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 13901 - 13920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 13901 | 2026-03-13 |
Deep learning enabled miniature mass spectrometer for rapid qualitative and quantitative analysis of pesticides on vegetable surfaces
2023-Oct, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association
IF:3.9Q1
DOI:10.1016/j.fct.2023.114000
PMID:37648105
|
研究论文 | 本研究开发了一种基于微型质谱仪的深度学习算法，用于蔬菜表面农药残留的快速现场定性和定量分析 | 结合微型质谱仪与一维卷积神经网络深度学习算法，实现农药残留的自主判别和现场快速检测 | NA | 开发一种快速现场筛查蔬菜表面农药残留的方法，以应对食品安全威胁 | 蔬菜表面的农药残留 | 机器学习和数字病理学 | 食品安全相关疾病 | 质谱分析（全扫描MS和串联MS） | CNN | 质谱数据 | NA | NA | 一维卷积神经网络 | 定性识别准确率 | NA |
| 13902 | 2026-03-13 |
Quantitative assessment of adaptive radiotherapy for prostate cancer using deep learning: Bladder dose as a decision criterion
2023-Oct, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16710
PMID:37696263
|
研究论文 | 本研究利用深度学习技术，通过合成伪CT图像并评估剂量学影响，为前列腺癌自适应放疗提供了一种基于膀胱剂量的定量决策标准 | 首次结合CycleGAN合成高质量伪CT与U-Net自动勾画膀胱，实现基于实时膀胱解剖结构的剂量计算，为自适应放疗决策提供客观、自动化的定量标准 | 研究样本量较小（74例患者），且仅针对前列腺癌放疗中的膀胱剂量进行评估，未考虑其他器官或肿瘤靶区的变化 | 开发一种自动化的定量标准，以确定在前列腺癌分次放疗中是否需要立即进行自适应放疗 | 前列腺癌患者 | 数字病理 | 前列腺癌 | 锥形束CT, 自适应放疗 | CycleGAN, U-net | CT图像, CBCT图像 | 74例患者（60例用于训练，14例用于评估） | NA | CycleGAN, U-Net | 平均绝对误差, gamma通过率, Dice系数 | NA |
| 13903 | 2026-03-13 |
MAE-Based Self-Supervised Pretraining Algorithm for Heart Rate Estimation of Radar Signals
2023-Sep-13, Sensors (Basel, Switzerland)
DOI:10.3390/s23187869
PMID:37765926
|
研究论文 | 本文提出了一种基于掩码自编码器和视觉变换器网络的雷达信号心率估计算法，旨在提高非接触式心率监测的准确性和效率 | 创新性地结合了掩码自编码器进行自监督预训练和视觉变换器进行迁移学习，有效降低了心率数据采集成本并解决了呼吸谐波干扰问题 | 未明确提及算法的计算复杂度或在实际医疗场景中的泛化能力限制 | 提高基于毫米波雷达的非接触式心率估计的准确性和减少观测时间 | 雷达信号中的相位信号用于心率估计 | 机器学习 | 心血管疾病 | 毫米波雷达信号处理 | MAE, ViT | 信号 | NA | NA | 掩码自编码器, 视觉变换器 | 准确性 | NA |
| 13904 | 2026-03-13 |
MET Exon 14 Skipping: A Case Study for the Detection of Genetic Variants in Cancer Driver Genes by Deep Learning
2021-Apr-19, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms22084217
PMID:33921709
|
研究论文 | 本研究利用深度学习技术检测非小细胞肺癌中MET外显子14跳跃事件，并探索未表征的MET异构体 | 开发了专门针对MET外显子14跳跃检测的神经网络和稀疏连接自编码器，首次将深度学习应用于该特定癌症驱动基因变异的识别 | 假阳性病例中存在外显子14覆盖模糊的情况，且样本主要来源于TCGA数据库，可能限制了模型的泛化能力 | 检测癌症驱动基因中的遗传变异，特别是MET外显子14跳跃事件，以辅助肿瘤进展和治疗研究 | 非小细胞肺癌（NSCLC）中的MET基因转录本 | 机器学习 | 肺癌 | RNA-seq | CNN, 自编码器 | RNAseq数据 | 690个手动整理的TCGA支气管和肺样本用于测试，2605个TCGA样本用于全局应用 | NA | 神经网络（NN/CNN），稀疏连接自编码器 | 检测率（大于94%） | NA |
| 13905 | 2026-03-13 |
Faster motion correction of clinical contrast-enhanced ultrasound imaging using deep learning
2020-Sep, IEEE International Ultrasonics Symposium : [proceedings]. IEEE International Ultrasonics Symposium
DOI:10.1109/ius46767.2020.9251602
PMID:41809844
|
研究论文 | 本研究利用深度学习模型加速临床对比增强超声（CEUS）图像的运动校正，以提高肝细胞癌（HCC）患者肿瘤血管网络测量的准确性 | 首次将深度学习应用于CEUS图像的运动校正，显著减少了计算时间和内存需求，相比传统方法，预测时间从3.65秒降低到0.20秒 | 研究样本量较小（仅36名患者），且仅针对肝细胞癌（HCC）患者，可能限制了模型的泛化能力 | 减少临床CEUS图像运动校正所需的时间和内存，提高肿瘤血管网络测量的准确性 | 肝细胞癌（HCC）患者的B模式超声（US）图像 | 计算机视觉 | 肝细胞癌 | 对比增强超声（CEUS）成像 | 编码器-解码器网络 | 图像 | 36名患者，每名患者200个训练数据样本 | NA | 编码器-解码器网络 | 归一化相关系数（CC） | NA |
| 13906 | 2026-03-13 |
Deciphering epigenomic code for cell differentiation using deep learning
2019-Sep-12, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-019-6072-8
PMID:31510916
|
研究论文 | 本文利用深度卷积神经网络（CNN）模型，通过分析人类CD4+ T细胞类型和组蛋白标记，揭示了细胞分化过程中不同细胞类型独特表观基因组形成的序列决定因素 | 首次采用针对不同细胞类型和组蛋白标记的深度CNN模型，通过比较分析学习到的序列基序，揭示了细胞分化中表观基因组形成的序列决定因素及其与转录因子相互作用的机制 | 研究仅针对人类CD4+ T细胞类型和六种组蛋白标记，未扩展到其他细胞类型或更广泛的表观遗传标记 | 探究细胞分化过程中不同细胞类型独特表观基因组形成的DNA序列决定因素 | 人类CD4+ T细胞类型及其组蛋白修饰模式 | 机器学习 | NA | 组蛋白标记测量 | CNN | 序列数据 | 四种人类CD4+ T细胞类型，每种细胞类型测量六种组蛋白标记 | NA | 深度卷积神经网络 | NA | NA |
| 13907 | 2026-03-13 |
Cytokit: a single-cell analysis toolkit for high dimensional fluorescent microscopy imaging
2019-Sep-02, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-019-3055-3
PMID:31477013
|
研究论文 | 本文介绍并验证了Cytokit，一个用于处理高维荧光显微镜成像数据的端到端GPU加速单细胞分析工具包 | 开发了首个集成了GPU加速图像处理、高效I/O策略和交互式用户界面的工具包，专门针对大规模多路免疫荧光成像数据 | 工具主要面向生物信息学家或技术用户，在批处理和高通量设置中使用，可能对非技术用户不够友好 | 提供和验证用于处理高维荧光显微镜成像数据的软件，以促进疾病进展和诊断的理解 | 单细胞分析，特别是基于多路原位荧光成像的空间、形态和表达特性 | 数字病理学 | NA | 多路免疫荧光成像 | 深度学习模型 | 图像 | 涉及多个成像实验，使用公开可用的多路图像数据集进行验证 | NA | NA | 通过与独立但可比较的检测方法配对结果进行验证，并复现已发表结果 | GPU加速环境，支持单GPU或多GPU配置 |
| 13908 | 2026-03-13 |
Data augmentation-assisted deep learning of hand-drawn partially colored sketches for visual search
2017, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0183838
PMID:28859140
|
研究论文 | 本文提出了一种基于用户手绘部分着色草图的视觉搜索机制，通过数据增强辅助的深度学习方法来提升草图检索性能 | 利用增强数据集微调深度卷积神经网络，以处理手绘草图的模糊性，并评估部分着色对检索性能的影响 | 未明确说明数据增强的具体限制或模型在处理极端模糊草图时的潜在不足 | 开发一种基于手绘部分着色草图的图像检索系统，以改善视觉信息访问 | 手绘部分着色草图及自然图像数据库 | 计算机视觉 | NA | 数据增强、深度学习 | CNN | 图像 | 两个大型数据集（具体数量未说明） | NA | 深度卷积神经网络（具体架构未指定） | 分类性能、检索性能 | NA |
| 13909 | 2026-03-11 |
Deep learning-based multi-view echocardiographic framework for comprehensive diagnosis of pericardial disease
2026-Apr, European heart journal. Digital health
DOI:10.1093/ehjdh/ztag028
PMID:41799660
|
研究论文 | 本研究开发了一种基于深度学习的多视图超声心动图框架，用于心包疾病的全面诊断 | 首次提出基于深度学习的经胸超声心动图模型，整合形态学与支持性功能评估，实现更广泛的心包疾病评估 | 在次优成像条件下解释结果时需要谨慎 | 开发一个深度学习框架，用于心包疾病的顺序评估，包括形态学特征和血流动力学意义 | 心包疾病患者 | 数字病理学 | 心血管疾病 | 经胸超声心动图 | 深度学习 | 图像, 视频 | 开发数据集包含来自多个韩国机构的2253例经胸超声心动图（内部测试225例），独立外部测试集包含274例经胸超声心动图 | NA | NA | 准确率, 受试者工作特征曲线下面积, 灵敏度 | NA |
| 13910 | 2026-03-11 |
Association between electrocardiographic age and cognitive function: findings from the UK biobank and Framingham Heart Study
2026-Apr, European heart journal. Digital health
DOI:10.1093/ehjdh/ztag034
PMID:41799659
|
研究论文 | 本研究利用深度学习从心电图推导生物年龄，并在两个大型人群队列中探讨其与认知功能的关联 | 首次在两个独立的大型人群队列（UK Biobank和Framingham Heart Study）中，系统评估了基于深度学习的ECG推导生物年龄加速与多领域认知表现之间的关联 | 研究为观察性设计，无法确定因果关系；认知功能评估可能受其他未测量因素影响 | 探究心电图推导的生物年龄加速与认知功能之间的关系 | UK Biobank和Framingham Heart Study的参与者 | 机器学习 | 老年疾病 | 12导联心电图 | 深度学习模型 | 心电图波形 | UK Biobank 59,213名参与者（平均年龄64.7岁，51.7%女性），Framingham Heart Study 6,534名参与者（平均年龄59.5岁，55.7%女性） | NA | NA | 平均绝对误差（MAE） | NA |
| 13911 | 2026-03-11 |
Simultaneous multimodal detection of hand acupoints and reflex zones for acupuncture robots
2026-Mar-20, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.114938
PMID:41797935
|
研究论文 | 本文提出了一种用于智能针灸机器人的多模态多任务深度学习框架MIMO-HAR，能够同时定位手部穴位并分割反射区 | 首次将视觉Transformer与中医拓扑先验知识相结合，用于同时处理穴位定位和反射区分割任务，提高了准确性和可解释性 | NA | 提升智能针灸系统的感知能力，为标准化和自动化的中医治疗奠定基础 | 手部穴位和反射区 | 计算机视觉 | NA | 深度学习 | Transformer | 图像, 坐标数据 | 公共数据集11k Hands | NA | 视觉Transformer, 双解码器架构 | 平均交并比, 均方根误差 | NA |
| 13912 | 2026-03-11 |
LRF-UNet: Low-Rank Factorized Convolution Deep-Learning Networks for Visceral Adipose and Muscle Tissue Segmentation in Abdominal Computed Tomography Image
2026-Mar-09, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01813-y
PMID:41801305
|
研究论文 | 本研究提出了一种基于UNet的深度学习分割系统LRF-UNet，用于自动分割腹部CT图像中的内脏脂肪组织和骨骼肌组织 | 引入了低秩因子化卷积模块以增强碎片化或模糊组织边界的特征表示，并结合多尺度特征融合、梯度收敛和深度监督策略提升分割性能 | 研究样本仅包含179名患者，且未明确提及模型在其他疾病或更大数据集上的泛化能力 | 开发一种自动分割腹部CT图像中内脏脂肪和骨骼肌组织的深度学习系统，以辅助临床定量分析和疾病评估 | 腹部CT图像中的内脏脂肪组织和骨骼肌组织 | 计算机视觉 | 代谢性疾病 | CT成像 | CNN | 图像 | 179名患者的腹部CT图像，包括64例糖尿病患者和113例血糖正常者 | 未明确提及 | UNet, MobileNetV3 | Dice系数, IoU, HD95 | 未明确提及 |
| 13913 | 2026-03-11 |
EENet-RLA: An Explainable Prediction Learning Framework for Alzheimer's Disease Classification from EEG Signals
2026-Mar-09, Brain topography
IF:2.3Q3
DOI:10.1007/s10548-026-01183-w
PMID:41801479
|
研究论文 | 提出一种名为EENet-RLA的可解释预测学习框架，用于从脑电图信号中分类阿尔茨海默病 | 结合动态系统理论与深度学习，引入基于嵌入熵的因果稳定性驱动脑电图通道选择策略，并融合ResNet、LSTM和多头注意力机制提取时空特征 | 在有限样本条件下验证，可能受数据集规模限制，且方法主要针对类似信号特性的神经系统疾病 | 开发一种高可解释性的脑电图分类框架，用于阿尔茨海默病的诊断 | 阿尔茨海默病患者及相关的脑电图信号 | 机器学习 | 阿尔茨海默病 | 脑电图 | CNN, LSTM | 脑电图信号 | BrainLat脑电图数据集（具体样本数未明确说明） | NA | ResNet, LSTM | 准确率 | NA |
| 13914 | 2026-03-11 |
Accurate CT-free correction of attenuation, scatter, and aperture effects using deep learning in dedicated cardiac pinhole SPECT
2026-Mar-09, Annals of nuclear medicine
IF:2.5Q2
DOI:10.1007/s12149-026-02187-z
PMID:41801662
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 13915 | 2026-03-11 |
Explainable Deep Learning for Cyber Threat in IoMT: A Synchronization-Enhanced Sparse Autoencoder Approach
2026-Mar-09, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3671680
PMID:41801774
|
研究论文 | 本文提出了一种用于医疗物联网网络透明化网络威胁检测的新型可解释深度学习框架 | 提出了一种集成稀疏自编码器与神经同步机制的可解释深度学习框架，通过神经元级局部激活一致性约束和基于同步的功能模块构建，实现高检测精度与可解释决策过程 | 未提及具体局限性 | 开发用于医疗物联网网络的可解释网络威胁检测机制 | 医疗物联网网络中的网络威胁 | 机器学习 | NA | 深度学习 | 稀疏自编码器 | 网络安全数据集 | CIC IoMT 2024和物联网医疗安全数据集 | NA | 稀疏自编码器 | 准确率, 可解释性分数 | NA |
| 13916 | 2026-03-11 |
Usability of a deep learning platform for detecting radiographic bone loss and furcation involvement
2026-Mar-09, Journal of periodontology
IF:4.2Q1
DOI:10.1002/jper.70106
PMID:41801972
|
研究论文 | 本研究开发了一个基于深度学习的在线平台，用于从根尖周X光片中检测放射学骨丧失和分叉病变，并评估其可用性 | 开发了一个端到端的深度学习平台，能够测量放射学骨丧失、识别分叉病变，并基于根尖周X光片提供病例级别的牙周诊断建议 | 研究未详细说明深度学习模型的具体架构或训练细节，且样本量（100个临床病例）可能有限，需要进一步验证 | 开发并评估一个基于深度学习的在线平台，以辅助临床医生基于根尖周X光片进行牙周炎诊断 | 牙科学生、住院医师和牙医作为平台可用性的评估者 | 数字病理学 | 牙周病 | 放射学成像（根尖周X光片） | 深度学习模型 | 图像 | 6,552张口腔内放射学图像，用于开发模型；100个临床病例用于平台性能评估；60名参与者（20名牙科学生、20名住院医师、20名牙医）用于可用性调查 | NA | NA | 准确度（Extent、Stage、Grade）、系统可用性量表（SUS）分数 | NA |
| 13917 | 2026-03-11 |
Analytical Methods for the Authentication of Ginger and Ginger Products: A Critical Review of Studies Between 2005 and 2024
2026-Mar-09, Critical reviews in analytical chemistry
IF:4.2Q1
DOI:10.1080/10408347.2026.2634884
PMID:41802302
|
综述 | 本文对2005年至2024年间关于姜及其产品真伪鉴定的分析研究进行了批判性回顾 | 强调了单一分析方法不足以进行全面鉴定，需要综合、多分析策略，并指出了新兴技术（如高光谱成像、荧光寿命成像和深度学习驱动的计算机视觉）在非侵入性质量评估中的潜力 | DNA方法由于高遗传保守性，在品种区分方面仍有限制 | 评估姜及其产品的真伪鉴定方法，以应对经济驱动的掺假问题 | 姜及其衍生产品 | NA | NA | 光谱技术（FTIR, FT-NIR, NMR）、色谱方法（HPLC, GC-MS）、稳定同位素比率分析、DNA方法、高光谱成像、荧光寿命成像、深度学习驱动的计算机视觉 | NA | NA | NA | NA | NA | NA | NA |
| 13918 | 2026-03-11 |
Diagnostic Accuracy of Deep Learning for Automated Detection of Spinal Degenerative Disease on MRI: A Systematic Review and Meta-Analysis
2026-Mar-09, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01897-0
PMID:41803519
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估了深度学习模型在脊柱磁共振成像上自动检测或分类脊柱退行性疾病的诊断准确性 | 首次对深度学习在脊柱MRI上自动检测脊柱退行性疾病的诊断准确性进行系统综述和荟萃分析，并探讨了临床相关异质性 | 纳入研究存在偏倚风险，主要为回顾性单中心设计，参考标准主观，外部验证有限，临床准备度受限 | 评估深度学习模型在脊柱MRI上自动检测脊柱退行性疾病的诊断准确性并探索临床异质性 | 脊柱退行性疾病 | 医学影像分析 | 脊柱退行性疾病 | 磁共振成像 | 深度学习模型 | 磁共振图像 | 14项研究（2020-2025年），样本量范围29至2991 | NA | NA | 敏感性, 特异性, 阳性似然比, 阴性似然比 | NA |
| 13919 | 2026-03-11 |
Ultrafast deep learning super-resolution single-shot T2-weighted imaging for robust edema visualization in cardiovascular magnetic resonance
2026-Mar-07, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102708
PMID:41802637
|
研究论文 | 本研究比较了深度学习超分辨率重建的屏气与自由呼吸单次激发黑血T2加权短时反转恢复成像与标准屏气T2-STIR在心血管磁共振中的诊断质量 | 应用深度学习超分辨率重建技术实现超快速T2-STIR采集，在保持水肿检测准确性的同时显著缩短扫描时间并提升图像质量 | 研究样本量相对较小（81名参与者），且为单中心前瞻性研究，可能需要多中心验证以推广结果 | 评估深度学习超分辨率重建单次激发T2加权成像在心血管磁共振中用于水肿可视化的诊断性能 | 心血管疾病患者的心肌水肿 | 数字病理 | 心血管疾病 | 心血管磁共振成像，T2加权短时反转恢复序列 | 深度学习 | 医学图像 | 81名参与者（平均年龄54±20岁，50名男性） | NA | NA | 水肿检测一致性，扫描时间，伪影负担，图像对比度和锐度，诊断确定性，水肿可见性，评分者间一致性（Kappa系数） | NA |
| 13920 | 2026-03-11 |
Neural network assessment of aortic, iliac, renal, and mesenteric artery calcification in CTA: Normalized scoring framework and comparison to threshold-based method
2026-Mar, Acta radiologica open
IF:0.9Q4
DOI:10.1177/20584601261431608
PMID:41800183
|
研究论文 | 本文开发并评估了一种基于深度学习的腹部动脉钙化量化方法，使用CTA数据进行自动、客观的钙化评分 | 提出了一种基于nnU-Net的深度学习框架，用于腹部动脉钙化的自动量化，并引入了标准化的钙化评分框架，与基于阈值的方法进行了比较 | 研究为回顾性设计，样本量相对有限（223个CTA体积），且依赖于手动标注的ground truth，可能引入标注偏差 | 开发并评估一种深度学习方法来量化对比增强CT血管造影中的腹部动脉钙化，以提高临床实践中的可重复性和减少观察者依赖性 | 腹部动脉（主动脉、髂动脉、肾动脉和肠系膜动脉）的钙化 | 数字病理学 | 心血管疾病 | 对比增强CT血管造影（CTA） | CNN | 图像（CTA体积） | 223个CTA体积（147个训练，76个测试） | nnU-Net | nnU-Net | Dice分数, 体积相似性, 敏感性, 精确度, Jaccard指数 | NA |