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 45937 篇文献，本页显示第 6861 - 6880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6861 | 2026-03-15 |
A deep learning framework for breast cancer diagnosis using Swin Transformer and Dual-Attention Multi-scale Fusion Network
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37969-y
PMID:41813686
|
研究论文 | 本文提出了一种名为Swin-DAMFN的深度学习框架，用于通过乳腺X光图像进行乳腺癌诊断，该框架结合了Swin Transformer和基于CNN的双注意力多尺度融合网络 | 提出了一种新颖的双分支混合架构（Swin-DAMFN），结合了Swin Transformer的全局依赖建模和CNN的局部特征提取，并引入了多尺度可分离注意力（MSA）和三重洗牌卷积注意力（TSCA）模块，以及结合GAN和光度增强的数据增强策略 | 未明确说明模型在更广泛或临床实时环境中的泛化能力，以及计算资源需求可能较高 | 开发一个高效的深度学习框架，以提高乳腺癌的早期诊断准确性 | 乳腺X光图像（来自MIAS和CBIS-DDSM数据集） | 计算机视觉 | 乳腺癌 | 深度学习，数据增强（包括GAN和光度增强） | Transformer, CNN, GAN | 图像 | MIAS和CBIS-DDSM数据集（具体样本数未在摘要中提供） | 未在摘要中明确指定，但可能涉及PyTorch或TensorFlow | Swin Transformer, Dual-Attention Multi-scale Fusion Network (DAMFN) | 准确率, 灵敏度, F1分数 | 未在摘要中明确指定 |
| 6862 | 2026-03-15 |
Deep Learning-Based Estimated Pulmonary Biological Age From Chest Computed Tomography Images in Healthy Adults: Model Development and Validation Study
2026-03-12, JMIR aging
IF:5.0Q1
DOI:10.2196/78243
PMID:41818478
|
研究论文 | 本研究开发并验证了一种基于胸部CT图像的深度学习模型，用于估计健康成年人的肺部生物年龄，并探讨了其与COPD患者肺功能和全因死亡率的关系 | 首次利用大规模健康成年人的多中心胸部CT数据训练和验证深度学习模型来估计肺部生物年龄，并验证了年龄差作为COPD患者新型临床生物标志物的潜力 | 模型仅在健康成年人中训练，可能无法完全捕捉疾病状态下的肺部老化特征；外部验证数据集规模相对有限 | 开发基于胸部CT的肺部生物年龄估计模型，并评估其在COPD患者中的临床应用价值 | 健康成年人的胸部CT图像以及COPD患者的临床数据 | 计算机视觉 | 慢性阻塞性肺疾病 | 胸部计算机断层扫描 | 深度学习模型 | 图像 | 健康成年人CT扫描11,187例（机构A 7,726例用于模型开发，机构B 1,506例和机构C 1,955例用于外部测试），COPD患者138例 | NA | NA | 相关性分析，风险比 | NA |
| 6863 | 2026-03-15 |
Quantification, radiomics and artificial intelligence in infection imaging: Current status and future directions in nuclear medicine
2026-Mar-12, Seminars in nuclear medicine
IF:4.6Q1
DOI:10.1053/j.semnuclmed.2026.02.002
PMID:41826111
|
综述 | 本文综述了核医学感染成像中定量成像、影像组学和人工智能的当前应用与未来发展方向 | 提出了“计算组学”概念，将定量成像、影像组学和人工智能整合，推动感染成像从定性模式识别转向客观、可重复的数据驱动疾病表征 | 定量准确性和影像组学稳定性高度依赖采集、重建和处理参数，特征定义、分割方法和分析流程的变异性限制了可重复性 | 探讨核医学感染成像中定量技术、影像组学和人工智能的应用，以改善感染与无菌炎症的区分、量化疾病负担、监测治疗反应和标准化解读 | 核医学感染成像数据 | 医学影像分析 | 感染性疾病 | 核医学成像 | 机器学习,深度学习 | 影像数据 | NA | NA | NA | NA | NA |
| 6864 | 2026-03-15 |
A lightweight transformer-based hybrid encoder-decoder model for chest X-ray medical report generation
2026-Mar-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40710-4
PMID:41813717
|
研究论文 | 提出一种轻量级基于Transformer的混合编码器-解码器模型（FAST-MRG），用于从胸部X光图像自动生成医疗报告 | 结合基于Transformer的编码器（采用蒸馏技术）与生成式预训练Transformer解码器，在保证高性能的同时显著降低计算成本，平均时间效率较先前工作提升66% | 研究仅使用印第安纳大学胸部X射线数据集，未在其他医疗影像模态或数据集上进行验证 | 构建低计算成本、高性能的自主医疗报告生成系统，辅助医生诊断与治疗 | 胸部X光图像及其对应的段落级医疗报告 | 计算机视觉 | 肺部疾病 | 深度学习，特征提取 | Transformer | 图像，文本 | 印第安纳大学胸部X射线数据集中的图像与报告 | 未明确提及 | Transformer-based encoder, Generative pre-training transformer | Bleu-1, Meteor, Rouge | 类似GPU环境（具体型号未提及） |
| 6865 | 2026-03-15 |
Ensemble-based high-performance deep learning models for medical image retrieval in breast cancer detection
2026-Mar-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38218-y
PMID:41813733
|
研究论文 | 本文提出了一种结合CNN、RNN和可解释AI的深度学习模型，用于乳腺癌检测中的医学图像检索 | 采用CNN、RNN和可解释AI的混合模型，以缩小图像低级特征与临床语义之间的差距 | NA | 开发高性能的基于内容的医学图像检索系统，以辅助乳腺癌检测 | 乳腺癌超声图像 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN, RNN | 图像 | 使用乳腺癌超声图像数据集进行训练 | NA | CNN, RNN | 分类准确率 | NA |
| 6866 | 2026-03-13 |
"Doing no harm" in the digital age: navigating tradeoffs and operational considerations for privacy-preserving deep learning in medicine
2026-Mar-11, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02549-x
PMID:41814060
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6867 | 2026-03-15 |
Interpretable Deep Learning Model for Pediatric Strangulated Small Bowel Obstruction on CT: A Multicenter Study
2026-Mar-11, Journal of pediatric surgery
IF:2.4Q2
DOI:10.1016/j.jpedsurg.2026.163075
PMID:41825499
|
研究论文 | 本研究开发并验证了一种基于深度学习的多实例学习模型，用于整合CT影像和临床数据，以提高儿科患者中绞窄性小肠梗阻与单纯性小肠梗阻的鉴别准确性 | 提出了一种结合CT影像和临床数据的多实例学习模型，用于儿科绞窄性小肠梗阻的诊断，并通过SHAP分析增强了模型的可解释性 | 研究为回顾性设计，样本量相对较小（168例患者），且仅针对1至14岁的儿科患者，可能限制了模型的泛化能力 | 提高儿科患者中绞窄性小肠梗阻与单纯性小肠梗阻的鉴别诊断准确性 | 1至14岁被诊断为小肠梗阻的住院儿科患者 | 数字病理学 | 小儿外科疾病 | CT成像 | 多实例学习 | 图像, 临床数据 | 168例患者（平均年龄6.36±3.97岁，其中118例男性） | NA | 多实例学习模型 | AUC | NA |
| 6868 | 2026-03-15 |
Bridging Clinical Microbiology and Artificial Intelligence: An Image-Based Deep Learning Framework for Automated Antimicrobial Susceptibility Testing
2026-Mar-11, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2026.100965
PMID:41825588
|
研究论文 | 本文提出了一种基于图像的深度学习框架，用于自动化抗菌药物敏感性测试，通过YOLOv8n和CNN模型实现细菌识别和敏感性分类 | 结合YOLOv8n目标检测模型和CNN，直接从培养皿图像进行端到端的细菌识别和敏感性分类，无需人工测量或解释规则 | 未提及具体局限性 | 开发快速、标准化和自动化的抗菌药物敏感性测试解决方案 | 培养皿图像中的细菌物种标签和抑制区形态 | 计算机视觉 | NA | 图像分析 | YOLOv8n, CNN | 图像 | NA | NA | YOLOv8n, CNN | 平均精度均值(mAP@0.50), 平衡准确率, 敏感性, 重大错误率(VME) | NA |
| 6869 | 2026-03-15 |
Recent trends in electrodermal activity signal processing and deep learning methods for emotion recognition
2026-Mar-11, Neuroscience
IF:2.9Q2
|
综述 | 本文综述了2018年至2025年间皮肤电活动信号处理与深度学习在情感识别中的最新进展 | 与以往强调系统级设计的综述不同，本文采用了以信号处理为中心并结合生理学知识的视角，并对广泛使用的EDA分解方法进行了结构化的比较评估 | NA | 系统性地调查专门针对EDA的信号处理技术，并探讨深度学习在情感识别中的应用 | 皮肤电活动信号及其在情感识别中的应用 | 机器学习 | NA | NA | 深度学习 | 生理信号 | NA | NA | 端到端深度学习架构 | 准确性、鲁棒性、可解释性 | NA |
| 6870 | 2026-03-15 |
Machine Vision Approaches for Cervical Cancer Screening Using Pap-Smear Images: A Systematic Review
2026-Mar-11, Current cancer drug targets
IF:2.3Q3
|
系统综述 | 本文系统综述了基于机器视觉的宫颈癌筛查方法，特别是利用Pap涂片图像进行分割、特征提取和分类的研究 | 系统性地总结了机器视觉在宫颈癌筛查中的应用，并指出深度学习方法和混合模型在大型标注数据集上的潜力，同时强调了数据集标准化和评估框架的重要性 | 缺乏高质量的多细胞数据集，评估方法不一致，限制了不同研究之间的可比性和模型的泛化能力 | 评估和改进宫颈癌筛查的机器视觉方法，以提高诊断准确性和临床适用性 | Pap涂片图像 | 计算机视觉 | 宫颈癌 | NA | 深度学习, 混合模型 | 图像 | NA | NA | NA | 准确性 | NA |
| 6871 | 2026-03-11 |
AI-driven fault detection and classification in photovoltaic systems using deep learning techniques
2026-Mar-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40246-7
PMID:41803198
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6872 | 2026-03-11 |
Multimodal deep learning for objective skill assessment in robot-assisted vesico-urethral anastomosis
2026-Mar-10, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-026-03290-z
PMID:41803398
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6873 | 2026-03-15 |
Accurate water quality assessment using IoNT-enabled deep learning frameworks
2026-Mar-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42563-3
PMID:41807631
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6874 | 2026-03-15 |
Towards cross-domain few-shot modulation classification: a feature transformation graph neural network approach
2026-Mar-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43563-z
PMID:41796246
|
研究论文 | 本文提出了一种新颖的自动调制分类方法，通过特征转换图神经网络解决有限数据和领域分布差异的挑战 | 结合信号转换、特征对齐和图神经网络，同时处理有限样本和领域分布差异，提升跨领域少样本分类性能 | 未明确说明模型在极端噪声或复杂信道条件下的鲁棒性，且实验仅限于特定数据集 | 开发一种跨领域少样本自动调制分类方法，以应对实际场景中数据有限和领域差异的问题 | 无线电信号，特别是来自RadioML2018.01A和RadioML2016.10A数据集的调制信号 | 机器学习 | NA | 信号转换、特征对齐、少样本学习 | CNN, GNN | 时间序列信号、图像 | 使用RadioML2018.01A和RadioML2016.10A数据集，具体样本数量未明确说明 | NA | CNN（含特征转换层）、GNN | NA | NA |
| 6875 | 2026-03-15 |
Bridging Atomistic Simulations and Reservoir Computing for Predicting Structural and Transport Properties of Thiol-Ene Click-Cross-Linked Carboxymethyl Cellulose Hydrogels
2026-Mar-09, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.5c08098
PMID:41797517
|
研究论文 | 本研究结合分子动力学模拟和人工智能模型，预测硫醇-降冰片烯点击交联羧甲基纤维素水凝胶的结构和传输特性 | 提出了一种结合原子尺度模拟和储层计算的新方法，用于高效预测复杂分子系统的长期动态行为 | GRU、LSTM和LAG-LLAMA模型在解释氢键非线性振荡方面表现不佳，而深度学习模型需要更大的训练集 | 预测水凝胶的结构和传输特性，以加速软材料计算设计 | 硫醇-降冰片烯点击交联羧甲基纤维素水凝胶 | 机器学习 | NA | 分子动力学模拟 | GRU, LSTM, Transformer, ESN | 分子动力学轨迹数据 | 200个MD轨迹帧作为初始信息 | NA | GRU, LSTM, LAG-LLAMA, ESN | R²值, 均方误差 | NA |
| 6876 | 2026-03-15 |
Development of a Deep Learning-Based Feedback Model to Assist Medical Students Learning Renal Ultrasound Acquisition: Mixed Methods Study
2026-Mar-09, JMIR medical education
IF:3.2Q1
DOI:10.2196/72110
PMID:41813325
|
研究论文 | 开发了一个基于深度学习的反馈模型，用于辅助医学生学习肾脏超声图像采集 | 开发了一个级联深度学习反馈模型，用于自动分类肾脏超声图像质量并提供反馈，以促进医学生的自我调节学习 | 课程设计不协调和硬件限制阻碍了模型的使用，问卷响应率仅为42.4% | 开发一个辅助工具，以促进医学生在床边超声培训中的学习 | 医学生（五年级）在肾脏超声图像采集培训中的学习体验 | 计算机视觉 | NA | 超声成像 | 深度学习 | 图像 | 2807张肾脏超声图像 | NA | 级联深度学习模型 | OSCE分数, Likert量表评分 | NA |
| 6877 | 2026-03-15 |
A Community-Based Usability Study of an AI-Enabled Oral Cancer Screening App Operated by Village Health Volunteers: Mixed Methods Study
2026-Mar-09, JMIR mHealth and uHealth
IF:5.4Q1
DOI:10.2196/83738
PMID:41813420
|
研究论文 | 本研究开发并评估了一款基于智能手机的AI辅助口腔癌筛查平台RiskOCA，在泰国农村地区由村卫生志愿者部署使用 | 开发了集成深度学习引擎的移动健康平台，结合AI辅助分诊与专家审查，用于资源有限地区的社区口腔癌筛查 | 研究仅在泰国一个农村地区进行，样本代表性可能有限，且未长期跟踪筛查效果 | 评估AI辅助口腔癌筛查平台在村卫生志愿者操作下的技术性能和可用性 | 泰国农村地区的成年居民（≥40岁）及村卫生志愿者 | 数字病理学 | 口腔癌 | 智能手机成像、深度学习 | CNN | 图像 | 1242名成年人接受筛查，250名村卫生志愿者参与可用性评估 | NA | DeepLab v3+ with ResNet-50 | 分类准确率 | NA |
| 6878 | 2026-03-15 |
From Black Box to Biological Insight: AttentioFuse Unlocks Multi-Omics Dynamics in Lung Cancer
2026-Mar-09, Cancers
IF:4.5Q1
DOI:10.3390/cancers18050878
PMID:41827812
|
研究论文 | 本文提出了一种名为AttentioFuse的可解释深度学习框架，用于整合多组学数据以研究肺癌亚型的分子动态 | 引入Reactome引导的中层融合策略，结合双阶段学习、分层注意力机制和集成可解释性方法，将黑盒预测转化为生物学解释 | 未明确提及具体局限性，但可能受限于TCGA数据集的样本量和多样性 | 开发可解释的深度学习模型，以提升肺癌亚型的预后和治疗精准性 | 肺腺癌和肺鳞状细胞癌，作为非小细胞肺癌的主要亚型 | 机器学习 | 肺癌 | 多组学整合 | 深度学习框架 | 多组学数据 | TCGA LUAD/LUSC队列 | NA | AttentioFuse（包含3层和5层变体） | TNM分期准确性 | NA |
| 6879 | 2026-03-15 |
Glaucoma Classification Using a NFNet-Based Deep Learning Model with a Customized Hybrid Attention Mechanism
2026-Mar-09, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16050815
PMID:41828091
|
研究论文 | 本研究提出了一种结合定制化混合注意力机制的NFNet深度学习模型，用于从眼底图像中分类青光眼 | 提出了一种新的混合注意力机制来重新校准特征提取器的特征图，并将其与无需归一化的ResNet架构结合，以提升青光眼检测性能 | NA | 开发一种准确高效的青光眼自动检测方法 | 眼底图像 | 计算机视觉 | 青光眼 | NA | 深度学习 | 图像 | 三个公开可用的青光眼数据集（LAG, EyePACS, BrG） | NA | NF-ResNet-26, NF-ResNet-50, NF-ResNet-101 | 准确率, 灵敏度, 特异性 | NA |
| 6880 | 2026-03-15 |
Comparison of Manual, Semi-Automatic, and Automatic CT-Based Methods for Liver Volume Segmentation
2026-Mar-09, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16050817
PMID:41828093
|
研究论文 | 本研究比较了手动、半自动和自动CT肝脏体积分割方法在临床实践中的体积一致性和处理效率 | 系统评估了多种CT肝脏分割方法（包括RVX半自动、RVX深度学习和TotalSegmentator）与手动分割的对比，特别关注了处理时间和体积一致性 | 深度学习分割方法倾向于高估肝脏体积，这可能限制其在需要高体积精度的应用中的使用 | 评估半自动和自动CT肝脏分割方法是否能在提高处理效率的同时，提供临床可接受的体积一致性 | 86名个体的CT图像 | 医学影像分析 | NA | CT成像 | 深度学习 | CT图像 | 86名个体 | NA | NA | Dice相似系数, Hausdorff距离, 处理时间 | NA |