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 43930 篇文献，本页显示第 1421 - 1440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1421 | 2026-04-18 |
Deep-learning-based breast cancer stage prediction from H&E-stained whole-slide images in resource-constrained settings
2026-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2026.100644
PMID:41993946
|
研究论文 | 本研究提出了一种资源感知的深度学习流程，用于从低分辨率H&E染色全切片图像中预测乳腺癌病理TNM分期 | 在资源受限环境下，使用2.5倍放大倍数（远低于常规的20-40倍）的WSI进行pTNM分期预测，并验证了其可行性 | 使用2.5倍放大倍数可能限制了获取精细细胞线索的能力 | 开发一种计算效率高、适用于资源受限环境的乳腺癌分期预测方法 | 乳腺癌患者的H&E染色全切片图像 | 数字病理学 | 乳腺癌 | H&E染色 | Vision Transformer, 注意力机制, 多实例学习 | 图像 | Semmelweis队列：214名患者的247张WSI；Nightingale数据集：574名患者的9489张WSI；TCGA-BRCA：678名患者的731张WSI | NA | UNI基础模型, ResNet-50, 基于注意力的多实例学习聚合器 | AUC | 资源受限环境 |
| 1422 | 2026-04-18 |
AI in Mental Health: Transforming Diagnosis and Management of Depression and Anxiety
2026-Apr, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.72316
PMID:41994616
|
综述 | 本文综述了人工智能在改善抑郁症和焦虑症诊断与管理方面的应用与潜力 | 聚焦于亚洲人群，系统探讨了AI在精神健康领域，特别是通过聊天机器人和可穿戴设备进行早期检测和个性化护理的创新应用 | 存在隐私、算法偏见以及检测自杀意念能力有限等伦理问题，且在老年人群中的接受度面临挑战 | 探讨人工智能如何提升精神健康障碍（尤其是抑郁症和焦虑症）的诊断精度和管理效率 | 针对抑郁症和焦虑症患者，特别是亚洲人群的相关研究 | 机器学习 | 精神健康障碍 | NA | 机器学习, 深度学习 | 社交媒体数据, 传感器数据 | NA | NA | NA | NA | NA |
| 1423 | 2026-04-01 |
Decoding chemical composition of urinary crystals from ultrasonic echo signals via deep learning
2026-Mar-31, Mikrochimica acta
DOI:10.1007/s00604-026-08019-1
PMID:41915224
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1424 | 2026-04-18 |
IDPForge: Deep Learning of Proteins with Global and Local Regions of Disorder
2026-Mar-27, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.25.714313
PMID:41928976
|
研究论文 | 本文提出了一种名为IDPForge的新型机器学习方法，用于生成包含内在无序蛋白/区域的全原子结构集合 | 开发了一种基于Transformer蛋白质语言扩散模型的新方法，无需序列特异性训练、粗粒度表示反向转换或集合重加权，即可生成与实验数据吻合的无序蛋白结构集合 | 未明确说明模型在特定蛋白质类型或极端条件下的性能限制 | 改进对内在无序蛋白质和区域的结构预测，弥补现有方法（如AlphaFold和RoseTTAFold）在预测无序结构时的不足 | 内在无序蛋白质和内在无序区域 | 机器学习 | NA | 深度学习，扩散模型 | Transformer | 蛋白质序列数据，结构数据 | NA | NA | Transformer | 与溶液实验数据的一致性 | NA |
| 1425 | 2026-04-18 |
Deep Learning for scaling large-aperture photoacoustic computed tomography : From single fingers to the human hand
2026-Mar-27, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2026.108081
PMID:41990474
|
研究论文 | 本研究开发了一种基于深度学习增强的大孔径光声计算机断层扫描系统，用于从单指到人手的复杂解剖成像 | 采用编码器-解码器结构的深度学习策略，仅使用单指数据集训练即可有效提升人手成像质量，解决了光学阴影和对准问题 | 深度学习模型仅基于单指数据集训练，可能对更复杂或不同解剖结构的泛化能力有限 | 通过深度学习增强大孔径PACT系统，以改善复杂目标（如人手）的成像质量，用于外周动脉疾病诊断等应用 | 人体单指和完整人手 | 数字病理 | 外周动脉疾病 | 光声计算机断层扫描 | 深度学习编码器-解码器结构 | 图像 | 基于单指配对的PACT数据集（包括全检测和低检测图像） | NA | 编码器-解码器结构 | 对比度噪声比，血管结构清晰度 | NA |
| 1426 | 2026-03-23 |
Development and validation of the ultrasound-based radiomics and deep learning prognostic models for diffuse large B-cell lymphoma
2026-Mar-20, Annals of hematology
IF:3.0Q2
DOI:10.1007/s00277-026-06917-1
PMID:41857399
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1427 | 2026-04-18 |
Artificial intelligence for acute appendicitis diagnosis: A systematic review of current evidence, challenges, and future directions
2026-Mar-20, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000048094
PMID:41861187
|
综述 | 本文对人工智能在急性阑尾炎诊断中的应用进行了系统性回顾，总结了当前证据、挑战与未来方向 | 系统性地回顾并比较了基于临床、实验室和影像数据的人工智能模型在急性阑尾炎诊断中的性能，并强调了多模态融合模型的转化潜力 | 大多数研究为回顾性、单中心设计，缺乏充分的外部验证，且方法学报告不一致，存在研究异质性 | 评估人工智能在提高急性阑尾炎诊断准确性、辅助临床决策和降低阴性阑尾切除率方面的潜力 | 针对疑似急性阑尾炎患者的诊断模型 | 医学人工智能 | 急性阑尾炎 | 机器学习，深度学习 | NA | 临床数据，实验室数据，影像数据（CT，超声，MRI） | NA | NA | NA | AUC，准确率，灵敏度，特异度，预测值 | NA |
| 1428 | 2026-04-18 |
Directional alignment of different cell types organizes planar cell polarity
2026-Mar-20, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.114771
PMID:41994338
|
研究论文 | 本研究通过数学建模、深度学习与统计分析，探讨了细胞类型空间分布对平面细胞极性（PCP）维持的影响，并发现细胞类型定向排列是PCP稳健性的关键因素 | 揭示了细胞类型定向排列在维持平面细胞极性中的关键作用，尤其是在核心PCP蛋白水平不平衡的情况下，这一发现为理解多细胞类型组织中的PCP机制提供了新视角 | 研究主要基于数学模拟和深度学习分析，实验验证仅限于小鼠输卵管，未在其他组织或更广泛的生物系统中进行验证 | 探究在核心PCP蛋白水平不平衡的情况下，细胞类型空间分布如何影响平面细胞极性的维持 | 平面细胞极性（PCP）在多种细胞类型共存的组织中的维持机制 | 计算生物学 | NA | 数学建模, 深度学习, 统计分析 | 深度学习模型 | 模拟数据, 生物组织数据 | NA | NA | NA | NA | NA |
| 1429 | 2026-04-18 |
Analysis of Models to Estimate Morbidity Rates of Respiratory Diseases Through Deep Learning
2026-Mar-19, Tropical medicine & international health : TM & IH
IF:2.6Q2
DOI:10.1111/tmi.70126
PMID:41856921
|
研究论文 | 本研究比较了XGBoost与基于堆叠门控循环单元（GRU）的深度学习模型，利用呼吸系统疾病发病率数据及社会经济与环境外生变量，预测巴西地区的疾病发病率 | 通过结合社会经济与环境指标（如人均GDP、人口密度、城市化指数和温室气体排放）与疾病发病率数据，并使用时序分解和合成数据细化时间序列粒度，应用堆叠GRU模型捕捉健康数据中的时间依赖性，展示了深度学习在精准公共卫生预测中的潜力 | 研究结果显示出区域异质性，GRU模型在某些城市表现优异，而XGBoost模型在多数地区呈现负R值，表明模型性能可能受地区特定因素影响，且未详细讨论模型泛化能力或数据偏差问题 | 比较不同机器学习模型在估计呼吸系统疾病发病率方面的性能，以支持公共卫生资源分配和基于证据的政策制定 | 巴西地区的呼吸系统疾病发病率数据及相关社会经济与环境变量 | 机器学习 | 呼吸系统疾病 | 深度学习，时间序列分析 | XGBoost, GRU | 时间序列数据 | 1999年至2023年的疾病发病率及外生变量数据，覆盖多个巴西城市（如Porto Alegre, São Paulo, São Luís） | NA | 堆叠GRU | R值（相关系数） | NA |
| 1430 | 2026-04-18 |
Artificial Intelligence for Diagnosing Meibomian Gland Dysfunction: A Systematic Review and Meta-Analysis of Diagnostic Test Accuracy Studies
2026-Mar-18, Cornea
IF:1.9Q2
DOI:10.1097/ICO.0000000000004151
PMID:41931504
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了基于人工智能的睑板腺成像解读在诊断睑板腺功能障碍方面的诊断准确性 | 首次对AI在睑板腺功能障碍诊断中的表现进行系统综述和荟萃分析，并比较了AI与人工评估的准确性 | 纳入研究存在高偏倚风险，证据确定性低，且研究人群和图像集多样性不足 | 评估基于人工智能的睑板腺成像解读在诊断睑板腺功能障碍中的诊断准确性 | 睑板腺功能障碍患者及正常人群 | 数字病理学 | 睑板腺功能障碍 | 非接触红外成像，活体共聚焦显微镜 | 深度学习模型 | 图像 | 5511名参与者，18926张睑板腺成像图像 | NA | NA | 敏感性，特异性 | NA |
| 1431 | 2026-03-10 |
An adaptive weight self-distillation deep learning framework for phenotype prediction from longitudinal gut microbiome data
2026-Mar-09, BMC microbiology
IF:4.0Q2
DOI:10.1186/s12866-026-04922-y
PMID:41796297
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1432 | 2026-03-10 |
Automatic estimation of single-tooth width from standardized two-dimensional occlusal photographs using deep learning
2026-Mar-09, Head & face medicine
IF:2.4Q2
DOI:10.1186/s13005-026-00605-1
PMID:41796356
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1433 | 2026-03-09 |
Deep learning approaches for time series prediction of renal recovery in medical critically Ill patients with acute kidney injury: LSTM, GRU, and transformer models
2026-Mar-07, Critical care (London, England)
DOI:10.1186/s13054-026-05942-w
PMID:41794739
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1434 | 2026-04-18 |
Automated measurement of hallux valgus angles using a deep learning model: validation and comparison with surgeons of varying expertise
2026-Mar-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42100-2
PMID:41792184
|
研究论文 | 本文开发了一种基于深度学习的模型，用于自动测量足部负重X光片中的拇外翻角和跖骨间角，并与不同经验水平的外科医生进行比较验证 | 采用UNet++与MobileNetV2结合的架构进行骨轴分割，并引入线性回归模块预测角度，且首次系统比较了模型与不同经验水平外科医生的测量结果 | 研究仅基于单一队列数据，外部验证尚未进行，模型在控制组HVA的ICC相对较低（0.821） | 开发自动化测量拇外翻相关角度的深度学习模型，以提升测量效率和一致性 | 足部负重X光片中的拇外翻角和跖骨间角 | 计算机视觉 | 足部疾病 | X光成像 | CNN | 图像 | 2,468张负重X光片（来自2,124名参与者，包括1,920张HV病例和548张对照） | NA | UNet++, MobileNetV2 | 平均绝对误差, 均方根误差, 组内相关系数, 异常值率 | NA |
| 1435 | 2026-04-18 |
The feasibility of using deep learning technologies to preliminarily identify patients with advanced knee osteoarthritis via smartphone videos
2026-Mar-06, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-026-01904-z
PMID:41792743
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1436 | 2026-04-18 |
Integrated deep learning-driven multi-stage steam forecasting and scheduling optimization for converter energy systems
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42104-y
PMID:41786838
|
研究论文 | 本文提出了一种集成两阶段多时间尺度预测框架，用于转炉蒸汽的规划与生产阶段预测，以支持蒸汽调度优化 | 首次将长时程规划预测与短时程滚动预测相结合，并采用超参数优化的SVM模型和DSC-Transformer模型分别处理不同阶段的预测任务 | 未讨论模型在非稳态生产条件下的泛化能力，且实验数据仅限于特定工业转炉 | 提高转炉蒸汽的回收利用率，降低能源成本 | 转炉蒸汽数据，包括规划信息和生产过程信号 | 机器学习 | NA | 时间序列预测 | SVM, Transformer | 时间序列数据 | 工业转炉数据（具体数量未说明） | NA | IBKA-SVM, DSC-Transformer | 预测性能百分比（IBKA-SVM: 92.3%, DSC-Transformer: 98.7%） | NA |
| 1437 | 2026-03-07 |
A comprehensive evaluation of lightweight deep learning models for tomato disease classification on edge computing environments
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42439-6
PMID:41786837
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1438 | 2026-03-07 |
A dual limb attention based deep learning network for multipath classification of millimetre wave signals in intelligent transportation system
2026-Mar-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39131-0
PMID:41786870
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1439 | 2026-04-18 |
Automated detection of new cerebral infarctions and prognostic implications using deep learning on serial MRI
2026-Mar-05, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02511-x
PMID:41786919
|
研究论文 | 开发并外部验证了一种深度学习模型，用于自动检测脑卒中患者连续FLAIR MRI扫描中的新发缺血性病灶 | 首次将监督对比学习应用于连续MRI影像的新病灶检测，并证明了AI识别的无症状脑梗死与卒中复发风险的独立关联 | 研究样本主要来自两家医院，需要更多中心验证；模型在更广泛人群中的泛化能力有待进一步验证 | 开发自动检测连续MRI中新发缺血病灶的AI工具，并评估其临床预后价值 | 脑卒中患者的连续FLAIR MRI影像 | 数字病理学 | 心血管疾病 | FLAIR MRI序列 | CNN | 医学影像 | 1055名患者（训练集）的25,451对影像切片，外加307名患者的独立验证队列 | 未明确说明 | 未明确说明具体架构 | AUC | 未明确说明 |
| 1440 | 2026-04-18 |
Filter2Noise: a framework for interpretable and zero-shot low-dose CT image denoising
2026-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.2.024004
PMID:41993061
|
研究论文 | 本文提出了一种名为Filter2Noise（F2N）的框架，用于实现可解释且无需训练数据的低剂量CT图像去噪 | F2N采用注意力引导的双边滤波器替代传统深度网络，通过轻量级注意力模块（3.6k参数）预测局部最优滤波策略，并开发了欧几里得局部洗牌和多尺度自监督损失来处理相关噪声 | 未明确提及具体限制，但基于方法描述，可能对极端噪声分布或罕见解剖结构的适应性有限 | 开发一种可解释且无需训练数据的低剂量CT图像去噪方法，以提升放射科医生对去噪模型的信任度 | 低剂量CT图像 | 计算机视觉 | NA | CT成像 | 注意力机制, 双边滤波器 | 图像 | 使用Mayo Clinic LDCT Grand Challenge数据集进行验证，并在光子计数CT上进行了临床验证 | 未明确指定，但提及了自监督学习 | 注意力引导的双边滤波器 | 峰值信噪比（PSNR）, 对比度噪声比（CNR） | 未明确指定 |