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 44199 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2026-05-19 |
Development and validation of a deep survival model to predict time to seizure from routine electroencephalography
2026-May, Epilepsia
IF:6.6Q1
DOI:10.1002/epi.70101
PMID:41553763
|
research paper | 开发和验证一种利用常规脑电图预测癫痫发作时间的深度生存模型（EEGSurvNet） | 首次利用深度学习从常规脑电图（EEG）中提取预后信息，超越传统可见的癫痫样异常，预测时间至下次癫痫发作的风险 | 研究为回顾性设计，未来需要前瞻性研究验证其临床影响 | 开发并验证一种基于深度学习的生存模型，通过常规脑电图预测个体随时间变化的癫痫发作风险 | 来自三级癫痫中心的994名患者的1014次连续常规脑电图 | machine learning | 癫痫 | EEG | deep survival model, Cox proportional hazards model | 信号 | 1014次常规脑电图（994名患者），其中测试集为135次脑电图（115名患者） | NA | EEGSurvNet | time-dependent AUROC, iAUROC, C-index | NA |
| 42 | 2026-05-19 |
Endothelial cells recruit pro-inflammatory macrophage clusters via App-Cd74 exacerbating ICI-associated myocarditis
2026-05, Genomics
IF:3.4Q2
DOI:10.1016/j.ygeno.2026.111238
PMID:41905617
|
研究论文 | 通过单细胞RNA测序鉴定ICI相关心肌炎中内皮细胞通过App-Cd74信号轴招募促炎性巨噬细胞簇的机制 | 首次发现Cxcl9和Cxcl10共表达的巨噬细胞亚群与ICI心肌炎相关，并揭示App-Cd74信号轴作为潜在治疗靶点，利用深度学习框架scTenifoldXct验证配体-受体互作 | NA | 阐明ICI相关心肌炎的免疫病理机制，为开发靶向治疗策略奠定基础 | 小鼠ICI心肌炎模型的心脏组织中的巨噬细胞亚群和内皮细胞 | 机器学习 | 心肌炎 | 单细胞RNA测序 | 深度学习框架 | 基因表达数据 | NA | scTenifoldXct | NA | NA | NA |
| 43 | 2026-05-19 |
Deep Learning-based Automated Coronary Plaque Quantification: First Demonstration With Ultra-high Resolution Photon-counting Detector CT at Different Temporal Resolutions
2026-May-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001233
PMID:40843653
|
研究论文 | 评估基于深度学习的新型冠脉斑块量化工具在超高清光子计数探测器CT冠脉造影中的可行性与可重复性，并分析时间分辨率对斑块量化的影响 | 首次在超高清光子计数探测器CT中应用基于深度学习的自动化冠脉斑块量化工具，并系统评估不同时间分辨率对斑块量化的影响 | 单中心回顾性研究，样本量较小（45例患者），且未涉及不同扫描协议或患者群体的泛化性验证 | 评估新型深度学习冠脉斑块量化工具在不同时间分辨率下的可行性与可重复性 | 45例接受临床指示超高清光子计数探测器CT冠脉造影的患者 | 计算机视觉 | 心血管疾病 | 光子计数探测器CT冠脉造影 | 深度学习 | 图像 | 45例患者，135支冠脉（其中119支含动脉粥样硬化斑块） | NA | NA | P值、斑块体积（立方毫米）、直径狭窄程度百分比 | NA |
| 44 | 2026-05-19 |
Cone beam computed tomography reconstruction from truncated projections using prior information and transfer learning
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70488
PMID:42145070
|
研究论文 | 提出了一种基于双域深度学习的锥束CT截断投影重建方法（D3CRT），利用非截断先验信息和投影域迁移学习提高图像质量 | 首次将去噪扩散概率模型（DDPM）应用于投影域缺失数据预测，并通过迁移学习实现物体特异性适应，同时结合投影域和图像域的双域处理流程 | 未提及方法的泛化能力测试、计算效率分析或临床样本验证 | 开发一种从截断投影中高质量重建锥束CT图像的方法，克服视野不足导致的截断伪影 | 小动物活体成像数据（micro-CBCT系统采集的全身体和肺部投影数据） | 计算机视觉, 数字病理学 | NA | 锥束CT成像 | 去噪扩散概率模型（DDPM）, 图像增强网络（IE-Net） | CT投影数据（正弦图）和重建图像 | 小动物活体成像（未明确样本数量） | NA | SG-Net（基于DDPM）, IE-Net（未具体说明架构） | Dice相似系数（DSC）, 结构相似性指数（SSIM）, 均方根误差（RMSE） | NA |
| 45 | 2026-05-19 |
Prediction method for transcription factor binding sites integrating channel and spatial attention mechanisms
2026-May, Yi chuan = Hereditas
DOI:10.16288/j.yczz.25-184
PMID:42145197
|
research paper | 提出一种整合通道与空间注意力机制的深度学习模型，用于预测不同细胞类型中的转录因子结合位点，在51组ChIP-seq数据和13个DNase-seq数据集上实现高精度预测 | 首次将通道注意力与空间注意力机制融合应用于转录因子结合位点预测，在23个转录因子-细胞类型组合上达到0.986的平均AUROC，相比现有先进模型FactorNet、Leopard和DeepGRN具有更优性能 | NA | 提高跨细胞类型预测转录因子结合位点的准确性，为解析基因表达调控网络和相关疾病分子发病机制提供计算框架 | 10个核心转录因子（CTCF、EGR1、FOXA1等）在13个人类细胞系（A549、GM12878、H1-hESC等）中的结合位点 | machine learning | NA | ChIP-seq, DNase-seq | 深度学习模型（注意力机制） | 序列数据 | 51组ChIP-seq数据和13个DNase-seq数据集 | NA | 通道注意力模块、空间注意力模块 | AUROC, AUPRC | NA |
| 46 | 2026-05-19 |
Artificial Intelligence in Pediatric Bronchoscopy: Current Evidence and Future Perspectives
2026-May, Pediatric pulmonology
IF:2.7Q2
DOI:10.1002/ppul.71668
PMID:42145187
|
综述 | 本文总结了人工智能在儿科支气管镜检查中的当前证据并展望了未来应用 | 首次系统综述人工智能在儿科支气管镜中的独特应用，包括视频分析、导航指导和培训工具，并指出了儿科特定数据需求 | 大部分证据来自成人研究，儿科数据多为小规模、单中心数据集，存在偏倚风险，需要更多前瞻性多中心研究 | 评估人工智能在儿科支气管镜中的应用现状和潜在价值 | 儿科支气管镜检查中的AI应用，包括气道解剖识别、异物吸入预测、支气管炎评分等 | 数字病理学, 机器学习 | 儿科呼吸系统疾病 | NA | 深度学习模型 | 视频, 图像 | NA | NA | NA | 准确性, 完整性, 速度 | NA |
| 47 | 2026-05-19 |
Precise delineation of glioma margins in hyperspectral images using cross-channel spectral feature fusion
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.590877
PMID:42145684
|
研究论文 | 提出一种基于跨通道光谱特征融合的高光谱图像胶质瘤边界精确勾画方法 | 设计多分支特征提取网络，结合主分支提取深层语义特征和侧分支保留原始光谱空间信息，通过残差连接实现跨通道互补，有效增强特征判别性、泛化能力和可解释性 | 未提及详细局限性信息 | 解决脑胶质瘤手术中边界勾画的关键挑战，实现肿瘤与正常组织的精确区分 | 脑胶质瘤组织与正常脑组织 | 计算机视觉,数字病理学 | 脑胶质瘤 | 高光谱成像 | 卷积神经网络 | 高光谱图像 | 未明确提及样本数量 | NA | 多分支特征提取网络（主分支含复合卷积单元，侧分支含残差连接） | 准确率,ROC曲线,AUC | NA |
| 48 | 2026-05-19 |
Label-free diagnosis across the thyroid nodule pathology spectrum using deep learning-enabled optical coherence tomography
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.591801
PMID:42145688
|
研究论文 | 开发基于深度学习的框架，利用光学相干断层扫描图像对甲状腺结节病理谱进行诊断分类 | 首次实现无标记、非侵入式深度学习结合OCT对甲状腺结节七类病理（五种癌亚型和两种非癌组织）的高精度分类，并可视化诊断预测为彩色叠加图 | 未提及实时部署或床边诊断的具体临床验证，可能受限于OCT图像获取的深度和组织穿透性 | 评估深度学习结合OCT对甲状腺结节病理诊断的可行性 | 甲状腺结节病理标本（七类：五种甲状腺癌亚型、良性及正常组织） | 数字病理学 | 甲状腺结节（含甲状腺癌） | 光学相干断层扫描 | 深度学习模型（卷积神经网络） | 图像 | 七类病理类别的OCT图像数据集，与组织学匹配用于监督学习 | NA | NA | 准确率，AUC | NA |
| 49 | 2026-05-19 |
WeakMitoSAM: competitive prompt aggregation for point-supervised mitochondria segmentation in electron microscopy images
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.592074
PMID:42145704
|
研究论文 | 提出WeakMitoSAM框架，利用稀疏点标注实现电子显微镜图像中线粒体高精度分割 | 引入竞争性多重提示聚合策略，通过偏置增强Softmax机制解决语义模糊并抑制背景噪声，将稀疏先验转换为高保真伪标签；结合低秩适配技术对Segment Anything模型进行参数高效领域适配 | 未明确讨论局限性，可能包括对大尺度晶格结构适应性和跨数据域泛化能力的局限性 | 解决电子显微镜图像中线粒体分割中密集像素标注瓶颈，实现基于稀疏点标注的高精度弱监督分割 | 线粒体在电子显微镜图像中的超微结构 | 计算机视觉 | NA | 低秩适配（LoRA）、偏置增强Softmax机制 | 弱监督分割模型、Segment Anything Model | 电子显微镜图像 | 四个公共EM数据集 | PyTorch | Segment Anything Model (SAM) | 分割精度、召回率、F1分数、平均交并比（mIoU）、Dice系数 | 未提供具体信息 |
| 50 | 2026-05-19 |
Latent diffusion-based image reconstruction for near-infrared spectral tomography
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.583183
PMID:42145687
|
研究论文 | 提出一种基于潜在扩散模型的图像重建算法（Diff-NIRST），用于解决近红外光谱断层成像中病态噪声敏感问题 | 首次将条件潜在扩散模型用于NIRST图像重建，结合图像自编码模块和条件信号编码器，提升重建质量与鲁棒性 | 仅基于仿真数据和一例临床病例验证，缺乏大规模临床测试 | 开发稳定抗噪的近红外光谱断层成像重建方法 | 近红外光谱成像中的含氧血红蛋白和水浓度图像重建 | 计算机视觉 | 乳腺癌 | 近红外光谱断层成像 | 潜在扩散模型 | 图像 | 100个仿真体模（含4-14mm病灶）、1例乳腺癌患者数据 | PyTorch | 潜在扩散模型 | 峰值信噪比, 对比度误差, 尺寸误差 | NA |
| 51 | 2026-05-19 |
Depth-resolved phase velocity estimation in layered tissue based on an efficient additive attention network with surface acoustic wave - optical coherence elastography
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.593027
PMID:42145698
|
研究论文 | 提出一种结合光学相干弹性成像与高效加性注意力网络的深度分辨相位速度估计方法，用于分层组织力学特性分析 | 首次将深度学习反演网络与复数信号谱分析相结合，实现无需频域转换的深度分辨相位速度估计，并采用加性注意力机制提升效率 | 在人体皮肤实验中误差标准差较大（0.114 m/s），算法对噪声和复杂组织结构的鲁棒性需进一步验证 | 开发一种高效、准确的深度分辨相位速度估计方法，以改进光学相干弹性成像在组织病变检测中的应用 | 均质琼脂体模、分层琼脂体模、人体皮肤组织 | 计算机视觉， 机器学习 | NA | 光学相干弹性成像， 表面声波 | 加性注意力网络 | 复数信号图像 | 琼脂体模与人体皮肤组织样本（具体数量未说明） | PyTorch | 加性注意力网络 | 平均绝对误差 | NA |
| 52 | 2026-05-19 |
Which Method Best Predicts Postoperative Complications: Deep Learning, Machine Learning, or Conventional Logistic Regression?
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70145
PMID:42146812
|
review | 比较逻辑回归、机器学习和深度学习在胃肠外科手术后并发症预测中的表现 | 系统比较了传统逻辑回归、机器学习和深度学习在术后并发症预测中的优劣，特别强调了深度学习中图像和时间序列数据的优势及其在表格数据上的不足 | 深度学习模型的“黑箱”性质限制了其可解释性，且在表格临床数据集（如NCD）上表现不如某些机器学习方法 | 评估不同预测模型（逻辑回归、机器学习、深度学习）在胃肠外科手术后并发症预测中的有效性 | 胃肠外科手术后并发症预测模型 | machine learning | 术后并发症 | NA | 逻辑回归，机器学习（随机森林、梯度提升），深度学习 | 表格数据，图像数据，时间序列数据 | NA | NA | NA | 预测准确性 | NA |
| 53 | 2026-05-19 |
Further Detail Concerning the Deep Learning Model for Mortality After Total Gastrectomy
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70155
PMID:42146815
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 54 | 2026-05-19 |
Response to 'Further Detail Concerning the Deep Learning Model for Mortality After Total Gastrectomy'
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70199
PMID:42146826
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 55 | 2026-05-19 |
Educational Impact of Artificial Intelligence-Navigation Surgery on Anatomical Landmark Recognition in Medical Students
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70149
PMID:42146836
|
研究论文 | 评估人工智能导航手术在腹腔镜胆囊切除术中对医学生解剖标志识别能力的教育影响 | 首次将基于深度学习的实时AI导航系统应用于医学生手术教育，并定量评估其对解剖标志识别的学习效果 | AI学习组在理解外科医生视角和意图方面与自我学习组无显著差异 | 评估AI导航手术在提高医学生解剖标志识别能力方面的教育潜力，以减轻教师负担 | 30名五年级医学生，分为外科医生指导组、自我学习组和AI学习组 | 计算机视觉 | NA | NA | 深度学习分割模型 | 图像 | 30名医学生 | PyTorch | HyperSeg | Dice系数 | NA |
| 56 | 2026-05-19 |
Automated assessment of right ventricular systolic function from coronary angiograms with video-based artificial intelligence algorithms: development, validation, comparison against humans, and prospective deployment
2026-May, European heart journal. Digital health
DOI:10.1093/ehjdh/ztag059
PMID:42146868
|
research paper | 开发并验证了DeepRV，一种从常规冠脉造影视频中预测右心室收缩功能的深度学习模型，并在前瞻性部署中评估其性能 | 首次从常规冠脉造影视频中自动评估右心室收缩功能，并实现实时推理与开放权重可用性 | NA | 开发并验证基于视频的深度学习模型DeepRV，用于从常规冠脉造影中自动评估右心室收缩功能 | 来自蒙特利尔心脏研究所和加州大学旧金山分校的冠脉造影研究，以及STEMI患者的前瞻性数据 | computer vision | cardiovascular disease | 冠脉造影 | 视频深度学习神经网络 | 视频 | 8053项冠脉造影研究来自6923名患者，外部验证2247项研究，前瞻性部署82例STEMI病例 | NA | DeepRV | AUROC, sensitivity, specificity, negative predictive value, accuracy | NA |
| 57 | 2026-05-19 |
Impact of Pollution on Mental Health: A Systematic Review of Associations, Methodological Challenges, and Future Directions
2026-May, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.72514
PMID:42147472
|
综述 | 系统综述环境污染对心理健康的影响，包括方法学挑战和未来方向 | 探讨人工智能在改善未来研究精度和效率中的潜在应用，并强调数据基础设施改进的前提作用 | 当前研究数据在时间范围和地理覆盖上的局限，以及大多数心理健康数据集的质量有限 | 评估各类污染（空气、噪声、化学污染物）对心理健康的影响，并识别研究中的方法学挑战 | 不同人群的心理健康结果 | 机器学习 | 心理健康疾病 | NA | NA | 文本 | 61项高质量研究 | NA | 时空模型、注意力机制、深度学习 | NA | NA |
| 58 | 2026-05-19 |
Ensemble deep learning model based on CT scans: differentiating and subtype-classifying pancreatic inflammations and tumors, and predicting pancreatic lesion invasiveness
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-aw-2192
PMID:42147868
|
research paper | 开发基于CT图像的集成深度学习模型，用于区分和亚型分类胰腺炎症与肿瘤，并预测胰腺病变的侵袭性 | 整合DeepLabV3、nnUNet-MS和自适应金字塔移位窗口Swin-Transformer三种模块的集成深度学习模型，实现胰腺分割、病变分割和诊断的一体化流程，并在多中心大规模数据上验证 | 未提及具体限制，但可能受限于数据多样性、模型泛化性及预测侵袭性仅针对胰腺导管腺癌 | 基于CT图像准确区分和亚型分类胰腺炎症与肿瘤，以及术前预测病变侵袭性，辅助临床决策与预后评估 | 胰腺疾病患者，包括胰腺炎和胰腺肿瘤 | computer vision, digital pathology | pancreatic diseases, pancreatic cancer | CT imaging | deep learning ensemble model | CT image | 6740名患者的胰腺CT图像 | PyTorch | DeepLabV3, nnUNet-MS, Adaptive Pyramidal Shifted Window-Swin-Transformer | Dice coefficient, Intersection over Union (IoU), sensitivity, accuracy | NA |
| 59 | 2026-05-19 |
Deep learning-based independent lymph node segmentation in esophageal cancer: a precise and efficient approach for radiotherapy planning
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-2067
PMID:42147890
|
研究论文 | 基于深度学习的食管癌淋巴结自动分割模型，用于提高放疗计划制定效率和准确性 | 首次采用nnU-Net模型对食管癌多个淋巴结临床靶区（101-109站）进行独立分割，并通过临床评分验证其实际可用性 | 仅使用单中心回顾性数据，未包含淋巴结转移病例，可能影响模型在真实临床场景中的泛化能力 | 开发和验证基于深度学习的食管癌淋巴结自动分割方法以支持放疗靶区勾画 | 食管癌患者的淋巴结临床靶区（包括101、104、105、106、107、108和109站） | 计算机视觉 | 食管癌 | 增强CT扫描 | nnU-Net | 医学图像（CT） | 364例患者，共计1131个淋巴结靶区 | PyTorch | nnU-Net | Dice相似系数（DSC）、95%豪斯多夫距离（95HD） | NA |
| 60 | 2026-05-19 |
Multi-scale generative adversarial network: three-dimensional reconstruction of the scoliotic spine from biplanar X-rays
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-aw-2176
PMID:42147904
|
研究论文 | 提出一种多尺度生成对抗网络，从双平面X光片中三维重建脊柱侧弯的脊柱结构 | 引入残差密集编码器保留椎体细节、自适应跨视角融合模块整合正交投影、多尺度融合判别器确保结构一致性 | 研究未评估模型在其他脊柱畸形或非脊柱侧弯患者上的泛化能力，另外对真实临床数据性能略有下降但仍保持在5%以内 | 开发一种低辐射、高精度的深度学习框架，从正交X光片实现脊柱三维重建 | 青少年特发性脊柱侧弯（AIS）患者和正常脊柱个体 | 计算机视觉 | 青少年特发性脊柱侧弯 | 双平面X光成像 | 生成对抗网络 | 图像 | 1,087例正常脊柱（CTSpine1K）和138例AIS病例（Cobb角15°-85°），以及38例真实双平面X光病例 | PyTorch | 多尺度生成对抗网络（残差密集编码器、自适应跨视角融合模块、多尺度融合判别器） | 均方误差、峰值信噪比、结构相似性指数、Dice系数、矢状垂直轴、腰椎前凸角、胸椎后凸角 | NA |