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 43650 篇文献，本页显示第 881 - 900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 881 | 2026-04-18 |
OralHybridNet: A Deep Learning Framework for Multi-Label Classification of Dental Restorations and Prostheses in Panoramic Radiographs
2026 Jan-Dec, Inquiry : a journal of medical care organization, provision and financing
DOI:10.1177/00469580261439986
PMID:41972827
|
研究论文 | 本文提出了一种名为OralHybridNet的混合深度学习框架，用于在口腔全景X光片中自动进行多标签分类，以识别牙科修复体和假体 | 提出了一种新颖的混合深度学习框架，结合了分层卷积神经网络、双注意力机制和自适应增强协议，并引入了混合特征选择算法来优化特征表示 | 未明确提及研究的局限性 | 开发一个自动化的深度学习框架，用于在口腔全景X光片中对牙科修复体和假体进行多标签分类 | 口腔全景X光片（OPG） | 计算机视觉 | 牙科疾病 | 全景X光成像 | CNN, KNN | 图像 | 2047张临床医生标注的全景X光片 | NA | CustomDentalNet, OralNetXPlus, ResNet50 | 准确率, 精确率, AUC-ROC | NA |
| 882 | 2026-04-18 |
Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder
2026, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-032-05141-7_34
PMID:41988634
|
研究论文 | 本文提出了一种可解释的深度学习框架NeuroPathX，用于揭示神经疾病中脑成像与遗传学之间的关联 | 引入了基于交叉注意力机制的早期融合策略，并设计了稀疏损失和通路相似性损失函数以增强模型的可解释性和鲁棒性 | 未明确提及模型在更广泛疾病或更大样本量下的泛化能力限制 | 研究神经疾病中脑结构变异与遗传通路之间的相互作用 | 自闭症谱系障碍和阿尔茨海默病 | 数字病理学 | 神经疾病 | MRI, 遗传学数据 | 深度学习 | 图像, 遗传数据 | NA | NA | 基于交叉注意力机制的早期融合框架 | NA | NA |
| 883 | 2026-04-18 |
The application of artificial intelligence in the intersection of metabolic dysfunction-associated steatotic liver disease and cardiovascular diseases
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1788249
PMID:41993162
|
综述 | 本文综述了人工智能在代谢功能障碍相关脂肪性肝病与心血管疾病交叉领域的应用 | 强调人工智能能够整合临床、影像和多组学数据，提高MASLD诊断和肝纤维化分期的精确度，并优于传统风险评估工具 | 面临数据质量和模型泛化等挑战 | 评估人工智能在MASLD与CVD交叉领域的风险预测、机制理解和临床干预中的应用 | 代谢功能障碍相关脂肪性肝病和心血管疾病患者 | 机器学习 | 心血管疾病 | NA | 机器学习, 深度学习 | 临床数据, 影像数据, 多组学数据 | NA | NA | NA | AUC | NA |
| 884 | 2026-04-18 |
Automated deep learning based detection of cellular deposits on clinically used ECMO membrane lungs
2026, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2026.1771574
PMID:41993244
|
研究论文 | 本研究开发了一种基于深度学习的自动化工具，用于检测临床使用的ECMO膜肺上的细胞沉积 | 首次将Mask R-CNN与ResNet 101骨干网络结合扩张卷积应用于ECMO膜肺细胞沉积的实例分割，在重叠和低强度细胞核分割方面优于U-Net类方法 | 未明确说明模型在更广泛临床样本上的泛化能力，且依赖荧光显微镜图像 | 开发自动化工具以支持ECMO并发症中细胞沉积机制的研究 | ECMO膜肺空心纤维垫上的细胞核沉积 | 计算机视觉 | 心血管疾病 | 荧光显微镜 | CNN | 图像 | NA | NA | Mask R-CNN, ResNet 101, U-Net, Cellpose, StarDist | 细胞核计数准确率, 面积准确率 | NA |
| 885 | 2026-04-18 |
Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States
2026, Theranostics
IF:12.4Q1
DOI:10.7150/thno.125235
PMID:41993630
|
研究论文 | 本文介绍了一种名为BRIDGE的平台，该平台通过整合体内MRI、体内双光子显微镜和体外超分辨率显微镜，首次实现了MRI信号与生物学真实情况在体素级别上的精确映射，并用于训练卷积神经网络以提升MRI的有效分辨率 | 首次开发了BRIDGE平台，实现了体内、纵向、体素精确的MRI信号到其生物学真实情况的映射，并利用该平台识别了乳腺癌脑转移早期定植的微环境血管生物标志物 | NA | 建立MRI信号的微观生物学基础，并利用深度学习预测脑部疾病状态 | 脑部（健康与患病状态），具体包括乳腺癌脑转移的异种移植模型和胶质瘤 | 数字病理学 | 脑癌（乳腺癌脑转移、胶质瘤） | 体内磁共振成像（MRI）、体内双光子显微镜（2P）、体外超分辨率显微镜 | CNN | 图像（MRI图像、显微镜图像） | NA | NA | NA | NA | NA |
| 886 | 2026-04-18 |
Circulating tumor cell detection in cancer patients using in-flow deep learning holography
2026, Npj biosensing
DOI:10.1038/s44328-026-00084-z
PMID:41993926
|
研究论文 | 本文介绍了一种结合微流控富集、深度学习图像分析和免疫荧光分析的流式数字全息显微镜系统，用于提高循环肿瘤细胞检测的敏感性和特异性 | 整合惯性微流控预处理与双模态成像（全息术和荧光传感），并利用深度学习模型提供细胞形态学置信度，可实时结合免疫荧光标准进行CTC计数，且能检测到传统EpCAM标记可能漏检的PSMA阳性CTC | 仅进行了小规模试点研究（13名晚期前列腺癌患者和8名健康对照），样本量有限，需进一步验证 | 开发一种高灵敏度、高特异性的循环肿瘤细胞检测方法，用于癌症早期检测、预后评估和疾病监测 | 循环肿瘤细胞（CTCs），来自晚期前列腺癌患者和健康对照的血液样本 | 数字病理学 | 前列腺癌 | 数字全息显微镜，微流控富集，免疫荧光分析 | 深度学习模型 | 图像（全息和荧光图像） | 13名晚期前列腺癌患者和8名健康对照的血液样本 | NA | NA | 患者水平假阳性率（1细胞/毫升），CTC计数 | NA |
| 887 | 2026-04-18 |
A multimodal deep learning-based model for posture asymmetry recognition and sports injury risk prediction in adolescent table tennis athletes
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1800522
PMID:41994050
|
研究论文 | 本研究开发了一个多模态深度学习框架，用于自动识别青少年乒乓球运动员的姿态不对称模式并评估其生物力学损伤风险水平 | 提出了一个集成视频RGB序列、骨骼关键点轨迹和运动学参数的多模态深度学习框架，通过跨模态注意力机制、加权图卷积网络和时间卷积网络实现姿态不对称识别和损伤风险预测 | 研究基于专家评估的姿态偏差标准进行生物力学风险分层，用于筛查目的，而非经过纵向验证的损伤发生预测 | 开发智能评估系统，用于青少年乒乓球运动员的训练监测和损伤预防 | 青少年乒乓球运动员 | 计算机视觉 | 运动损伤 | 视频分析, 运动捕捉 | 深度学习 | 视频, 骨骼关键点, 运动学参数 | TTStroke-21数据集 | NA | 加权图卷积网络, 时间卷积网络 | NA | NA |
| 888 | 2026-04-18 |
Protein design, generative AI and biological security
2026, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2026.1817535
PMID:41994287
|
综述 | 本文回顾了生成式人工智能在蛋白质设计领域的当前发展，评估了其双重用途影响，并讨论了平衡科学进步与生物安全的相称缓解策略 | 深入探讨了AI驱动的蛋白质设计在生物安全方面带来的新机遇（如检测生物制剂、开发病毒表面蛋白结合剂）与新风险（如设计出功能等效但序列相似性低的毒素），并提出了分层的缓解策略 | 文章为综述性质，未进行具体的实验验证或模型开发，主要基于现有文献和趋势进行分析，因此可能未涵盖所有新兴风险或技术细节 | 评估生成式人工智能在蛋白质设计中的双重用途影响，并探讨如何平衡科学创新与生物安全风险 | AI驱动的蛋白质设计技术及其在生物安全领域的应用与潜在风险 | 机器学习 | NA | 深度学习 | 生成模型 | 蛋白质序列与结构数据 | NA | NA | NA | NA | NA |
| 889 | 2026-04-18 |
Artificial intelligence in the diagnosis of thyroid diseases: applications and challenges
2026, Frontiers in radiology
DOI:10.3389/fradi.2026.1740915
PMID:41994322
|
综述 | 本文综述了人工智能在甲状腺疾病诊断中的最新应用，并深入分析了其面临的挑战 | 通过整合跨模态研究，揭示了AI在不同成像模态中的应用，并强调了其在特征提取和风险分层中的潜在价值 | 面临数据异质性（跨机构和设备数据差异导致模型性能下降）和可解释性不足（深度学习模型作为“黑箱”，难以提供透明决策依据）等关键挑战 | 探讨人工智能在甲状腺疾病诊断中的应用及其挑战 | 甲状腺疾病 | 数字病理学 | 甲状腺疾病 | NA | 机器学习, 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 890 | 2026-04-18 |
Application of machine learning and deep learning in the diagnosis and treatment of inguinal hernia: a narrative review
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1743178
PMID:41994435
|
综述 | 本文综述了机器学习和深度学习在腹股沟疝诊断与治疗中的应用现状与前景 | 系统性地总结了AI在腹股沟疝诊疗中的最新进展，并指出了生成式AI等新兴技术的潜力与挑战 | 生成式AI的准确性和可靠性仍需进一步验证，且文章为叙述性综述，未进行定量分析 | 回顾并总结机器学习和深度学习在腹股沟疝诊疗领域的应用，为临床实践和技术创新提供参考 | 腹股沟疝的诊断与治疗 | 机器学习 | 腹股沟疝 | NA | 深度学习 | 图像, 视频, 非结构化数据 | NA | NA | 深度神经网络 | NA | NA |
| 891 | 2026-04-18 |
Few-shot deployment of pretrained MRI transformers in brain imaging tasks
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1771088
PMID:41994558
|
研究论文 | 本研究提出了一种用于在数据受限的临床环境中，对预训练的MRI Transformer模型进行少样本部署的实用框架 | 提出了一种融合预训练MAE全局嵌入与局部CNN特征的混合架构MAE-FUnet，用于医学图像分割；在少样本设置下，实现了高效的模型部署和卓越的性能 | 研究主要聚焦于脑部MRI成像任务，其通用性在其他医学影像模态或解剖区域中尚未验证；实验在受控的少样本设置下进行，真实世界数据分布复杂性可能带来挑战 | 开发一个实用的框架，以解决医学影像中标注数据稀缺的问题，实现预训练Transformer模型在多种脑部成像任务中的少样本高效部署 | 多队列脑部MRI数据集，包括NACC、ADNI、OASIS、NFBS、SynthStrip和MRBrainS18 | 医学影像分析 | 脑部疾病 | 掩码自编码器预训练策略 | Transformer, CNN | MRI图像 | 超过3100万张2D切片的大规模多队列脑部MRI数据集 | NA | Masked Autoencoder, MAE-FUnet | 准确率, Dice系数, IoU分数 | NA |
| 892 | 2026-04-18 |
Advances in ultrasound for preoperative molecular subtyping of malignant breast tumors
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1774951
PMID:41994636
|
综述 | 本文综述了超声技术在术前恶性乳腺肿瘤分子分型（如luminal A、luminal B、HER2富集和三阴性）中的最新进展，涵盖传统超声特征分析、弹性成像、超声造影、微血管成像、影像组学和深度学习等方法 | 系统整合了多种超声技术（包括超声造影、微血管成像、弹性成像及多参数机器学习模型）在术前分子分型中的应用，并强调了方法学严谨性、可解释性和临床转化路径 | 研究存在参考标准异质性、单中心回顾性设计、类别不平衡和外部验证有限等主要障碍 | 支持术前乳腺肿瘤分子分型推断和生物标志物相关风险分层，以指导系统治疗选择和预后评估 | 恶性乳腺肿瘤 | 数字病理学 | 乳腺癌 | 超声技术（包括B型超声、弹性成像、超声造影、微血管成像） | 深度学习, 机器学习 | 超声图像 | NA | NA | NA | NA | NA |
| 893 | 2026-04-18 |
MRI augmented with novel artificial intelligence system is equivalent to CT in glenoid imaging
2025-Nov-04, Shoulder & elbow
IF:1.5Q3
DOI:10.1177/17585732251392203
PMID:41199812
|
研究论文 | 本研究通过深度学习算法自动分割MRI图像，并与CT图像进行对比，评估MRI在肩关节前向不稳定中替代CT作为首选成像方式的可行性 | 开发了一种定制深度学习算法，用于自动分割MRI图像，实现了与CT近乎相同的解剖定义，同时具备软组织可视化和避免电离辐射的优势 | 研究为回顾性设计，样本量相对较小（共64例患者），且仅针对特定MRI序列（T1脂肪抑制和VIBE MRI关节造影图像）进行验证 | 评估MRI是否能在肩关节前向不稳定的骨丢失测量中替代CT作为首选成像方式 | 肩关节前向不稳定患者的MRI和CT扫描图像 | 医学影像分析 | 肩关节前向不稳定 | MRI（T1脂肪抑制和VIBE序列）、CT | 深度学习算法 | 图像 | 64例患者（39例T1脂肪抑制MRI，25例VIBE MRI关节造影） | NA | NA | Dice相似系数, Spearman相关系数 | NA |
| 894 | 2026-04-18 |
Deep Learning Estimation of 24-2 Visual Field Map From Optic Nerve Head Optical Coherence Tomography Angiography
2025-11-01, Journal of glaucoma
IF:2.0Q2
DOI:10.1097/IJG.0000000000002626
PMID:40923848
|
研究论文 | 本研究开发了深度学习模型，利用OCTA图像估计24-2视野图，以减少视野测试频率 | 首次将深度学习应用于OCTA图像，利用视盘层信息高精度估计24-2视野图 | NA | 开发深度学习模型从OCTA图像估计24-2视野图 | OCTA视盘正面图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描血管成像 | 深度学习模型 | 图像 | 994名参与者（1684只眼睛）的3148个视野OCTA对 | NA | NA | 平均绝对误差, 皮尔逊相关系数 | NA |
| 895 | 2026-04-18 |
A protein dynamics-based deep learning model enhances predictions of fitness and epistasis
2025-Oct-21, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2502444122
PMID:41100667
|
研究论文 | 本研究构建了一个融合蛋白质动力学信息的深度学习框架，用于增强对蛋白质突变适应性和上位性效应的预测能力 | 首次将基于物理的蛋白质动力学指标（非对称动态耦合指数DCI）整合到图神经网络架构中，无需上位性实验数据训练即可有效建模突变间的复杂相互作用 | 模型仅在四种特定蛋白质的深度突变扫描数据集上验证，尚未在更广泛的蛋白质家族或体内环境中测试 | 开发能够准确预测多个突变对蛋白质功能协同影响（包括上位性效应）的计算模型 | 蛋白质突变效应预测，重点关注残基间的动态耦合与上位性相互作用 | 机器学习 | NA | 深度突变扫描，蛋白质动力学模拟 | GNN | 蛋白质序列数据，动力学耦合指标 | 四种不同蛋白质的深度突变扫描数据集，外加37个计算设计的TEM-1 β-内酰胺酶变体 | PyTorch | 图神经网络（GNN），基于动态耦合构建残基连接 | 预测准确性，与现有方法的比较性能 | NA |
| 896 | 2026-04-18 |
Deep Learning-Based Generation of DSC MRI Parameter Maps Using Dynamic Contrast-Enhanced MRI Data
2025-Oct-01, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8768
PMID:40194853
|
研究论文 | 本研究开发了一种基于条件生成对抗网络的方法，从动态对比增强MRI数据合成DSC MRI参数图 | 首次利用cGAN从DCE MRI数据生成DSC参数图，避免了重复注射造影剂，并能在易感伪影区域可视化 | 样本量较小（64名参与者），且仅针对脑肿瘤患者进行了验证，未在其他疾病或更大队列中测试 | 开发深度学习方法来从DCE MRI数据合成DSC MRI参数图，以减少造影剂使用 | 脑肿瘤患者及无脑肿瘤的对照组参与者 | 医学影像分析 | 脑肿瘤 | DSC MRI, DCE MRI | cGAN | MRI图像 | 64名参与者（包括脑肿瘤患者和对照组） | NA | 条件生成对抗网络 | 线性回归, Bland-Altman图 | NA |
| 897 | 2026-04-18 |
Using Deep Learning to Choose Optimal Smoothing Values for Equating
2025-Aug-23, Applied psychological measurement
IF:1.0Q3
DOI:10.1177/01466216251363244
PMID:40881830
|
研究论文 | 本研究利用深度学习自动选择等值中的最优平滑值，通过训练卷积神经网络分析人类分类的后平滑图，并与人工选择进行比较 | 首次将深度学习（特别是卷积神经网络）应用于心理测量等值中的平滑值选择，自动化了传统依赖人工视觉判断的过程 | 人类与训练网络的一致性率为71%，表明仍有提升空间，且研究可能受限于训练数据的质量和数量 | 自动化心理测量等值过程中最优平滑值的选择，提高效率和一致性 | 等值过程中的后平滑图（图像数据） | 机器学习 | NA | 深度学习，图像分类 | CNN | 图像 | 使用人类分类的后平滑图进行训练，具体样本数量未明确说明 | NA | 卷积神经网络 | 一致性率（agreement rate） | NA |
| 898 | 2026-04-18 |
Development and application of deep learning-based diagnostics for pathologic diagnosis of gastric endoscopic submucosal dissection specimens
2025-07, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-025-01612-y
PMID:40232558
|
研究论文 | 本研究开发并评估了一种用于胃内镜黏膜下剥离术标本病理诊断的深度学习模型 | 首次开发了针对胃ESD标本的深度学习模型，用于肿瘤和黏膜肌层的组织分割以及肿瘤和黏膜下浸润的检测，并显著减少了病理医生的诊断时间 | 研究样本量相对有限（366个ESD标本），且仅针对腺癌，未涵盖其他类型的胃癌 | 开发并评估一种深度学习模型，以辅助胃内镜黏膜下剥离术标本的准确病理诊断 | 胃内镜黏膜下剥离术标本的整张切片图像 | 数字病理学 | 胃癌 | 整张切片成像 | 深度学习模型 | 图像 | 366个ESD标本，包含2257个标注的兴趣区域和83,839个补丁图像 | NA | NA | Dice系数, AUROC, 特异性, 敏感性 | NA |
| 899 | 2026-04-18 |
Fetal Sleep: A Cross-Species Review of Physiology, Measurement, and Classification
2025-Jun-27, ArXiv
PMID:41019222
|
综述 | 本文综述了胎儿睡眠的生理特征、测量方法和分类技术，并探讨了宫内条件如缺氧和生长受限对胎儿睡眠的影响 | 综合了八十多年的研究，比较了人类与大型动物模型的睡眠模式，并评估了基于规则和深度学习的分类方法 | NA | 为开发客观、多模态、非侵入性的胎儿睡眠监测技术提供基础，以支持产前护理的早期诊断和干预 | 胎儿睡眠模式，包括人类和大型动物模型 | 自然语言处理 | 老年疾病 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 900 | 2026-04-18 |
Identifying kinematic biomarkers of the dystrophic phenotype in a zebrafish model of Duchenne muscular dystrophy
2025-Jun-20, Skeletal muscle
IF:5.3Q2
DOI:10.1186/s13395-025-00382-6
PMID:40542412
|
研究论文 | 本研究使用高速摄像和基于深度学习的无标记运动捕捉技术，量化了杜氏肌营养不良症斑马鱼模型的逃逸反应游泳运动学，以识别表型生物标志物 | 首次将无标记运动捕捉与机器学习模型结合，精确量化斑马鱼逃逸反应运动学，识别出区分突变与野生型幼虫的关键生物标志物，并揭示了运动障碍的潜在机制 | 研究仅针对两种斑马鱼突变株（sapje和sapje-like），样本范围有限；方法依赖于高速摄像设备，可能增加实验成本 | 开发高分辨率、低变异性的方法，以评估杜氏肌营养不良症斑马鱼模型的运动能力，并识别表型生物标志物 | 杜氏肌营养不良症斑马鱼模型（sapje和sapje-like突变株）的幼虫 | 计算机视觉 | 杜氏肌营养不良症 | 高速摄像，无标记运动捕捉 | 随机森林，支持向量机 | 视频 | 两种斑马鱼突变株（sapje和sapje-like）的幼虫，具体数量未在摘要中明确 | NA | NA | 效应大小（标准偏差） | NA |