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 48922 篇文献，本页显示第 1141 - 1160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1141 | 2026-08-24 |
Learning via short videos impairs memory accuracy and reduces brain synchrony
2026-May-27, Communications psychology
DOI:10.1038/s44271-026-00476-x
PMID:42204284
|
研究论文 | 本研究通过三项实验和脑成像分析，探讨了短视频相对于长视频在学习记忆中的效果及其神经认知影响，发现短视频会降低记忆准确率并减少大脑同步性。 | 首次结合行为实验与脑间同步（ISC）分析，揭示短视频对记忆和大脑同步性的负面影响，并具体定位到涉及视觉空间注意、情景记忆和认知控制的关键脑区。 | 未明确提及，但可能受限于特定样本群体和短视频内容类型的泛化性。 | 评估短视频作为学习工具是否优于或劣于长视频，并探究其神经认知影响。 | 参与者在不同编码条件下（偶发和有意）观看短视频或长视频，并进行记忆测试和脑电图（或功能磁共振）记录。 | 认知神经科学 | NA | NA | NA | 行为数据、脑成像数据（如EEG或fMRI） | 三项实验的参与者，具体数量未提供 | NA | NA | 记忆准确率、遗忘率、脑间同步（ISC） | NA |
| 1142 | 2026-08-24 |
Coformer: a deep learning-based framework for cross-environment and multi-year cotton phenotype prediction and interpretation
2026-May-23, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-026-01528-3
PMID:42177568
|
研究论文 | 提出了一种名为Coformer的混合Transformer-自编码器深度学习框架，用于跨环境和多年份的棉花表型预测与解释 | Coformer是首个将Transformer自注意力机制与自编码器结合用于棉花表型预测的模型，能够捕获长距离SNP依赖并压缩高维基因型数据，同时具备可解释性，可精确定位影响目标性状的关键遗传位点，并开发了浏览器端的棉花表型预测系统（CPPS） | 摘要中未明确提及局限性 | 开发一种稳健且可解释的深度学习模型，以提高棉花关键农艺性状的预测准确性，并促进遗传改良和设计育种 | 棉花表型预测，涉及高维SNP基因型数据和多个环境、多年份的表型数据 | 机器学习 | NA | SNP基因分型 | Transformer-自编码器混合模型 | 基因组数据（SNP标记）和表型数据 | NA（摘要中未提供具体样本数量） | NA | Transformer编码器，自编码器，线性投影层 | 预测稳健性（具体指标未在摘要中提及） | NA |
| 1143 | 2026-08-24 |
Deep-learning endomicroscope with large field-of-view and depth-of-field for real-time in vivo imaging of epithelial cancer hallmarks
2026-May-19, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2602705123
PMID:42113975
|
研究论文 | 介绍了一种名为PrecisionView的深度学习内窥显微镜，通过大视场和景深实现上皮癌特征的实时在体成像 | 集成深度学习优化的相位掩模和实时重建，打破传统在体显微镜在分辨率、视场和景深间的权衡限制，实现视场和景深的大幅提升 | NA | 开发一种计算内窥显微镜，以满足早期癌症检测在护理点的未满足需求 | 健康志愿者口腔和带有癌前病变的宫颈标本 | 医学成像, 深度学习 | 上皮癌前病变 | 荧光成像, 反射成像 | 深度学习模型 | 图像 | 健康志愿者口腔和宫颈标本（具体数量未提及） | NA | NA | 分辨率, 视场, 景深 | NA |
| 1144 | 2026-08-24 |
Importance of integrating biological sex and age analyses in health research
2026-05-12, Biology of sex differences
IF:4.9Q1
DOI:10.1186/s13293-026-00900-1
PMID:42116218
|
评论 | 本文讨论在健康研究中整合生物性别和年龄分析的重要性，并主张将性别和年龄作为主要分析变量而非混杂因素。 | 提出将性别和年龄从混杂因素重新定位为研究的关键变量，并建议在数据分析中优先进行按性别和年龄的分层分析。 | 未提供具体实证数据或案例研究，仅基于理论观点。 | 强调在健康研究中按性别和年龄进行数据分析的必要性，以防止机制洞察的丢失。 | 人类、动物和细胞群体的健康研究数据。 | 机器学习 | NA | NA | NA | 文本 | NA | NA | NA | NA | NA |
| 1145 | 2026-08-24 |
Regulatory risk loci link disrupted androgen response to the pathophysiology of polycystic ovary syndrome
2026-May, Journal of the Endocrine Society
IF:3.0Q2
DOI:10.1210/jendso/bvag083
PMID:41994484
|
research paper | 本研究整合分子和表观基因组注释，利用深度学习框架预测多囊卵巢综合征风险变异的细胞类型特异性调控效应 | 首次将深度学习模型与表观基因组数据相结合，用于预测PCOS风险变异的调控效应，并识别出雄激素信号通路相关转录因子结合位点的破坏，为高雄激素血症提供分子机制见解 | 摘要未提及研究的局限性 | 阐明多囊卵巢综合征风险变异如何通过调控机制影响疾病病理生理过程 | 多囊卵巢综合征相关风险变异及其在脑和内分泌细胞类型中的调控效应 | 基因组学、深度学习 | 多囊卵巢综合征 | 深度学习、报告基因实验 | 深度学习模型 | 分子和表观基因组注释数据 | NA | NA | NA | 与报告基因数据的一致性 | NA |
| 1146 | 2026-08-24 |
FunctionaL Assigning Sequence Homing (FLASH) maps phenotype to sequence with deep and machine learning
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.04.715981
PMID:41993257
|
研究论文 | 提出一种名为FLASH的深度机器学习框架，直接从原始测序读段预测表型，并在多种微生物中达到高准确率 | FLASH作为可解释的基于统计的深度学习框架，直接处理原始测序读段，能预测训练中未见过的变异，且可识别无注释的交叉物种毒力预测因子，并预测GWAS无法处理的表型如噬菌体宿主范围 | 文中未提及具体局限性，但可推断其依赖计算资源和数据质量，且验证受限于生物伦理和病原微生物遗传复杂性 | 开发一种新的深度学习框架FLASH，用于将基因序列映射到表型，克服GWAS的局限，并实现跨物种的高效预测 | 超过35,000个细菌、真菌和病毒分离株 | 机器学习 | 感染性疾病 | 测序读段分析 | 深度学习模型 | 测序数据 | 超过35,000个细菌、真菌和病毒分离株 | NA | NA | 准确率 | NA |
| 1147 | 2026-08-24 |
Multimodal Assessment of Biological Age Following Radiation Therapy Among Patients With Early-Stage NSCLC
2026-04-01, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究评估了基于照片的面部年龄和基于肺功能测试的肺年龄作为生物年龄指标，与接受立体定向体部放疗的早期非小细胞肺癌老年患者的总生存期和早期死亡率的关联 | 首次在早期NSCLC老年患者中，结合面部年龄和肺年龄两种非侵入性生物年龄指标，评估其与生存结局的独立关联，并显示面部年龄优于实际年龄 | 回顾性设计，肺功能测试仅部分患者可用，且面部年龄和肺年龄相关性弱，可能受单中心样本限制 | 评估非侵入性生物年龄指标（面部年龄和肺年龄）是否可改善老年早期NSCLC患者生理状态和预期寿命的评估，以辅助风险分层和治疗计划 | 接受立体定向体部放疗的早期非小细胞肺癌患者，年龄≥60岁 | 临床影像与生物标志物评估 | 非小细胞肺癌 | 摄影成像及肺功能检测（spirometry） | 深度学习模型 | 照片图像及肺功能测试数据 | 670名患者（其中477名有肺功能数据） | NA | NA | 调整风险比、95%置信区间、P值、中位生存期、2年死亡率 | NA |
| 1148 | 2026-08-24 |
Dataset of Chilean Oak micropyrolysis over Zn and Ga supported on natural zeolite catalyst in oxygen-depleted (He) and reductive (H2) atmospheres
2026-Apr, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2026.112584
PMID:41993075
|
研究论文 | 本文提供了一个数据集，包含用锌和镓掺杂的天然智利沸石催化剂在无氧（氦气）和还原（氢气）气氛下对智利橡木进行微热解的实验数据 | 首次提供了在天然智利沸石催化剂上掺杂锌和镓，在还原气氛下对烘焙后的智利橡木进行热解的全面数据集，包括催化剂表征和热解产物数据，适用于机器学习和深度学习应用 | 未提及 | 提供生物质在无氧和还原气氛下使用天然沸石催化剂热解的数据集，以促进多维分析和工业应用预测 | 智利橡木生物质、天然智利沸石催化剂掺杂锌和镓 | 数据科学 | 不适用 | 热解-气相色谱/质谱联用（Py-GC/MS）、热重分析（TGA）、N2物理吸附、氨程序升温脱附（TPD-NH3）、X射线衍射（XRD）、透射电子显微镜（TEM）、扫描电子显微镜-能量色散X射线光谱（SEM-EDX）、X射线光电子能谱（XPS）、吡啶吸附-脱附傅里叶变换红外光谱（Pyr-FTIR）、电感耦合等离子体原子发射光谱（ICP） | 不适用 | 实验数据 | 未提及具体样本数量，但涉及不同催化剂负载量（2 wt.%和5 wt.%）的多种实验条件 | 不适用 | 不适用 | 不适用 | 未提及 |
| 1149 | 2026-08-24 |
Deep-learning-based breast cancer stage prediction from H&E-stained whole-slide images in resource-constrained settings
2026-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2026.100644
PMID:41993946
|
研究论文 | 提出一种结合Vision Transformer特征提取器和基于注意力的多实例学习聚合器的深度学习流水线，用于在资源受限环境中从H&E染色的全切片图像预测乳腺癌的病理肿瘤-淋巴结-转移分期 | 在2.5×放大倍数下进行乳腺癌分期预测，远低于通常使用的20-40×，并验证了该低分辨率下仍可捕获分期相关信息，为资源受限环境提供了计算高效的基线 | 2.5×放大倍数可能限制对精细细胞线索的获取，且AUC值中等，性能有待提升 | 开发一种资源感知的深度学习流水线，用于从H&E全切片图像预测乳腺癌pTNM分期，并适用于资源受限环境 | 乳腺癌患者的H&E染色全切片图像 | 数字病理学、计算机视觉、深度学习 | 乳腺癌 | H&E染色全切片成像 | Vision Transformer、注意力多实例学习聚合器、ResNet | 图像（全切片图像） | Semmelweis队列247张全切片图像（214名患者）用于训练和验证；三个测试集：Semmelweis内部保留集82张（72名患者）、Nightingale高风险乳腺癌预测数据集9489张（574名患者）、TCGA-BRCA数据集731张（678名患者） | PyTorch | UNI基础模型、针对BRACS微调的UNI、针对BRACS微调的ResNet-50 | 受试者工作特征曲线下面积 | 未明确说明，但强调计算效率，适用于资源受限环境 |
| 1150 | 2026-08-24 |
AI in Mental Health: Transforming Diagnosis and Management of Depression and Anxiety
2026-Apr, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.72316
PMID:41994616
|
综述 | 本文综述了人工智能在抑郁症和焦虑症诊断与管理中的应用，探讨其潜力、挑战及伦理问题 | 系统性地总结了AI在精神健康领域，特别是针对亚洲人群的抑郁症和焦虑症诊断与管理中的应用，并讨论了聊天机器人和可穿戴设备等新兴工具 | 未详细探讨AI在自杀意念检测中的局限，且对老年人群的接受度和伦理问题仅作简要提及，缺乏实证分析 | 评估AI在改善抑郁症和焦虑症诊断精度和管理效率方面的作用，并识别其应用的挑战和未来方向 | 抑郁症和焦虑症患者及相关的AI应用（如聊天机器人、可穿戴设备、机器学习模型） | 机器学习 | 抑郁症和焦虑症 | NA | 机器学习、深度学习模型 | 社交媒体数据、传感器数据 | NA | NA | NA | NA | NA |
| 1151 | 2026-08-24 |
Thymic health consequences in adults
2026-04, Nature
IF:50.5Q1
DOI:10.1038/s41586-026-10242-y
PMID:41851466
|
研究论文 | 本研究开发了一种深度学习框架，用于从常规放射影像中量化成人胸腺健康状况，并评估其与长寿及主要年龄相关疾病风险的关联 | 首次提出胸腺功能维持对成人健康和长寿至关重要，并利用深度学习从常规影像中量化胸腺健康，突破了传统认为成人胸腺功能退化的观点 | 未在摘要中明确提及局限性，可能包括依赖影像数据质量、样本选择偏倚或缺乏直接功能性验证 | 探究成人胸腺健康与长寿及年龄相关疾病风险的关系，以重新定位胸腺在免疫介导衰老中的角色 | 无症状成人参与者，来自国家肺部筛查试验和弗雷明汉心脏研究队列 | 深度学习 | 肺癌、心血管疾病 | 影像组学分析 | 深度学习模型 | 影像数据 | 国家肺部筛查试验25,031例，弗雷明汉心脏研究2,581例，共27,612例 | NA | NA | 全因死亡率、肺癌发病率、心血管死亡率 | NA |
| 1152 | 2026-08-24 |
A deep-learning based biomarker of systemic cellular senescence burden to predict mortality and health outcomes
2026-Mar-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.20.26348913
PMID:41929337
|
研究论文 | 开发并验证了一种基于深度学习的系统性细胞衰老负担生物标志物，用于预测死亡风险和健康结局 | 利用半监督深度学习框架（GAET模型）整合大规模蛋白质组学数据，构建复合SASP评分，提供增强的可解释性和跨平台实用性 | 信息未在摘要中明确提供 | 开发一种深度学习衍生的SASP评分，作为系统性细胞衰老负担的生物标志物，以预测死亡风险和慢性疾病结局，并评估干预效果 | UK Biobank Pharma Proteomics Project（UKB-PPP）数据及独立随机临床试验队列 | 机器学习 | 衰老相关疾病（如痴呆、慢性阻塞性肺病、心肌梗死、中风） | 蛋白质组学（SASP蛋白测量） | 半监督深度学习模型（GAET） | 蛋白质组学数据 | 大规模（具体数量未在摘要中给出） | NA | Guided autoencoder with Transformer (GAET) | 预测能力（如死亡率、疾病发生率）及轨迹变化评估 | NA |
| 1153 | 2026-08-24 |
Interactive Multiscale Attention Fusion with Sparse Feature Convolution Network for Satellite Image Change Detection
2026-03-10, Journal of visualized experiments : JoVE
DOI:10.3791/69815
PMID:42627057
|
研究论文 | 提出了一种基于交互式多尺度注意力融合与稀疏特征卷积网络的卫星图像变化检测方法，以高效识别双时相图像中的地表变化 | 通过交互式前向和后向注意力流实现双向时间建模，结合Ghost模块的稀疏特征卷积，在保持高精度的同时大幅降低计算复杂度 | 未在更多样化的数据集或极端条件下验证泛化能力，且未详细讨论不同场景下的鲁棒性 | 解决现有深度学习方法时间建模单向偏置和计算开销大的问题，实现高效准确的卫星图像变化检测 | 双时相卫星图像中的地表变化区域 | 计算机视觉 | NA | NA | 卷积神经网络 | 图像 | OSCD和SZTAKI两个基准数据集，具体样本量未在摘要中明确 | PyTorch | 编码器-解码器架构，交互式注意力模块，Ghost模块 | F1分数 | NA（摘要中提及参数数量和FLOPS，但未具体说明GPU型号或平台） |
| 1154 | 2026-08-24 |
Filter2Noise: a framework for interpretable and zero-shot low-dose CT image denoising
2026-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.2.024004
PMID:41993061
|
研究论文 | 介绍了一种名为Filter2Noise的框架，用于低剂量CT图像去噪，该框架结合了注意力引导的双边滤波和自监督学习，在保持可解释性的同时实现了与深度学习相当的性能。 | 使用注意力引导的双边滤波器替代传统深度网络，实现了完全可解释的去噪；引入欧几里得局部洗牌和多尺度自监督损失，实现零样本学习，且参数数量极低。 | 信息未提供 | 开发一种可解释且零样本的低剂量CT图像去噪方法，提升放射科医生的信任度和可用性。 | 低剂量CT图像去噪 | 计算机视觉 | 不适用 | CT成像 | 注意力引导的双边滤波 | 图像 | 梅奥诊所低剂量CT挑战数据集和光子计数CT临床数据 | PyTorch | 注意力模块（轻量级，3.6k参数） | 峰值信噪比（PSNR）、对比度噪声比（CNR） | 信息未提供 |
| 1155 | 2026-08-24 |
Artificial Intelligence and Machine Learning in Diagnostic Pathology: A Systematic Review of Applications, Challenges, and Clinical Implications
2026-Mar, Cureus
DOI:10.7759/cureus.105167
PMID:41994757
|
系统综述 | 本系统综述旨在评估人工智能和机器学习在诊断病理学中的应用、性能结果及实际挑战。 | 全面总结了2010年至2025年间AI/ML在病理学多个领域的最新进展，包括外部验证和风险偏倚评估。 | 纳入研究多为回顾性设计且依赖二手数据集，总体偏倚风险中等。 | 分析AI和ML在诊断病理学中的应用现状、性能及其临床意义。 | 包括乳腺病理、细胞病理、神经病理、头颈肿瘤及多器官计算病理等领域的研究。 | 数字病理学 | 乳腺病理、细胞病理、神经病理、头颈肿瘤等 | NA | 深度学习 | 病理图像 | 13项研究 | NA | NA | 诊断准确性 | NA |
| 1156 | 2026-08-24 |
Extending protein language models to a viral genomic scale using biologically induced sparse attention
2026-Jan-21, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giag081
PMID:42480065
|
研究论文 | 提出一种扩展蛋白质语言模型至病毒基因组规模的方法，利用生物信息引导的稀疏注意力机制，训练于整个病毒基因组以捕获蛋白质间长程依赖关系 | 首次将蛋白质语言模型的上下文扩展至整个病毒基因组，并采用生物信息引导的稀疏注意力机制推断蛋白质间连接作为稀疏先验 | 未明确提及 | 克服单蛋白质模型忽视基因组内蛋白质间相互依赖的局限性，提升下游任务性能 | 病毒基因组及蛋白质序列 | 机器学习 | NA | NA | Transformer | 蛋白质序列 | 未明确提及 | NA | 稀疏注意力Transformer | 掩码氨基酸预测准确率、下游任务区分性能 | NA |
| 1157 | 2026-08-24 |
Thermodynamic principles link in vitro transcription factor affinities to single-molecule chromatin states in cells
2026-Jan-08, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2025.11.008
PMID:41308636
|
研究论文 | 通过定量比较体外转录因子结合率与亲和力及体内单分子染色质状态，揭示转录因子结合和染色质可及性的分子机制 | 将体外高通量测量与体内单分子测量及深度学习模型相结合，揭示侧翼序列对亲和力的40倍效应，并证明体外生物物理参数可预测体内未知基序语法的序列偏好 | 未提及具体限制 | 定量理解转录因子结合和可及染色质形成的分子细节，包括序列上下文如何调节亲和力、DNA搜索、占据动力学及基序语法协调 | 人类转录因子红系Krüppel样因子（eKLF/KLF1） | 分子生物学 | NA | 高通量体外结合测量、单分子成像、深度学习建模 | 深度学习模型 | 体外结合数据、体内单分子占用数据 | NA | NA | NA | NA | NA |
| 1158 | 2026-08-24 |
Prediction of influenza virus infection based on deep learning and peripheral blood proteomics: A diagnostic study
2026-01, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.03.051
PMID:40158620
|
研究论文 | 本研究基于机器学习和外周血蛋白质组学，建立了流感病毒感染的诊断预测模型，并验证了SAA2作为流感特异性分子标志物的潜力。 | 整合外周血蛋白质组学与机器学习，发现SERPINA3、SAA1和SAA2等新标志物，并利用ELISA验证了SAA2作为流感辅助诊断指标的特异性。 | 摘要未提及研究的限制，如样本来源单一、模型泛化性验证不足等问题。 | 预测流感病毒感染的关键分子标志物，并评估模型在流感、COVID-19及混合感染中的鉴别诊断价值。 | 流感病毒、COVID-19及混合感染患者和健康个体的外周血蛋白质组及临床特征。 | 机器学习 | 流感、COVID-19 | 蛋白质组测序、ELISA | 随机森林、LASSO回归 | 蛋白质组数据、临床特征数据 | 850名患者（包括流感、COVID-19和混合感染）和265名健康个体 | NA | 随机森林、LASSO回归 | ROC曲线、AUC、相关性分析 | NA |
| 1159 | 2026-08-24 |
Vision-Guided Surgical Navigation Using Computer Vision for Dynamic Intraoperative Imaging Updates
2026-Jan, International forum of allergy & rhinology
IF:7.2Q1
DOI:10.1002/alr.70000
PMID:40847589
|
研究论文 | 提出了一种基于计算机视觉的无传感器方法，利用神经辐射场从内窥镜视频生成术中CT更新，以动态反映手术进展。 | 首次将NeRF应用于内窥镜手术视频，实现无外部跟踪的术中CT动态更新，通过算法减去切除区域生成更新的CT模型。 | 研究基于3D打印模型而非真实患者，样本量小（n=6侧），且CT更新可能存在体积低估。 | 开发一种无需传感器、基于视频的方法，用于内窥镜鼻窦手术中的动态术中成像更新，以提高手术完整性。 | 3D打印的鼻窦模型（共3个，n=6侧）进行双侧内窥镜鼻窦手术。 | 计算机视觉 | 慢性鼻窦炎（需要内窥镜鼻窦手术） | 内窥镜视频采集，神经辐射场（NeRF）重建，CT图像处理 | 神经辐射场（NeRF） | 内窥镜视频和CT图像 | 3个3D打印模型，共6侧 | PyTorch | NeRF | Hausdorff距离，Dice相似系数，Bland-Altman分析 | 未提及（NA） |
| 1160 | 2026-08-24 |
Voxel-accurate MRI-microscopy Correlation Enables AI-powered Prediction of Brain Disease States
2026, Theranostics
IF:12.4Q1
DOI:10.7150/thno.125235
PMID:41993630
|
研究论文 | 本文介绍了BRIDGE平台，该平台结合体内MRI与双光子和超分辨显微成像技术，实现MRI信号的体素级精确映射到生物学真实状态，并利用卷积神经网络提升MRI的有效分辨率，从而支持脑疾病状态的AI预测。 | 首次实现体内纵向、体素级精确的MRI信号到生物学真实状态的映射，并利用多步迭代共配准流程整合体内和体外显微成像。 | 摘要中未明确提及局限性，可能包括样本量有限、技术复杂性或对特定显微成像条件的依赖。 | 建立MRI信号的微观真实标准，并利用深度学习预测脑疾病状态，提供肿瘤微环境的细胞级见解。 | 脑疾病状态，包括乳腺癌脑转移和胶质瘤的肿瘤微环境。 | 医学影像分析，深度学习 | 乳腺癌脑转移，胶质瘤 | MRI，双光子显微镜，超分辨显微镜 | 卷积神经网络 | MRI图像，显微图像 | 患者来源的异种移植模型 | NA | 卷积神经网络 | NA | NA |