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 45526 篇文献，本页显示第 961 - 980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 961 | 2026-06-05 |
Artificial intelligence in forensic science: a systematic review. Part I: personal identification
2026-Jun-04, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-026-03855-5
PMID:42236556
|
系统综述 | 对2012至2026年间89项关于人工智能在法医学个人识别中应用的研究进行系统综述，涵盖性别推断、人类识别、祖先推断和亲缘关系分析等任务 | 首个系统性地总结法医个人识别中AI应用证据的综述，包括方法学特征、模型性能及挑战 | 研究间方法学异质性大、主要依靠特定人群数据集、缺乏充分的独立外部验证 | 综合评估AI模型在法医个人识别中的可用证据、方法学特征和性能 | 89项涉及AI法医个人识别的原始研究 | 机器学习 | 不适用 | 计算断层扫描、X射线影像、深度学习模型 | 深度学习模型、传统机器学习模型 | 影像数据（主要是CT和X光图像） | 89项研究（2012-2026年发表） | NA | NA | 准确率（中位91.4%，四分位距88.9-95.0%） | NA |
| 962 | 2026-06-05 |
Physics-informed deep learning enables reliable and scalable organoid quantification for drug screening via OCT
2026-Jun-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02847-4
PMID:42236584
|
研究论文 | 提出物理信息引导的深度学习框架DICE-2DSeg，实现基于OCT的类器官高通量药物筛选量化 | 创新性地将OCT物理原理（层内相干增强）与图结构层间上下文聚合结合，解决高精度与高通量矛盾，实现多尺度一致分割 | 依赖93个体积数据验证，未说明更大规模外推性；物理先验可能对非OCT数据泛化有限 | 开发可靠且可扩展的类器官量化方法，用于基于OCT的高通量药物筛选 | 患者来源类器官（PDOs）的光学相干断层扫描（OCT）图像 | 计算机视觉, 数字病理学 | 癌症 | OCT | CNN, GNN | 图像 | 93个OCT体积数据，涵盖多种癌症类型和药物处理 | PyTorch | nnUNet3D, DICE-2DSeg | 准确率, 速度（加速比）, 多尺度一致性 | NA |
| 963 | 2026-06-05 |
CT-based deep learning radiogenomics for predicting key glioma genotypes (IDH, ATRX, EGFR, TP53)
2026-Jun-04, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-04043-3
PMID:42236611
|
研究论文 | 评估基于CT的影像基因组学与机器学习结合预测胶质瘤关键基因型（IDH、ATRX、EGFR、TP53）的性能 | 首次系统评估非对比CT影像组学与深度学习模型预测多种胶质瘤临床相关基因突变（IDH、ATRX、EGFR、TP53）的有效性，并比较传统机器学习与深度学习方法的表现 | EGFR亚组样本量小（n=17），结果可能不具备推广性；缺乏外部验证；回顾性研究设计存在偏差风险 | 验证CT影像组学结合机器学习能否准确预测胶质瘤的临床相关分子标志物 | 197例经组织学确诊胶质瘤患者的非对比CT扫描数据及对应的分子标志物突变状态 | 机器学习, 数字病理 | 胶质瘤 | CT影像组学, 非对比CT扫描 | 传统机器学习（六种经典分类器）和深度学习（自定义全连接神经网络FCNN和TabNet） | 影像数据（非对比CT扫描） | 197例成人患者（ATRX：81例突变，EGFR：17例突变，TP53：71例突变，IDH：183例突变） | NA | TabNet, 自定义全连接神经网络（FCNN） | ROC-AUC | NA |
| 964 | 2026-06-05 |
Shortening MRI scanning time for acute ischemic stroke: analysis of the effect of 3.0T MRI compressed sensing deep learning reconstruction
2026-Jun-04, Emergency radiology
IF:1.7Q3
DOI:10.1007/s10140-026-02496-w
PMID:42236638
|
研究论文 | 评估压缩感知深度学习重建技术能否在保持诊断图像质量的同时缩短急性缺血性中风患者的3.0T MRI扫描时间 | 首次评估压缩感知深度学习重建在三种加速倍数（R3、R4、R5）下对急性缺血性中风MRI扫描时间和图像质量的影响 | 单中心回顾性设计，样本量较小（69例），未评估不同病变大小和位置的图像质量差异 | 评估压缩感知深度学习重建能否减少急性缺血性中风MRI扫描时间并维持诊断图像质量 | 急性缺血性中风患者 | 数字病理学 | 脑血管疾病 | MRI | 深度学习重建网络 | 图像 | 69例急性缺血性中风患者 | NA | 压缩感知深度学习重建 | 信噪比、对比噪声比、总体质量评分、噪声评分、清晰度评分 | NA |
| 965 | 2026-06-05 |
An explainable AI framework for enhanced software defect prediction using transformer-assisted boosting
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44202-3
PMID:42236753
|
research paper | 提出一种结合Transformer自注意力机制与XGBoost的可解释AI框架，用于提升软件缺陷预测的准确性和可解释性 | 首次将Transformer自注意力机制与XGBoost集成，实现高预测性能与可解释性的统一，并利用SHAP解释关键特征重要性 | 未讨论框架在不同规模数据集上的泛化能力及计算资源消耗细节 | 开发一种兼具高准确度和可解释性的软件缺陷预测模型，帮助质量保证从业者优化缺陷管理和资源分配 | NASA Metrics Data Program和Code4Code数据集中的软件缺陷数据 | machine learning | NA | NA | Transformer、XGBoost | 数值型软件度量数据（圈复杂度、Halstead属性、代码行数） | NASA MDP和Code4Code两个数据集，具体样本量未提及 | XGBoost | Transformer | AUC, ROC, accuracy | NA |
| 966 | 2026-06-05 |
A comparative analysis of deep learning models for disease classification in multi-organ histopathological images
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56045-z
PMID:42236837
|
研究论文 | 比较了深度学习模型在多器官组织病理学图像疾病分类中的表现 | 首次系统比较了卷积神经网络和视觉Transformer在多器官疾病分类中的性能，并验证了从单器官扩展到多器官分类时性能不下降 | NA | 评估并比较CNN和ViT模型在多器官组织病理学图像疾病分类中的性能 | 人体主要器官（心脏、肺、肝脏、胰腺）的组织病理学全切片图像 | 数字病理学 | NA | 组织病理学全切片图像 | 卷积神经网络、视觉Transformer | 图像 | NA | NA | Swin-T, DenseNet-161 | 分类准确率 | NA |
| 967 | 2026-06-05 |
Deep learning enables automated detection of dinosaur footprints with high accuracy
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56031-5
PMID:42236855
|
研究论文 | 提出一种基于YOLOv8深度学习的自动化恐龙足迹检测系统，实现高精度识别与跨区域泛化 | 首次将YOLOv8目标检测网络应用于恐龙足迹自动检测，开发了多尺度检测方法以解决分辨率依赖问题，并在韩国和巴西不同足迹点验证了跨区域泛化能力 | 检测精度受光照条件、保存质量和轮廓标记存在性的影响 | 开发高效自动化恐龙足迹检测系统以替代耗时的人工调查 | 韩国多个足迹点的兽脚类、鸟脚类和蜥脚类恐龙足迹 | 计算机视觉 | 不适用 | 目标检测 | CNN | 图像 | 49,242张来自AI-Hub数据集的图像 | PyTorch | YOLOv8 | 平均精度均值mAP50, mAP50-95 | 不适用 |
| 968 | 2026-06-05 |
Differentiating advanced from non-advanced hepatic fibrosis: a hybrid deep learning-radiomics model leveraging synthetic contrast-enhanced CT from CycleGAN
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05563-5
PMID:42240649
|
研究论文 | 开发并验证一种混合深度学习-影像组学模型，利用CycleGAN合成的增强CT图像区分晚期和非晚期肝纤维化 | 首次结合CycleGAN合成增强CT图像与混合深度学习-影像组学模型，用于肝纤维化分期的非侵入性诊断，且融合真实平扫与合成增强CT图像进一步提升性能 | NA | 开发并验证一种基于CycleGAN合成增强CT图像的混合深度学习-影像组学模型，以区分晚期与非晚期肝纤维化 | 410例经活检确诊的肝纤维化患者 | 计算机视觉, 机器学习 | 肝纤维化 | CT成像, CycleGAN | CycleGAN, 深度学习模型, 放射组学模型, 机器学习分类器 | 图像 | 410例患者的非增强和增强CT图像 | NA | CycleGAN, 端到端深度学习模型 | AUC, 准确率, 校准曲线, 决策曲线分析, DeLong检验 | NA |
| 969 | 2026-06-05 |
Deep learning for clinically significant prostate cancer detection on MRI: a systematic review, HSROC meta-analysis, and direct comparison with PI-RADS-based interpretation
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05594-y
PMID:42240646
|
综述 | 系统评价深度学习在MRI检测临床显著性前列腺癌中的诊断准确性，并与PI-RADS解读进行直接比较 | 首次对深度学习在前列腺MRI中检测csPCa进行系统综述和HSROC荟萃分析，并直接对比深度学习单独、PI-RADS单独及AI辅助联合解读三种模式的诊断效能 | 特异性异质性高、HSROC预测区域宽泛限制了合并特异性的可迁移性；缺乏前瞻性验证、校准和患者层面安全性研究 | 评估深度学习在前列腺MRI中检测临床显著性前列腺癌的诊断准确性及其临床适用性 | 基于MRI的深度学习模型检测临床显著性前列腺癌 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | MRI图像 | 36项研究共9411例患者 | NA | NA | 敏感性、特异性、阳性似然比、阴性似然比 | NA |
| 970 | 2026-06-05 |
Deep learning and eye tracking: Convolutional neural networks provide converging evidence for experience-driven attention within visual search
2026-Jun-04, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-026-03057-2
PMID:42240817
|
研究论文 | 利用卷积神经网络分析视觉搜索中的眼动追踪数据，以验证经验驱动的注意力机制 | 首次将深度学习中的卷积神经网络应用于原始眼动时间序列数据，通过分类目标位置来揭示经验驱动注意力的反射性注意分配，并跨数据集验证了模型的泛化能力 | 研究仅基于视觉搜索任务和特定数据集，可能无法推广到其他类型的眼动任务或更复杂的现实场景 | 探索深度学习是否能够帮助科学家客观地整合眼动追踪数据中被传统分析忽略的变异，并验证经验驱动的注意力在视觉搜索中的作用 | 视觉搜索中的眼动追踪数据（原始眼动位置时间序列） | 机器学习 | NA | 眼动追踪 | 卷积神经网络 | 眼动时间序列数据 | 三个视觉搜索研究的数据集（Massa et al., 2024; Grubb & Li, 2018; Doyle et al., 2025） | NA | 卷积神经网络 | 分类准确率 | NA |
| 971 | 2026-06-05 |
Decoding Occult Cervical Lymph Node Metastasis in Head and Neck Squamous Cell Carcinoma: From AI-Driven Multimodal Fusion to Clinical Translation
2026-Jun-04, Current oncology reports
IF:4.7Q1
DOI:10.1007/s11912-026-01802-6
PMID:42240903
|
综述 | 探讨多组学技术与人工智能驱动的跨尺度多模态融合在检测头颈部鳞状细胞癌隐匿性颈部淋巴结转移中的应用及其临床转化 | 将高吞吐组学数据（如全基因组DNA甲基化和空间转录组学）与传统影像组学通过深度学习模型结合，显著提升检测性能，并引入栖息地影像组学和跨模态融合网络以更精细地刻画空间肿瘤异质性和早期转移微环境演变 | 需要进一步验证以支持安全的手术降级和更个性化的治疗策略 | 解决临床淋巴结阴性头颈部鳞状细胞癌患者中隐匿性转移检测的长期挑战，平衡过度治疗与治疗不足 | 头颈部鳞状细胞癌患者，特别是临床淋巴结阴性的患者 | 机器学习, 数字病理学 | 头颈部鳞状细胞癌 | 全基因组DNA甲基化测序, 空间转录组学, 影像组学 | 深度学习模型 | 组学数据, 影像数据 | NA | NA | 栖息地影像组学网络, 跨模态融合网络 | 检测性能（具体指标未提及） | NA |
| 972 | 2026-06-05 |
Harnessing Artificial Intelligence for Regeneration of Endometrium in Asherman's Syndrome
2026-Jun-04, Tissue engineering and regenerative medicine
IF:4.4Q2
DOI:10.1007/s13770-026-00810-8
PMID:42240941
|
综述 | 本文综述了用于治疗阿舍曼综合征的子宫内膜再生策略，并探讨了人工智能在预测、分类和识别宫腔粘连中的作用 | 整合人工智能（包括机器学习和深度学习算法）预测、分类和识别宫腔粘连，并探讨其在改善生物材料性能、增强干细胞活性和优化诊断治疗策略中的作用 | 未提及具体局限性 | 批判性评估治疗阿舍曼综合征的不同治疗策略及相关问题，并探索人工智能在子宫内膜再生中的应用 | 阿舍曼综合征（宫腔粘连）及其治疗策略 | 机器学习 | 妇科疾病 | NA | 机器学习、深度学习算法 | NA | NA | NA | NA | NA | NA |
| 973 | 2026-06-05 |
Comment on "Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology"
2026-Jun-04, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-026-01386-y
PMID:42240947
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 974 | 2026-06-05 |
Smartphone-Based Proactive Self-Screening for Ocular Surface Malignancies: A Nonrandomized Clinical Trial
2026-Jun-04, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2026.1609
PMID:42240998
|
临床研究 | 开发并验证了基于智能手机的主动自筛系统，用于普通人群的眼表恶性肿瘤筛查 | 首次将智能手机成像、人工智能诊断与多媒体精准传播整合，构建了面向罕见眼表恶性肿瘤的人群级闭环移动健康筛查模式 | NA | 开发并验证一个基于智能手机、媒体辅助的人工智能系统，用于普通人群体主动自筛眼表恶性肿瘤 | 眼表恶性肿瘤（恶性和良性病变） | 计算机视觉, 机器学习 | 眼表恶性肿瘤 | 深度学习, 智能手机成像 | 深度学习模型 | 图像（智能手机拍摄图像、裂隙灯图像） | 256053 名受众，其中 614 名完成了家庭自筛 | NA | NA | AUC, 灵敏度, 特异性 | NA |
| 975 | 2026-06-05 |
De Novo Design of Miniature and Efficient Metallo-Ketoreductases
2026-Jun-03, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.6c00732
PMID:42160334
|
研究论文 | 利用深度学习指导的工作流程，从理论活性位点设计微型金属酮还原酶，实现酮类的不对称还原 | 首次通过深度学习设计出仅含130个残基的微型金属酮还原酶，实现非生物氢化物转移机制催化的酮不对称还原，并展现出高催化性能、高热稳定性和有机溶剂耐受性 | 未提及局限性 | 设计能够催化非生物转化的酶，拓展合成生物催化前沿 | 金属酮还原酶的从头设计 | 机器学习 | NA | 深度学习 | NA | 蛋白质序列数据 | NA | NA | NA | 转化数 (TON)、对映体过量 (e.e.)、底物范围、区域选择性 | NA |
| 976 | 2026-06-05 |
A Deep Learning Perspective on Preoperative Ultrasound and Intraoperative Discordance in Transcervical Fibroid Ablation
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70325
PMID:42234588
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 977 | 2026-06-05 |
A Deep Learning-Based Multimodal Nomogram for HLHS Risk Assessment: Practical Considerations
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70323
PMID:42234603
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 978 | 2026-06-05 |
GMC-Bind: A Multimodal Framework for RNA-Protein Binding Site Prediction with Bidirectional Cross-Attentional Fusion
2026-Jun-03, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3700035
PMID:42235009
|
研究论文 | 提出了一种结合多尺度窗口卷积、图注意力和双向交叉注意力机制的多模态框架GMC-Bind，用于RNA-蛋白质结合位点预测 | 通过双向交叉注意力机制实现局部序列特征与全局结构依赖的高效协同建模，并创新性地融合了多尺度卷积提取可变长度基序特征与图注意力编码RNA二级结构空间拓扑 | 未在更广泛数据集验证，且框架复杂度可能增加计算开销 | 提高RNA-蛋白质结合位点预测的准确性，以深入理解基因调控和疾病机制 | RNA-蛋白质结合位点 | 机器学习 | NA | 深度学习 | 多模态混合模型（CNN+GNN+交叉注意力） | 序列和结构数据 | RBP-24数据集（24个子数据集） | PyTorch | 多尺度卷积、图注意力网络、双向交叉注意力机制 | AUC | NA |
| 979 | 2026-06-05 |
TRIDENT: A multi-task, triple-branch deep learning framework for EEG-based recognition, severity estimation, and future high-anger prediction in an on-road Wizard-of-Oz paradigm
2026-Jun-03, Accident; analysis and prevention
DOI:10.1016/j.aap.2026.108613
PMID:42235288
|
研究论文 | 提出一个基于EEG的多任务深度学习框架TRIDENT，用于驾驶愤怒状态的识别、严重程度评估及未来高愤怒预测 | 首次在真实道路Wizard-of-Oz范式中利用EEG信号进行连续驾驶愤怒状态多任务学习，包含四类愤怒状态识别、连续严重程度估计和未来高愤怒预测三重任务，并整合多尺度时间卷积、脑网络表征与序列建模 | 样本量较小（24名参与者），脑电图特征可能受个体差异影响，未来需在更大样本和真实驾驶条件下验证 | 通过生理信号（EEG）在受控道路冲突暴露下连续建模驾驶愤怒相关的情绪状态 | 24名持证驾驶员在Wizard-of-Oz范式下经历脚本化交通冲突时采集的32通道EEG信号、自我报告及情境信息 | 机器学习 | NA | EEG, Wizard-of-Oz范式 | 多任务深度学习模型 | EEG信号, 自我报告数据, 情境信息 | 24名参与者 | PyTorch | TRIDENT (多尺度时间卷积、脑网络表示、序列建模组件) | 准确率 | NA |
| 980 | 2026-06-05 |
Domain-specific adaptation for MR image synthesis with text-guided diffusion
2026-Jun-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae7797
PMID:42235582
|
研究论文 | 提出一种基于文本引导扩散模型的域特定适配方法，用于在小规模数据集上合成高真实感的医学MR图像 | 采用分区并行文本引导潜扩散模型，结合分割掩膜和Voronoi-灰度自适应划分，实现局部纹理保留和域特定微调 | 未提及模型在不同模态或更大规模数据集上的泛化能力，以及计算资源的详细需求 | 解决医学图像数据稀缺问题，通过合成具有病理纹理特征的MR图像提升下游分割任务性能 | 脑胶质瘤MRI数据中的病变和健康区域 | 计算机视觉 | 脑胶质瘤 | MRI | 潜扩散模型 | 图像 | 未明确说明样本数量，但基于脑胶质瘤MRI数据 | NA | 潜扩散模型 | FID, SSIM, 放射组学特征分布分析, 盲测视觉图灵测试敏感性, Dice系数 | NA |