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 50072 篇文献，本页显示第 11881 - 11900 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 11881 | 2026-04-22 |
Shaping the future of myopia: artificial intelligence for vitreoretinal complications of high and pathologic myopia
2026-May, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie
DOI:10.1007/s00417-025-07098-9
PMID:41636834
|
综述 | 本文综述了人工智能（特别是深度学习）在检测高度近视和病理性近视的玻璃体视网膜并发症（如视网膜脱离、近视性黄斑变性和近视性牵引性黄斑病变）中的应用现状 | 系统总结了深度学习在多种眼科成像模态（如OCT、眼底照相）中用于近视相关视网膜病变分类与分割的最新研究进展，并指出从基于CNN的架构向Transformer骨干网络及预训练/基础模型的发展趋势 | 现有研究在病例定义、数据集和评估方法上存在显著异质性，外部验证报告不一致，且需进一步工作以将模型转化为临床应用，包括稳健的外部验证、临床决策校准和前瞻性评估 | 探讨人工智能（特别是深度学习）在检测近视相关视网膜并发症中的应用，以缓解近视流行带来的医疗系统压力 | 高度近视和病理性近视患者的视网膜并发症，包括视网膜脱离（RD）、近视性黄斑变性（MMD）和近视性牵引性黄斑病变（MTM） | 计算机视觉 | 近视 | 眼科成像，包括OCT、眼底照相、荧光素血管造影和超声检查 | 深度学习 | 图像 | 28项研究（涉及RD 10项、MMD 12项、MTM 6项），具体样本量未在摘要中明确给出 | NA | CNN, Transformer | AUC, 准确率, 灵敏度, 特异性 | NA |
| 11882 | 2026-04-22 |
Refining prognostication in non-muscle-invasive bladder cancer: From clinical models to artificial intelligence
2026-May, Urologic oncology
DOI:10.1016/j.urolonc.2026.111047
PMID:41832109
|
综述 | 本文综述了非肌层浸润性膀胱癌预后模型的发展，从传统临床病理评分系统到分子及人工智能驱动框架的演变 | 系统总结了人工智能（包括机器学习和深度学习）在预后预测中的应用，并指出其相较于传统模型（如EORTC和CUETO表）的优越性能 | 现有模型在可重复性、可解释性及临床路径整合方面仍面临挑战，且尚无单一工具满足广泛采纳的所有标准 | 优化非肌层浸润性膀胱癌的风险分层和预后预测，以支持更精准的监测和治疗决策 | 非肌层浸润性膀胱癌患者 | 数字病理学 | 膀胱癌 | NA | 机器学习, 深度学习 | 临床病理数据, 全切片图像, MRI影像 | NA | NA | NA | 区分度, 校准度 | NA |
| 11883 | 2026-04-22 |
Letter to the Editor: Nocturnal enteral feeding and mechanical ventilation risk in intensive care unit patients: A deep Learning-Based causal inference study
2026-May, Clinical nutrition (Edinburgh, Scotland)
DOI:10.1016/j.clnu.2026.106637
PMID:41925417
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11884 | 2026-04-22 |
YOLO-Drop: A Deep Learning Model Enabling Accurate, High-Throughput Image Analysis for Droplet Digital Immunoassay at Attomolar Concentrations
2026-Apr-21, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00939
PMID:41937323
|
研究论文 | 本文开发了一种名为YOLO-Drop的深度学习模型，用于对液滴数字免疫分析中的图像进行准确、高通量分析，并部署在嵌入式平台上以实现实时操作 | 基于YOLOv8架构，定制了可变形卷积、BiFormer模块、高分辨率特征金字塔网络、小物体先验和类别感知非极大值抑制，以增强复杂液滴图像中的小物体识别能力 | 未明确提及 | 开发一种深度学习模型，以实现对液滴数字免疫分析图像的高精度、高通量分析，并推动下一代生物传感平台的发展 | 液滴数字酶联免疫吸附分析中的液滴图像 | 计算机视觉 | NA | 液滴数字酶联免疫吸附分析 | CNN | 图像 | 5,574张包含约750,000个液滴的标注图像 | PyTorch | YOLOv8 | 检测准确率 | NVIDIA Jetson Orin Nano嵌入式平台 |
| 11885 | 2026-04-22 |
Mamba-based deep learning approach for sleep staging on a wireless multimodal wearable system without electroencephalography
2026-Apr-16, Sleep
IF:5.3Q1
DOI:10.1093/sleep/zsag022
PMID:41649157
|
研究论文 | 本研究提出了一种基于Mamba的深度学习方法，用于在无需脑电图的情况下，通过无线多模态可穿戴系统进行睡眠分期 | 首次将Mamba架构应用于基于非脑电图可穿戴传感器的睡眠分期任务，通过集成模型变体提升了性能 | 研究样本仅来自三级护理睡眠实验室的成人，可能限制了模型的泛化能力 | 开发一种无需脑电图即可进行睡眠分期的深度学习方法 | 使用ANNE One可穿戴系统采集的成人多模态生理信号 | 机器学习 | 睡眠障碍 | 多模态传感器数据采集（心电图、三轴加速度计、胸温、指端光电容积脉搏波、指温） | Mamba-based RNN | 时间序列生理信号 | 357名成人 | NA | Mamba-based RNN | 平衡准确率, F1分数, Cohen's κ, Matthews相关系数 | NA |
| 11886 | 2026-04-22 |
Quantum-inspired deep learning model for organic municipal solid waste classification toward a circular bioeconomy
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129331
PMID:41818969
|
研究论文 | 本文提出了一种量子启发的深度学习模型Quantum BioNet 2.0，用于有机城市固体废物的分类，以支持循环生物经济 | 提出了一种混合量子-经典框架，结合了ResNet50特征提取、并行经典密集层和八量子比特变分量子电路，通过特征融合进行决策，在细粒度有机废物分类中超越了现有卷积模型 | 未来工作需要在更大规模和多区域数据集上验证模型，并考察其在实时废物管理操作中部署的可行性 | 提高有机废物在源头的分类效率，以改善废物处理效率和资源回收 | 有机城市固体废物图像 | 计算机视觉 | NA | 深度学习 | CNN, 量子启发的混合模型 | 图像 | 9000张从多个公共来源收集的废物图像 | NA | ResNet50, InceptionResNetV2, InceptionV3, MobileNetV2, DenseNet121 | 准确率, AUC | NA |
| 11887 | 2026-04-22 |
Characterizing spatiotemporal trends in PM2.5 component exposures across the western United States using daily 1-km estimates from multi-source data and deep learning
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129322
PMID:41831362
|
研究论文 | 本研究开发了一个基于深度森林算法的时空建模框架，用于估计美国西部2002年至2019年每日1公里分辨率的PM2.5组分浓度 | 通过整合地面化学组分网络、卫星数据、CMAQ模拟和辅助预测因子，首次实现了高时空分辨率的PM2.5组分长期估计 | 模型在部分组分（如元素碳）的估计精度相对较低，且依赖于多源数据的可用性和质量 | 开发高时空分辨率的PM2.5组分估计模型，以支持空气质量管理和健康风险评估 | 美国西部地区的硫酸盐、硝酸盐、有机碳、元素碳和矿物尘等PM2.5组分 | 机器学习 | NA | 深度森林算法 | 深度森林 | 多源数据（地面监测、卫星遥感、模拟数据） | 2002-2019年美国西部每日1公里分辨率数据 | NA | 深度森林 | R值, RMSE | NA |
| 11888 | 2026-04-22 |
Analyzing the deep learning approach-based modeling framework to understand the critical environmental factors of predicting daily nitrate concentrations
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129539
PMID:41950591
|
研究论文 | 本研究利用深度学习框架分析环境因素对预测河流日硝酸盐浓度模型性能的影响 | 首次系统识别了影响深度学习模型预测河流硝酸盐浓度的关键环境因素，并验证了浓度-流量关系相似性及环境因子时间变异性对模型性能的重要性 | 研究仅基于爱荷华州的监测数据，未在其他地理区域验证框架的普适性 | 探究影响深度学习模型预测河流日硝酸盐浓度性能的环境因素，以优化监测网络设计和模型应用 | 爱荷华州低频硝酸盐监测点的河流日硝酸盐浓度数据 | 机器学习 | NA | 高频硝酸盐传感器数据采集 | 深度学习模型 | 时间序列数据 | 爱荷华州多个低频与高频硝酸盐监测站点的数据 | NA | NA | 预测准确性 | NA |
| 11889 | 2026-04-22 |
Optimized hybrid deep learning model for accurate prediction of effluent quality in wastewater treatment plants
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129440
PMID:41894967
|
研究论文 | 本研究提出了一种优化的混合深度学习模型，用于准确预测污水处理厂的出水水质 | 从数据、模型和场景三个维度提出解决方案，并创新性地提出了BO-DMS-TPA-GRU混合深度学习模型，实现了跨厂验证和迁移应用 | 未明确说明模型在其他不同工艺污水处理厂的泛化能力，以及实时预测的可行性 | 实现污水处理厂出水COD、TN、TP和NH-N的高精度预测，以提升出水达标率和降低能耗 | 污水处理厂的出水水质参数 | 机器学习 | NA | NA | CNN, GRU, 混合深度学习模型 | 污水处理过程数据 | 涉及两个污水处理厂（WWTP A和WWTP B）的数据，具体样本量未明确 | NA | CNN-GRU, BO-DMS-TPA-GRU | R（相关系数） | NA |
| 11890 | 2026-04-22 |
The athlete microbiome project: integrating deep learning to reveal microbial associations of physical fitness
2026-Apr-01, Physiological genomics
IF:2.5Q2
|
研究论文 | 本研究通过整合深度学习技术，分析了运动员与非运动员的肠道微生物组差异，并揭示了微生物组成与身体适应度指标（如最大摄氧量和无脂体重百分比）之间的关联 | 首次大规模整合多大陆的微生物组数据，结合随机森林和多层感知机神经网络，识别出与运动员状态和身体适应度相关的微生物模式，并实现了高精度的运动员状态预测 | 研究为二次分析，依赖于已发表数据，可能受原始研究设计和样本收集方法的限制；未进行机制验证 | 探究运动员是否具有独特的肠道微生物组，以及微生物组成是否与身体适应度指标相关 | 运动员和非运动员的肠道微生物组样本 | 机器学习 | NA | 扩增子测序 | 随机森林, 多层感知机 | 微生物组测序数据, 元数据 | 855个肠道微生物组样本（运动员656人，非运动员199人），覆盖三大洲 | Scikit-learn, TensorFlow或PyTorch（未明确指定，但基于模型类型推断） | 多层感知机 | 平衡准确度, 受试者工作特征曲线下面积 | NA |
| 11891 | 2026-04-22 |
Improving the efficiency of high-fidelity Cas9 by enhancing PAM-distal interactions
2026-Apr, Nature structural & molecular biology
IF:12.5Q1
DOI:10.1038/s41594-026-01753-3
PMID:41851507
|
研究论文 | 本研究通过延长sgRNA的间隔区长度，恢复了高保真Cas9变体SuperFi-Cas9受损的切割活性，并揭示了其分子机制，同时开发了深度学习模型AIdit-SuperFi来预测最佳sgRNA长度 | 发现延长间隔区长度可恢复高保真Cas9的切割活性，并通过结构生物学揭示了其分子机制，同时开发了首个用于预测高保真基因组编辑最佳sgRNA长度的深度学习模型 | 研究主要针对SuperFi-Cas9变体，其他高保真Cas9变体的适用性需要进一步验证；深度学习模型的预测性能有待在更广泛的数据集上评估 | 解决高保真CRISPR-Cas9系统切割效率降低的问题，平衡核酸酶的特异性和效率 | SuperFi-Cas9（高保真Cas9变体）、sgRNA-DNA复合物 | 基因组编辑、结构生物学、深度学习 | NA | CRISPR-Cas9基因编辑、冷冻电镜、突变分析 | 深度学习模型 | 结构数据、序列数据 | NA | NA | AIdit-SuperFi | NA | NA |
| 11892 | 2026-04-22 |
Assessing the Performance of BioEmu in Understanding Protein Dynamics
2026-Mar-23, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27062896
PMID:41898756
|
研究论文 | 评估BioEmu模型在理解蛋白质动力学方面的性能，包括其生成构象的能力及局限性 | 首次系统评估基于序列的生成模型BioEmu在蛋白质动力学任务中的表现，揭示了其在构象生成和基本性质再现方面的能力，但指出了其在构象分布预测和能量偏好方面的不足 | BioEmu无法预测突变诱导的构象分布变化，在某些情况下偏好高能构象而非低能构象，且生成的构象在集成对接中改进有限 | 评估深度学习模型在蛋白质动力学研究中的应用潜力 | 蛋白质序列及其动态构象 | 机器学习 | NA | 深度学习 | 生成模型 | 序列 | NA | NA | BioEmu | 残基灵活性、运动相关性、局部残基接触、构象分布预测、能量偏好 | NA |
| 11893 | 2026-04-22 |
A Systematic Literature Review of You Only Look Once Architectures (v1-v12) in Healthcare Systems
2026-Mar-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060935
PMID:41897668
|
综述 | 本文对YOLO架构（v1至v12）在医疗系统中的诊断应用进行了系统性文献综述 | 首次系统性回顾了YOLO算法从v1到v12的完整演变历程及其在医疗诊断中的应用，并识别出YOLOv5和YOLOv8是最常用的架构 | 存在可解释性不足、跨机构泛化能力有限以及在边缘设备上部署困难等挑战 | 评估YOLO系列算法在医疗诊断应用中的演变、性能表现及适用性 | 已发表的同行评审科学文章（截至2026年1月1日），这些文章将YOLO模型应用于医学影像任务 | 计算机视觉 | NA | NA | YOLO | 图像 | NA | NA | YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12 | 平均精度, 准确率, 推理时间, 计算效率 | NA |
| 11894 | 2026-04-22 |
Causal and spatiotemporal deep learning for dengue forecasting and extreme outbreak risk under climate variability: a framework from Vietnam
2026-Mar-20, International journal of biometeorology
IF:3.0Q2
DOI:10.1007/s00484-026-03151-2
PMID:41860701
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11895 | 2026-04-22 |
Molecular Pathology, Artificial Intelligence, and New Technologies in Hematologic Diagnostics: Translational Opportunities and Practical Considerations
2026-Mar-19, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060913
PMID:41897649
|
综述 | 本文综述了人工智能、数字形态学平台和自动化技术（如协作机器人）在血液病理学和分子诊断中的应用及其转化潜力 | 系统性地探讨了AI、数字形态学平台、协作机器人及自动化解决方案在血液病诊断中的整合应用，并强调了其在提高诊断准确性和患者护理方面的转化潜力 | 成功转化依赖于疾病特异性验证、开发符合国际分类框架的多模态模型，以及需要保持专家监督的实验室治理 | 评估人工智能、数字技术和自动化在血液病诊断中的应用，以提高诊断准确性和患者护理水平 | 血液病理学和分子诊断技术，包括数字形态学平台、AI辅助的流式细胞术、自动化实验室解决方案和机器学习在分子血液病理学中的应用 | 数字病理学 | 血液系统疾病 | 数字形态学分析，多参数流式细胞术，分子检测 | 深度学习 | 图像，流式细胞术数据，分子数据 | NA | NA | NA | 一致性，性能可比性，吞吐量增益 | NA |
| 11896 | 2026-04-22 |
Real-Time Application of Artificial Intelligence for Automatic Detection of High-Grade Squamous Intraepithelial Lesions During High-Resolution Anoscopy
2026-Mar-17, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062268
PMID:41899192
|
研究论文 | 本文首次报道了在肛门癌筛查的高分辨率肛门镜检查中实时应用深度学习技术，用于自动检测高级别鳞状上皮内病变 | 首次实现了在临床高分辨率肛门镜检查过程中实时应用基于YOLO的目标检测模型，以自动识别高级别鳞状上皮内病变，而非仅分析静态图像 | 研究样本量较小（仅三名患者），且需要多中心验证研究来进一步确认其有效性和普适性 | 探索人工智能在高分辨率肛门镜检查中实时辅助检测高级别鳞状上皮内病变的可行性和效果 | 接受肛门癌筛查的高分辨率肛门镜检查患者 | 计算机视觉 | 肛门癌 | 高分辨率肛门镜检查 | 深度学习 | 视频流或实时图像 | 三名患者 | NA | YOLO | 检测准确性（仅对组织学确认的HSIL进行检测，在无病变或仅LSIL时不激活） | NA |
| 11897 | 2026-04-22 |
AI-Driven Predictions of Readmission and Mortality for Improved Discharge Decisions in Critical Care: A Retrospective Study
2026-Mar-16, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060874
PMID:41897607
|
研究论文 | 本研究利用AI模型预测ICU出院后7天内的再入院或死亡风险，以改善重症监护的出院决策 | 开发了GRU-D++深度学习模型，在内部和外部验证中均优于传统的SWIFT评分，展示了AI在临床决策支持中的潜力 | 研究为回顾性设计，可能受数据质量和选择偏倚影响；模型性能虽优于传统方法，但仍有提升空间 | 识别风险因素并评估AI模型在预测ICU出院后7天内再入院或死亡方面的性能 | ICU出院患者 | 机器学习 | 重症监护 | NA | 深度学习 | 临床数据 | MIMIC-IV数据库（2008-2019年）和KNUH数据库（2016年1月1日至2023年2月28日）的患者数据 | NA | GRU-D++ | AUROC | NA |
| 11898 | 2026-04-22 |
Enhanced Visualization: Transforming Non-Contrast into Contrast-Enhanced Computed Tomography Images Through Advanced Generative Adversarial Networks
2026-Mar-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060861
PMID:41897594
|
研究论文 | 本研究利用生成对抗网络（GAN）从非对比增强CT图像生成合成对比增强CT图像，以辅助禁忌使用碘对比剂患者的纵隔和淋巴结评估 | 提出了一种基于GAN的模型，能够在不注射对比剂的情况下，从NCCT生成sCECT，为有禁忌症的患者提供了一种替代可视化方案 | 合成增强是基于学习的强度变换，而非真实的碘基衰减，可能无法完全模拟真实的生理性对比增强效果 | 开发一种深度学习方法来生成合成对比增强CT图像，以克服部分患者无法接受碘对比剂注射的临床限制 | 淋巴瘤或转移性淋巴结病患者 | 计算机视觉 | 淋巴瘤 | CT扫描 | GAN | 医学图像（CT） | 训练集：400例CECT扫描（2024年3月至7月采集）；测试集：20例患者（2025年1月至7月诊断，仅使用NCCT扫描） | NA | NA | MAE, RMSE, PSNR, SSIM, PCC, SNR, CNR | NA |
| 11899 | 2026-04-22 |
Lightweight Deep Learning for Automated Dental Caries Screening from Pediatric Oral Photographs
2026-Mar-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060862
PMID:41897595
|
研究论文 | 本研究探讨了使用轻量级卷积神经网络从儿童口腔照片中自动筛查龋齿的可行性 | 证明了轻量级深度学习模型在龋齿筛查任务中可以达到临床意义的性能，并进行了可解释性分析以验证模型决策的临床相关性 | 数据集规模相对较小（435张图像），且仅针对儿童龋齿筛查，可能限制了模型的泛化能力 | 开发适用于社区和移动环境的自动化龋齿筛查系统 | 3-14岁儿童的口腔照片 | 计算机视觉 | 龋齿 | 口腔摄影 | CNN | 图像 | 435张来自儿童的口腔内图像 | PyTorch, TensorFlow | ResNet-18, MobileNetV3-Small, EfficientNet-B0 | 灵敏度, 特异性, 平衡准确率, ROC-AUC, PR-AUC, 加权F1分数 | NA |
| 11900 | 2026-04-22 |
Artificial Intelligence Applications in Gastric Cancer Surgery: Bridging Early Diagnosis and Responsible Precision Medicine
2026-Mar-13, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062208
PMID:41899133
|
综述 | 本文是一篇关于人工智能在胃癌手术中应用的叙述性综述，涵盖了从早期诊断到围手术期风险预测等多个领域 | 系统性地将人工智能在胃癌手术中的应用归纳为五个主题领域，并整合了伦理与监管考量，为未来研究提供了结构化框架 | 证据主要基于小型、异质性数据集，缺乏充分的外部验证，且在数据隐私、算法可解释性和法律责任方面存在未解决的问题 | 综述人工智能在胃癌手术领域的最新应用、潜力与挑战，以促进其负责任地融入精准医疗 | 聚焦于胃癌手术过程，包括早期诊断、术中引导和围手术期管理 | 数字病理学 | 胃癌 | AI辅助内窥镜检测、拉曼光谱、计算机视觉、深度学习 | 深度学习算法 | 医学图像、临床数据 | NA | NA | NA | NA | NA |