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 45616 篇文献，本页显示第 8801 - 8820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8801 | 2026-02-12 |
Exploring the contribution of joint angles and sEMG signals on joint torque prediction accuracy using LSTM-based deep learning techniques
2026-Feb, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2024.2400318
PMID:39235388
|
研究论文 | 本研究使用基于LSTM的深度学习技术，探索关节角度和表面肌电信号对关节扭矩预测准确性的贡献 | 通过训练三种双向LSTM模型，分别使用关节角度、表面肌电信号及两者组合作为输入，评估了不同输入模态对下肢关节扭矩预测的独立和联合效果，发现单一输入模态在某些情况下可能足以准确预测特定关节扭矩 | 研究基于公开数据集进行，可能受限于数据集的样本规模和多样性；未探讨模型在其他运动模式或临床场景下的泛化能力 | 预测下肢关节扭矩，以评估关节角度和表面肌电信号在扭矩预测中的相对贡献 | 正常行走过程中的下肢关节扭矩 | 机器学习 | NA | 表面肌电信号采集 | LSTM | 时间序列数据 | 使用公开数据集，具体样本数量未在摘要中明确说明 | NA | 双向LSTM | 归一化均方根误差, Pearson相关系数 | NA |
| 8802 | 2026-02-12 |
Leveraging Representation Learning for Bi-parametric Prostate MRI to Disambiguate PI-RADS 3 and Improve Biopsy Decision Strategies
2026-Feb-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001218
PMID:40586610
|
研究论文 | 本研究利用深度学习模型通过PI-RADS引导的表征学习，从双参数前列腺MRI图像中学习放射科医生的解读方式，以区分PI-RADS 3分类，检测临床显著前列腺癌，并减少不必要的良性活检 | 采用PI-RADS引导的表征学习方法训练深度学习模型，从放射科医生自信评估的MRI图像中学习表征，以解决PI-RADS 3分类的模糊性问题，并开发基于这些表征的活检决策模型，在避免良性活检方面优于放射科医生和临床模型 | 研究为单机构回顾性研究，可能受限于数据来源的多样性和读者差异，且模型在外部验证和泛化能力方面未明确评估 | 通过深度学习模型改善前列腺MRI中PI-RADS 3分类的歧义性，提高临床显著前列腺癌的检测准确性，并优化活检决策策略以减少不必要的良性活检 | 前列腺癌患者，包括已知或疑似前列腺癌的男性，涉及MRI检查和后续活检数据 | 数字病理学 | 前列腺癌 | 双参数前列腺MRI（T2加权和扩散加权成像） | 深度学习模型，表征学习器 | 图像 | 28,263次MRI检查（来自21,938名男性），其中6,352次后续活检，训练集包括21,465次放射科医生自信评估的检查 | NA | NA | AUC, 敏感性, 阴性预测值, 活检产出率 | NA |
| 8803 | 2026-02-12 |
AFM-Based Deep Learning Decodes Human Macrophage Mechanophenotypes
2026-Feb, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202500953
PMID:40722235
|
研究论文 | 本研究介绍了一种结合原子力显微镜与深度学习的集成平台，用于在单细胞分辨率下对巨噬细胞进行无标记的机械表型分析 | 首次将原子力显微镜的纳米级力学映射与深度神经网络相结合，实现了无需传统免疫标记、能动态区分巨噬细胞功能表型（M0、M1、M2）并揭示混合极化状态的非破坏性方法 | 未明确提及样本量或外部验证队列的详细信息，且方法可能依赖于特定的仪器平台 | 开发一种无标记、动态的免疫监测策略，通过细胞力学特性解码巨噬细胞的功能表型 | 人类巨噬细胞在不同激活状态（初始M0、炎症M1、修复M2）下的形态与纳米力学特征 | 生物医学工程，计算生物学 | 免疫相关疾病（泛指） | 原子力显微镜纳米级力映射 | 深度神经网络 | 纳米力学与形态学图像数据（如杨氏模量、粘附力、球形度） | NA | NA | 深度神经网络（具体架构未指定） | 分类准确性（隐含） | NA |
| 8804 | 2026-02-12 |
Advanced deep learning for early diagnosis of arsenic-induced dermatological conditions through dermoscopic image evaluation
2026-Feb, Journal of medical engineering & technology
DOI:10.1080/03091902.2025.2590472
PMID:41273294
|
研究论文 | 本研究提出了一种先进的深度学习框架，通过皮肤镜图像分析支持砷诱导皮肤病的早期诊断 | 采用协同ResNet-DenseNet架构提取判别性图像特征，结合k近邻算法进行分类，实现了对砷暴露相关皮肤病变的高精度自动化评估 | 研究仅基于孟加拉国四个现场的数据集，可能缺乏全球代表性；未提及模型在外部验证集上的泛化性能 | 开发深度学习框架以辅助砷诱导皮肤病的早期诊断和公共卫生监测 | 砷暴露个体和未受影响个体的皮肤镜图像 | 计算机视觉 | 皮肤病 | 皮肤镜图像分析 | CNN, k-NN | 图像 | 8892张皮肤镜图像 | NA | ResNet, DenseNet | 准确率, F1分数, 灵敏度, 召回率 | NA |
| 8805 | 2026-02-12 |
Computed tomography-based prediction of commissural positions facilitates valve-sparing aortic root replacement
2026-Feb, JTCVS techniques
IF:1.7Q2
DOI:10.1016/j.xjtc.2025.11.007
PMID:41658864
|
研究论文 | 本研究比较了基于CT的主动脉根部再植入术规划与传统方法，并评估了深度学习算法自动CT测量的准确性 | 首次将深度学习算法应用于CT测量，以自动化预测主动脉瓣连合位置，减少术中调整需求 | 样本量较小（仅20例患者），且为单中心研究，可能影响结果的普遍性 | 评估CT规划和深度学习算法在主动脉根部再植入术中的效果 | 接受David再植入术的主动脉根部疾病患者 | 数字病理学 | 心血管疾病 | 计算机断层扫描（CT），心电图门控CT | 深度学习算法 | CT图像 | 20例患者用于CT组，20例对照组，另50例用于算法验证 | NA | NA | 组内相关系数（ICC），差异范围 | NA |
| 8806 | 2026-02-12 |
Deformable lung models for anatomical lung resections: The introduction of simulated reality for imaging guidance
2026-Feb, JTCVS techniques
IF:1.7Q2
DOI:10.1016/j.xjtc.2025.10.022
PMID:41658897
|
研究论文 | 本文介绍了一种结合人工智能、有限元方法、三维可视化和四维交互的PulmoSimulatedReality技术，用于肺切除术的术前成像和术中手术引导 | 提出了PulmoSimulatedReality技术，首次将人工智能、有限元方法、三维可视化和四维交互集成，为肺切除术提供动态可变形解剖模型 | 仅进行了30例患者的初步验证，样本量较小，且为回顾性研究，缺乏前瞻性临床验证 | 开发并验证一种用于肺切除术术前成像和术中引导的新型四维可变形肺模型技术 | 接受肺切除术的30例患者 | 数字病理 | 肺癌 | 深度学习算法、有限元方法、三维可视化、四维交互 | 深度学习算法 | 医学影像数据、术中视频记录 | 30例接受肺切除术的患者 | NA | NA | 准确度、精确度、灵敏度、延迟时间、三维模型重建时间 | NA |
| 8807 | 2026-02-12 |
RE: An observational study of deep learning and automated evaluation of cervical images for cancer screening
2026-Feb-01, Journal of the National Cancer Institute
DOI:10.1093/jnci/djaf348
PMID:41392328
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8808 | 2026-02-12 |
Attention-Enhanced Convolutional BiLSTM Model for Predicting Recovery Outcomes in Sports Injuries
2026-Feb, Indian journal of orthopaedics
IF:1.1Q3
DOI:10.1007/s43465-025-01417-2
PMID:41669206
|
研究论文 | 本研究提出了一种新颖的混合深度学习模型，用于预测运动损伤的康复结果 | 提出了一种结合注意力机制、随机森林优化、卷积神经网络和双向长短期记忆网络的混合模型（A-RF-CBiLSTM），用于运动损伤康复预测，显著提升了预测性能 | 未明确提及模型在外部验证集上的泛化能力或临床部署的可行性 | 改进运动损伤评估和康复预测，为年轻运动员提供精准个性化的康复方案 | 下肢运动损伤 | 机器学习 | 运动损伤 | 肌电图（EMG）、运动学数据采集 | CNN, BiLSTM | 肌电图信号、运动学数据 | 来自四个综合数据集的数据，具体样本数量未明确说明 | NA | 卷积块注意力模块（CBAM）、深度可分离卷积神经网络、双向长短期记忆网络 | 准确率, 精确率, 召回率, F1分数, 特异性 | NA |
| 8809 | 2026-02-12 |
Hotspots and Trends in the Application of Artificial Intelligence in Spine Medicine from 2005 to 2024: A Bibliometric and Visualization Analysis
2026-Feb, Indian journal of orthopaedics
IF:1.1Q3
DOI:10.1007/s43465-025-01585-1
PMID:41669209
|
研究论文 | 本文对2005年至2024年间人工智能在脊柱医学领域的应用进行了全面的文献计量和可视化分析，揭示了研究热点和趋势 | 首次通过文献计量学方法系统梳理了人工智能在脊柱医学领域近二十年的发展历程，识别了研究热点和前沿，并提出了未来研究方向 | 分析仅基于Web of Science核心合集数据库的英文文献，可能遗漏其他语言或数据库的相关研究，且文献计量方法本身存在一定局限性 | 通过文献计量分析揭示人工智能在脊柱医学领域的研究趋势，为未来研究方向提供信息 | 2005年至2024年间Web of Science核心合集中关于人工智能在脊柱医学应用的英文出版物 | 机器学习 | NA | 文献计量分析，可视化分析 | NA | 文献数据 | 1344篇论文 | CiteSpace, VOSviewer, Bibliometrix R | NA | NA | NA |
| 8810 | 2026-02-12 |
Construction and validation of a CT-based radiomics-deep learning signature for non-invasive prediction of PD-L1 expression and immunotherapy outcomes in non-small cell lung cancer
2026-Jan-31, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-1-1433
PMID:41659266
|
研究论文 | 本研究构建并验证了一种基于CT的放射组学-深度学习特征，用于无创预测非小细胞肺癌的PD-L1表达及免疫治疗结果 | 融合了放射组学特征和深度学习特征，开发了一种新型的CT图像签名（RADLsig），用于无创预测PD-L1表达和免疫治疗反应，相比单一方法性能更优 | 研究为回顾性设计，模型开发队列中腺癌占主导且多为早期疾病，可能限制了泛化性；PD-L1表达检测依赖免疫组化，存在采样偏差等固有局限 | 开发一种非侵入性预测工具，用于评估非小细胞肺癌患者的PD-L1表达状态和免疫治疗临床结局 | 非小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像, 免疫组化, 单细胞RNA测序 | 深度学习, 放射组学 | CT图像 | 模型开发队列531例患者，独立免疫治疗验证队列145例患者，TCIA验证队列128例患者 | PyRadiomics | NA | AUC, 客观缓解率, 相关系数 | NA |
| 8811 | 2026-02-12 |
A CT imaging-based deep learning model for predicting EGFR and KRAS mutations in non-small cell lung cancer: toward personalized treatment approaches
2026-Jan-31, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2025-1043
PMID:41659270
|
研究论文 | 本研究开发并外部验证了一种基于CT成像和临床变量的多模态深度学习模型，用于无创预测非小细胞肺癌中的EGFR和KRAS突变 | 提出了结合CT成像特征与临床变量的多模态深度学习模型LG-MutaNet，并在多个外部数据集上验证了其预测EGFR和KRAS突变的高性能 | 研究依赖于公开数据集，可能受数据质量和样本选择偏差影响；模型在更广泛人群中的泛化能力仍需进一步验证 | 开发一种非侵入性方法，通过CT成像和临床数据预测非小细胞肺癌的关键基因突变，以支持个性化治疗决策 | 非小细胞肺癌患者的CT扫描图像及相关临床变量 | 数字病理学 | 肺癌 | CT成像 | 深度学习模型 | 图像, 临床数据 | 来自TCIA（包括NSCLC Radiogenomics、TCGA-LUSC和TCGA-LUAD）的多个数据集 | NA | Local-Global Mutation Network (LG-MutaNet) | AUC, 准确率, 敏感性, 特异性, F1分数 | NA |
| 8812 | 2026-01-28 |
Letter to the editor: Deep learning and digital pathology for HCC prediction in steatotic liver disease
2026-Jan-26, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001696
PMID:41587349
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8813 | 2026-02-12 |
A fully autonomous AI system for accurate and reproducible Cobb angle measurement in adolescent idiopathic scoliosis: a multicenter study
2026-Jan-06, The spine journal : official journal of the North American Spine Society
DOI:10.1016/j.spinee.2026.01.010
PMID:41506453
|
研究论文 | 本研究开发了一种基于人工智能的全自动系统，用于在青少年特发性脊柱侧凸的全脊柱X光片上准确、可重复地测量Cobb角 | 开发了SPARC AI系统，实现了无需人工干预的全自动Cobb角测量，相比专家初始评估，能检测更高比例的脊柱曲线（94.0% vs. 86.4%）且误差范围更小（±20.3° vs. ±41.3°） | 研究为回顾性、观察性设计，可能受限于数据收集的医院和患者群体；未明确说明模型在外部验证集上的泛化性能 | 开发一个自动化、可重复的人工智能系统，以辅助全脊柱X光片上的Cobb角估计，减少诊断不确定性 | 青少年特发性脊柱侧凸（AIS）患者的全脊柱前后位/后前位X光图像 | 计算机视觉 | 青少年特发性脊柱侧凸 | X光成像 | 深度学习模型 | 图像 | 484张X光图像，包含1,054条经脊柱外科医生达成共识的曲线 | 未明确说明 | 未明确说明 | 平均绝对误差（MAE），检测比例，误差范围 | 未明确说明 |
| 8814 | 2026-02-12 |
Combining Pre- and Post-Demosaicking Noise Removal for RAW Video
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3527886
PMID:40031011
|
研究论文 | 本文提出了一种结合去马赛克前后去噪的自相似性去噪方案，用于Bayer模式CFA视频数据 | 通过加权预去马赛克和后去马赛克去噪器，并集成时间轨迹预滤波步骤，实现自适应不同噪声水平的实时视频去噪 | 未明确提及模型对极端场景或未知噪声分布的泛化能力限制 | 开发一种自适应噪声水平、适用于真实世界视频处理的去噪方法 | Bayer模式CFA视频数据 | 计算机视觉 | NA | 深度学习去噪 | 神经网络 | 视频 | NA | NA | NA | 图像质量 | NA |
| 8815 | 2026-02-12 |
Is EMG Information Necessary for Deep Learning Estimation of Joint and Muscle Level States?
2026-Jan, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3577084
PMID:40471740
|
研究论文 | 本研究探讨了在深度学习模型中，肌电图（EMG）信息对于估计关节和肌肉水平生理状态的必要性 | 通过比较使用和不使用EMG信息的深度学习模型，首次系统评估了EMG在关节和肌肉状态估计中的作用，并发现仅训练时使用EMG即可显著提升肌肉状态估计性能 | 需要EMG作为模型输入的方法在实际部署中可能不切实际，因为需要获取EMG数据 | 开发准确、非侵入性的方法来估计关节和肌肉的生理状态，以增强可穿戴设备在真实世界行走中的控制 | 膝关节的生理状态，包括力矩、功率、速度和力 | 机器学习 | NA | 深度学习 | 深度学习模型 | 运动学输入 | 28种不同的周期性和非周期性任务 | NA | NA | NA | NA |
| 8816 | 2026-02-12 |
Reduction of membrane-derived noise using beam-tilt measurement and deep learning in observation using environmental cell
2026-Jan-01, Microscopy (Oxford, England)
DOI:10.1093/jmicro/dfaf031
PMID:40581827
|
研究论文 | 提出一种结合电子束倾斜测量和深度学习的方法，用于去除环境细胞电子显微镜中由硅氮化物膜引起的噪声 | 首次将Noise2Noise深度学习模型应用于电子束倾斜序列图像，有效分离膜噪声与样本信息，并同步消除泊松噪声 | 未明确说明方法对动态样本或极端环境条件的适用性，且未提供量化对比实验数据 | 提升环境细胞电子显微镜在气体/液体环境中观测纳米材料的图像质量 | 催化剂及其他纳米材料在环境细胞中的透射电子显微镜图像 | 计算机视觉 | NA | 透射电子显微镜，环境细胞技术 | 深度学习 | 图像序列 | NA | NA | Noise2Noise | 信噪比 | NA |
| 8817 | 2026-02-12 |
Application of explainable artificial intelligence integrating with electronic health record in oncology
2026, Exploration of targeted anti-tumor therapy
DOI:10.37349/etat.2026.1002357
PMID:41657585
|
综述 | 本文综述了可解释人工智能（XAI）方法在基于电子健康记录（EHR）的肿瘤学任务中的应用、挑战及未来研究方向 | 总结了当前XAI在肿瘤学EHR任务中的应用方法，并提出了加速其在肿瘤学中安全采用的实用建议和研究方向 | 存在报告不一致、临床效用评估不足、可重复性有限、外部验证不足以及对公平性考虑不充分等差距 | 提高基于EHR的肿瘤学机器学习模型的透明度和临床可接受性，以改善肿瘤学护理 | 基于电子健康记录的肿瘤学机器学习模型 | 机器学习 | 肿瘤学 | NA | 树模型, 广义可加模型 | 电子健康记录 | NA | NA | NA | NA | NA |
| 8818 | 2026-02-12 |
IoMT-Fog-Cloud-based AI frameworks for chronic disease diagnosis: updated comparative analysis with recent AI-IoMT models (2020-2025)
2026, Frontiers in medical technology
IF:2.7Q3
DOI:10.3389/fmedt.2026.1748964
PMID:41657732
|
综述 | 本文对2020年至2025年间发表的基于AI的IoMT系统研究进行了比较分析，重点关注用于糖尿病和心血管疾病诊断的IoMT-Fog-Cloud框架，并评估其诊断性能和网络服务质量 | 首次对2020-2025年间AI驱动的IoMT-Fog-Cloud框架进行系统性比较分析，重点关注诊断性能与网络QoS的联合评估，并提出了可复现比较的14项指标分类体系 | 纳入研究数量有限（14项），部分研究报告的性能可能过于乐观，存在小数据集、类别不平衡、模拟评估中的潜在数据泄露或过拟合等问题 | 比较分析近期（2020-2025）用于慢性疾病诊断的AI-IoMT模型与IoMT-Fog-Cloud框架的性能与服务质量 | 糖尿病和心血管疾病患者 | 医疗物联网 | 糖尿病, 心血管疾病 | NA | 可解释深度学习, 集成深度学习 | 生物信号流数据 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数, 灵敏度, 特异性 | Fog计算, 云计算 |
| 8819 | 2026-02-12 |
Construction and validation of deep learning-based pathomics signature model for predicting postoperative recurrence of patients with clear cell renal cell carcinoma
2026, American journal of cancer research
IF:3.6Q2
DOI:10.62347/ZCHX8002
PMID:41657786
|
研究论文 | 本研究开发了一种基于注意力的多实例深度卷积神经网络（CRPNet），用于早期预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险 | 提出了一种新的基于注意力的多实例深度卷积神经网络（CRPNet），用于从全切片图像中提取病理组学特征以预测ccRCC术后复发，其性能超越了包括UISS、SSIGN和Karakiewicz列线图在内的传统预后模型 | 模型在验证队列中的召回率（63.16%）和假阴性率（36.84%）仍有提升空间，且研究样本量相对有限（训练集183例，验证集75例） | 开发并验证一个深度学习模型，以准确预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险 | 透明细胞肾细胞癌（ccRCC）患者 | 数字病理学 | 肾细胞癌 | 全切片图像（WSI）分析 | CNN | 图像 | 训练集：183例ccRCC患者的WSI；验证集：75例ccRCC患者的WSI | NA | CRPNet（一种基于注意力的多实例深度卷积神经网络） | AUC, 准确率, 精确率, 召回率, 假阳性率, 假阴性率, C-index, 风险比, Kaplan-Meier分析 | NA |
| 8820 | 2026-02-12 |
3DeepVOG: An Open-Source Framework for Real-Time, Accurate 3D Gaze Tracking with Deep Learning
2026 Jan-Dec, Digital biomarkers
DOI:10.1159/000549948
PMID:41658975
|
研究论文 | 本文介绍了3DeepVOG，一个基于深度学习的开源框架，用于实时、准确的三维单目注视跟踪，包括水平、垂直和扭转旋转 | 结合自动瞳孔和虹膜分割与几何可解释估计，使用双球解剖眼球模型和角膜折射校正，并采用新颖的小块模板匹配方法实时跟踪扭转运动 | NA | 开发一个在多样化成像条件下（包括低光和噪声环境）稳健运行的三维注视跟踪框架，以克服传统视频眼动图系统的局限性 | 眼动作为神经耳科、神经眼科和神经退行性疾病的生物标志物 | 计算机视觉 | 神经退行性疾病 | 视频眼动图 | 深度学习 | 图像 | 超过24,000个注释样本，来自多个设备和临床场景 | NA | NA | 注视误差（约0.1°）、扫视峰值速度、平滑追踪增益、视动性眼震慢相速度 | NA |