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 42799 篇文献，本页显示第 7841 - 7860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7841 | 2025-12-27 |
Attention-Based Multimodal Deep Learning for Uveal Melanoma Classification Using Ultra-Widefield Fundus Images and Ocular Ultrasound
2026-Feb, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2025.100985
PMID:41439217
|
研究论文 | 本研究开发并评估了一种基于注意力机制的多模态深度学习模型，用于整合超广角眼底摄影和B超图像，以实现葡萄膜黑色素瘤和脉络膜痣的自动分类 | 首次提出结合超广角眼底摄影和B超图像，并采用注意力机制进行多模态融合，以提升葡萄膜黑色素瘤和脉络膜痣的分类性能 | 研究样本量较小（仅174名患者），且为单中心回顾性研究，可能影响模型的泛化能力 | 开发一种自动分类葡萄膜黑色素瘤和脉络膜痣的深度学习模型 | 葡萄膜黑色素瘤和脉络膜痣患者 | 数字病理学 | 葡萄膜黑色素瘤 | 超广角眼底摄影，B超成像 | 深度学习模型 | 图像 | 174名患者（93例葡萄膜黑色素瘤，81例脉络膜痣），每名患者包含超广角眼底照片和横纵两个方向的B超图像 | NA | 注意力机制融合模型 | 准确率，F1分数，AUC | NA |
| 7842 | 2025-12-27 |
GI-ScreenNet v2: A Modular Framework for Gastrointestinal Disease Detection Based on an Integrated Transfer Learning
2026-Feb, The international journal of medical robotics + computer assisted surgery : MRCAS
DOI:10.1002/rcs.70128
PMID:41449645
|
研究论文 | 本文提出GI-ScreenNet v2，一个基于集成和迁移学习的多骨干网络框架，用于胃肠道疾病检测 | 通过标准化接口支持任意骨干网络，并利用交叉注意力机制动态整合多模型特征，实现灵活且高效的表示学习 | 现有系统通常不够灵活且技术复杂，限制了临床采用 | 开发一个统一的框架，用于胃肠道疾病的早期筛查和AI辅助诊断 | 无线胶囊内窥镜（WCE）图像 | 计算机视觉 | 胃肠道疾病 | 无线胶囊内窥镜（WCE） | 集成学习, 迁移学习 | 图像 | 基于KvasirV2数据集 | NA | 多骨干网络框架 | 准确率 | NA |
| 7843 | 2025-12-27 |
Towards precision medicine for otology and neurotology: Machine learning applications and challenges
2026-Jan, Hearing research
IF:2.5Q1
DOI:10.1016/j.heares.2025.109473
PMID:41274259
|
综述 | 本文批判性地综述了2013年至2025年间机器学习和深度学习在耳科及神经耳科领域的研究应用、挑战及未来方向 | 重点强调了新兴技术（如Whisper语音识别模型、大语言模型）及其在多模态数据集（影像、听力数据、患者报告结果）整合中的应用，以改进诊断和治疗策略 | 模型缺乏标准化、泛化能力有限、多模态数据整合框架不完善，阻碍了严谨且可重复的实施 | 探索人工智能（机器学习、深度学习、大语言模型）在耳科及神经耳科精准医疗中的应用潜力，以促进基于个体数据的诊断、预后和治疗决策 | 耳鸣、人工耳蜗植入及其他耳科或神经耳科疾病 | 机器学习 | 耳科及神经耳科疾病 | NA | 机器学习, 深度学习, 大语言模型 | 多模态数据（影像、听力数据、患者报告结果） | NA | NA | Whisper | NA | NA |
| 7844 | 2025-12-27 |
3D Otoscope: toward an extra diagnostic dimension for middle-ear related issues
2026-Jan, Hearing research
IF:2.5Q1
DOI:10.1016/j.heares.2025.109485
PMID:41308561
|
研究论文 | 本文介绍了一种可工业制造的数字耳镜，旨在测量鼓膜的三维形状，同时兼容标准检查程序 | 通过集成单次表面重建策略（从经典傅里叶轮廓术到现代深度学习方法），消除了多模式投影需求，并在深度学习方法中避免了相位解缠，从而简化硬件设置 | NA | 开发一种用于鼓膜三维形状测量的数字耳镜，以评估其早期病理指标 | 鼓膜的三维形状和活动性 | 计算机视觉 | 中耳相关疾病 | 光学轮廓术 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 7845 | 2025-12-27 |
Automated high-fidelity 3D reconstruction of middle-ear ossicles from low-resolution clinical CT using a deep learning pipeline
2026-Jan, Hearing research
IF:2.5Q1
DOI:10.1016/j.heares.2025.109492
PMID:41344151
|
研究论文 | 本研究验证了一种从低分辨率临床CT图像自动生成高保真中耳听小骨3D模型的深度学习框架 | 提出了一种结合YOLOv5x、深度反向投影网络和带“提示通道”的2.5D U-Net的三阶段自动化流水线，能够从稀疏数据中鲁棒地重建完整解剖结构 | 未明确说明训练数据的具体来源和多样性，外部验证集的规模可能有限 | 开发一种快速、准确且鲁棒的自动化工具，从标准临床CT生成患者特异性的中耳听小骨3D模型 | 中耳听小骨（ossicles） | 医学影像分析 | 耳科疾病 | 临床CT成像 | 深度学习 | CT图像 | 未明确说明具体样本数量，但提及使用了外部推理集进行验证 | 未明确说明，但提及YOLOv5x、DBPN、U-Net等架构 | YOLOv5x, Deep Back-Projection Network (DBPN), 2.5D U-Net | mAP50, Dice系数, 平均表面距离 | 未明确说明具体计算资源 |
| 7846 | 2025-12-27 |
Lower Limb Joints Torques Continuous Estimate Model Based on Muscle Synergy for Patients With Motor Dysfunction
2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3645234
PMID:41411354
|
研究论文 | 本研究为下肢运动功能障碍患者开发了一种基于肌肉协同作用的关节扭矩连续估计模型，用于康复外骨骼机器人的辅助控制 | 结合肌肉协同理论和深度学习，在神经控制层面建立了肌电信号与关节扭矩的关系模型，并采用对抗迁移学习优化模型以适应长期使用 | 仅涉及八名患者，样本量较小，且仅针对髋关节和膝关节进行评估 | 为康复外骨骼机器人提供准确可靠的下肢关节扭矩估计，以实现按需辅助控制 | 下肢运动功能障碍患者 | 机器学习 | 运动功能障碍 | 表面肌电图 | 深度学习 | 肌电信号 | 八名下肢运动功能障碍患者 | NA | 自注意力机制 | 决策系数 | NA |
| 7847 | 2025-12-27 |
Assessing the relation between protein phosphorylation, AlphaFold3 models, and conformational variability
2026-Jan, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70376
PMID:41432299
|
研究论文 | 本文系统评估了AlphaFold模型（包括AF2、AF3-non phospho和AF3-phospho）在预测磷酸化诱导的蛋白质结构多样性方面的能力 | 首次系统评估AlphaFold模型（特别是AF3-phospho）在捕捉磷酸化驱动的构象变化方面的表现，揭示了其局限性 | 所有模型主要与主导结构状态对齐，往往未能捕捉磷酸化特异性构象，AF3-phospho预测仅提供有限改进 | 评估深度学习模型（特别是AlphaFold）预测磷酸化诱导的蛋白质结构变化的能力 | 蛋白质及其磷酸化修饰 | 机器学习 | 癌症,阿尔茨海默病 | 深度学习,蛋白质结构预测 | AlphaFold (AF2, AF3) | 蛋白质结构数据,实验构象集合 | NA | NA | AlphaFold2, AlphaFold3 | NA | NA |
| 7848 | 2025-12-27 |
Assessing the validity of leucine zipper constructs predicted by AlphaFold
2026-Jan, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70438
PMID:41432297
|
研究论文 | 本研究评估了AlphaFold预测的亮氨酸拉链结构域的有效性，特别是针对AP-1转录因子如Fos和Jun的二聚体 | 利用超过2000个实验验证的人类亮氨酸拉链数据，首次系统评估AlphaFold在预测亮氨酸拉链二聚体界面及区分可能/不可能二聚体方面的能力 | AlphaFold可能高置信度预测出在体内因静电排斥而无法形成的二聚体（如FosB同源二聚体），揭示了其高置信度但低准确性的预测案例 | 评估AI驱动的蛋白质结构预测方法（如AlphaFold）在亮氨酸拉链结构域建模中的有效性和局限性 | AP-1转录因子（如Fos和Jun）的亮氨酸拉链结构域及超过2000个人类亮氨酸拉链 | 结构生物学 | NA | AlphaFold2, AlphaFold3, 蛋白质结构预测 | 深度学习 | 氨基酸序列, 多序列比对 | 超过2000个实验验证的人类亮氨酸拉链 | AlphaFold | AlphaFold2, AlphaFold3 | NA | NA |
| 7849 | 2025-12-27 |
Automated detection of zygomatic fractures on spiral computed tomography using a deep learning model
2026-Jan, International journal of oral and maxillofacial surgery
IF:2.2Q2
DOI:10.1016/j.ijom.2025.07.007
PMID:40774874
|
研究论文 | 本研究评估了YOLOv8深度学习模型在自动检测颧骨骨折方面的性能 | 首次将YOLOv8模型应用于颧骨骨折的自动检测，并针对七种骨折类型进行了详细性能评估 | 研究未提及模型在其他数据集或临床环境中的泛化能力，且样本来源单一 | 评估深度学习模型在自动检测颧骨骨折方面的准确性和有效性 | 颧骨骨折的计算机断层扫描图像 | 计算机视觉 | 颧骨骨折 | 螺旋计算机断层扫描 | YOLOv8 | 图像 | 13,988个轴向切片和14,107个冠状切片 | NA | YOLOv8 | 准确率, 召回率, 平均精度, F1分数, AUC | NA |
| 7850 | 2025-12-27 |
Intelligent deconvolution algorithm for mixed STR profiles based on locus association modeling
2025-Dec-26, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-025-03677-x
PMID:41449255
|
研究论文 | 提出一种基于深度学习的位点关联建模方法，用于改进混合STR谱图的反卷积分析 | 首次将深度学习用于捕获STR位点间的统计关联性，并将其与全连续模型结合以提升混合谱图解析精度 | 跨测序平台迁移时性能显著下降，需依赖多平台混合训练提升泛化能力 | 提升法医DNA混合样本中个体识别的准确性与可靠性 | 短串联重复序列（STR）混合谱图 | 机器学习 | NA | STR分型，DNA测序 | 深度学习模型 | STR谱图数据 | 基于PROVEDIt数据集进行实验验证 | NA | NA | 准确率 | NA |
| 7851 | 2025-12-27 |
Accurate Lung Cancer Prediction From CT Scans Using Advanced Deep Learning Methods
2025-Dec-26, American journal of clinical oncology
DOI:10.1097/COC.0000000000001286
PMID:41449566
|
研究论文 | 本文提出了一种基于高级深度学习的多阶段框架，用于从CT扫描中准确预测肺癌 | 创新性地结合了混合图卷积网络、条件随机场、胶囊网络、孪生神经网络、混合深度自编码器以及混合CNN-Transformer模型与图神经网络，以提升图像分割和特征提取的精度 | 未明确提及研究的具体局限性，如数据集的多样性或模型泛化能力 | 通过高级深度学习技术提高肺癌的早期诊断准确性和治疗效果 | CT扫描中的肺部区域和恶性病变 | 计算机视觉 | 肺癌 | CT扫描 | GCN, CRF, CapsNet, Siamese Neural Network, Hybrid Deep Autoencoder, CNN, Transformer, GNN | 图像 | NA | Python | 混合CNN-Transformer模型, 图神经网络 | 准确率 | NA |
| 7852 | 2025-12-27 |
Integrating Genomic Data and Imaging in Lung Cancer Prediction Using a Hybrid Deep Learning Approach
2025-Dec-26, American journal of clinical oncology
DOI:10.1097/COC.0000000000001288
PMID:41449569
|
研究论文 | 本研究开发了一种混合深度学习模型，通过整合基因组数据和影像数据来提高肺癌预测的准确性 | 提出了一种结合基因组数据和影像数据的混合深度学习模型，并采用Inception-ResNet-v2架构，以解决基因组数据高维复杂性和过拟合问题 | 未整合其他多模态数据源（如电子健康记录和生活方式因素），未来可进一步扩展 | 开发一种有效的肺癌预测方法，以提高诊断准确性和促进早期检测 | 肺癌患者 | 数字病理学 | 肺癌 | 基因组测序，CT成像，DCE成像 | CNN | 图像，基因组数据 | 使用LIDC-IDRI数据集，具体样本数量未明确说明 | Python | Inception-ResNet-v2 | 准确率 | NA |
| 7853 | 2025-12-27 |
Recognizing uric acid type of urinary stones by deep learning
2025-Dec-26, Urolithiasis
IF:2.0Q2
DOI:10.1007/s00240-025-01922-x
PMID:41452376
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7854 | 2025-12-27 |
Beyond gas bubbles: AI analysis of the "bubble bed" microenvironment improves diagnosis of infected abdominal collections
2025-Dec-26, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05260-9
PMID:41452460
|
研究论文 | 本研究开发并验证了一种基于非增强CT的全自动AI模型（BUBBLE-AI），用于提高腹腔内液体聚集（IAFCs）感染的诊断准确性 | 提出了创新的“气泡床”概念，通过分析气体气泡周围的炎症微环境，结合深度学习和放射组学特征，显著提升了诊断性能 | 研究为回顾性设计，可能存在选择偏倚；外部测试集规模相对较小（n=80） | 开发并验证一种全自动AI模型，以改进腹腔内液体聚集（IAFCs）感染的诊断准确性 | 腹腔内液体聚集（IAFCs）患者 | 医学影像分析 | 腹腔感染 | 非增强计算机断层扫描（CT） | 深度学习模型 | CT图像 | 797名经培养确认的IAFCs患者（训练集637人，验证集80人，外部测试集80人） | NA | BUBBLE-AI（基于气泡床概念的自定义架构） | AUC（曲线下面积） | NA |
| 7855 | 2025-12-27 |
Research progress of deep learning based on magnetic resonance imaging in meningioma
2025-Dec-26, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01307-6
PMID:41452563
|
综述 | 本文综述了基于磁共振成像（MRI）的深度学习在脑膜瘤中的研究进展，分析了其优势、局限性和临床转化中的关键问题 | 总结了深度学习在脑膜瘤影像分析中的突破性进展，通过客观定量分析方法克服了传统依赖主观视觉判断的诊断局限 | NA | 为相关医学研究者和临床医生提供技术参考，促进深度学习在临床诊疗中更快、更规范地应用，最终使患者受益 | 脑膜瘤 | 数字病理学 | 脑膜瘤 | 磁共振成像（MRI） | CNN, Transformer | 图像 | NA | NA | NA | NA | NA |
| 7856 | 2025-12-27 |
A deep learning-based pachychoroid index based on choroidal image patterns of central serous chorioretinopathy using enhanced-depth-imaging optical coherence tomography
2025-Dec-26, Japanese journal of ophthalmology
IF:2.1Q2
DOI:10.1007/s10384-025-01312-1
PMID:41452567
|
研究论文 | 本研究开发并评估了一种基于深度学习的厚脉络膜指数（HUPI），用于从增强深度成像光学相干断层扫描（EDI-OCT）图像中量化厚脉络膜谱系疾病的特征 | 首次提出基于深度学习的厚脉络膜指数（HUPI），通过修改的LeNet模型从脉络膜图像模式中自动提取特征，作为厚脉络膜谱系疾病的代表性指标 | 单中心、回顾性、观察性研究，样本量相对较小（37只CSC眼和40只正常眼用于训练和验证），可能限制结果的泛化性 | 开发并评估一种基于深度学习的定量指标，用于区分厚脉络膜谱系疾病（如中心性浆液性脉络膜视网膜病变）与正常眼睛 | 中心性浆液性脉络膜视网膜病变（CSC）患者和正常对照者的眼睛 | 数字病理学 | 中心性浆液性脉络膜视网膜病变 | 增强深度成像光学相干断层扫描（EDI-OCT） | CNN | 图像 | 训练和验证使用37只CSC眼和40只正常眼；评估使用69只急性CSC眼、35只恢复期CSC眼、86只CSC对侧眼和100只正常眼 | NA | 修改的LeNet | AUC, 敏感性, 特异性 | NA |
| 7857 | 2025-12-27 |
TTG-U-Net: An Interpretable and Efficient Framework for Multi-Modal Brain Tumor Segmentation Enabling Clinically-Aligned Decision Support
2025-Dec-25, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3648379
PMID:41447494
|
研究论文 | 本文提出了一种名为TTG-U-Net的新型、可解释且高效的多模态脑肿瘤分割框架，旨在弥合模型性能与临床可解释性及效率之间的差距 | 该框架通过三个协同组件提供集成解决方案：1) 显式建模模态间依赖关系的跨模态Transformer，生成可作为模型推理透明视觉审计轨迹的注意力图；2) 自适应正则化模型并减少计算占用的动态低秩张量分解；3) 学习透明信息路由策略的模态自适应门控机制，模仿既定的放射学原理 | NA | 解决医疗可解释人工智能（XAI）领域的关键空白，开发一种能够透明且高效融合多模态MRI异质信息的集成方法，以促进人工智能在临床工作流程中的整合 | 多模态MRI图像中的脑肿瘤 | 数字病理学 | 脑肿瘤 | 多模态MRI | 深度学习 | 图像 | NA | NA | TTG-U-Net, U-Net, Transformer | Dice系数 | NA |
| 7858 | 2025-12-27 |
Computed Tomography-Pathology Deep Learning Model for the Precise Prediction of Recurrence in Pathological Stage IA Lung Adenocarcinoma
2025-Dec-25, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-025-18946-7
PMID:41449240
|
研究论文 | 本研究开发并验证了一种结合术前CT图像和病理分级的深度学习模型，用于精确预测病理IA期肺腺癌患者的术后复发风险 | 提出了新颖的ResNet 3D-Pathology Fusion模型，通过三维ResNet骨干网络与图像-病理融合模块的集成，实现了对传统TNM分期和IASLC分级的性能超越 | 研究为单中心回顾性分析，样本量相对有限，且模型性能需在外部多中心队列中进一步验证 | 开发精确的深度学习模型以改善病理IA期肺腺癌患者的术后复发预测和风险分层 | 病理IA期肺腺癌患者 | 数字病理 | 肺癌 | 深度学习，计算机断层扫描，病理分级 | CNN | 图像 | 551名患者（训练集368例，验证集183例） | NA | ResNet | AUC | NA |
| 7859 | 2025-12-27 |
ALyzer3D.AI: a more generalizable deep learning predictor of light chain amyloidogenicity powered by structural and evolutionary Artificial Intelligence
2025-Dec-25, Amyloid : the international journal of experimental and clinical investigation : the official journal of the International Society of Amyloidosis
IF:5.2Q1
DOI:10.1080/13506129.2025.2605534
PMID:41449923
|
研究论文 | 开发了一个名为ALyzer3D.AI的多模态深度学习架构，用于预测免疫球蛋白轻链的淀粉样变性风险 | 整合了来自ESM-2蛋白质语言模型的进化特征、ColabFold的结构指标以及工程化的生物物理特征，提高了对新患者数据的泛化能力 | NA | 预测淀粉样轻链（AL）淀粉样变性中免疫球蛋白轻链的淀粉样变性风险 | 免疫球蛋白轻链序列 | 自然语言处理 | 淀粉样轻链（AL）淀粉样变性 | 蛋白质语言模型（ESM-2）、结构预测（ColabFold） | 深度学习 | 蛋白质序列 | 5261个序列 | NA | 多模态深度学习架构 | 准确率, AUC | NA |
| 7860 | 2025-12-27 |
Preliminary Exploration of Discriminative Correlation Filter Network for Real-time Tracking of Inconspicuous Focal Liver Lesions on Conventional Ultrasound
2025-Dec-24, Ultrasound in medicine & biology
|
研究论文 | 本研究探索了基于判别相关滤波网络（DCFNet）的算法在常规超声中通过跟踪周围解剖标志来定位不明显局灶性肝病变的可行性 | 利用DCFNet框架同时跟踪多个周围解剖标志，实现实时超声下不明显局灶性肝病变的定位，并指导穿刺或消融 | 研究为初步探索，需要进一步大规模验证临床可行性 | 探索DCFNet算法在常规超声中实时跟踪不明显局灶性肝病变的可行性 | 超声可见和超声不可见的肝脏肿瘤模型，以及初步临床病例 | 计算机视觉 | 肝脏病变 | 超声成像 | DCFNet | 超声图像 | 20个超声可见模型、20个超声不可见模型及初步临床病例 | DCFNet | DCFNet | 匹配准确率、精度、位置误差、穿刺成功率、指导时间 | NA |