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 45423 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 | 2026-06-03 |
A causal bidirectional selective state space model for imaging genetics in neurodegenerative diseases
2026-Jun, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108587
PMID:41547121
|
research paper | 本文提出一种因果双向选择性状态空间模型（CausalMamba），用于神经退行性疾病的影像遗传学分析，实现从遗传数据到疾病诊断的因果推理与高效分类 | 首次将因果推断与双向选择性状态空间模型（BiMamba）结合，构建统一的表示学习框架，实现仅需遗传数据即可完成疾病诊断，并在模拟与真实数据集上验证了因果生物标志物的识别能力 | NA | 解决影像遗传学中长基因序列特征提取及遗传、影像与疾病间因果关联建立的挑战，提升神经退行性疾病诊断性能 | 阿尔茨海默病与帕金森病的遗传与脑影像数据 | machine learning | neurodegenerative diseases | 基因测序、脑影像 | 因果双向选择性状态空间模型（CausalMamba） | 遗传数据、脑影像数据 | 模拟数据集、ADNI数据集、PPMI数据集 | PyTorch | BiMamba | accuracy | NA |
| 1182 | 2026-01-25 |
Deep learning reconstruction enhances 1.5T MR angiography beyond 3T in vascular visualization for Moyamoya disease
2026-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01945-9
PMID:41579320
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1183 | 2026-01-28 |
Advancing personalized prognostic assessment in rectal cancer through multi-instance deep learning
2026-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12340-x
PMID:41591473
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1184 | 2026-02-19 |
Improved image quality and greater diagnostic suitability in myocardial delayed enhancement CT with deep learning image reconstruction
2026-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-026-01958-y
PMID:41701468
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1185 | 2026-06-03 |
Harnessing the power of artificial intelligence for clinical trials in cancer
2026-Jun, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2026.2642221
PMID:41797434
|
综述 | 综述人工智能在肿瘤临床试验全生命周期中的应用，涵盖从设计、招募到数据管理和结果评估的各个环节 | 系统总结了AI（包括基础ML模型、高级DL和LLM系统）在肿瘤试验各个阶段的应用，并探讨了算法偏见、可解释性、问责制及监管等关键挑战 | 未提及具体局限性 | 总结AI如何提升肿瘤临床试验的效率、包容性和数据驱动性 | AI在肿瘤临床试验中的应用，包括Trial Pathfinder、TrialGPT和PRISM等工具 | 机器学习 | 癌症 | NA | 深度学习, 大语言模型 | 数字病理图像, 影像, 基因组测序数据 | NA | NA | NA | NA | NA |
| 1186 | 2026-06-03 |
Interpretable multi-modality consensus QSAR framework: integrating machine and deep learning for enhanced multi-endpoint toxicity assessment
2026-Jun, Toxicology mechanisms and methods
IF:2.8Q2
DOI:10.1080/15376516.2026.2643659
PMID:41839829
|
研究论文 | 开发一种可解释的多模态共识QSAR框架，集成机器学习和深度学习方法，用于增强多终点毒性评估 | 提出融合多种分子表征方法（多模态）与机器学习及深度学习的共识模型框架，并基于交叉验证AUC权重进行加权集成，显著提升毒性预测的鲁棒性和广谱适用性 | 未明确提及当前模型的局限性，但基于上下文可推断其对预测性能较差的终点可能仍存在优化空间 | 建立一种可靠、可解释的广谱毒性预测方法，用于多终点的化学品安全评估 | 30,160种独特化合物，涉及皮肤致敏、呼吸毒性、AMES致突变性、肝毒性、发育毒性、心脏毒性、药物肾毒性和神经毒性共8种毒性终点 | 机器学习, 深度学习 | NA | QSAR, 机器学习, 深度学习 | 机器学习模型, 深度学习模型 | 分子结构数据表征 | 30,160种化合物 | NA | NA | AUC, 平衡准确率(BACC) | NA |
| 1187 | 2026-06-03 |
Artificial intelligence in lymphedema: A systematic review of diagnostic and clinical applications
2026-Jun, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2025.12.035
PMID:42068963
|
综述 | 系统评价人工智能在淋巴水肿诊断和临床管理中的应用 | 首次系统综述人工智能在淋巴水肿中的应用，涵盖诊断、风险预测、监测和手术规划等多方面 | 缺乏外部验证，研究方法异质性大，现有证据仍处于初步阶段 | 评估人工智能技术在淋巴水肿诊断和临床管理中的应用现状和效果 | 淋巴水肿患者，共8720名 | 机器学习 | 淋巴水肿 | 超声、CT、MRI、临床照片、3D成像 | 机器学习和深度学习模型 | 临床数据、影像数据 | 8720名患者 | NA | NA | AUC, 准确率, 相关系数 | NA |
| 1188 | 2026-06-03 |
Changes in computed tomography derived muscle and pulmonary tissue in patients hospitalized for COVID-19: A 12-month follow-up study
2026-Jun, Clinical nutrition ESPEN
IF:2.9Q3
DOI:10.1016/j.clnesp.2026.103291
PMID:41999975
|
研究论文 | 本研究调查了COVID-19出院患者在一年内CT衍生的骨骼肌横截面积与肺部受累百分比的变化模式及其关联 | 首次在出院后一年的随访中评估COVID-19患者肌肉与肺部组织的独立变化模式 | 单中心回顾性研究，样本量有限，且十二个月随访时仅有100例患者数据 | 探究COVID-19出院患者一年内肌肉损失与肺部放射学变化的关系 | COVID-19住院患者的骨骼肌和肺实质组织 | 计算机视觉 | COVID-19 | CT成像 | 深度学习算法 | 图像 | 211例患者（基线至三个月），100例患者（十二个月随访） | NA | NA | NA | NA |
| 1189 | 2026-06-03 |
Deep Learning-Based Cribriform Segmentation and Automated Olfactory Fossa Depth Estimation on Sinus CT
2026-Jun, International forum of allergy & rhinology
IF:7.2Q1
DOI:10.1002/alr.70180
PMID:42090234
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1190 | 2026-06-03 |
Improving Vancomycin Therapeutic Drug Monitoring With a Deep Learning-Based Two-Compartment Predictive Model: Development and Validation Study
2026-Jun-01, JMIR AI
DOI:10.2196/81103
PMID:42224292
|
研究论文 | 提出基于深度学习的双室预测模型PKRNN-2CM，用于改善万古霉素治疗药物监测 | 首次将递归神经网络与双室药代动力学模型结合，提升万古霉素浓度预测精度 | 未提及具体局限性 | 通过深度学习模型优化万古霉素个体化剂量调整 | 万古霉素治疗药物监测中的药代动力学参数及浓度轨迹 | 机器学习 | 感染性疾病 | 电子健康记录数据分析 | 递归神经网络（RNN） | 时间序列电子健康记录数据 | 5483名患者的真实数据集 | PyTorch | PKRNN-2CM | 均方根误差（RMSE），AUC/MIC比值 | NA |
| 1191 | 2026-06-03 |
Development of autoencoder-guided attention-LSTM models for predicting nocturnal hypoglycemia risk in Type 1 Diabetes
2026-Jun-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3698300
PMID:42224311
|
研究论文 | 开发一种结合自编码器引导注意力机制的LSTM模型，用于预测1型糖尿病患者的夜间低血糖风险 | 提出将生理知识（模拟葡萄糖吸收、胰岛素动力学和亚细胞胰岛素信号）融入注意力LSTM网络，并引入自编码器注意力权重映射框架实现模型可解释性 | 研究对象仅限于使用开放回路胰岛素泵的患者，数据集规模有限，外部验证仅使用单一队列（SMARTDIAB） | 开发一种可提前12小时预测夜间低血糖的深度学习模型，为1型糖尿病患者提供主动干预依据 | 1型糖尿病患者夜间低血糖事件 | 机器学习 | 1型糖尿病 | 持续血糖监测、胰岛素动力学模拟 | LSTM | 时间序列数据 | OhioT1DM数据集（开放回路泵用户）和SMARTDIAB外部验证集 | PyTorch | 注意力LSTM、自编码器 | AUC、召回率、特异性 | NA |
| 1192 | 2026-06-03 |
ConvShareViT: A Vision Transformer-Like Architecture for Free-Space Optical Accelerators
2026-Jun-01, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3689450
PMID:42224321
|
研究论文 | 本文提出ConvShareViT，一种适配4f自由空间光学系统的视觉变换器类深度学习架构 | 用跨输入通道共享权重的深度卷积层替代多头自注意力和多层感知机中的线性层，实现光学系统中的高效推理加速 | 相同填充卷积在注意力学习方面存在局限性，表现类似常规CNN而非变换器模型 | 将视觉变换器架构适配到自由空间光学加速器，实现高速光学深度学习 | ConvShareViT架构在4f自由空间光学系统中的性能 | 机器学习 | NA | NA | 视觉变换器(ViT) | NA | 12个不同模型的实验 | NA | 卷积共享视觉变换器(ConvShareViT) | 注意力分数 | 基于GPU的系统（推理速度对比基准） |
| 1193 | 2026-06-03 |
FreeTune4D: Anatomy-Aware 4D-MRI Motion Reconstruction Benchmark and Free Fine-Tuning Framework
2026-Jun-01, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3698133
PMID:42224310
|
研究论文 | 提出FreeTune4D框架，结合解剖感知和大规模数字体模实现4D-MRI运动重建，并建立Digital4D-1M和Digital4D-900数据集 | 首次在大规模数字体模上训练运动重建方法，引入自由微调策略和仿射到形变的框架，整合脊柱稳定性和器官级解剖先验 | 受限于数字体模与真实数据之间的分布差异，真实患者队列规模有限（133例），可能未能涵盖所有临床变异 | 解决4D-MRI运动重建中数据集和基准稀缺、解剖感知不足的问题，提升模型的泛化能力和标准化评估 | 腹部四维磁共振成像（4D-MRI）中的运动重建 | 计算机视觉, 数字病理 | NA | 4D-MRI | CNN, Transformer | 图像 | Digital4D-1M含100万样本，Digital4D-900含900个样本；真实患者133例（来自三个机构） | PyTorch | ResNet, U-Net | 准确率, 精确率, 召回率, F1分数, AUC, Dice系数 | NVIDIA RTX 3090 GPU |
| 1194 | 2026-06-03 |
Physical Parameter-Guided Deep Learning Ultrasound Localization Microscopy Framework Based on Diffusion Model
2026-Jun-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3697490
PMID:42224314
|
研究论文 | 本文提出了基于扩散模型的物理参数引导超声定位显微成像框架，用于合成微泡图像以解决深度学习训练数据不足的问题 | 首次提出物理参数引导的扩散框架（PgD），能根据换能器规格和声波波形参数合成不同成像条件下的微泡图像，从而生成鲁棒的训练数据集 | 未明确讨论合成数据与真实数据在所有复杂场景下的等价性，以及框架对极端成像条件的适应性 | 解决深度学习在超声定位显微成像中因缺乏真实标注和多样训练数据而受限的问题 | 微泡图像合成与深度学习超声定位显微成像模型 | 机器学习 | 不适用 | 超声成像 | 扩散模型 | 图像 | 数百套成像参数集 | PyTorch | 扩散模型 | 结构相似性指数（SSIM），空间分辨率 | 不适用 |
| 1195 | 2026-06-03 |
HiRMD: A System for Mortality Prediction via LLM-Based High-Risk Information Extraction and Diagnosis
2026-Jun-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3697870
PMID:42224317
|
研究论文 | 提出HiRMD系统，利用大语言模型提取高风险临床信息并整合异构证据，实现住院死亡率预测 | 首次将LLM引导的高风险诊断语义与纵向电子健康记录建模相结合，通过临床标准生成结构化诊断序列，并利用多头交叉注意力融合重症评分等先验知识 | 未提及具体限制 | 改进基于纵向电子健康记录的住院死亡率预测 | 高风险住院患者的电子健康记录 | 机器学习 | NA | NA | Bi-GRU | 文本 | 三个公共数据集：MIMIC-III、MIMIC-IV、eICU | NA | Bi-GRU | AUROC, F1分数 | NA |
| 1196 | 2026-06-03 |
Liver Nodule Anomaly Detection Using Ultra-sound Radiofrequency Signals and Variational Autoencoders
2026-Jun-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3698728
PMID:42224315
|
研究论文 | 利用一维超声射频信号和变分自编码器进行肝结节异常检测 | 提出了一种基于重建的无监督深度学习模型，利用一维超声射频信号而非传统B模式图像进行肝结节检测，并通过异常评分有效区分正常与异常组织 | 研究样本量有限（177名参与者），数据集可能不具完全代表性；模型依赖手动结节分割和MRI或组织病理学分类，可能引入主观偏差 | 评估基于重建的深度学习模型在超声射频信号上检测肝结节的性能 | 成人对照组、疑似代谢功能障碍相关脂肪性肝炎患者及已知肝结节患者 | 计算机视觉 | 肝病 | 超声射频信号 | 变分自编码器 | 一维信号 | 177名参与者（平均年龄57岁，其中106名男性；结节组100人，无结节组77人） | PyTorch | 变分自编码器 | AUC, 准确率, 灵敏度, 特异度 | NA |
| 1197 | 2026-06-03 |
FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising
2026-Jun-01, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2026.3698474
PMID:42224335
|
研究论文 | 提出一种名为FoundDiff的基础扩散模型，用于低剂量CT去噪，该模型在不同剂量水平和解剖区域上具有通用性和鲁棒性 | 首次提出了基于扩散模型的基础性低剂量CT去噪框架，该框架结合剂量-解剖感知对比语言-图像预训练（DA-CLIP）和剂量-解剖感知扩散模型（DA-Diff），通过一种基于Mamba的新型剂量和解剖条件块（DACB）实现自适应去噪 | NA | 开发一种通用的低剂量CT去噪方法，能够在不同剂量水平和解剖区域中表现良好 | 低剂量CT图像 | 数字病理学 | NA | CT成像 | 扩散模型 | 图像 | 一个大规模模拟多剂量CT数据集，覆盖三个解剖区域，以及Mayo-2016、CQ500和猪仔数据集的跨数据集评估 | Mamba | DA-CLIP, DA-Diff, DACB | 去噪性能 | NA |
| 1198 | 2026-06-03 |
Deep learning-enabled computational adaptive-optics for fast continuous zoom microscopy
2026-Jun-01, Optics letters
IF:3.1Q2
DOI:10.1364/OL.597134
PMID:42224549
|
研究论文 | 提出一种基于深度学习的计算自适应光学框架，用于实现快速连续变焦显微镜成像 | 结合物理启发的点扩散函数估计、滑动窗口自注意力机制和PSF引导的动态滤波，有效解决连续变焦中的动态像差和振荡问题 | 未明确讨论框架对极端光学畸变或低信噪比场景的鲁棒性 | 实现快速、高质量的连续变焦多尺度显微观测 | 连续变焦显微镜成像中的图像退化过程 | 计算机视觉 | 不适用 | 光学显微成像 | 深度学习网络 | 图像 | 不适用 | PyTorch | 滑动窗口自注意力机制结合PSF引导的动态滤波器 | 图像恢复精度、鲁棒性 | 不适用 |
| 1199 | 2026-06-03 |
GeoAI for polar vegetation mapping and hydrological interactions: A systematic review
2026-Jun-01, The Science of the total environment
DOI:10.1016/j.scitotenv.2026.181891
PMID:42224875
|
综述 | 系统综述了GeoAI（地理空间人工智能）在极地植被制图与水文相互作用中的应用 | 首次基于PRISMA 2020框架对2005-2025年间极地GeoAI研究进行系统综合，揭示了从孤立生态监测向整合数据融合框架的快速转变，并强调了分层无人机-卫星融合、开放基准数据集和可解释生态AI作为下一代极地监测的关键路径 | 大多数研究仍停留在景观尺度，少有实现完整的无人机到卫星集成，存在空间分辨率和验证缺口，地下和过程监测仍有限 | 评估人工智能增强遥感（GeoAI）在北极和南极植被与水文监测中的应用程度、一致性和方法质量 | 北极和南极地区的植被与水文系统 | 计算机视觉, 机器学习, 遥感 | NA | 遥感, 无人机多光谱成像, 卫星影像, 深度学习 | 经典机器学习，卷积神经网络 | 图像，光谱数据 | 116篇研究（2005-2025年） | NA | 卷积神经网络 | NA | NA |
| 1200 | 2026-06-03 |
Machine learning-based prediction of antibiotic resistance gene distribution in agricultural soils under different climate change scenarios
2026-Jun-01, The Science of the total environment
DOI:10.1016/j.scitotenv.2026.181905
PMID:42224874
|
研究论文 | 使用机器学习模型预测不同气候变化情景下农业土壤中抗生素抗性基因的分布 | 首次结合全球宏基因组数据与气候变化情景，采用LightGBM模型实现高精度预测并揭示非线性风险增长模式 | 未明确讨论模型泛化性至其他土壤类型或不同气候区域，且计算资源细节未提供 | 评估气候变化对农业土壤ARG丰度的影响并开发预测工具支持One Health策略 | 农业土壤中的抗生素抗性基因 | 机器学习 | 抗生素耐药性相关疾病 | 宏基因组测序 | LightGBM、XGBoost、随机森林、支持向量机、深度神经网络、逻辑回归 | 土壤宏基因组序列数据与气候环境变量 | 来自67个国家2301份农业土壤样本 | NA | LightGBM、XGBoost、随机森林、支持向量机、深度神经网络、逻辑回归 | AUC-ROC、精确率、召回率、F1分数、马修斯相关系数 | NA |