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 11001 - 11020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11001 | 2026-04-12 |
Computer-aided assessment of breast density: comparison of supervised deep learning and feature-based statistical learning
2018-01-09, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aa9f87
PMID:29210358
|
研究论文 | 本研究开发了一种基于监督深度学习的自动化方法，用于评估数字乳腺X线摄影中的乳腺密度百分比，并与基于特征的统计学习方法进行比较 | 采用监督深度卷积神经网络结合域适应重采样方法，生成乳腺密度概率图，实现了比传统特征学习方法更准确和稳健的密度估计 | 研究仅使用了单一机构的回顾性数据，样本量有限，且未在外部数据集上进行验证 | 开发自动化评估乳腺密度的方法，以辅助癌症风险预测和密度报告 | 数字乳腺X线摄影图像 | 计算机视觉 | 乳腺癌 | 数字乳腺X线摄影 | CNN | 图像 | 训练集478张数字乳腺X线摄影图像，独立测试集183张图像 | NA | 深度卷积神经网络 | Dice系数, Pearson相关系数 | NA |
| 11002 | 2026-04-11 |
Computational dual-loop frameworks bridging single-enzyme design and cascade tunnel network engineering for next-generation biosynthetic systems
2026 Jul-Aug, Biotechnology advances
IF:12.1Q1
DOI:10.1016/j.biotechadv.2026.108850
PMID:41763370
|
综述 | 本文综述了计算酶工程的最新进展，重点介绍了结构预测、突变效应建模、多尺度分子模拟和多酶网络工程，并将其置于一个连接分子水平酶设计与途径水平整合的双循环DBTL框架中 | 与现有主要关注单一计算方法或单酶优化的综述不同，本文强调在统一的DBTL框架内，将机制性酶建模与多酶网络设计相结合，提供了一个连接单酶设计与级联隧道网络工程的双循环框架 | NA | 总结计算酶工程的最新进展，并为下一代生物合成系统提供一个连接分子设计与系统集成的结构化框架 | 酶（单酶及多酶系统） | 计算生物学 | NA | 结构预测、突变效应建模、分子动力学模拟、量子力学/分子力学分析 | 深度学习 | NA | NA | NA | NA | NA | NA |
| 11003 | 2026-03-01 |
Editorial for "Analysis of Upper Airway Morphology Using Four-Dimensional Dynamic MRI With Active Deep Learning-Based Automatic Segmentation"
2026-May, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70283
PMID:41761402
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11004 | 2026-04-11 |
Determination of Modified Waldenström Staging in Legg-Calvé-Perthes Disease Using Deep Learning
2026-May, Journal of the Pediatric Orthopaedic Society of North America
DOI:10.1016/j.jposna.2026.100334
PMID:41890888
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于从标准髋关节X光片中自动确定Legg-Calvé-Perthes病的改良Waldenström分期 | 首次利用深度学习自动化提取临床相关参数，构建分类管道以改进LCPD分期的客观性和一致性 | 早期阶段样本代表性不足，模型在完整分类中的准确性中等，需要更大规模多中心数据提升性能 | 开发深度学习模型以自动化和标准化Legg-Calvé-Perthes病的改良Waldenström分期 | Legg-Calvé-Perthes病患者的髋关节X光片（前后位和蛙式侧位） | 数字病理学 | Legg-Calvé-Perthes病 | X光成像 | 深度学习分类模型 | 图像 | 机构1包含2,164张图像，保留测试集229对X光片，外部验证集533对X光片 | NA | NA | Dice系数, AUROC | NA |
| 11005 | 2026-04-11 |
Advanced deep learning framework for breast cancer detection using digital breast tomosynthesis images
2026-Apr-24, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2025-0011
PMID:41521204
|
研究论文 | 本研究提出了一种基于深度学习的鲁棒框架，用于利用数字乳腺断层合成图像进行乳腺癌检测 | 提出了一种结合单切片和多切片输入的混合深度学习模型，并应用了拉普拉斯金字塔增强、特征融合和穷举特征选择等先进方法以提升诊断性能 | 研究未使用多中心数据集进行验证，且尚未与临床决策支持系统集成 | 开发一种用于乳腺癌早期准确检测的深度学习框架 | 数字乳腺断层合成图像 | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成成像 | CNN, 集成学习 | 图像 | 未明确说明 | TensorFlow, Keras, Scikit-learn, XGBoost | ResNet V2, MobileNet V3, Inception V3+ | 准确率, 灵敏度, 特异性, AUC | 未明确说明 |
| 11006 | 2026-04-11 |
A simulation-based deep learning framework for spatially explicit malaria modeling of CRISPR suppression gene drive mosquitoes
2026-Apr-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115221
PMID:41890961
|
研究论文 | 本研究开发了一个基于模拟的深度学习框架，用于空间显式建模CRISPR抑制基因驱动蚊子对疟疾的影响 | 结合个体建模与深度学习，高效分析多参数对基因驱动效果的影响，揭示了不完美驱动仍可能消除疟疾的潜力 | 未明确说明模型在真实世界数据上的验证情况，且计算需求可能仍较高 | 预测CRISPR基因驱动释放对疟疾传播的影响，优化蚊虫抑制策略 | CRISPR基因驱动蚊子及其对疟疾传播的调控 | 机器学习 | 疟疾 | CRISPR基因驱动技术，个体建模 | 深度学习模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 11007 | 2026-04-11 |
RaMoA: Raman Microspectroscopy and Deep Learning for the Classification of Antimicrobial Mechanism of Action
2026-Apr-10, ACS infectious diseases
IF:4.0Q1
DOI:10.1021/acsinfecdis.5c00917
PMID:41824399
|
研究论文 | 本文提出了一种结合拉曼显微光谱和深度学习的新技术，用于分类抗菌药物的作用机制并预测其新颖性 | 首次将拉曼显微光谱与深度学习结合，用于抗菌药物作用机制的分类和新颖性预测，实现了高精度分类和未知机制识别 | 研究仅基于大肠杆菌ATCC 25922野生型菌株，且处理时间固定为1小时，样本多样性和时间动态性有限 | 开发一种基于拉曼光谱和深度学习的技术，以快速分类抗菌药物的作用机制并评估其新颖性 | 大肠杆菌ATCC 25922野生型菌株，使用27种代表5类传统功能（细胞壁合成抑制剂、蛋白质合成抑制剂、DNA复制抑制剂、RNA合成抑制剂、细胞膜功能抑制剂）的抗生素处理 | 机器学习 | NA | 拉曼显微光谱 | CNN, 自编码器 | 拉曼光谱 | 27种抗生素处理的大肠杆菌样本，代表5类作用机制 | NA | 1D 卷积神经网络, 自编码器 | 准确率 | NA |
| 11008 | 2026-04-11 |
The impact of data consistency on deep learning models for nasopharyngeal cancer organ auto-segmentation
2026-Apr-10, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae596e
PMID:41916328
|
研究论文 | 本研究探讨了标注一致性对基于深度学习的鼻咽癌放疗中危及器官自动勾画性能的影响 | 揭示了标注一致性比数据集规模对自动勾画性能更具决定性影响，并展示了通过医师特定微调可弥补领域适应差距 | 研究仅基于CT扫描数据，未考虑其他影像模态；样本来源和标注医师的多样性可能有限 | 研究标注一致性如何影响深度学习模型在鼻咽癌放疗中危及器官自动勾画的性能 | 鼻咽癌患者的CT扫描图像及对应的危及器官勾画 | 数字病理 | 鼻咽癌 | CT扫描 | CNN | 图像 | 1,301例鼻咽癌患者CT扫描，其中65例由医师A勾画，76例由医师B勾画，1,160例由多医师团队勾画 | NA | U-Net | Dice相似系数 | NA |
| 11009 | 2026-04-11 |
Artificial intelligence augmented imaging of pancreatic fluid collections in acute pancreatitis
2026-Apr-10, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology
IF:2.0Q3
DOI:10.1007/s12664-026-01979-5
PMID:41957213
|
综述 | 本文综述了人工智能在增强急性胰腺炎中胰腺液体积聚成像方面的应用，包括分割、图像生成、预后预测和工作流优化 | 利用深度学习和放射组学技术，自动化分割胰腺及液体积聚，客观量化坏死碎片，并加速MRI采集时间，可能生成合成图像 | 临床整合面临挑战，如数据标准化、算法验证和实际工作流适应性问题 | 探讨人工智能如何改进胰腺液体积聚的成像诊断和管理，以克服传统成像方法的局限性 | 急性胰腺炎患者的胰腺液体积聚 | 数字病理学 | 胰腺炎 | 深度学习, 放射组学 | 深度学习模型 | 医学影像数据（如CT、MRI） | NA | NA | NA | NA | NA |
| 11010 | 2026-04-11 |
Hyperspectral imaging-driven detection of neutraliser adulteration in milk using spatial-spectral features
2026-Apr-09, Food additives & contaminants. Part A, Chemistry, analysis, control, exposure & risk assessment
DOI:10.1080/19440049.2026.2653543
PMID:41955473
|
研究论文 | 本研究提出了一种结合新型光谱指数和空间导数特征的混合方法，利用高光谱成像和机器学习来检测牛奶中的中和剂掺假 | 提出了一种结合新型光谱指数（基于纯中和剂在650-975 nm范围的反射率曲线开发）和二阶空间导数特征的混合方法，以增强检测精度 | NA | 检测和分类牛奶中的中和剂（如碳酸钠和碳酸氢钠），以确保牛奶质量和消费者安全 | 新鲜牛奶和掺有不同浓度中和剂（每100 ml牛奶添加0.025 g、0.05 g和0.075 g）的牛奶样本 | 机器视觉 | NA | 高光谱成像 | XGBoost, Random Forest | 高光谱图像 | NA | NA | NA | 准确率 | NA |
| 11011 | 2026-04-11 |
Predicting Osteoporosis Risk from Knee Radiographs and Clinical Features through Deep Learning: A Multimodal Approach
2026-Apr-09, Annals of African medicine
IF:0.6Q3
DOI:10.4103/aam.aam_857_25
PMID:41957558
|
研究论文 | 本研究开发了一种结合膝关节X光片和临床特征的多模态深度学习方法，用于预测骨质疏松风险 | 提出了一种双流方法，将CNN从X光片中提取的特征与临床参数结合，用于骨质疏松筛查，为资源有限地区提供了一种成本效益高的替代方案 | 样本量较小（仅239张图像），且仅使用了单一公共数据集，可能影响模型的泛化能力 | 探索利用深度学习和临床数据预测骨质疏松风险，以替代昂贵的DEXA扫描 | 膝关节X光图像及对应的临床数据 | 计算机视觉 | 骨质疏松症 | X射线成像，骨矿物质密度评估 | CNN | 图像，临床数据 | 239张膝关节X光图像及对应临床数据 | NA | AlexNet, Inception V3 | 召回率，准确率，AUC，灵敏度 | NA |
| 11012 | 2026-04-11 |
A simulation-based study of 3D printing angle optimization by integrating deep learning and NSGA-III for prosthesis and retainer manufacturing
2026-Apr-08, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2026.03.015
PMID:41956844
|
研究论文 | 本研究开发了一个集成深度学习和NSGA-III算法的计算框架，用于优化牙科3D打印中牙冠和固位体的构建方向，以减少支撑面积和打印高度 | 首次将PointNet++、MeshSegNet和NSGA-III集成到一个自动化框架中，用于牙科3D打印的构建方向优化，避免了传统软件中手动调整和支撑物放置在功能区域的问题 | 研究为基于仿真的研究，需要进一步的实验验证才能应用于临床 | 开发并评估一个计算框架，以优化牙科3D打印中牙冠和固位体的构建方向，最小化支撑面积和打印高度 | 牙科牙冠和固位体的3D打印构建方向 | 计算机视觉 | NA | 3D打印 | 深度学习 | 3D网格数据 | 24个牙科模型 | NA | PointNet++, MeshSegNet | 支撑面积, 打印高度 | NA |
| 11013 | 2026-04-11 |
Machine and Deep Learning Reveal Sequence Determinants Encoding Bivalent Histone Modifications
2026-Apr-07, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09962-8
PMID:41946881
|
研究论文 | 本文通过机器学习和深度学习揭示了编码双价组蛋白修饰的序列决定因素 | 首次利用机器学习模型基于k-mer序列特征准确区分双价与单价染色质区域，并通过深度学习进一步提升了预测准确性，发现了与多能性转录因子相关的特定基序及其在双价峰边界的位置特异性 | 研究主要基于小鼠胚胎干细胞数据，可能不直接适用于其他物种或细胞类型；序列特征的因果机制尚未完全阐明 | 探究双价染色质区域的序列特征及其在发育基因调控中的作用 | 小鼠胚胎干细胞中的双价组蛋白修饰（H3K4me3、H3K27me3、H3K9me3）区域 | 机器学习 | NA | 全基因组组蛋白修饰分析 | 机器学习模型, 深度学习模型 | 基因组序列数据 | NA | NA | NA | 预测准确性 | NA |
| 11014 | 2026-04-11 |
Multicenter deep learning for multi-abnormality screening on hip radiographs: development, external validation, and assisted reader study
2026-Apr-06, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.04.013
PMID:41951039
|
研究论文 | 本研究开发并验证了一个基于深度学习的模型，用于在髋部X光片上同时筛查多种异常，通过多中心数据集的训练和外部验证，展示了其在辅助诊断中的潜力 | 开发了一个能够同时筛查八种髋部异常（包括正常情况）的深度学习模型，结合了卷积块注意力模块、广义平均池化和类别平衡焦点损失等增强技术，并在多中心数据集上进行了外部验证和辅助读者研究 | 模型主要基于X光图像，可能无法检测所有类型的髋部异常；外部验证仅在一个医院进行，泛化能力需进一步验证；未涉及模型在实时临床环境中的长期影响评估 | 开发并验证一个深度学习模型，用于自动化筛查多种常见的髋部异常，以辅助临床诊断并提高筛查效率 | 髋部X光片（骨盆X光片） | 计算机视觉 | 髋部疾病 | X光成像 | CNN | 图像 | 训练和内部验证使用来自两家医院的25,908个髋部样本；外部验证使用来自第三家医院的4,600个髋部样本 | 未明确提及，可能为PyTorch或TensorFlow | ResNet-50 | 准确率, 宏AUC, 宏F1分数, 敏感性 | 未明确提及 |
| 11015 | 2026-04-11 |
Challenges in translating AI-driven ASD/ADHD diagnosis: A methodological systematic review
2026-Apr-04, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2026.106417
PMID:41955914
|
系统综述 | 本文系统综述了利用深度学习驱动的计算机视觉进行生物医学信息学方法研究，以支持儿科神经发育障碍（如ASD和ADHD）的客观诊断决策 | 首次系统性地综合了多模态特征提取、深度学习架构、高性能策略及稳健数据集成挑战等生物医学信息学方法，并应用APPRAISE-AI框架评估方法学质量和偏倚 | 研究发现方法在可重复性（41.0%）和结果稳健性（45.1%）方面存在显著差距，且联邦学习和可解释AI技术应用不足 | 旨在为儿科神经发育障碍（NDDs）提供客观、数据驱动的诊断决策支持 | 专注于自闭症谱系障碍（ASD）和注意力缺陷/多动障碍（ADHD）等神经发育障碍 | 计算机视觉 | 神经发育障碍 | 深度学习驱动的计算机视觉 | 深度学习 | 多模态数据（如面部成像、EEG、fMRI） | 基于43项Q1/Q2研究，具体样本量未在摘要中明确 | NA | NA | 特异性、敏感性 | NA |
| 11016 | 2026-04-11 |
Street-view-measured greenspace components and childhood myopia: A population-based cross-sectional and prospective cohort study
2026-Apr-04, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2026.110230
PMID:41955945
|
研究论文 | 本研究通过街景图像测量绿地组分，探讨其与儿童近视的关联 | 首次利用深度学习分割街景图像量化特定绿地组分（树木、草地、植物、田野），并构建时间加权“家-校”暴露指标，揭示了不同绿地组分与儿童近视的差异关联 | 研究为观察性设计，无法确定因果关系；绿地暴露测量基于静态街景图像，可能未完全捕捉动态变化；样本局限于香港地区，可能影响结果普适性 | 探究街景测量的绿地组分与儿童近视之间的关联 | 香港6至8岁儿童 | 计算机视觉 | 近视 | 深度学习分割 | 深度学习模型 | 街景图像 | 20,422名儿童（横断面研究），2,667名儿童（前瞻性队列研究） | NA | NA | 比值比（OR），风险比（HR），95%置信区间（CI） | NA |
| 11017 | 2026-04-11 |
Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes
2026-Apr-03, npj aging
IF:4.1Q2
DOI:10.1038/s41514-026-00377-7
PMID:41932933
|
研究论文 | 本文提出了一种基于深度学习的成像驱动框架，用于估计多个器官系统的生物年龄，并探讨其与死亡率和健康结局的关联 | 引入了一种纯粹基于成像的深度学习框架，用于跨七个器官系统估计器官特异性生物年龄，无需手动特征选择，并利用不确定性感知的ResNet模型自主学习衰老相关特征 | 研究主要基于UK Biobank数据，可能受限于特定人群和成像技术，且未明确讨论模型在其他数据集或临床环境中的泛化能力 | 开发一种成像驱动的生物年龄估计方法，以更全面地评估个体衰老轨迹，并预测死亡率和健康结局 | 70,000名UK Biobank参与者的成像数据，涵盖七个器官系统 | 计算机视觉 | 老年疾病 | 成像数据（如MRI、CT等） | CNN | 图像 | 70,000名参与者 | NA | ResNet | NA | NA |
| 11018 | 2026-04-11 |
Integration of deep learning and radiomic features from multiplex immunohistochemistry images for reproducible Multi-Outcome prediction in a Multi-Center study of colorectal cancer
2026-Apr-03, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2026.106436
PMID:41955913
|
研究论文 | 本研究开发并验证了一个整合多路免疫组化图像中放射组学和深度学习特征的多模态机器学习框架，用于结直肠癌的多种预后预测 | 首次在多中心研究中结合放射组学特征和Vision Transformer提取的深度特征，通过特征融合和稳健性量化，实现了对结直肠癌多种临床结局的准确、可解释且可泛化的预测 | 研究为回顾性设计，可能受到选择偏倚的影响；仅使用了六种免疫标记物，可能未涵盖所有相关生物标志物 | 开发一个稳健的多模态机器学习框架，用于结直肠癌的全面预后预测 | 结直肠癌患者 | 数字病理学 | 结直肠癌 | 多路免疫组化 | Vision Transformer, TabTransformer, XGBoost, TabNet, DeepSurv, CoxPH, RSF | 图像 | 2,117名结直肠癌患者（来自七个中心，1,548例用于训练和内部测试，569例用于外部验证） | HistomicsTK, TensorFlow, PyTorch, Scikit-learn | ViT-B/16, TabTransformer, XGBoost, TabNet, DeepSurv | AUC, 宏AUC, C-index, 时间依赖性AUC | NA |
| 11019 | 2026-04-11 |
Beyond the human eye: Artificial intelligence revolutionizing plasma quality control
2026-Apr, Vox sanguinis
IF:1.8Q3
DOI:10.1111/vox.70122
PMID:41022431
|
研究论文 | 本文开发了一种基于深度学习的自动化系统，用于标准化检测血浆颜色和浊度异常，以替代输血医学中主观的视觉检查 | 首次将深度学习模型与分拣机集成，实现血浆质量控制的自动化，减少人为误差和浪费 | 研究样本仅来自单一输血中心，可能限制结果的普适性 | 评估自动化系统在输血环境中检测血浆颜色和浊度异常的准确性和可靠性 | 血浆袋 | 计算机视觉 | NA | 图像采集 | 深度学习模型 | 图像 | 训练集789袋血浆（467正常，322异常），测试集第一阶段184袋（145正常，39异常），第二阶段486袋（287正常，199异常） | NA | NA | 准确率, 灵敏度, 特异性, 精确度 | NA |
| 11020 | 2026-04-11 |
Bi-directional YOLOv10 with average convolution for brain tumor detection in MRI
2026-Apr, Brain research bulletin
IF:3.5Q2
|
研究论文 | 本研究通过集成平均卷积模块和双向路径模块，增强了YOLOv10模型，用于MRI图像中的脑肿瘤检测 | 提出了AvConv模块和双向路径模块，以提升检测精度，相比基线YOLOv10在mAP50和mAP50-95指标上分别实现了相对0.3%/3.1%和2.1%/8.9%的改进 | 研究仅使用了两个Kaggle数据集（总计1269张图像），样本量相对有限，可能影响模型的泛化能力 | 提高MRI图像中脑肿瘤的自动检测精度，支持可靠的自动化诊断 | MRI图像中的脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | YOLO | 图像 | 1269张MRI图像（来自两个Kaggle数据集：数据集1含1116张图像，数据集2含153张图像） | NA | YOLOv10, 双向YOLOv10 | mAP50, mAP50-95 | NA |