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 42805 篇文献，本页显示第 7201 - 7220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7201 | 2026-01-07 |
Revolutionizing healthcare: a comparative insight into deep learning's role in medical imaging
2024-12-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-71358-7
PMID:39632902
|
研究论文 | 本文系统探讨了深度学习在医学影像中的应用，特别关注阿尔茨海默病MRI分类，并提出了一个结合云计算的创新框架 | 设计了一个包含输入层、基于云的预处理与模型执行层以及诊断层的新框架，并系统分析了不同深度学习模型在特定疾病数据集上的性能 | 未详细讨论其他疾病特定的数据集，且集成模型表现较差 | 比较深度学习模型在医学影像分析中的角色，特别针对阿尔茨海默病的MRI分类 | 阿尔茨海默病的MRI扫描图像 | 计算机视觉 | 阿尔茨海默病 | 磁共振成像 | CNN, VGG-16, 集成模型 | 图像 | NA | NA | CNN, VGG-16 | 测试准确率 | 云计算 |
| 7202 | 2026-01-07 |
A novel optimization-driven deep learning framework for the detection of DDoS attacks
2024-Nov-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77554-9
PMID:39543174
|
研究论文 | 本文提出了一种基于优化驱动深度学习框架的DDoS攻击检测方法 | 结合条件生成对抗网络进行数据平衡，并采用堆叠稀疏去噪自编码器与萤火虫-黑寡妇混合优化算法进行攻击分类 | 仅使用单一数据集进行验证，未在更广泛网络环境中测试 | 开发高效的入侵检测系统以识别DDoS攻击 | 云计算或网络环境中的DDoS攻击流量 | 机器学习 | NA | 深度学习 | CGAN, SSDAE | 网络流量数据 | CICDDoS2019数据集 | NA | 条件生成对抗网络, 堆叠稀疏去噪自编码器 | 准确率 | NA |
| 7203 | 2026-01-06 |
Deep learning diagnosis model of spinal tuberculosis based on CT bone window gradient attention mechanism: multi-center study
2026-Dec, Computer assisted surgery (Abingdon, England)
DOI:10.1080/24699322.2025.2599329
PMID:41459642
|
研究论文 | 本研究基于CT骨窗图像开发了一种深度学习模型，旨在提高脊柱结核的早期诊断准确性 | 结合CT骨窗梯度注意力机制，改进了ResNet50网络，构建了端到端的深度学习诊断模型，专注于提取骨小梁微骨折和钙化轮廓梯度等特征 | NA | 提高脊柱结核的早期诊断准确性 | 脊柱结核患者 | 计算机视觉 | 脊柱结核 | CT成像 | CNN | 图像 | 1027例多中心回顾性数据 | NA | U-Net, ResNet50 | AUC, 准确率, 灵敏度 | NA |
| 7204 | 2026-01-06 |
Functional near-infrared spectroscopy-based computer-aided diagnosis of major depressive disorder using explainable artificial intelligence: Comparison with conventional machine learning
2026-Mar-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.120985
PMID:41422962
|
研究论文 | 本研究开发了一种基于可解释人工智能的功能性近红外光谱计算机辅助诊断模型，用于识别重度抑郁症患者与健康对照者之间的脑半球间不对称性差异 | 首次将可解释人工智能技术（如层相关传播）应用于功能性近红外光谱数据，以可视化深度学习模型的决策过程，并揭示重度抑郁症患者脑功能不对称性的关键特征 | 样本量相对较小（共116名参与者），且仅基于单一言语流畅性任务的数据，可能限制了模型的泛化能力 | 开发并验证一种基于功能性近红外光谱和可解释人工智能的重度抑郁症计算机辅助诊断方法 | 48名重度抑郁症患者和68名健康对照者 | 机器学习 | 重度抑郁症 | 功能性近红外光谱 | CNN | 光谱数据 | 116名参与者（48名患者，68名健康对照） | NA | 卷积神经网络 | 准确率, 灵敏度, 特异性 | NA |
| 7205 | 2026-01-06 |
Automatic segmentation and CT-based deep learning radiomics nomogram for predicting overall survival in patients with small cell lung cancer: A multicenter cohort study
2026-Feb-01, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109161
PMID:41252869
|
研究论文 | 本研究开发了一种基于CT图像的3D自动分割模型用于小细胞肺癌病灶识别，并构建了一个深度学习放射组学列线图来预测患者总生存期 | 首次结合3D自动分割模型与深度学习放射组学列线图，用于小细胞肺癌患者的总生存期预测，实现了高精度的病灶分割和多中心验证的预测性能 | 临床因素的加入未显著提升深度学习放射组学列线图的预测效能，且研究为回顾性设计，可能存在选择偏倚 | 预测小细胞肺癌患者的总生存期，以支持个性化治疗 | 小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | 深度学习 | CT图像 | 1061名来自中国四家医院的小细胞肺癌患者 | nnU-Net | nnU-Net | Dice相似系数, 一致性指数, 净重分类改善, 综合判别改善 | NA |
| 7206 | 2026-01-06 |
A Novel Instance Segmentation Method for Real-Time Detection of Thyroid Nodules in Ultrasound Videos: A Multi-Center Study
2026-Feb, Ultrasound in medicine & biology
|
研究论文 | 本文提出了一种用于甲状腺超声视频中实时检测甲状腺结节的新型实例分割方法，通过多中心研究验证其性能 | 引入可变卷积网络增强结节纹理特征提取能力，提出双向Mamba模块提升视频数据的长程建模能力，结合Sobel边缘算子模块优化结节边界准确性，并定义了检测率指标以评估模型临床效率 | NA | 提高甲状腺超声视频中多结节实例分割的准确性和检测率 | 甲状腺超声视频中的多发性甲状腺结节 | 计算机视觉 | 甲状腺结节 | 超声成像 | 深度学习模型 | 超声视频 | 来自多家医院的验证集数据（具体样本数未明确说明） | NA | 可变卷积网络, 双向Mamba模块, Sobel边缘算子模块 | Dice系数, 检测率 | NA |
| 7207 | 2026-01-06 |
Artificial intelligence in depression diagnostics: A systematic review of methodologies and clinical applications
2026-Feb, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103320
PMID:41338039
|
综述 | 本文对人工智能在抑郁症诊断中的方法学与临床应用进行了系统性综述 | 全面梳理了AI驱动抑郁症诊断的最新进展，重点关注多模态数据融合与先进神经网络架构的应用潜力 | 存在数据集偏差、算法透明度不足、临床适用性有限等挑战 | 评估人工智能在抑郁症早期检测与分类领域的应用现状与发展方向 | 抑郁症诊断相关的人工智能系统 | 机器学习 | 抑郁症 | 机器学习、深度学习 | NA | 语言数据、行为数据、生理数据（来自社交媒体、临床访谈、语音记录、可穿戴设备） | NA | NA | 神经网络 | 诊断准确率 | NA |
| 7208 | 2026-01-06 |
[Artificial intelligence empowering sports medicine]
2026-Jan-06, Zhonghua yi xue za zhi
|
综述 | 本文综述了人工智能技术在运动医学多个领域的应用与最新进展 | 全面总结了AI在运动医学中从损伤预测、影像诊断到手术辅助、康复监测及患者教育的多领域深度整合应用 | NA | 回顾人工智能技术在运动医学领域的应用进展并展望未来发展趋势 | 运动医学领域的诊断、治疗、康复及患者教育流程 | 计算机视觉, 自然语言处理, 机器学习 | 运动损伤 | 深度学习, 机器学习, 计算机视觉, 大语言模型 | 深度学习模型, 机器学习模型, 大语言模型 | 影像数据, 文本数据 | NA | NA | NA | NA | NA |
| 7209 | 2026-01-06 |
Deliberate solitude for clinical reasoning
2026-Jan-06, Diagnosis (Berlin, Germany)
DOI:10.1515/dx-2025-0133
PMID:41489300
|
评论 | 本文探讨了在临床推理中，刻意独处如何可能通过精炼直觉、提高诊断准确性来支持专家表现，并借鉴了认知心理学、哲学和教育学的研究 | 将刻意独处的概念引入临床推理领域，提出其可能作为减少认知偏差、提升诊断准确性的新策略，这在医学教育中尚未被充分探索 | 目前缺乏具体实证研究支持，独处的具体机会和益处尚不确定，无法提出明确的行动方案 | 探讨刻意独处是否能够支持和提升临床推理的发展与表现 | 临床医生及其在临床推理中的思维过程 | 医学教育 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7210 | 2026-01-06 |
PGMNet: a polyp segmentation network based on bit-plane slicing and multi-scale adaptive fusion
2026-Jan-05, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae300a
PMID:41429053
|
研究论文 | 本文提出了一种基于位平面切片和多尺度自适应融合的息肉分割网络PGMNet，旨在提高结肠镜检查中息肉检测和分割的准确性 | PGMNet结合了PVTv2编码器、全局-局部交互关系模块（GLIRM）和多阶段特征聚合模块（MFAM），通过位平面切片机制抑制噪声，并利用门控机制高效聚合多尺度信息 | 未在摘要中明确提及 | 开发一种准确高效的息肉分割网络，以辅助结直肠癌的早期预防和治疗 | 结肠镜检查图像中的息肉 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 图像 | 五个公开可用的息肉数据集 | 未在摘要中明确提及 | PVTv2, GLIRM, MFAM | mDice, mIoU | 未在摘要中明确提及 |
| 7211 | 2026-01-06 |
Deep learning approach for critical exposure during division of the inferior mesenteric artery in colorectal surgery
2026-Jan-05, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-025-03121-7
PMID:41486401
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7212 | 2026-01-06 |
Deep learning-guided attenuation and scatter correction of 99mTc-MAA SPECT images: towards quantitative analysis in 90Y-SIRT
2026-Jan-05, Annals of nuclear medicine
IF:2.5Q2
DOI:10.1007/s12149-025-02152-2
PMID:41489766
|
研究论文 | 本研究开发了深度学习模型，用于99mTc-MAA SPECT图像的CT无衰减校正和基于蒙特卡洛的散射校正，旨在提高90Y-SIRT治疗规划和预治疗剂量学的定量准确性 | 采用改进的3D Swin UNETR架构，首次开发了用于SPECT图像衰减校正、散射校正及联合校正的深度学习模型，实现了无需CT数据的定量分析 | 研究基于222名患者数据，样本量相对有限；模型性能在联合校正任务中相对误差较高（16.45%）；未在更广泛临床环境中验证 | 提高90Y选择性内放射治疗（SIRT）中SPECT图像的定量准确性，以优化治疗规划和剂量学评估 | 222名接受90Y-SIRT前99mTc-MAA SPECT成像的患者数据 | 医学影像分析 | 肝脏肿瘤（适用于SIRT治疗） | SPECT成像，蒙特卡洛散射校正，深度学习 | 深度学习模型 | 3D SPECT图像 | 222名患者 | PyTorch（基于Swin UNETR架构推断） | 改进的3D Swin UNETR | 平均误差（ME），相对误差（RE），Gamma分析通过率，平均绝对误差（MAE） | 未明确指定，但提及适用于缺乏充足计算资源进行蒙特卡洛模拟的临床环境 |
| 7213 | 2026-01-06 |
Diabetic foot ulcer classification using an enhanced coordinate attention integrated ConvNext model
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01692-1
PMID:41489793
|
研究论文 | 本文提出了一种结合坐标注意力机制增强的ConvNeXt模型，用于基于图像的糖尿病足溃疡自动分类 | 提出了一种混合模型，将坐标注意力机制集成到ConvNeXt架构中，以捕获空间长程依赖特征，从而提高糖尿病足溃疡图像分类的准确性 | 未明确说明数据集的来源、规模多样性以及模型在临床环境中的泛化能力验证 | 开发一种自动化的深度学习方法，以加速糖尿病足溃疡的评估过程并提供最佳治疗建议 | 糖尿病足溃疡图像 | 计算机视觉 | 糖尿病足溃疡 | 图像处理（自适应阈值分割） | CNN | 图像 | NA | NA | ConvNeXt | 准确率, F1分数 | NA |
| 7214 | 2026-01-06 |
OGTCN-E-MGO: an optimized deep learning framework for EEG-based schizophrenia detection
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01695-y
PMID:41489794
|
研究论文 | 提出一种名为OGTCN-E-MGO的优化深度学习框架，用于基于脑电图（EEG）信号的精神分裂症自动检测 | 提出了一种优化的门控时序卷积网络（OGTCN），该网络集成了门控循环单元（GRU）、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO），用于精神分裂症的EEG信号分类 | NA | 实现精神分裂症的自动分类，通过分析EEG信号获取与精神分裂症认知变化相关的神经活动变化 | 精神分裂症患者 | 机器学习 | 精神分裂症 | 脑电图（EEG） | GRU, TCN | 脑电图信号 | 两个数据集：数据集1包含28名个体的19通道EEG信号；数据集2包含81名个体的64通道EEG信号 | NA | 优化的门控时序卷积网络（OGTCN），集成GRU、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO） | 准确率 | NA |
| 7215 | 2026-01-06 |
Development of a Prediction Model for Progression Risk in High-Grade Gliomas Based on Habitat Radiomics and Pathomics
2026-Jan-04, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.70304
PMID:41486586
|
研究论文 | 本研究基于栖息地影像组学和病理组学构建了预测高级别胶质瘤进展风险的模型 | 首次将栖息地影像组学与病理组学特征相结合，构建了用于预测高级别胶质瘤进展风险的联合模型 | 研究为回顾性分析，样本量较小（72例），需要更大规模的前瞻性研究进行验证 | 开发预测高级别胶质瘤进展风险的预测模型 | 高级别胶质瘤患者 | 数字病理学 | 胶质瘤 | 磁共振成像，全切片成像 | 深度学习 | 图像 | 72例患者（训练集52例，测试集20例） | NA | 多种网络架构 | C-index，AUC | NA |
| 7216 | 2026-01-06 |
Deep Learning Integration in Optical Microscopy: Advancements and Applications
2026-Jan-04, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70112
PMID:41486782
|
综述 | 本文探讨了深度学习在光学显微镜中的集成应用，重点关注图像分类、分割和计算重建等关键领域 | 系统性地综述了深度学习如何解决光学显微镜的传统挑战，如光学像差、衍射极限分辨率和低信噪比，并强调了其在提高图像质量、减少人工干预和降低领域专业知识依赖方面的创新作用 | 需要大量标注数据集、动态样本变异性、模型可解释性不足以及潜在的数据偏差 | 探索深度学习在光学显微镜中的应用，以提升图像处理和分析能力 | 光学显微镜图像数据 | 计算机视觉 | NA | 光学显微镜 | CNN, U-Net, ResNet, GAN | 图像 | NA | NA | 卷积神经网络, U-Net, 残差网络, 生成对抗网络 | NA | NA |
| 7217 | 2026-01-06 |
Deep learning-based image reconstruction best contributes to image quality enhancement under close expert supervision
2026-Jan-03, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2025.12.006
PMID:41486036
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7218 | 2026-01-06 |
Toward clinical translation of AI-Led drug discovery in endometrial cancer
2026-Jan, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2025.2557602
PMID:40908794
|
综述 | 本文综述了深度学习在子宫内膜癌药物发现各阶段的应用，并讨论了其临床转化面临的挑战与解决方案 | 聚焦于子宫内膜癌这一特定领域，系统性地探讨了深度学习在药物发现中的临床转化瓶颈，并提出了多学科整合的实践路径 | 作为一篇综述，未提出新的实验数据或模型，主要基于现有文献进行分析，可能受限于已发表研究的覆盖范围和质量 | 探讨深度学习在子宫内膜癌药物发现中的临床应用潜力与转化障碍 | 子宫内膜癌（EC） | 机器学习 | 子宫内膜癌 | 深度学习（DL） | NA | NA | NA | NA | NA | NA | NA |
| 7219 | 2026-01-06 |
Comparative Evaluation of Advanced Deep Learning, Image-to-Text Models, and Radiomics for Predicting Tumor Budding and Tumor-Stroma Ratio from Breast Ultrasound in Invasive Ductal Carcinoma
2026-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.10.020
PMID:41176437
|
研究论文 | 本研究比较了基于深度学习、图像到文本模型和放射组学的机器学习方法，用于从乳腺癌超声图像中预测肿瘤出芽和肿瘤-间质比 | 首次在乳腺癌超声图像中系统比较了图像分类深度学习、图像到文本转换模型和放射组学机器学习方法，用于预测肿瘤微环境重要参数 | 样本量相对较小（153例患者），且仅针对浸润性导管癌，模型性能在测试集上有所下降 | 预测浸润性导管癌的肿瘤出芽和肿瘤-间质比，以非侵入性方式评估肿瘤微环境 | 153例经组织病理学确诊的浸润性导管癌患者的术前超声图像 | 计算机视觉 | 乳腺癌 | 超声成像 | CNN, Transformer, 集成学习 | 图像 | 153例患者 | PyTorch, Scikit-learn | YOLOv11x-cls, DINOv2, Vision Transformer, BLIP-2 | AUC, 准确率 | NA |
| 7220 | 2026-01-06 |
Enhancing malware detection and classification in network traffic using deep learning techniques
2026-Jan, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70189
PMID:41199431
|
研究论文 | 本研究利用深度学习技术提升网络流量中的恶意软件检测与分类性能 | 引入了多种先进深度学习技术，包括基于熵的流量过滤、自监督异常检测、图神经网络分类以及上下文感知图注意力网络，以应对复杂网络环境中的恶意软件威胁 | 未提及模型在跨平台恶意软件检测方面的具体局限性，未来需进一步研究实时自适应学习模型和混合架构 | 提高网络流量中恶意软件检测的准确性，降低误报率，并实现动态网络环境中的实时检测 | 网络流量数据 | 机器学习 | NA | 深度学习 | GNN, GAT | 网络流量数据 | NA | Python | GNN-MTC, CA-GAT | 准确率, 精确率, 召回率 | NA |