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 7761 - 7780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7761 | 2026-03-06 |
Rolling convolution filters for lightweight neural networks in medical image analysis
2026-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.2.024501
PMID:41783539
|
研究论文 | 本文提出了一种称为滚动卷积滤波器的设计元素，用于开发医学图像分析中的轻量级卷积神经网络，旨在降低模型复杂性和内存占用而不影响性能 | 通过通道级滚动操作在单个基础滤波器上生成独特滤波器，限制可学习参数，从而显著减少参数数量和模型大小 | NA | 开发轻量级卷积神经网络以降低模型复杂性和内存需求，适用于资源受限的医学成像环境 | 医学图像分析任务，包括重建、分割和分类，涉及MRI、CT和OCT模态 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | NA | NA | 滚动卷积滤波器 | 性能误差，参数减少倍数，模型大小减少倍数 | NA |
| 7762 | 2026-03-06 |
Deep learning-based MRI segmentation for substantia nigra in Parkinson's disease with cognitive impairment
2026-Feb-28, Parkinsonism & related disorders
IF:3.1Q2
DOI:10.1016/j.parkreldis.2026.108260
PMID:41780488
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于在神经黑色素敏感MRI上分割帕金森病伴认知障碍患者的黑质致密部，并探索其与临床症状的关联 | 首次将SA-U2Net模型应用于神经黑色素敏感MRI的黑质致密部自动分割，并揭示了黑质致密部面积与帕金森病伴认知障碍患者疲劳严重程度的特异性独立关联 | 研究为单中心横断面设计，样本量有限，其他关联性需要在多中心纵向研究中进一步验证 | 开发可扩展的影像学生物标志物，用于帕金森病伴认知障碍的临床分层 | 帕金森病伴认知障碍患者、帕金森病不伴认知障碍患者和健康对照者 | 数字病理学 | 帕金森病 | 神经黑色素敏感MRI | 深度学习 | MRI图像 | 156名参与者（53名PD-CI, 53名PD-NCI, 50名HC） | NA | SA-U2Net | 与手动分割的一致性 | NA |
| 7763 | 2026-03-06 |
Thermal signatures in breast cancer: Deciphering latent biomarkers through deep learning and explainable AI
2026-Feb-26, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2026.104426
PMID:41780328
|
研究论文 | 本研究开发了一种基于卷积神经网络和可解释AI的深度学习模型，用于分析乳腺热成像图像以检测乳腺癌 | 将深度学习与可解释AI（SHAP）相结合应用于乳腺热成像分析，提高了模型诊断性能与决策过程的可解释性 | 热成像在乳腺癌诊断中应用不足，公开数据集有限 | 开发基于机器学习的模型以提高乳腺癌早期检测的准确性和可及性 | 乳腺热成像图像 | 计算机视觉 | 乳腺癌 | 热成像 | CNN | 图像 | Visual DMR数据集中的多视角乳腺热成像图像 | NA | VGG16 | 准确率, AUROC, F1分数, 精确率, 敏感度 | NA |
| 7764 | 2026-03-06 |
Scalable physics-informed deep generative model for solving forward and inverse stochastic differential equations
2026-Feb-24, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108770
PMID:41780285
|
研究论文 | 提出一种可扩展的物理信息深度生成模型（sPI-GeM），用于求解具有高维随机和空间空间的随机微分方程的正反问题 | 提出一种结合物理信息基网络（PI-BasisNet）和物理信息深度生成模型（PI-GeM）的可扩展框架，首次解决了现有深度学习模型难以处理高维空间空间随机微分方程的问题 | 未明确说明模型在极端高维情况下的计算效率限制或对特定类型随机过程的适用性边界 | 开发可扩展的深度学习模型以解决高维随机和空间空间的随机微分方程问题 | 随机微分方程的正反问题求解，包括高斯和非高斯随机过程的近似 | 机器学习 | NA | 物理信息深度学习，随机微分方程数值求解 | 深度生成模型 | 数值模拟数据 | NA | NA | PI-BasisNet, PI-GeM | 准确性 | NA |
| 7765 | 2026-03-06 |
OPU-NET-DADENA: Optimized deep learning ensemble with u-net segmentation for early detection of diabetic retinopathy
2026-Feb-18, Microvascular research
IF:2.9Q2
DOI:10.1016/j.mvr.2026.104923
PMID:41720334
|
研究论文 | 提出一种基于优化深度学习集成和U-Net分割的新方法，用于糖尿病视网膜病变的早期检测 | 提出了一种名为OPU-NET-DADENA的新方法，集成了优化的U-Net分割、残差注意力EfficientNet特征提取、混合爬行动物搜索算法特征选择以及DarkNet、DenseNet 201和NasNetMobile的集成检测模型 | 未明确说明样本来源、数据集大小或模型计算资源需求 | 开发高效的早期糖尿病视网膜病变诊断系统 | 糖尿病患者的视网膜图像 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | CNN, 集成模型 | 图像 | NA | MATLAB | U-Net, EfficientNet, DarkNet, DenseNet, NasNetMobile | 准确率, 精确率, F分数, 特异性, 敏感性, MCC, NPV, FPR, FNR | NA |
| 7766 | 2026-02-16 |
Fuel-driven hybrid deep learning model for forecasting finger millet prices
2026-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34947-8
PMID:41690993
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7767 | 2026-03-06 |
Enhancing Estimation of Fine Particulate Matter Chemical Composition across North America by Including Geophysical A Priori Information in Deep Learning with Uncertainty Quantification
2026-Feb-13, ACS ES&T air
DOI:10.1021/acsestair.5c00251
PMID:41709986
|
研究论文 | 本研究通过结合地球物理先验信息开发深度学习模型，提升了北美地区细颗粒物化学组成的估计精度，并进行了不确定性量化 | 引入地球物理先验信息（如化学传输模型数据）到CNN中，显著提高了模型在偏远地区的性能；提出了BLISCO空间交叉验证方法，以更准确地评估模型外推能力和不确定性 | 传统空间交叉验证可能因地面监测站的空间自相关性而高估性能并低估不确定性；海盐成分的估计性能相对较低（R²=0.37） | 改进北美地区细颗粒物总质量浓度及其化学组成的估计，以支持环境管理和健康影响研究 | 北美地区的细颗粒物（PM）及其化学成分（硫酸盐、硝酸盐、铵盐、有机物、黑碳、粉尘、海盐） | 机器学习 | NA | 卫星遥感、模拟数据和监测站数据整合 | CNN | 多源地球物理数据（卫星、模拟、监测） | 2000年至2023年间的月度数据，覆盖北美地区 | NA | 卷积神经网络 | R²（决定系数） | NA |
| 7768 | 2026-03-06 |
Deep learning-based non-invasive profiling of tumor transcriptomes from cell-free DNA for precision oncology
2026-Feb-12, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.10.705188
PMID:41726945
|
研究论文 | 本文介绍了Triton和Proteus，一种基于深度学习的非侵入性方法，用于从cfDNA中预测肿瘤转录组，以支持精准肿瘤学应用 | 开发了Triton用于cfDNA的片段组学和核小体分析，以及Proteus多模态深度学习框架，能够在标准深度全基因组测序下预测单基因表达，实现转录组范围的分析 | 未明确说明模型在更广泛癌症类型或更大样本中的泛化能力，以及临床验证的深度 | 开发非侵入性工具，从cfDNA中预测肿瘤转录组，用于精准肿瘤学，如癌症监测和治疗指导 | 细胞游离DNA（cfDNA），特别是循环肿瘤DNA（ctDNA），来自患者来源异种移植（PDX）和四个患者队列 | 机器学习 | 癌症 | 全基因组测序（WGS），RNA-Seq | 深度学习 | DNA测序数据 | 涉及患者来源异种移植（PDX）和四个患者队列的cfDNA样本，具体数量未明确 | NA | 多模态深度学习框架（Proteus） | 准确性，基因通路富集分数预测准确性 | NA |
| 7769 | 2026-02-12 |
Development and validation of a deep learning model for identifying high-quality laryngoscopic images
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38252-w
PMID:41667718
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7770 | 2026-03-06 |
Deep learning enabled pseudonymization for preserving data privacy of financial identifiers in public documents in India
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39309-6
PMID:41667731
|
研究论文 | 本文提出了一种基于全卷积神经网络的伪匿名化框架，用于保护印度公共文档中手写签名的数据隐私 | 首次针对公开文档中的手写签名提出伪匿名化方法，采用集成可微分输出解码的SuperPoint架构，在保护敏感数据的同时保持文档可用性 | 研究仅针对印度PAN卡文档，未涉及其他类型政府文档或不同国家的应用场景 | 开发一种保护公共文档中手写签名隐私的伪匿名化技术，支持可追溯的身份保护 | 印度政府颁发的永久账户号码（PAN）卡中的手写签名 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 500多张真实世界PAN卡 | NA | SuperPoint | 精确率, 召回率, SSIM, 运行时间效率, 空间开销 | NA |
| 7771 | 2026-02-12 |
Integrating deep learning with physics based modeling enables high precision antibody antigen interface prediction
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39466-8
PMID:41667775
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7772 | 2026-03-06 |
Ninja optimization algorithm based ultra wideband antenna electromagnetic band gap modeling via a generative adversarial network
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39068-4
PMID:41656364
|
研究论文 | 本文提出了一种集成生成对抗网络与忍者优化算法的智能预测框架，用于精确建模和预测超宽带天线电磁带隙结构的电磁性能 | 将对抗性学习与基于忍者优化算法的优化相结合，以提高天线-电磁带隙系统代理建模的准确性和鲁棒性 | NA | 为超宽带天线电磁带隙结构的设计和优化建立高效、可扩展、高精度的建模途径 | 超宽带天线电磁带隙结构 | 机器学习 | NA | NA | GAN, LSTM, GRU, RNN, ANN | NA | NA | NA | GAN, LSTM, GRU, RNN, ANN | 均方误差, 均方根误差, 决定系数 | NA |
| 7773 | 2026-02-11 |
Non-local attention enhanced deep learning for robust cyberattack detection in industrial IoT-based SCADA systems
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37146-1
PMID:41663554
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7774 | 2026-02-11 |
Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer's disease
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38220-4
PMID:41663727
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7775 | 2026-03-06 |
Plasmonic artificial inspector for herbal medicines via surface-enhanced Raman spectroscopy and deep learning
2026-Feb-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38497-5
PMID:41644682
|
研究论文 | 本研究提出了一种基于表面增强拉曼光谱（SERS）和深度学习（DL）的等离子体人工草药检查器，用于草药的安全监测 | 通过SERS与DL的协同集成，实现了对35种外观相似或同属草药的高准确度（约95%）自动化区分，为传统感官检查提供了高效可靠的辅助方法 | 未明确提及样本量的具体限制、模型泛化能力或在实际应用环境中的验证情况 | 开发一种高效可靠的草药安全监测辅助工具，以替代或补充传统劳动密集型的感官检查 | 草药样本，特别是外观相似或属于同一属的35种不同草药物种 | 机器学习 | NA | 表面增强拉曼光谱（SERS） | 深度学习模型 | 光谱数据（SERS光谱） | 涉及35种草药物种，但未提供具体样本数量 | NA | NA | 准确度 | NA |
| 7776 | 2026-03-06 |
Data-efficient learning for accurate identification of MAPK1 inhibitors using an active meta-deep learning framework
2026-Feb-03, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01159-9
PMID:41634737
|
研究论文 | 本研究提出了一种数据高效的活动元深度学习框架，用于预测MAPK1抑制剂，以解决药物发现中实验数据有限的问题 | 结合主动学习与一个由四种深度学习架构组成的元模型，显著提升了在有限训练数据下的预测性能 | NA | 开发一种数据高效的框架，用于准确识别MAPK1抑制剂，以加速癌症相关药物发现 | MAPK1抑制剂分子 | 机器学习 | 癌症 | 分子对接 | CNN, 注意力机制, GCN, GNN-注意力 | 分子描述符, 图表示 | NA | NA | 卷积神经网络, 注意力机制, 图卷积网络, 图神经网络-注意力 | AUPRC, MCC, 平衡准确度 | NA |
| 7777 | 2026-03-06 |
Predicting Traumatic Brain Injury Post-Trauma Using Temporal Attention on Sleep-Wake Data
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3592009
PMID:40705576
|
研究论文 | 本研究利用深度学习模型分析创伤后7天内的睡眠/觉醒数据，以预测创伤性脑损伤 | 首次将时间注意力机制应用于创伤后睡眠/觉醒数据，并确定了创伤后7天为识别TBI的最佳时间窗口 | 模型特异性较低（7天数据仅25%），样本量虽大但仅限于急诊科患者 | 探索睡眠/觉醒行为作为创伤性脑损伤生物标志物的潜力，并确定最佳监测时间窗口 | 2000多名急诊科患者（包括GFAP生物标志物确诊的TBI阳性与阴性病例） | 机器学习 | 创伤性脑损伤 | 睡眠/觉醒行为监测，血液生物标志物检测（GFAP） | 深度学习模型（含时间注意力机制） | 时间序列数据（每日纵向睡眠/觉醒记录） | 超过2000名急诊科患者 | 未明确说明 | 未明确说明具体架构，但包含时间注意力机制 | 灵敏度，特异性，F1分数 | NA |
| 7778 | 2026-03-06 |
Diagnostic performance of deep learning for predicting glioma isocitrate dehydrogenase and 1p/19q co-deletion in MRI: a systematic review and meta-analysis
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11898-2
PMID:40817944
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了基于深度学习的影像组学模型利用MRI序列无创预测胶质瘤患者IDH突变和1p/19q共缺失状态的诊断性能，并识别了影响准确性和泛化性的方法学因素 | 首次对基于深度学习的MRI影像组学模型在预测胶质瘤IDH突变和1p/19q共缺失状态方面的诊断性能进行了全面的系统综述和荟萃分析，并识别了肿瘤分割方法和深度学习在影像组学流程中的整合程度是研究间异质性的重要来源 | 研究纳入的文献存在异质性，临床转化仍需多中心数据协调、标准化自动分割、广泛的外部验证和前瞻性临床验证等关键步骤 | 评估基于深度学习的影像组学模型在胶质瘤分子分类中的诊断性能，并探讨影响其准确性的方法学因素 | 胶质瘤患者的MRI影像数据 | 数字病理学 | 胶质瘤 | MRI | 深度学习模型 | 医学影像（MRI） | 来自1517篇独特出版物，其中104篇用于定性综合，72篇用于荟萃分析 | NA | NA | 敏感性, 特异性 | NA |
| 7779 | 2026-03-06 |
Deep learning-based radiomics does not improve residual cancer burden prediction post-chemotherapy in LIMA breast MRI trial
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11801-z
PMID:40770139
|
研究论文 | 本研究评估了基于深度学习的放射组学在预测局部晚期乳腺癌新辅助化疗后残留癌症负担方面的附加价值，并与标准预测因子（肿瘤体积和亚型）进行比较 | 首次在LIMA试验中比较了三种深度学习网络（nnU-Net、Attention U-net和向量量化编码器-解码器）提取的深度放射组学特征与肿瘤体积和亚型在预测残留癌症负担方面的性能 | 研究为回顾性设计，样本量有限（训练集105例，测试集41例），且未观察到深度学习模型与标准预测因子之间存在统计学显著差异 | 评估深度放射组学在预测乳腺癌新辅助化疗后残留癌症负担方面的潜在附加价值 | 局部晚期乳腺癌患者在新辅助化疗后但手术前的MRI影像 | 数字病理学 | 乳腺癌 | DCE-MRI（动态对比增强磁共振成像） | CNN | 医学影像（MRI） | 训练集105例（单机构），测试集41例（三机构外部验证） | PyTorch | nnU-Net, Attention U-net, 向量量化编码器-解码器 | AUC（曲线下面积）, Spearman相关系数 | NA |
| 7780 | 2026-03-06 |
Scanner-integrated reconstruction versus post-processing deep learning for low-count 18F-FDG PET/CT: a comparative clinical evaluation
2026-Jan-31, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00841-z
PMID:41619102
|
研究论文 | 本研究比较了两种用于低计数18F-FDG PET/CT的深度学习方法：扫描仪集成的重建级方法（DPR）和图像域后处理增强方法（POST），评估了它们在图像质量、病灶检测和扫描时间减少方面的表现 | 首次在临床环境中直接比较了扫描仪集成重建与后处理深度学习两种低计数PET/CT方法的性能，并预设了非劣效性边界进行定量评估 | 研究样本量有限（67例患者），且仅针对18F-FDG PET/CT，未涵盖其他示踪剂或更广泛的临床场景 | 评估和比较两种深度学习方法在低计数PET/CT中的图像质量和诊断性能，以实现扫描时间减少 | 67例接受全身18F-FDG PET/CT检查的患者 | 医学影像分析 | 癌症（未特指具体类型） | 18F-FDG PET/CT成像，有序子集期望最大化（OSEM）重建 | 深度学习 | PET/CT图像 | 67例患者 | NA | 深度渐进重建（DPR），RaDynPET（POST） | Likert量表评分，信噪比（SNR），肿瘤背景比（TBR），对比噪声比（CNR），Lin一致性相关系数（CCC），Bland-Altman分析 | NA |