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 42795 篇文献，本页显示第 1181 - 1200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1181 | 2026-03-18 |
Current and future contributions of AI to pulmonary function test interpretation, diagnostic approaches, and predictions of disease progression
2026-Mar-16, Expert review of respiratory medicine
IF:2.9Q2
DOI:10.1080/17476348.2026.2647482
PMID:41838429
|
综述 | 本文综述了人工智能（AI）在肺功能测试（PFT）解释、诊断方法和疾病进展预测方面的当前及未来贡献 | 系统总结了AI在PFT中应用的最新进展，包括机器学习、深度学习和可解释AI方法，并强调了多学科合作的重要性 | 算法性能存在变异性、可解释性有限、依赖训练数据的质量和代表性、临床背景整合不足 | 探讨AI如何增强肺功能测试的解释、标准化流程并支持临床决策 | 肺功能测试数据及相关临床决策 | 机器学习 | 肺病 | NA | NA | 肺功能测试数据 | NA | NA | NA | 准确性、可重复性 | NA |
| 1182 | 2026-03-18 |
On Demographic Group Fairness Guarantees in Deep Learning
2026-Mar-16, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3674484
PMID:41838507
|
研究论文 | 本文提出了一个分析数据分布与深度学习公平性保证之间关系的综合理论框架，并提出了一个实用的公平性感知正则化方法 | 建立了一个考虑人口群体间数据分布异质性的新理论框架，推导了公平性误差和收敛率的理论界限，并提出了直接最小化组间特征质心和协方差差异的公平性感知正则化方法 | 理论框架和实验验证主要基于特定数据集，其普适性需要在更广泛的应用场景中进一步验证 | 研究深度学习模型中的群体公平性保证，分析数据分布异质性对公平性与准确性权衡的影响 | 深度学习模型在不同人口群体（如种族类别）上的公平性表现 | 机器学习 | 眼科疾病，胸腔积液，皮肤病变 | 深度学习 | 深度学习模型 | 图像，表格数据，文本 | 多个数据集：FairVision（眼病检测）、CheXpert（胸腔积液检测）、HAM10000（皮肤病变分类）、FairFace（面部属性识别）、ACS Income（收入预测）、CivilComments-WILDS（有毒评论检测） | NA | NA | AUC, ES-AUC, 子组性能 | NA |
| 1183 | 2026-03-18 |
GeoCTP: Structure-aware Prediction of Multifunctional Cancer Therapy Peptides via Graph Transformer and Contrastive Learning
2026-Mar-16, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3674608
PMID:41838499
|
研究论文 | 本文提出了一种名为GeoCTP的几何深度学习框架，用于准确预测多功能癌症治疗肽 | 首次专门针对多功能癌症治疗肽设计的预测工具，结合了序列和结构信息，并采用了两级对比学习策略来增强特征对齐和类间区分能力 | 未在摘要中明确提及 | 开发一个准确预测多功能癌症治疗肽的计算工具 | 癌症治疗肽 | 生物信息学 | 癌症 | ESMfold, ESM-2语言模型 | Graph Transformer | 序列数据, 3D结构数据 | 未在摘要中明确提及 | 未在摘要中明确提及 | Graph Transformer | 未在摘要中明确提及 | 未在摘要中明确提及 |
| 1184 | 2026-03-18 |
Zero Echo Time Magnetic Resonance Imaging of the Spine
2026-Mar-16, Seminars in musculoskeletal radiology
IF:0.9Q4
DOI:10.1055/a-2803-1958
PMID:41839202
|
综述 | 本文综述了零回波时间磁共振成像在脊柱成像中的技术原理、临床应用及新兴角色 | 详细阐述了零回波时间成像作为一种无电离辐射的CT类骨组织可视化技术，及其在补充标准MRI序列、减少对CT依赖方面的创新应用 | 提到了该技术存在气体模拟钙化、金属相关伪影和空间分辨率有限等常见解读陷阱 | 评估零回波时间磁共振成像在脊柱疾病诊断、治疗规划和随访中的临床应用价值 | 脊柱（包括创伤性、退行性、炎症性、肿瘤性、感染性和发育性脊柱疾病），以及儿科和胎儿脊柱 | 数字病理 | NA | 零回波时间磁共振成像，基于深度学习的重建策略 | NA | 磁共振图像 | NA | NA | NA | NA | NA |
| 1185 | 2026-03-18 |
Ground Truth Reliability and Clinical Generalisability in Deep Learning for Reticular Pseudodrusen
2026-Mar-16, Clinical & experimental ophthalmology
DOI:10.1111/ceo.70110
PMID:41839531
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1186 | 2026-03-18 |
Identifying Venous Insufficiency in Head and Neck Reconstruction Flaps Using Machine Learning and Deep Learning Methods
2026-Mar-16, Head & neck
DOI:10.1002/hed.70235
PMID:41839653
|
研究论文 | 本研究利用机器学习和深度学习方法，通过分析头颈癌患者重建皮瓣的术后照片，识别静脉功能不全 | 首次将深度学习和机器学习方法结合应用于头颈重建皮瓣静脉功能不全的早期检测，并利用SHAP和Grad-CAM进行特征可视化和验证 | 研究为单中心回顾性分析，样本量有限，可能影响模型的泛化能力 | 开发一种可靠、便捷的AI辅助工具，用于早期检测头颈重建皮瓣中的静脉功能不全，以减少皮瓣失败风险 | 头颈癌患者术后重建皮瓣的临床数据和照片 | 计算机视觉 | 头颈癌 | 机器学习，深度学习 | CNN | 图像 | 576名患者的2575张皮瓣图像（2010张正常，565张静脉功能不全） | NA | ResNet, GoogleNet, Densenet | 准确率，AUC，灵敏度，特异性 | NA |
| 1187 | 2026-03-18 |
Ground Truth Reliability and Clinical Generalisability in Deep Learning for Reticular Pseudodrusen-Response
2026-Mar-16, Clinical & experimental ophthalmology
DOI:10.1111/ceo.70108
PMID:41839708
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1188 | 2026-03-18 |
Boundary sensitive-net-based lumbar vertebra segmentation and spondylolisthesis measurement
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38522-7
PMID:41839918
|
研究论文 | 本文提出了一种基于深度学习的边界敏感网络（BS-Net），用于腰椎CT图像的椎体分割和滑脱测量，以提高腰椎疾病的自动化诊断准确性 | 提出了集成多任务边缘处理模块和上下文双边融合模块的BS-Net，结合边缘损失函数和形态学后处理，实现了联合分割与量化 | 未明确说明模型在不同成像设备或扫描参数下的泛化能力，也未讨论对复杂病理病例的处理效果 | 开发自动化腰椎椎体分割和滑脱测量方法，辅助腰椎疾病的临床诊断 | 腰椎CT图像中的椎体结构 | 数字病理学 | 腰椎疾病 | CT成像，MRI成像 | 深度学习网络 | 医学图像（CT，MRI） | 379名患者的783张腰椎CT图像，以及公开SPIDER MRI数据集 | NA | Boundary-Sensitive Network（BS-Net） | MIoU，Dice系数，ICC | NA |
| 1189 | 2026-03-18 |
ProSeg: multi-scale context fusion for high-precision prostate segmentation in MRI
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43589-3
PMID:41839937
|
研究论文 | 提出一种名为ProSeg的新型深度学习框架，用于解决MRI中前列腺分区（外周带和中央腺体）的高精度分割难题 | 设计了专门的ProSeg模块，整合了各向异性卷积（用于外周带边界精确描绘）和跨切片注意力机制（用于中央腺体纹理建模）的双重互补过程 | 未在摘要中明确说明 | 提升MRI影像中前列腺分区（外周带和中央腺体）的分割精度，以支持精准诊断和治疗规划 | 前列腺MRI影像 | 数字病理学 | 前列腺癌 | MRI | 深度学习 | 图像 | Promise12和Promise158两个数据集 | NA | ProSeg | Dice系数 | NA |
| 1190 | 2026-03-18 |
Deep learning-based physiological risk stratification in night-shift hospital workers
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43982-y
PMID:41839952
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1191 | 2026-03-18 |
Deep learning enhanced prediction framework for bio oil yield from organic solid waste with chemically informed features
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43604-7
PMID:41839987
|
研究论文 | 本研究开发了一个基于深度学习的预测框架，用于预测有机固体废物热解产生的生物油产率 | 提出了一种化学引导的特征工程策略，结合了元素比率、灰分校正挥发性和能量密度指数，并使用VIF驱动的特征选择来减少多重共线性，同时保持机理相关性 | NA | 提高有机固体废物热解生物油产率的预测准确性，以指导实验设计、生物质筛选和工艺优化 | 来自不同生物质来源和热解条件的245个样本 | 机器学习 | NA | 热解 | 深度学习，回归模型 | 化学和热化学特征数据 | 245个样本 | NA | 深度神经网络 | R², RMSE | NA |
| 1192 | 2026-03-18 |
The first reported case using real-time artificial intelligence with single-port robotics for colorectal surgery
2026-Mar-16, Surgical endoscopy
DOI:10.1007/s00464-026-12688-7
PMID:41840080
|
研究论文 | 本文报告了首例将实时人工智能与单孔机器人平台结合用于结直肠手术的案例 | 首次成功将基于计算机视觉和深度学习的人工智能软件与单孔机器人平台集成，用于结直肠手术，提供实时视觉提示 | 仅基于单例患者报告，样本量小，缺乏大规模验证 | 探索人工智能与单孔机器人平台在结直肠手术中的集成应用，以提高手术安全性和效率 | 接受回肠造口逆转手术的患者 | 计算机视觉 | 结直肠疾病 | 深度学习软件 | 深度学习模型 | 手术视频图像 | 1例患者 | NA | NA | 准确识别，精确识别 | NA |
| 1193 | 2026-03-18 |
R3MV: a novel reliable system architecture for skin cancer classification using progressive heterogeneous multiblock model
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40522-6
PMID:41840099
|
研究论文 | 本文提出了一种名为R3MV的新型可靠系统架构，用于皮肤癌分类，该系统采用渐进式异构多块模型 | 提出了一种独特的CNN模型PHMBCNN，采用渐进学习策略；设计了R3MV三层决策融合系统，整合了单个CNN模型预测、特征融合分类架构和基于CNN模型输出训练的元分类器，并通过多数投票程序提高决策可靠性 | 未明确说明模型在更广泛临床场景中的泛化能力或计算效率 | 提高皮肤病变图像分类的准确性和可靠性 | 皮肤癌图像 | 计算机视觉 | 皮肤癌 | 深度学习 | CNN, GRU | 图像 | 两个数据集：PAD_UFES_20和HAM10000 | NA | PHMBCNN, PHMBCNN-GRU | 准确率 | NA |
| 1194 | 2026-03-18 |
Out-of-Distribution Detection in Medical Image Segmentation with β -VAE and Likelihood Regret
2026-Mar-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01907-1
PMID:41840137
|
研究论文 | 本文提出了一种结合β-VAE和似然后悔的新方法，用于医学图像分割中的分布外检测，能同时识别图像样本和分割掩码的分布外情况 | 首次同时检测图像样本和分割掩码的分布外情况，引入似然后悔计算OOD分数以提高分布拟合评估的准确性 | 未明确说明具体数据集规模或计算资源细节，可能限制方法在更大规模或不同医疗场景下的泛化能力评估 | 解决医学图像分割中分布外数据的检测问题，提高模型在真实医疗应用中的鲁棒性 | 3D医学图像及其分割掩码 | 计算机视觉 | NA | 深度学习 | VAE, U-Net | 3D医学图像 | NA | NA | β-VAE, U-Net | OOD检测性能（未指定具体指标） | NA |
| 1195 | 2026-03-18 |
Robust Histopathology Subtyping via Perturbation Fidelity in Deep Classifier
2026-Mar-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01875-6
PMID:41840135
|
研究论文 | 本文提出了一种基于扰动保真度的深度分类器框架，用于提高浸润性肺腺癌亚型分型的鲁棒性 | 提出了边缘一致性框架和扰动保真度评分方法，通过贝叶斯优化参数施加结构化扰动，解决了对比正则化导致的特征过度聚类问题 | 跨机构验证时存在约15-20%的性能下降，表明存在领域偏移问题，未来需要领域自适应研究 | 提高深度学习模型对浸润性肺腺癌亚型分型在真实世界成像扰动下的鲁棒性 | 浸润性肺腺癌的五个亚型 | 数字病理学 | 肺癌 | 全切片图像分析 | 深度学习分类器 | 图像 | 143张全切片图像，共203,226个图像块 | NA | Vision Transformer-Large, ResNet101, ResNet50 | 准确率, 受试者工作特征曲线下面积, Kendall相关系数 | NA |
| 1196 | 2026-03-18 |
Uncertainty-aware automated labeling of intracranial arteries using deep learning
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02276-5
PMID:41840364
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1197 | 2026-03-18 |
Deep learning-based non-invasive prediction of axillary lymph node metastasis in breast cancer: performance of the YOLO-v11 object detection algorithm
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02289-0
PMID:41840500
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1198 | 2026-03-18 |
Explainable tabular deep learning models for antenatal cesarean delivery prediction in multiparous women
2026-Mar-16, BMC pregnancy and childbirth
IF:2.8Q1
DOI:10.1186/s12884-026-08934-4
PMID:41840520
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1199 | 2026-03-18 |
Integrating phenotypic information of obstructive sleep apnea and deep representation of sleep-event sequences for cardiovascular risk prediction
2026-Mar-16, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03439-8
PMID:41840572
|
研究论文 | 本研究提出了一种结合阻塞性睡眠呼吸暂停表型信息和睡眠事件序列深度表示的深度学习模型，用于预测心血管不良结局 | 提出了一种新颖的表型对比深度学习模型，首次整合了OSA表型信息和夜间睡眠事件序列的深度表示，以提升心血管风险预测的准确性 | 研究基于MESA数据集，样本年龄范围较窄（54-94岁），且无心血管疾病史，可能限制了结果的普适性 | 探索有效整合OSA表型信息和夜间生理信息以精确预测心血管不良结局的策略，并识别普通人群和OSA人群中最显著的风险特征 | 来自MESA数据集的1,874名无心血管疾病史的参与者，年龄在54至94岁之间 | 机器学习 | 心血管疾病 | 多导睡眠图（PSG）特征分析，K-means聚类 | 深度学习模型 | 生理信号序列数据（睡眠事件特征序列） | 1,874名参与者 | NA | Contrast_pheno_DL | AUROC, AUPRC | NA |
| 1200 | 2026-03-18 |
TLScope: a deep learning framework for quantifying tertiary lymphoid structures from H&E images reveals prognostic heterogeneity across breast cancer subtypes
2026-Mar-16, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-026-02241-8
PMID:41840700
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |