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 5901 - 5920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5901 | 2026-07-18 |
Detection of Microbehavior Intervals for Predicting Mental Health: Clinically Relevant and Advanced Multimodal Temporal Analysis
2026-May-27, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/87049
PMID:42202278
|
研究论文 | 通过检测微观行为间隔来预测医疗工作者的心理困扰状况，提出了一种无需人工标注的多模态时间分析方法 | 首次聚焦于微观行为间隔（短暂、非自愿的多模态非语言信号变化）来区分心理困扰特征，采用无监督异常检测模型自动提取间隔，无需人工标注 | 未明确提及研究局限性 | 评估微观行为间隔是否能改善对医疗工作者心理困扰特征（如职业倦怠和创伤后应激障碍）的区分能力 | 医疗工作者的心理困扰状态（包括中度-重度职业倦怠、亚阈值-临时性PTSD、共病及韧性类别） | 计算机视觉, 机器学习 | 心理疾病（职业倦怠和创伤后应激障碍） | 计算机视觉模型 | 无监督异常检测模型（MOMENT）、深度学习分类器 | 视频（面部表情、头部运动、目光、身体姿势和手势的时间序列数据） | 151名医疗工作者的258个访谈录音 | PyTorch | MOMENT（时间序列基础模型） | 宏F1分数, 宏AUC | NA |
| 5902 | 2026-07-18 |
Artificial intelligence for antimicrobial resistance: advancing reproducibility, interpretability, and clinical deployment
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag269
PMID:42218717
|
综述 | 本文综述了人工智能在抗菌素耐药性领域从概念验证向临床决策支持系统转变过程中，在可重复性、可解释性和临床部署方面面临的挑战与解决方案 | 提出了一套实用标准框架，涵盖数据集整理、多中心外部验证、透明模型卡和系统化错误成本分析，并倡导成本敏感评估方法整合管理指标 | 未提供具体实验验证结果，主要基于文献分析提出框架性建议 | 推动AI-AMR从概念验证向临床嵌入式决策支持系统转化，建立严格的可重复性、可解释性和评估标准 | 人工智能在抗菌素耐药性领域的应用技术和方法 | 机器学习 | 抗菌素耐药性相关感染性疾病 | NA | 深度学习、基础模型、生成模型 | 文本、基因组数据 | NA | NA | NA | 准确性、假阳性率、假阴性率、时间至有效治疗、抗菌谱窄化、治疗天数 | NA |
| 5903 | 2026-07-18 |
CLCNet: a contrastive learning and chromosome-aware network for genomic prediction in plants
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag270
PMID:42218721
|
研究论文 | 提出一种融合对比学习和染色体感知特征建模的新型深度学习框架CLCNet，用于提升植物基因组预测准确性 | 首次将对比学习与染色体感知网络相结合，通过对比学习模块捕捉基因型依赖的表型差异，染色体感知模块实现结构化特征选择，有效克服基因组预测中维度灾难和个体间变异捕获困难问题 | 未明确说明局限性 | 提高植物基因组预测模型的准确性，解决传统方法难以捕捉个体间变异和受维度限制的问题 | 玉米、油菜、大豆、棉花4种作物及其10个农艺重要性状 | 机器学习 | NA | 基因组选择，SNP标记 | 对比学习，染色体感知网络 | 基因组SNP数据，表型数据 | 4种作物品种，10个农艺性状 | PyTorch | CLCNet（对比学习模块+染色体感知模块） | 皮尔逊相关系数，均方误差 | NA |
| 5904 | 2026-07-18 |
USADAE: a deep learning approach to disentangle hidden covariates in RNA-seq data
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag261
PMID:42218722
|
研究论文 | 提出了USADAE，一种基于深度学习的自编码器框架，用于从RNA-seq数据中分离隐含混杂因素与生物信号 | 首次将对抗解耦学习应用于RNA-seq数据中隐含混杂因素的自动分离，替代了传统线性假设方法 | 未提及具体局限性，但可能依赖数据量且需高计算资源 | 开发能有效从RNA-seq数据中解除隐含混杂因素干扰的深度学习方法 | RNA-seq数据中的生物信号与未测技术变异和非线性混杂因素 | 机器学习 | NA | RNA-seq | 自编码器（Autoencoder） | 基因表达数据 | NA | PyTorch | 对抗自编码器（Adversarial Autoencoder） | 差异表达分析准确性、eQTL分析效果 | NA |
| 5905 | 2026-07-18 |
Efficient vision mamba for MRI super-resolution via hybrid selective scanning
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70508
PMID:42204783
|
研究论文 | 提出一种基于多头选择性状态空间模型与轻量通道MLP的高效MRI超分辨率框架，实现低计算开销下的高保真重建 | 首次将多头选择性状态空间模型与混合扫描策略（垂直、水平、对角）结合用于MRI超分辨率，在0.9M参数和57GFLOPs的超低计算量下达到与扩散模型相当的精度 | 未在低场强或临床常见序列（如T2-FLAIR）上验证泛化能力，且混合扫描策略的复杂性可能增加训练难度 | 开发兼顾高重建精度与计算效率的MRI超分辨率深度学习框架，推动临床转化 | 7T脑部T1 MP2RAGE图像（142名受试者）和1.5T前列腺T2w MRI图像（334名受试者） | 计算机视觉 | NA | MRI超分辨率 | 状态空间模型（SSM）+ 轻量通道MLP | 图像 | 脑部数据集142例，前列腺数据集334例 | PyTorch | MambaFormer（MHSSM + 深度可分离卷积 + 门控通道混合） | SSIM, PSNR, LPIPS, GMSD | NA |
| 5906 | 2026-07-18 |
Learning ordinal representation across MRI sequences for liver fibrosis staging
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70504
PMID:42206568
|
研究论文 | 提出一种基于非对比MRI的细粒度深度学习模型进行肝纤维化分期 | 提出混合对比三元组学习方法和加权策略，结合多尺度学习和可学习注意力机制，从非对比MRI中捕获有序表示以处理分期不平衡和细微差异 | NA | 利用非对比MRI实现准确且改进的肝纤维化分期诊断 | 450例肝病的非对比MRI数据 | 机器学习 | 肝纤维化 | MRI | 深度学习模型 | 图像 | 450例 | NA | 多尺度学习、可学习注意力机制、混合对比三元组学习 | AUC | NA |
| 5907 | 2026-07-18 |
Measurement uncertainty in laboratory medicine: a comprehensive review of frameworks, analytical performance specifications, and emerging technologies
2026-Apr-03, Laboratory medicine
IF:1.0Q4
DOI:10.1093/labmed/lmag032
PMID:42204811
|
综述 | 全面回顾了实验室医学中测量不确定性的框架、分析性能规范及新兴技术 | 整合了传统总允许误差概念与现代测量不确定性框架，并探讨了人工智能与机器学习在患者实时质量控制中的应用 | 未提及具体实验验证或量化不同方法的比较结果 | 总结测量不确定性的方法论框架、分析性能规范和实际实施策略 | 医学实验室中的测量不确定性评估与质量控制 | 自然语言处理 | NA | ISO 15189, CLSI, 生物变异分析, 六西格玛度量, 人工智能, 机器学习 | 深度学习, 异常检测 | NA | NA | NA | NA | 总允许误差, 六西格玛度量 | NA |
| 5908 | 2026-07-18 |
[Auto detection on morphological characteristics of termite legs based on deep learning]
2026-Mar, Ying yong sheng tai xue bao = The journal of applied ecology
DOI:10.13287/j.1001-9332.202603.033
PMID:42209239
|
研究论文 | 基于深度学习开发了白蚁腿形态自动检测和分析软件，用于测量腿节长度等形态指标，并验证了后胫节长度作为形态指标的合理性 | 首次将深度学习应用于白蚁腿形态的自动和准确测量，填补了该领域的应用空白，能够处理遮挡问题并提供准确的量化指标 | NA | 开发基于深度学习的白蚁腿形态自动检测与分析软件，准确测量腿节长度并验证常规形态指标的合理性 | 白蚁的腿节，包括股节、胫节和跗节等形态特征 | 计算机视觉 | NA | NA | 关键点检测模型 | 图像数据 | NA | NA | NA | 平均绝对误差, 平均相对误差, 均方根误差, 皮尔逊相关系数 | NA |
| 5909 | 2026-07-18 |
Machine learning-based prediction of hepatocellular carcinoma risk in steatotic liver disease: A nationwide cohort study
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349593
PMID:42207764
|
研究论文 | 利用机器学习预测脂肪肝患者肝细胞癌风险，基于全国队列研究 | 基于常规健康筛查变量开发可解释的机器学习模型，实现脂肪肝人群中肝细胞癌的风险分层，并识别关键预测因子 | 需要外部验证，研究基于韩国人群，结果可能具有地域局限性 | 开发可解释的机器学习模型以预测脂肪肝患者的肝细胞癌风险 | 韩国国家健康保险服务数据库中20-79岁的脂肪肝成人 | 机器学习 | 脂肪肝，肝细胞癌 | NA | 深度神经网络（加权多头注意力深度神经网络集成） | 结构化数据（健康筛查变量） | 1,241,560名脂肪肝成人（其中2,152名发生肝细胞癌） | NA | 多头注意力深度神经网络 | AUC, 灵敏度, 特异度 | NA |
| 5910 | 2026-07-18 |
UAV-based RGB and multispectral mango leaf disease detection with benchmarking of YOLOv5 to YOLOv10 and SeqOpt-optimised YOLOv8 for real-time edge deployment
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349855
PMID:42207843
|
研究论文 | 提出了一种基于无人机多光谱成像与优化YOLOv8模型的实时芒果叶病检测框架，并嵌入边缘设备进行部署 | 首次系统性地对比YOLOv5至YOLOv10系列模型在芒果叶病检测中的性能，提出SeqOpt优化方法提升YOLOv8的检测精度与部署效率，并在树莓派5和NVIDIA Jetson Orin Nano上实现实时边缘部署 | 仅在特定果园条件下采集数据集，可能影响模型在其他环境或品种上的泛化能力 | 开发一种适用于精准农业的实时、轻量级芒果叶病检测系统，支持边缘设备高效部署 | 芒果叶片上的四种常见病害 | 计算机视觉 | 植物病害（芒果叶病） | 多光谱成像、RGB成像 | YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10 | 图像 | 6,334张高分辨率RGB和多光谱图像，涵盖四种病害 | PyTorch, ONNX | YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10 | F1-score, mAP@50, mAP@50-95 | 树莓派5, NVIDIA Jetson Orin Nano |
| 5911 | 2026-07-18 |
Towards intelligent railway monitoring: A novel hybrid deep learning architecture for railway obstacle detection
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349562
PMID:42213657
|
研究论文 | 提出一种用于铁路障碍物检测的新型混合深度学习架构，实现了高准确度的分类 | 提出结合ResNet50和Swin Transformer V2的混合架构，并集成高效注意力模块，充分利用轨道床图像的视觉特征，在障碍物分类任务上达到新基准 | 未明确说明局限性，但数据集规模较小（2003张图像），可能影响模型泛化能力 | 实现铁路轨道障碍物的高可靠性自动分类，以提升铁路安全监控系统 | 铁路轨道上的六类障碍物：铁棒、巨石、人、树枝、罐子和桶 | 计算机视觉 | NA | NA | CNN与Transformer混合模型 | 图像 | 2003张图像，分为六类 | NA | ResNet50, Swin Transformer V2, 高效注意力模块 | 平衡准确率 | NA |
| 5912 | 2026-07-18 |
Longitudinal MRI Temporal Transformer Fusion Model for Predicting Induction Chemotherapy Efficacy in Locally Advanced Nasopharyngeal Carcinoma
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338261457511
PMID:42224133
|
研究论文 | 开发并评估一种基于时间Transformer融合模型，整合基线治疗前和早期治疗中的MRI，用于预测局部晚期鼻咽癌诱导化疗疗效 | 提出双分支独立网络与注意力机制的时间Transformer融合模块，建模肿瘤表示的非线性纵向交互和动态演变模式，结合Grad-CAM增强可解释性 | NA | 实现早期风险分层和个性化治疗管理 | 488例局部晚期鼻咽癌患者 | 计算机视觉 | 鼻咽癌 | 增强T1加权成像 | Transformer | 图像 | 488名患者，来自两个机构 | NA | Twins-SVT, 时间Transformer | AUC, 95%置信区间 | NA |
| 5913 | 2026-07-18 |
Leveraging Machine Learning to Advance Alcohol Research: Current Applications, Challenges, and Opportunities
2026, Alcohol research : current reviews
DOI:10.35946/arcr.v46.1.03
PMID:42272995
|
综述 | 本综述调查了酒精文献中当前使用的机器学习方法类型，回顾了应用机器学习工具处理酒精数据面临的挑战，并探讨了克服这些挑战如何推动酒精使用障碍个性化医疗的发展 | 系统梳理了机器学习在酒精研究中的应用现状、挑战与机遇，强调多学科团队合作构建严谨可信的模型及定量基准的必要性 | 主要局限在于可用的样本数量较少，且大多数研究局限于单模态数据和使用传统机器学习方法，难以提供因果关系的洞见 | 推动机器学习在酒精使用障碍个性化医疗中的进步 | 2015至2025年间发表的110篇原创同行评审人类研究，主要分析饮酒行为并测试模型在新数据上的表现 | 机器学习 | 酒精使用障碍 | NA | 传统机器学习方法 | 酒精相关结果数据 | 110项原创研究 | NA | NA | NA | NA |
| 5914 | 2026-07-18 |
Deciphering the mechanistic landscape of immune checkpoint blockade in ccRCC: from molecular drivers to therapeutic responses
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1774959
PMID:42206054
|
综述 | 综述了免疫检查点抑制剂在透明细胞肾细胞癌中的作用机制、耐药性及多组学技术与人工智能驱动的精准免疫肿瘤学进展 | 系统整合了肿瘤内在驱动因素与肿瘤微环境免疫抑制机制，并强调了多组学技术和人工智能在临床转化中的关键作用 | 尚未深入探讨不同联合治疗方案的具体疗效差异及长期随访数据 | 阐明透明细胞肾细胞癌中免疫检查点抑制剂反应的分子机制，并探讨从多组学数据到临床可操作见解的转化路径 | 透明细胞肾细胞癌患者及其肿瘤微环境 | 机器学习，数字病理学 | 肾细胞癌 | 单细胞转录组学、空间转录组学、蛋白质组学 | 深度学习 | 图像、多组学数据 | NA | NA | NA | NA | NA |
| 5915 | 2026-07-18 |
Retinal imaging and artificial intelligence analysis
2026, Handbook of clinical neurology
|
综述 | 探讨视网膜成像技术与人工智能分析在眼科和神经疾病诊断中的应用、挑战及未来方向 | 系统总结了视网膜成像技术（如彩色眼底照相、OCT、OCTA）与深度学习融合的跨学科应用，并强调AI在神经及脑血管疾病中的生物标志物潜力 | 数据集偏差、模型泛化性不足、伦理问题及AI模型“黑箱”特性尚未解决 | 评估AI在视网膜图像分析中的现状，提出未来多模态整合与跨专科协作的发展方向 | 视网膜成像技术及AI分析在眼科（糖尿病视网膜病变、黄斑变性、视神经病变、遗传性视网膜疾病）及神经疾病中的诊断应用 | 计算机视觉, 机器学习 | 糖尿病视网膜病变, 老年黄斑变性, 视神经病变, 遗传性视网膜疾病, 心血管疾病 | 彩色眼底照相, 光学相干断层扫描, OCT血管成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 5916 | 2026-07-18 |
Recent applications of artificial intelligence in cancer radiotherapy and immunotherapy: current status and future directions
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1776472
PMID:42459675
|
综述 | 综述人工智能在癌症放射治疗和免疫治疗中的应用现状与未来方向 | 系统回顾了AI在放射治疗、免疫治疗及药物发现与重定位中的进展，并讨论了从数据标准化到伦理监管的临床转化挑战 | 临床价值高度依赖跨患者群体的泛化能力及与标准临床基线的比较，且面临数据标准化不足、模型可解释性差和缺乏伦理监管等挑战 | 评估AI在癌症治疗中的应用现状并展望未来发展方向 | 癌症放射治疗、癌症免疫治疗、药物发现与重定位 | 机器学习 | 癌症 | NA | 深度学习, 机器学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 5917 | 2026-07-18 |
CT radiomics with transfer learning features for detecting DECT-positive periarticular monosodium urate crystal deposition: a single-center retrospective study
2026, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2026.1881194
PMID:42460319
|
研究论文 | 基于单能量CT影像组学和迁移学习模型检测关节周围尿酸盐晶体沉积 | 将迁移学习特征（ResNet50）与传统影像组学特征结合构建深度学习影像组学模型，用于痛风的非侵入性诊断 | 单中心回顾性研究、未进行外部验证、深度学习模型与联合模型间无显著差异 | 开发和验证基于单能量CT的影像组学及深度学习模型，用于无创检测关节周围单钠尿酸盐晶体沉积 | 怀疑关节周围尿酸盐沉积的患者 | 计算机视觉 | 痛风 | CT成像 | 多层感知器 | 医学影像（CT图像） | 605例患者（训练组425例，验证组180例） | PyTorch | ResNet50 | AUC, 准确率, 灵敏度, 特异度 | NA |
| 5918 | 2026-07-18 |
A novel deep-learning approach for robust identification of plant diseases
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0353374
PMID:42461837
|
研究论文 | 提出一种新型深度学习方法来稳健识别植物病害 | 该方法同时考虑植物病害的特定视觉特征和微观结构中的表面不平整、褶皱等干扰因素，并达到了99.86%的平衡准确率，建立了新的数据集级基准 | 未提及 | 可靠检测叶部病害以保护作物产量和确保粮食质量 | 萝卜叶片图像（健康、花叶病毒、黑斑病、霜霉病和跳甲虫） | 计算机视觉 | 植物病害 | NA | 卷积神经网络 | 图像 | 2801张萝卜叶片图像，涵盖5个类别 | NA | NA | 平均准确率、平衡准确率 | NA |
| 5919 | 2026-07-18 |
Retraction: Automated brain tumor diagnostics: Empowering neuro-oncology with deep learning-based MRI image analysis
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0353921
PMID:42461855
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5920 | 2026-07-18 |
Automated macular hole staging on optical coherence tomography using an optimized ResNet-18 framework
2026, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2026.1886103
PMID:42465038
|
研究论文 | 开发并验证了一种基于光学相干断层扫描图像并采用优化ResNet-18框架的自动化黄斑裂孔分期方法 | 通过集成可变形卷积和高效通道注意力机制优化ResNet-18，实现了在有限数据条件下比更深CNN和Transformer架构更稳定可靠的黄斑裂孔分期性能 | 未提及具体局限性 | 开发和验证用于光学相干断层扫描图像中黄斑裂孔自动分期的深度学习模型 | 黄斑裂孔患者的光学相干断层扫描图像 | 计算机视觉 | 黄斑裂孔 | 光学相干断层扫描 | 卷积神经网络、Swin Transformer | 图像 | 6243张代表性光学相干断层扫描图像 | PyTorch | ResNet-18、Swin Transformer Tiny | 准确率、精确率、召回率、F1分数、特异性、AUC | NA |