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 42795 篇文献，本页显示第 8561 - 8580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8561 | 2025-12-17 |
Graph-patchformer: Patch interaction transformer with adaptive graph learning for multivariate time series forecasting
2026-Feb, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108140
PMID:41046616
|
研究论文 | 提出了一种名为Graph-Patchformer的新型深度学习框架，用于多变量时间序列预测，通过结构编码和自适应图学习捕获序列内依赖和序列间局部动态依赖 | 结合结构编码反映MTS内部结构信息，并利用提出的Patch Interaction Blocks同时捕获序列内依赖和序列间局部动态依赖，无需额外的多尺度特征融合模块 | 未在摘要中明确说明 | 提升多变量时间序列预测的准确性和性能 | 多变量时间序列数据 | 机器学习 | NA | NA | Transformer, 自适应图学习 | 多变量时间序列数据 | NA | NA | Graph-Patchformer, Patch Interaction Blocks | NA | NA |
| 8562 | 2025-12-17 |
A multi-level teacher assistant-based knowledge distillation framework with dynamic feedback for motor imagery EEG decoding
2026-Feb, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108180
PMID:41072285
|
研究论文 | 本文提出了一种基于多级教师助理知识蒸馏的动态反馈框架，用于压缩运动想象脑电信号解码的深度学习模型 | 提出了一个新颖的知识蒸馏框架MIKD，包含多级教师助理知识蒸馏模块和动态反馈模块，能在高压缩比下有效提取和传递MI-EEG信号的多层次知识 | NA | 压缩用于运动想象脑电信号分类的深度学习模型，同时保持高性能，以适用于实际脑机接口应用 | 运动想象脑电信号 | 机器学习 | NA | 脑电图 | 深度学习模型 | 脑电信号 | 三个公共脑电数据集 | NA | NA | 准确率 | NA |
| 8563 | 2025-12-17 |
Elevating adversarial robustness by contrastive multitasking defence in medical image segmentation
2026-Feb, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108182
PMID:41075318
|
研究论文 | 本文提出了一种名为CEASE的新型防御方法，通过结合对比学习和多任务学习，显著提升医学图像分割模型对抗对抗性攻击的鲁棒性 | 首次将对比学习与多任务学习整合，针对医学图像分割任务设计防御机制，有效降低对抗性攻击成功率至0% | 未明确说明方法在更广泛医学图像数据集或不同攻击类型下的泛化能力 | 增强基于深度学习的医学图像分割模型对抗对抗性攻击的鲁棒性 | 医学图像分割模型 | 计算机视觉 | NA | 深度学习 | CNN | 医学图像 | 公开可用数据集 | NA | NA | 攻击成功率 | NA |
| 8564 | 2025-12-17 |
Self identity mapping
2026-Feb, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108132
PMID:41077025
|
研究论文 | 提出了一种名为自身份映射（SIM）的数据内在正则化框架，通过逆映射机制增强表示学习，并实例化为ρSIM以降低计算复杂度 | 提出了一种模型无关、任务无关的即插即用正则化模块，通过重构输入来减少前向传播中的信息损失并促进更平滑的梯度流 | NA | 开发一种通用的正则化框架以增强深度学习的泛化能力并缓解过拟合 | 深度学习模型的正则化 | 机器学习 | NA | NA | NA | 图像, 音频, 时间序列 | NA | NA | NA | NA | NA |
| 8565 | 2025-12-17 |
Spatial single-cell proteomics landscape decodes the tumor microenvironmental ecosystem of intrahepatic cholangiocarcinoma
2026-Jan-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001283
PMID:39999448
|
研究论文 | 本研究利用人工智能辅助的空间多组学技术，生成了肝内胆管癌的全面空间图谱，揭示了肿瘤微环境的空间特征与预后及免疫治疗的关系 | 首次结合多种空间多组学技术（如成像质谱流式、空间蛋白质组学、空间转录组学等）和深度学习系统，系统解析了肝内胆管癌肿瘤微环境的细胞空间拓扑结构，并识别出与预后相关的空间亚型 | 空间转录组学样本量较小（n=4），部分数据依赖公共数据库，可能影响结果的普遍性 | 生成肝内胆管癌的空间肿瘤微环境图谱，识别与预后和免疫治疗相关的空间特征 | 肝内胆管癌患者的肿瘤组织样本 | 数字病理学 | 肝内胆管癌 | 成像质谱流式、空间蛋白质组学、空间转录组学、多重免疫荧光、单细胞RNA测序、批量RNA测序、批量蛋白质组学 | 深度学习 | 图像、蛋白质组数据、转录组数据 | 超过106万个细胞，包括155个内部成像质谱流式样本、155个内部空间蛋白质组学样本、4个内部空间转录组学样本、20个内部多重免疫荧光样本、9个内部和34个公共单细胞RNA测序样本、244个公共批量RNA测序样本、110个内部和214个公共批量蛋白质组学样本 | NA | NA | 高准确度 | NA |
| 8566 | 2025-12-17 |
Clinical Translation of Integrated PET-MRI for Neurodegenerative Disease
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70046
PMID:40679171
|
综述 | 本文综述了集成PET-MRI在神经退行性疾病临床实践中的转化应用，包括技术进展、临床益处及未来前景 | 总结了集成PET-MRI在神经退行性疾病中的最新技术革新，如基于MRI的衰减校正、运动校正方法以及深度学习在疾病分类和预测中的应用 | NA | 探讨集成PET-MRI在神经退行性疾病临床诊断和研究中的应用价值及技术发展 | 阿尔茨海默病及其他神经退行性疾病患者 | 数字病理学 | 神经退行性疾病 | 集成PET-MRI, MRI, PET | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 8567 | 2025-12-17 |
A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70113
PMID:40916364
|
研究论文 | 本文评估了基于深度学习的模型用于法洛四联症患者心脏磁共振图像的左心室、右心室和左心室心肌的自动分割 | 采用MultiResUNet模型在混合数据集（包含法洛四联症和非法洛四联症病例）上训练，实现了对法洛四联症患者心脏结构的准确自动分割，并进行了内部和外部验证 | 研究为回顾性设计，样本量有限（特别是外部验证仅12例），且仅使用了一种成像序列 | 评估深度学习模型在法洛四联症患者心脏磁共振图像自动分割中的性能，以替代耗时且存在变异性的手动分割 | 427名患有不同心脏疾病的患者（包括122名法洛四联症患者和305名非法洛四联症患者）的心脏磁共振图像 | 数字病理学 | 心血管疾病 | 稳态自由进动电影序列 | CNN | 图像 | 427名患者（395名用于训练/验证，32名法洛四联症患者用于内部测试，12名外部法洛四联症患者用于泛化性评估） | NA | U-Net, Deep U-Net, MultiResUNet | Dice相似系数, 交并比, F1分数 | NA |
| 8568 | 2025-09-11 |
Editorial for "A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients"
2026-Jan, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70114
PMID:40928233
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8569 | 2025-12-17 |
Predicting Radiation Pneumonitis Integrating Clinical Information, Medical Text, and 2.5D Deep Learning Features in Lung Cancer
2026-Jan-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.07.1437
PMID:40844448
|
研究论文 | 本文构建了一个基于临床信息、医学文本和2.5D深度学习特征的肺癌患者放射性肺炎预测模型 | 提出了一种结合临床信息、医学文本和2.5D多实例学习特征的放射性肺炎预测模型，为预测放疗副作用提供了新思路 | 模型在不同测试队列中的最优模型类型存在差异，可能影响泛化能力 | 构建放射性肺炎的预测模型以评估放疗副作用 | 肺癌患者 | 数字病理学 | 肺癌 | CT成像, 放射治疗剂量切片 | 深度学习模型 | 图像, 文本 | 594名患者（356名来自一个中心，238名来自三个其他中心） | NA | DenseNet121, DenseNet201, Twins-SVT | AUC | NA |
| 8570 | 2025-12-17 |
An Explainable 3D-Deep Learning Model for EEG Decoding in Brain-Computer Interface Applications
2025-Dec-30, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S012906572550073X
PMID:41109958
|
研究论文 | 本文提出了一种用于脑机接口应用中EEG解码的多维可解释深度学习框架 | 提出了一种基于三维卷积神经网络的可解释深度学习模型，通过全局到特定用户的微调策略减少校准时间，并引入三维遮挡敏感性分析增强模型透明度 | 模型在跨用户泛化方面可能存在限制，需要进一步验证在不同EEG数据集上的性能 | 开发一种快速、可解释的EEG解码方法，以降低脑机接口系统的用户特定校准时间 | 运动脑机接口实验中的EEG信号，特别是手部张开和手部闭合运动规划与静息状态的区分 | 机器学习 | NA | EEG信号处理 | CNN | EEG信号 | NA | NA | 3D Convolutional Neural Network | 准确率 | NA |
| 8571 | 2025-12-17 |
Usefulness of Data Simulation for Training Deep Learning Denoising Algorithms in Infrared Spectral Histology
2025-Dec-16, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c02174
PMID:41337468
|
研究论文 | 本研究探讨了使用模拟数据训练深度学习模型，以去噪临床应用中石蜡包埋组织切片的红外光谱图像 | 提出了一种基于模拟线性生成模型的方法，结合不同谱带形状（Voigt、高斯和洛伦兹）和噪声类型（加性和乘性高斯噪声以及泊松噪声），以增强训练数据的多样性并提高模型泛化能力 | 模拟光谱的具体配置显著影响模型性能，且模拟数据的特性导致不同程度的成功 | 开发用于红外光谱图像去噪的深度学习技术，以减少扫描时间并促进临床部署 | 石蜡包埋组织切片的红外光谱图像 | 数字病理学 | NA | 傅里叶变换红外光谱 | CNN | 图像 | NA | NA | ResUNet-1D-CNN | NA | NA |
| 8572 | 2025-12-17 |
BayesOpGAN: A Bayesian-Optimized GAN Framework with Fourier-Based Evaluation for Quality-Controlled Raman Spectral Data Augmentation
2025-Dec-16, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c04540
PMID:41344223
|
研究论文 | 本文提出了一种名为BayesOpGAN的生成对抗网络框架，用于从小样本（少于30个）中生成高质量的拉曼光谱数据，以解决深度学习模型在小数据集上过拟合和泛化能力差的问题 | 创新点包括引入了贝叶斯优化的损失函数（BayesOpLoss）和平滑上采样模块，并采用傅里叶距离这一频域度量来定量评估生成的一维光谱质量 | 生成数据存在最优增强范围，过量的生成数据会降低分类器性能 | 研究目的是开发一种可靠且可扩展的小样本光谱数据增强方法，以提升拉曼光谱分类模型的性能 | 研究对象为拉曼光谱数据，具体来自RRUFF拉曼数据库的混合质量数据集 | 机器学习 | NA | 拉曼光谱 | GAN | 光谱数据（一维信号） | 少于30个样本 | NA | GAN, ResNet-50 | 准确率, 傅里叶距离 | NA |
| 8573 | 2025-12-17 |
Deep learning predicts microsatellite instability status in colorectal carcinoma in an ethnically heterogeneous population in South Africa
2025-Dec-15, Journal of clinical pathology
IF:2.5Q2
DOI:10.1136/jcp-2025-210053
PMID:40393786
|
研究论文 | 本研究评估了基于深度学习的模型在南非多民族结直肠癌患者队列中预测微卫星不稳定状态的性能 | 首次在非洲多民族人群中验证了基于Transformer的深度学习模型对结直肠癌错配修复缺陷的预测能力，并进行了区域特异性校准 | 样本量相对较小（197例），且假阴性病例主要位于左侧结肠，缺乏典型的dMMR/MSI-H组织学表型 | 评估深度学习模型在资源有限环境中作为结直肠癌错配修复缺陷预筛查工具的可行性和准确性 | 南非多民族结直肠癌患者的切除标本 | 数字病理学 | 结直肠癌 | 全玻片图像扫描 | 深度学习 | 图像 | 197例结直肠癌切除标本 | 未明确说明 | Transformer | AUROC, 敏感性, 特异性, Youden's J指数 | NA |
| 8574 | 2025-12-17 |
Towards Robust Assessment of Pathological Voices via Combined Low-Level Descriptors and Foundation Model Representations
2025-Dec-15, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3644692
PMID:41396745
|
研究论文 | 本研究提出了一种结合低层声学特征与语音基础模型表示的新型深度学习框架VOQANet及VOQANet+，用于客观、鲁棒地评估病理嗓音 | 首次将自监督语音基础模型嵌入与低层声学描述符（抖动、振幅微扰、谐噪比）相结合，并在句子级别语音上进行评估，增强了模型在真实场景和远程医疗应用中的鲁棒性 | 未明确说明模型在跨语言或不同病理类型间的泛化能力，也未详细讨论计算复杂度 | 开发一种客观、准确的病理嗓音质量评估方法，以减少传统主观评估方法中评估者间的变异性 | 病理嗓音（声音障碍） | 自然语言处理 | NA | 语音信号处理，深度学习 | 深度学习框架（基于注意力机制） | 语音数据（元音级别和句子级别） | NA | NA | VOQANet, VOQANet+ | 均方根误差, 皮尔逊相关系数 | NA |
| 8575 | 2025-12-17 |
Memory-Efficient Intrinsic Gating Adaptation for Enhanced On-Device Epilepsy Diagnosis
2025-Dec-15, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3643602
PMID:41396749
|
研究论文 | 本文提出了一种用于资源受限边缘设备上癫痫诊断的内存高效内在门控适应框架（MEIGA） | 提出MEIGA框架，通过轻量级适配器网络和直接反馈对齐（DFA）技术，在低内存和计算开销下有效适应患者特异性生物标志物的会话间变异性 | 未明确说明模型在不同癫痫亚型或更广泛临床环境中的泛化能力，以及长期部署的稳定性验证 | 增强资源受限边缘设备上癫痫诊断的实用性和适应性 | 癫痫患者的脑电图（EEG）数据 | 机器学习 | 癫痫 | 脑电图（EEG） | Vision Transformer, 适配器网络 | 时序信号（EEG） | CHB-MIT癫痫数据集和AES数据集（具体样本数未在摘要中提供） | 未明确指定 | Vision Transformer | 准确率 | 边缘设备（资源受限环境） |
| 8576 | 2025-12-17 |
Deep learning accelerates discovery of complex nanomaterials
2025-Dec-15, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00918-2
PMID:41398083
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8577 | 2025-12-17 |
Development and validation of a deep learning-based automatic segmentation and classification of cerebral white matter hyperintensities
2025-Dec-15, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12174-z
PMID:41398110
|
研究论文 | 本研究开发并验证了一种基于深度学习的、用于认知障碍患者脑白质高信号自动分割与分类的模型 | 采用多任务多实例学习框架，实现了脑白质高信号的同时自动分割与分类，并利用Fazekas量表进行严重程度评估 | 模型在外部数据集上的分类准确率（0.68-0.75）低于内部数据集，表明可能存在泛化性挑战；研究为回顾性设计 | 开发并验证一种能够自动分割和分类脑白质高信号的深度学习模型，以支持脑小血管病的量化评估 | 认知障碍患者的脑部磁共振图像 | 医学影像分析 | 脑小血管病 | 磁共振成像 | 深度学习 | 图像 | 内部数据集：分割模型训练448例、调优149例、测试149例；分类模型训练1186例、调优394例、测试394例；外部测试集100例 | NA | UNet with Resnet-34 encoder | Dice分数, 准确率 | NA |
| 8578 | 2025-12-17 |
"Enhancing early detection of oral cancer: a comparative study of artificial intelligence models and clinical specialist in lesion classification"
2025-Dec-15, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-15334-y
PMID:41398657
|
研究论文 | 本研究通过比较人工智能模型与临床专家在口腔病变分类中的表现，探索AI在口腔癌早期检测中的应用 | 首次系统比较了多种预训练深度学习模型在口腔癌病变分类中的性能，并证明AI模型可超越经验丰富的口腔专家诊断准确率 | 研究样本量相对有限（518张图像），且数据来源于单一医疗机构，可能影响模型的泛化能力 | 评估人工智能模型在口腔癌早期检测中的效能，并比较其与临床专家的诊断准确性 | 口腔内临床图像中的恶性与良性病变 | 计算机视觉 | 口腔癌 | 深度学习图像分析 | CNN | 图像 | 518张口腔内临床图像（104张恶性病变，414张良性或正常组织） | NA | DenseNet-121, EfficientNet-B0, ResNet-50 | 准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, F1分数, AUC | NA |
| 8579 | 2025-12-17 |
Enhancing breast cancer diagnosis: non-invasive prediction of MKI-67 (Ki67) expression using ultrasound images
2025-Dec-15, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-15443-8
PMID:41398654
|
研究论文 | 本研究探索利用术前超声图像异质性非侵入性预测乳腺癌中MKI-67 (Ki67)表达状态 | 通过结合栖息地亚区、全局肿瘤、实验室和深度学习特征，综合多维度信息预测Ki67表达状态 | 复合模型在与某些组合模型比较时未显示出显著优势 | 非侵入性预测乳腺癌Ki67表达状态 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 超声成像 | CNN, 机器学习 | 图像, 实验室数据 | 432名患者（训练集）和109名患者（测试集） | PyTorch, Scikit-learn | Swin-unet, ResNet-101 | 准确率, AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值 | NA |
| 8580 | 2025-12-17 |
Biparametric MRI-Based Habitat Analysis Integrated With Deep Learning for Predicting Clinically Significant Prostate Cancer in PI-RADS Category 3 Lesions
2025-Dec-15, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70205
PMID:41398999
|
研究论文 | 本研究开发并验证了一种基于双参数MRI的栖息地分析模型，结合深度学习特征，用于预测PI-RADS 3类别病变中的临床显著性前列腺癌 | 整合了双参数MRI的栖息地分析与深度学习特征，构建了栖息地全肿瘤模型和组合模型，提高了对PI-RADS 3病变中临床显著性前列腺癌的预测准确性 | 研究为回顾性设计，样本来自两个中心，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证 | 预测PI-RADS 3类别前列腺病变中的临床显著性前列腺癌 | 551名经MRI识别为PI-RADS 3类别病变并经组织病理学确认的患者 | 数字病理学 | 前列腺癌 | 双参数MRI（T2加权成像和扩散加权成像序列） | 深度学习 | MRI图像 | 551名患者（中心1：439名，中心2：112名） | NA | NA | AUC（曲线下面积） | NA |