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 44210 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 | 2026-05-01 |
Non-invasive Prediction of CYP11B2-Defined Subtypes in Primary Aldosteronism Using 18F-Pentixafor PET/CT and Machine Learning
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.026
PMID:41530023
|
研究论文 | 开发并验证结合临床数据、影像组学和深度学习特征的可解释机器学习模型，用于无创预测原发性醛固酮增多症的病理亚型 | 首次将18F-Pentixafor PET/CT影像的影像组学和深度学习特征与临床数据整合，通过可解释机器学习模型（SHAP分析）实现原发性醛固酮增多症亚型的无创预测，并揭示与CXCR4和CYP11B2表达的生物学关联 | 单中心回顾性研究、样本量有限（89例）、方法未在其他中心验证、模型计算资源未详细说明 | 开发无创预测原发性醛固酮增多症病理亚型（基于CYP11B2免疫组化定义）的可解释机器学习模型，以减少对侵入性肾上腺静脉采样的依赖 | 89例诊断为原发性醛固酮增多症或无功能性肾上腺腺瘤的患者，接受18F-Pentixafor PET/CT检查 | 机器学习 | 原发性醛固酮增多症 | PET/CT | 支持向量机 | 临床数据、PET/CT图像 | 89例患者 | NA | 支持向量机 | AUC、敏感性、F1分数 | NA |
| 1262 | 2026-01-18 |
Less Noise, More Confidence: Deep Learning Denoising Algorithm for Coronary Stenosis Assessment in pre-TAVI CT Imaging
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.052
PMID:41545257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1263 | 2026-01-18 |
Comment on "Deep Learning Denoising Algorithm for Improved Assessment of Coronary Arteries in Transcatheter Aortic Valve Implantation CT Imaging"
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.053
PMID:41545256
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1264 | 2026-05-01 |
Automated Gross Tumor Volume (GTV) Contouring in High-Grade Gliomas Using a Deep Learning Approach
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.046
PMID:41545259
|
研究论文 | 提出一种基于深度学习的方法，用于高级别胶质瘤（HGG）中肿瘤大体体积（GTV）的自动勾画 | 利用修改后的3D U-Net架构，在BraTS 2018-2019挑战赛的469个样本上训练，基于多序列MRI增强特征学习，并遵循ESTRO和EANO指南定义GTV | 未提及具体的局限性 | 开发一种自动勾画HGG中GTV的深度学习框架，以提高放射治疗规划的精度和效率 | 高级别胶质瘤（HGG）患者 | 计算机视觉 | 高级别胶质瘤 | MRI（多序列磁共振成像） | 3D U-Net | 图像 | 469个样本（来自BraTS 2018-2019挑战赛） | NA | 修改后的3D U-Net | Dice相似系数（DSC），95百分位Hausdorff距离（HD95） | NA |
| 1265 | 2026-05-01 |
Collaborative Coarse-to-Fine Disease Learning With Discharge Summary Awareness for EHR Event Prediction
2026-May, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3664408
PMID:41774654
|
研究论文 | 提出一种粗到细的疾病学习框架，结合出院小结辅助，用于电子健康记录事件预测 | 通过构建细粒度动态疾病图、整合ICD-9-CM层次结构中的粗/细粒度信息，并结合出院小结进行协同疾病学习 | 未明确提及局限性 | 提升电子健康记录事件预测的准确性，解决疾病动态关系建模、多角度诊断代码本体利用及非结构化出院小结整合问题 | 电子健康记录（EHR）中的疾病和出院小结 | 自然语言处理 | 通用疾病 | 电子健康记录（EHR）数据分析 | 门控循环单元（GRU） | 文本数据（EHR记录及出院小结） | 使用MIMIC-III和MIMIC-IV两个真实世界EHR数据集 | PyTorch | GRU, 位置注意, 软注意机制 | 准确性, AUC | NA |
| 1266 | 2026-05-01 |
XNet: Enhancing Physical Activity Intensity Assessment With Attentional Multidomain Fusion and Visual Analytics
2026-May, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3666726
PMID:41774652
|
研究论文 | 提出XNet，一种用于身体活动强度分类和能量消耗估计的双域深度学习模型，通过注意力多域融合与视觉分析提升评估性能 | 创新性体现在分层多头架构与两级注意力特征融合模块，先聚合传感器特征再融合域嵌入，优于单阶段融合，并提供可解释的注意力权重揭示传感器和域的贡献 | NA | 提高身体活动强度监测的准确性、泛化能力和解释性，促进可穿戴设备上的实时健康监测 | 身体活动强度分类和能量消耗估计任务，涉及加速度计、心率、心电图等多传感器数据 | 机器学习 | NA | NA | 双域深度学习模型，包含1D卷积光谱编码器 | 多传感器时序数据（加速度计、心率、心电图） | 105名参与者的新数据集及多个公开数据集 | NA | XNet（分层多头架构），包含1D卷积光谱编码器、Transformer、图注意力网络变体，注意力特征融合模块 | F1分数、真阳性率、推理延迟 | NA |
| 1267 | 2026-05-01 |
Prediction of Neoadjuvant Chemotherapy Efficacy for Locally Advanced Nasopharyngeal Carcinoma Using MRI-Based Deep Learning Features Combined with Vision Transformer
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.02.003
PMID:41775615
|
研究论文 | 利用MRI深度学习特征结合Vision Transformer预测局部晚期鼻咽癌新辅助化疗疗效 | 首次将多序列MRI深度学习特征与Vision Transformer结合用于预测局部晚期鼻咽癌新辅助化疗疗效 | 单中心回顾性研究，样本量有限，未进行外部验证 | 评估多序列MRI深度学习特征结合Vision Transformer在预测局部晚期鼻咽癌新辅助化疗疗效中的价值 | 接受标准新辅助化疗的局部晚期鼻咽癌患者 | 计算机视觉, 数字病理学 | 鼻咽癌 | MRI | 深度学习模型 | 图像 | 266例局部晚期鼻咽癌患者 | PyTorch | ResNet50, DenseNet121, Vision Transformer (ViT) | AUC, 准确率, F1分数 | NA |
| 1268 | 2026-05-01 |
Minimum Clinically Achievable Dose for Detecting Liver Lesions Using Deep Learning Image Reconstruction: A Phantom and Patient Study
2026-May, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.02.022
PMID:41781262
|
研究论文 | 通过体模和患者研究，探究深度学习图像重建在约4.5 mGy超低剂量下检测肝脏局灶性病变的性能，并与标准剂量下的自适应统计迭代重建-V进行对比 | 首次验证深度学习图像重建在4.5 mGy超低剂量下实现肝脏病灶检测，辐射剂量降低50%至70%，同时检测性能优于标准剂量迭代重建 | 单中心前瞻性研究，样本量较小（84名参与者），未涉及多中心验证；缺乏长期随访数据评估辐射剂量降低的临床影响 | 评估深度学习图像重建在超低剂量CT中检测肝脏病灶的可行性与准确性 | 肝脏局灶性病变（包括良性和恶性病变） | 计算机视觉 | 肝脏疾病 | CT成像 | 深度学习图像重建 | 图像 | 84名参与者（平均年龄64岁，48名男性），71个肝脏病灶（平均大小12.8 mm）；Gammex CT体模 | NA | 深度学习图像重建 | 图像噪声、信噪比、对比噪声比、噪声功率谱峰值、可检测性指数、检测率、灵敏度、特异度、图像质量评分 | NA |
| 1269 | 2026-05-01 |
Physics-Guided Self-Supervised Implicit Neural Representation for Accelerated $\text{T}_{1\rho }$ Mapping
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3618476
PMID:41052172
|
研究论文 | 提出一种基于物理引导的自监督隐式神经表示方法，用于加速T1ρ定量成像，实现从高度欠采样k空间数据重建T1ρ加权图像并生成T1ρ图 | 首次将自监督隐式神经表示与T1ρ映射物理模型相结合，仅利用时空坐标作为输入，无需全采样训练数据集，并引入信号松弛先验和k-t空间数据自一致性两个显式先验 | 未在文中明确提及局限性 | 实现高度欠采样k空间数据的T1ρ定量成像加速，提高成像速度同时保持图像质量 | T1ρ加权图像和T1ρ参数图 | 机器学习 | NA | 磁共振定量成像, T1ρ映射 | 隐式神经表示 | 磁共振k空间数据 | 使用回顾性和前瞻性欠采样k空间数据进行验证 | NA | NA | 伪影抑制水平, 误差最低 | NA |
| 1270 | 2026-05-01 |
Self-Supervised Denoising With Noise Propagation Model: Improving Material Decomposition in Photon-Counting CT
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3620135
PMID:41071699
|
研究论文 | 结合基于物理的噪声分析与深度学习，控制光子计数CT材料分解过程中的噪声 | 提出噪声传播模型将泊松分布探测器噪声与材料特定噪声模式连接，结合自监督训练方法，无需高质量数据即可从有限训练数据学习 | NA | 改善光子计数CT材料分解中的噪声和伪影问题 | 光子计数CT成像中的材料分解过程 | 计算机视觉 | NA | 光子计数CT | 神经网络 | 图像 | 真实患者扫描数据 | PyTorch | 神经网络 | 材料准确性、虚拟单色图像清洁度 | NA |
| 1271 | 2026-05-01 |
SemSTNet: Medical EEG Semantic Metric Learning With Class Prototypes Generated by Pretrained Language Model
2026-May, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3620754
PMID:41082414
|
研究论文 | 提出了一种名为SemSTNet的新型轻量级框架，用于脑电图分析，通过语义度量学习捕获类别间关系并提升分类性能 | 首次将预训练语言模型生成的类原型应用于脑电图语义度量学习，设计轻量级解耦时空特征的卷积架构，模型参数仅23K | 未提及具体局限性 | 解决现有脑电图深度学习模型忽视语义关系且模型复杂度过高的问题 | 脑电图信号 | 机器学习 | 癫痫, 睡眠障碍 | 脑电图 | 卷积神经网络 | 信号 | NA | NA | SemSTNet | 准确率 | NA |
| 1272 | 2026-05-01 |
Artificial-intelligence models vs. radiologists in the detection of clinically significant prostate cancer on mpMRI: a meta-analysis
2026-Mar-18, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12465-z
PMID:41844851
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1273 | 2026-05-01 |
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 | 提出一种基于深度学习的边界敏感网络（BS-Net），用于腰椎椎体分割和滑脱测量 | 通过集成多任务边缘处理模块和上下文双边融合模块，增强椎体边缘特征提取，并结合边缘损失函数和形态学后处理实现联合分割与量化 | 未明确说明局限性 | 实现腰椎滑脱的自动化精确诊断 | 腰椎CT影像和MRI影像 | 计算机视觉 | 腰椎滑脱 | CT成像 | CNN | 图像 | 379名患者的783张腰椎CT图像及公共SPIDER MRI数据集 | 深度学习框架（未具体说明） | 边界敏感网络（BS-Net） | MIoU, Dice系数, ICC | NA |
| 1274 | 2026-05-01 |
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ProSeg深度学习框架，用于高精度前列腺MRI分割 | 设计ProSeg块，融合各向异性卷积与跨切片注意力机制，分别处理外周带的薄片不规则边界和中央腺体的均匀纹理 | 未提及方法的局限性 | 实现高精度前列腺MRI分割 | 前列腺MRI图像中的外周带和中央腺体 | 计算机视觉 | 前列腺癌 | MRI | 深度学习框架 | 图像 | Promise12和Promise158数据集 | NA | ProSeg块（各向异性卷积、跨切片注意力） | Dice系数 | NA |
| 1275 | 2026-05-01 |
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 | 提出了R3MV三层次决策融合系统，使用渐进式异构多块模型提高皮肤癌分类的可靠性 | 创新地提出了R3MV三层次决策融合系统，结合个体CNN预测、特征融合分类架构和元分类器，通过多数投票增强可靠性，并采用渐进式学习策略提升分类准确率 | 未提及明确局限，但单一模型预测的不可靠性及数据集变异的影响仍需进一步探讨 | 提高皮肤癌分类的准确性和可靠性，解决单一模型预测不可靠的问题 | 皮肤病变图像分类 | 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，具体样本数量未提及 | NA | PHMBCNN, PHMBCNN-GRU | 准确率 | NA |
| 1276 | 2026-03-16 |
Classification of health product defect reports by deep learning
2026-Mar-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43961-3
PMID:41832296
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1277 | 2026-05-01 |
Automated CTA-Derived Collateral Grading and Morphologic Metrics for Enhanced Prediction of Post-Stroke Outcomes
2026-Mar-13, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9289
PMID:41826063
|
研究论文 | 基于CTA的自动侧支分级和形态学指标用于增强卒中后结局预测 | 提出一种全自动的定量侧支指数(qCI)，基于深度学习U-Net分割框架从CTA中提取，并评估其与形态学指标结合用于预测卒中后恢复和功能结局的能力 | 研究为回顾性分析，样本量相对较小(230例)，且来自单一中心，可能限制结果的泛化性 | 开发并验证从CTA中自动推导的定量侧支指数(qCI)，并评估基于CTA的特征预测卒中后恢复和功能结局的能力 | 急性缺血性卒中(AIS)患者 | 计算机视觉 | 脑血管疾病 | CTA | U-Net | 医学影像 | 230例急性缺血性卒中患者 | NA | U-Net | 精度, Pearson相关系数, Cohen's Kappa, AUROC, Brier评分 | NA |
| 1278 | 2026-05-01 |
Design of miniprotein inhibitors targeting complement C9 to block membrane attack complex assembly
2026-Mar-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70667-x
PMID:41813685
|
研究论文 | 利用深度学习设计靶向补体C9的微型蛋白抑制剂以阻断膜攻击复合物形成 | 首次通过深度学习方法从头设计针对补体C9的微型蛋白抑制剂，并用部分扩散优化亲和力至700 pM，在体内溶血抑制中表现优于上市药物依库珠单抗 | 当前补体C9的膜插入机制研究有限，且其宽平极性界面给理性设计带来挑战 | 开发新型微型蛋白抑制剂以阻断膜攻击复合物异常形成，为相关免疫疾病提供治疗策略 | 补体C9蛋白及其膜插入过程 | 机器学习 | 免疫疾病 | 蛋白质从头设计 | 深度学习模型 | 蛋白质结构数据 | NA | NA | NA | 亲和力、结合特异性、体内溶血抑制效果 | NA |
| 1279 | 2026-05-01 |
Artificial intelligence assisted multi-model pathological diagnosis of breast cancer based on multispectral autofluorescence images
2026-Mar-12, NPJ breast cancer
IF:6.5Q1
DOI:10.1038/s41523-026-00915-2
PMID:41820369
|
研究论文 | 提出一种基于多光谱自发荧光成像与优化深度学习框架的无标记虚拟染色技术，用于生成乳腺癌病理诊断级图像 | 通过改进CycleGAN并引入显著性损失和全局特征一致性损失，显著提升多光谱自发荧光成像到H&E虚拟染色的性能，且无需像素级配准；结合临床标本、小鼠模型和类器官共培养的多模态数据库 | 尚未提及在更大规模临床试验中的验证，以及在不同批次或设备间的泛化能力 | 实现快速、无损的乳腺癌病理诊断级图像生成，用于临床诊断和机制研究 | 临床乳腺癌标本、小鼠模型、类器官共培养样本 | 数字病理学 | 乳腺癌 | 多光谱自发荧光成像 | 生成对抗网络 (GAN) | 图像 | 包含临床标本、小鼠模型、类器官共培养样本的多模态数据集 | PyTorch | CycleGAN | 准确率、精确率、召回率、F1-score | NA |
| 1280 | 2026-05-01 |
Development and validation of a transformer-based deep learning model for predicting distant metastasis in non-small cell lung cancer using 18FDG PET/CT images
2026-Feb, Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico
IF:2.8Q2
DOI:10.1007/s12094-025-04014-9
PMID:40779149
|
研究论文 | 开发和验证一种结合CNN和ViT的混合深度学习模型，用于预测非小细胞肺癌患者的远处转移 | 首次将CNN与视觉Transformer（ViT）架构结合应用于18F-FDG PET/CT图像预测非小细胞肺癌远处转移，并证明整合PET和CT特征的模型优于单一模态模型 | 回顾性研究、样本量有限（167例），需要更大规模的前瞻性研究验证 | 开发和验证基于深度学习的模型，利用PET/CT图像预测非小细胞肺癌远处转移 | 167例初诊未治疗的非小细胞肺癌患者的PET/CT图像 | 计算机视觉 | 非小细胞肺癌 | 18F-FDG PET/CT | CNN, ViT | 图像 | 167例患者的PET/CT图像 | NA | ResNet 50, ViT | AUC | NA |