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 44199 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2026-05-19 |
Multimodal combined model integrating 2.5D deep learning and habitat radiomics for malignancy discrimination in ≤2 cm BI-RADS 4 breast lesions
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1-2812
PMID:42147917
|
研究论文 | 开发并外部验证一个多模态融合模型，整合临床超声、生境影像组学和2.5D深度学习，以改善≤2cm BI-RADS 4类乳腺病变的恶性鉴别 | 首次将2.5D深度学习与生境影像组学结合，构建ABVS和SE双模态融合模型，显著提升≤2cm BI-RADS 4病变的恶性判别性能，并进行了严格的外部验证 | 回顾性设计、样本量有限、仅纳入双中心数据、未评估模型对患者管理及活检率的实际影响 | 改善≤2cm BI-RADS 4类乳腺病变的恶性鉴别，减少不必要活检 | ≤2cm BI-RADS 4类乳腺病变 | 医学影像分析 | 乳腺癌 | 自动乳腺容积扫描(ABVS)、应变弹性成像(SE) | 深度学习(2.5D和2D)模型、影像组学-生境模型 | 超声图像 | 686名女性（训练集368例，内部验证集158例，外部测试集160例） | NA | 2.5D深度学习模型、2D深度学习模型 | AUC、校准曲线、Brier分数、决策曲线分析 | NA |
| 62 | 2026-05-19 |
Evaluation of optimal ClearInfinity artificial intelligence deep learning reconstruction algorithm weights with a 70-kVp tube voltage combined with "dual-low" abdominal computed tomography angiography
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1-2589
PMID:42147944
|
研究论文 | 评估70-kVp管电压结合“双低”腹部CT血管成像中ClearInfinity人工智能深度学习重建算法权重的最优设置 | 首次系统评估不同ClearInfinity深度学习重建权重在70-kVp低管电压和低对比剂剂量条件下的腹部CTA图像质量，发现90%权重可实现显著辐射剂量降低并保持诊断性血管图像质量 | 未提及具体局限性 | 评估70-kVp腹部CTA协议结合ClearInfinity深度学习重建算法在不同权重水平下的图像质量和辐射剂量 | 100名接受腹部CTA检查的患者，分为A组（70-kVp低剂量组）和B组（常规100-kVp标准剂量组） | 医学影像 | 腹部血管疾病 | CT血管成像，深度学习重建算法（ClearInfinity） | 深度学习重建算法 | CT图像 | 100名患者 | NA | ClearInfinity（深度学习重建模型） | CT衰减值，图像噪声（SD），信噪比（SNR），对比噪声比（CNR），主观图像质量评分，辐射剂量参数（CTDIvol、DLP、ED） | NA |
| 63 | 2026-05-19 |
A fusion model of deep learning and conventional features based on computed tomography angiography of carotid plaque for predicting the risk of acute ischemic stroke
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1-2688
PMID:42147943
|
研究论文 | 开发并验证了一种融合临床风险因素、影像特征与Swin Transformer深度学习特征的颈动脉斑块CTA融合模型，用于预测急性缺血性卒中风险 | 首次将Swin Transformer提取的颈动脉斑块CTA影像特征与常规临床及影像特征融合，构建多模态预测模型，显著优于传统方法，并利用SHAP和Grad-CAM增强模型可解释性 | 回顾性研究设计、样本量有限（264例）、单一中心数据，可能限制模型的泛化能力 | 开发并验证一个集成临床风险因素、影像特征与Swin Transformer深度学习特征的融合模型，用于预测同侧急性缺血性卒中风险 | 颈动脉粥样硬化患者的颈动脉斑块计算机断层扫描血管造影（CTA）图像、临床风险因素及影像特征 | 计算机视觉, 数字病理学 | 急性缺血性卒中, 颈动脉粥样硬化 | 计算机断层扫描血管造影（CTA）, 磁共振成像（MRI） | 深度学习模型（DenseNet121, Swin Transformer） | 图像（CTA）, 临床数据（风险因素）, 影像特征 | 264例颈动脉粥样硬化患者，分为训练集（184例）和测试集（80例） | PyTorch | DenseNet121, Swin Transformer | AUC, 决策曲线分析（DCA）, 校准曲线, SHAP, Grad-CAM | NA |
| 64 | 2026-05-19 |
Artificial Intelligence in Botulinum Toxin Injections: A Mini-Review of Current Applications, Challenges, and Translational Perspectives
2026-May, Cureus
DOI:10.7759/cureus.108898
PMID:42148194
|
综述 | 本文综述了人工智能在肉毒毒素注射中的应用现状、挑战及转化前景 | 首次系统总结AI在肉毒毒素注射全流程中的应用，包括聊天机器人辅助规划、深度学习面部表情分析、基于MRI的肌张力障碍反应预测、多模态机器学习等技术，并提出临床应用框架 | 证据仍为初步且异质性高，存在样本量小、回顾性设计、外部验证有限等局限 | 总结人工智能在肉毒毒素注射中的应用现状，支持临床决策并提供转化方向的建议 | 肉毒毒素注射治疗中的AI应用案例 | 机器学习 | 神经系统疾病 | NA | 深度学习, 多模态机器学习 | 图像, 文本 | NA | NA | NA | NA | NA |
| 65 | 2026-05-19 |
Current trends and future directions of artificial intelligence in lung cancer diagnosis
2026-Apr-30, Chinese journal of cancer research = Chung-kuo yen cheng yen chiu
|
综述 | 综述人工智能在肺癌诊断中的应用现状与未来方向 | 全面回顾了AI在肺癌早期诊断中的多个应用领域，涵盖医学影像、组织病理学、液体活检、电子健康记录的自然语言处理及基因组分析，并总结了多模态AI平台和FDA批准的计算机辅助诊断系统等前沿进展 | 数据异质性、模型可解释性、隐私保护等挑战阻碍临床转化，且综述主要基于现有文献，未涉及最新未公开研究 | 评估AI在肺癌诊断中的应用潜力及其临床转化价值 | 肺癌诊断中的AI应用，包括机器学习、深度学习和基于Transformer的模型 | 机器学习 | 肺癌 | NA | 机器学习、深度学习、Transformer模型 | 医学影像、组织病理学图像、液体活检数据、电子健康记录文本、基因组谱 | NA | NA | Transformer | NA | NA |
| 66 | 2026-05-19 |
A Deep Learning-Based Scoring Framework for Large-Scale Multi-Donor Cardiotoxicity Screening
2026-Apr-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.22.720197
PMID:42079066
|
研究论文 | 提出一个无监督深度学习框架，利用高通量钙瞬变记录进行多供体心脏毒性筛选 | 利用自动编码器仅基于基线信号训练，通过重建误差量化化学诱导的功能扰动，无需标记训练数据即可捕捉钙处理中断的全谱，并整合多供体数据评估群体水平心脏毒性风险 | 未明确说明局限性 | 构建可扩展、人相关且遗传多样化的平台，用于药物和化学物质的心脏毒性监测与优先排序 | 人诱导多能干细胞来源的心肌细胞（hiPSC-CM）及其钙瞬变记录 | 机器学习 | 心脏毒性相关的疾病（泛指心血管毒性） | hiPSC-CM钙瞬变记录（高通量成像技术） | 自动编码器（Autoencoder） | 钙瞬变信号（时间序列数据） | 五个供体的hiPSC-CM，测试了1029种化合物的浓度响应 | NA | 自动编码器 | 重建误差 | NA |
| 67 | 2026-05-19 |
Turep: Detecting cross-cancer tumor-reactive T cells in single-cell and spatial transcriptomics data
2026-Apr-24, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.21.719961
PMID:42079298
|
研究论文 | 提出Turep，一种利用深度学习方法从单细胞和空间转录组数据中跨癌种检测肿瘤反应性T细胞的工具 | 整合七种人类恶性肿瘤的单细胞RNA和T细胞受体测序数据，识别泛癌肿瘤反应性基因特征，并采用生成式数据增强技术解决数据不平衡问题 | 未在论文标题和摘要中明确提及局限性 | 开发一种稳健的跨癌种预测肿瘤反应性T细胞的方法，以改进免疫治疗预测 | 肿瘤浸润淋巴细胞中的肿瘤反应性T细胞和非反应性旁观细胞 | 机器学习 | 癌症 | 单细胞RNA测序，T细胞受体测序，空间转录组学 | 深度学习模型 | 单细胞转录组数据，空间转录组数据 | 来自七种人类恶性肿瘤的数据 | NA | NA | 受试者工作特征曲线下面积 | NA |
| 68 | 2026-05-19 |
CT-Based Deep Foundation Model for Predicting Immune Checkpoint Inhibitor-Induced Pneumonitis Risk in Lung Cancer
2026-Apr-23, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.04.21.26351428
PMID:42078359
|
研究论文 | 开发并验证了CIPHER深度学习基础模型，利用基线CT扫描预测肺癌患者免疫检查点抑制剂相关肺炎风险 | 将对比学习与基于Transformer的掩码自编码器结合，通过自监督学习在大量非小细胞肺癌CT数据上预训练，实现从基线CT预测免疫治疗肺炎风险，并优于传统影像组学模型 | 未提及外部验证的样本量较小（仅116例），且需前瞻性验证以确认临床实用性 | 开发一种深度学习模型，在免疫治疗前从基线CT扫描中早期识别高ICIP风险患者，以加强监测和及时干预 | 非小细胞肺癌患者的基线CT图像 | 计算机视觉 | 肺癌 | CT扫描 | 深度学习基础模型（结合对比学习与Transformer掩码自编码器） | 图像 | 预训练：2500例NSCLC患者的590284张CT切片；内部开发：254例患者；内部验证：93例患者；外部验证：116例患者 | PyTorch | Transformer掩码自编码器 | AUC, 平衡准确率, 灵敏度, 特异性 | NA |
| 69 | 2026-05-19 |
Temporally-resolved deep learning reveals autism symptom-specific neural signatures during naturalistic social experiences
2026-Apr-22, Research square
DOI:10.21203/rs.3.rs-9023571/v1
PMID:42078896
|
研究论文 | 开发了一种可解释的双流深度学习网络DualPathNet，用于识别自闭症在自然社交体验中的症状特异性神经信号 | 首次利用可解释AI在自然观影过程中同时捕捉稳定的特质模式和瞬态事件特异性神经反应，揭示了自闭症的动态上下文依赖性神经脆弱性而非静态损伤 | NA | 开发客观的自闭症神经生物学标记物，捕捉动态社会认知处理差异 | 555名儿童（274名自闭症患者，281名对照） | 机器学习 | 自闭症 | NA | 深度学习 | 影像 | 555名儿童（274名ASD，281名对照组） | NA | DualPathNet | 准确率 | NA |
| 70 | 2026-05-19 |
Expanding P-NET, a multi-purpose biologically informed deep learning framework
2026-Apr-22, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.19.719454
PMID:42079220
|
研究论文 | 提出了扩展版的P-NET，一个基于生物学通路的多用途深度学习框架 | 将生物通路信息整合到深度学习中，提升可解释性和预测性能 | 未明确讨论局限性 | 开发一个可解释且稳定的深度学习框架，用于计算生物学中的基因组和转录组预测任务 | 基因和通路信息 | 机器学习 | NA | NA | P-NET | 基因组和转录组数据 | NA | PyTorch | P-NET | NA | NA |
| 71 | 2026-05-19 |
SIMBA: an agentic AI platform for single-molecule multidimensional imaging
2026-Apr-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.16.719005
PMID:42079268
|
研究论文 | 介绍了一个名为SIMBA的智能单分子多维生物成像AI平台，用于统一单分子定位、光谱处理和深度学习去噪 | 首次将大语言模型智能体引入单分子多维成像分析，实现用户意图理解、分析流程编排和计算工具动态选择，以单一交互式框架统一传统分散的工作流 | NA | 开发一个统一的AI驱动平台，简化单分子多维成像的数据分析流程，降低使用门槛，提高可扩展性和可重复性 | 单分子荧光成像数据，包括空间定位、光谱信息和纳米尺度环境异质性 | 数字病理学、计算机视觉、机器学习 | NA | 超分辨率荧光显微镜、单分子光谱分析、深度学习 | 大语言模型（LLM）、监督学习模型 | 图像 | NA | PyTorch、TensorFlow | NA | NA | NA |
| 72 | 2026-05-19 |
Multimodal CT Perfusion-Based Deep Learning for Predicting Stroke Lesion Outcomes in Complete and No Recanalization Scenarios
2026-Apr-02, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9016
PMID:40973461
|
研究论文 | 开发基于多模态CT灌注的深度学习模型，预测急性缺血性卒中患者在不同再通情况下的最终病灶位置和体积 | 针对完全再通和未再通两种不同情况分别构建预测模型，并利用多模态CT灌注参数图结合3D nnU-Net架构，显著优于传统阈值法 | 样本量相对较小（完全再通组350例，未再通组138例），且模型性能仍有提升空间（Dice系数分别为35.36%和50.22%） | 预测急性缺血性卒中患者的最终病灶位置和体积，帮助临床评估再通治疗的适应症和潜在获益 | 急性缺血性卒中患者的CT灌注影像数据和随访DWI数据 | 计算机视觉, 机器学习 | 急性缺血性卒中 | CT灌注成像 | 深度学习模型 | 影像数据 | 488例患者（完全再通组350例，未再通组138例） | NA | 3D nnU-Net | Dice系数 | NA |
| 73 | 2026-05-19 |
Multicenter Histology Image Integration and Multiscale Deep Learning Support Machine Learning-Enabled Pediatric Sarcoma Classification
2026-Apr-02, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-2275
PMID:41481196
|
研究论文 | 利用多中心组织学图像整合和多尺度深度学习，实现基于机器学习的儿童肉瘤分类 | 系统评估了多种卷积神经网络和视觉变换器架构作为特征提取器，并优化了输入参数如切片尺寸组合和分辨率，发现先进视觉变换器基础模型（UNI和CONCH）显著优于早期方法，且多尺度特征提升了分类精度 | NA | 开发一种基于深度学习的计算流水线，从数字化组织学切片中准确分类儿童肉瘤亚型 | 来自三个医疗中心和儿童肿瘤学组的867张全切片图像 | 数字病理学 | 儿童肉瘤 | NA | 卷积神经网络（CNN）和视觉变换器（ViT） | 组织学图像 | 867张全切片图像 | NA | UNI, CONCH, SAMPLER | AUC | 无需图形处理单元（GPU） |
| 74 | 2026-05-19 |
HEAL: health-enhanced adaptive LoRaWAN for AI-based real-time soldier monitoring and status prediction
2026-Apr-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44274-1
PMID:41927727
|
研究论文 | 提出HEAL框架，通过自适应LoRaWAN实现基于AI的士兵健康实时监测和状态预测 | 结合LoRaWAN动态通信参数与AI模型鲁棒性，在包丢失、延迟等现实约束下仍保持高精度健康预测 | NA | 实现远程和资源受限环境下士兵健康状况的持续、可靠监测与预测 | 士兵的生理时间序列数据 | 机器学习 | 军事医学 | NA | BiLSTM（及多种DL架构） | 多元生理时间序列数据 | NA | NA | BiLSTM, Transformer | 准确率, Macro F1分数, 数据包投递率 | NA |
| 75 | 2026-05-19 |
A Wireless, Battery-Free Artificial Throat Patch with Deep Learning for Emotional Speech Recognition
2026-Apr, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202516617
PMID:41603116
|
研究论文 | 展示了一种无线、无电池的人工喉贴片系统，结合深度学习方法，实现同时识别语音和情感 | 提出无线无电池设计，摆脱线缆束缚，并首次在喉部信号传感中集成情感识别能力 | 未提及具体样本数量和场景泛化性，可能受限于小型化元件的信号稳定性 | 开发用于无声患者的语音和情感识别通信系统 | 喉部信号采集与情感语音识别 | 机器学习 | NA | 碳纳米管薄膜应变传感器、近场通信天线 | 混合深度学习架构 | 喉部信号（传感器数据） | NA | NA | 混合深度学习架构 | NA | NA |
| 76 | 2026-05-19 |
Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study
2026-Apr, The Lancet. Oncology
DOI:10.1016/S1470-2045(25)00727-2
PMID:41831466
|
研究论文 | 开发并验证一种多模态深度学习模型，能够直接从常规组织病理切片和临床变量预测Oncotype DX 21基因复发评分，以评估乳腺癌复发风险和化疗获益 | 首次将基于大规模组织病理切片预训练的基础模型应用于预测基因组复发评分，实现常规病理切片直接评估化疗获益，无需昂贵基因组检测 | 未明确列出局限性，但研究基于回顾性数据和特定人群，可能在更具种族多样性的群体中表现需进一步验证 | 开发低成本、可推广的人工智能工具，替代Oncotype DX基因组检测以指导激素受体阳性、HER2阴性早期乳腺癌的化疗决策 | 激素受体阳性、HER2阴性早期乳腺癌患者 | 数字病理学 | 乳腺癌 | 数字全切片成像 | 多模态深度学习模型 | 组织病理学全切片图像、临床变量 | 训练集171,189张切片，TAILORx内部验证集8,284例患者，测试集2,407例患者，外部验证集5,497例患者 | NA | 基础模型（基于大规模病理切片预训练）、多模态深度学习架构 | AUC、风险比、95%置信区间 | NA |
| 77 | 2026-05-19 |
Cell-MICS: Detecting Immune Cells With Label-Free Two-Photon Autofluorescence and Deep Learning
2026-Apr, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70260
PMID:41923530
|
研究论文 | 通过无标记双光子自体荧光和深度学习检测免疫细胞 | 提出MICS（多光子成像结合计算特异性）方法，利用低复杂度SqueezeNet卷积神经网络在无标记双光子自体荧光图像上实现免疫细胞分类，验证了NADH和FAD自体荧光信号对分类的同等重要性 | 目前仅对分离的六种免疫细胞进行分类，未在活体组织中进行验证，且仅使用SqueezeNet单一架构 | 探索利用深度学习为无标记双光子自体荧光图像提供计算特异性，实现免疫细胞分类 | T细胞、中性粒细胞等六种分离的免疫细胞 | 计算机视觉 | NA | 双光子自体荧光成像 | 卷积神经网络 | 图像 | NA（未提供具体样本数量） | NA | SqueezeNet | ROC-AUC, PR-AUC, F1分数, 精确率, 召回率 | NA |
| 78 | 2026-05-19 |
Enhancing movie script creation through retrieval-augmented LLMs and stable diffusion scene modeling
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45852-z
PMID:41922447
|
研究论文 | 利用RAG和Stable Diffusion增强电影剧本自动生成与场景建模 | 首次将检索增强生成与Stable Diffusion结合，实现从剧本到场景的端到端自动化生成，并比较了RAG与微调两种方法的有效性 | 剧本生成的质量仍受限于训练数据集的规模与多样性，场景可视化仅依赖CLIP评分衡量，缺乏人类专家评估 | 探索利用大语言模型和稳定扩散模型自动生成电影剧本及对应场景的可行性 | 电影剧本的自动生成与对应场景的可视化建模 | 自然语言处理, 计算机视觉 | NA | 检索增强生成, 稳定扩散模型 | 大语言模型, 扩散模型 | 文本, 图像 | 多个电影剧本数据集中训练的模型 | PyTorch | Gemini-Pro, GPT-2, Bloom, CompVis | 余弦相似度, 困惑度, CLIP分数 | NA |
| 79 | 2026-05-19 |
Cross-domain multimodal learning for stress-level prediction: a hybrid deep learning framework integrating independent EEG and facial expression datasets
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41250-7
PMID:41922398
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 80 | 2026-05-19 |
ChunkyBERT: a novel technique for multiclass political bias detection in news media
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46646-z
PMID:41922711
|
研究论文 | 提出一种名为ChunkyBERT的新方法，利用BERT模型对新闻媒体中的多类政治偏见进行检测 | 通过将长政治文章分割成固定长度的片段，分别使用预训练BERT编码，再经由Transformer编码器和注意力池化机制聚合片段级嵌入，实现对完整文本的利用，无需手动生成特征 | 未明确提及局限性，但可能受限于分割长度选择和计算资源需求 | 提出一种可扩展的政治偏见检测方法，应用于新闻分类为左倾、中间派和右倾倾向 | 新闻媒体中的政治文章 | 自然语言处理 | NA | NA | BERT（双向编码器表示来自Transformers）、Transformer编码器 | 文本 | NA | PyTorch（假设，基于BERT常见实现） | BERT、Transformer编码器 | 准确率（86.22%）、AUC-ROC（0.96） | NA |