03, Radiology
IF:12.1Q1
DOI:10.1148/radiol.232788
PMID:40067105
|
研究论文 | 本研究是一项前瞻性双中心研究，旨在比较商用深度学习算法与放射科医生临床报告在检测临床显著性前列腺癌方面的诊断性能 | 前瞻性验证了商用深度学习算法在前列腺癌检测中的应用，并探索了将算法结果用于调节放射科医生不确定诊断（PI-RADS 3分）以提升特异性的临床场景 | 研究样本量相对有限（205名男性，259个病灶），且算法仅使用双参数MRI，未纳入所有影像序列 | 评估深度学习算法辅助检测临床显著性前列腺癌的诊断性能 | 疑似前列腺癌并计划进行活检的男性患者 | 数字病理 | 前列腺癌 | 双参数MRI | 深度学习算法 | MRI图像 | 205名男性（中位年龄68岁），共评估259个病灶，其中包含117个临床显著性前列腺癌病灶 | NA | NA | AUC, 敏感性, 特异性, 阳性预测值 | NA |