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 45593 篇文献，本页显示第 1261 - 1280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1261 | 2026-06-05 |
A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis
2026-Feb-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06736-z
PMID:41651871
|
研究论文 | 提出了一个用于口腔鳞状细胞癌诊断和预后的高倍率组织病理学图像数据集Multi-OSCC | 首次构建包含1325名患者的大规模口腔鳞状细胞癌组织病理学数据集，并整合诊断与预后信息，涵盖三个放大倍率和六个关键临床任务 | 未明确提及具体局限性，但可能受限于单一癌种和固定图像倍率设置 | 构建并公开一个用于口腔鳞状细胞癌计算机辅助诊断和预后的综合性组织病理学图像数据集 | 1325名口腔鳞状细胞癌患者的组织病理学图像 | 数字病理学 | 口腔鳞状细胞癌 | 组织病理学图像采集（200×、400×、1000×放大倍率） | 视觉编码器 | 图像 | 1325名患者，每名患者6张高分辨率组织病理学图像 | NA | 视觉编码器 | NA | NA |
| 1262 | 2026-06-05 |
Hyperparameter optimization to enhance the performance of deep learning models for the early detection of invasive turtles in Korea
2026-Feb-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37636-2
PMID:41651916
|
研究论文 | 通过超参数优化提升深度学习模型在韩国入侵龟早期检测中的性能 | 首次系统性地在入侵龟检测中应用超参数优化，包括优化器选择和调参，以提升目标检测模型的性能 | 研究仅针对图像数据，未涉及其他检测模式或实际部署中的计算资源限制 | 开发优化的深度学习模型用于早期检测和分类韩国六种入侵龟类，并评估超参数优化的效果 | 六种入侵龟种的图像 | 计算机视觉 | NA | 深度学习 | 目标检测模型（如YOLO或类似） | 图像 | 未明确说明 | PyTorch, TensorFlow | YOLO, Faster R-CNN | 平均精度均值（mAP），分类准确率 | NA |
| 1263 | 2026-06-05 |
Improving prediction accuracy of radiation-induced temporal lobe injury in nasopharyngeal carcinoma using ADC-based deep learning and dosiomics
2026-Feb-06, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15599-x
PMID:41652361
|
研究论文 | 利用基于ADC图的深度学习和剂量组学预测鼻咽癌放疗后颞叶损伤 | 首次将ADC图深度学习特征与剂量分布剂量组学特征融合，建立预测模型，显著提升预测准确性 | NA | 探索基于ADC图的深度学习和剂量组学在预测鼻咽癌放疗后颞叶损伤中的潜力 | 接受调强放疗的鼻咽癌患者 | 医学影像分析， 机器学习 | 鼻咽癌 | ADC图， 剂量分布 | 支持向量机， K近邻， 随机森林， 极端随机树， XGBoost， LightGBM， AdaBoost， 多层感知机 | 图像， 剂量数据 | 3578名鼻咽癌患者中筛选出191名（94名RTLI，97名对照），分为训练集135例和验证集59例 | NA | WideResNet 101 | 曲线下面积 | NA |
| 1264 | 2026-06-05 |
An interpretable machine learning framework with data-informed imaging biomarkers for diagnosis and prediction of Alzheimer's disease
2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出一个可解释的机器学习框架，结合基于数据驱动的成像生物标志物，用于阿尔茨海默病的诊断与预测 | 将卷积神经网络的数据驱动特征提取与可解释提升机（EBM）的内在透明性相结合，使得模型在组级别和个体级别上均可解释，并识别出贡献预测的成像生物标志物 | 外部验证时MCI转化的AUC仅为0.666，表明框架在预测转化方面的性能有限 | 开发一种兼具高性能和可解释性的机器学习方法，用于阿尔茨海默病的诊断和轻度认知障碍转化预测 | 阿尔茨海默病神经影像学倡议（ADNI）队列的数据，以及独立的验证队列 | 机器学习 | 阿尔茨海默病 | NA | CNN | 成像数据 | NA | NA | 卷积神经网络, 可解释提升机 | AUC | NA |
| 1265 | 2026-06-05 |
Evaluation of the Diagnostic Accuracy of Cervical Cell Morphologies from Android Device-Captured Cytopathological Microscopic Images through Artificial Intelligence in Mainly Rural or Resource-Constraint Areas of India
2026-Feb-01, Asian Pacific journal of cancer prevention : APJCP
DOI:10.31557/APJCP.2026.27.2.601
PMID:41660918
|
研究论文 | 开发并评估一个基于人工智能的系统，用于自动检测和分类来自安卓设备捕获的宫颈细胞形态学显微图像，以在印度主要农村或资源受限地区实现宫颈癌诊断 | 将深度学习与机器学习模型集成，利用安卓手机或平板拍摄的显微镜图像进行宫颈细胞自动分类，适合资源受限环境 | 样本量较小，仅292张医院内部图像，且未提及模型在不同设备或环境下的泛化能力 | 开发一种时间高效、成本低廉的宫颈细胞形态学诊断方法，通过人工智能处理来自安卓设备的显微图像 | 宫颈细胞形态学图像，来自医院内部样本和公开数据集（SipakMed, Herlev） | 医学影像分析，机器学习 | 宫颈癌 | 巴氏涂片显微成像 | 深度学习模型，机器学习模型 | 图像 | 292张医院内部巴氏涂片图像，加上SipakMed和Herlev公开数据集 | NA | NA | 交并比，准确率 | NA |
| 1266 | 2026-06-05 |
FDA-Cleared Artificial Intelligence Medical Devices in Orthopaedic Surgery
2026-Feb-01, Journal of the American Academy of Orthopaedic Surgeons. Global research & reviews
|
研究论文 | 对截至2025年2月美国FDA批准的70款骨科手术人工智能医疗器械进行回顾性分析，涵盖适应症、骨科亚专业、发展历程、AI架构及商业化路径 | 首次系统综述FDA批准的骨科AI医疗器械，揭示该领域从2017年首个器械获批到2024年间16.6件/年的高速增长趋势，并指出深度学习（57.3%获批率）成为主导技术，但仅8.6%通过前瞻性临床试验验证 | 仅分析已获批器械，未覆盖临床试验中或未被批准的AI医疗设备；依赖FDA公开数据，可能遗漏部分非公开的批准信息 | 评估骨科手术中AI医疗器械的监管现状、技术趋势和临床验证水平，提出改进监管保障和临床评估标准的建议 | 70款获得FDA批准的骨科手术AI医疗器械 | 医疗AI | 骨科疾病（脊柱、髋膝关节、创伤等亚专业） | 人工智能、机器学习、深度学习 | 深度学习模型（占主导） | 回顾性数据集 | 70款获批医疗器械 | NA | 深度神经网络（具体架构未详细说明） | NA（文中未提及具体性能指标） | NA |
| 1267 | 2026-06-05 |
Super-Resolution Deep Learning Reconstruction for Coronary CT Angiography: Coronary Stenosis Assessment and CAD-RADS Reclassification
2026-Feb, Radiology
IF:12.1Q1
DOI:10.1148/radiol.252163
PMID:41665496
|
研究论文 | 比较超分辨率深度学习重建与混合迭代重建在冠脉CT血管成像中评估冠脉狭窄和重新分类CAD-RADS的表现 | 首次将超分辨率深度学习重建算法用于冠脉CT血管成像，以提高狭窄评估性能并影响患者层面的CAD-RADS分类 | 证据有限，样本量相对较小（204名参与者） | 评估SR-DLR相比HIR在冠脉狭窄检测中的表现，并探索其对CAD-RADS分类的影响 | 冠脉CT血管成像图像和侵入性冠脉造影作为参考标准 | 计算机视觉, 机器学习 | 心血管疾病 | CT血管成像 | 超分辨率深度学习重建 | 图像 | 204名参与者（平均年龄64.3岁，137名男性），605个斑块 | NA | NA | AUC | NA |
| 1268 | 2026-06-05 |
Cardiac meshes reconstruction from cardiac magnetic resonance image by graph transformation
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70318
PMID:41665536
|
研究论文 | 提出一种基于图变换的方法从心脏磁共振图像重建三维心脏网格 | 利用图傅里叶变换和图小波变换的频率分析重建网格顶点位移，捕捉不同尺度的心脏形状特征，并引入时间损失确保动态重建的生理一致性 | 未明确提及具体局限性 | 开发一种无需标记网格数据的高保真三维心脏网格重建方法 | 病人特异性心脏网格 | 计算机视觉 | 心血管疾病 | 心脏磁共振成像 | 图神经网络 | 图像 | 公共ACDC数据集和私有CMR数据集 | NA | 图傅里叶变换、图小波变换 | 重建精度、网格质量 | NA |
| 1269 | 2026-06-05 |
S3CNet: self-supervised Siamese cooperative network for accelerating magnetic resonance imaging reconstruction
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70321
PMID:41665542
|
研究论文 | 提出一种自监督孪生协作网络S3CNet，利用高度欠采样的k空间数据实现高质量磁共振成像重建 | 设计统一的两阶段自监督重建框架，兼容不同采样模式和网络架构；通过混合自监督损失函数（测量一致性损失、交叉一致性损失和重建一致性损失）在无全采样标签数据下有效训练孪生网络 | 文章未提及具体局限性信息 | 减少对全采样标签数据的依赖，同时保持优秀重建性能的自监督MRI重建方法 | 用于MRI重建的深度学习方法，特别是自监督学习在欠采样数据中的应用 | 机器学习, 计算机视觉, 数字病理学（相关于影像重建） | NA | MRI重建，自监督学习 | 孪生网络（Siamese network） | MRI图像（k空间数据） | T1和T2加权脑部FastMRI数据集（具体样本数未提及） | NA | NA（文章未指定具体架构，但兼容不同网络架构） | NA（未明确列出评估指标，但提及与全监督方法性能相当） | NA |
| 1270 | 2026-06-05 |
First deep learning framework for enhanced positron annihilation interaction-transmission imaging system precision
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70320
PMID:41665546
|
研究论文 | 提出了首个深度学习框架DeepPAITI，用于提升正电子湮灭相互作用-透射成像系统的精度 | 首次将深度学习方法应用于PAITI成像技术，采用多分支、多输入、多输出网络架构，显著提高了二次图的提取精度 | 未提及临床实际数据验证，仅基于数值模拟和GATE蒙特卡洛数据集 | 提升PAITI成像系统的精度，推动其在离子治疗计划等临床应用中的实现 | 正电子湮灭相互作用-透射成像系统的二次图（相互作用图、沉积能量图、衰减图、电子密度图） | 计算机视觉 | NA | 正电子湮灭成像 | 深度学习 | 模拟图像 | 数值模拟和GATE蒙特卡洛数据集，未明确样本数量 | PyTorch | DeepPAITI（多分支多输入多输出架构） | 平均相对误差 | NA |
| 1271 | 2026-06-05 |
Novel discovery framework: harnessing adaptive learning for breakthroughs in drug development and clinical applications
2026-Jan-16, Integrative biology : quantitative biosciences from nano to macro
IF:1.5Q4
DOI:10.1093/intbio/zyaf024
PMID:41665938
|
综述 | 本文回顾了深度学习在药物研发和临床应用中的进展，提出自适应学习作为下一代分析框架，以解决传统方法的静态局限性 | 首次系统性地定义并阐述了自适应学习的概念，该概念通过自组织模型使深度网络能随时间动态适应输入变化，优化学习过程 | 综述性质，缺乏实证验证；对现有深度学习的局限性讨论不足 | 探索和讨论深度学习在药物研发和临床应用中的新范式，特别是自适应学习的潜力 | 药物研发流程、患者分层、治疗匹配、深度学习方法（如液态神经网络、图注意力算法、数字孪生） | 机器学习 | NA | 深度学习 | 液态神经网络、图注意力算法、数字孪生、自组织模型 | 动态变化数据 | NA | NA | 液态神经网络、图注意力算法、数字孪生 | NA | NA |
| 1272 | 2026-06-05 |
Data-driven discovery of digital twins in biomedical research
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf722
PMID:41668337
|
综述 | 综述从生物医学数据中自动推断数字孪生的方法，并评估其应对生物学和方法学挑战的能力 | 首次系统评估了177种从生物时间序列自动推断数字孪生的方法，并基于八项生物学和方法学挑战进行算法比较，提出结合化学反应网络、贝叶斯不确定度量化与深度学习能力的混合模块化框架 | 没有单一方法能同时应对所有挑战，深度学习和大语言模型的可靠性与一致性仍需改进 | 综述并评估从生物医学数据中自动构建数字孪生的数据驱动方法 | 用于自动推断数字孪生的177种方法（主要涉及符号回归和稀疏回归） | 机器学习, 数字孪生, 生物信息学 | NA | 符号回归, 稀疏回归, 深度学习, 大语言模型 | 稀疏回归, 符号回归, 深度学习, 大语言模型 | 生物时间序列 | 177种方法 | NA | NA | 噪声/不完整数据整合、多条件整合、先验知识整合、潜在变量处理、高维度处理、未观测变量导数处理、候选库设计、不确定度量化 | NA |
| 1273 | 2026-06-05 |
Detection of Implant Brands Using Artificial Intelligence and Deep Learning Modeling Based on Orthopantomogram Images: A Review of the Literature
2026, Journal of long-term effects of medical implants
|
综述 | 本研究探讨了利用人工智能和深度学习模型（特别是卷积神经网络）从口腔全景影像中识别牙种植体品牌的应用 | 通过自动化检测过程提高牙种植体品牌识别的准确性并减少对人类专业知识的依赖 | 需要大规模、良好标注的数据集以及数据隐私和AI模型可解释性的伦理问题 | 探索人工智能和深度学习在牙种植体品牌识别中的应用潜力 | 牙种植体品牌的OPG图像 | 计算机视觉 | NA | OPG影像 | 卷积神经网络 | 图像 | NA | NA | 卷积神经网络 | NA | NA |
| 1274 | 2026-06-05 |
Objective interpretation of intrapartum cardiotocography images using attention-guided convolutional neural networks
2026, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2026.1717012
PMID:41789305
|
研究论文 | 提出一种基于注意力引导卷积神经网络的产时胎心监护图像客观判读方法 | 结合信号重建预处理流程和带有卷积块注意力模块的EfficientNet-B0架构，能自主聚焦临床显著形态特征，实现产时CTG图像的客观判读 | NA | 开发一套客观的产时CTG图像判读方法，以降低诊断不一致和漏诊风险 | 产时胎心监护（CTG）图像 | 计算机视觉， 数字病理学 | 胎儿健康评估， 产科疾病 | CTG图像信号重建， 计算机视觉 | 卷积神经网络（CNN） | 图像（CTG图像） | 内部临床数据集（私有）和外部CTU-UHB数据集（公开） | PyTorch | EfficientNet-B0， 卷积块注意力模块（CBAM） | 准确率， 宏平均F1分数 | NA |
| 1275 | 2026-06-05 |
Artificial intelligence in oral oncology: Current advances and future potential in diagnosis, prognosis, and therapeutic decision-making
2026, Cancer treatment and research communications
DOI:10.1016/j.ctarc.2026.101193
PMID:41930554
|
综述 | 综述人工智能在口腔肿瘤学诊断、预后和治疗决策中的应用进展 | 系统性总结了AI在口腔鳞状细胞癌（OSCC）诊断、预后和治疗决策中的最新应用，涵盖卷积神经网络图像分析、数字病理、移动筛查、多模态数据整合及放射基因组学等前沿技术 | 临床推广受限于数据稀缺、模型过拟合、可解释性不足以及关于偏见和隐私的伦理问题 | 探讨AI在口腔肿瘤学中提升诊断、预后和治疗决策准确性与个性化的潜力 | 口腔鳞状细胞癌（OSCC）的诊断、预后和治疗决策 | 数字病理学 | 口腔癌 | 机器学习、深度学习、自然语言处理、放射组学、基因组学 | 卷积神经网络（CNN） | 图像（病理、影像）、文本（基因组数据） | NA | NA | 卷积神经网络 | 准确性 | NA |
| 1276 | 2026-06-05 |
Correction: AI-powered detection of cyberbullying in short-form video content: A hybrid deep learning framework
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0350051
PMID:42189894
|
修正 | 对一篇关于短格式视频内容中网络欺凌检测的混合深度学习框架文章进行修正 | NA | NA | NA | NA | 自然语言处理 | NA | NA | 混合深度学习框架 | 视频 | NA | NA | NA | NA | NA |
| 1277 | 2026-06-05 |
Single-Image Reflection Removal via Iterative Prompt Learning of Reflection Level
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3695674
PMID:42208027
|
研究论文 | 提出一种通过迭代提示学习反射级别来去除单张图像反射的方法 | 利用可学习的提示和图像数据协同优化，定义反射级别并设计迭代反射级别减少框架，首次探索负训练样本和描述性提示对反射严重程度的作用 | 未在摘要中明确说明 | 提升单张图像反射去除的性能和泛化能力 | 受反射污染的图像 | 计算机视觉 | NA | NA | CNN | 图像 | 多个公开数据集 | PyTorch | NA | PSNR, SSIM | NA |
| 1278 | 2026-06-05 |
Towards intelligent railway monitoring: A novel hybrid deep learning architecture for railway obstacle detection
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349562
PMID:42213657
|
研究论文 | 提出一种混合深度学习架构用于铁路障碍物检测，在六类障碍物数据集上达到99.46%的平均平衡准确率 | 创新性地结合ResNet50与Swin Transformer V2的混合架构，并集成高效注意力模块，充分利用轨道图像视觉特征，在该领域设立新基准 | 未明确说明局限性 | 实现铁路障碍物的可靠分类，提升铁路监控智能化水平 | 铁路轨道上的六类障碍物（铁棒、巨石、行人、树枝、罐子、桶） | 计算机视觉 | NA | NA | 混合深度学习模型（CNN+Transformer） | 图像 | 2003张图像，分为六类 | NA | ResNet50, Swin Transformer V2, 高效注意力模块 | 平衡准确率 | NA |
| 1279 | 2026-06-05 |
A hybrid BiLSTM-transformer-GCN architecture with API fusion for adaptive transportation resource analytics
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349787
PMID:42213697
|
研究论文 | 提出一种结合BiLSTM、Transformer编码器与图卷积网络及API融合的混合深度学习架构，用于自适应交通资源发现与分类 | 创新性地融合BiLSTM-Transformer-GCN三种架构，并引入基于API的上下文特征融合与多目标学习策略，同时优化监督分类与无监督异常发现 | 未明确指出局限性，但需进一步验证在不同交通场景下的泛化能力 | 实时自适应地发现、分类和管理动态交通条件下的异构时空交通资源 | 交通资源数据，包括联网车辆、道路基础设施与外部上下文服务生成的异构时空数据 | 机器学习 | NA | NA | BiLSTM, Transformer, GCN | 时空数据 | 巴塞罗那事故数据集与Metro州际交通流量数据集的组合，具体样本数未说明 | NA | BiLSTM, Transformer, GCN | 准确率, F1分数, AUC, AUROC, AUPRC, 重建误差 | NA |
| 1280 | 2026-06-05 |
TransGrid-CostOpt: A hybrid transformer framework for cost prediction and optimization of distribution network assets
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0350026
PMID:42213739
|
研究论文 | 提出一种混合变压器框架TransGrid-CostOpt，用于配电网资产成本预测与优化 | 将深度学习、多目标优化、时间序列预测和优化决策模块集成在一个模型中，结合强化学习决策策略优化配电网负载预测和成本分配 | 未提及局限性 | 提升配电网成本预测与优化性能，降低运营成本，提高负载预测精度和决策适应性 | 配电网资产成本 | 机器学习 | NA | NA | Transformer | 时间序列数据 | 使用BuildingsBench和PJM Hourly Load Data数据集 | NA | Transformer | 准确性、效率、整体性能提升15%至30% | NA |