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 49915 篇文献，本页显示第 8581 - 8600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8581 | 2026-06-09 |
DeepECG.ai: An AI-enhanced ECG analysis platform to bridge the expertise gap from primary care to cardiology
2026 May-Jun, Journal of electrocardiology
IF:1.3Q3
|
研究论文 | 提出一个集成的AI心电分析平台DeepECG.ai，以弥合初级保健与心脏病学之间的专业差距 | 开发了一个统一的平台，能够将AI模型系统化地部署到临床心电系统中，并进行全面的模型测试和评估，包括介入情境、临床工作流整合和实际鲁棒性 | 文中未提及明显的局限性，但平台依赖临床验证研究（DAISEA-ECG和HEART-AI）的进行中结果 | 构建一个易于使用的Web平台，为临床医生提供AI辅助心电分析决策支持，弥合初级保健与心脏病学之间的专业差距 | 12导联心电图数据 | 机器学习 | 心血管疾病 | 心电图（ECG）分析 | 深度学习模型 | 心电信号数据 | HEART-AI研究启动后三个月内分析了29,211份心电图，涉及285名患者，53名用户参与 | 未明确指定 | 未明确指定 | 不足一秒的推理时间 | 基于Web的安全平台，未明确具体GPU或云资源 |
| 8582 | 2026-06-09 |
Application of Whole-Genome Sequencing and Metagenomic Sequencing in Microbial Analysis of Milk Powder and Its Processing Environment: Current Findings and Challenges
2026-05, Comprehensive reviews in food science and food safety
IF:12.0Q1
DOI:10.1111/1541-4337.70478
PMID:41981860
|
综述 | 综述了全基因组测序和宏基因组测序在奶粉及其加工环境微生物分析中的应用，包括当前研究成果和面临的挑战 | 系统总结了WGS和宏基因组测序在奶粉生产链微生物监测中的进展，特别关注菌株水平分辨率、低丰度微生物检测、抗生素抗性基因和毒力因子基因检测，以及机器学习与深度学习等新兴技术的整合 | 未明确说明具体局限性，但综述性质决定了可能缺乏原始实验数据的验证 | 探讨WGS和宏基因组测序在奶粉生产链微生物监测、污染源追踪和质量控制中的应用，并比较国内外微生物控制标准 | 奶粉及其加工环境中的微生物群落 | 机器学习 | NA | 全基因组测序, 宏基因组测序 | NA | 基因组测序数据 | NA | NA | NA | NA | NA |
| 8583 | 2026-06-09 |
From Machine Learning to Generative Artificial Intelligence in Urology: Technological Evolution and Future Perspectives
2026-May, International neurourology journal
IF:1.8Q3
DOI:10.5213/inj.2652134.067
PMID:42252644
|
综述 | 综述了人工智能在泌尿外科领域从传统机器学习到生成式人工智能的技术演进及未来前景 | 首次系统性地将AI在泌尿外科的应用分为机器学习、深度学习及生成式AI三个主要领域进行梳理 | NA | 探讨泌尿外科中人工智能技术的演进、应用现状与未来发展方向 | 泌尿系统疾病（如前列腺增生、输尿管狭窄、泌尿结石）及患者健康管理 | 机器学习 | 泌尿外科疾病 | NA | 机器学习、深度学习、生成式AI（大语言模型、视觉Transformer） | NA | NA | NA | 大语言模型、视觉Transformer | NA | NA |
| 8584 | 2026-06-09 |
Impact of Simulated Radiation Dose Reduction on Deep Learning-Based Renal Segmentation Performance: A Simulation Study Using the KiTS21 (2021 Kidney and Kidney Tumor Segmentation Challenge) Dataset
2026-May, International neurourology journal
IF:1.8Q3
DOI:10.5213/inj.2651124.062
PMID:42252648
|
研究论文 | 评估模拟辐射剂量降低对深度学习肾脏分割性能的影响，并确定临床可接受的最低剂量阈值 | 首次系统量化剂量降低对深度学习肾脏分割性能的影响，并识别出25%标准剂量为临床可接受的最低阈值 | 基于模拟数据，未涉及真实低剂量CT图像；仅使用单一模型架构（U-Net+ResNet34），未涵盖其他分割网络 | 定量评估模拟辐射剂量降低对深度学习肾脏分割性能的影响 | 肾脏及其肿瘤的分割性能 | 数字病理学 | 肾脏疾病 | NA | U-Net | CT图像 | 299个对比增强CT体积，含专家分割标签 | PyTorch | ResNet34编码器的2D U-Net | Dice相似系数（DSC）, 交并比, 95百分位豪斯多夫距离（HD95）, 体积误差 | NA |
| 8585 | 2026-06-09 |
Does the Timing of USMLE Step 1 Affect Performance? A Comparison of Pre- and Post-Clerkship Timing in the Pass/Fail Era
2026-Apr-30, Teaching and learning in medicine
IF:2.1Q3
DOI:10.1080/10401334.2026.2662341
PMID:42060292
|
研究论文 | 本研究比较了美国医学执照考试Step 1在临床实习前后进行的时机对通过/失败评分时代考试成绩的影响 | 首次在通过/失败评分改革背景下，系统评估Step 1考试时机对成绩的影响，并引入成就目标理论和自我决定理论作为分析框架 | 观察性研究设计无法排除未测量混淆因素，样本限于20所医学院校，且未控制学校间课程差异 | 检验在通过/失败评分体系下，USMLE Step 1考试时机（临床实习前或后）是否继续影响成绩 | 2020年入学并于2022年1月26日后参加Step 1考试的美国医学生 | 机器学习 | NA | NA | NA | 考试成绩数据 | 20所美国医学院的2020届医学生（匹配组设计） | NA | NA | 失败率、分数 | NA |
| 8586 | 2026-06-09 |
ThyroFusion: A Multi-modal Deep Learning Framework Integrating Vision and Language for Thyroid Nodule Malignancy Risk Assessment
2026-Apr-22, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01964-6
PMID:42020852
|
研究论文 | 提出并验证了 ThyroFusion，一种融合超声图像、分割掩膜和临床文本报告的多模态深度学习框架，用于甲状腺结节恶性风险评估 | 首次将超声图像、分割掩膜和临床文本报告通过双向跨模态注意力机制融合，并采用冻结 BioBERT 提取文本特征，显著超越单模态方法和资深放射科医生 | 未明确说明，但基于多中心回顾性研究性质，可能受限于数据选择偏倚和外部验证集样本量差异 | 开发和验证多模态深度学习框架，以提高甲状腺结节恶性风险评估的准确性 | 甲状腺结节患者，包括来自西安国际医学中心医院 (1472 例) 及两个临床中心和两个公共数据集 (DDTI 和 TN3K) 的共 6002 例病例 | 计算机视觉, 自然语言处理 | 甲状腺结节 | 超声成像, 临床文本报告 | ResNet-50, Set Transformer, BioBERT | 图像, 文本 | 1472 例 (内部训练) + 4530 例 (外部验证，来自 2 个临床中心和 2 个公共数据集 DDTI、TN3K) | PyTorch | ResNet-50, Set Transformer, BioBERT (冻结) | AUC, 95% 置信区间, p 值, ΔAUC | NA |
| 8587 | 2026-06-09 |
Generative deep learning for foundational video translation in ultrasound
2026-Apr-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47777-z
PMID:41986471
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8588 | 2026-06-09 |
Deep learning for early detection of cerebral small vessel disease using self-supervised graph embeddings and retinal image analysis
2026-Apr-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48421-6
PMID:41986421
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8589 | 2026-06-09 |
rbpCNN: a biophysics-informed deep learning model for predicting piRNA and mRNA interactions
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48797-5
PMID:41974838
|
研究论文 | 提出了rbpCNN，一种生物物理学启发的深度学习模型，用于预测piRNA与mRNA之间的相互作用 | 将生物物理启发下的相互作用通道（包括兼容性通道、螺旋运行通道、位置通道和结构通道）与核苷酸对编码相结合，增强卷积神经网络预测能力 | 未在文中明确指出限制 | 提高piRNA与mRNA相互作用预测的准确性，以支持生殖细胞转录后调控研究及相关医疗领域应用 | piRNA序列与mRNA序列之间的相互作用 | 自然语言处理 | NA | NA | 卷积神经网络（CNN） | 序列数据 | 使用基准数据集和独立外部数据集进行验证 | NA | 轻量级卷积神经网络 | AUC, 准确率 | NA |
| 8590 | 2026-06-09 |
Deep learning-based pathomics signature predicts prognosis and treatment response in gastric cancer: a multicenter retrospective study
2026-Apr-10, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01381-6
PMID:41957258
|
研究论文 | 利用深度学习分析H&E染色切片构建胃癌病理组学特征以预测预后和治疗反应 | 提出了一种结合门控注意力机制的多尺度图神经网络（MS-GMIL）用于多实例学习，直接从H&E切片构建病理组学特征，并整合转录组数据揭示潜在病理生理机制 | NA | 建立胃癌病理组学特征以改善TNM分期系统的预后信息，并预测化疗和免疫治疗反应 | 胃癌患者 | 数字病理学 | 胃癌 | H&E染色，转录组测序 | 图神经网络 | 图像，转录组数据 | 多中心回顾性研究队列 | PyTorch | MS-GMIL（多尺度图神经网络与门控注意力机制） | 预后预测性能，独立预后因素分析 | NA |
| 8591 | 2026-06-09 |
Adults' dental cone beam computed tomography images dataset for detecting and classifying missing teeth
2026-Apr-07, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07156-9
PMID:41942491
|
研究论文 | 该论文提供了一个来自158名患者的成人牙科锥形束CT图像数据集，用于检测和分类缺牙，并进行了3D标注 | 提供了首个带有精确3D缺牙位置标注的CBCT数据集，特别是处理了金属伪影和现有种植体等复杂情况，并明确了伪影特征 | 未在摘要中明确提及局限性 | 解决高质量CBCT数据集稀缺问题，促进自动化牙科种植规划深度学习模型的训练 | 成人牙科CBCT图像中缺牙的检测与分类 | 数字病理学 | 缺牙症 | CBCT | 深度学习模型 | 图像 | 158名患者，包含501个缺牙部位，其中85个CBCT体数据具有114个特定部位的3D标注（4,994张切片） | NA | NA | NA | NA |
| 8592 | 2026-06-09 |
Pushing the limits of fluorescence imaging with a restoration neural network aggregating large-view statistics
2026-Apr-07, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71278-2
PMID:41946697
|
研究论文 | 提出一种名为LargePNet的恢复神经网络，通过聚合大视野统计信息来扩展荧光成像的极限，显著提升光子受限条件下的成像质量与计算效率 | 首次利用浅层超大核卷积提供的大有效感受野与深层网络的非线性表征能力相结合，实现大视野全局信息的有效恢复，避免了传统小补丁训练导致的保真度与抗噪性损失 | 未明确讨论网络对极端低光照条件的适应性以及可能存在的过拟合风险 | 通过设计大补丁恢复网络提升荧光成像在光子受限条件下的重建质量与计算效率 | 荧光显微镜获取的单图像、视频和体积数据，以及活细胞成像中的细胞骨架动态和超分辨率三色成像 | 计算机视觉 | NA | 荧光显微成像、超分辨率成像 | 卷积神经网络 | 图像、视频、三维体积数据 | 八个代表性恢复任务，包括单图像、视频和体积荧光数据 | PyTorch | LargePNet（基于超大核卷积与尺度分解） | 峰值信噪比 | NA |
| 8593 | 2026-06-09 |
Training the diagnostic artificial intelligence in thyroid sonography: how well is deep learning truly learning?
2026-Apr, Updates in surgery
IF:2.4Q2
DOI:10.1007/s13304-025-02506-5
PMID:41670922
|
研究论文 | 评估深度学习AI在甲状腺超声TI-RADS分类中的学习曲线和真实世界表现 | 首次在真实临床环境中评估AI深度学习在甲状腺结节超声分类中的学习曲线，展示多次训练后的显著改进 | AI在复杂或不典型病例（如自身免疫性甲状腺炎、未降胸腺、出血性囊肿）中仍不能替代有经验的临床医生 | 评估深度学习AI在甲状腺超声TI-RADS分类中的学习曲线和实际应用效果 | 甲状腺结节患者 | 机器学习 | 甲状腺疾病 | 3D超声 | 深度学习 | 超声图像 | 第一阶段110名患者176个结节，第二阶段133名患者228个结节 | NA | NA | 一致性比例 | NA |
| 8594 | 2026-06-09 |
Ancestral state reconstruction with discrete characters using deep learning
2026-Mar-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.19.712918
PMID:41890074
|
研究论文 | 利用深度学习修改phyl软件进行祖先状态重建，评估其性能并与贝叶斯推断比较，应用于实证数据 | 首次将深度学习软件phyddle应用于离散字符的祖先状态重建，特别是处理似然函数难以计算的情况，扩展了phylogenetics工具的适用性 | 随着树的大小增加，phyddle性能下降；对于复杂模型（如物种形成和灭绝模型），估计结果与贝叶斯推断差异较大 | 评估深度学习在祖先状态重建中的潜力，尤其是对于似然不可操作模型的替代方法 | 离散字符的祖先状态，包括亚属的祖先范围和2014年塞拉利昂埃博拉病毒爆发的序列祖先位置 | 机器学习 | 埃博拉病毒病 | 深度学习 | NN | 离散字符数据 | 两个实证数据：一个亚属的祖先范围数据和2014年塞拉利昂埃博拉病毒爆发序列数据 | PyTorch | NN架构未指定 | 与贝叶斯推断的比较 | NA |
| 8595 | 2026-06-09 |
Temporal Integration of Serum Proteomics, Metabolomics and MRI Tumor Volumetrics via Deep Learning Identifies Systemic Mediators of Glioblastoma Response to Chemoradiotherapy
2026-Mar-18, Research square
DOI:10.21203/rs.3.rs-9085743/v1
PMID:41890862
|
研究论文 | 通过深度学习整合血清蛋白质组学、代谢组学与MRI肿瘤体积学，识别胶质母细胞瘤对放化疗反应的全身介质 | 首次将AI分割的MRI体积变化与血清蛋白质组和代谢组表达相结合，并集成多模态数据以识别与生存相关的患者分组和分子通路 | 样本量较小（55例），来自单一机构，缺乏独立验证队列 | 评估患者血清中差异蛋白质组和代谢组表达与AI分割的MRI体积变化之间的关联，以整合临床、分子和影像数据与患者预后 | 55例临床注释的胶质母细胞瘤患者及其放化疗前后的血清样本和MRI扫描 | 机器学习, 数字病理学 | 胶质母细胞瘤 | SomaScan®蛋白质组学平台, SECIM代谢组学分析, AI分割技术 | 深度学习模型（用于MRI分割） | 血清蛋白质组学数据, 代谢组学数据, MRI影像数据 | 55例胶质母细胞瘤患者的血清样本（放化疗前后）及MRI影像 | NA | NA | p值, 相关性分析 | NA |
| 8596 | 2026-06-09 |
Establishing an Evidence-based Modern Breast MRI Program
2026-Mar-03, Journal of breast imaging
IF:2.0Q3
DOI:10.1093/jbi/wbaf082
PMID:41671073
|
综述 | 探讨现代乳腺MRI项目的循证建立方法，涵盖技术进步、方案优化及未来趋势 | 系统整合了动态增强MRI、弥散加权成像、超快速DCE-MRI和深度学习模型等先进技术，并针对方案标准化与操作效率提出优化策略 | 未提供具体的临床验证数据或定量比较分析 | 为乳腺影像中心提供现代乳腺MRI方案的关键要素、优化策略和未来技术方向 | 乳腺MRI影像方案及临床应用 | 数字病理学 | 乳腺疾病（恶性肿瘤） | MRI | 深度学习模型 | 影像 | NA | NA | NA | NA | NA |
| 8597 | 2026-06-09 |
Deep learning deciphers behavioral states from muscle activation patterns
2026-Mar, Journal of pharmacological sciences
IF:3.0Q2
DOI:10.1016/j.jphs.2026.01.007
PMID:41672643
|
研究论文 | 利用深度学习分析多部位肌电图，实现对小鼠行为状态（如行走、梳理、站立）的准确分类 | 首次将深度学习应用于多部位肌电图分析，实现行为状态的客观自动分类，并可无缝集成到视频监测流程中 | 未提及 | 开发基于肌电图的自动化行为分类方法，克服人工视频观察的局限性 | 小鼠的多部位肌电信号及对应的行为状态（行走、梳理、站立） | 机器学习 | NA | 肌电图记录 | 卷积神经网络 | 肌电信号数据 | 5只小鼠的5块肌肉（四肢和颈部）的肌电图记录 | NA | 自定义卷积神经网络 | 分类准确率 | NA |
| 8598 | 2026-06-09 |
Hierarchical abstraction drives human-like 3-D shape processing in deep learning models
2026-Mar, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1014047
PMID:41824548
|
研究论文 | 探索深度学习模型是否像人类视觉系统一样通过层次抽象处理三维形状 | 首次通过系统性行为实验与模拟，揭示Transformer架构中渐进式下采样操作带来的层次抽象能力是模仿人类三维形状处理的关键 | 仅测试了点云数据，未验证其他三维表示形式；模型与人类对比基于有限条件（点密度、局部结构、部件配置） | 检验深度学习模型的三维全局形状表示是否与人类视觉相似 | 卷积模型（DGCNN）和Transformer模型（Point Transformer）与人类观察者 | 计算机视觉 | NA | 点云处理 | 深度学习模型（卷积神经网络和Transformer） | 点云数据 | 约10000个三维物体实例用于训练；三个人类实验（具体样本量未在摘要中说明） | PyTorch | DGCNN, Point Transformer | 正确率 | NA |
| 8599 | 2026-06-09 |
Recent Advances in Modeling and Prediction of Blood Glucose in Type 1 Diabetes
2026-Mar, Delaware journal of public health
DOI:10.32481/djph.2026.03.09
PMID:41943733
|
综述 | 综述了1型糖尿病血糖预测与控制模型的最新进展，包括基于生理机制的模型、数据驱动的机器学习方法以及融合机制知识与学习技术的混合框架 | 系统梳理了多模态数据、深度学习架构和强化学习在人工胰腺系统中自动胰岛素输注与自适应控制中的新兴作用，并讨论了边缘计算、高效模型设计与硬件算法协同优化等前沿策略 | 目前仍面临噪声和异质数据处理、预测可靠性与不确定性量化提升、以及资源受限医疗设备实时部署等关键挑战 | 总结并评估1型糖尿病血糖预测与控制模型的研究现状，推动计算模型向改善患者预后的实用工具转化 | 1型糖尿病患者的血糖预测与控制模型 | 机器学习 | 1型糖尿病 | NA | 深度学习, 强化学习 | 生理和行为数据 | NA | NA | NA | NA | NA |
| 8600 | 2026-03-18 |
Deep learning in geographic atrophy: rethinking age-related macular degeneration progression and treatment
2026-Feb-28, Annals of translational medicine
DOI:10.21037/atm-2026-1-0018
PMID:41835799
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |