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 44218 篇文献，本页显示第 121 - 140 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 121 | 2026-05-19 |
Latent diffusion-based image reconstruction for near-infrared spectral tomography
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.583183
PMID:42145687
|
研究论文 | 提出一种基于潜在扩散模型的图像重建算法（Diff-NIRST），用于解决近红外光谱断层成像中病态噪声敏感问题 | 首次将条件潜在扩散模型用于NIRST图像重建，结合图像自编码模块和条件信号编码器，提升重建质量与鲁棒性 | 仅基于仿真数据和一例临床病例验证，缺乏大规模临床测试 | 开发稳定抗噪的近红外光谱断层成像重建方法 | 近红外光谱成像中的含氧血红蛋白和水浓度图像重建 | 计算机视觉 | 乳腺癌 | 近红外光谱断层成像 | 潜在扩散模型 | 图像 | 100个仿真体模（含4-14mm病灶）、1例乳腺癌患者数据 | PyTorch | 潜在扩散模型 | 峰值信噪比, 对比度误差, 尺寸误差 | NA |
| 122 | 2026-05-19 |
Depth-resolved phase velocity estimation in layered tissue based on an efficient additive attention network with surface acoustic wave - optical coherence elastography
2026-May-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.593027
PMID:42145698
|
研究论文 | 提出一种结合光学相干弹性成像与高效加性注意力网络的深度分辨相位速度估计方法，用于分层组织力学特性分析 | 首次将深度学习反演网络与复数信号谱分析相结合，实现无需频域转换的深度分辨相位速度估计，并采用加性注意力机制提升效率 | 在人体皮肤实验中误差标准差较大（0.114 m/s），算法对噪声和复杂组织结构的鲁棒性需进一步验证 | 开发一种高效、准确的深度分辨相位速度估计方法，以改进光学相干弹性成像在组织病变检测中的应用 | 均质琼脂体模、分层琼脂体模、人体皮肤组织 | 计算机视觉， 机器学习 | NA | 光学相干弹性成像， 表面声波 | 加性注意力网络 | 复数信号图像 | 琼脂体模与人体皮肤组织样本（具体数量未说明） | PyTorch | 加性注意力网络 | 平均绝对误差 | NA |
| 123 | 2026-05-19 |
Which Method Best Predicts Postoperative Complications: Deep Learning, Machine Learning, or Conventional Logistic Regression?
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70145
PMID:42146812
|
review | 比较逻辑回归、机器学习和深度学习在胃肠外科手术后并发症预测中的表现 | 系统比较了传统逻辑回归、机器学习和深度学习在术后并发症预测中的优劣，特别强调了深度学习中图像和时间序列数据的优势及其在表格数据上的不足 | 深度学习模型的“黑箱”性质限制了其可解释性，且在表格临床数据集（如NCD）上表现不如某些机器学习方法 | 评估不同预测模型（逻辑回归、机器学习、深度学习）在胃肠外科手术后并发症预测中的有效性 | 胃肠外科手术后并发症预测模型 | machine learning | 术后并发症 | NA | 逻辑回归，机器学习（随机森林、梯度提升），深度学习 | 表格数据，图像数据，时间序列数据 | NA | NA | NA | 预测准确性 | NA |
| 124 | 2026-05-19 |
Further Detail Concerning the Deep Learning Model for Mortality After Total Gastrectomy
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70155
PMID:42146815
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 125 | 2026-05-19 |
Response to 'Further Detail Concerning the Deep Learning Model for Mortality After Total Gastrectomy'
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70199
PMID:42146826
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 126 | 2026-05-19 |
Educational Impact of Artificial Intelligence-Navigation Surgery on Anatomical Landmark Recognition in Medical Students
2026-May, Annals of gastroenterological surgery
IF:2.9Q2
DOI:10.1002/ags3.70149
PMID:42146836
|
研究论文 | 评估人工智能导航手术在腹腔镜胆囊切除术中对医学生解剖标志识别能力的教育影响 | 首次将基于深度学习的实时AI导航系统应用于医学生手术教育，并定量评估其对解剖标志识别的学习效果 | AI学习组在理解外科医生视角和意图方面与自我学习组无显著差异 | 评估AI导航手术在提高医学生解剖标志识别能力方面的教育潜力，以减轻教师负担 | 30名五年级医学生，分为外科医生指导组、自我学习组和AI学习组 | 计算机视觉 | NA | NA | 深度学习分割模型 | 图像 | 30名医学生 | PyTorch | HyperSeg | Dice系数 | NA |
| 127 | 2026-05-19 |
Automated assessment of right ventricular systolic function from coronary angiograms with video-based artificial intelligence algorithms: development, validation, comparison against humans, and prospective deployment
2026-May, European heart journal. Digital health
DOI:10.1093/ehjdh/ztag059
PMID:42146868
|
research paper | 开发并验证了DeepRV，一种从常规冠脉造影视频中预测右心室收缩功能的深度学习模型，并在前瞻性部署中评估其性能 | 首次从常规冠脉造影视频中自动评估右心室收缩功能，并实现实时推理与开放权重可用性 | NA | 开发并验证基于视频的深度学习模型DeepRV，用于从常规冠脉造影中自动评估右心室收缩功能 | 来自蒙特利尔心脏研究所和加州大学旧金山分校的冠脉造影研究，以及STEMI患者的前瞻性数据 | computer vision | cardiovascular disease | 冠脉造影 | 视频深度学习神经网络 | 视频 | 8053项冠脉造影研究来自6923名患者，外部验证2247项研究，前瞻性部署82例STEMI病例 | NA | DeepRV | AUROC, sensitivity, specificity, negative predictive value, accuracy | NA |
| 128 | 2026-05-19 |
Impact of Pollution on Mental Health: A Systematic Review of Associations, Methodological Challenges, and Future Directions
2026-May, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.72514
PMID:42147472
|
综述 | 系统综述环境污染对心理健康的影响，包括方法学挑战和未来方向 | 探讨人工智能在改善未来研究精度和效率中的潜在应用，并强调数据基础设施改进的前提作用 | 当前研究数据在时间范围和地理覆盖上的局限，以及大多数心理健康数据集的质量有限 | 评估各类污染（空气、噪声、化学污染物）对心理健康的影响，并识别研究中的方法学挑战 | 不同人群的心理健康结果 | 机器学习 | 心理健康疾病 | NA | NA | 文本 | 61项高质量研究 | NA | 时空模型、注意力机制、深度学习 | NA | NA |
| 129 | 2026-05-19 |
Ensemble deep learning model based on CT scans: differentiating and subtype-classifying pancreatic inflammations and tumors, and predicting pancreatic lesion invasiveness
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-aw-2192
PMID:42147868
|
research paper | 开发基于CT图像的集成深度学习模型，用于区分和亚型分类胰腺炎症与肿瘤，并预测胰腺病变的侵袭性 | 整合DeepLabV3、nnUNet-MS和自适应金字塔移位窗口Swin-Transformer三种模块的集成深度学习模型，实现胰腺分割、病变分割和诊断的一体化流程，并在多中心大规模数据上验证 | 未提及具体限制，但可能受限于数据多样性、模型泛化性及预测侵袭性仅针对胰腺导管腺癌 | 基于CT图像准确区分和亚型分类胰腺炎症与肿瘤，以及术前预测病变侵袭性，辅助临床决策与预后评估 | 胰腺疾病患者，包括胰腺炎和胰腺肿瘤 | computer vision, digital pathology | pancreatic diseases, pancreatic cancer | CT imaging | deep learning ensemble model | CT image | 6740名患者的胰腺CT图像 | PyTorch | DeepLabV3, nnUNet-MS, Adaptive Pyramidal Shifted Window-Swin-Transformer | Dice coefficient, Intersection over Union (IoU), sensitivity, accuracy | NA |
| 130 | 2026-05-19 |
Deep learning-based independent lymph node segmentation in esophageal cancer: a precise and efficient approach for radiotherapy planning
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-2067
PMID:42147890
|
研究论文 | 基于深度学习的食管癌淋巴结自动分割模型，用于提高放疗计划制定效率和准确性 | 首次采用nnU-Net模型对食管癌多个淋巴结临床靶区（101-109站）进行独立分割，并通过临床评分验证其实际可用性 | 仅使用单中心回顾性数据，未包含淋巴结转移病例，可能影响模型在真实临床场景中的泛化能力 | 开发和验证基于深度学习的食管癌淋巴结自动分割方法以支持放疗靶区勾画 | 食管癌患者的淋巴结临床靶区（包括101、104、105、106、107、108和109站） | 计算机视觉 | 食管癌 | 增强CT扫描 | nnU-Net | 医学图像（CT） | 364例患者，共计1131个淋巴结靶区 | PyTorch | nnU-Net | Dice相似系数（DSC）、95%豪斯多夫距离（95HD） | NA |
| 131 | 2026-05-19 |
Multi-scale generative adversarial network: three-dimensional reconstruction of the scoliotic spine from biplanar X-rays
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-aw-2176
PMID:42147904
|
研究论文 | 提出一种多尺度生成对抗网络，从双平面X光片中三维重建脊柱侧弯的脊柱结构 | 引入残差密集编码器保留椎体细节、自适应跨视角融合模块整合正交投影、多尺度融合判别器确保结构一致性 | 研究未评估模型在其他脊柱畸形或非脊柱侧弯患者上的泛化能力，另外对真实临床数据性能略有下降但仍保持在5%以内 | 开发一种低辐射、高精度的深度学习框架，从正交X光片实现脊柱三维重建 | 青少年特发性脊柱侧弯（AIS）患者和正常脊柱个体 | 计算机视觉 | 青少年特发性脊柱侧弯 | 双平面X光成像 | 生成对抗网络 | 图像 | 1,087例正常脊柱（CTSpine1K）和138例AIS病例（Cobb角15°-85°），以及38例真实双平面X光病例 | PyTorch | 多尺度生成对抗网络（残差密集编码器、自适应跨视角融合模块、多尺度融合判别器） | 均方误差、峰值信噪比、结构相似性指数、Dice系数、矢状垂直轴、腰椎前凸角、胸椎后凸角 | NA |
| 132 | 2026-05-19 |
Multimodal combined model integrating 2.5D deep learning and habitat radiomics for malignancy discrimination in ≤2 cm BI-RADS 4 breast lesions
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1-2812
PMID:42147917
|
研究论文 | 开发并外部验证一个多模态融合模型，整合临床超声、生境影像组学和2.5D深度学习，以改善≤2cm BI-RADS 4类乳腺病变的恶性鉴别 | 首次将2.5D深度学习与生境影像组学结合，构建ABVS和SE双模态融合模型，显著提升≤2cm BI-RADS 4病变的恶性判别性能，并进行了严格的外部验证 | 回顾性设计、样本量有限、仅纳入双中心数据、未评估模型对患者管理及活检率的实际影响 | 改善≤2cm BI-RADS 4类乳腺病变的恶性鉴别，减少不必要活检 | ≤2cm BI-RADS 4类乳腺病变 | 医学影像分析 | 乳腺癌 | 自动乳腺容积扫描(ABVS)、应变弹性成像(SE) | 深度学习(2.5D和2D)模型、影像组学-生境模型 | 超声图像 | 686名女性（训练集368例，内部验证集158例，外部测试集160例） | NA | 2.5D深度学习模型、2D深度学习模型 | AUC、校准曲线、Brier分数、决策曲线分析 | NA |
| 133 | 2026-05-19 |
Evaluation of optimal ClearInfinity artificial intelligence deep learning reconstruction algorithm weights with a 70-kVp tube voltage combined with "dual-low" abdominal computed tomography angiography
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1-2589
PMID:42147944
|
研究论文 | 评估70-kVp管电压结合“双低”腹部CT血管成像中ClearInfinity人工智能深度学习重建算法权重的最优设置 | 首次系统评估不同ClearInfinity深度学习重建权重在70-kVp低管电压和低对比剂剂量条件下的腹部CTA图像质量，发现90%权重可实现显著辐射剂量降低并保持诊断性血管图像质量 | 未提及具体局限性 | 评估70-kVp腹部CTA协议结合ClearInfinity深度学习重建算法在不同权重水平下的图像质量和辐射剂量 | 100名接受腹部CTA检查的患者，分为A组（70-kVp低剂量组）和B组（常规100-kVp标准剂量组） | 医学影像 | 腹部血管疾病 | CT血管成像，深度学习重建算法（ClearInfinity） | 深度学习重建算法 | CT图像 | 100名患者 | NA | ClearInfinity（深度学习重建模型） | CT衰减值，图像噪声（SD），信噪比（SNR），对比噪声比（CNR），主观图像质量评分，辐射剂量参数（CTDIvol、DLP、ED） | NA |
| 134 | 2026-05-19 |
A fusion model of deep learning and conventional features based on computed tomography angiography of carotid plaque for predicting the risk of acute ischemic stroke
2026-May-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1-2688
PMID:42147943
|
研究论文 | 开发并验证了一种融合临床风险因素、影像特征与Swin Transformer深度学习特征的颈动脉斑块CTA融合模型，用于预测急性缺血性卒中风险 | 首次将Swin Transformer提取的颈动脉斑块CTA影像特征与常规临床及影像特征融合，构建多模态预测模型，显著优于传统方法，并利用SHAP和Grad-CAM增强模型可解释性 | 回顾性研究设计、样本量有限（264例）、单一中心数据，可能限制模型的泛化能力 | 开发并验证一个集成临床风险因素、影像特征与Swin Transformer深度学习特征的融合模型，用于预测同侧急性缺血性卒中风险 | 颈动脉粥样硬化患者的颈动脉斑块计算机断层扫描血管造影（CTA）图像、临床风险因素及影像特征 | 计算机视觉, 数字病理学 | 急性缺血性卒中, 颈动脉粥样硬化 | 计算机断层扫描血管造影（CTA）, 磁共振成像（MRI） | 深度学习模型（DenseNet121, Swin Transformer） | 图像（CTA）, 临床数据（风险因素）, 影像特征 | 264例颈动脉粥样硬化患者，分为训练集（184例）和测试集（80例） | PyTorch | DenseNet121, Swin Transformer | AUC, 决策曲线分析（DCA）, 校准曲线, SHAP, Grad-CAM | NA |
| 135 | 2026-05-19 |
Artificial Intelligence in Botulinum Toxin Injections: A Mini-Review of Current Applications, Challenges, and Translational Perspectives
2026-May, Cureus
DOI:10.7759/cureus.108898
PMID:42148194
|
综述 | 本文综述了人工智能在肉毒毒素注射中的应用现状、挑战及转化前景 | 首次系统总结AI在肉毒毒素注射全流程中的应用，包括聊天机器人辅助规划、深度学习面部表情分析、基于MRI的肌张力障碍反应预测、多模态机器学习等技术，并提出临床应用框架 | 证据仍为初步且异质性高，存在样本量小、回顾性设计、外部验证有限等局限 | 总结人工智能在肉毒毒素注射中的应用现状，支持临床决策并提供转化方向的建议 | 肉毒毒素注射治疗中的AI应用案例 | 机器学习 | 神经系统疾病 | NA | 深度学习, 多模态机器学习 | 图像, 文本 | NA | NA | NA | NA | NA |
| 136 | 2026-05-19 |
Current trends and future directions of artificial intelligence in lung cancer diagnosis
2026-Apr-30, Chinese journal of cancer research = Chung-kuo yen cheng yen chiu
|
综述 | 综述人工智能在肺癌诊断中的应用现状与未来方向 | 全面回顾了AI在肺癌早期诊断中的多个应用领域，涵盖医学影像、组织病理学、液体活检、电子健康记录的自然语言处理及基因组分析，并总结了多模态AI平台和FDA批准的计算机辅助诊断系统等前沿进展 | 数据异质性、模型可解释性、隐私保护等挑战阻碍临床转化，且综述主要基于现有文献，未涉及最新未公开研究 | 评估AI在肺癌诊断中的应用潜力及其临床转化价值 | 肺癌诊断中的AI应用，包括机器学习、深度学习和基于Transformer的模型 | 机器学习 | 肺癌 | NA | 机器学习、深度学习、Transformer模型 | 医学影像、组织病理学图像、液体活检数据、电子健康记录文本、基因组谱 | NA | NA | Transformer | NA | NA |
| 137 | 2026-05-19 |
A Deep Learning-Based Scoring Framework for Large-Scale Multi-Donor Cardiotoxicity Screening
2026-Apr-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.22.720197
PMID:42079066
|
研究论文 | 提出一个无监督深度学习框架，利用高通量钙瞬变记录进行多供体心脏毒性筛选 | 利用自动编码器仅基于基线信号训练，通过重建误差量化化学诱导的功能扰动，无需标记训练数据即可捕捉钙处理中断的全谱，并整合多供体数据评估群体水平心脏毒性风险 | 未明确说明局限性 | 构建可扩展、人相关且遗传多样化的平台，用于药物和化学物质的心脏毒性监测与优先排序 | 人诱导多能干细胞来源的心肌细胞（hiPSC-CM）及其钙瞬变记录 | 机器学习 | 心脏毒性相关的疾病（泛指心血管毒性） | hiPSC-CM钙瞬变记录（高通量成像技术） | 自动编码器（Autoencoder） | 钙瞬变信号（时间序列数据） | 五个供体的hiPSC-CM，测试了1029种化合物的浓度响应 | NA | 自动编码器 | 重建误差 | NA |
| 138 | 2026-05-19 |
Turep: Detecting cross-cancer tumor-reactive T cells in single-cell and spatial transcriptomics data
2026-Apr-24, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.21.719961
PMID:42079298
|
研究论文 | 提出Turep，一种利用深度学习方法从单细胞和空间转录组数据中跨癌种检测肿瘤反应性T细胞的工具 | 整合七种人类恶性肿瘤的单细胞RNA和T细胞受体测序数据，识别泛癌肿瘤反应性基因特征，并采用生成式数据增强技术解决数据不平衡问题 | 未在论文标题和摘要中明确提及局限性 | 开发一种稳健的跨癌种预测肿瘤反应性T细胞的方法，以改进免疫治疗预测 | 肿瘤浸润淋巴细胞中的肿瘤反应性T细胞和非反应性旁观细胞 | 机器学习 | 癌症 | 单细胞RNA测序，T细胞受体测序，空间转录组学 | 深度学习模型 | 单细胞转录组数据，空间转录组数据 | 来自七种人类恶性肿瘤的数据 | NA | NA | 受试者工作特征曲线下面积 | NA |
| 139 | 2026-05-19 |
CT-Based Deep Foundation Model for Predicting Immune Checkpoint Inhibitor-Induced Pneumonitis Risk in Lung Cancer
2026-Apr-23, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.04.21.26351428
PMID:42078359
|
研究论文 | 开发并验证了CIPHER深度学习基础模型，利用基线CT扫描预测肺癌患者免疫检查点抑制剂相关肺炎风险 | 将对比学习与基于Transformer的掩码自编码器结合，通过自监督学习在大量非小细胞肺癌CT数据上预训练，实现从基线CT预测免疫治疗肺炎风险，并优于传统影像组学模型 | 未提及外部验证的样本量较小（仅116例），且需前瞻性验证以确认临床实用性 | 开发一种深度学习模型，在免疫治疗前从基线CT扫描中早期识别高ICIP风险患者，以加强监测和及时干预 | 非小细胞肺癌患者的基线CT图像 | 计算机视觉 | 肺癌 | CT扫描 | 深度学习基础模型（结合对比学习与Transformer掩码自编码器） | 图像 | 预训练：2500例NSCLC患者的590284张CT切片；内部开发：254例患者；内部验证：93例患者；外部验证：116例患者 | PyTorch | Transformer掩码自编码器 | AUC, 平衡准确率, 灵敏度, 特异性 | NA |
| 140 | 2026-05-19 |
Temporally-resolved deep learning reveals autism symptom-specific neural signatures during naturalistic social experiences
2026-Apr-22, Research square
DOI:10.21203/rs.3.rs-9023571/v1
PMID:42078896
|
研究论文 | 开发了一种可解释的双流深度学习网络DualPathNet，用于识别自闭症在自然社交体验中的症状特异性神经信号 | 首次利用可解释AI在自然观影过程中同时捕捉稳定的特质模式和瞬态事件特异性神经反应，揭示了自闭症的动态上下文依赖性神经脆弱性而非静态损伤 | NA | 开发客观的自闭症神经生物学标记物，捕捉动态社会认知处理差异 | 555名儿童（274名自闭症患者，281名对照） | 机器学习 | 自闭症 | NA | 深度学习 | 影像 | 555名儿童（274名ASD，281名对照组） | NA | DualPathNet | 准确率 | NA |