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 44743 篇文献，本页显示第 10241 - 10260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10241 | 2026-01-06 |
Deliberate solitude for clinical reasoning
2026-Jan-06, Diagnosis (Berlin, Germany)
DOI:10.1515/dx-2025-0133
PMID:41489300
|
评论 | 本文探讨了在临床推理中，刻意独处如何可能通过精炼直觉、提高诊断准确性来支持专家表现，并借鉴了认知心理学、哲学和教育学的研究 | 将刻意独处的概念引入临床推理领域，提出其可能作为减少认知偏差、提升诊断准确性的新策略，这在医学教育中尚未被充分探索 | 目前缺乏具体实证研究支持，独处的具体机会和益处尚不确定，无法提出明确的行动方案 | 探讨刻意独处是否能够支持和提升临床推理的发展与表现 | 临床医生及其在临床推理中的思维过程 | 医学教育 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10242 | 2026-01-06 |
PGMNet: a polyp segmentation network based on bit-plane slicing and multi-scale adaptive fusion
2026-Jan-05, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae300a
PMID:41429053
|
研究论文 | 本文提出了一种基于位平面切片和多尺度自适应融合的息肉分割网络PGMNet，旨在提高结肠镜检查中息肉检测和分割的准确性 | PGMNet结合了PVTv2编码器、全局-局部交互关系模块（GLIRM）和多阶段特征聚合模块（MFAM），通过位平面切片机制抑制噪声，并利用门控机制高效聚合多尺度信息 | 未在摘要中明确提及 | 开发一种准确高效的息肉分割网络，以辅助结直肠癌的早期预防和治疗 | 结肠镜检查图像中的息肉 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 图像 | 五个公开可用的息肉数据集 | 未在摘要中明确提及 | PVTv2, GLIRM, MFAM | mDice, mIoU | 未在摘要中明确提及 |
| 10243 | 2026-01-06 |
Deep learning approach for critical exposure during division of the inferior mesenteric artery in colorectal surgery
2026-Jan-05, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-025-03121-7
PMID:41486401
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10244 | 2026-01-06 |
Diabetic foot ulcer classification using an enhanced coordinate attention integrated ConvNext model
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01692-1
PMID:41489793
|
研究论文 | 本文提出了一种结合坐标注意力机制增强的ConvNeXt模型，用于基于图像的糖尿病足溃疡自动分类 | 提出了一种混合模型，将坐标注意力机制集成到ConvNeXt架构中，以捕获空间长程依赖特征，从而提高糖尿病足溃疡图像分类的准确性 | 未明确说明数据集的来源、规模多样性以及模型在临床环境中的泛化能力验证 | 开发一种自动化的深度学习方法，以加速糖尿病足溃疡的评估过程并提供最佳治疗建议 | 糖尿病足溃疡图像 | 计算机视觉 | 糖尿病足溃疡 | 图像处理（自适应阈值分割） | CNN | 图像 | NA | NA | ConvNeXt | 准确率, F1分数 | NA |
| 10245 | 2026-01-06 |
OGTCN-E-MGO: an optimized deep learning framework for EEG-based schizophrenia detection
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01695-y
PMID:41489794
|
研究论文 | 提出一种名为OGTCN-E-MGO的优化深度学习框架，用于基于脑电图（EEG）信号的精神分裂症自动检测 | 提出了一种优化的门控时序卷积网络（OGTCN），该网络集成了门控循环单元（GRU）、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO），用于精神分裂症的EEG信号分类 | NA | 实现精神分裂症的自动分类，通过分析EEG信号获取与精神分裂症认知变化相关的神经活动变化 | 精神分裂症患者 | 机器学习 | 精神分裂症 | 脑电图（EEG） | GRU, TCN | 脑电图信号 | 两个数据集：数据集1包含28名个体的19通道EEG信号；数据集2包含81名个体的64通道EEG信号 | NA | 优化的门控时序卷积网络（OGTCN），集成GRU、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO） | 准确率 | NA |
| 10246 | 2026-01-06 |
Development of a Prediction Model for Progression Risk in High-Grade Gliomas Based on Habitat Radiomics and Pathomics
2026-Jan-04, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.70304
PMID:41486586
|
研究论文 | 本研究基于栖息地影像组学和病理组学构建了预测高级别胶质瘤进展风险的模型 | 首次将栖息地影像组学与病理组学特征相结合，构建了用于预测高级别胶质瘤进展风险的联合模型 | 研究为回顾性分析，样本量较小（72例），需要更大规模的前瞻性研究进行验证 | 开发预测高级别胶质瘤进展风险的预测模型 | 高级别胶质瘤患者 | 数字病理学 | 胶质瘤 | 磁共振成像，全切片成像 | 深度学习 | 图像 | 72例患者（训练集52例，测试集20例） | NA | 多种网络架构 | C-index，AUC | NA |
| 10247 | 2026-01-06 |
Toward clinical translation of AI-Led drug discovery in endometrial cancer
2026-Jan, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2025.2557602
PMID:40908794
|
综述 | 本文综述了深度学习在子宫内膜癌药物发现各阶段的应用，并讨论了其临床转化面临的挑战与解决方案 | 聚焦于子宫内膜癌这一特定领域，系统性地探讨了深度学习在药物发现中的临床转化瓶颈，并提出了多学科整合的实践路径 | 作为一篇综述，未提出新的实验数据或模型，主要基于现有文献进行分析，可能受限于已发表研究的覆盖范围和质量 | 探讨深度学习在子宫内膜癌药物发现中的临床应用潜力与转化障碍 | 子宫内膜癌（EC） | 机器学习 | 子宫内膜癌 | 深度学习（DL） | NA | NA | NA | NA | NA | NA | NA |
| 10248 | 2026-01-06 |
Enhancing malware detection and classification in network traffic using deep learning techniques
2026-Jan, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70189
PMID:41199431
|
研究论文 | 本研究利用深度学习技术提升网络流量中的恶意软件检测与分类性能 | 引入了多种先进深度学习技术，包括基于熵的流量过滤、自监督异常检测、图神经网络分类以及上下文感知图注意力网络，以应对复杂网络环境中的恶意软件威胁 | 未提及模型在跨平台恶意软件检测方面的具体局限性，未来需进一步研究实时自适应学习模型和混合架构 | 提高网络流量中恶意软件检测的准确性，降低误报率，并实现动态网络环境中的实时检测 | 网络流量数据 | 机器学习 | NA | 深度学习 | GNN, GAT | 网络流量数据 | NA | Python | GNN-MTC, CA-GAT | 准确率, 精确率, 召回率 | NA |
| 10249 | 2026-01-06 |
Deep Learning Radiomic Signature Predicts the Overall Survival of Patients with Lung Adenocarcinoma by Reflecting the Tumor Heterogeneity and Microenvironment
2026-Jan, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.09.033
PMID:41073175
|
研究论文 | 本研究开发了一种基于深度学习的放射组学特征，用于预测肺腺癌患者的总体生存率，并探讨了该特征与肿瘤异质性和微环境的关系 | 利用ResNet50深度学习模型从CT图像中提取放射组学特征，结合多机构数据验证，首次将深度学习放射组学特征与肿瘤异质性和微环境进行关联分析 | 研究样本量相对有限（306例），且依赖于外部公共数据库进行验证，可能存在数据偏差 | 预测肺腺癌患者的总体生存率，并探索放射组学特征与肿瘤生物学特性之间的关联 | 肺腺癌患者 | 数字病理学 | 肺癌 | CT成像，基因测序 | CNN | 医学影像（CT图像），基因表达数据 | 306例肺腺癌患者（来自三个机构），外加外部验证队列（来自The Cancer Imaging Archive） | PyTorch（推断自ResNet50的常用实现），pyradiomics | ResNet50 | AUC（曲线下面积），时间依赖性ROC曲线，校准曲线，临床效用 | NA |
| 10250 | 2026-01-06 |
Patch-based latent fingerprint recognition: A novel approach for reliable identification of partial prints
2026-Jan, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.70204
PMID:41139611
|
研究论文 | 提出了一种基于图像块的自动化潜在指纹识别系统，用于可靠识别部分指纹 | 提出了一种新的基于图像块的潜在指纹识别方法，使用无接触反射紫外成像系统（RUVIS）采集高分辨率数字样本，并开发了图像块估计算法以优化特征提取 | 未明确说明模型在更广泛数据集或实际犯罪现场条件下的泛化能力限制 | 开发可靠的基于部分指纹的潜在指纹识别系统 | 潜在指纹（特别是部分指纹） | 计算机视觉 | NA | 反射紫外成像系统（RUVIS） | CNN | 图像 | RUVIS数据集和标准NISTSD27数据集 | TensorFlow, PyTorch（推测，未明确指定） | VGG16, ResNet50 | 准确率 | NA |
| 10251 | 2026-01-06 |
The role of machine learning in high tibial osteotomy: A systematic review of predictive modeling, planning, and outcome analysis
2026-Jan, Journal of clinical orthopaedics and trauma
DOI:10.1016/j.jcot.2025.103290
PMID:41488578
|
系统综述 | 本文系统综述了机器学习在高位胫骨截骨术（HTO）中应用于预测建模、手术规划和结果分析的准确性、效率及泛化性 | 首次系统性地评估了机器学习在HTO手术规划、对线测量和并发症预测中的表现，并指出了现有研究的局限性 | 证据受限于单中心数据、小样本队列、缺乏功能性验证以及仅有一项研究进行了多中心外部验证 | 评估机器学习模型在HTO手术规划、对线测量和结果预测中的准确性、效率和泛化性 | 应用于高位胫骨截骨术的机器学习模型 | 机器学习 | 骨关节炎 | 机器学习 | 卷积神经网络, 深度学习系统, 集成机器学习模型 | 放射影像 | 来自11项研究的异质性数据集，具体样本量未明确说明 | NA | NA | 平均绝对误差, 曲线下面积, 组内相关系数 | NA |
| 10252 | 2026-01-06 |
Qualitative and quantitative analysis of Paris polyphylla var. yunnanensis from different origin using multi-dimensions FT-MIR and NIR spectroscopy, data fusion combined with machine learning
2025-Dec-29, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.127414
PMID:41485381
|
研究论文 | 本研究利用多维FT-MIR和NIR光谱、数据融合结合机器学习，对云南重楼进行定性和定量分析，以评估其地理来源和质量控制 | 采用多维光谱（包括1D、2DCOS、3DCOS）与数据融合技术，结合传统机器学习和深度学习模型ResNet，实现了对云南重楼地理来源的快速、准确识别和总皂苷含量预测 | 未明确提及样本的具体数量或多样性限制，可能影响模型的泛化能力 | 开发一种快速、稳健的策略，用于传统中药云南重楼的地理溯源和质量控制 | 云南重楼（Paris polyphylla var. yunnanensis） | 机器学习 | NA | FT-MIR光谱、NIR光谱、数据融合 | ResNet, PCA, t-SNE, PLS-DA, OPLS-DA, PLSR | 光谱图像 | NA | NA | ResNet | RX, RY, Q, RMSEE, RMSECV, RMSEP, 准确率, RPD, Rc, Rp | NA |
| 10253 | 2026-01-06 |
WEAKLY SUPERVISED SEGMENTATION AND CLASSIFICATION OF ALPHA-SYNUCLEIN AGGREGATES IN BRIGHTFIELD MIDBRAIN IMAGES
2025-Dec-19, ArXiv
PMID:41333166
|
研究论文 | 本研究开发了一种基于弱监督分割的自动化图像处理流程，用于在帕金森病和偶发性路易体病的中脑组织全玻片图像中分割和分类α-突触核蛋白聚集体 | 提出了一种对免疫组化标记变异性具有鲁棒性的弱监督分割方法，结合ResNet50分类器，能够自动区分路易体和神经突等主要聚集体形态 | 未明确说明样本量的具体细节，且方法在更广泛的组织类型或染色协议中的泛化能力有待验证 | 开发自动化工具以更好地理解α-突触核蛋白聚集体的空间组织和异质性 | 帕金森病和偶发性路易体病患者的中脑组织样本 | 数字病理学 | 帕金森病 | 免疫组化染色 | CNN | 图像 | NA | NA | ResNet50 | 平衡准确率 | NA |
| 10254 | 2026-01-06 |
Long-term, ambulatory 12-lead ECG from a single non-standard lead using perceptual reconstruction
2025-Dec-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.17.25342224
PMID:41445642
|
研究论文 | 本研究提出了一种基于深度学习的方法，从单个非标准导联（模拟植入式心脏监测器信号）重建12导联心电图，用于连续监测心脏功能变化 | 首次使用感知损失训练深度U-Net模型（ECG12-PerceptNet），从单个ICM导联重建12导联心电图，实现了对传导、复极、心律和心脏功能变化的连续监测 | 研究基于模拟ICM信号进行重建，未在真实ICM设备上验证；样本标注依赖于临床医生解释的规则解析，可能存在偏差 | 从单个ICM导联重建12导联心电图，以检测心脏传导、复极、心律和功能变化 | 75,450个超声心动图-心电图配对数据，标注了右束支传导阻滞、左束支传导阻滞、心房颤动、QT间期延长和低左心室射血分数五种疾病标签 | 机器学习 | 心血管疾病 | 心电图信号处理，深度学习重建 | U-Net | 心电图信号 | 75,450个超声心动图-心电图配对样本 | NA | U-Net | 分类性能（具体指标未明确），回归模型预测左心室射血分数 | NA |
| 10255 | 2026-01-06 |
Learning Patient Similarity from Genomics for Precision Oncology
2025-Dec-18, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.17.25342480
PMID:41445600
|
研究论文 | 本文开发了一个基于深度学习的患者相似性建模框架，利用真实世界的临床基因组数据，通过嵌入肿瘤基因组图谱来测量患者相似性，并评估患者亚组与共享治疗结果之间的关联 | 该框架能够从复杂的分子和临床数据中提取简洁、上下文特定的见解，支持无可用生物标志物或未知原发癌症患者的决策，并在持续学习场景中随时间动态更新 | 未明确提及具体局限性，可能包括数据来源的单一性、模型泛化能力或临床验证的不足 | 开发一个基于患者相似性的决策支持模型，以促进精准肿瘤学的更广泛实现 | 乳腺癌患者和泛癌种患者，包括无可用基因组生物标志物或未知原发癌症的患者 | 机器学习 | 癌症 | 肿瘤基因组分析 | 深度学习 | 基因组数据和临床数据 | NA | NA | NA | NA | NA |
| 10256 | 2026-01-06 |
A deep learning framework for comprehensive segmentation of deep grey nuclei
2025-Dec-18, medRxiv : the preprint server for health sciences
DOI:10.64898/2025.12.16.25342423
PMID:41445621
|
研究论文 | 本文介绍了一个名为THOMASINA的深度学习框架，用于从标准T1加权和WMn MRI中全面分割深部灰质核团 | 结合合成WMn对比度与先进的深度学习分割模型，提供快速、可重复且可扩展的解决方案，解决了传统多图谱分割方法的预处理时间长和工具分散问题 | 未明确说明数据集的详细样本特征或潜在偏差，且合成WMn对比度的有效性可能依赖于特定成像条件 | 开发一个深度学习框架，以准确、高效地分割深部灰质核团，用于神经疾病研究和生物标志物发现 | 深部灰质结构，如丘脑和基底核，从标准T1加权和WMn MRI图像中 | 计算机视觉 | 神经疾病 | MRI成像，包括T1加权和WMn对比 | 深度学习模型 | 医学图像（MRI） | 未在摘要中明确指定具体样本数量 | 未指定具体框架，但可能基于PyTorch或TensorFlow等深度学习库 | SwinUNETR, DiNTS, SegResNet | Dice系数 | 未在摘要中明确指定 |
| 10257 | 2026-01-06 |
Deciphering the biological underpinnings behind prognostic MRI-based imaging signatures in breast cancer: a systematic review
2025-Dec-17, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-025-07341-1
PMID:41408570
|
综述 | 本文系统回顾了乳腺癌中基于MRI的预后影像特征（包括放射组学和深度学习特征）的生物学基础，并评估了现有研究的方法学质量 | 首次系统性地综述了乳腺癌预后影像特征的生物学关联，并整合了放射组学和深度学习方法，强调了从影像到多组学数据的生物学解释 | 纳入研究的方法学严谨性有限，整体偏倚风险较高，且样本量范围较大（61-2279例），可能影响结论的普适性 | 探索乳腺癌MRI预后影像特征的生物学基础，并评估相关研究的方法学质量 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | MRI, 基因组学, 转录组学, 多组学分析 | 监督机器学习, 无监督机器学习 | 影像数据, 基因组数据, 转录组数据, 多组学数据 | 16项研究，共涉及61至2279名乳腺癌患者 | NA | NA | NA | NA |
| 10258 | 2026-01-06 |
De novo design of protein competitors for small molecule immunosensing
2025-Dec-16, bioRxiv : the preprint server for biology
DOI:10.64898/2025.12.16.694474
PMID:41446193
|
研究论文 | 本文利用深度学习模型设计蛋白质竞争性结合剂，用于小分子免疫传感，实现了对地高辛的灵敏检测 | 采用BindCraft管道设计针对抗原结合位点的竞争性结合剂，并通过筛选选择与小分子分析物产生空间冲突的结合剂，避免了传统竞争性免疫分析中需要定制合成竞争分子的繁琐步骤 | 设计的结合剂结合亲和力从低到中等（42 nM - 1.1 μM），可能在某些高灵敏度应用中受限 | 开发一种基于深度学习设计蛋白质竞争性结合剂的方法，以简化小分子生物标志物的竞争性免疫分析 | 小分子生物标志物（如地高辛）的检测 | 机器学习 | NA | 竞争性免疫分析，生物发光测定 | 深度学习模型 | NA | 在细菌裂解液中直接筛选了10个结合剂，其中7个成功 | NA | BindCraft管道 | 结合亲和力（Kd），检测灵敏度（IC50） | NA |
| 10259 | 2026-01-06 |
scCotag: Diagonal integration of single-cell multi-omics data via prior-informed co-optimal transport and regularized barycentric mapping
2025-Dec-15, bioRxiv : the preprint server for biology
DOI:10.64898/2025.12.11.693589
PMID:41446270
|
研究论文 | 本文提出了一种名为scCotag的深度学习框架，用于单细胞多组学数据的对角线整合，通过先验信息引导的共最优传输和正则化重心映射来提高细胞对齐和特征嵌入的准确性 | 该方法首次结合先验信息引导的共最优传输（COOT）与正则化重心映射，迭代推断细胞对齐和特征对应关系，解决了现有方法假设所有细胞可对齐且先验特征对应完全可靠的局限性 | 未明确说明计算资源需求或框架在超大规模数据集上的可扩展性限制 | 开发一种鲁棒的单细胞多组学数据对角线整合方法，以提升细胞对齐精度和生物调控机制的细粒度解析 | 单细胞RNA-seq和ATAC-seq数据，涉及人类大脑、骨髓和血液样本，以及阿尔茨海默病（AD）和非AD（NoAD）患者的死后脑组织数据 | 机器学习 | 阿尔茨海默病 | 单细胞RNA-seq, ATAC-seq | 深度学习框架 | 单细胞多组学数据 | 涉及人类大脑、骨髓和血液数据集，具体样本数量未明确说明 | 未明确指定（如TensorFlow, PyTorch等），但基于深度学习框架 | 基于共最优传输（COOT）和正则化重心映射的定制架构 | 细胞对齐精度, 嵌入精度 | NA |
| 10260 | 2026-01-06 |
Lightweight deep learning models for EEG decoding: a review
2025-Dec-12, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ae2717
PMID:41330041
|
综述 | 本文系统回顾了用于脑电图信号分类的轻量级深度学习模型 | 将现有轻量级模型方法归纳为三大策略：基于多尺度特征融合的信息整合策略、隐藏层优化策略以及基于结构优化的混合改进策略，并综合了最新进展、识别新兴趋势并展望未来研究方向 | NA | 回顾轻量级深度学习模型在脑电图解码中的应用，旨在为设计高效、鲁棒的脑机接口分类架构提供参考 | 脑电图信号 | 机器学习 | NA | NA | 深度神经网络 | 脑电图信号 | NA | NA | NA | NA | NA |