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 46047 篇文献，本页显示第 7001 - 7020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7001 | 2026-03-15 |
Loop of N2-polarized neutrophils and exhausted CD8 + T cells induces immunotherapy resistance in NSCLC
2026-Mar-13, Molecular and cellular biochemistry
IF:3.5Q3
DOI:10.1007/s11010-025-05457-y
PMID:41824204
|
研究论文 | 本研究通过整合单细胞RNA测序数据，揭示了非小细胞肺癌中N2极化中性粒细胞与耗竭CD8⁺ T细胞之间形成正反馈环路导致免疫治疗耐药的机制，并基于此构建了深度学习预测模型 | 首次发现N2中性粒细胞与耗竭CD8⁺ T细胞通过ICAM1-整合素和CCL5-CCR1轴形成自我维持的免疫抑制环路，并基于该分子环路构建了可预测免疫治疗反应的深度学习模型 | 研究主要基于计算分析，需要进一步实验验证分子机制；模型在更多癌症类型中的普适性仍需验证 | 揭示非小细胞肺癌免疫治疗耐药的细胞互作机制，并开发预后分层和免疫治疗反应预测模型 | 非小细胞肺癌肿瘤免疫微环境中的N2极化中性粒细胞和耗竭CD8⁺ T细胞 | 计算生物学 | 肺癌 | 单细胞RNA测序, 批量RNA测序 | 深度神经网络 | 基因表达数据 | 大规模单细胞RNA测序数据集和多个批量RNA测序队列 | NA | 深度神经网络 | 预测准确性 | NA |
| 7002 | 2026-03-15 |
VFIR: Vector Fields Implicit Representation for Surface Reconstruction from Point Clouds
2026-Mar-13, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2026.3674088
PMID:41824347
|
研究论文 | 本文提出了一种名为VFIR的新方法，利用神经隐式函数学习向量场，用于从点云进行表面重建 | 提出了基于向量场的隐式表示方法，克服了SDF仅适用于水密模型和UDF在表面边界不可微的局限性，并引入了渐进学习策略和优化的三状态行进立方体算法 | 未明确说明方法对噪声点云或极端稀疏点云的鲁棒性，也未讨论计算复杂度与实时应用的可行性 | 从点云进行高精度、鲁棒的3D表面重建 | 3D点云数据 | 计算机视觉 | NA | 神经隐式函数，向量场表示 | 神经隐式函数模型 | 点云 | NA | NA | NA | 准确性，鲁棒性，泛化能力 | NA |
| 7003 | 2026-03-15 |
Cattle lameness detection using depth image and deep learning
2026-Mar-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40780-4
PMID:41826368
|
研究论文 | 本文开发了一个基于深度图像和深度学习的端到端框架，用于对牛只跛行进行全天候监测与评分 | 提出了一个集成了实例分割、多目标跟踪和时空分类的完整端到端深度学习框架，并引入了新的跟踪算法PTAV3，用于农业场景下牛只跛行的实时、自动化、客观监测 | NA | 开发一个自动化、客观的牛只跛行监测与评分系统，以解决动物福利和经济问题 | 牛只 | 计算机视觉 | NA | 深度成像 | CNN, LSTM | 深度图像 | NA | NA | Mask R-CNN, YOLOv8m-seg, YOLOv11m-seg, EfficientNet-B1至B7, LSTM | BBox AP@50, Mask AP@50, FPS, 准确率, F1分数 | NA |
| 7004 | 2026-03-15 |
Exploration of Deep Learning Methods for Synthetic T2-Weighted Pelvic MRI Generation from CT Scans: A Technical Feasibility Study
2026-Mar-13, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01900-8
PMID:41826596
|
研究论文 | 本研究探索了使用深度学习算法从盆腔CT扫描生成合成T2加权MRI的技术可行性 | 首次系统性地在腹盆腔成像中比较了多种先进的条件生成对抗网络架构（如ESAUNet、ResViT和Cascaded Gaze）用于CT到T2加权MRI的合成任务 | 合成图像在精细细节方面评分较低，且研究样本量相对有限（总训练集n=90，独立测试集n=19） | 开发和比较深度学习算法，以从盆腔CT生成合成T2加权MRI，并评估其技术可行性和性能 | 盆腔CT扫描和对应的T2加权MRI图像 | 计算机视觉 | NA | CT扫描，MRI成像 | GAN | 图像 | 多中心队列（n=90，包括SynthRad2023数据集60例和内部数据集30例），独立测试使用Gold Atlas男性队列（n=19） | NA | efficient Self-Attention UNet (ESAUNet), Residual Vision Transformer (ResViT), Cascaded Gaze | PSNR, SSIM, MAE | NA |
| 7005 | 2026-03-15 |
Prostate MRI quality improvement: a Roadmap from the ESUR Prostate MRI Working Group
2026-Mar-13, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12395-w
PMID:41826767
|
综述 | 本文介绍了欧洲泌尿生殖放射学会前列腺MRI工作组提出的三步质量改进框架，旨在标准化和提升前列腺MRI实践 | 提出了一个结构化的三步质量改进框架，整合了技术标准、客观质量评估、系统训练及新兴技术，以系统化方式提升前列腺MRI的一致性和质量 | 框架的实施需要国际协调和基于结果的验证，其全球影响最大化仍面临挑战 | 旨在通过标准化和改进前列腺MRI的采集、解读和报告实践，提升诊断准确性和患者护理质量 | 前列腺磁共振成像（MRI）的实践和质量改进 | 数字病理学 | 前列腺癌 | 磁共振成像（MRI） | NA | 医学影像 | NA | NA | NA | PI-QUAL评分 | NA |
| 7006 | 2026-03-15 |
Automated deep-learning quantification of nine patellofemoral instability parameters on multislice CT images : development and validation of the GU2Net model
2026-Mar-12, Bone & joint open
IF:2.8Q1
|
研究论文 | 本研究开发并验证了一个名为GU2Net的深度学习模型，用于自动量化膝关节CT图像上的九个髌股不稳定参数 | 首次提出一个深度学习模型来自动化测量九个关键的髌股不稳定参数，减少了手动评估的时间和变异性，并降低了对检查者经验的依赖 | 模型在测量SA（滑车角）参数时性能相对较低，ICC和相关系数均低于其他参数 | 开发并验证一个深度学习模型，以自动化、客观且精确地测量髌股不稳定参数，用于诊断和治疗规划 | 膝关节CT图像 | 计算机视觉 | 髌股不稳定 | 多层CT成像 | 深度学习模型 | CT图像 | 1,125个膝关节 | NA | GU2Net | 成功检测率, 平均绝对误差, 组内相关系数, 皮尔逊相关系数 | NA |
| 7007 | 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 |
| 7008 | 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 |
| 7009 | 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） |
| 7010 | 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 |
| 7011 | 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 |
| 7012 | 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 |
| 7013 | 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 |
| 7014 | 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 |
| 7015 | 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 |
| 7016 | 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 |
| 7017 | 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 |
| 7018 | 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 |
| 7019 | 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 |
| 7020 | 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 |