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 46134 篇文献，本页显示第 10361 - 10380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10361 | 2026-01-29 |
Deep Learning-Based Prediction of Final Infarct Core from CT Perfusion Data: A Comparison to the Clinical Standard
2024-Nov, Stroke (Hoboken, N.J.)
DOI:10.1161/SVIN.124.001375
PMID:41583397
|
研究论文 | 本研究开发了一种基于深度学习的CT灌注概率模型，用于预测急性缺血性卒中患者的最终梗死核心，并与临床标准方法进行比较 | 提出了一种从单值阈值转向概率模型的CT灌注分析方法，利用深度学习（Attention U-Net）更准确地预测组织命运，优于传统的核心/半暗带二分法 | 研究为回顾性设计，样本量有限（共243例患者，测试集仅48例），且仅针对大血管闭塞并完全再通的患者，可能限制结果的普适性 | 改进急性缺血性卒中的CT灌注分析，通过概率模型更准确地预测最终梗死核心，以支持临床决策 | 急性缺血性卒中患者，特别是大血管闭塞并在血栓切除术后完全再通的患者 | 数字病理学 | 心血管疾病 | CT灌注成像，扩散加权成像 | 深度学习 | 医学影像（CT灌注数据） | 243例患者（训练、验证和测试组） | MONAI | Attention U-Net | 多样化反事实解释评分，曲线下面积 | NA |
| 10362 | 2026-01-29 |
Do Deep Learning Algorithms Accurately Segment Intracerebral Hemorrhages on Noncontrast Computed Tomography? A Systematic Review and Meta-Analysis
2024-Jul, Stroke (Hoboken, N.J.)
DOI:10.1161/SVIN.123.001314
PMID:41585382
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估深度学习算法在非增强计算机断层扫描上分割脑出血的准确性 | 首次对深度学习在非增强CT上分割脑出血的准确性进行全面的系统综述和荟萃分析，揭示了算法在不同出血病因中的性能差异 | 分割小出血灶仍存在挑战，且需要进一步研究以解决局限性并扩展临床实用性 | 评估深度学习算法在非增强CT上分割脑出血的精确性 | 脑出血（ICH）在非增强计算机断层扫描上的分割 | 医学影像分析 | 脑出血 | 非增强计算机断层扫描 | CNN | 医学影像（CT图像） | 28项研究（主要为回顾性队列） | NA | U-Net及其变体 | Dice相似系数 | NA |
| 10363 | 2026-01-29 |
A framework for the unsupervised and semi-supervised analysis of visual frames
2024-Apr, Political analysis : an annual publication of the Methodology Section of the American Political Science Association
IF:4.7Q1
PMID:41450450
|
研究论文 | 本文介绍了一个用于通过无监督和半监督方法分析视觉材料内容的框架，并应用于政治科学领域 | 将计算机视觉中的视觉词袋技术引入政治科学，用于构建图像-视觉词矩阵，并开发了一种新颖的视觉结构主题模型 | NA | 开发一个框架，用于对视觉材料进行无监督和半监督分析，以识别视觉框架 | 来自中美洲移民大篷车图片的视觉框架 | 计算机视觉 | NA | 视觉词袋 | 主题模型 | 图像 | NA | NA | 视觉结构主题模型 | NA | NA |
| 10364 | 2026-01-29 |
Transformer-based spatial-temporal detection of apoptotic cell death in live-cell imaging
2024-03-18, eLife
IF:6.4Q1
DOI:10.7554/eLife.90502
PMID:38497754
|
研究论文 | 本研究开发了一种基于Transformer的深度学习系统ADeS，用于在活细胞成像中检测细胞凋亡的时空动态 | 首次提出能够检测完整显微镜时间序列中多个凋亡事件位置和持续时间的计算方法，性能超越现有方法和人类专家 | 未明确说明模型在极端成像条件或罕见细胞类型中的泛化能力限制 | 开发用于活细胞成像中细胞凋亡自动检测和量化的计算工具 | 体外和体内实验中的凋亡细胞 | 计算机视觉 | NA | 活细胞成像、活体显微镜 | Transformer | 显微镜时间序列图像 | 超过10,000个凋亡实例（体外和体内数据） | NA | 基于活动识别原理的深度学习架构 | 分类准确率 | NA |
| 10365 | 2026-01-29 |
Building and validating an artificial intelligence model to identify tracheobronchopathia osteochondroplastica by using bronchoscopic images
2024 Jan-Dec, Therapeutic advances in respiratory disease
IF:3.3Q2
DOI:10.1177/17534666241253694
PMID:38803144
|
研究论文 | 本研究构建并验证了一个基于支气管镜图像的AI模型，用于识别气管支气管骨软骨病（TO）并与其他多结节性气道疾病区分 | 首次开发了一个基于深度学习的AI模型，专门用于从支气管镜图像中识别罕见的TO疾病，并进行了外部验证 | 样本量相对较小，特别是TO病例较少，且仅在一家医院进行了外部验证 | 构建一个AI模型，帮助初级医院的年轻医生通过支气管镜图像识别TO | 多结节性气道疾病患者（包括TO、淀粉样变性、肿瘤和炎症）以及无气道病变的患者 | 计算机视觉 | 气管支气管骨软骨病 | 支气管镜检查 | CNN | 图像 | 414名患者（201名多结节性气道疾病患者和213名无病变患者），涉及3916张支气管镜图像 | NA | EfficientNet | 准确率 | NA |
| 10366 | 2026-01-29 |
A Data-Free Approach to Mitigate Catastrophic Forgetting in Federated Class Incremental Learning for Vision Tasks
2023-Dec, Advances in neural information processing systems
PMID:41573098
|
研究论文 | 本文提出了一种在联邦学习环境中缓解灾难性遗忘的无数据方法，通过生成模型合成历史数据样本 | 提出了一种无数据方法，在联邦增量学习中使用生成模型合成历史数据，无需客户端存储旧数据或模型，同时保护隐私 | 未明确说明生成模型的具体性能限制或在不同数据分布下的泛化能力 | 解决联邦增量学习中的灾难性遗忘问题 | 深度学习模型在视觉任务中的联邦增量学习 | 计算机视觉 | NA | 生成模型 | NA | 图像 | NA | NA | NA | NA | NA |
| 10367 | 2026-01-29 |
Artificial intelligence in clinical and genomic diagnostics
2019-11-19, Genome medicine
IF:10.4Q1
DOI:10.1186/s13073-019-0689-8
PMID:31744524
|
综述 | 本文综述了人工智能在临床诊断和基因组学中的应用、优势、具体任务以及未来挑战 | 系统性地总结了AI在临床诊断和基因组学中的适用问题类别，并聚焦于临床基因组学中变异识别、基因组注释、变异分类及表型-基因型关联等新兴方法 | 讨论了AI在医学应用中面临的挑战、局限性和潜在偏见，特别是在利用人类遗传和基因组数据时需谨慎处理的问题 | 探讨人工智能在临床诊断和基因组学领域的应用潜力、具体任务及未来发展方向 | 临床诊断任务和临床基因组学数据处理 | 机器学习 | NA | NA | 深度学习 | 图像, 基因组数据 | NA | NA | NA | NA | 图形处理器 |
| 10368 | 2026-01-28 |
Enhanced-performance flexible pressure sensors enabled by synergistic effect of hierarchical porous structures for motion sensing and deep learning-assisted speech recognition
2026-Apr, Journal of colloid and interface science
IF:9.4Q1
DOI:10.1016/j.jcis.2025.139706
PMID:41435647
|
研究论文 | 本研究通过结合3D打印和静电纺丝的混合制造策略，开发了一种具有分层多孔结构的高性能柔性压力传感器，并展示了其在运动传感和深度学习辅助语音识别中的应用 | 提出了一种基于混合制造技术（3D打印与静电纺丝结合）和分层多孔结构协同效应的柔性压力传感器新策略，并通过集成深度学习算法扩展了其在语音识别方面的功能 | 未明确说明传感器在长期稳定性、大规模生产成本或极端环境下的性能表现 | 开发高性能柔性压力传感器，用于人体生理运动信号监测和智能语音感知 | 柔性压力传感器及其在人体运动信号和语音信号检测中的应用 | 机器学习和智能传感 | NA | 三维打印、静电纺丝、直接墨水书写、牺牲模板法 | 深度学习算法 | 压力信号数据、语音信号数据 | NA | NA | NA | 灵敏度、响应时间、检测限、识别准确率 | NA |
| 10369 | 2026-01-28 |
Investigation of droplet dynamics in the hypermonotectic succinonitrile-water system in a temperature gradient and microgravity conditions supported by deep learning computer vision
2026-Apr, Journal of colloid and interface science
IF:9.4Q1
DOI:10.1016/j.jcis.2025.139684
PMID:41455349
|
研究论文 | 本文研究了在温度梯度和微重力条件下，超单晶体系中的液滴动力学，利用深度学习计算机视觉技术进行分析 | 结合微重力实验与基于mask R-CNN和SORT的深度学习计算机视觉模型，用于液滴检测与追踪，揭示了液滴运动与表面张力的温度依赖性 | 实验仅在六分钟的微重力条件下进行，可能限制了长期观察；部分液滴粘附于容器边界，可能影响运动分析的准确性 | 研究液-液相分离及液滴在温度梯度下的动力学行为 | 超单晶-水体系中的液滴 | 计算机视觉 | NA | 原位观察，深度学习计算机视觉 | CNN | 图像 | NA | TensorFlow, PyTorch | mask R-CNN, SORT | NA | NA |
| 10370 | 2026-01-28 |
Unfolding the diagnostic pipeline of diabetic retinopathy with artificial intelligence: A systematic review
2026 Mar-Apr, Survey of ophthalmology
IF:5.1Q1
|
综述 | 本文系统综述了人工智能在糖尿病视网膜病变诊断流程中的应用，包括图像预处理、视盘定位与移除、血管分割、特征提取和严重程度分类等阶段 | 提出并实现了一个系统化的AI诊断流程，在MESSIDOR数据集上达到了98.02%的准确率，优于现有方法 | 面临当前挑战，未具体说明数据集的泛化能力或临床部署的障碍 | 自动化并增强糖尿病视网膜病变的诊断，实现早期和准确的筛查 | 糖尿病视网膜病变患者 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 深度学习模型 | 图像 | 基于MESSIDOR数据集，具体数量未明确 | NA | NA | 准确率 | NA |
| 10371 | 2026-01-28 |
Quantifying 3D foot and ankle alignment using an AI-driven framework: a pilot study
2026-Mar, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-05038-6
PMID:41014330
|
研究论文 | 本研究提出了一种基于AI的框架，通过深度学习自动检测足踝三维对齐，使用负重CT图像进行解剖标志点预测 | 采用基于热图预测的3D U-Net模型直接从负重CT图像预测22个解剖标志点，无需分割或迭代网格配准方法 | 探索性研究，样本量较小（74例），需更大数据集评估其临床适用性 | 自动化足踝对齐评估，用于诊断畸形、治疗规划和结果监测 | 骨科患者，包括足部畸形病例如高弓足和扁平外翻足 | 计算机视觉 | 足踝畸形 | 负重CT成像 | CNN | 图像 | 74例骨科患者 | NA | 3D U-Net | 平均绝对误差 | NA |
| 10372 | 2026-01-28 |
Deep learning for automated alveolar cleft segmentation and bone graft volume estimation in cone-beam computed tomography imaging: a multicenter study
2026-Mar, Oral surgery, oral medicine, oral pathology and oral radiology
DOI:10.1016/j.oooo.2025.10.020
PMID:41390267
|
研究论文 | 本研究开发了一种基于深度学习的工具，用于在锥形束计算机断层扫描（CBCT）成像中自动分割牙槽裂区域并估算骨移植体积 | 首次提出并验证了基于3D U-Net的深度学习模型，用于牙槽裂的自动化分割和骨移植体积估算，实现了高效且准确的临床辅助诊断 | 研究样本量相对较小（88例CBCT扫描），且仅针对非综合征性单侧牙槽裂患者，可能限制了模型的泛化能力 | 训练和验证一种深度学习工具，以自动分割牙槽裂区域并估算所需骨移植体积 | 非综合征性单侧牙槽裂患者的CBCT扫描图像 | 数字病理学 | 牙槽裂 | 锥形束计算机断层扫描（CBCT）成像 | CNN | 三维图像 | 88例CBCT扫描（训练集45例，验证集10例，测试集33例） | NA | 3D U-Net | Dice相似系数（DSC） | NA |
| 10373 | 2026-01-28 |
The Future trends of Artificial Intelligence and innovative technologies in the new era of pharmaceutical sciences and Industry 4.0
2026-Feb, Drug development and industrial pharmacy
IF:2.4Q3
DOI:10.1080/03639045.2025.2590707
PMID:41241791
|
综述 | 本文综述了人工智能在药学科学中的变革性影响，重点关注其与现代技术的融合以及在药物研发、生产及数字化转型中的推动作用 | 整合人工智能与机器学习、深度学习及工业4.0技术（如物联网、机器人、区块链、数字孪生），以推动个性化医疗和自适应制造流程 | 面临数据隐私、算法偏见及法规更新需求等挑战 | 探讨人工智能在药学科学及工业4.0新时代中的未来趋势和创新技术应用 | 药学科学领域，包括药物研发、生产、供应链优化及个性化医疗 | 机器学习 | NA | NA | NA | 基因组数据、临床数据、环境数据 | NA | NA | NA | NA | NA |
| 10374 | 2026-01-28 |
Artificial intelligence in psychiatry: Current and emerging trends, clinical applications, and research gaps explored through a bibliometric analysis
2026-Feb, Asian journal of psychiatry
IF:3.8Q1
DOI:10.1016/j.ajp.2026.104828
PMID:41499904
|
综述 | 本文通过文献计量学方法分析了精神病学领域基于人工智能的科学出版物，以识别主要主题、研究趋势和未来机会 | 利用文献计量学方法系统梳理了精神病学中AI研究的演变趋势，并识别了新兴主题如数字健康、可解释性以及伦理治理 | 研究主要基于Web of Science数据库的出版物，可能存在发表偏倚，且未深入评估单个研究的质量或临床有效性 | 分析精神病学领域人工智能研究的出版趋势、核心主题及未来研究方向 | 1980年至2025年间发表在Web of Science精神病学类别下的2328篇原创研究文章 | 自然语言处理 | 精神疾病 | 文献计量分析 | NA | 文本 | 2328篇原创研究文章 | RStudio, Bibliometrix | NA | NA | NA |
| 10375 | 2026-01-28 |
A deep learning-based tool for rapid and automated detection of Cryptosporidium oocysts: A new approach for veterinary diagnostics and epizootiological surveys
2026-Feb, Experimental parasitology
IF:1.4Q3
DOI:10.1016/j.exppara.2026.109099
PMID:41529739
|
研究论文 | 本研究开发了一种基于深度学习的工具，用于快速自动检测犊牛粪便样本显微图像中的隐孢子虫卵囊 | 首次将最先进的目标检测算法YOLOv10和YOLOv11应用于隐孢子虫卵囊的自动化识别，为兽医诊断和流行病学调查提供了新方法 | 研究仅使用了406张标注图像的数据集，样本量相对有限，可能影响模型的泛化能力 | 开发一种快速、准确、自动化的隐孢子虫卵囊检测工具，以改善疾病管理和控制 | 感染隐孢子虫的犊牛粪便样本中的隐孢子虫卵囊 | 计算机视觉 | 隐孢子虫病 | 显微成像 | 目标检测模型 | 图像 | 406张标注图像 | NA | YOLOv10, YOLOv11 | 精确率, 召回率, 平均精度均值(mAP) | NA |
| 10376 | 2026-01-28 |
Artificial Intelligence in Nutrigenomics: A Critical Review on Functional Food Insights and Personalized Nutrition Pathways
2026-Feb, Journal of human nutrition and dietetics : the official journal of the British Dietetic Association
IF:2.9Q3
DOI:10.1111/jhn.70200
PMID:41542760
|
综述 | 本文批判性地评估了人工智能在营养基因组学中的应用，重点关注其在解释功能性食物-基因相互作用、支持个性化营养策略以及实现基于证据的饮食干预以改善健康结果方面的作用 | 系统性地整合了人工智能（特别是机器学习和深度学习）在营养基因组学领域的最新应用，强调了其在识别复杂基因-饮食相互作用、支持生物标志物发现和实现实时监测方面的创新潜力 | 存在算法偏见、数据隐私和伦理治理方面的挑战，且综述范围可能受限于2010-2025年的文献，未能涵盖更早期的研究 | 评估人工智能在营养基因组学中的应用潜力，以推动个性化营养和基于证据的饮食干预 | 营养基因组学、功能性食物、基因-饮食相互作用、个性化营养策略 | 机器学习 | 肥胖、糖尿病、心血管疾病 | 机器学习、深度学习 | NA | 遗传数据、代谢数据、生活方式数据 | 基于142项研究的定性综合，未提供具体样本量 | NA | NA | NA | NA |
| 10377 | 2026-01-28 |
Automated landmark detection and view positioning assessment of shoulder grashey view radiographs using cascade deep learning: A dual-center validation study
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70285
PMID:41579106
|
研究论文 | 本研究开发并验证了一个级联深度学习模型，用于自动定位肩关节Grashey位X光片上的解剖标志并评估投照位置 | 结合RetinaNet和U-Net架构的级联深度学习框架，用于自动检测14个解剖标志并测量关键肩角等放射学参数，其性能在不同图像质量下保持一致 | 模型仅在两个医疗中心的650张X光片上进行训练和验证，样本量有限，且外部验证仅包含50张图像 | 开发并验证一个深度学习模型，用于自动定位肩关节Grashey位X光片的解剖标志并准确评估放射学投照位置 | 肩关节Grashey位X光片 | 计算机视觉 | 肩袖病变 | X光成像 | 深度学习 | 图像 | 650张肩关节Grashey位X光片（500张用于训练，100张用于内部测试，50张用于外部测试） | NA | RetinaNet, U-Net | 平均标志点误差（毫米），关键肩角误差（度） | NA |
| 10378 | 2026-01-28 |
Advances in endometrial cancer screening: a comprehensive review of current methods and emerging technologies
2026-Feb, International journal of clinical oncology
IF:2.4Q3
DOI:10.1007/s10147-025-02941-9
PMID:41385140
|
综述 | 本文全面回顾了子宫内膜癌筛查方法的演变，涵盖传统方法、新兴技术和整合策略 | 整合分子诊断与传统影像学方法，并探讨了深度学习在组织病理学图像分子亚型预测中的应用 | 普遍筛查对无症状人群成本过高，且部分方法（如特定基因面板的甲基化分析）的敏感性和特异性范围较宽 | 评估子宫内膜癌筛查技术的进展，优化诊断准确性、可及性和成本效益 | 子宫内膜癌筛查方法，包括传统影像学、分子诊断和细胞学技术 | 数字病理学 | 子宫内膜癌 | DNA甲基化分析，液体基细胞学，免疫细胞化学，数字图像分析 | 深度学习 | 组织病理学图像 | NA | NA | NA | 敏感性，特异性 | NA |
| 10379 | 2026-01-28 |
A Deep Multimodal Fusion Framework Integrating SERS, Clinical Data, and Metabolomics for Noninvasive MASH Diagnosis
2026-Jan-27, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c04917
PMID:41518251
|
研究论文 | 本文提出了一种名为MedFusionNet的多模态深度学习框架，用于整合SERS光谱、临床生化参数和胆汁酸代谢组学数据，以实现非侵入性的MASH诊断 | 开发了基于Product-of-Experts的变分融合架构，以捕捉模态间交互和潜在相关性，并通过多损失优化策略联合学习共享潜在表示 | 未明确提及具体局限性，如样本量可能有限或外部验证的缺乏 | 解决代谢功能障碍相关脂肪性肝病（MASLD）及其进展形式MASH的诊断挑战，开发非侵入性诊断方法 | 经活检证实的MASLD患者队列 | 机器学习 | 代谢功能障碍相关脂肪性肝病 | 表面增强拉曼光谱（SERS）、临床生化参数分析、胆汁酸代谢组学 | 深度学习框架 | 光谱数据、临床数据、代谢组学数据 | 240名经活检证实的MASLD患者 | 未明确指定，但基于深度学习框架 | Product-of-Experts（PoE）变分融合架构 | 预测准确性、鲁棒性 | 未明确指定 |
| 10380 | 2026-01-28 |
ME-pKa: A Deep Learning Method with Multimodal Learning for Protein pKa Prediction
2026-Jan-27, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01747
PMID:41528986
|
研究论文 | 本文提出了一种名为ME-pKa的多模态深度学习模型，用于预测蛋白质pKa值，通过整合氨基酸局部环境属性和蛋白质FASTA序列特征，并采用多保真度学习策略，提高了预测精度和泛化能力 | 开发了首个结合多模态信息（氨基酸局部环境属性和蛋白质序列特征）并采用多保真度学习策略的蛋白质pKa预测模型，显著提升了预测准确性，特别是在预测埋藏残基的pKa值方面表现优异 | 模型性能仍受限于数据可用性和质量，多保真度学习策略仅部分缓解了数据不足问题，且模型在处理极端复杂蛋白质结构时可能面临挑战 | 开发一种快速、准确的蛋白质pKa预测方法，以克服实验测定困难和现有预测方法的局限性，支持蛋白质结构、功能研究和药物设计 | 蛋白质的pKa值，特别是离子化氨基酸（如ASP、GLU、HIS、LYS）的质子化状态 | 机器学习 | NA | 深度学习，多模态学习，多保真度学习 | 深度学习模型 | 蛋白质序列数据（FASTA格式），氨基酸局部环境属性数据 | 基于PE-p数据集和Small Set数据集，具体样本数量未明确说明 | 未明确指定，但提及了ESM（进化尺度建模）相关技术 | 未明确指定具体架构，但基于多模态学习框架 | RMSE, MAE, R² | 未明确说明 |