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 45423 篇文献，本页显示第 721 - 740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 721 | 2026-06-05 |
Deep learning enables automated detection of dinosaur footprints with high accuracy
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56031-5
PMID:42236855
|
研究论文 | 提出一种基于YOLOv8深度学习的自动化恐龙足迹检测系统，实现高精度识别与跨区域泛化 | 首次将YOLOv8目标检测网络应用于恐龙足迹自动检测，开发了多尺度检测方法以解决分辨率依赖问题，并在韩国和巴西不同足迹点验证了跨区域泛化能力 | 检测精度受光照条件、保存质量和轮廓标记存在性的影响 | 开发高效自动化恐龙足迹检测系统以替代耗时的人工调查 | 韩国多个足迹点的兽脚类、鸟脚类和蜥脚类恐龙足迹 | 计算机视觉 | 不适用 | 目标检测 | CNN | 图像 | 49,242张来自AI-Hub数据集的图像 | PyTorch | YOLOv8 | 平均精度均值mAP50, mAP50-95 | 不适用 |
| 722 | 2026-06-05 |
Differentiating advanced from non-advanced hepatic fibrosis: a hybrid deep learning-radiomics model leveraging synthetic contrast-enhanced CT from CycleGAN
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05563-5
PMID:42240649
|
研究论文 | 开发并验证一种混合深度学习-影像组学模型，利用CycleGAN合成的增强CT图像区分晚期和非晚期肝纤维化 | 首次结合CycleGAN合成增强CT图像与混合深度学习-影像组学模型，用于肝纤维化分期的非侵入性诊断，且融合真实平扫与合成增强CT图像进一步提升性能 | NA | 开发并验证一种基于CycleGAN合成增强CT图像的混合深度学习-影像组学模型，以区分晚期与非晚期肝纤维化 | 410例经活检确诊的肝纤维化患者 | 计算机视觉, 机器学习 | 肝纤维化 | CT成像, CycleGAN | CycleGAN, 深度学习模型, 放射组学模型, 机器学习分类器 | 图像 | 410例患者的非增强和增强CT图像 | NA | CycleGAN, 端到端深度学习模型 | AUC, 准确率, 校准曲线, 决策曲线分析, DeLong检验 | NA |
| 723 | 2026-06-05 |
Deep learning for clinically significant prostate cancer detection on MRI: a systematic review, HSROC meta-analysis, and direct comparison with PI-RADS-based interpretation
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05594-y
PMID:42240646
|
综述 | 系统评价深度学习在MRI检测临床显著性前列腺癌中的诊断准确性，并与PI-RADS解读进行直接比较 | 首次对深度学习在前列腺MRI中检测csPCa进行系统综述和HSROC荟萃分析，并直接对比深度学习单独、PI-RADS单独及AI辅助联合解读三种模式的诊断效能 | 特异性异质性高、HSROC预测区域宽泛限制了合并特异性的可迁移性；缺乏前瞻性验证、校准和患者层面安全性研究 | 评估深度学习在前列腺MRI中检测临床显著性前列腺癌的诊断准确性及其临床适用性 | 基于MRI的深度学习模型检测临床显著性前列腺癌 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | MRI图像 | 36项研究共9411例患者 | NA | NA | 敏感性、特异性、阳性似然比、阴性似然比 | NA |
| 724 | 2026-06-05 |
Deep learning and eye tracking: Convolutional neural networks provide converging evidence for experience-driven attention within visual search
2026-Jun-04, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-026-03057-2
PMID:42240817
|
研究论文 | 利用卷积神经网络分析视觉搜索中的眼动追踪数据，以验证经验驱动的注意力机制 | 首次将深度学习中的卷积神经网络应用于原始眼动时间序列数据，通过分类目标位置来揭示经验驱动注意力的反射性注意分配，并跨数据集验证了模型的泛化能力 | 研究仅基于视觉搜索任务和特定数据集，可能无法推广到其他类型的眼动任务或更复杂的现实场景 | 探索深度学习是否能够帮助科学家客观地整合眼动追踪数据中被传统分析忽略的变异，并验证经验驱动的注意力在视觉搜索中的作用 | 视觉搜索中的眼动追踪数据（原始眼动位置时间序列） | 机器学习 | NA | 眼动追踪 | 卷积神经网络 | 眼动时间序列数据 | 三个视觉搜索研究的数据集（Massa et al., 2024; Grubb & Li, 2018; Doyle et al., 2025） | NA | 卷积神经网络 | 分类准确率 | NA |
| 725 | 2026-06-05 |
Decoding Occult Cervical Lymph Node Metastasis in Head and Neck Squamous Cell Carcinoma: From AI-Driven Multimodal Fusion to Clinical Translation
2026-Jun-04, Current oncology reports
IF:4.7Q1
DOI:10.1007/s11912-026-01802-6
PMID:42240903
|
综述 | 探讨多组学技术与人工智能驱动的跨尺度多模态融合在检测头颈部鳞状细胞癌隐匿性颈部淋巴结转移中的应用及其临床转化 | 将高吞吐组学数据（如全基因组DNA甲基化和空间转录组学）与传统影像组学通过深度学习模型结合，显著提升检测性能，并引入栖息地影像组学和跨模态融合网络以更精细地刻画空间肿瘤异质性和早期转移微环境演变 | 需要进一步验证以支持安全的手术降级和更个性化的治疗策略 | 解决临床淋巴结阴性头颈部鳞状细胞癌患者中隐匿性转移检测的长期挑战，平衡过度治疗与治疗不足 | 头颈部鳞状细胞癌患者，特别是临床淋巴结阴性的患者 | 机器学习, 数字病理学 | 头颈部鳞状细胞癌 | 全基因组DNA甲基化测序, 空间转录组学, 影像组学 | 深度学习模型 | 组学数据, 影像数据 | NA | NA | 栖息地影像组学网络, 跨模态融合网络 | 检测性能（具体指标未提及） | NA |
| 726 | 2026-06-05 |
Harnessing Artificial Intelligence for Regeneration of Endometrium in Asherman's Syndrome
2026-Jun-04, Tissue engineering and regenerative medicine
IF:4.4Q2
DOI:10.1007/s13770-026-00810-8
PMID:42240941
|
综述 | 本文综述了用于治疗阿舍曼综合征的子宫内膜再生策略，并探讨了人工智能在预测、分类和识别宫腔粘连中的作用 | 整合人工智能（包括机器学习和深度学习算法）预测、分类和识别宫腔粘连，并探讨其在改善生物材料性能、增强干细胞活性和优化诊断治疗策略中的作用 | 未提及具体局限性 | 批判性评估治疗阿舍曼综合征的不同治疗策略及相关问题，并探索人工智能在子宫内膜再生中的应用 | 阿舍曼综合征（宫腔粘连）及其治疗策略 | 机器学习 | 妇科疾病 | NA | 机器学习、深度学习算法 | NA | NA | NA | NA | NA | NA |
| 727 | 2026-06-05 |
Comment on "Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology"
2026-Jun-04, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-026-01386-y
PMID:42240947
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 728 | 2026-06-05 |
Smartphone-Based Proactive Self-Screening for Ocular Surface Malignancies: A Nonrandomized Clinical Trial
2026-Jun-04, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2026.1609
PMID:42240998
|
临床研究 | 开发并验证了基于智能手机的主动自筛系统，用于普通人群的眼表恶性肿瘤筛查 | 首次将智能手机成像、人工智能诊断与多媒体精准传播整合，构建了面向罕见眼表恶性肿瘤的人群级闭环移动健康筛查模式 | NA | 开发并验证一个基于智能手机、媒体辅助的人工智能系统，用于普通人群体主动自筛眼表恶性肿瘤 | 眼表恶性肿瘤（恶性和良性病变） | 计算机视觉, 机器学习 | 眼表恶性肿瘤 | 深度学习, 智能手机成像 | 深度学习模型 | 图像（智能手机拍摄图像、裂隙灯图像） | 256053 名受众，其中 614 名完成了家庭自筛 | NA | NA | AUC, 灵敏度, 特异性 | NA |
| 729 | 2026-06-05 |
De Novo Design of Miniature and Efficient Metallo-Ketoreductases
2026-Jun-03, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.6c00732
PMID:42160334
|
研究论文 | 利用深度学习指导的工作流程，从理论活性位点设计微型金属酮还原酶，实现酮类的不对称还原 | 首次通过深度学习设计出仅含130个残基的微型金属酮还原酶，实现非生物氢化物转移机制催化的酮不对称还原，并展现出高催化性能、高热稳定性和有机溶剂耐受性 | 未提及局限性 | 设计能够催化非生物转化的酶，拓展合成生物催化前沿 | 金属酮还原酶的从头设计 | 机器学习 | NA | 深度学习 | NA | 蛋白质序列数据 | NA | NA | NA | 转化数 (TON)、对映体过量 (e.e.)、底物范围、区域选择性 | NA |
| 730 | 2026-06-05 |
A Deep Learning Perspective on Preoperative Ultrasound and Intraoperative Discordance in Transcervical Fibroid Ablation
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70325
PMID:42234588
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 731 | 2026-06-05 |
A Deep Learning-Based Multimodal Nomogram for HLHS Risk Assessment: Practical Considerations
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70323
PMID:42234603
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 732 | 2026-06-05 |
GMC-Bind: A Multimodal Framework for RNA-Protein Binding Site Prediction with Bidirectional Cross-Attentional Fusion
2026-Jun-03, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3700035
PMID:42235009
|
研究论文 | 提出了一种结合多尺度窗口卷积、图注意力和双向交叉注意力机制的多模态框架GMC-Bind，用于RNA-蛋白质结合位点预测 | 通过双向交叉注意力机制实现局部序列特征与全局结构依赖的高效协同建模，并创新性地融合了多尺度卷积提取可变长度基序特征与图注意力编码RNA二级结构空间拓扑 | 未在更广泛数据集验证，且框架复杂度可能增加计算开销 | 提高RNA-蛋白质结合位点预测的准确性，以深入理解基因调控和疾病机制 | RNA-蛋白质结合位点 | 机器学习 | NA | 深度学习 | 多模态混合模型（CNN+GNN+交叉注意力） | 序列和结构数据 | RBP-24数据集（24个子数据集） | PyTorch | 多尺度卷积、图注意力网络、双向交叉注意力机制 | AUC | NA |
| 733 | 2026-06-05 |
TRIDENT: A multi-task, triple-branch deep learning framework for EEG-based recognition, severity estimation, and future high-anger prediction in an on-road Wizard-of-Oz paradigm
2026-Jun-03, Accident; analysis and prevention
DOI:10.1016/j.aap.2026.108613
PMID:42235288
|
研究论文 | 提出一个基于EEG的多任务深度学习框架TRIDENT，用于驾驶愤怒状态的识别、严重程度评估及未来高愤怒预测 | 首次在真实道路Wizard-of-Oz范式中利用EEG信号进行连续驾驶愤怒状态多任务学习，包含四类愤怒状态识别、连续严重程度估计和未来高愤怒预测三重任务，并整合多尺度时间卷积、脑网络表征与序列建模 | 样本量较小（24名参与者），脑电图特征可能受个体差异影响，未来需在更大样本和真实驾驶条件下验证 | 通过生理信号（EEG）在受控道路冲突暴露下连续建模驾驶愤怒相关的情绪状态 | 24名持证驾驶员在Wizard-of-Oz范式下经历脚本化交通冲突时采集的32通道EEG信号、自我报告及情境信息 | 机器学习 | NA | EEG, Wizard-of-Oz范式 | 多任务深度学习模型 | EEG信号, 自我报告数据, 情境信息 | 24名参与者 | PyTorch | TRIDENT (多尺度时间卷积、脑网络表示、序列建模组件) | 准确率 | NA |
| 734 | 2026-06-05 |
Domain-specific adaptation for MR image synthesis with text-guided diffusion
2026-Jun-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae7797
PMID:42235582
|
研究论文 | 提出一种基于文本引导扩散模型的域特定适配方法，用于在小规模数据集上合成高真实感的医学MR图像 | 采用分区并行文本引导潜扩散模型，结合分割掩膜和Voronoi-灰度自适应划分，实现局部纹理保留和域特定微调 | 未提及模型在不同模态或更大规模数据集上的泛化能力，以及计算资源的详细需求 | 解决医学图像数据稀缺问题，通过合成具有病理纹理特征的MR图像提升下游分割任务性能 | 脑胶质瘤MRI数据中的病变和健康区域 | 计算机视觉 | 脑胶质瘤 | MRI | 潜扩散模型 | 图像 | 未明确说明样本数量，但基于脑胶质瘤MRI数据 | NA | 潜扩散模型 | FID, SSIM, 放射组学特征分布分析, 盲测视觉图灵测试敏感性, Dice系数 | NA |
| 735 | 2026-06-05 |
Deep Learning Reconstruction in MRI: Unlocking Efficiency, Enhancing Image Quality, and Navigating Practical Limits
2026-Jun-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9404
PMID:42235965
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 736 | 2026-06-05 |
Clinical Evaluation of Deep Learning-Reconstructed Postcontrast 3D T1-Weighted Volume Interpolated Breath-Hold Examination (VIBE) Compared with Standard VIBE for Detection of Internal Auditory Canal Lesions
2026-Jun-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9189
PMID:42235966
|
研究论文 | 对比深度学习重建的对比增强后3D T1加权容积内插屏气检查（VIBE）与标准VIBE在内听道病变检测中的临床效果 | 首次在临床环境中系统评估深度学习重建VIBE序列相比标准3D VIBE在图像质量和病变检测方面的非劣效性，并实现25%扫描时间减少 | 样本量较小（74例患者），且未提及深度学习模型的具体架构和训练数据细节 | 评估深度学习重建的对比增强后VIBE序列在临床内听道病变评估中的图像质量和诊断效果 | 内听道病变的MRI图像 | 计算机视觉 | 内听道病变 | 对比增强MRI | 深度学习重建模型 | MRI图像 | 74例患者 | NA | NA | 图像质量指标（信噪比、对比噪声比、内听道特定信噪比）、结构可见性、病变增强可见性、体积测量 | NA |
| 737 | 2026-06-05 |
Diabetes Management Through Glucose Dynamics Analysis Network: A Novel Approach for Accurate Blood Glucose Level Forecasting
2026-Jun-03, Diabetes, obesity & metabolism
DOI:10.1111/dom.70930
PMID:42236259
|
研究论文 | 提出一种名为葡萄糖动力学分析网络的新型混合框架，用于准确预测血糖水平 | 结合样条插值、扩张卷积残差网络、Adamax优化和双向长短期记忆网络的混合框架，有效处理缺失值、提取时空特征并优化超参数 | 需进一步进行硬件级验证和计算效率分析才能部署到实时和可穿戴糖尿病监测系统 | 提高血糖水平预测的准确性，以改进胰岛素给药决策支持系统 | 1型糖尿病患者的血糖水平 | 机器学习 | 糖尿病 | NA | 双向长短期记忆网络, 扩张卷积残差网络 | 时间序列数据 | OhioT1DM数据集 | Adamax | DilaConv-ResNet, BiLSTM | 均方根误差, 平均绝对误差, R方, 均方误差 | NA |
| 738 | 2026-06-05 |
Association of Deep Learning-Derived Temporalis Sarcopenia with Mortality in Acute Ischemic Stroke
2026-Jun-03, The journals of gerontology. Series A, Biological sciences and medical sciences
DOI:10.1093/gerona/glag149
PMID:42236280
|
research paper | 研究深度学习从CT扫描中提取颞肌体积和密度评估急性缺血性脑卒中患者肌少症与死亡率的关系 | 首次利用深度学习模型自动从CT扫描中量化颞肌体积和密度，用于评估急性缺血性脑卒中患者的肌少症，并证明其对死亡率的增量预测价值 | 单中心回顾性研究，可能受选择偏倚影响；肌少症阈值基于50名健康成人推导，需进一步验证 | 评估深度学习衍生颞肌肌少症指标对急性缺血性脑卒中患者死亡率和住院时间的增量预测价值 | 2014至2023年连续收治的急性缺血性脑卒中患者 | machine learning | 急性缺血性脑卒中 | CT扫描 | 深度学习模型 | 影像数据 | 2285名患者（1151名女性，平均年龄74.7岁）及50名健康成人对照 | NA | NA | 校正比值比及95%置信区间 | NA |
| 739 | 2026-06-05 |
Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly
2026-Jun-03, Ultrasound in medicine & biology
|
研究论文 | 开发和评估基于深度学习的产前超声图像脑室增大检测模型 | 利用超声数据预训练的自监督基础模型USF-MAE进行微调，在产前超声图像中检测脑室增大，模型具有可解释性 | 未提及具体局限性 | 开发并评估用于产前超声图像中检测脑室增大的深度学习模型 | 胎儿脑超声图像 | 计算机视觉 | 脑室增大 | 超声成像 | Vision Transformer | 超声图像 | 预训练使用超过37万张超声图像，微调使用胎儿脑图像数据集 | PyTorch | USF-MAE, VGG-19, ResNet-50, ViT-B/16, MoCo v3 | 准确率, 精确率, 召回率, 特异度, F1分数, AUC-ROC, AUC-PR | NA |
| 740 | 2026-06-05 |
Genetic architecture of white matter microstructure captured by unsupervised deep representation learning of fractional anisotropy maps
2026-Jun-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73996-z
PMID:42236496
|
研究论文 | 提出一种无监督深度表示学习框架UDR-WM，利用全脑分数各向异性（FA）图捕捉白质微结构的遗传结构 | 无需先验解剖假设，从体素级FA图学习无监督深度成像表型（UDIP-FA），相比传统ROI方法更敏感地检测衰老效应和SNP遗传力 | NA | 研究白质微结构的遗传基础及其与脑疾病、认知功能的关联 | 白质微结构的遗传结构 | 机器学习 | 脑疾病 | 扩散磁共振成像 | 深度学习 | 图像 | NA | NA | UDR-WM | NA | NA |