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 49154 篇文献，本页显示第 13621 - 13640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13621 | 2026-02-25 |
Physics-Informed Deep Learning for Shear Wave Speed Estimation in MR Elastography
2026-Feb-23, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3666306
PMID:41729656
|
研究论文 | 本文提出了一种基于物理信息深度学习的磁共振弹性成像方法，用于从欠采样k空间数据中直接估计剪切波速度 | 首次提出了端到端可训练的MRE重建方法，结合模型驱动的神经网络正则化重建模块和相位梯度反演模块，直接从k空间数据估计SWS | 未明确说明方法在更广泛疾病类型或更大样本量下的泛化能力 | 开发一种数据驱动的正则化方法，用于从欠采样k空间数据中稳健估计剪切波速度 | 脑部磁共振弹性成像数据 | 医学影像分析 | NA | 磁共振弹性成像 | 神经网络 | k空间数据, 图像 | 回顾性高度欠采样的脑部MRE数据及体内数据 | NA | 模型驱动的神经网络正则化重建模块 | 归一化均方根误差 | NA |
| 13622 | 2026-02-25 |
Multimodal Machine Learning and Deep Learning Approaches for Parkinson's Disease Diagnosis: A Comprehensive Survey
2026-Feb-23, Clinical EEG and neuroscience
IF:1.6Q3
DOI:10.1177/15500594251366800
PMID:41729683
|
综述 | 本文全面综述了机器学习和深度学习在帕金森病诊断中的最新进展，重点关注多模态数据融合方法 | 系统性地比较了针对不同数据源（如EEG、语音、MRI）的ML/DL技术，并探讨了可解释AI和多模态分析等未来方向 | 现有研究面临数据集规模有限、模型可解释性不足以及跨医疗环境泛化能力弱等挑战 | 评估ML/DL技术在实现更客观、定量和精准的帕金森病诊断方面的潜力与进展 | 帕金森病患者的多模态数据（EEG信号、语音记录、MRI扫描） | 机器学习, 深度学习 | 帕金森病 | NA | NA | 多模态数据（EEG信号、语音记录、MRI扫描） | NA | NA | NA | NA | NA |
| 13623 | 2026-02-25 |
The AlphaGenome deep learning model predicts effects of non-coding variants
2026-Feb-23, Nature structural & molecular biology
IF:12.5Q1
DOI:10.1038/s41594-026-01763-1
PMID:41731158
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13624 | 2026-02-25 |
From Clinic to Community: An Interpretable Artificial Intelligence Framework for Enamel Caries Detection to Support Public Health Dentistry
2026-Feb-20, European journal of dentistry
DOI:10.1055/s-0046-1816061
PMID:41720475
|
研究论文 | 本研究开发了一个可解释的人工智能框架，用于自动检测牙釉质龋齿，以支持公共卫生牙科 | 提出了一个结合了注意力引导融合机制的可解释深度学习框架，用于多严重程度牙釉质龋齿的自动分类，并应用Grad-CAM提供视觉可解释性 | 未来研究需要关注多中心验证和多模态数据集以提高泛化能力 | 开发一个高效且可解释的深度学习框架，用于自动分类牙釉质龋齿的多个严重程度，确保临床适用性和透明度 | 牙釉质龋齿 | 计算机视觉 | 牙釉质龋齿 | 深度学习 | CNN | 图像 | 2,000张临床牙科图像，通过预处理和增强扩展到12,000张 | TensorFlow, PyTorch | Modified EfficientNetB0, Modified MobileNetV2 | 准确率, 精确率, 灵敏度, 特异度, F1分数, ROC AUC | NA |
| 13625 | 2026-02-25 |
Deep learning enhanced MRI radiomics in predicting pathological response of head and neck squamous carcinoma to neoadjuvant chemoimmunotherapy: a retrospective analysis
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003710
PMID:41147765
|
研究论文 | 本研究利用深度学习增强的MRI影像组学预测头颈部鳞状细胞癌对新辅助化疗免疫治疗的病理反应 | 将深度学习特征与传统影像组学及临床病理特征结合，提高了预测模型在新辅助化疗免疫治疗反应中的性能 | 研究为回顾性分析，样本量有限，且仅基于单一中心的MRI数据 | 预测头颈部鳞状细胞癌患者对新辅助化疗免疫治疗的病理完全反应 | 经组织学确认的头颈部鳞状细胞癌患者，接受化疗联合PD-1抑制剂新辅助治疗 | 数字病理学 | 头颈部鳞状细胞癌 | 磁共振成像 | 深度学习, 逻辑回归 | 图像, 临床数据 | 训练、测试和外部验证队列的患者，具体数量未明确说明 | NA | NA | 曲线下面积 | NA |
| 13626 | 2026-02-25 |
Vision-language foundation model-driven efficient recognition and home-based management of surgical incisions
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003727
PMID:41186521
|
研究论文 | 本研究开发并评估了一种基于视觉-语言基础模型的新型手术切口识别方法，旨在提高切口识别准确性并优化家庭管理 | 首次将视觉-语言基础模型（GLIP）应用于手术切口识别，实现了对七类切口异常的自动高效识别，显著优于传统深度学习和非专业人员 | 研究样本主要来自两个中心，外部验证队列样本量相对较小（183张图像），可能影响模型的泛化能力 | 开发高效的手术切口识别系统，以支持患者家庭护理和康复 | 手术切口图像，来自术后患者 | 计算机视觉 | 手术切口相关并发症 | 图像处理，视觉-语言基础模型 | 目标检测模型 | 图像 | 总计1443张手术切口图像（来自1194名患者），包括1008张主要队列图像、252张时间验证队列图像和183张外部验证队列图像 | NA | Grounded Language-Image Pre-training (GLIP) | 平均精度（AP），平均召回率（AR），F1分数，受试者工作特征曲线下面积（AUC） | NA |
| 13627 | 2025-11-05 |
Commentary on "Multimodal deep learning to predict postoperative major adverse cardiac and cerebrovascular events after non-cardiac surgery"
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003813
PMID:41186523
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13628 | 2025-11-11 |
Letter to the Editor: "Multichannel deep learning for MPR prediction in lung cancer: navigating translational pitfalls between algorithmic excellence and clinical deployment"
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003962
PMID:41208798
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13629 | 2026-02-25 |
A transformer-based deep learning model for preoperative prediction of lymphovascular invasion in laryngeal squamous cell carcinoma: a multicenter study
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004012
PMID:41231622
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型，用于术前预测喉鳞状细胞癌的淋巴血管侵犯，并通过多中心数据验证了其性能 | 首次将Transformer架构与放射组学特征结合，构建混合模型用于喉鳞状细胞癌的淋巴血管侵犯预测，并在多中心数据中展示了优越的诊断性能 | 回顾性研究设计可能存在选择偏倚，且样本量虽大但来自特定医院，外部泛化性需进一步验证 | 探索基于增强CT的放射组学模型在术前无创预测喉鳞状细胞癌淋巴血管侵犯中的潜在价值 | 喉鳞状细胞癌患者 | 数字病理 | 喉鳞状细胞癌 | 对比增强计算机断层扫描 | Transformer, 逻辑回归, 随机森林, 多层感知机 | CT图像 | 1024名患者（训练集291例，内部验证集126例，外部测试集607例） | NA | Transformer | AUC, 决策曲线分析, 样本概率分布直方图, 混淆矩阵, 校准曲线, 净重分类指数, 综合判别改善 | NA |
| 13630 | 2026-02-25 |
Mapping the application landscape of artificial intelligence in prostate cancer: a global bibliometric analysis
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003828
PMID:41231645
|
文献计量分析 | 本研究通过文献计量分析，系统性地描绘了人工智能在前列腺癌研究领域的全球应用格局和发展趋势 | 首次采用逐年演进的视角，结合共现分析、共被引分析等方法，动态展示了AI在前列腺癌领域的研究轨迹和范式转变 | 数据来源仅限于Web of Science核心合集，可能未涵盖所有相关文献；分析主要基于定量指标，缺乏对研究质量的深度评估 | 系统梳理和可视化人工智能在前列腺癌研究领域的应用现状、发展趋势及学术合作网络 | 2014年至2024年间Web of Science核心合集中收录的2581篇与人工智能和前列腺癌相关的学术出版物 | 数字病理学 | 前列腺癌 | 文献计量分析 | NA | 文献元数据 | 2581篇出版物 | CiteSpace | NA | NA | NA |
| 13631 | 2026-02-25 |
From pixels to practice: extending deep learning frameworks toward clinical translation in surgery (correspondence)
2026-Feb-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003642
PMID:41085664
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13632 | 2026-02-25 |
Seizure detection using ultra-long-term subcutaneous electroencephalography: A deep learning CNN-BiLSTM approach
2026-Jan, Epilepsia
IF:6.6Q1
DOI:10.1111/epi.18652
PMID:41056137
|
研究论文 | 本研究开发并验证了一种用于双通道皮下脑电图记录的深度学习癫痫发作检测算法 | 采用CNN-BiLSTM混合算法处理超长期皮下脑电图数据，实现了高灵敏度与低误报率的癫痫自动检测 | 研究样本量较小（16名患者），且数据来自三个中心可能存在异质性 | 开发适用于超长期皮下脑电图监测的自动癫痫发作检测算法 | 癫痫患者的皮下脑电图记录 | 机器学习 | 癫痫 | 皮下脑电图记录 | CNN, BiLSTM | 脑电图信号 | 16名患者的皮下脑电图数据，中位记录时间63天 | NA | CNN-BiLSTM混合架构（九层网络） | AUROC, AUPRC, 灵敏度, 每日误报次数 | NA |
| 13633 | 2026-02-25 |
Quantitative analysis of studies that use artificial intelligence on spinal diseases: A bibliometric analysis
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261415846
PMID:41732181
|
综述 | 本文通过文献计量学分析评估了人工智能在脊柱疾病领域的研究进展与未来方向 | 首次对2006年至2025年间人工智能在脊柱疾病领域的文献进行全面计量分析，识别出研究热点和合作网络 | 分析基于Web of Science数据库，可能未涵盖所有相关文献；且主要依赖定量分析，缺乏对研究质量的深度评估 | 评估人工智能在脊柱疾病领域的研究现状、热点及未来发展方向 | 734篇关于脊柱疾病与人工智能的学术论文 | 机器学习 | 脊柱疾病 | 文献计量分析 | NA | 文献元数据 | 734篇论文 | CiteSpace, VOSviewer, Bibliometrix Online Analysis Platform | NA | NA | NA |
| 13634 | 2026-02-25 |
Artificial intelligence-powered copilots for precision diagnosis and surgical assessment of histological growth patterns in resectable colorectal liver metastases: a prospective study
2025-Nov-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002922
PMID:40638258
|
研究论文 | 本研究开发了一种名为COFFEE的基于Transformer的深度学习模型，用于利用结直肠癌肝转移患者的全切片图像精确分类组织病理学生长模式，旨在辅助病理诊断和手术评估 | 开发了首个基于Transformer和TransMIL框架的AI模型COFFEE，用于结直肠癌肝转移中组织病理学生长模式的精确分类，并展示了其在辅助病理医生提高诊断准确性和效率方面的潜力 | 研究样本量相对有限，前瞻性队列仅包含30名患者，且模型在更广泛人群和不同医疗中心中的泛化能力有待进一步验证 | 开发人工智能辅助工具，以提高结直肠癌肝转移中组织病理学生长模式的诊断精度和手术评估效率 | 被诊断为结直肠癌肝转移的患者及其全切片图像 | 数字病理学 | 结直肠癌 | 全切片图像分析 | Transformer, 深度学习 | 图像 | 431名患者（训练集297名，测试集104名，前瞻性队列30名），涉及来自TCGA-COAD队列的1442张WSI和验证集的972张WSI | PyTorch | Vision Transformer, TransMIL | AUC, 准确率 | NA |
| 13635 | 2026-02-25 |
Learning the syntax of plant assemblages
2025-Oct, Nature plants
IF:15.8Q1
DOI:10.1038/s41477-025-02105-7
PMID:41083838
|
研究论文 | 提出一种受大语言模型启发的方法，通过学习植物群落中物种丰度排序序列的“句法”来预测物种组成和栖息地类型 | 首次将大语言模型的序列建模思想应用于植物群落生态学，通过捕捉物种间的潜在关联来提升预测性能 | 研究范围目前局限于欧洲及邻近地区的植物物种，未明确说明模型在极端环境或高度干扰生态系统中的泛化能力 | 开发一种能够准确预测植物群落物种组成和栖息地类型的方法，以支持生物多样性保护与生态恢复 | 欧洲及邻近地区的植物群落物种组成数据 | 自然语言处理 | NA | 物种丰度序列建模 | 神经网络 | 物种序列数据 | 覆盖超过10,000种植物物种 | NA | 基于大语言模型架构的序列模型 | 准确率 | NA |
| 13636 | 2026-02-25 |
Automated Cavity Detection and Classification Using Deep Learning
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11252946
PMID:41336045
|
研究论文 | 本研究提出了一种基于深度学习的多尺度AI辅助方法，用于牙科X光片中的龋齿检测与分类 | 引入了基于Ultralytics YOLO11框架的多尺度方法，比较了图像级别和牙齿级别的分类与检测策略，强调了牙齿级别分析在提升检测精度方面的优势 | 在全图像定位方面存在挑战，未来需要改进分割技术、扩展临床数据集并在不同成像条件下验证性能 | 开发一种自动化的龋齿检测与分类系统，以辅助早期诊断和治疗规划 | 牙科X光片 | 计算机视觉 | 龋齿 | 深度学习 | YOLO | 图像 | NA | Ultralytics YOLO11 | YOLO11 | 准确率, mAP@50, 召回率 | NA |
| 13637 | 2026-02-25 |
U-Grad: A Grad-CAM-Guided Reduced U-Net for Efficient Lung Cancer Segmentation
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253530
PMID:41336182
|
研究论文 | 本文提出了一种名为U-Grad的新型模型，用于从2D CT切片中分割肺结节，该模型通过整合Grad-CAM生成的注意力热图来增强结节表示 | 提出了一种结合Grad-CAM生成热图与简化U-Net的混合架构，通过注意力机制增强模型对肺结节的表征能力，并提高了模型的可解释性 | 模型在测试集上的性能略低于简化U-Net（DC 91.27% vs 93.15%），且研究仅使用单一数据集进行验证 | 开发一种高效且可解释的深度学习模型，用于医学CT图像中的肺结节自动分割 | 肺结节（来自CT扫描图像） | 数字病理学 | 肺癌 | CT扫描 | CNN | 图像 | 使用NSCLC Radiogenomics数据集进行训练和测试 | 未明确提及 | Reduced U-Net, U-Grad（Grad-CAM引导的简化U-Net） | Dice系数, 交并比 | 未明确提及 |
| 13638 | 2026-02-25 |
CAUSAL MODELING OF FMRI TIME-SERIES FOR INTERPRETABLE AUTISM SPECTRUM DISORDER CLASSIFICATION
2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi60581.2025.10980933
PMID:41728049
|
研究论文 | 本文提出了一种基于因果关系的深度学习模型，用于利用fMRI时间序列数据进行自闭症谱系障碍的分类，并解释脑区间的因果关系 | 引入了一种受因果关系启发的深度学习模型，能够捕捉脑区间的非线性相互作用，而传统的基于相关性的模型无法做到这一点 | 研究使用了经过筛选的ABIDE数据集（平均FD小于15mm），可能限制了样本的多样性和泛化能力 | 开发一种准确且可解释的自闭症谱系障碍分类方法，以促进早期诊断和治疗 | 自闭症谱系障碍患者和对照组人群的fMRI时间序列数据 | 机器学习 | 自闭症谱系障碍 | 功能磁共振成像 | 深度学习模型 | 时间序列数据 | ABIDE数据集中经过筛选的图像（平均FD小于15mm），具体数量未明确说明 | NA | 因果关系启发的深度学习模型 | 分类准确率, AUC | NA |
| 13639 | 2026-02-25 |
Sparse-View CT Joint Reconstruction Strategy with Sparse Sampling Encoding Layer
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 本文提出了一种基于稀疏采样编码层的稀疏视图CT联合重建策略，旨在自动搜索高效的稀疏采样方案并提高重建质量 | 开发了一个采样编码层用于自动搜索稀疏采样方案，并将其集成到基于投影数据的稀疏重建神经网络模型中，同时提出了基于Radon域和图像域绘制的联合重建策略 | NA | 开发一种端到端的稀疏角度CT重建方法，以在剂量约束下自动搜索高效的稀疏采样方案 | 稀疏角度CT重建 | 计算机视觉 | NA | CT扫描 | 深度学习 | 图像 | 基于公共CT数据集 | NA | NA | NA | NA |
| 13640 | 2026-02-25 |
RETRACTED: Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0319773
PMID:40179109
|
研究论文 | 本研究提出了一种基于深度学习的风险管理模型，采用XGBoost-CNN-BiLSTM框架来提升风险事件的预测与检测能力 | 结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，构建了一个综合性的风险预测模型 | 未在摘要中明确提及 | 提升企业风险管理的预测与检测能力，确保企业可持续稳定发展 | 企业风险事件 | 机器学习 | NA | 深度学习 | XGBoost, CNN, BiLSTM | 结构化数据、时间序列数据 | 多个数据集，包括S&P 500历史数据集 | NA | XGBoost-CNN-BiLSTM | 准确率, 召回率, F1分数, AUC | NA |