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 46085 篇文献，本页显示第 681 - 700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 681 | 2026-06-16 |
Machine learning-based models for tumor mutation burden prediction in gastrointestinal cancers: a systematic review and meta-analysis
2026-Apr-18, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04807-6
PMID:42000933
|
meta分析 | 系统评价和荟萃分析基于机器学习的模型在预测胃肠癌肿瘤突变负荷方面的诊断性能 | 首次对机器学习模型预测胃肠癌TMB的诊断性能进行系统评价和荟萃分析，揭示了图神经网络在性能稳定性方面的优势 | 仅有3/10的研究进行了外部验证，校准指标报告不足，TMB定义不一致，且存在显著的发表偏倚 | 系统评估和荟萃分析基于机器学习的模型在胃肠癌TMB预测中的诊断性能、方法学严谨性和报告质量 | 机器学习或深度学习模型用于预测人类胃肠癌TMB的研究 | 机器学习 | 胃肠癌 | 全外显子测序 | 机器学习, 深度学习, 图神经网络 | 临床数据, 基因组数据 | 纳入10项研究 | NA | 图神经网络, 经典机器学习模型 | AUC, 准确率 | NA |
| 682 | 2026-06-16 |
Diagnostic accuracy of ovarian cancer using convolutional neural network: a systematic review and meta-analysis
2026-Apr-18, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03462-9
PMID:42001040
|
系统综述与荟萃分析 | 系统评估卷积神经网络算法在卵巢癌诊断中的性能，包括灵敏度、特异度和AUC，并分析亚组因素的影响 | 首次通过多水平层次模型对CNN在卵巢癌诊断中的性能进行系统荟萃分析，并探索影像模态、CNN架构、学习算法和数据库类型等亚组因素的影响 | 研究间异质性较大；Deeks检验提示存在潜在发表偏倚；部分亚组分析无法控制混杂因素 | 评估卷积神经网络算法在卵巢癌识别中的诊断准确性 | 卵巢癌的影像学检测（包括MRI、CT、超声及组织病理学图像） | 计算机视觉， 医学影像分析 | 卵巢癌 | 卷积神经网络（CNN） | 卷积神经网络（CNN） | 医学影像（MRI、CT、超声、组织病理图像）， 开放数据集与非开放数据集 | 系统综述纳入47项研究，荟萃分析纳入20项研究；未明确报告患者数量 | R | ResNet， DenseNet， 其他架构 | 灵敏度、特异度、曲线下面积（AUC）、诊断优势比（DOR） | 未报告 |
| 683 | 2026-06-16 |
A comprehensive framework for automated segmentation of perivascular spaces in brain MRI with the nnU-Net
2026-Apr-17, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03993-y
PMID:41995815
|
研究论文 | 开发了一种基于nnU-Net的自动化脑MRI血管周围间隙分割框架 | 优化nnU-Net针对血管周围间隙分割，实现了跨MRI扫描仪和模态的鲁棒性能，且结合多模态图像同时分割PVS和WMH | 样本量较小（30个T1加权图像），可能限制泛化性；稀疏标注策略可能导致某些区域偏差 | 优化深度学习框架nnU-Net实现脑MRI中血管周围间隙的自动分割 | 脑血管周围间隙（PVS）的结构分割 | 数字病理学 | 脑小血管病、阿尔茨海默病、帕金森病 | 核磁共振成像（MRI） | CNN（卷积神经网络） | 图像（脑MRI） | 30个T1加权MRI图像（来自三种扫描仪） | nnU-Net | nnU-Net | Dice相似系数（DSC） | NA |
| 684 | 2026-06-16 |
Deep learning driven personalized paths for TCM graduate education
2026-Apr-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48811-w
PMID:41998246
|
研究论文 | 开发并验证了一种基于深度学习的个性化学习路径系统，用于提升中医研究生教育效果 | 首次将深度学习应用于中医研究生教育，构建个性化学习路径系统，并通过严格的准实验设计验证其有效性 | 采用非随机对照试验设计，可能无法完全消除选择偏倚；样本量有限（120人），且来自单一机构 | 探索深度学习在中医研究生个性化教育中的应用，提升中医知识、临床技能和科研能力 | 中医研究生 | 机器学习 | NA | 深度学习 | 深度学习模型（未具体说明） | 结构化教育数据（学习路径、测试成绩等） | 120名中医研究生（2019-2025年，安徽医科大学） | NA | NA | 准确率（87.3%），Cohen's d（0.71-0.91） | NA |
| 685 | 2026-06-16 |
Automated periodontitis diagnosis and staging using an end-to-end deep learning model on panoramic dental radiographs
2026-Apr-17, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-026-00921-x
PMID:41998397
|
研究论文 | 开发并验证了一种基于YOLOv11的端到端深度学习模型，用于自动分割牙齿、检测解剖标志和分期牙周炎，分析全景X线片 | 首次利用YOLOv11实现全景X线片中牙齿分割、解剖标志检测和牙周炎分期的全自动一体化流程 | 未提及数据集的多样性或外部验证，且模型在犬齿上表现相对较低，可能影响临床适用性 | 开发和验证一个全面的深度学习模型，用于自动分析全景X线片以辅助牙周炎诊断 | 全景X线片中的牙齿、解剖标志和牙周炎分期 | 计算机视觉 | 牙周炎 | NA | CNN | 图像 | 607张全景X线片 | PyTorch | YOLOv11 | 精确率，召回率，F1分数，平均精度均值，皮尔逊相关系数，组内相关系数 | NA |
| 686 | 2026-04-18 |
CycleGAN-based image-to-image translation for synthetic contrast enhancement in non-contrast cardiac CT: a ViT-CNN hybrid deep learning approach
2026-Apr-16, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03446-9
PMID:41992180
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 687 | 2026-06-16 |
Comparative analysis of transformer, CNN, and YOLO architectures for mandibular condyle segmentation on panoramic radiographs: a deep learning benchmark
2026-Apr-16, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-08228-3
PMID:41992227
|
研究论文 | 本研究首次对基于Transformer、CNN和YOLO的深度学习模型在全景X光片上分割下颌骨髁突的性能进行了多架构比较 | 首次进行多架构全景X光片下颌骨髁突像素级分割比较，评估了Transformer、CNN和YOLO三类模型的性能优劣 | NA | 建立下颌骨髁突分割的深度学习基准，比较不同架构的准确性，为颞下颌关节分析提供临床选择依据 | 下颌骨髁突 | 计算机视觉 | 颞下颌关节疾病 | 深度学习 | Transformer, CNN, YOLO | 全景X光片 | 1300张全景X光片（2600个髁突） | NA | RT-DETR, EfficientNet, Mask R-CNN, ConvNeXt, YOLOv9-Seg, YOLOv11-Seg | 交并比(IoU), Dice相似系数(DSC), 精确率, 召回率, F1分数 | NA |
| 688 | 2026-06-16 |
Diagnostic performance of artificial intelligence versus conventional imaging for differentiating G2/G3 from G1 pancreatic neuroendocrine tumors: a systematic review and meta-analysis
2026-Apr-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02347-7
PMID:41992154
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析，评估了人工智能与传统影像学在区分G2/G3与G1胰腺神经内分泌肿瘤中的诊断性能 | 首次系统比较机器学习/深度学习算法与传统影像专家解读在胰腺神经内分泌肿瘤分级中的诊断性能，并提出了基于AI高灵敏度和专家高特异性的序贯诊断策略 | 纳入研究存在异质性，AI算法在特异性方面低于传统影像，且外部验证与内部验证的性能差距在AI亚组中缩小但未完全消除 | 评估影像学模态（特别是机器学习/深度学习算法与传统专家解读）在胰腺神经内分泌肿瘤术前分级中的诊断性能 | 胰腺神经内分泌肿瘤患者的CT、MRI或内镜超声影像数据 | 医学影像分析 | 胰腺神经内分泌肿瘤 | CT、MRI、内镜超声 | 机器学习/深度学习模型 | 影像 | 17项研究，共928名患者 | NA | NA | 灵敏度、特异度、曲线下面积 | NA |
| 689 | 2026-06-16 |
Decoding immunotherapy response through computational modeling
2026-Apr-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71364-5
PMID:41986319
|
综述 | 通过四种汇聚范式（经典机器学习、深度学习、图与网络建模、机制系统生物学）分析免疫疗法反应的计算建模进展 | 首次系统整合四种计算范式并强调从相关特征到表征学习、关系推理及肿瘤免疫动态因果模拟的进化路径 | 未提供具体定量结果或模型比较；缺乏临床验证数据的支撑 | 推动精准免疫肿瘤学实现个性化癌症治疗 | 免疫疗法反应的计算模型与患者分层方法 | 机器学习 | 癌症 | NA | NA | 多组学、影像 | NA | NA | NA | NA | NA |
| 690 | 2026-06-16 |
A Leaf-Level Dataset for Soybean-Cotton Detection and Segmentation
2026-Apr-15, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07092-8
PMID:41986374
|
研究论文 | 该论文介绍了一个用于大豆和棉花叶片检测与分割的数据集，包含640张高分辨率图像和超过12000个叶片实例的标注 | 提供了一个在真实农场条件下采集、涵盖多个生长阶段、杂草压力和光照变化的叶片级数据集，支持检测和分割重叠叶片，填补了现有数据集在复杂田间环境中的不足 | 仅涉及大豆和棉花两种作物，未涵盖其他作物或更广泛的杂草类型；数据集规模可能不足以推广至所有田间场景 | 创建并验证一个用于大豆-棉花叶片检测与分割的数据集，以支持可持续农业管理中的选择性除草和害虫监测等应用 | 大豆和棉花的叶片 | 计算机视觉 | NA | 高分辨率图像采集 | YOLO11（用于检测和分割的目标检测与分割模型） | 图像（高分辨率RGB图像） | 640张图像，包含7,221个大豆叶片和5,190个棉花叶片的实例标注 | NA | YOLO11 | 检测精度、分割精度（未具体列出指标名称，但提到state-of-the-art性能） | NA |
| 691 | 2026-06-16 |
Distinguishing cancer patients' mild and severe symptoms in radiotherapy via zero-shot and few-shot large language model-based probabilistic prompts
2026-Apr-15, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00547-z
PMID:41987285
|
研究论文 | 本研究开发了一种基于少量示例的大语言模型预测框架，利用概率设计的提示语在异常检测框架下区分放疗期间和放疗后癌症患者的轻度和重度症状 | 创新性地将大语言模型与异常检测框架结合，通过六种概率设计的提示语实现少量患者数据下的症状严重程度分类，并提供可解释的推理过程 | 依赖提示语的设计质量，可能对特定症状或数据分布变化敏感；模型性能可能受限于少量示例的标注准确性和代表性 | 探索基于大语言模型的有效提示策略，以区分癌症患者放疗期间和放疗后的轻度和重度症状，实现实时监控和临床决策支持 | 前列腺癌患者在放疗过程中出现的肠道疼痛、抑郁和性功能障碍等症状 | 自然语言处理 | 前列腺癌 | 大语言模型 | 大语言模型 | 文本 | NA | NA | NA | AUC, AUCPR, 精确率, 召回率, F1分数 | NA |
| 692 | 2026-06-16 |
Differentiation of adrenal metastases and adenomas based on clinical characteristics, deep learning features, and radiomics features derived from ultrasound imaging
2026-Apr-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02343-x
PMID:41981403
|
研究论文 | 基于临床特征、深度学习特征和超声影像组学特征构建诺模图，用于区分肾上腺转移瘤和腺瘤 | 首次整合临床特征、深度学习影像特征和超声影像组学特征建立联合诺模图，用于区分肾上腺转移瘤和腺瘤，并在测试集中取得了优于单独模型的表现 | 研究为回顾性分析，可能受选择偏倚影响；超声影像依赖操作者经验，特征提取的稳定性有待验证；样本量相对较小，外部验证尚未开展 | 构建并验证一个整合临床特征、深度学习和超声影像组学特征的诺模图，以提高肾上腺转移瘤与腺瘤的鉴别诊断准确性 | 肾上腺转移瘤和肾上腺腺瘤病例 | 机器学习, 医学影像 | 肾上腺肿瘤 | 超声成像 | 深度学习模型（具体架构未指定）、影像组学模型 | 超声图像 | 449例，包括228例肾上腺转移瘤和221例肾上腺腺瘤 | NA | NA | AUC | NA |
| 693 | 2026-06-16 |
Hi-Compass: a depth-aware deep learning framework for predicting cell-type-specific 3D genome organization from single-cell to spatial resolution
2026-Apr-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71877-z
PMID:41980945
|
研究论文 | Hi-Compass是一种深度感知的深度学习框架，能从单细胞到空间分辨率预测细胞类型特异性三维基因组组织 | 首次提出深度感知框架，仅利用染色质可及性数据即可预测细胞类型特异性染色质组织，并动态适应测序深度变化，支持从稀疏单细胞到高覆盖度批量数据的鲁棒预测 | 依赖染色质可及性数据作为唯一细胞类型特异性输入，可能忽略其他表观遗传修饰的影响 | 预测细胞类型特异性三维基因组组织，解析染色质相互作用与基因调控的关系 | 细胞类型特异性染色质组织 | 机器学习 | NA | Hi-C，染色质可及性测序 | 深度学习 | 染色质可及性数据 | 外周血和胚胎心脏数据集，海马组织空间分辨数据，小鼠系统 | NA | NA | 一致性，高置信度染色质环恢复 | NA |
| 694 | 2026-06-16 |
Sharing a whole-/total-body [18F]FDG-PET/CT dataset with CT-derived segmentations: an ENHANCE.PET initiative
2026-Apr-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07218-y
PMID:41980990
|
研究论文 | 提供一个大型全身/全动态[18F]FDG-PET/CT数据集，包含CT-derived分割，用于深度学习训练和多模态图像分析 | 首次公开大规模全身和全动态[18F]FDG-PET/CT双模态数据集，包含1683例PET/CT图像及130个目标区域的CT-derived分割，填补了在临床管理中使用PET/CT数据的重要资源空白 | 个别分割可能由受训医师验证校正，存在主观差异；数据集主要为静止状态图像，缺乏动态或纵向数据 | 为深度学习训练、验证或多模态图像分析提供公开可用的大规模PET/CT数据集，推进PET/CT在临床管理中的应用 | 健康个体及恶性肿瘤和炎症疾病患者的PET/CT图像（包括关节炎、淋巴瘤、黑色素瘤、肺癌、头颈癌、泌尿生殖道癌等） | 数字病理学、医学图像分析 | 肿瘤疾病（肺癌、淋巴瘤、黑色素瘤、头颈癌、泌尿生殖道癌）及炎症性疾病（关节炎） | PET/CT成像 | NA | 图像（PET/CT） | 1683例PET/CT图像 | NA | NA | NA | NA |
| 695 | 2026-06-16 |
Utilizing deep learning from mobile phone photos for early detection of horizontal strabismus: a screening approach
2026-Apr-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48893-6
PMID:41981222
|
研究论文 | 利用智能手机照片和深度学习技术早期检测水平斜视的筛查方法 | 首次结合实时检测变换器（RT-DETR）与监督机器学习分类器，从智能手机获取的面部图像中提取眼部几何特征，实现水平斜视的二元筛查 | 在受控条件下表现良好，但需进一步研究以建立完整的临床可解释性及在非受控环境中的性能 | 开发和验证一种基于人工智能的筛查方法，利用智能手机图像和几何标志点分析进行水平斜视与正视的二元分类 | 水平斜视患者与正视对照者的面部图像 | 计算机视觉 | 斜视 | RT-DETR | RT-DETR（实时检测变换器） | 图像 | 150名参与者（96名斜视患者和54名对照者） | NA | RT-DETR, 随机森林 | 交并比、平均中心点误差、准确率、灵敏度、特异度、阳性预测值、阴性预测值 | NA |
| 696 | 2026-06-16 |
CRM-TI: an enhanced pipeline for computationally assigning the target genes of cis-regulatory modules by considering comprehensive long-range regulation mechanisms
2026-Apr-14, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00555-z
PMID:41981661
|
研究论文 | 提出CRM-TI流程，通过整合染色质相互作用和非编码RNA转录相关调控机制，利用深度学习准确预测顺式调控模块的靶基因 | 首次综合考虑染色质相互作用和CRM转录的非编码RNA相关调控，采用染色体分区方案避免过拟合，性能显著优于现有方法 | NA | 开发一种能够准确计算顺式调控模块靶基因的增强流程，解决现有方法忽略长距离作用和替代调控机制的问题 | 顺式调控模块及其靶基因的分配关系 | 机器学习 | NA | 深度学习 | 深度学习 | 基因组数据 | NA | PyTorch | NA | auROC | NA |
| 697 | 2026-06-16 |
Multimodal deep learning with missing data robustness for enhanced early diagnosis of coronary artery disease using CCTA, clinical, and ECG data
2026-Apr-13, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03466-5
PMID:41975401
|
研究论文 | 提出一种多模态深度学习模型，整合CCTA影像、临床和心电图数据，增强冠心病早期诊断准确性，并具备缺失数据鲁棒性 | 首次整合三种类型数据（影像、临床、心电图），并设计加权融合策略，能容忍高达50%的数据缺失，显著提高诊断率 | 未提及具体限制，如样本量偏小或外部验证仅用一个数据集 | 开发可处理不完整数据的多模态模型，提高冠状动脉疾病早期诊断准确率 | 2022年2月至2023年8月期间接受冠状动脉CTA检查的连续患者 | 计算机视觉, 机器学习 | 冠状动脉疾病 | 冠状动脉CTA, 心电图 | 卷积神经网络 | 影像, 临床数据, 心电图数据 | 内部数据集（7:1.5:1.5分割），外部验证数据集 | NA | 卷积神经网络 | AUC-ROC, Kappa系数, SHAP算法 | NA |
| 698 | 2026-06-16 |
SleepPACNet: new convolutional neural network considering phase-amplitude coupling for automatic sleep stage classification using single-channel electroencephalogram
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48881-w
PMID:41974873
|
研究论文 | 提出了一种名为SleepPACNet的新型卷积神经网络，利用单通道脑电图中的相位-幅度耦合特征进行自动睡眠阶段分类 | 首次将相位-幅度耦合（PAC）特征提取模块集成到卷积神经网络中，通过Hilbert变换提取低频相位信息与高频幅度信息，显著改善了快速眼动睡眠阶段的分类性能 | 仅基于单通道脑电图数据在Dreem数据集上验证，未在多通道或其他临床数据集上进行测试 | 提升单通道脑电图自动睡眠阶段分类系统的性能，特别是通过引入领域特定的PAC特征增强分类准确性 | 睡眠阶段的自动分类，重点是快速眼动睡眠检测 | 机器学习 | NA | 脑电图（EEG） | CNN | 单通道脑电图信号 | 使用Dreem数据集中的单通道（Fp1–Fp2）睡眠脑电图数据 | NA | SleepPACNet，包含PAC特征提取模块的CNN | 分类准确率（75.7%），以及与传统CNN模型（如SleepCNN）的对比 | NA |
| 699 | 2026-06-16 |
Soft multiclass feature augmented deep learning to predict tumor origins using cytology or histology whole slide images
2026-Apr-13, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02604-7
PMID:41974822
|
研究论文 | 提出首个基于深度学习的快速低成本癌症筛查方法，利用细胞学或组织学全切片图像预测肿瘤起源 | 首次提出数据高效的软多类特征增强深度学习框架，直接通过全切片图像识别恶性细胞的原发部位，克服了未知原发癌诊断难题 | NA | 开发一种快速、低成本的深度学习工具，通过全切片图像预测肿瘤原发部位，以指导个体化癌症治疗 | 来源于细胞学涂片、细胞块或组织病理切片的恶性细胞全切片图像 | 数字病理学 | 癌症 | 全切片成像 | 深度学习 | 图像 | 多中心组织学数据集（69个部位，1196张WSI）、CS数据集（260张WSI）和CB数据集（129张WSI） | NA | NA | 准确率 | NA |
| 700 | 2026-06-16 |
Targeting protein protein interactions and their modulators to enable new therapeutic strategies for human diseases
2026-Apr-13, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-026-00698-z
PMID:41975191
|
综述 | 探讨整合人工智能与深度学习与传统实验方法如何促进蛋白质-蛋白质相互作用（PPI）的映射与分析，为人类疾病提供新治疗策略 | 将AI和深度学习与系统生物学结合，用于PPI网络建模、疾病模拟和多组学整合，以识别新型治疗靶点 | 未提及具体限制，但重点强调多组学整合、AI驱动创新和基于网络的药物开发中的挑战 | 通过靶向蛋白质-蛋白质相互作用及其调节剂，为人类疾病开发新的治疗策略 | 蛋白质-蛋白质相互作用（PPI）及其调节剂 | 机器学习 | 人类疾病 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |