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 47760 篇文献，本页显示第 10981 - 11000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10981 | 2026-02-24 |
Deep learning-based early prediction of life-threatening ventricular arrhythmias using long-term Holter ECG signals
2026, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2026.1714589
PMID:41725933
|
研究论文 | 本文提出了一种基于图神经网络和Transformer的深度学习框架，用于利用长期Holter心电图信号早期预测致命性室性心律失常 | 结合图神经网络和Transformer的混合模型，自动捕捉心电信号的空间和时间依赖性，显著提高心律失常分类准确率 | 未明确说明模型在实时穿戴式医疗系统中的具体部署挑战或计算资源需求 | 开发一种高效、实时的深度学习框架，用于早期检测致命性室性心律失常，以降低患者死亡率 | 长期Holter心电图信号 | 机器学习 | 心血管疾病 | Holter心电图监测 | GNN, Transformer | 心电图信号 | 基于MIT-BIH和SDDB数据库的数据集 | NA | GNN + Transformer | 准确率, 精确率, 召回率, F1分数 | NA |
| 10982 | 2026-02-24 |
Deep learning-based robotic cloth manipulation applications: systematic review, challenges and opportunities for physical AI
2026, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2026.1752914
PMID:41726113
|
综述 | 本文系统回顾了基于深度学习的机器人布料展开与折叠应用，总结了当前进展、挑战与未来机遇 | 首次系统性地将现有学习方法重组为六种学习与控制范式，并强调了多模态传感器集成、新型原始动作及大语言模型规划方法等新兴方向 | 现有方法在处理不规则布料尺寸和多样初始状态时仍面临挑战，且存在Sim2Real差距、数据集真实性不足以及比较指标不一致等问题 | 旨在系统识别和总结基于深度学习的机器人布料展开与折叠任务的研究进展，推动物理AI领域发展 | 机器人布料操作，特别是布料的展开与折叠任务 | 机器人与物理AI | NA | 深度学习 | NA | 图像、多模态传感器数据、仿真数据 | 基于2019年至2024年间筛选的41篇相关论文进行分析 | NA | NA | NA | NA |
| 10983 | 2026-02-24 |
Toward a Speech-Based Model of Premanifest Huntington's Disease Progression Using Deep Neural Networks
2026 Jan-Dec, Digital biomarkers
DOI:10.1159/000549327
PMID:41726168
|
研究论文 | 本研究评估了仅使用语音数据通过深度学习模型区分亨廷顿病前驱期患者与健康对照的可行性 | 首次提出并验证了仅基于单一结构化语音任务（Caterpillar段落）的深度学习模型，能够高精度区分亨廷顿病前驱期患者与健康对照，为早期疾病检测提供了可扩展的客观工具 | 样本量相对较小（共130名参与者），模型仅在特定标准化任务上验证，未在更自然或多样化的语音场景中进行测试 | 探索语音分析作为亨廷顿病前驱期早期检测和监测的客观、可扩展数字生物标志物 | 亨廷顿病患者（包括前驱期和显症期）与健康对照的语音样本 | 自然语言处理 | 亨廷顿病 | 语音采集与特征提取 | 随机森林, 支持向量机, XGBoost, 深度神经网络 | 语音 | 130名参与者（94名亨廷顿病患者：38名前驱期，56名显症期；36名健康对照） | NA | 深度神经网络 | 未加权准确率 | NA |
| 10984 | 2026-02-24 |
Clinical Application of Deep Learning for Spine MRI Interpretation: A Multicenter Evaluation of Artificial-Intelligence-Assisted versus Manual Reading on Diagnostic Agreement with the Reference Standard
2026, Research (Washington, D.C.)
DOI:10.34133/research.1145
PMID:41726766
|
研究论文 | 本研究评估了首个集成于MRI硬件的实时AI辅助系统Lumbar VNet Pro在腰椎MRI解读中的临床应用，通过多中心验证比较了AI辅助与手动阅读的诊断一致性 | 开发了首个实时集成于MRI硬件的AI辅助系统LVP，实现了深度学习与MRI扫描的实时结合，提高了定位准确性和诊断效率 | 需要进一步研究评估其在多样化临床环境中的普适性 | 评估AI辅助系统在腰椎MRI诊断中的性能，并与传统手动方法进行比较 | 腰椎疾病患者，包括腰椎间盘突出、椎管狭窄和侧隐窝狭窄等病理 | 数字病理 | 腰椎疾病 | MRI | 深度学习 | 图像 | 训练集1,848个MRI数据集，验证集605个MRI数据集，内部测试100名患者，外部测试1,522名患者 | NA | VNet | Dice系数，识别率，推理时间，准确率，一致性，AUC | NA |
| 10985 | 2026-02-24 |
The impact of artificial intelligence on periodontal disease detection and treatment
2026, Frontiers in dental medicine
IF:1.5Q3
DOI:10.3389/fdmed.2026.1784123
PMID:41727354
|
综述 | 本文综述了人工智能在牙周病检测与治疗中的最新应用与进展 | 强调AI在提升牙周病诊断准确性、预测疾病进展及个性化治疗规划方面的潜力，并探讨了其在优化临床工作流程中的作用 | 未提及具体研究方法的局限性，但指出了将AI整合到常规牙科实践中的挑战，如伦理问题和数据隐私担忧 | 回顾和更新AI在牙周病诊断与管理中的最新证据，重点关注机器学习算法、诊断成像和预测模型的进展 | 牙周病（PD） | 机器学习 | 牙周病 | NA | 深度学习模型 | 放射影像、临床数据 | NA | NA | NA | 诊断准确性 | NA |
| 10986 | 2026-02-24 |
Artificial Intelligence Applications in Sickle Cell Retinopathy Imaging: Current Progress, Challenges, and Future Directions
2026, Journal of ophthalmology
IF:1.8Q3
DOI:10.1155/joph/5579203
PMID:41727523
|
综述 | 本文综述了人工智能在镰状细胞视网膜病变影像学中的应用进展、挑战及未来方向 | 系统总结了AI在SCR影像分析中的最新进展，并指出了临床转化的未来机遇 | 纳入研究数量有限（仅7篇），且部分研究样本量较小，临床验证尚不充分 | 评估人工智能在镰状细胞视网膜病变影像检测、分类和分期中的应用潜力 | 镰状细胞视网膜病变患者的眼科影像数据 | 计算机视觉 | 镰状细胞视网膜病变 | 眼科影像技术（如眼底照相、OCT等） | 经典机器学习, 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 10987 | 2026-02-24 |
Histopathology images-based deep learning prediction of prognosis in primary mucinous ovarian carcinoma
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1704217
PMID:41727660
|
研究论文 | 本研究开发并验证了一种基于组织病理学图像的深度学习模型，用于原发性黏液性卵巢癌的精确预后预测和风险分层 | 首次将基于图的深度学习生存模型（结合GNN和Cox比例风险模型）应用于原发性黏液性卵巢癌的预后预测，并通过GNNExplainer实现模型预测的可解释性可视化 | 样本量相对较小（80例患者），且为回顾性研究，可能存在选择偏倚 | 开发并验证一个深度学习模型，以准确预测原发性黏液性卵巢癌的预后并进行风险分层 | 原发性黏液性卵巢癌患者的组织病理学切片 | 数字病理学 | 卵巢癌 | 组织病理学成像 | 图神经网络 | 图像 | 80例患者（148张全切片图像） | NA | 图神经网络 | C-index, 风险比, log-rank p值 | NA |
| 10988 | 2026-02-24 |
Automatic segmentation and labeling of T1, T7, and T12 thoracic vertebrae in neonatal chest radiographs: a deep learning approach using nnU-Net framework
2026, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2026.1673925
PMID:41727769
|
研究论文 | 本研究提出了一种基于nnU-Net框架的深度学习系统，用于在新生儿胸部X光片中自动分割和标记T1、T7和T12胸椎 | 首次在新生儿胸部X光片中应用nnU-Net框架进行胸椎的自动分割和标记，实现了高精度的定位 | 研究仅针对T1、T7和T12三个特定胸椎进行分割，未涵盖所有胸椎；数据集来自韩国10家大学医院，可能存在地域局限性 | 开发一种自动化系统，用于在新生儿胸部X光片中准确分割和标记胸椎，以辅助评估导管和管道的定位 | 新生儿胸部X光片 | 数字病理学 | 新生儿重症监护 | 胸部X光成像 | CNN | 图像 | 14,660张新生儿胸部X光片，来自10家韩国大学医院 | nnU-Net | nnU-Net | Dice相似系数 | NA |
| 10989 | 2026-02-24 |
Real-time grading method of tunnel surrounding rock based on image recognition
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1766828
PMID:41728268
|
研究论文 | 提出了一种基于图像识别与轻量级深度学习的隧道围岩实时分级方法 | 结合图像处理与轻量级深度学习，构建了自动化管道，实现了隧道掌子面围岩特征的实时提取与分类 | 未明确说明模型在不同地质条件下的泛化能力及现场环境干扰（如光照、粉尘）对识别精度的影响 | 实现隧道施工过程中围岩的快速、准确分级 | 隧道围岩（岩性、硬度、强度、完整性） | 计算机视觉 | NA | 图像采集、灰度转换、去噪、增强、归一化 | CNN | 图像 | NA（未明确样本数量，仅提及工程现场测试） | NA | ShuffleNetV2 | 准确率（岩性分类85%、岩体完整性75%、整体围岩分级80%） | NA |
| 10990 | 2026-02-24 |
Artificial intelligence-assisted diagnosis and histopathological grading of bladder cancer: current status, challenges, and future directions
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1708289
PMID:41728380
|
综述 | 本文系统回顾了人工智能在膀胱癌诊断和组织病理学分级中的应用现状、挑战及未来方向 | 全面总结了AI在膀胱癌诊断与分级中的多模态应用，并指出了数据质量、模型泛化性等关键挑战 | 作为综述文章，未涉及具体实验数据或模型性能的详细分析 | 探讨人工智能技术在膀胱癌诊断与分级领域的应用潜力与发展方向 | 膀胱癌的诊断与组织病理学分级 | 数字病理学 | 膀胱癌 | NA | 深度学习 | 图像, 分子标记数据 | NA | NA | NA | NA | NA |
| 10991 | 2026-02-24 |
Correction: Deep learning based optic nerve sheath diameter characterization and structure quantification on transorbital ultrasound images
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1790647
PMID:41728590
|
correction | 本文是对先前一篇关于使用深度学习在经眼眶超声图像上量化视神经鞘直径和结构的文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10992 | 2026-02-24 |
Imaging pathways in spondyloarthritis: integrating radiography, ultrasonography, magnetic resonance imaging, low-dose computed tomography, and artificial intelligence methods : Radiology and AI in SpA
2025-12-15, Rheumatology international
IF:3.2Q2
DOI:10.1007/s00296-025-06051-7
PMID:41396276
|
综述 | 本文综述了脊柱关节炎的影像学检查路径，整合了X线、超声、磁共振成像、低剂量CT及人工智能方法，并讨论了AI在诊断和管理中的应用 | 提出了一个整合多模态影像和AI辅助判读的当代诊断算法，并探讨了AI在提高脊柱关节炎诊断精度和个性化治疗中的新兴应用 | AI部署成本高、存在医疗法律考量，且相关研究仍处于积极调查阶段 | 优化脊柱关节炎的早期检测和诊断流程，整合先进影像技术与人工智能方法 | 脊柱关节炎患者，特别是疑似中轴型脊柱关节炎的患者 | 医学影像分析 | 脊柱关节炎 | X线摄影、超声、磁共振成像、低剂量计算机断层扫描 | 深度学习 | 影像数据（X线、CT、MRI） | NA | NA | NA | 检测精度 | NA |
| 10993 | 2025-11-30 |
Integrative and deep learning-based prediction of therapy response in ovarian cancer
2025-Nov-28, Journal of experimental & clinical cancer research : CR
IF:11.4Q1
DOI:10.1186/s13046-025-03554-w
PMID:41316472
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10994 | 2026-02-24 |
A Non Deep Learning based Method for Detection of Alopecia Areta and Segmentation of Scalp and Hair regions
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253220
PMID:41335644
|
研究论文 | 本文提出了一种基于经典图像处理算法的非深度学习方法，用于检测斑秃并分割头皮和头发区域 | 该方法可在单视角图像上执行，适用于内存受限的便携设备，并提供皮肤和头发区域的百分比分析，而不仅仅是二分类 | 缺乏Dermnet数据集中头发和皮肤分割的真实标注，需使用Figaro数据集进行评估 | 开发一种轻量级方法，用于辅助诊断和监测斑秃治疗 | 头皮图像，特别是与斑秃相关的皮肤和头发区域 | 计算机视觉 | 斑秃 | 经典图像处理算法 | 非深度学习模型 | 图像 | Dermnet数据集和Figaro数据集 | NA | NA | 准确率 | 内存受限的便携设备 |
| 10995 | 2026-02-24 |
Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253609
PMID:41335835
|
研究论文 | 本文全面评估了基于迁移学习的医学图像分类技术在疾病检测中的性能 | 对六种预训练模型在自定义胸部X光数据集上进行系统比较，并引入不确定性分析和运行时比较以评估模型鲁棒性和计算效率 | 研究仅基于自定义胸部X光数据集，未涵盖其他医学影像类型；模型选择有限，未包括最新架构 | 评估迁移学习技术在医学图像分类中用于疾病检测的性能 | 胸部X光图像 | 计算机视觉 | NA | 迁移学习 | CNN | 图像 | NA | NA | AlexNet, VGG16, ResNet18, ResNet34, ResNet50, InceptionV3 | 准确率, 标准指标 | NA |
| 10996 | 2026-02-24 |
Deep learning based generation of 3D-maximum Intensity Projection (MIP) of MRA from T1-weighted MRI scans for Cerebrovascular Abnormalities Characterization
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253273
PMID:41335960
|
研究论文 | 本研究提出了一种基于U-Net框架的深度学习方法，用于从3D T1加权MRI扫描中合成3D最大强度投影MRA图像，以辅助脑血管异常的早期检测和表征 | 首次利用深度学习从常规T1加权MRI生成3D MIP-MRA图像，避免了传统MRA扫描时间长、可能需要造影剂的限制，并展示了模型在不同数据集上的高泛化能力和对扫描仪的不敏感性 | 研究主要基于公开数据集进行训练和测试，未在更大规模或更多样化的临床数据上进行验证；合成图像的质量（如SSIM为0.8219）仍有提升空间 | 开发一种从常规T1加权MRI合成3D MIP-MRA图像的方法，以促进脑血管疾病的早期检测、治疗评估和管理 | 脑血管异常，特别是血管狭窄和不连续性，用于早期血管疾病检测 | 医学影像分析 | 脑血管疾病 | 磁共振成像（MRI），磁共振血管造影（MRA） | CNN | 3D医学影像（T1加权MRI和MIP-MRA） | 使用IXI数据集进行训练和测试，并在Bullitt、Study Forrest、SIMON和ATLAS等多个独立数据集上进行评估 | 未明确提及，但基于U-Net框架 | U-Net | 峰值信噪比（PSNR），结构相似性指数（SSIM） | NA |
| 10997 | 2026-02-24 |
Generative Forecasting of Brain Activity Enhances Alzheimer's Classification and Interpretation
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253394
PMID:41336569
|
研究论文 | 本研究通过生成式预测大脑活动，利用LSTM和Transformer模型增强阿尔茨海默病的分类和解释能力 | 引入生成式预测作为数据增强方法，并采用新型Transformer-based BrainLM模型进行多变量时间序列预测，以提升阿尔茨海默病分类性能 | 数据集规模有限，特别是针对阿尔茨海默病等疾病特定群体，可能限制深度学习模型的泛化能力 | 通过数据驱动方法理解认知与内在大脑活动的关系，并增强阿尔茨海默病的分类和解释 | 静息态功能磁共振成像（rs-fMRI）数据，特别是从独立成分网络导出的多变量时间序列 | 机器学习 | 阿尔茨海默病 | 静息态功能磁共振成像（rs-fMRI） | LSTM, Transformer | 多变量时间序列数据 | NA | NA | LSTM, BrainLM | 分类性能 | NA |
| 10998 | 2026-02-24 |
Deep learning-based optic nerve diameter sheath characterization and structure quantification on transorbital ultrasound images
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1705459
PMID:41601796
|
研究论文 | 本文提出了一种基于深度学习的神经网络，用于在经眼眶超声图像上进行视神经鞘直径表征和结构量化 | 结合共享和特定特征提取分支以及不确定性感知损失函数，以学习鲁棒的物体结构，并在多中心公开数据集上表现出优越性能 | NA | 实现视神经的精确分割和视神经鞘直径的量化，以作为颅内压升高等神经眼科疾病的非侵入性评估生物标志物 | 经眼眶超声图像中的视神经结构 | 计算机视觉 | 神经眼科疾病 | 超声成像 | 深度学习神经网络 | 图像 | 多中心公开数据集 | NA | 结合共享和特定特征提取分支的深度神经网络 | Dice分数, AUROC | NA |
| 10999 | 2026-02-24 |
Non-genetic factors determine deep learning identified ECG differences between black and white healthy subjects
2025, NPJ cardiovascular health
DOI:10.1038/s44325-025-00087-1
PMID:41080706
|
研究论文 | 本研究探讨了机器学习模型能否从健康黑人和白人个体的心电图中识别基于种族的差异，并探索了这些差异的起源 | 揭示了心电图中的种族相关模式主要由非遗传因素决定，并通过大规模多机构数据分析验证了这一点 | 研究主要关注黑人和白人群体，可能未涵盖其他种族或族裔群体，且社会经济状态的影响分析可能受数据限制 | 调查人工智能模型从心电图数据中检测种族差异的能力及其公平性影响 | 来自多个机构的约176万名健康受试者的约1000万条心电图轨迹 | 机器学习 | 心血管疾病 | 心电图分析 | CNN | 心电图信号 | 约176万名受试者，约1000万条心电图轨迹 | NA | 1层晚期融合CNN | AUC | NA |
| 11000 | 2026-02-24 |
Anthropometry and diagnostic aware deep learning for exercise assessment
2025, Frontiers in medical technology
IF:2.7Q3
DOI:10.3389/fmedt.2025.1725661
PMID:41725682
|
研究论文 | 提出一种结合人体测量和诊断信息的深度学习框架，用于评估力量训练动作的质量和风险 | 首次将人体测量和诊断特征与IMU运动学数据融合，通过注意力加权进行特征融合，提升动作分类和风险预测的准确性 | 样本量较小（仅15名健康受试者），且未在临床患者或更大样本人群中验证 | 开发一个多模态深度学习框架，以分类运动质量并预测运动相关风险 | 健康受试者进行正确和不正确的深蹲和罗马尼亚硬拉动作 | 机器学习 | NA | IMU（惯性测量单元）数据采集 | CNN, LSTM | 运动学序列数据，静态人体测量/诊断数据 | 15名健康受试者 | NA | CNN-LSTM分支与全连接分支融合，注意力加权 | 序列级准确率，二元风险预测准确率 | NA |