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 44199 篇文献，本页显示第 81 - 100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 81 | 2026-05-19 |
AI and the digital pathology revolution: clinical applications in cancer diagnosis and assessment
2026-Apr, Expert review of molecular diagnostics
IF:3.9Q1
DOI:10.1080/14737159.2026.2665801
PMID:42070246
|
综述 | 本文综述了人工智能与数字病理学在癌症诊断与评估中的临床应用 | 全面总结了从经典机器学习到深度学习模型（如卷积神经网络、Transformer和基础计算病理模型）的转变，以及多模态AI系统整合组织学图像与文本数据的涌现研究 | 未提供具体实验验证或定量分析结果 | 探讨数字病理学和人工智能如何改变癌症诊断与评估过程，并展望其未来在常规病理实践中的嵌入 | 数字病理学与人工智能技术在癌症诊断中的临床应用 | 数字病理学 | 癌症 | 数字病理学全切片成像 | 深度学习模型（卷积神经网络、Transformer、基础计算病理模型） | 图像（H&E染色组织切片） | NA | NA | 卷积神经网络、Transformer、基础计算病理模型 | NA | NA |
| 82 | 2026-05-19 |
Artificial Intelligence in Low-Dose Computed Tomography Lung Cancer Screening: Clinical Integration, Validation, and Translational Challenges
2026-Apr, Cureus
DOI:10.7759/cureus.107050
PMID:42147591
|
综述 | 本文综述了人工智能在低剂量CT肺癌筛查中的临床应用、验证研究及转化挑战 | 系统总结了AI在LDCT筛查中从算法性能到临床整合与人类-AI协作的转化进展 | 外部验证不足、泛化性有限、可解释性差、工作流整合困难，且放射科医师信任度及人机交互影响实际应用 | 总结AI在LDCT肺癌筛查中的方法、临床验证及转化挑战 | LDCT筛查中应用的AI技术及其临床整合 | 机器学习 | 肺癌 | NA | 深度学习, 放射组学 | 图像 | NA | NA | NA | NA | NA |
| 83 | 2026-05-19 |
Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data
2026-Mar-31, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c15772
PMID:41861271
|
研究论文 | 提出基于深度学习的多污染物同步预测框架DeepMAP，利用地球静止卫星数据量化多种空气污染物的共同暴露 | 首次提出能同时预测六种主要空气污染物（PM2.5、PM10、O3、NO2、CO、SO2）的深度学习框架，并引入新型共暴露指数来识别污染热点区域 | NA | 开发高时空分辨率的多污染物同步预测方法，以量化人群对混合污染物的共同暴露及其健康影响 | 东亚地区六种主要空气污染物的时空分布及其共同暴露特征 | 机器学习 | 呼吸系统疾病，心血管疾病 | 卫星遥感 | 深度学习 | 卫星影像 | NA | PyTorch | NA | 归一化均方根误差 | NA |
| 84 | 2026-05-19 |
Morphology-guided deep learning for nanoparticle agglomeration diagnostic assays
2026-Mar-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45423-2
PMID:41917119
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 85 | 2026-05-19 |
Atlas of predicted protein complex structures across kingdoms
2026-Mar-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70884-4
PMID:41882029
|
研究论文 | 利用AlphaFold2的ColabFold框架预测了110万个蛋白质-蛋白质相互作用结构，构建了跨物种的蛋白质复合物图谱 | 首次大规模跨物种预测蛋白质复合物结构，涵盖细菌、古菌、人类、小鼠、植物和人类-病毒对，并发现跨物种共享的蛋白质复合物结构 | 预测结构依赖计算机模型，实验验证仅针对特定病毒受体，覆盖范围有限 | 系统性地预测和解析跨物种蛋白质复合物的三维结构，揭示进化保守性和功能关系 | 蛋白质复合物的预测结构及蛋白质-蛋白质相互作用 | 机器学习 | NA | AlphaFold2, ColabFold | AlphaFold2 | 蛋白质序列 | 110万个蛋白质-蛋白质相互作用结构，覆盖细菌、古菌、人类、小鼠、植物和人类-病毒对 | ColabFold | AlphaFold2 | 高置信度结构分类标准 | NA |
| 86 | 2026-05-19 |
An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44499-0
PMID:41844761
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 87 | 2026-03-18 |
Uncertainty-aware automated labeling of intracranial arteries using deep learning
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02276-5
PMID:41840364
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 88 | 2026-05-19 |
Assessing the influence of kernel selection on chest computed tomography image quality across varying dose levels using TrueFidelity reconstruction
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf143
PMID:41821439
|
研究论文 | 评估不同剂量水平下使用不同重建核对胸部CT图像质量的影响 | 首次比较GE Healthcare的TrueFidelity DLIR软件中标准核与肺部核在全剂量和超低剂量胸部CT图像质量上的差异 | 样本量较小（仅25名患者），且对超低剂量协议无法得出可靠结论 | 评估全剂量和超低剂量胸部CT扫描中使用TrueFidelity标准核与肺部核重建的图像质量 | 25名接受胸部CT扫描的患者图像 | 计算机视觉 | 肺部疾病 | CT | 深度学习图像重建（DLIR） | 图像 | 25名患者的胸部CT图像 | NA | TrueFidelity | 视觉分级特征（VGC）曲线下面积（AUCVGC） | NA |
| 89 | 2026-05-19 |
From digital chest tomosynthesis to 3D CT
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf162
PMID:41821455
|
研究论文 | 提出一种从数字胸部断层合成到三维CT的高效深度学习重建方法 | 提出通过从投影数据的小块中重建矢状CT切片，显著降低内存需求，并采用体素分类（空气、软组织、骨）替代连续HU值预测 | 难以重建精细细节，尚不适合临床应用 | 开发一种低资源需求的断层合成体积成像重建方法 | 数字胸部断层合成投影图像及其对应的CT重建 | 计算机视觉 | NA | 数字胸部断层合成 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 90 | 2026-05-19 |
Improving visibility of small anatomical details on low and ultra-low dose computed tomography with artificial intelligence-based image reconstructions
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf171
PMID:41821465
|
研究论文 | 评估人工智能图像重建技术在低剂量和超低剂量CT扫描中提升小解剖结构可见性的效果 | 首次系统评估深度学习图像重建在极低辐射剂量下对胸部小解剖结构诊断质量的影响 | 基于体模和单一肺标本，未包含活体患者数据 | 比较不同CT图像重建技术在不同辐射剂量水平下对诊断图像质量的影响 | PBU-50人体模型和风干人肺标本 | 计算机视觉 | 肺部结节、纤维化、支气管周围病变 | CT扫描 | 深度学习图像重建 | 图像 | 一个PBU-50人体模型（小型成人）和一个风干人肺标本，六个剂量水平 | NA | DLIR-H, ASiR-V, FBP | 描述性统计、视觉分级特征分析 | NA |
| 91 | 2026-03-02 |
Explainable deep learning and radiomics integration for differentiating insulinomas from NF-PNETs in EUS imaging
2026-Feb-28, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03388-2
PMID:41764459
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 92 | 2026-05-19 |
An explainable deep learning framework for video violence detection using unsupervised keyframe selection and attention-based CNN
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40977-7
PMID:41748832
|
研究论文 | 提出一种可解释的注意力增强卷积神经网络框架，用于视频暴力检测，集成无监督关键帧选择、注意力驱动特征学习和Grad-CAM++可解释性 | 融合无监督关键帧选择、注意力机制和Grad-CAM++可解释性，在降低计算开销的同时提升时空特征判别能力和模型透明度 | 未明确讨论在极低光照、严重遮挡或高动态场景下的鲁棒性，且仅在五类基准数据集上验证，可能泛化到其他暴力场景需进一步测试 | 解决视频暴力检测中的数据冗余、透明度和泛化挑战，实现高效且可解释的实时检测系统 | 视频监控和在线平台中的暴力行为检测 | 计算机视觉 | NA | 无监督关键帧选择（基于相似性聚类）、注意力机制、Grad-CAM++ | CNN（卷积神经网络） | 视频 | 五个基准数据集（RLVS、Hockey Fight、Violent Flow、ShanghaiTech、UCF-Crime） | NA | 注意力增强CNN（具体架构未明确，可能基于常见CNN骨干如ResNet） | 准确率、F1分数、处理速度（FPS）、内存使用量 | NA |
| 93 | 2026-05-19 |
Mathematical and Artificial Intelligence Techniques in Modern Drug Discovery: A Review
2026-02, Drug development research
IF:3.5Q2
DOI:10.1002/ddr.70212
PMID:41431184
|
综述 | 综述了数学和人工智能技术在药物发现中的应用 | 系统性地将数学框架与AI技术相结合，并分析了它们在药物开发各阶段的协同作用 | 未提供具体的实验验证或定量比较，分析主要基于现有文献 | 探讨数学建模与AI算法在药物开发中联合应用的潜力，以加速研发并降低风险 | 药物发现过程中的数学和AI技术 | 机器学习 | NA | NA | 机器学习、深度学习、强化学习、自然语言处理、迁移学习 | NA | NA | NA | NA | NA | NA |
| 94 | 2026-05-19 |
Imaging-Based Artificial Intelligence in Vascular and Interventional Radiology: A Narrative Review
2026-Jan-05, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01803-0
PMID:41491740
|
综述 | 本文探讨了人工智能在血管介入放射学中的应用，涵盖术前、术中和术后各阶段，并分析了不同成像模态和任务类型下的AI模型表现 | 系统性地综述了AI在血管介入放射学全流程中的应用，并特别关注了放射组学与机器学习结合在治疗反应预测和风险分层中的有效性 | 数据集规模有限、存在潜在偏倚以及模型可解释性不足 | 评估AI在血管介入放射学中的应用现状和潜力 | 血管介入放射学中的AI模型及其在解剖结构分割、检测、预测等任务中的表现 | 计算机视觉 | 主动脉夹层、腹主动脉瘤、血管狭窄 | NA | 深度学习 | 图像 | NA | NA | NA | Dice相似系数、准确率、AUC | NA |
| 95 | 2026-05-19 |
Deep Learning Model for Predicting Operative Mortality After Total Gastrectomy: Analysis of the Japanese National Clinical Database (NCD)
2026-Jan, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70067
PMID:41488848
|
研究论文 | 利用日本国家临床数据库（NCD）大数据开发深度学习模型，预测全胃切除术后手术死亡率 | 首次基于日本国家级大规模数据库（NCD）构建深度学习模型，用于预测全胃切除术后死亡率，模型包含5217个变量，采用四层架构 | 模型准确性有待提高，需引入术后并发症相关变量或常规方法无法分析的新因素 | 开发术前风险分层工具，预测全胃切除术后手术死亡率 | 2018年1月至2019年12月在日本NCD注册的、年龄≥18岁、因胃癌接受全胃切除术的患者 | 机器学习 | 胃癌 | NA | 深度学习模型 | 结构化临床数据 | 14980例（11980例训练，3000例验证），事件发生率1.2% | TensorFlow, Keras | 四层神经网络 | C统计量 | NA |
| 96 | 2026-05-19 |
Uterine cancer classification from CT images using convolutional feature extraction and transformer-based self-attention
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1781499
PMID:41822887
|
研究论文 | 提出一种结合卷积特征提取与Transformer自注意力的混合深度学习框架，用于CT图像的子宫癌分类 | 将DenseNet121的局部特征提取与Transformer的全局自注意力机制相结合，首次应用于CT影像的子宫癌三分类任务 | 未提及 | 提高CT图像子宫癌分类的准确性和鲁棒性 | 子宫癌CT图像，包括正常、良性、恶性三类 | 计算机视觉 | 子宫癌 | CT成像 | 混合模型（CNN + Transformer） | 图像 | 未明确样本数量，数据集为KAUH子宫癌CT数据集 | NA | DenseNet121, Transformer | 准确率, 灵敏度, 特异性, F1分数, AUC | NA |
| 97 | 2026-05-19 |
An integrated automated deep learning framework for annotating tumor-infiltrating lymphocytes in lung adenocarcinoma pathology
2026, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2026.1764743
PMID:41918941
|
研究论文 | 开发了一个全自动深度学习管道，用于肺腺癌病理图像中肿瘤浸润淋巴细胞的精确注释 | 提出了一个集成自动化框架，结合OpenCV图像处理、U2-NetP肿瘤实质分割和YOLOv7淋巴细胞检测，实现了全切片图像中组织轮廓、肿瘤实质和淋巴细胞的全自动、高精度注释，解决了大规模标注数据瓶颈问题 | 基于YOLOv7的淋巴细胞检测F1得分和mAP偏低；可能需要进一步优化轻量级架构以平衡精度和计算效率；依赖单一癌症类型的外部验证 | 开发全自动管道以实现肺腺癌全切片图像中肿瘤浸润淋巴细胞的定量分析，解决监督学习方法的数据瓶颈 | 肺腺癌全切片图像中的肿瘤浸润淋巴细胞 | 计算病理学 | 肺腺癌 | 全切片图像分析 | YOLOv7, U2-NetP | 图像 | 超过20,000个标注单元，来自TCGA队列和内外独立验证队列 | PyTorch, OpenCV | U2-NetP, YOLOv7 | Dice系数, F1得分, mAP@0.5, 组内相关系数 | NA |
| 98 | 2026-05-19 |
Development and validation of a deep learning-based automatic detection and classification model for femoral neck fractures using hip imaging: a retrospective multicenter diagnostic study
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1803858
PMID:42027826
|
研究论文 | 开发和验证基于深度学习模型的股骨颈骨折自动检测与分类方法，使用髋部影像进行多中心回顾性研究 | 首次实现股骨颈骨折的全自动Garden分类，采用大规模多中心数据集，并通过与12名不同经验医师的对比验证模型性能 | 回顾性研究设计，模型实用性需通过前瞻性随机研究进一步验证 | 开发并验证基于深度学习的股骨颈骨折自动检测与Garden分类模型，提升诊断准确性并支持临床决策 | 股骨颈骨折患者髋部影像数据（X线或CT） | 计算机视觉 | 股骨颈骨折 | NA | 深度学习模型 | 图像 | 10,010张髋部影像来自806名患者（训练/内部验证集7,818张529名患者，外部测试集2,192张277名患者） | NA | NA | 敏感性、特异性、准确率、AUC | NA |
| 99 | 2026-05-19 |
A curated dataset and lightweight deep learning framework for tea leaf disease classification
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349210
PMID:42139322
|
研究论文 | 提出一个混合特征融合轻量级深度学习框架用于茶叶病害分类，并基于精心整理的真实数据集进行验证 | 提出并行运行的混合特征融合架构，结合EfficientNetV2-Small提取局部细微纹理和MobileNetV3-Small捕获全局结构上下文，实现高精度与计算平衡 | 单一架构EfficientNetV2-B3原始准确率略高（97.60% vs 96.80%），但混合框架在精确率-召回率平衡和收敛稳定性上更优 | 实现茶叶病害早期自动检测，支持物联网边缘设备上的实时病害监测 | 茶叶叶片，包括四种类别：枯叶病、红锈病、蛇眼病和健康 | 计算机视觉, 数字病理学 | 茶树叶部病害 | 图像预处理（调整大小、归一化）、动态数据增强（随机旋转、水平翻转、亮度调整） | 混合特征融合架构（双分支并行） | 图像 | 2000张带标注的茶叶叶片图像，均匀分布于四个目标类别 | TensorFlow, PyTorch | EfficientNetV2-Small, MobileNetV3-Small, Vision Transformer (ViT-B16), Custom CNN, ResNet50, DenseNet121, EfficientNetV2-B3 | 准确率, 宏平均AUC | NA |
| 100 | 2026-05-19 |
Role of artificial intelligence in bacterial diagnostics and surveillance of anti-microbial resistance
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261443074
PMID:42145325
|
综述 | 探讨人工智能在抗菌素耐药性诊断和监测中的应用 | 系统性地从表型与基因型鉴定、抗菌药物敏感性测试、耐药性监测和抗生素开发四个主题总结了人工智能的应用 | 未明确提及具体局限性，但依赖数据质量、模型开发及公共卫生和实验室基础设施的整合 | 综述人工智能在抗菌素耐药性诊断中的应用，涵盖表型与基因型鉴定、抗菌药物敏感性测试、耐药性监测和抗生素开发 | 抗菌素耐药性相关的细菌诊断和监测 | 机器学习 | 抗菌素耐药性 | NA | 机器学习, 深度学习 | 基因组图谱、放射影像、显微镜图像、琼脂平板照片、MALDI TOF质谱等生化特征 | NA | NA | NA | 准确性、可重复性、可扩展性 | NA |