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 42805 篇文献，本页显示第 1361 - 1380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1361 | 2026-03-16 |
A transformer and 3D CNN-based feature fusion network with interpretable ability for Raman spectra analysis: improving the diagnosis of thyroid cancer
2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127623
PMID:41762798
|
研究论文 | 本文提出了一种结合Transformer和3D CNN的多模态深度学习框架，用于拉曼光谱分析，以提升甲状腺癌的诊断准确性 | 首次在基于拉曼光谱的甲状腺癌检测中，提出了一种协同整合一维光谱和二维时空特征的多模态深度学习框架，通过多头交叉注意力机制自适应融合特征，并增强了模型的可解释性 | 二维表示转换可能存在信息损失，其程度取决于所采用的编码策略 | 提高甲状腺良恶性病变的准确鉴别诊断 | 甲状腺病变组织 | 机器学习 | 甲状腺癌 | 拉曼光谱 | Transformer, 3D-CNN | 光谱数据 | NA | NA | Transformer, 3D-CNN | 准确率 | NA |
| 1362 | 2026-03-16 |
Deep learning assisted cell electrical signal analysis in impedance cytometry
2026-Jun, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2026.116093
PMID:41763285
|
研究论文 | 本研究开发了基于一维CNN的BioFluxNet算法，用于阻抗细胞术中的原始电信号分析，以直接分类细胞类型并量化细胞计数 | BioFluxNet算法通过深度学习自动化分析原始电信号，消除了传统信号处理中耗时的步骤，减少了人工干预和操作者主观性 | NA | 开发一种快速、自动化的深度学习框架，用于阻抗细胞术中的电信号分析，以分类细胞类型并计数 | 颗粒和细胞（包括血液细胞和肿瘤细胞）的原始信号流 | 机器学习 | 肿瘤 | 阻抗细胞术 | CNN | 电信号 | NA | NA | 一维CNN | NA | NA |
| 1363 | 2026-03-16 |
Flow rate determination in a two-phase system using radioactive particle tracking and deep learning
2026-May, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine
IF:1.6Q3
DOI:10.1016/j.apradiso.2026.112520
PMID:41723967
|
研究论文 | 本研究提出了一种结合放射性粒子追踪技术和深度学习的方法，用于预测两相系统中的流体体积分数并计算表观速度，以实现非侵入式的流量测定 | 提出了一种基于放射性粒子追踪和深度学习的非侵入式流量测定方法，避免了传统流量计需要直接接触流体和定期维护的问题 | 研究基于模拟数据（MCNP6蒙特卡洛模拟），未在真实工业环境中进行验证；仅针对分层盐水-油流态进行了测试 | 开发一种非侵入式方法，用于准确测定石油工业中两相管道系统的流量 | 两相系统（盐水-油）中的流体流动 | 机器学习 | NA | 放射性粒子追踪技术，蒙特卡洛模拟（MCNP6） | 深度神经网络 | 模拟辐射信号数据 | NA | NA | NA | 平均绝对百分比误差（MAPE） | NA |
| 1364 | 2026-03-16 |
CXCL9 as a key feature for deep learning-based immune subtyping and prediction of immune checkpoint blockade response in triple-negative breast cancer
2026-Apr-15, International immunopharmacology
IF:4.8Q1
DOI:10.1016/j.intimp.2026.116439
PMID:41759266
|
研究论文 | 本研究通过整合多组学数据，利用深度学习驱动的无监督聚类方法识别三阴性乳腺癌的免疫亚型，并发现CXCL9作为关键生物标志物与免疫检查点阻断反应正相关，受IDO1调控 | 开发了一种基于深度学习的无监督聚类方法（AE-K-means）对三阴性乳腺癌进行免疫亚型分类，并首次将CXCL9识别为与免疫检查点阻断反应相关的关键特征，揭示了IDO1可能通过调控CXCL9影响肿瘤微环境 | 研究主要基于公共数据集（GEO、TCGA、GTEx），样本可能缺乏多样性；体外实验初步验证了调控机制，但需进一步体内实验确认；深度学习模型的泛化能力有待更多独立队列验证 | 开发一种新的免疫分类系统，以更准确地预测三阴性乳腺癌患者对免疫检查点阻断疗法的反应，并探索相关的生物标志物和调控机制 | 三阴性乳腺癌患者的多组学数据（包括基因表达、单细胞测序数据）以及体外培养的巨噬细胞 | 机器学习 | 乳腺癌 | 多组学数据整合、单细胞RNA测序（scRNA-seq）、qRT-PCR、Western blotting、免疫荧光、ELISA | 深度学习无监督聚类（AE-K-means）、随机森林（RF）、其他机器学习算法 | 基因表达数据、单细胞测序数据、实验数据 | 来自GEO、TCGA和GTEx数据集的多个三阴性乳腺癌样本，具体数量未明确说明，但涉及训练、测试和验证集 | 未明确指定，但可能涉及TensorFlow或PyTorch（用于深度学习聚类）及Scikit-learn（用于机器学习算法） | 自编码器（AE）与K-means结合的聚类架构，其他模型包括NMF、ConsensusClusterPlus、VAE-GMM | 轮廓系数（Silhouette Coefficient）、戴维斯-布尔丁指数（Davies-Bouldin Index）、AUC（曲线下面积） | 未明确说明，但可能使用GPU进行深度学习模型训练 |
| 1365 | 2026-03-16 |
Automated differentiation of caries requiring filling and caries necessitating root canal treatment using machine learning
2026-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00874-7
PMID:41175174
|
研究论文 | 本研究提出了一种基于深度学习的创新推荐系统，用于自动区分需要填充和需要根管治疗的龋齿类型，并推荐相应治疗方案 | 引入了一种新颖的推荐系统，结合多种分割方法（YOLOv8、U-Net、Detectron-2）自动检测龋齿类型并推荐治疗方案，是该领域的重大贡献 | 研究仅基于1253张咬翼片图像，样本量相对有限，且未提及模型在更广泛临床环境中的泛化能力 | 开发一个辅助牙医诊断龋齿类型（需填充或需根管治疗）并推荐治疗方案的深度学习系统 | 第一磨牙的龋齿类型（无龋、单一类型龋齿、多种类型龋齿） | 计算机视觉 | 龋齿 | 深度学习图像分割 | CNN | 图像 | 1253张咬翼片图像（经过数据增强） | PyTorch | YOLOv8, U-Net, Detectron-2 | 像素标签准确率, 治疗推荐成功率 | NA |
| 1366 | 2026-03-16 |
Applications and clinical translation of artificial intelligence in CBCT-based detection of endodontic lesions: a scoping review
2026-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00876-5
PMID:41188594
|
综述 | 本文是关于人工智能在CBCT影像中检测根尖周病变应用与临床转化的范围综述 | 系统梳理了AI（特别是深度学习）在CBCT影像中自动检测、分类和分割根尖周病变的最新应用进展，并评估了其临床转化潜力 | 大多数研究为回顾性，使用小型或同质数据集，缺乏外部验证或标准金标准比较（如组织学相关性） | 评估人工智能在基于CBCT的根尖周病变检测中的应用现状、诊断性能及临床转化前景 | 根尖周病变 | 数字病理 | 牙科疾病 | CBCT成像 | CNN | 图像 | NA | NA | U-Net, DenseNet, PALNet | 灵敏度, AUC | NA |
| 1367 | 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 |
| 1368 | 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 |
| 1369 | 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 |
| 1370 | 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 |
| 1371 | 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 |
| 1372 | 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 |
| 1373 | 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 |
| 1374 | 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 |
| 1375 | 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 |
| 1376 | 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 |
| 1377 | 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 |
| 1378 | 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 |
| 1379 | 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 |
| 1380 | 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 |