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 50073 篇文献，本页显示第 13841 - 13860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13841 | 2026-03-13 |
A multimodal fusion model for bone tumor benign and malignant diagnosis: development and validation with clinical text and radiographs
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1832
PMID:41815162
|
研究论文 | 本研究开发并验证了一种融合深度学习与Dempster-Shafer证据理论的多模态模型，用于术前区分良性与中间型/恶性骨肿瘤 | 首次将深度学习与Dempster-Shafer证据理论结合，融合临床文本和X射线图像进行骨肿瘤良恶性诊断，相比单模态方法和其他基线融合模型性能更优 | 单中心回顾性研究，样本量有限（319例），需多中心前瞻性研究进一步验证 | 开发并验证一种精确的术前诊断工具，用于区分良性与中间型/恶性骨肿瘤 | 319例经病理确诊的骨肿瘤患者 | 数字病理 | 骨肿瘤 | 深度学习, Dempster-Shafer证据理论 | 多模态融合模型 | 文本, 图像 | 319例患者（含文本数据和X射线图像） | NA | NA | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 13842 | 2026-03-13 |
Narrative review: the research advances of artificial intelligence in the prediction of pulmonary nodule growth
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1580
PMID:41816407
|
综述 | 本文是一篇叙述性综述，总结了人工智能在预测CT图像上肺结节生长方面的研究进展、模型性能比较以及临床转化中的关键挑战与未来方向 | 系统综述了AI在肺结节生长预测中的三类工作流程（基线CT模型、纵向CT模型、基于生长相关替代指标的模型），并强调了可解释AI框架在识别关键特征、提升模型可信度方面的新兴作用 | 现有模型多为回顾性、单中心研究，使用异质性协议和非标准化的生长定义，缺乏外部或前瞻性验证，限制了其普适性；同时面临PACS集成、敏感性与特异性平衡、过度诊断和假性进展等实际挑战 | 总结当前基于人工智能的方法在CT上预测肺结节生长的研究，比较模型性能，并讨论临床转化的关键挑战和未来方向 | 肺结节 | 数字病理 | 肺癌 | 动态计算机断层扫描（CT） | 机器学习（ML）、深度学习（DL） | CT图像 | NA | NA | NA | NA | NA |
| 13843 | 2026-03-13 |
Narrative review of the ethics of artificial intelligence: are we ready for artificial intelligence in surgery?
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1814
PMID:41816458
|
综述 | 本文探讨了人工智能在手术领域应用中的伦理挑战，并评估了手术界在机构和个人层面应对这些问题的准备情况 | 系统性地回顾了人工智能在手术全流程中的应用及其伴随的伦理问题，强调了算法偏见、透明度、知情同意和责任归属等关键挑战 | 基于有限文献（2018-2025年间14项关键研究）的回顾，可能未涵盖所有最新进展或伦理争议 | 评估手术界对人工智能伦理挑战的准备程度，并探讨其应用中的伦理原则 | 人工智能在手术护理中的应用及其伦理影响 | NA | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 13844 | 2026-03-13 |
Transforming lung transplantation with artificial intelligence: a narrative review from organ allocation to post-transplant management
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-aw-2395
PMID:41816476
|
综述 | 本文综述了人工智能在肺移植全流程中的应用现状、技术机制及未来生态系统，涵盖器官分配、手术辅助、并发症预测和个性化用药管理 | 全面评估AI在肺移植从器官分配到术后管理各阶段的应用潜力，并强调构建基于FAIR原则的数据生态系统以推动临床整合 | 数据质量异质性、模型可解释性不足以及临床整合复杂性是阻碍AI广泛应用的主要障碍 | 评估人工智能在肺移植临床路径中的应用现状、技术机制及未来发展方向 | 肺移植的临床流程，包括器官分配、手术过程及术后管理 | 数字病理学 | 肺移植相关疾病 | NA | 机器学习, 深度学习 | 时间序列数据, 图像数据 | NA | NA | NA | NA | NA |
| 13845 | 2026-03-13 |
Balanced deep learning on multi-omics networks identifies molecular subgroups of pathological brain aging
2026-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.18.26346567
PMID:41757211
|
研究论文 | 本研究开发了一种网络引导的多组学整合框架，用于识别病理性脑老化的分子亚群 | 结合数据驱动的分子网络与多组学数据，通过图嵌入、特征平衡和自编码器学习，系统识别出与认知和神经病理学显著相关的五个分子亚群 | 研究基于特定队列（ROS/MAP），样本量相对有限，且未在更广泛的外部数据集中验证 | 识别神经退行性疾病（特别是阿尔茨海默病）的分子亚群，以超越临床诊断，揭示疾病异质性 | 来自宗教秩序研究和拉什记忆与衰老项目（ROS/MAP）的356名参与者的脑转录组、蛋白质组和代谢组数据 | 机器学习 | 阿尔茨海默病 | 转录组学、蛋白质组学、代谢组学、图嵌入 | 自编码器 | 多组学网络数据 | 356名参与者（发现队列），327名参与者（验证队列） | NA | 自编码器 | Spearman相关系数 | NA |
| 13846 | 2026-03-13 |
Coupling Remote Sensing and Artificial Intelligence: Mapping Hydrological Variables with GEE and Predicting Surface-water Extent with Neural Networks
2026-Feb-18, Environmental management
IF:2.7Q3
DOI:10.1007/s00267-026-02404-5
PMID:41706178
|
研究论文 | 本研究开发了一个名为RSAI的可重复计算工作流，结合Google Earth Engine和深度学习模型，用于绘制水文变量时空趋势并预测月度地表水范围 | 首次将Google Earth Engine与深度学习模型耦合，创建了一个可转移的工作流，用于数据有限地区的水文监测和预测 | 研究仅应用于阿尔及尔沿海盆地一个区域，需要更多地区验证其可转移性 | 开发一个可重复的工作流，用于水资源稀缺地区的水文监测和可靠预测 | 阿尔及尔沿海盆地(02 A)2001-2022期间的水文变量 | 机器学习 | NA | 遥感, 时间序列分析 | ANN, DNN, LSTM | 遥感时间序列数据 | 2001-2022期间月度数据 | Google Earth Engine, 未指定深度学习框架 | 人工神经网络, 深度神经网络, 长短期记忆网络 | 相关系数(R), 平均绝对误差(MAE), 均方根误差(RMSE), 传播因子 | 未明确指定，但使用了Google Earth Engine平台 |
| 13847 | 2026-03-13 |
Feasibility of Electroencephalography-Based Detection of Single-Flash Microperimetry Stimuli: A Proof-of-Concept Study
2026-Feb-14, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.09.12.25335536
PMID:41728305
|
研究论文 | 本研究评估了在非理想同步条件下使用脑电图检测微视野检查单次闪光刺激的可行性，并探索了独立于患者反应的脑电图刺激注册方法 | 首次在缺乏硬件级同步和单次试验分析的条件下，利用深度学习模型从脑电图信号中检测单次闪光微视野刺激，证明了其可行性 | 样本量小（仅两名健康参与者），未使用精确同步，且研究重点在于可行性而非泛化性 | 探索脑电图在微视野检查中作为主观功能测试的客观辅助工具的潜力 | 健康参与者的脑电图信号响应微视野检查中的单次闪光刺激 | 机器学习 | NA | 脑电图 | BiLSTM | 脑电图信号 | 2名健康参与者，12次试验 | NA | 双向长短期记忆网络 | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 13848 | 2026-02-08 |
Non-inferiority of automated deep learning-based [18F]FDG PET/CT tumour volume compared to manual GTV for prognostic modelling in head and neck cancer
2026-Feb-06, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-026-01377-0
PMID:41652257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13849 | 2026-02-08 |
Non-contact detection of post-regurgitation deep inhalation in calves using infrared thermography and deep learning-based nostril segmentation
2026-Feb-06, BMC veterinary research
IF:2.3Q1
DOI:10.1186/s12917-026-05340-y
PMID:41652485
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13850 | 2026-02-08 |
The diagnostic value of enhanced CT radiomics and deep learning in differentiating pediatric peripheral neuroblastoma from ganglioneuroblastoma
2026-Feb-06, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15665-4
PMID:41652556
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13851 | 2026-02-20 |
Metadata Resolution Spoofing for Pediatric Application of Adult-Trained Deep Learning Models for Pancreas Segmentation on CT
2026-02, AJR. American journal of roentgenology
DOI:10.2214/AJR.25.33778
PMID:41090642
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13852 | 2026-03-13 |
An Interpretable Chest X-ray Classification Framework Using Prototype Memory and Counterfactual Consistency
2026-Feb, Cureus
DOI:10.7759/cureus.103134
PMID:41815616
|
研究论文 | 本研究提出了一种名为CXR-NeXus的可解释性胸部X光分类框架，该框架通过结合原型记忆和反事实一致性，旨在提升模型在弱监督下基于临床相关肺部证据进行可靠决策的能力 | 提出了一个结合原型记忆与反事实一致性的可解释分类框架，通过“这看起来像那个”的图像级解释和基于Grad-CAM引导的病灶抑制生成反事实X光图像，使模型预测依赖于病理证据，无需像素级病灶标注 | 未明确提及，但可能包括对弱监督的依赖、反事实图像生成的质量限制，以及仅在四类胸部X光数据集上进行验证 | 开发一个可解释且可靠的胸部X光分类框架，使模型预测基于临床相关的肺部证据，减少对虚假图像线索的依赖 | 胸部X光图像 | 计算机视觉 | 肺部疾病（包括COVID-19、肺炎、肺结核） | NA | 深度学习模型 | 图像 | NA | NA | NA | 宏平均F1分数，ROC-AUC，特异性，概率校准 | NA |
| 13853 | 2026-03-13 |
Classifying retinal degeneration using OCT and histological images in a rodent model for retinal degeneration by deep learning
2026-Jan, Experimental eye research
IF:3.0Q1
DOI:10.1016/j.exer.2025.110748
PMID:41241339
|
研究论文 | 本研究首次使用深度学习模型ResNet18，结合光学相干断层扫描（OCT）和组织学图像，对皇家外科医生（RCS）大鼠视网膜变性模型进行分期分类，并从OCT图像预测视力 | 首次在临床前模型中同时利用OCT和组织学图像进行视网膜变性分期分类，并基于OCT图像预测视力，为基于AI的跨物种视网膜变性监测和治疗反应评估提供了新框架 | 研究基于RCS大鼠模型，结果向人类或其他物种的推广性需进一步验证；样本量相对有限，且依赖于特定时间点的数据采集 | 开发一种基于深度学习的准确、客观方法，用于视网膜变性分期分类和视力预测，以促进AI在视网膜疾病监测和治疗评估中的应用 | 皇家外科医生（RCS）大鼠，一种广泛使用的视网膜变性模型，涉及35只不同性别的大鼠，从出生后第21天开始在不同时间点进行测试 | 计算机视觉 | 视网膜变性 | 光学相干断层扫描（OCT），组织学成像 | CNN | 图像 | OCT图像62,070张，组织学图像16,306张，来自35只RCS大鼠 | PyTorch | ResNet18 | 准确率, F1分数, 均方误差, 平均绝对误差 | NA |
| 13854 | 2026-03-13 |
Tumor-conditioned inter-patient registration using planning computed tomography for voxel-based analysis to predict radiation pneumonitis in lung cancer patients
2026-Jan, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.100907
PMID:41631006
|
研究论文 | 本研究评估了一种肿瘤保留的跨患者可变形图像配准方法（TRACER）在基于体素的分析中预测肺癌患者放射性肺炎的效果 | 提出并验证了TRACER方法，该方法在跨患者配准中更好地保留了肿瘤体积并减少了器官剂量影响，从而提高了放射性肺炎的预测准确性 | 研究仅针对局部晚期非小细胞肺癌患者，样本量有限（240例），且依赖于特定数据集进行训练 | 评估肿瘤保留的跨患者可变形图像配准方法是否改善基于体素分析的放射性肺炎预测 | 局部晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 可变形图像配准，基于体素的分析，机器学习 | 深度学习模型 | CT图像 | 训练集268例局部晚期非小细胞肺癌患者，测试集240例同类患者 | NA | Tumor-Aware Recurrent Registration (TRACER), Patient-Specific Context and Shape (PACS), Symmetric Normalization (SyN) | AUC, 特异性 | NA |
| 13855 | 2026-03-13 |
FaXNet: a frequency-adaptive, explainable, and uncertainty-aware network for influenza forecasting
2026, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2026.1746529
PMID:41705058
|
研究论文 | 本文提出了一种名为FaXNet的频率自适应、可解释且不确定性感知的深度学习框架，用于中国北方和南方地区的流感预测 | 该研究创新性地将数据驱动的频谱表示与可解释的组件选择及概率预测相结合，以捕捉多尺度时间动态并提供可靠的预测不确定性估计 | 模型性能可能依赖于监测数据的完整性，且仅考虑了有限的外生协变量（如气象变量），未来可扩展至更多驱动因素（如人口流动或疫苗接种数据）并进行更广泛的外部验证 | 开发一个准确、可解释且能提供不确定性估计的流感预测模型，以支持公共卫生准备和资源规划 | 中国北方和南方地区的每周流感阳性率数据，以及ERA5-Land气象变量（温度、露点、降水） | 机器学习 | 流感 | 深度学习 | 深度学习框架 | 时间序列数据 | 2011年至2023年中国北方和南方地区的每周流感阳性率数据及气象变量 | NA | FaXNet | R2, 校准指标 | NA |
| 13856 | 2026-03-13 |
Ensemble and temporal feature-based framework for rainfall classification in Bangladesh
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0342646
PMID:41805918
|
研究论文 | 本研究提出了一个基于集成和时间特征的机器学习框架，用于孟加拉国的降雨强度分类 | 结合了多种传统机器学习模型和深度学习架构，并采用LIME和SHAP进行模型可解释性分析，以识别关键预测因子及其交互作用 | 未使用SMOTE处理类别不平衡，因为其泛化能力较差；模型准确率最高为77.37%，仍有提升空间 | 开发一个稳健的机器学习框架，用于孟加拉国的降雨强度分类，以支持农业、水资源管理和灾害准备 | 孟加拉国35个气象站收集的543,839条日天气记录，包括降雨、温度、湿度和日照时长 | 机器学习 | NA | NA | Random Forest, Decision Trees, Gradient Boosting, K-Nearest Neighbors, Naïve Bayes, XGBoost, LightGBM, CatBoost, ANN, DNN, 1D-CNN, LSTM, Bi-LSTM | 表格数据（天气记录） | 543,839条日记录 | Scikit-learn, TensorFlow, PyTorch | Random Forest, Decision Trees, Gradient Boosting, K-Nearest Neighbors, Naïve Bayes, XGBoost, LightGBM, CatBoost, ANN, DNN, 1D-CNN, LSTM, Bi-LSTM | 准确率 | NA |
| 13857 | 2026-03-13 |
Development and Clinical Application of a Deep Learning-Based AI Support Model for Endometrial Cancer Cytology
2026, Journal of Nippon Medical School = Nippon Ika Daigaku zasshi
DOI:10.1272/jnms.JNMS.2026_93-115
PMID:41813210
|
研究论文 | 本研究开发并评估了一种基于深度学习的AI支持模型，用于子宫内膜癌细胞学诊断，以提高诊断准确性和效率 | 结合YOLOv5x和YOLOv7模型，通过两种不同标注策略的数据集进行优化，并利用TOST分析和Grad-CAM可视化技术增强模型的可解释性和临床适用性 | 未明确提及模型在多样化临床环境中的泛化能力或长期稳定性验证 | 开发并评估一种AI支持模型，以减轻子宫内膜癌细胞学诊断的负担并提高诊断准确性 | 子宫内膜癌细胞学样本，包括良性和恶性细胞簇 | 计算机视觉 | 子宫内膜癌 | 细胞学分析 | CNN | 图像 | NA | PyTorch | YOLOv5x, YOLOv7 | 平均精度均值 | NA |
| 13858 | 2026-03-13 |
AJUBA: The Master Regulator Bridging EMT and Immune Evasion in Colorectal Cancer
2026, Mediators of inflammation
IF:4.4Q2
DOI:10.1155/mi/7828477
PMID:41814682
|
研究论文 | 本研究识别了AJUBA作为结直肠癌中连接上皮-间质转化与免疫调节的关键调控因子 | 首次将AJUBA确立为连接EMT与免疫逃避的关键调控因子，并揭示了其在肿瘤微环境中与癌症相关成纤维细胞共定位及调控M2巨噬细胞极化的新机制 | 研究主要基于回顾性队列和体外/体内模型，缺乏前瞻性临床验证；样本量相对有限（90例患者） | 阐明结直肠癌中连接上皮-间质转化与免疫微环境改变的分子机制 | 结直肠癌患者样本、细胞系及异种移植模型 | 机器学习, 深度学习 | 结直肠癌 | 转录组测序, 单细胞RNA测序, 空间转录组学, 定量PCR, 蛋白质印迹, 免疫组织化学 | 机器学习, 深度学习 | 转录组数据, 单细胞RNA测序数据, 空间转录组数据, 临床数据 | 多队列转录组数据集（TCGA-CRC等5个公共数据集）及90例CRC患者样本 | ssGSEA, CIBERSORT | NA | 风险比, 置信区间, p值 | NA |
| 13859 | 2026-03-13 |
SERS for Infectious Disease Diagnostics: An Advanced Platform for Pathogen Detection and Antimicrobial Resistance Analysis
2026, International journal of nanomedicine
IF:6.6Q1
DOI:10.2147/IJN.S589169
PMID:41815209
|
综述 | 本文综述了表面增强拉曼光谱（SERS）在病原体检测和抗菌药物耐药性分析中的应用，并探讨了其与纳米技术、微流控和深度学习等多模态创新技术结合的潜力 | 探讨了将SERS与纳米技术、微流控和深度学习等多模态创新技术结合，用于病原体识别和抗菌药物耐药性分析 | 讨论了SERS技术临床转化面临的挑战 | 综述SERS在传染病诊断中的应用，特别是病原体检测和抗菌药物耐药性分析 | 细菌、病毒、真菌等病原体及其抗菌药物耐药性 | NA | 传染病 | 表面增强拉曼光谱（SERS） | NA | 光谱数据 | NA | NA | NA | NA | NA |
| 13860 | 2026-03-13 |
ApaltAI: a web-based diagnostic system with a sequential voting architecture for detecting anthracnose and scab in avocado fruit
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1736123
PMID:41815421
|
研究论文 | 本研究提出了一种基于顺序投票架构的Web诊断系统，用于自动检测鳄梨果实中的炭疽病和疮痂病 | 提出了一种新颖的二元顺序投票架构，结合了深度学习集成模型和功能完整的Web应用，实现了两阶段分层分类策略 | 仅使用了674张标注图像进行训练和验证，样本规模相对有限 | 开发自动化植物病害诊断系统，减少鳄梨生产中的经济损失 | 鳄梨果实 | 计算机视觉 | 植物病害 | 图像分析 | 深度学习集成模型 | 图像 | 674张标注的果实图像 | 未明确提及 | 未明确提及具体架构 | 精确度, 召回率, 准确率 | 未明确提及 |