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 1321 - 1340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1321 | 2026-03-16 |
Diagnostic performance of artificial intelligence for facial fracture detection: a systematic review
2026-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00878-3
PMID:41291186
|
系统综述 | 本文系统评估了人工智能模型在CT、CBCT和平片X光上检测面部骨折的诊断性能 | 首次系统综述了AI在面部骨折检测中的诊断性能，涵盖了多种成像模态和AI模型 | 纳入研究主要为回顾性、单中心设计，样本量有限，标注实践不一致，且缺乏外部或前瞻性验证 | 评估人工智能模型在面部骨折检测中的诊断性能 | 用于面部骨折检测的人工智能模型 | 计算机视觉 | 面部骨折 | CT, CBCT, 平片X光 | 目标检测模型, 分类模型, 分割模型, 混合框架 | 图像 | 23项研究（具体样本量未在摘要中明确给出） | NA | YOLOv5, Faster R-CNN, ResNet, Swin Transformer | 敏感性, 特异性, AUC | NA |
| 1322 | 2026-03-16 |
Integrating artificial intelligence (AI) into colorectal cancer reporting
2026-Apr, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.70029
PMID:41588707
|
综述 | 本文综述了人工智能在结直肠癌病理报告标准化及新型预后生物标志物发现中的应用进展 | 提出结合传统病理特征与AI衍生预后指标的协同方法，以优化结直肠癌风险评估 | NA | 探讨人工智能如何提升结直肠癌病理报告的标准化并识别新的预后生物标志物 | 结直肠癌的病理报告和预后生物标志物 | 数字病理学 | 结直肠癌 | 深度学习 | 深度学习模型，视觉语言模型 | 全切片图像 | NA | NA | NA | NA | NA |
| 1323 | 2026-03-16 |
Beyond whole-image learning: anatomically partitioned deep learning models for superior sinonasal disease classification
2026-Mar-15, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12436-4
PMID:41832258
|
研究论文 | 本研究提出了一种基于解剖分区的深度学习模型，用于提升鼻窦疾病的CT诊断准确性 | 通过解剖分区策略替代全图像学习，针对鼻窦解剖异质性设计疾病特异性网络，显著提高了诊断性能 | 研究为回顾性设计，样本量有限（150例手动分割），且仅针对特定解剖区域 | 提升基于CT的鼻窦疾病分类诊断准确性 | 鼻窦CT图像中的13个解剖区域（包括双侧鼻腔、上颌窦、筛窦等） | 数字病理学 | 鼻窦疾病 | CT成像 | 深度学习 | 医学图像（CT） | 2947例CT检查（其中150例用于手动分割） | nnU-Net v2 | nnU-Net | 敏感性, 特异性, AUC, Dice系数 | NA |
| 1324 | 2026-03-16 |
Explainable deep learning for early diagnosis of chronic kidney disease from CT images in Bangladeshi patients
2026-Mar-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42654-1
PMID:41832284
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1325 | 2026-03-16 |
Integrative Approaches in Lung Cancer Diagnosis: Bridging Molecular Biomarkers and AI Driven Imaging
2026-Mar-14, Biomarkers : biochemical indicators of exposure, response, and susceptibility to chemicals
IF:2.0Q4
DOI:10.1080/1354750X.2026.2644329
PMID:41830914
|
综述 | 本文综述了分子生物标志物与人工智能驱动的影像学在肺癌诊断中的整合方法 | 分析了将分子生物标志物（如EGFR、ALK、KRAS等）与人工智能（特别是机器学习和深度学习）驱动的影像学（如低剂量CT扫描的影像组学和模式识别）进行整合的潜力，以实现更快、更精确、更具个性化的肺癌诊断 | 面临数据标准化、模型可解释性、临床验证和伦理问题等诸多挑战 | 探讨肺癌诊断领域如何整合分子生物学和计算技术的最新进展 | 肺癌 | 数字病理学 | 肺癌 | 液体活检、循环肿瘤DNA、下一代测序、多组学方法（基因组学、转录组学、蛋白质组学） | 机器学习, 深度学习 | 图像, 分子数据 | NA | NA | NA | NA | NA |
| 1326 | 2026-03-16 |
Decoding soil properties from surface cracks using Minkowski functionals, junction crack angle distributions, and AI-based image analysis
2026-Mar-14, The European physical journal. E, Soft matter
DOI:10.1140/epje/s10189-026-00567-x
PMID:41830988
|
研究论文 | 本研究通过Minkowski泛函、裂缝交汇角分布和基于AI的图像分析，解码土壤表面裂缝以识别土壤类型和亚型 | 结合形态学描述符（如Minkowski泛函和裂缝交汇角分布）与卷积神经网络，实现对土壤类型的精确分类，准确率达100% | NA | 通过分析干燥裂缝模式，准确识别土壤类型和亚型，应用于农业土壤评估、行星地形研究等领域 | 不同土壤类型及其亚类（如洪水左岸和非洪水右岸的土壤） | 计算机视觉 | NA | 图像分析 | CNN | 图像 | NA | NA | NA | 准确率 | NA |
| 1327 | 2026-03-16 |
Super-resolution deep learning reconstruction enhances visualization of cerebral aneurysms on magnetic resonance angiography
2026-Mar-14, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03965-2
PMID:41831007
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1328 | 2026-03-16 |
A multimodal feature disentanglement model for lymphadenopathy diagnosis based on BUS and CDFI ultrasound videos: a retrospective, prospective, multicenter study
2026-Mar-14, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12409-7
PMID:41831029
|
研究论文 | 本研究开发并验证了一种基于B超和彩色多普勒血流成像视频的多模态深度学习模型，用于淋巴结病变的诊断 | 提出了一种多模态特征解耦模型，整合了B超和彩色多普勒血流成像视频以及患者临床信息，以提高淋巴结病变的诊断准确性 | NA | 开发并验证一个深度学习模型，用于基于多模态超声视频诊断淋巴结病变 | 淋巴结病变患者 | 计算机视觉 | 淋巴结病变 | B超, 彩色多普勒血流成像 | 深度学习模型 | 视频 | 7371名患者，共提取147,420个关键帧 | NA | 多模态特征解耦模型 | AUC, 准确率, 灵敏度, 特异度, 精确度 | NA |
| 1329 | 2026-03-16 |
MyoClass: A modular multimodal auto-classification system for myocardial tissue characterization
2026-Mar-14, The international journal of cardiovascular imaging
DOI:10.1007/s10554-026-03684-y
PMID:41831142
|
研究论文 | 提出了一种名为MyoClass的深度学习框架，用于整合多模态心脏磁共振成像数据和患者元数据，实现心肌组织的自动分类 | 开发了一个模块化的多模态自动分类系统，首次整合了多种CMR序列、左心室形态描述符、T1定量映射和患者元数据，无需手动分割即可实现准确分类 | 研究样本量相对较小（150名患者），需要在更大规模的多中心数据集中进一步验证 | 开发一个自动化系统，用于区分健康心肌、心肌炎和心肌梗死 | 心肌组织 | 数字病理学 | 心血管疾病 | 心脏磁共振成像 | MLP | 图像, 元数据 | 150名患者（每类50名） | NA | 多层感知机 | 准确率 | NA |
| 1330 | 2026-03-16 |
ROBUST-MIPS: A Combined Skeletal Pose and Instance Segmentation Dataset for Laparoscopic Surgical Instruments
2026-Mar-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06938-5
PMID:41832216
|
研究论文 | 本文介绍了ROBUST-MIPS数据集，该数据集结合了手术工具的姿态和实例分割标注，旨在促进手术工具定位的研究 | 提出了结合手术工具姿态和实例分割的标注数据集，并论证了姿态标注在语义信息丰富性和标注效率之间的平衡优势 | NA | 促进手术工具定位研究，通过提供联合标注数据集支持下游任务比较 | 腹腔镜手术工具 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 基于现有ROBUST-MIS数据集衍生 | NA | NA | NA | NA |
| 1331 | 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 |
| 1332 | 2026-03-16 |
Hydrogeochemical assessment and groundwater fluoride prediction in Bathinda district using deep learning
2026-Mar-14, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-026-15160-0
PMID:41832344
|
研究论文 | 本研究利用深度学习技术预测印度旁遮普邦巴廷达地区地下水氟化物污染，并结合水文地球化学评估与空间分析 | 首次在巴廷达地区整合统一空间采样、水文地球化学评估与深度学习预测模型，并采用数据增强技术提升模型鲁棒性 | 研究区域局限于巴廷达地区，样本量相对有限，且模型在未采样区域的泛化能力需进一步验证 | 自动化预测地下水氟化物浓度，评估季节性水化学变化，支持地下水管理与公共健康规划 | 巴廷达地区的地下水样本 | 机器学习 | NA | 水文地球化学分析，GIS空间采样，APHA标准水质检测 | CNN, LSTM, DNN, 混合CNN-LSTM | 水质参数数据，空间地理数据 | 226个地下水样本（雨季前后采集），通过插值生成30000个合成数据点 | NA | 卷积神经网络，长短期记忆网络，深度神经网络，混合CNN-LSTM | 相关系数R | NA |
| 1333 | 2026-03-16 |
Interpretable deep learning radiomics from 18F-FDG PET/CT for differentiating diffuse large B-cell lymphoma and follicular lymphoma
2026-Mar-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02253-y
PMID:41832418
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1334 | 2026-03-15 |
Correction: Development and validation of a multimodal deep learning model for early esophageal squamous neoplasia detection and invasion depth prediction
2026-Mar-13, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2832-9144
PMID:41825460
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1335 | 2026-03-16 |
Characterizing spatiotemporal trends in PM2.5 component exposures across the western United States using daily 1-km estimates from multi-source data and deep learning
2026-Mar-13, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129322
PMID:41831362
|
研究论文 | 本研究开发了一个基于深度森林算法的时空建模框架，用于估算美国西部2002年至2019年每日1公里分辨率的PM2.5组分浓度 | 整合了地面化学组分网络、卫星反演PM质量浓度、CMAQ模拟和多种辅助预测因子，首次生成了美国西部长期、高时空分辨率的PM2.5组分（硫酸盐、硝酸盐、有机碳、元素碳、矿物尘）无间隙浓度数据集 | 未明确提及模型在极端气象条件或复杂地形区域的泛化能力，也未讨论模型对新兴污染源的适应性 | 为空气质量管理和健康风险评估提供可靠、长期的细颗粒物（PM2.5）化学成分数据 | 美国西部地区的PM2.5化学成分（硫酸盐、硝酸盐、有机碳、元素碳、矿物尘） | 环境科学, 机器学习 | NA | 深度森林算法, 多源数据融合（地面监测、卫星遥感、CMAQ模拟） | 深度森林 | 时空序列数据, 多源遥感与模拟数据 | 美国西部2002-2019年每日1公里分辨率网格数据 | NA | 深度森林 | 交叉验证R², 均方根误差（RMSE）, 斜率 | NA |
| 1336 | 2026-03-16 |
A Multicenter Study on Deep Learning Model-Assisted Detection of Brain Metastases in MR Images
2026-Mar-13, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.01.002
PMID:41832083
|
研究论文 | 本研究开发并验证了一个基于深度学习的脑转移检测模型（BMDM），用于在磁共振图像中诊断脑转移，并通过多中心数据评估了其辅助放射科医生提升诊断效率和性能的效果 | 开发了一个专门用于脑转移检测的深度学习模型，并在多中心研究中比较了放射科医生单独、模型单独及模型辅助三种阅读模式，显著提升了小病灶和岛叶病灶的检测灵敏度 | 研究为回顾性设计，可能受到数据选择偏倚的影响；未在更广泛的外部数据集上进行验证 | 开发并验证一个深度学习模型，以辅助放射科医生在磁共振图像中更高效、准确地检测脑转移 | 脑转移患者的磁共振图像 | 计算机视觉 | 脑转移 | 磁共振成像 | 深度学习模型 | 图像 | 训练和测试集包含950名患者，验证集包含423名患者 | NA | NA | AFROC曲线下面积, 灵敏度 | NA |
| 1337 | 2026-03-16 |
Refining prognostication in non-muscle-invasive bladder cancer: From clinical models to artificial intelligence
2026-Mar-13, Urologic oncology
DOI:10.1016/j.urolonc.2026.111047
PMID:41832109
|
综述 | 本文综述了非肌层浸润性膀胱癌预后模型从临床评分系统到人工智能框架的演变 | 总结了整合临床、病理、分子、影像组学及人工智能变量的多模态预后模型，并指出AI方法在预测性能上超越传统风险表 | 现有工具在可重复性、可解释性及临床整合方面仍面临挑战，且缺乏前瞻性临床效用验证 | 优化非肌层浸润性膀胱癌的风险分层，以改进患者监测和治疗决策 | 非肌层浸润性膀胱癌患者 | 数字病理学 | 膀胱癌 | 分子分类器（如12基因PCR评分、UROMOL21）、全切片图像深度学习、MRI影像组学 | 机器学习, 深度学习 | 临床病理数据, 全切片图像, MRI影像 | NA | NA | NA | 区分度, 校准度 | NA |
| 1338 | 2026-03-16 |
Development and Validation of a Deep Learning System for Echocardiographic Assessment of 16-Segment LV Wall Thickness
2026-Mar-13, Ultrasound in medicine & biology
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统，用于自动测量16段左心室壁厚度，通过超声心动图评估左心室肥厚的病理进展 | 首次提出基于深度学习的自动测量16段左心室壁厚度的方法，并在体内和体外数据集中进行验证，减少了传统方法的时间消耗和变异性 | 研究样本量相对有限（197名患者），且未在更广泛或多样化的临床人群中验证，可能影响泛化能力 | 开发并验证一种自动测量16段左心室壁厚度的深度学习系统，以改善左心室肥厚的诊断和治疗评估 | 超声心动图图像，包括正常壁厚度和增厚壁厚度的患者队列 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习算法 | 图像 | 92,984张超声心动图（正常壁厚度队列），26,523张超声心动图（增厚壁厚度数据集），2,238张超声心动图（体外数据集），总计197名患者 | NA | NA | Dice相似系数，Hausdorff距离，平均绝对误差 | NA |
| 1339 | 2026-03-16 |
Deep learning techniques for crop classification in complex agricultural landscapes
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37806-2
PMID:41820421
|
研究论文 | 本文提出了一种结合植被指数和注意力机制的深度学习方法，用于复杂农业景观中的作物分类 | 引入了Tanh激活的自注意力机制，在作物分类中取得了最高准确率（88.89%），优于乘法注意力、软注意力和全局注意力 | NA | 提高复杂农业景观中作物分类的准确性 | 遥感数据中的作物类型 | 计算机视觉 | NA | 遥感技术、植被指数分析 | 深度学习模型 | 时间序列遥感数据、频率信息数据 | NA | NA | 自注意力机制、乘法注意力、软注意力、全局注意力 | 准确率 | NA |
| 1340 | 2026-03-16 |
Enhanced pneumonia prognosis via a hybrid deep learning ensemble: Dense Net, Efficient Net, and VGG16 integration
2026-Mar-12, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究提出了一种集成DenseNet、EfficientNet和VGG16的深度学习框架，用于增强肺炎的预后诊断 | 提出了一种结合深度CNN和InceptionV3的混合特征提取方法，并应用贝叶斯优化与粒子群优化的混合策略进行超参数调优 | NA | 开发一个稳健、临床可行且高度可靠的早期准确肺炎诊断解决方案 | 肺炎 | 计算机视觉 | 肺炎 | 深度学习 | CNN | 图像 | NA | NA | DenseNet, EfficientNet, VGG16, InceptionV3 | 准确率, 灵敏度, 特异性 | NA |