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 45506 篇文献，本页显示第 9361 - 9380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9361 | 2026-01-30 |
Efficient and Accurate Epilepsy Seizure Prediction and Detection Based on Multi-Teacher Knowledge Distillation RGF-Model
2026-Jan-09, Brain sciences
IF:2.7Q3
DOI:10.3390/brainsci16010083
PMID:41594804
|
研究论文 | 本文提出了一种基于多教师知识蒸馏的RGF-Model，用于高效、准确的癫痫发作预测与检测 | 提出了一种轻量级网络RGF-Model，将发作预测与检测统一在因果框架内，并采用多教师知识蒸馏策略从复杂教师模型中转移互补知识，显著降低了计算复杂度 | 模型仅在CHB-MIT和Siena两个数据集上进行了评估，需要更多临床数据验证其泛化能力 | 开发适用于可穿戴设备的实时癫痫监测系统 | 癫痫患者的脑电信号 | 机器学习 | 癫痫 | 脑电图 | RNN, 知识蒸馏 | 时序信号 | CHB-MIT和Siena数据集 | NA | Ring-Buffer Gated Recurrent Unit, Feature-wise Linear Modulation | AUC, 每小时错误预测率, 准确率 | NA |
| 9362 | 2026-01-30 |
Robust Multimodal Deep Learning for Lymphoma Subtype Classification Using 18F-FDG PET Maximum Intensity Projection Images and Clinical Data: A Multi-Center Study
2026-Jan-09, Cancers
IF:4.5Q1
DOI:10.3390/cancers18020210
PMID:41595131
|
研究论文 | 本研究提出了一种多模态深度学习框架，结合了标准化的PET影像特征与结构化临床数据，用于淋巴瘤亚型的层次分类 | 引入了Scanner-Conditioned Normalization (SCN)模块以自适应地调和不同扫描仪制造商引起的特征分布差异，并构建了一个多模态深度学习框架进行层次分类 | 需要在更大、更多样化的队列中进行进一步验证，以应对罕见亚型和生物学异质性的挑战 | 开发一个稳健的多模态深度学习框架，用于淋巴瘤亚型的自动分类 | 淋巴瘤患者的18F-FDG PET最大强度投影图像和临床数据 | 数字病理学 | 淋巴瘤 | 18F-FDG PET成像 | 深度学习 | 图像, 临床数据 | 多中心数据，包含内部和外部队列 | NA | NA | AUC | NA |
| 9363 | 2026-01-30 |
Light Sources in Hyperspectral Imaging Simultaneously Influence Object Detection Performance and Vase Life of Cut Roses
2026-Jan-09, Plants (Basel, Switzerland)
DOI:10.3390/plants15020215
PMID:41600022
|
研究论文 | 本研究探讨了四种光源（卤素灯、白炽灯、荧光灯和LED）对高光谱成像质量和切花月季瓶插寿命的影响 | 首次同时评估光源对高光谱成像质量和植物生理状态（瓶插寿命）的双重影响，并提出两阶段照明策略 | 仅使用两个切花月季品种，样本量有限，且未考虑其他环境因素 | 优化高光谱成像中的照明条件，以提高深度学习模型检测精度并减少对植物生理的负面影响 | 切花月季品种'All For Love'和'White Beauty' | 计算机视觉 | NA | 高光谱成像 | YOLOv11x | 高光谱图像 | 40枝切花月季，每种光源产生640张图像 | NA | YOLOv11x | mAP@0.5 | NA |
| 9364 | 2026-01-30 |
Age- and BMI-Dependent Psoas and Gluteus Muscle Mass in 27,805 Participants of the Population-Based German National Cohort (NAKO Gesundheitsstudie): A Deep-Learning 3T MRI Study
2026-Jan-08, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16020205
PMID:41594181
|
研究论文 | 本研究开发并验证了一种基于深度学习的自动化模型，用于在大型队列研究中通过3T MRI对腰大肌和臀肌进行3D分割和量化，并分析了性别、年龄和BMI相关的差异 | 首次在基于人群的大规模队列研究中应用深度学习模型对腰大肌和臀肌进行3D自动分割和量化 | 研究未讨论模型在其他人群或不同MRI设备上的泛化能力 | 开发自动化深度学习模型用于MRI图像中骨骼肌的3D分割和量化，并分析肌肉形态与性别、年龄、BMI的关系 | 基于德国国家队列研究的27,805名参与者的腰大肌和臀肌 | 计算机视觉 | NA | 3T MRI, T1加权3D VIBE DIXON序列 | 深度学习分割模型 | MRI图像 | 27,805名参与者 | NA | NA | Dice系数 | NA |
| 9365 | 2026-01-30 |
Early Tuberculosis Detection via Privacy-Preserving, Adaptive-Weighted Deep Models
2026-Jan-08, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16020204
PMID:41594180
|
研究论文 | 本文提出了一种基于联邦学习和遗传算法优化的自适应加权集成模型，用于早期肺结核的检测 | 结合联邦学习与遗传算法优化的自适应加权集成策略，在保护数据隐私的同时提升模型性能 | 研究未明确说明模型在外部验证集上的泛化能力及计算资源消耗的具体细节 | 开发一个可扩展、保护隐私且高精度的深度学习系统，用于早期肺结核识别 | 胸部X光图像 | 计算机视觉 | 肺结核 | 胸部X光成像 | 集成学习模型 | 图像 | NA | NA | 集成模型（具体基础模型未指定） | 准确率, 灵敏度, 精确率, F1分数, AUC, 混淆矩阵 | NA |
| 9366 | 2026-01-30 |
Artificial Intelligence Meets Nail Diagnostics: Emerging Image-Based Sensing Platforms for Non-Invasive Disease Detection
2026-Jan-08, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering13010075
PMID:41596006
|
综述 | 本文首次全面综述了结合人工智能/机器学习进行指甲病变图像分析以用于诊断目的的研究现状 | 首次对融合AI/ML的指甲病变图像分析诊断进行大规模综合评述，并特别关注诊断与筛查，提出了可扩展、公平、可信的基于指甲的医学诊断技术路径 | 面临数据稀缺、皮肤类型差异、标注错误以及临床采纳法规等现实世界应用障碍 | 探讨人工智能与机器学习在指甲诊断中的应用，推动非侵入性疾病检测 | 指甲病变图像，作为系统性疾病（如贫血、糖尿病、银屑病、黑色素瘤、真菌病）的非侵入性生物标志物 | 计算机视觉 | NA | 智能手机成像、皮肤镜、光学相干断层扫描 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 9367 | 2026-01-30 |
Explainable Transformer-Based Modelling for Pathogen-Oriented Food Safety Inspection Grade Prediction Using New York State Open Data
2026-Jan-08, Foods (Basel, Switzerland)
DOI:10.3390/foods15020223
PMID:41596821
|
研究论文 | 本研究开发了一个基于Transformer的可解释框架，利用纽约州公开的多模态检查数据来预测食品安全检查等级 | 首次将基于Transformer的模型与可解释人工智能（XAI）相结合，用于面向病原体的食品安全风险评估，并利用多模态数据（结构化元数据和非结构化缺陷描述）进行建模 | 研究仅基于纽约州的公开数据，模型在其他地区的泛化能力尚未验证；未详细讨论计算资源需求和实时部署的可行性 | 开发可解释的AI框架，用于预测食品安全检查等级，支持面向病原体的实时风险评估 | 纽约州食品安全检查数据，包括结构化元数据和非结构化缺陷描述文本 | 自然语言处理 | 食源性疾病 | 文本分析，多模态数据融合 | Transformer, BiLSTM, LightGBM | 文本，结构化数据 | 未明确说明具体样本数量，但使用纽约州公开的食品安全检查数据集 | 未明确说明，但提及了经典机器学习、深度学习和Transformer模型 | RoBERTa, BiLSTM, LightGBM | F1分数 | NA |
| 9368 | 2026-01-30 |
Artificial Intelligence in Rheumatology: From Algorithms to Clinical Impact in Osteoporosis and Chronic Inflammatory Rheumatic Diseases
2026-Jan-08, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15020491
PMID:41598430
|
综述 | 本文总结了人工智能在骨质疏松症和慢性炎症性风湿病领域的研究现状、应用潜力及面临的挑战 | 系统性地回顾了2015年至2025年间AI在风湿病学领域的研究进展，并特别关注了方法学稳健性和临床适用性 | 大多数研究依赖于回顾性单中心数据集，外部验证有限，可解释性欠佳，且缺乏真实世界应用的证据 | 总结人工智能在骨质疏松症和慢性炎症性风湿病中的当前证据，评估其临床转化潜力 | 骨质疏松症和慢性炎症性风湿病（如骶髂关节炎） | 数字病理学 | 风湿病 | NA | 机器学习, 深度学习 | 影像数据, 临床数据, 生物学数据 | 基于323篇纳入文章 | NA | NA | NA | NA |
| 9369 | 2026-01-30 |
Predicting enviromically adapted varieties with big data
2026-Jan-07, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-025-03914-x
PMID:41495804
|
研究论文 | 本研究提出了一种结合基因组数据和环境信息的预测框架，用于选择适应特定环境的高产冬小麦基因型 | 通过整合大规模基因组和环境数据，利用卷积神经网络和机器学习方法预测基因型与环境互作，显著提升了环境特异性性能预测的准确性 | 研究主要基于中欧地区的冬小麦数据，可能在其他地理区域或作物类型中适用性有限 | 开发一种基于大数据的基因组预测框架，以选择适应特定环境的高产作物品种 | 冬小麦的基因型（包括6,766个品系和6,519个杂交种）及其在31个中欧试验点的产量表现 | 机器学习 | NA | 基因组预测，环境变量分析 | CNN，机器学习模型 | 基因组数据，环境数据，产量数据 | 13,285个基因型（6,766个品系和6,519个杂交种）在31个试验点从2010年至2022年的数据 | NA | 卷积神经网络 | 预测准确性，性能提升百分比（23%） | NA |
| 9370 | 2026-01-30 |
AI driven hybrid convolutional and transformer based deep learning architecture for precise lung nodule classification
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34569-0
PMID:41501139
|
研究论文 | 本研究提出了一种结合图像增强与分割的AI驱动混合深度学习架构，用于精确分类肺部结节 | 提出了一种结合自适应对比度拉伸、各向异性扩散、自适应阈值、三维连通性和形态学操作的混合图像增强与分割流程，并采用卷积与Transformer混合的深度学习架构进行结节分类 | 研究仅基于公开数据集LIDC IDRI进行验证，未在临床实时环境中测试，且未与其他最先进的深度学习分割方法进行广泛比较 | 设计和验证一个全面的图像增强与分割流程，以高空间精度检测肺部结节并保持低假阳性率 | 肺部CT图像中的肺结节 | 计算机视觉 | 肺癌 | 计算机断层扫描(CT) | CNN, Transformer | 医学图像(CT扫描) | 1000次扫描(来自LIDC IDRI公开数据集) | NA | 混合卷积和Transformer架构 | 重叠分数, 灵敏度, 每扫描假阳性数 | NA |
| 9371 | 2026-01-30 |
Voxel Normalization in LDCT Imaging: Its Significance in Texture Feature Selection for Pulmonary Nodule Malignancy Classification: Insights from Two Centers
2026-Jan-07, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16020186
PMID:41594162
|
研究论文 | 本研究评估了体素归一化对肺结节分类的影响，并提出了一种基于快速傅里叶变换的轮廓融合方法作为更可解释的替代方案 | 引入基于快速傅里叶变换的轮廓融合方法，提供比生成对抗网络更具临床可解释性的专家标注整合方案 | 研究仅基于两个医疗中心的数据，未来需要在多中心环境中进一步验证 | 提高低剂量CT影像中肺结节恶性分类的准确性和可解释性 | 肺结节 | 数字病理学 | 肺癌 | 低剂量计算机断层扫描 | 机器学习模型,深度学习模型,Transformer | 医学影像 | 来自两个医疗中心的415名患者的病理确诊LDCT数据 | NA | Transformer | 准确率 | NA |
| 9372 | 2026-01-30 |
A Gas Production Classification Method for Cable Insulation Materials Based on Deep Convolutional Neural Networks
2026-Jan-07, Polymers
IF:4.7Q1
DOI:10.3390/polym18020155
PMID:41599454
|
研究论文 | 本文提出了一种基于深度卷积神经网络的多标签分类框架，用于准确识别五种典型电力电缆绝缘材料在故障条件下的气体生成特性 | 利用深度卷积神经网络实现多标签分类，能够同时预测多种降解状态或并发故障模式组合，解决了传统方法在处理混合气体数据时缺乏多标签识别能力的问题 | NA | 提高电力电缆设备绝缘状态评估的准确性 | 五种典型电力电缆绝缘材料：三元乙丙橡胶、乙烯-醋酸乙烯共聚物、硅橡胶、聚酰胺和交联聚乙烯 | 机器学习 | NA | 演化气体分析 | CNN | 气体浓度数据 | NA | NA | 深度卷积神经网络 | NA | NA |
| 9373 | 2026-01-30 |
Image-based rachis phenotyping facilitates genetic dissection of spikelet distribution in wheat
2026-Jan-06, Plant physiology
IF:6.5Q1
DOI:10.1093/plphys/kiaf666
PMID:41419219
|
研究论文 | 本研究开发了一种基于深度学习的表型分析流程RachisSeg，用于自动测量小麦穗轴图像中的性状，以促进穗粒分布遗传分析 | 引入了基于穗轴节间长度的穗粒分布性状，提供了穗结构的定量见解，并开发了RachisSeg这一自动化表型分析工具 | 未明确说明样本多样性或环境条件对结果的影响，可能受限于图像扫描质量 | 通过图像表型分析促进小麦穗粒分布的遗传解析和育种应用 | 小麦（Triticum aestivum L）的穗轴图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 小麦种质资源（包括地方品种、美国品种和中国品种）及重组自交系群体 | NA | NA | R2值 | NA |
| 9374 | 2026-01-30 |
Soft sonocapacitor with topologically integrated piezodielectric nanospheres enables wireless epidural closed-loop neuromodulation
2026-Jan-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-67723-3
PMID:41495062
|
研究论文 | 本文开发了一种拓扑纤维结构声电容（SonoCap），用于实现无线、高电容电荷密度注入的神经调控 | 提出了一种独特的压电-介电复合纳米球（UCapT）结构，具有压电核心-空腔-介电笼的拓扑结构，能高效耦合超声激发实现压电电子-电容转移，其高度组装的SonoCap实现了累积电荷存储、高离子可及表面积和宏观柔软性 | NA | 开发一种无线、高电容电荷密度注入的神经调控方案，用于癫痫等疾病的治疗 | 大鼠和猪的大脑神经回路 | 生物医学工程 | 癫痫 | 超声激发、电容耦合电刺激 | NA | NA | NA | NA | NA | 电容电荷密度输出（9.7 mC cm⁻²）、法拉第电荷（2 nC cm⁻²） | NA |
| 9375 | 2026-01-30 |
On Construction of Tibial Plateau Fracture Detection in Different Radiographic Views Using YOLO Models
2026-Jan-06, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16020182
PMID:41594158
|
研究论文 | 本研究评估了四种YOLO深度学习模型在不同X射线视图下检测胫骨平台骨折的性能 | 首次系统比较了YOLOv4、YOLOv5、YOLOv8和YOLOv9在胫骨平台骨折检测中的表现，并发现AP视图训练的模型性能最优 | 研究仅使用了单一医疗中心的X射线图像，样本量相对有限，且未涉及其他影像模态如CT或MRI | 评估不同YOLO模型在不同X射线视图下检测胫骨平台骨折的准确性和泛化能力 | 胫骨平台骨折的X射线图像 | 计算机视觉 | 骨折 | X射线成像 | YOLO | 图像 | 1489张膝关节X射线图像（727张骨折图像，762张非骨折图像） | NA | YOLOv4, YOLOv5, YOLOv8, YOLOv9 | 准确率, 特异性, 精确率, F1分数, AUC, 灵敏度, 阴性预测值 | NA |
| 9376 | 2026-01-30 |
A Supervised Deep Learning Model Was Developed to Classify Nelore Cattle (Bos indicus) with Heat Stress in the Brazilian Amazon
2026-Jan-06, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani16020161
PMID:41594351
|
研究论文 | 本研究开发了一种用于分类内洛尔牛热应激状态的监督深度学习模型 | 首次为巴西亚马逊地区的Bos indicus品种牛开发了基于深度学习的非侵入式热应激分类模型 | 模型特异性较低（42%），可能受类别不平衡和输入特征不足影响，在识别热舒适动物方面存在困难 | 开发深度学习模型以实时监测和分类牛的热应激状态，支持精准畜牧业决策 | 内洛尔牛（Nelore cattle, Bos indicus） | 机器学习 | NA | 深度学习，生物与环境参数监测 | 神经网络 | 多模态数据（生物变量：直肠温度、呼吸频率；环境变量：气温、相对湿度） | 30头牛（18-20月龄），共676个样本，覆盖每日4个时段（6:00, 12:00, 18:00, 24:00） | NA | NA | 准确率, 召回率, 特异性 | NA |
| 9377 | 2026-01-30 |
Comment on Korkmaz et al. A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species. Biology 2025, 14, 719
2026-Jan-06, Biology
DOI:10.3390/biology15020106
PMID:41594841
|
评论 | 本文是对Korkmaz等人关于使用深度学习和可解释AI分类盘菌物种研究的评论 | NA | NA | 讨论和评价Korkmaz等人研究中深度学习和可解释AI在盘菌物种分类中的应用 | 盘菌物种 | 自然语言处理 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9378 | 2026-01-30 |
Reply to Pastore, E.P. Comment on "Korkmaz et al. A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species. Biology 2025, 14, 719"
2026-Jan-06, Biology
DOI:10.3390/biology15020107
PMID:41594842
|
回复 | 本文是对Pastore, E.P.评论的正式回复，针对原论文《A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species》中提出的统计独立性、选择偏差和捷径学习等议题进行回应 | NA | NA | 回应评论中关于盘菌物种分类深度学习方法的统计独立性、预处理偏差和模型校准等议题 | 盘菌物种分类的深度学习与可解释AI方法 | 自然语言处理 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9379 | 2026-01-30 |
Deep Learning-Based Identification of Pathogenicity Genes in Phytophthora infestans Using Time-Series Transcriptomics
2026-Jan-06, Plants (Basel, Switzerland)
DOI:10.3390/plants15020178
PMID:41599985
|
研究论文 | 本研究提出了一种LSTM-Transformer混合模型，用于从基因表达时间序列数据中识别致病性相关基因，以应对马铃薯晚疫病的挑战 | 提出了一种结合LSTM和Transformer的混合模型，并引入了具有生物学意义的时间注意力架构、基因时间序列特定的数据划分策略以及可解释的深度分析模块 | 研究仅基于32,917个基因的18个样本进行分析，样本量相对有限，且模型在更广泛病原体或作物中的泛化能力尚未验证 | 识别与致病性相关的基因，为培育抗晚疫病马铃薯品种和加强植物保护策略提供分子靶点 | 致病疫霉（Phytophthora infestans）的基因表达时间序列数据 | 自然语言处理 | 植物病害 | 时间序列转录组学 | LSTM, Transformer | 基因表达时间序列数据 | 18个样本（3个感染时间点 × 6个生物学重复）覆盖32,917个基因 | NA | LSTM-Transformer混合模型 | NA | NA |
| 9380 | 2026-01-30 |
Applicability study of AI attribution methods for ophthalmic image classification
2026-Jan-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33120-5
PMID:41491079
|
研究论文 | 本研究评估了三种前沿归因方法在眼科图像分类中的适用性，以解释基于VGG16的深度学习模型在糖尿病视网膜病变和视网膜积液检测中的预测 | 首次系统地将自然图像领域的归因方法（DeepLIFT、AGI、AttEXplore）应用于眼科医学影像，评估其在病理和正常病例中的临床相关性，并指出即使定量性能高，归因结果仍需结合临床专业知识解读 | 归因方法的结果因基础假设和超参数敏感性而差异显著，高插入或低删除分数不一定对应临床有意义的视觉归因，且在正常病例中全局上下文证据的确认可能使归因信息量降低 | 探索归因方法在医学影像领域的适用性，以提高深度学习模型在眼科诊断中的可解释性和临床接受度 | 糖尿病视网膜病变和视网膜积液 | 计算机视觉 | 糖尿病视网膜病变 | 光学相干断层扫描（OCT）、宽视野OCT血管造影（OCTA） | CNN | 图像 | NA | NA | VGG16 | 准确率、插入分数、删除分数 | NA |