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 44199 篇文献，本页显示第 101 - 120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 101 | 2026-05-19 |
Application of intelligent technologies for dysphagia risk prediction: A scoping review
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261450337
PMID:42145330
|
综述 | 系统评述智能技术在吞咽困难风险预测中的应用现状，包括技术方法、数据来源和模型性能 | 首次以范围综述形式系统总结智能技术用于吞咽困难风险预测的研究现状，涵盖技术方法、数据来源和模型性能，并分析关键技术局限性和临床转化挑战 | 现有证据异质性高且主要处于探索性阶段，多为单中心回顾性队列研究，多模态数据整合和外部验证不足 | 为未来吞咽困难风险预测研究设计和临床实施提供见解 | 吞咽困难风险预测的智能技术研究 | 机器学习 | 吞咽困难 | NA | 传统机器学习模型、传统统计模型、混合模型、深度学习方法 | 结构化临床数据、影像、生理信号、声学信号 | 50至59,811名参与者（共38项研究） | NA | NA | AUC | NA |
| 102 | 2026-05-19 |
Evaluation of artificial intelligence based prosthetic innovation on dental implants: A database research
2026, Bioinformation
DOI:10.6026/973206300221401
PMID:42145363
|
研究论文 | 评估基于人工智能的假体创新在牙种植体中的应用，通过数据库研究验证深度学习模型在牙科全景X光片上自动识别种植体系统的性能 | 首次系统评估深度学习在牙种植体系统自动识别中的效能，尤其在无文档记录情况下提供高精度诊断 | 未说明具体模型类型、计算资源及样本量等细节，且仅基于单一机构图像集，可能影响泛化性 | 验证人工智能辅助牙种植体识别在假体修复中的潜力，解决临床中无文档时种植体识别困难的问题 | 牙科全景X光片中的牙种植体系统 | 数字病理学， 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | NA | NA | NA | 准确率， 精确率， 召回率， F1分数 | NA |
| 103 | 2026-05-19 |
Can machine learning predict non-suicidal self-injury? A systematic review and meta-analysis
2026, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2026.1763121
PMID:42145491
|
系统综述与荟萃分析 | 通过系统综述和荟萃分析评估机器学习在预测非自杀性自伤行为中的表现 | 首次系统综述机器学习预测非自杀性自伤行为的研究，并定量合成模型性能 | 异质性大、偏倚风险高、横断面研究为主、深度学习模型证据有限 | 评估机器学习模型预测非自杀性自伤行为的准确性和可靠性 | 非自杀性自伤行为预测模型的研究 | 机器学习 | 精神疾病（非自杀性自伤行为） | NA | 集成模型、单一模型、深度学习模型 | NA | 12项研究，33,366名参与者 | NA | NA | 曲线下面积、灵敏度、特异度 | NA |
| 104 | 2026-05-19 |
Development and testing of a smart empowerment education system for gout patients in suburban areas
2026, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2026.1753575
PMID:42145497
|
研究论文 | 开发并评估一种面向郊区痛风患者的智能赋能教育系统（IEES），融合赋能教育、精细化管理方案和智能技术 | 将赋能教育与深度学习推荐算法相结合，开发针对郊区资源有限痛风患者的智能化管理系统 | 样本量较小（仅90例），且未提及长期随访结果和普适性验证 | 解决郊区痛风患者自我管理能力差、治疗依从性低和长期临床结局不佳的问题 | 郊区社区痛风患者 | 机器学习 | 痛风 | NA | 深度学习模型 | 结构化医学数据（临床指标） | 90例痛风患者（观察组45例，对照组45例） | SpringBoot、Vue | NA | 响应时间、预测准确率 | NA |
| 105 | 2026-05-19 |
Deep learning for student engagement analysis in educational psychology
2026, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2026.1764399
PMID:42145535
|
研究论文 | 本文提出一个创新深度学习框架——Engagement Dynamics Forecaster，用于分析与预测学生参与模式 | 结合领域洞察与深度学习，通过流形约束交互滤波器、智能体驱动顺序规划器和不确定性传播正则化器三个组件，处理高维特征空间、时间依赖和预测不确定性，并融入约束优化精炼和基于智能体的决策调度策略，提升性能与可解释性 | 未明确讨论模型的局限性 | 旨在以更高精度和深度分析并预测学生参与模式，为教育心理学提供实用工具 | 学生参与模式 | 机器学习 | NA | 深度学习 | Engagement Dynamics Forecaster（包含Manifold Constrained Interaction Filter、Agent Driven Sequential Planner、Uncertainty Propagation Regularizer） | 学生参与相关数据（类型未指定） | NA | NA | Engagement Dynamics Forecaster | NA | NA |
| 106 | 2026-05-19 |
Optimized deep learning ensemble using Fast Osprey algorithm for accurate lymphoblastic leukemia detection
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1812486
PMID:42145727
|
研究论文 | 提出一种基于快速鱼鹰优化算法的深度学习集成模型，用于准确检测急性淋巴细胞白血病 | 首次将快速鱼鹰优化算法（FOO）用于动态分配集成模型权重，结合多种EfficientNet架构提升检测性能与泛化能力 | 未提及模型在不同临床环境或真实医院数据上的验证，且计算资源需求可能较高 | 开发一个可靠、高效的计算机辅助诊断平台，用于急性淋巴细胞白血病的自动检测 | 公开可用数据集的组合，包含急性淋巴细胞白血病细胞图像 | 计算机视觉 | 急性淋巴细胞白血病 | 深度学习集成方法 | 卷积神经网络集成模型 | 图像 | 多个公开数据集的组合，具体样本数未明确 | NA | EfficientNetB3, EfficientNetV2B3, EfficientNetV2B1 | 准确率, 精确率, 召回率, F1分数 | NA |
| 107 | 2026-05-19 |
Correction: Development and validation of a deep learning-based automatic detection and classification model for femoral neck fractures using hip imaging: a retrospective multicenter diagnostic study
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1857321
PMID:42145752
|
更正 | 对一篇关于基于深度学习的股骨颈骨折自动检测与分类模型开发验证的回顾性多中心诊断研究进行更正 | NA | NA | NA | NA | 计算机视觉 | 股骨颈骨折 | NA | 深度学习 | 髋部影像 | NA | NA | NA | NA | NA |
| 108 | 2026-05-19 |
Deep learning reconstruction improves detection of focal liver lesions in hepatobiliary phase compared to conventional EOB-MRI
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1797117
PMID:42145771
|
研究论文 | 一项前瞻性研究比较深度学习重建与传统EOB-MRI在肝胆期检测局灶性肝脏病灶的性能 | 首次系统对比深度学习重建技术与传统MRI重建在肝胆期对小病灶的检测效果，并基于病灶大小和信号强度进行分层分析 | 单中心研究、样本量较小（53例患者）、未对不同深度学习重建算法进行对比 | 评估深度学习重建在肝胆期EOB-MRI中检测局灶性肝脏病灶的性能优于传统方法 | 肝胆期EOB-MRI图像中的局灶性肝脏病灶（按信号强度分为高信号和低信号两类） | 计算机视觉 | 肝脏疾病 | EOB-MRI（钆塞酸二钠增强磁共振成像），深度学习重建 | 深度学习重建模型 | MRI图像 | 53例患者 | NA | 深度学习重建网络 | 组内相关系数，Wilcoxon符号秩检验，广义估计方程 | NA |
| 109 | 2026-05-19 |
Healthcare analytics perspectives on artificial intelligence-based retinopathy of prematurity screening: a bibliometric mapping study
2026, Frontiers in research metrics and analytics
DOI:10.3389/frma.2026.1772126
PMID:42145902
|
综述 | 对基于人工智能的早产儿视网膜病变筛查研究进行文献计量分析 | 首次对AI驱动的ROP筛查领域进行系统的文献计量分析，揭示其知识结构、地理分布和合作模式 | 仅使用Scopus数据库，可能遗漏部分相关出版物 | 系统评估AI在早产儿视网膜病变筛查中的研究现状、趋势和合作网络 | 2017-2025年间发表的55篇关于AI在ROP筛查中应用的文献 | 自然语言处理, 机器学习 | 早产儿视网膜病变 | 文献计量学分析 | NA | 文献数据 | 55篇出版物 | Bibliometrix, VOSviewer | NA | 引用次数, 出版物数量, 年增长率 | NA |
| 110 | 2026-05-19 |
Towards automated behaviour monitoring in wildlife: a review of machine learning approaches using accelerometer data
2026, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.21069
PMID:42145960
|
综述 | 综述了利用加速度计数据通过机器学习方法自动监测野生动物行为的研究进展、方法趋势和挑战，并提出了改进建议 | 全面总结了基于加速度计的野生动物行为识别领域的方法学趋势，指出2024年深度学习应用增长是重要的转折点，并强调跨学科合作和实时监测的潜力 | 现有研究缺乏跨物种的通用性，数据集多样性和验证程序差异大导致难以进行稳健比较，限制了广泛适用方法的识别 | 提供加速计生态学中基于机器学习的动物行为识别综述，总结方法趋势并为新从业者提供实践指导 | 野生动物行为监测研究（涵盖125篇研究），涉及多种物种 | 机器学习， 数字生态 | NA | 加速度计（生物记录技术） | 机器学习算法， 深度学习 | 加速度计时间序列数据 | 125篇研究 | NA | NA | 模型泛化能力（验证程序评估） | NA |
| 111 | 2026-05-19 |
Bibliometric Trends in the Integration of Computer Vision With Healthcare
2026 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.70085
PMID:42145939
|
综述 | 使用文献计量学方法系统分析计算机视觉在医疗健康领域的研究趋势 | 首次通过文献计量分析全面揭示计算机视觉在医疗健康领域的智力结构、研究热点和合作模式 | NA | 系统分析2000年至2022年间计算机视觉在医疗健康领域应用的全球研究趋势 | Web of Science数据库中2000年至2022年发表的1023篇相关出版物 | 计算机视觉 | NA | NA | NA | 文献数据 | 1023篇出版物 | NA | NA | NA | NA |
| 112 | 2026-05-19 |
A 2.5D multichannel deep learning model using contrast-enhanced ultrasound for predicting malignancy in breast nodules: a two-center study
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1820868
PMID:42146012
|
研究论文 | 开发一种利用对比增强超声数据的2.5D多通道深度学习模型，用于预测乳腺结节的恶性程度，并在两个中心的数据上验证其性能 | 结合对比增强超声多感兴趣区域和时相曲线关键帧的2.5D多通道深度学习架构，融合临床特征构建组合模型，并直接与放射科医生BI-RADS分类对比评估辅助诊断价值 | 样本量有限，回顾性研究设计，未进行前瞻性验证，外部验证仅来自一个额外中心 | 评估多通道深度学习模型利用对比增强超声数据预测乳腺结节恶性程度的准确性、稳健性和泛化能力，并作为AI辅助决策支持工具与放射科医生诊断性能比较 | 乳腺结节患者及对比增强超声图像数据 | 计算机视觉 | 乳腺癌 | 对比增强超声 | 深度学习模型 | 对比增强超声图像及时间-强度曲线衍生关键帧 | 141例乳腺结节患者（训练集62例，内部验证27例，外部验证52例） | PyTorch | DenseNet201 | AUC，Hosmer-Lemeshow校准，决策曲线分析 (DCA)，DeLong检验 | NA |
| 113 | 2026-05-19 |
Improving Pre-trained Adult Glioma Segmentation Models using only Post-processing Techniques
2026, Segmentation, classification, and synthesis for brain tumors and traumatic brain injuries : MICCAI 2025 Challenges: BraTS-Lighthouse 2025 and AIMS-TBI 2025, held in conjunction with MICCAI 2025, Daejeon, South Korea, September 23, 2025,...
DOI:10.1007/978-3-032-16365-3_22
PMID:42146716
|
研究论文 | 提出仅通过后处理技术改进预训练成人胶质瘤分割模型性能的方法 | 首次提出自适应后处理技术，无需重新训练模型即可显著提升大规模预训练胶质瘤分割模型的精度和鲁棒性，并强调计算公平性与可持续性 | 后处理技术依赖特定挑战数据集（BraTS 2025）验证，泛化性需更多跨中心数据检验；性能提升幅度有限（0.9%）且对极端错误（如切片不连续）可能无效 | 通过高效的后处理策略替代复杂模型架构改进，推动脑肿瘤分割研究向计算公平且可持续的方向发展 | 成人胶质瘤多参数MRI（mpMRI）肿瘤分割结果 | 数字病理学 | 胶质瘤 | MRI（mpMRI） | 大规模预训练分割模型 | 医学影像（多参数MRI） | NA | NA | NA | 排名指标（Ranking metric） | NA |
| 114 | 2026-05-19 |
AI in Cancer Prognosis: A Systematic Review of Multimodal Models Combining Pathology Images and High-Throughput Omics
2026, Cancer informatics
IF:2.4Q3
DOI:10.1177/11769351261434523
PMID:42146873
|
综述 | 系统回顾了整合病理全切片图像与高通量组学数据的机器学习模型在癌症预后预测中的应用 | 首次系统评估多模态模型结合病理图像和组学数据的预后性能，并指出方法学上的不足 | 所有纳入研究均被评估为高或不明确的偏倚风险，主要原因是外部验证有限、报告不充分以及临床实用性评估不足 | 系统综述和评价整合病理全切片图像与高通量组学数据的机器学习模型在癌症总生存期预测中的表现 | 48篇自2017年以来发表的研究，涵盖19种癌症类型 | 数字化病理学 | 癌症 | NGS，RNA测序，组学技术 | 正则化Cox回归，经典机器学习，深度学习 | 病理全切片图像，组学数据 | 48项研究，均使用癌症基因组图谱数据集 | NA | NA | 一致性指数 | NA |
| 115 | 2026-05-19 |
SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation
2026, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.34133/csbj.0102
PMID:42146899
|
研究论文 | 提出一种名为SpaGene的深度对抗框架，用于空间转录组中缺失基因表达的插补 | 采用两个编码器-解码器对结合两个翻译器和两个判别器的对抗结构，有效整合单细胞与空间转录组数据，提升空间基因表达的恢复精度 | 未明确说明限制，可能依赖于特定数据集和对照基因剔除协议的性能 | 开发一种深度学习框架，以整合scRNA-seq与空间转录组数据，插补缺失的空间基因表达，增进对组织生物学和疾病进展的理解 | 单细胞RNA测序数据和空间转录组数据 | 机器学习 | 肺癌 | scRNA-seq, 空间转录组学 | 生成对抗网络 | 基因表达数据 | 多种数据集（具体数量未提及） | NA | 编码器-解码器, 判别器 | 皮尔逊相关系数, 结构性相似指数, 均方根误差 | NA |
| 116 | 2026-05-19 |
AI-driven optimization in cloud computing: a systematic review of cost, resource management, and security
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1750992
PMID:42147039
|
综述 | 系统回顾了人工智能和机器学习模型在云计算中用于成本优化、资源管理和安全增强的实证证据 | 首次遵循PRISMA 2020指南和Kitchenham-Charters方法，系统性综合了2020-2025年间AI在云计算成本、资源与安全三方面的实证成果，并量化了元启发式算法和深度学习方法的性能提升 | 仿真环境异质性大、在生产规模部署中验证有限、虚拟机迁移动态覆盖不足，缺乏标准化基准框架和混合多云架构的实证验证 | 综合评估AI/ML模型在云计算的成本控制、资源分配和安全风险管理中的应用效果 | 云计算的成本优化、资源管理和安全增强问题 | 机器学习 | NA | NA | 深度学习、元启发式算法、集合深度学习 | 模拟数据、实证研究数据 | 从216篇初始记录中筛选出18篇主要研究 | NA | 鲸鱼优化算法、粒子群优化算法 | 准确率、成本降幅、能效提升幅度、资源利用率提升幅度、安全威胁检测率 | NA |
| 117 | 2026-05-19 |
Feature stabilization in convolutional neural networks using Proportional Integral Controller for lung nodule classification
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1794876
PMID:42147037
|
研究论文 | 提出基于比例积分控制器的卷积神经网络，用于肺结节分类中的特征稳定化 | 首次将控制理论中的比例积分控制器引入CNN框架，通过调节特征表示改善模型收敛稳定性和泛化能力 | 仅在单一数据集（IQ-OTH/NCCD）上验证，未提供计算资源消耗详细分析 | 提升CT图像肺结节分类的可靠性和特征稳定性 | IQ-OTH/NCCD肺癌数据集中的肺结节CT图像 | 计算机视觉 | 肺癌 | CT成像 | CNN（卷积神经网络） | 图像 | NA | PyTorch | CNN | 准确率, F1分数, 精确率 | NA |
| 118 | 2026-05-19 |
Deep ensemble optimized models for probabilistic CTV breast segmentation
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1777653
PMID:42147036
|
研究论文 | 系统评估并优化六种深度学习模型用于全乳放疗中临床靶体积的概率分割，并构建概率图以改善一致性和减少偏差 | 首次通过组合最优深度学习模型构建概率图来量化CTV分割的不确定性，并分析高一致性与低一致性等概率体积的差异 | 单机构数据，且部分模型需要空间提示（MedSAM2），概率图应用需进一步临床验证 | 优化放疗治疗和最小化毒性，实现OARs和CTV的有效自动分割并评估不确定性 | 全乳放疗患者的计划CT图像中的右侧和左侧乳房临床靶体积 | 数字病理学, 计算机视觉 | 乳腺癌 | CT成像 | UNet, SegResNetDS, DynUNet, nnU-Net, MedSAM2 | CT图像 | 来自单个机构的961例计划CT（861训练，100测试） | MONAI, Total Segmentator | UNet, SegResNetDS, DynUNet, nnU-Net, MedSAM2 | Dice相似系数, 平均表面距离, Hausdorff距离 | NA |
| 119 | 2026-05-19 |
AI-mediated ultrasound radiomics in the diagnosis and treatment of triple-negative breast cancer: research progress and future challenges
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1802259
PMID:42147216
|
综述 | 探讨人工智能介导的超声影像组学在三阴性乳腺癌诊断与治疗中的研究进展及未来挑战 | 系统总结了AI驱动的超声影像组学从基础鉴别诊断到多亚型分类的演变，以及通过多模态图像融合提升诊断性能的创新点 | 技术向临床转化面临标准化数据协议不足、模型可解释性有限及缺乏严格多中心验证研究等挑战 | 概述AI介导的超声影像组学在TNBC非侵入性诊断与治疗中的现状及未来方向 | 三阴性乳腺癌（TNBC） | 机器学习 | 乳腺癌 | 超声影像组学 | 机器学习、深度学习 | 图像 | NA | NA | NA | NA | NA |
| 120 | 2026-05-19 |
Deep learning-based high-throughput phenotyping for tiller quantification in interspecific bentgrass hybrids using YOLOv8
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1810220
PMID:42147275
|
研究论文 | 使用YOLOv8深度学习模型对杂交翦股颖分蘖进行高通量表型定量分析 | 首次将YOLOv8单阶段检测器应用于植物分蘖计数，证明其在密集遮挡场景下优于传统两阶段模型Faster R-CNN | 仅针对杂交翦股颖群体，模型对其他草种的泛化能力未验证；边缘检测方法和Faster R-CNN在密集冠层中性能下降 | 开发自动化、高通量的分蘖计数方法以替代人工计数，支撑育种项目 | 杂交翦股颖群体的分蘖结构 | 计算机视觉, 数字病理学 | 不适用 | 基于图像的高通量表型分析 | YOLOv8, Faster R-CNN | 图像 | 770个杂交翦股颖植物样本的带注释图像数据集 | PyTorch | YOLOv8, Faster R-CNN | R² | 不适用 |