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 49152 篇文献，本页显示第 10761 - 10780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10761 | 2026-04-18 |
Automated detection of new cerebral infarctions and prognostic implications using deep learning on serial MRI
2026-Mar-05, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02511-x
PMID:41786919
|
研究论文 | 开发并外部验证了一种深度学习模型，用于自动检测脑卒中患者连续FLAIR MRI扫描中的新发缺血性病灶 | 首次将监督对比学习应用于连续MRI影像的新病灶检测，并证明了AI识别的无症状脑梗死与卒中复发风险的独立关联 | 研究样本主要来自两家医院，需要更多中心验证；模型在更广泛人群中的泛化能力有待进一步验证 | 开发自动检测连续MRI中新发缺血病灶的AI工具，并评估其临床预后价值 | 脑卒中患者的连续FLAIR MRI影像 | 数字病理学 | 心血管疾病 | FLAIR MRI序列 | CNN | 医学影像 | 1055名患者（训练集）的25,451对影像切片，外加307名患者的独立验证队列 | 未明确说明 | 未明确说明具体架构 | AUC | 未明确说明 |
| 10762 | 2026-04-18 |
A novel lightweight hybrid CNN-ViT for maize leaf disease classification
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41190-2
PMID:41741594
|
研究论文 | 本文提出了一种新型轻量级混合CNN-ViT模型，用于玉米叶部病害分类 | 提出了一种受混合专家架构启发的轻量级混合模型，该模型集成了CNN和ViT组件，能够根据输入特征自适应地强调局部或全局特征 | 未明确说明模型在跨环境或不同光照条件下的泛化能力，也未讨论模型在移动设备上的实际部署性能 | 开发一种适用于实际农业部署的高性能、轻量级玉米病害自动诊断方法 | 玉米植株图像，特别是玉米叶部病害 | 计算机视觉 | 植物病害（玉米叶部病害） | 深度学习，计算机视觉 | CNN, ViT, 混合模型 | 图像 | 未明确说明具体样本数量，但提到使用了新颖的真实世界全玉米植株图像数据集 | 未明确说明 | 混合CNN-ViT架构（具体架构未命名），对比了MobileViT, PiT, EdgeNeXt, DeiT | 分类准确率 | 未明确说明 |
| 10763 | 2026-04-18 |
Sustainable probiotic production via AI: medium optimization and metabolic mechanisms in Bifidobacterium animalis ssp. lactis BB-12 using agricultural waste
2026, Critical reviews in food science and nutrition
IF:7.3Q1
DOI:10.1080/10408398.2025.2577224
PMID:41176159
|
研究论文 | 本研究利用人工智能优化农业废弃物培养基，提升Bifidobacterium animalis ssp. lactis BB-12的益生菌生产效率，并通过代谢组学分析揭示其代谢机制 | 首次结合RSM、机器学习、深度学习和进化优化等多种AI方法，系统优化BB-12的农业废弃物培养基，并深入探究其代谢通路变化 | 研究仅针对BB-12单一菌株，未验证其他益生菌的适用性；农业废弃物的成分波动可能影响培养基的稳定性 | 优化BB-12的培养基配方，降低生产成本，并阐明培养基成分变化对菌株代谢的影响 | Bifidobacterium animalis ssp. lactis BB-12益生菌菌株 | 机器学习 | NA | 代谢组学分析、有机酸分析 | 机器学习、深度学习、进化优化算法 | 实验数据（OD、生长率、成本等） | 未明确具体样本数量，涉及多种培养基配方的优化实验 | 未明确指定，可能涉及多种框架 | Ridge-NSGAII（非支配排序遗传算法II） | OD（光密度）、生长率、成本、有机酸产量（乳酸、乙酸、丙酸） | NA |
| 10764 | 2026-04-18 |
OralHybridNet: A Deep Learning Framework for Multi-Label Classification of Dental Restorations and Prostheses in Panoramic Radiographs
2026 Jan-Dec, Inquiry : a journal of medical care organization, provision and financing
DOI:10.1177/00469580261439986
PMID:41972827
|
研究论文 | 本文提出了一种名为OralHybridNet的混合深度学习框架，用于在口腔全景X光片中自动进行多标签分类，以识别牙科修复体和假体 | 提出了一种新颖的混合深度学习框架，结合了分层卷积神经网络、双注意力机制和自适应增强协议，并引入了混合特征选择算法来优化特征表示 | 未明确提及研究的局限性 | 开发一个自动化的深度学习框架，用于在口腔全景X光片中对牙科修复体和假体进行多标签分类 | 口腔全景X光片（OPG） | 计算机视觉 | 牙科疾病 | 全景X光成像 | CNN, KNN | 图像 | 2047张临床医生标注的全景X光片 | NA | CustomDentalNet, OralNetXPlus, ResNet50 | 准确率, 精确率, AUC-ROC | NA |
| 10765 | 2026-04-18 |
The application of artificial intelligence in the intersection of metabolic dysfunction-associated steatotic liver disease and cardiovascular diseases
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1788249
PMID:41993162
|
综述 | 本文综述了人工智能在代谢功能障碍相关脂肪性肝病与心血管疾病交叉领域的应用 | 强调人工智能能够整合临床、影像和多组学数据，提高MASLD诊断和肝纤维化分期的精确度，并优于传统风险评估工具 | 面临数据质量和模型泛化等挑战 | 评估人工智能在MASLD与CVD交叉领域的风险预测、机制理解和临床干预中的应用 | 代谢功能障碍相关脂肪性肝病和心血管疾病患者 | 机器学习 | 心血管疾病 | NA | 机器学习, 深度学习 | 临床数据, 影像数据, 多组学数据 | NA | NA | NA | AUC | NA |
| 10766 | 2026-04-18 |
Deep Learning Estimation of 24-2 Visual Field Map From Optic Nerve Head Optical Coherence Tomography Angiography
2025-11-01, Journal of glaucoma
IF:2.0Q2
DOI:10.1097/IJG.0000000000002626
PMID:40923848
|
研究论文 | 本研究开发了深度学习模型，利用OCTA图像估计24-2视野图，以减少视野测试频率 | 首次将深度学习应用于OCTA图像，利用视盘层信息高精度估计24-2视野图 | NA | 开发深度学习模型从OCTA图像估计24-2视野图 | OCTA视盘正面图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描血管成像 | 深度学习模型 | 图像 | 994名参与者（1684只眼睛）的3148个视野OCTA对 | NA | NA | 平均绝对误差, 皮尔逊相关系数 | NA |
| 10767 | 2026-04-18 |
Deep Learning-Based Generation of DSC MRI Parameter Maps Using Dynamic Contrast-Enhanced MRI Data
2025-Oct-01, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8768
PMID:40194853
|
研究论文 | 本研究开发了一种基于条件生成对抗网络的方法，从动态对比增强MRI数据合成DSC MRI参数图 | 首次利用cGAN从DCE MRI数据生成DSC参数图，避免了重复注射造影剂，并能在易感伪影区域可视化 | 样本量较小（64名参与者），且仅针对脑肿瘤患者进行了验证，未在其他疾病或更大队列中测试 | 开发深度学习方法来从DCE MRI数据合成DSC MRI参数图，以减少造影剂使用 | 脑肿瘤患者及无脑肿瘤的对照组参与者 | 医学影像分析 | 脑肿瘤 | DSC MRI, DCE MRI | cGAN | MRI图像 | 64名参与者（包括脑肿瘤患者和对照组） | NA | 条件生成对抗网络 | 线性回归, Bland-Altman图 | NA |
| 10768 | 2026-04-18 |
Development and application of deep learning-based diagnostics for pathologic diagnosis of gastric endoscopic submucosal dissection specimens
2025-07, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-025-01612-y
PMID:40232558
|
研究论文 | 本研究开发并评估了一种用于胃内镜黏膜下剥离术标本病理诊断的深度学习模型 | 首次开发了针对胃ESD标本的深度学习模型，用于肿瘤和黏膜肌层的组织分割以及肿瘤和黏膜下浸润的检测，并显著减少了病理医生的诊断时间 | 研究样本量相对有限（366个ESD标本），且仅针对腺癌，未涵盖其他类型的胃癌 | 开发并评估一种深度学习模型，以辅助胃内镜黏膜下剥离术标本的准确病理诊断 | 胃内镜黏膜下剥离术标本的整张切片图像 | 数字病理学 | 胃癌 | 整张切片成像 | 深度学习模型 | 图像 | 366个ESD标本，包含2257个标注的兴趣区域和83,839个补丁图像 | NA | NA | Dice系数, AUROC, 特异性, 敏感性 | NA |
| 10769 | 2026-04-18 |
Fetal Sleep: A Cross-Species Review of Physiology, Measurement, and Classification
2025-Jun-27, ArXiv
PMID:41019222
|
综述 | 本文综述了胎儿睡眠的生理特征、测量方法和分类技术，并探讨了宫内条件如缺氧和生长受限对胎儿睡眠的影响 | 综合了八十多年的研究，比较了人类与大型动物模型的睡眠模式，并评估了基于规则和深度学习的分类方法 | NA | 为开发客观、多模态、非侵入性的胎儿睡眠监测技术提供基础，以支持产前护理的早期诊断和干预 | 胎儿睡眠模式，包括人类和大型动物模型 | 自然语言处理 | 老年疾病 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 10770 | 2026-04-18 |
Identifying kinematic biomarkers of the dystrophic phenotype in a zebrafish model of Duchenne muscular dystrophy
2025-Jun-20, Skeletal muscle
IF:5.3Q2
DOI:10.1186/s13395-025-00382-6
PMID:40542412
|
研究论文 | 本研究使用高速摄像和基于深度学习的无标记运动捕捉技术，量化了杜氏肌营养不良症斑马鱼模型的逃逸反应游泳运动学，以识别表型生物标志物 | 首次将无标记运动捕捉与机器学习模型结合，精确量化斑马鱼逃逸反应运动学，识别出区分突变与野生型幼虫的关键生物标志物，并揭示了运动障碍的潜在机制 | 研究仅针对两种斑马鱼突变株（sapje和sapje-like），样本范围有限；方法依赖于高速摄像设备，可能增加实验成本 | 开发高分辨率、低变异性的方法，以评估杜氏肌营养不良症斑马鱼模型的运动能力，并识别表型生物标志物 | 杜氏肌营养不良症斑马鱼模型（sapje和sapje-like突变株）的幼虫 | 计算机视觉 | 杜氏肌营养不良症 | 高速摄像，无标记运动捕捉 | 随机森林，支持向量机 | 视频 | 两种斑马鱼突变株（sapje和sapje-like）的幼虫，具体数量未在摘要中明确 | NA | NA | 效应大小（标准偏差） | NA |
| 10771 | 2026-04-18 |
FetDTIAlign: A deep learning framework for affine and deformable registration of fetal brain dMRI
2025-May-01, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2025.121190
PMID:40221066
|
研究论文 | 本文提出了一种名为FetDTIAlign的深度学习框架，专门用于胎儿脑扩散磁共振成像（dMRI）的仿射和非刚性配准 | 提出了一种新颖的双编码器架构和基于特征的迭代推理机制，有效降低了噪声和低分辨率的影响，并针对仿射和非刚性配准的不同挑战，策略性地采用了不同的网络配置和领域特异性图像特征 | 未明确说明模型在更广泛胎龄范围或不同病理条件下的泛化能力 | 开发一种适用于胎儿脑dMRI的精确空间配准方法，以支持纵向和横断面神经发育研究 | 胎儿脑扩散磁共振成像（dMRI）数据 | 医学图像处理 | 神经发育 | 扩散磁共振成像（dMRI） | 深度学习 | 医学图像（扩散磁共振成像） | 涵盖胎龄23至36周的胎儿脑dMRI数据集，包含60个白质束 | 未明确说明 | 双编码器架构 | 解剖对应性，视觉对齐效果 | NA |
| 10772 | 2026-04-18 |
Interpretable deep learning for deconvolutional analysis of neural signals
2025-Apr-16, Neuron
IF:14.7Q1
DOI:10.1016/j.neuron.2025.02.006
PMID:40081364
|
研究论文 | 本文提出了一种可解释的深度学习方法DUNL，用于神经信号的解卷积分析，通过算法展开设计稀疏解卷积神经网络架构，并直接解释网络权重与刺激驱动的单神经元活动之间的关系 | 首次将算法展开方法应用于神经信号解卷积，设计可解释的稀疏解卷积神经网络，直接关联网络权重与神经元活动，提供对神经活动的机制性理解 | 未明确说明方法在更复杂神经场景或大规模数据集上的泛化能力，以及计算效率的具体评估 | 开发可解释的深度学习方法以分析神经信号，揭示神经活动与刺激之间的机制性联系 | 多个脑区的神经信号，包括中脑多巴胺神经元、躯体感觉丘脑、梨状皮层和纹状体 | 机器学习 | NA | 神经信号记录 | 稀疏解卷积神经网络 | 神经信号数据 | NA | NA | 基于算法展开的稀疏解卷积神经网络 | NA | NA |
| 10773 | 2026-04-18 |
Throw out an oligopeptide to catch a protein: Deep learning and natural language processing-screened tripeptide PSP promotes Osteolectin-mediated vascularized bone regeneration
2025-Apr, Bioactive materials
IF:18.0Q1
DOI:10.1016/j.bioactmat.2024.11.011
PMID:39734571
|
研究论文 | 本研究结合深度学习和自然语言处理技术，从蛋白质的无序区域中筛选出具有促血管生成和成骨活性的三肽PSP，并验证其在促进血管化骨再生中的作用机制 | 首次提出结合深度学习和自然语言处理的复合模型算法，用于从蛋白质无序区域中筛选生物活性肽；发现三肽PSP可作为“启动”剂，通过激活Osteolectin产生和细胞外囊泡释放来促进血管化骨再生 | 研究主要基于小鼠颅骨缺损模型，临床转化潜力尚需进一步验证；筛选的蛋白质数据集（262个相关蛋白）规模有限 | 开发更安全高效的促血管生成治疗替代方案，以促进骨再生 | 蛋白质无序区域中的生物活性肽、内皮细胞、骨髓间充质干细胞、小鼠颅骨缺损模型 | 自然语言处理, 机器学习 | 骨缺损 | 深度学习, 自然语言处理, 生物信息学筛选 | 深度学习模型, 自然语言处理模型 | 蛋白质序列数据, 文本数据（文献信息）, 实验数据 | 262个相关蛋白质的无序区域 | NA | NA | NA | NA |
| 10774 | 2026-04-18 |
Analyzing heterogeneity in Alzheimer disease using multimodal normative modeling on imaging-based ATN biomarkers
2025-Apr, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.70143
PMID:40235115
|
研究论文 | 本研究采用基于深度学习的多模态规范建模框架，分析阿尔茨海默病（AD）患者中基于成像的ATN（淀粉样蛋白-τ蛋白-神经变性）生物标志物的个体水平异质性 | 首次将深度学习驱动的多模态规范建模应用于ATN成像生物标志物，以量化AD的个体异质性，并开发了结合空间范围和异常偏差幅度的个体疾病严重程度指数（DSI） | 研究依赖于横断面数据，未评估纵向变化；样本量相对有限（发现队列n=665，复制队列n=430），且仅基于成像生物标志物，未整合其他临床或分子数据 | 探究阿尔茨海默病在成像生物标志物上的异质性，并开发个体化疾病严重程度评估指标 | 阿尔茨海默病患者及淀粉样蛋白阴性对照个体 | 数字病理学 | 阿尔茨海默病 | T1加权磁共振成像（MRI）、淀粉样蛋白正电子发射断层扫描（PET）、τ蛋白正电子发射断层扫描（PET） | 深度学习 | 图像 | 发现队列665人，复制队列430人 | NA | NA | 疾病严重程度指数（DSI） | NA |
| 10775 | 2026-04-18 |
Characterizing multivariate regional hubs for schizophrenia classification, sex differences, and brain age estimation using explainable AI
2025-Mar-04, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.02.28.25323105
PMID:40093221
|
研究论文 | 本研究利用结构MRI、人口统计学数据和可解释人工智能，探讨了精神分裂症分类、性别差异和脑年龄预测中的多变量区域模式 | 整合深度学习模型与SHAP可解释性方法，识别精神分裂症、性别差异和脑年龄相关的个性化多变量脑区模式 | 未明确提及样本量限制、模型泛化能力或外部验证结果 | 研究精神分裂症分类、性别差异和脑年龄预测中的多变量脑区模式 | 精神分裂症患者和健康对照者的结构MRI数据及人口统计学信息 | 医学影像分析 | 精神分裂症 | 结构MRI | 深度学习神经网络, 支持向量机, k近邻, Lasso回归, 岭回归, 支持向量回归 | 图像, 人口统计学数据 | NA | NA | NA | NA | NA |
| 10776 | 2026-04-18 |
Noncoding variants and sulcal patterns in congenital heart disease: Machine learning to predict functional impact
2025-Feb-21, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.111707
PMID:39877905
|
研究论文 | 本研究利用深度学习模型预测非编码变异对基因调控信号的影响，并探讨其与先天性心脏病患者脑沟模式的关联 | 首次将深度学习模型应用于预测非编码变异对H3K9me2修饰的影响，并揭示其与先天性心脏病患者右侧顶叶脑沟模式的关联 | 研究样本仅限于先天性心脏病患者，未考虑其他混杂因素对脑沟模式的影响 | 探究非编码变异对先天性心脏病患者脑沟模式的影响机制 | 先天性心脏病患者及无先天性心脏病的对照人群 | 机器学习 | 先天性心脏病 | 深度学习 | 深度学习模型 | 基因变异数据、脑沟模式数据 | 先天性心脏病患者队列及无先天性心脏病的对照队列 | NA | NA | NA | NA |
| 10777 | 2026-04-18 |
Global Land Use Change and Its Impact on Greenhouse Gas Emissions
2024-12, Global change biology
IF:10.8Q1
DOI:10.1111/gcb.17604
PMID:39614423
|
研究论文 | 本文通过合成29年全球历史数据，利用结构方程模型和深度学习模型，分析了全球土地利用变化对温室气体排放的影响，并预测了未来排放趋势 | 结合长期全球历史数据，首次使用结构方程模型量化土地利用与温室气体排放的关联，并应用深度学习模型进行未来排放预测 | 模型预测基于当前趋势延续假设，未考虑未来可能出现的突发性政策、技术或自然变化 | 探究全球土地利用变化对温室气体排放的影响，并预测未来排放情景 | 全球陆地表面，包括人工表面、农田、牧场、森林和荒地等土地利用类型 | 环境科学 | NA | 结构方程建模，深度学习 | 深度学习模型 | 时间序列数据，空间数据 | 29年全球历史数据 | NA | NA | NA | NA |
| 10778 | 2026-04-18 |
Detection and prioritization of COVID-19 infected patients from CXR images: Analysis of AI-assisted diagnosis in clinical settings
2024-Dec, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2024.11.045
PMID:39734754
|
研究论文 | 本文介绍了基于人工智能的Covid放射成像系统（Co.R.S.A.）项目的研究成果，旨在通过胸部X光图像诊断新冠肺炎 | 提出了一个基于两步法的检测模型，结合客观放射学发现提供可靠结果；开发了患者优先级排序方案，确保重症病例优先处理；并进行了临床验证和偏差分析以增强AI系统的可信度 | 未明确说明模型在外部数据集上的泛化能力，以及可能存在的样本选择偏差 | 开发用于新冠肺炎诊断和患者优先级排序的AI系统，并评估其在临床环境中的实际效益 | 新冠肺炎患者的胸部X光图像 | 计算机视觉 | 新冠肺炎 | 胸部X光成像 | 深度学习 | 图像 | 未明确说明具体样本数量，但提及了公开的CORDA数据集 | 未明确说明 | 未明确说明具体架构，但提及基于两步法 | 准确性、时间效率 | 未明确说明 |
| 10779 | 2026-04-18 |
Leveraging anatomical constraints with uncertainty for pneumothorax segmentation
2024-Dec, Health care science
DOI:10.1002/hcs2.119
PMID:39735285
|
研究论文 | 本文提出了一种结合解剖学约束和不确定性的深度学习方法，用于在二维胸部X光片上分割气胸病变 | 创新性地将“肺+空间”作为解剖学约束引入深度学习模型训练，并利用外部数据集和辅助任务生成约束，同时通过判别器消除不可靠约束，提高了气胸分割的准确性和鲁棒性 | 方法依赖于外部数据集进行辅助任务，可能受领域偏移影响；未在更多疾病或更广泛数据集上验证通用性 | 通过结合医学领域知识，提升深度学习模型在气胸病变分割任务中的性能 | 二维胸部X光片中的气胸病变区域 | 计算机视觉 | 气胸 | 深度学习 | CNN | 图像 | NA | NA | U-Net, LinkNet, PSPNet, VGG-11, MobileOne-S0 | 交并比, Dice相似系数, Hausdorff距离 | NA |
| 10780 | 2026-04-18 |
Use of Deep Learning to Identify Peripheral Arterial Disease Cases From Narrative Clinical Notes
2024-11, The Journal of surgical research
IF:1.8Q2
DOI:10.1016/j.jss.2024.09.062
PMID:39454287
|
研究论文 | 本研究利用深度学习技术从电子健康记录的非结构化临床笔记中识别外周动脉疾病患者 | 采用基于BioMed-RoBERTa的深度学习模型，相比传统关键词搜索方法，在识别PAD病例方面表现出更优性能 | 研究依赖于已有的诊断或程序编码作为真实标签，可能无法完全捕获未确诊的PAD患者 | 开发一种从临床叙事文本中自动识别外周动脉疾病患者的替代方法 | 电子健康记录中的非结构化临床笔记 | 自然语言处理 | 心血管疾病 | 自然语言处理 | Transformer | 文本 | 71,355名患者的484,363次就诊记录，包含2,268,062条笔记 | PyTorch, Hugging Face Transformers | BioMed-RoBERTa | 灵敏度, 特异度, 阳性预测值, 阴性预测值, 准确率 | NA |