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 45062 篇文献，本页显示第 1481 - 1500 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1481 | 2026-05-24 |
MRI-driven multimodal deep learning approach for predicting pathological complete response after neoadjuvant chemoradiotherapy in locally advanced rectal cancer: A multicenter study
2026-Jun, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2026.111796
PMID:41996781
|
研究论文 | 开发一种基于多参数磁共振成像的临床深度学习影像组学模型，用于预测局部进展期直肠癌患者在新辅助放化疗后是否达到病理完全缓解 | 创新性地将影像组学特征与深度学习特征融合，并结合SHAP分析和Grad-CAM方法实现模型可解释性，且采用多中心外部验证 | 回顾性设计、样本量相对较小、需进一步前瞻性验证 | 开发无创性预测模型以识别新辅助放化疗后能达到病理完全缓解的局部进展期直肠癌患者，从而支持器官保留策略 | 180名接受新辅助放化疗后手术的局部进展期直肠癌患者，来自三个医疗中心 | 医学影像分析, 数字病理学 | 直肠癌 | MRI | ResNet50, GoogLeNet, ResNet18, VGG16 | MRI影像（T2加权和弥散加权成像序列） | 180名患者（训练队列92例，外部验证队列88例） | NA | ResNet50, GoogLeNet, ResNet18, VGG16 | AUC | NA |
| 1482 | 2026-05-24 |
Optimising Sleep Stage Detection Using a Minimal Non-EEG Physiological Signal Set and Deep Learning
2026-Jun, Journal of sleep research
IF:3.4Q2
DOI:10.1111/jsr.70266
PMID:41391449
|
研究论文 | 提出一种基于U-Net架构的深度学习模型，仅使用三种非EEG生理信号（血氧饱和度、心率和腹部呼吸努力）进行睡眠阶段自动分类 | 首次实现每秒级睡眠阶段预测，突破了传统30秒固定时段的限制；仅用三种易获取的非EEG信号替代EEG，提高可重复性和居家监测适用性 | 未在多样化临床人群或真实噪声环境中验证；模型性能在五类分类中加权F1分数为68%，仍有提升空间 | 开发轻量级、可重复的睡眠阶段分类框架，实现非侵入式居家睡眠监测推广 | 睡眠健康研究访问2（SHHS2）数据集和多民族动脉粥样硬化研究（MESA）外部验证集 | 机器学习 | 睡眠障碍 | 无 | 卷积神经网络 | 时间序列生理信号（血氧饱和度、心率、呼吸努力度） | SHHS2数据集用于训练，MESA数据集用于外部验证，具体样本数未明确说明 | Keras | U-Net | 加权F1分数，Cohen's Kappa | Keras Tuner与Hyperband算法用于超参数优化 |
| 1483 | 2026-05-24 |
Integrating multi-omics data for enhanced prognosis prediction in gastric cancer post-neoadjuvant therapy
2026-Jun, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2026.111837
PMID:42054940
|
研究论文 | 整合CT影像深度学习和免疫评分构建多组学模型，提升局部进展期胃癌新辅助治疗后预后预测准确性 | 首次将基于ResNet18的CT影像深度学习特征与转录组免疫评分整合为多组学列线图，用于新辅助治疗后胃癌预后预测，显著优于传统临床病理模型 | 样本量相对较小（总样本208例），仅使用单一中心内部验证和有限的外部验证队列，未涵盖免疫治疗联合方案或不同新辅助化疗方案，需更大规模多中心前瞻性验证 | 开发并验证一种整合CT影像深度学习特征（DeepScore）和免疫评分（ImmuneScore）的多组学预后模型，以改善局部进展期胃癌新辅助治疗后的风险分层 | 局部进展期胃癌患者，接受新辅助治疗（2019-2022年）的179例训练/内部验证队列，以及29例外部验证队列 | 数字病理学, 机器学习, 计算机视觉 | 胃癌 | CT成像, RNA-seq转录组测序 | CNN（ResNet18）, 回归模型（Cox, LASSO）, 列线图（Nomogram） | CT图像, 转录组表达数据 | 总共208例（179例内部队列+29例外部队列），其中训练队列125例、内部验证队列54例、外部验证队列29例 | PyTorch | ResNet18 | AUC, DFS率, OS率 | NA |
| 1484 | 2026-05-24 |
A Digital Twin-Inspired Closed-Loop Latent Simulation Framework for Cross-Cohort Breast Cancer Subtype Classification under Modality-Disjoint Learning
2026-May-22, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3696086
PMID:42172162
|
研究论文 | 提出一种数字孪生启发的闭环潜在仿真框架CDLS，用于跨队列乳腺癌亚型分类，在模态不重叠条件下整合多种数据 | 首次引入闭环潜在轨迹分类系统，结合PPO强化学习策略和kNN潜在反馈步骤，实现跨模态潜在对齐而非逐患者融合 | 瓶颈维度d_twin=7基于经验指导而非理论最优；闭环潜在框架仅从计算表示空间角度使用 | 解决现有深度学习系统在乳腺癌PAM50亚型分类中的单次预测局限，实现迭代表示优化 | 来自三个非重叠队列的乳腺癌患者数据，包括组织病理学、转录组学、乳腺摄影序列和临床协变量 | 机器学习 | 乳腺癌 | RNA-seq, 组织病理学图像, 乳腺摄影 | PPO, Twin-GRU | 图像, 文本, 序列数据 | 三个非重叠队列，未明确样本总数 | PyTorch | PPO, Twin-GRU | 平衡准确率, MCC | NA |
| 1485 | 2026-05-24 |
Convolutional Neural Networks in Radiology: Principles, Clinical Applications, and a Practical Framework for Radiologists
2026-May-22, Medical principles and practice : international journal of the Kuwait University, Health Science Centre
IF:2.9Q1
DOI:10.1159/000552704
PMID:42172171
|
综述 | 提供卷积神经网络在放射学中的原理、临床应用和实践框架的教育性综述 | 将卷积神经网络与语言模型结合，为放射科医生提供从原理到代码原型制作的全面指导 | 未包含实验性研究结果，依赖现有文献总结，缺乏最新临床验证数据 | 帮助放射科医生理解卷积神经网络的原理、潜力和局限性 | 放射学领域中的卷积神经网络应用 | 数字病理学 | NA | NA | 卷积神经网络 | 图像 | NA | NA | 卷积神经网络 | NA | NA |
| 1486 | 2026-05-24 |
Performance comparison between a deep learning model and spine surgeons in detecting cervical spinal cord compression on radiographs
2026-May-22, Journal of neurosurgery. Spine
DOI:10.3171/2026.1.SPINE251409
PMID:42172670
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1487 | 2026-05-24 |
Deep learning-driven performance prediction and design of high-DoF MEMS resonators
2026-May-21, Microsystems & nanoengineering
IF:7.3Q1
DOI:10.1038/s41378-026-01198-0
PMID:42161903
|
研究论文 | 提出基于残差网络的求解器（ResNES），用于MEMS谐振器的高效物理性能预测与优化设计 | 引入随机拓扑生成策略批量创建高自由度MEMS谐振器设计，结合残差网络实现毫秒级物理性能预测，速度提升近三个数量级，并与粒子群优化算法协同实现多目标优化 | NA | 实现高自由度MEMS谐振器的快速物理性能预测和高效设计优化 | MEMS谐振器的面内振动模式谐振频率 | 机器学习 | NA | NA | 残差网络（ResNet） | 拓扑结构数据 | 数千万种潜在拓扑结构 | NA | ResNES（残差网络求解器） | 平均误差、计算速度提升倍数、预测与实验差异、优化后性能指标提升百分比 | NA |
| 1488 | 2026-05-24 |
Thousand-Brains Systems: Sensorimotor Intelligence for Rapid, Robust Learning and Inference
2026-May-20, Neural computation
IF:2.7Q3
DOI:10.1162/NECO.a.1508
PMID:41945800
|
研究论文 | 评估首个千脑系统实现Monty在3D物体感知中的独特性能，包括物体识别和姿态估计 | 提出通过模仿皮质柱架构的千脑系统实现快速、持续学习和高效泛化，并验证了基于传感器运动学习的结构化表示和投票算法对推理速度的提升 | 千脑系统（Monty）尚处于早期开发阶段 | 探索基于传感器运动学习的智能系统在物体识别和姿态估计中的应用 | 3D物体感知中的物体识别与姿态估计任务 | 机器学习 | NA | 传感器运动学习 | 千脑系统 | 图像 | YCB数据集中的日常物体 | NA | Monty（千脑系统实现） | 泛化能力、推理速度 | NA |
| 1489 | 2026-05-24 |
A reproducible benchmark of QRS detection algorithms across diverse ECG datasets and noise conditions
2026-05-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-53724-9
PMID:42162090
|
研究论文 | 在统一评估框架下，对17种QRS检测算法在五个公开心电数据集上的性能进行基准测试 | 提供完全开源的评估框架，支持可重复性；发现传统信号处理方法在跨数据集泛化中表现更稳定 | 未在目标域进行域适应的机器学习和深度学习模型在分布偏移下性能下降明显 | 系统比较不同QRS检测算法在多种心电数据集和噪声条件下的性能 | 17种R峰检测算法（传统信号处理、机器学习和深度学习方法） | 机器学习、数字信号处理 | 心血管疾病 | 心电图记录 | CNN、LSTM、传统机器学习模型 | 心电信号（时间序列数据） | 5个公开心电数据集（来自PhysioNet平台，涵盖长期监测、心律失常和噪声环境） | NA | 传统信号处理方法、深度神经网络、支持向量机 | F1分数、灵敏度、阳性预测值 | NA |
| 1490 | 2026-05-24 |
Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification
2026-May-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-51870-8
PMID:42156799
|
研究论文 | 将量子近似优化算法改造为特征映射，结合混沌诊断指标构建混合量子经典分类器，提升小样本MNIST分类性能 | 首次利用出时间顺序关联函数提取标量混沌特征增强混合量子经典分类器，并系统研究量子比特数对分类性能的有限尺寸效应 | 较大量子比特数下混沌特征产生过敏感性导致效果逆转，且实验仅基于固定深度的浅层电路 | 探索混沌诊断指标在混合量子经典深度学习中提升分类性能的可行性 | MNIST数据集的平衡1000样本子集 | 机器学习 | NA | 量子近似优化算法 | 混合量子经典神经网络 | 图像 | 1000个MNIST图像样本 | NA | NA | 准确率, 配对均值差, 95%置信区间, 排列检验p值, 胜率, 配对效应量 | NA |
| 1491 | 2026-05-24 |
A deep learning ECG model for identification and localization of occlusion myocardial infarction
2026-05-13, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73023-1
PMID:42129209
|
研究论文 | 开发并验证了一种基于深度学习的ECG模型，用于快速识别和定位急性闭塞性心肌梗死 | 模型不依赖ST段抬升和肌钙蛋白等传统指标，能同时识别OMI并定位三支主要冠状动脉的病变位置，且在不同年龄、性别和心电图硬件下表现一致 | OMI检测的人工监督有限，需要以患者相关结局为指标的随机临床试验进一步验证 | 开发一个深度学习ECG模型，以快速识别和定位急性冠状动脉闭塞，缩短再灌注时间并节省医疗资源 | 急性闭塞性心肌梗死（OMI）及其在冠状动脉中的位置 | 机器学习 | 心血管疾病 | 心电图记录 | 深度学习模型 | 心电图（ECG）数据 | 540,372例急诊心电图及其对应的冠状动脉造影结果 | NA | NA | C统计量 | NA |
| 1492 | 2026-05-24 |
DeepEpiX: A software for visualization, annotation and automatic epileptical spike detection in MEG recordings
2026-May-12, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2026.110805
PMID:42119822
|
研究论文 | DeepEpiX是一款用于MEG记录的可视化、注释和自动癫痫样尖波检测的软件 | 将预训练的深度学习模型集成到用户友好的图形界面中，用于自动检测间期癫痫样放电，且模块化架构支持集成新模型 | 在当前MEG数据上的F1评分表现有限（同一采集系统47%，不同采集系统23%），且目前仅专注于MEG模态 | 开发一款辅助临床医生自动检测MEG数据中病理事件（间期癫痫样放电）的软件 | 药物难治性癫痫患者的MEG数据 | 机器学习 | 癫痫 | 脑磁图 | 深度学习模型 | 时间序列数据 | 29名测试患者 | NA | NA | F1评分 | NA |
| 1493 | 2026-05-24 |
Artificial intelligence in drug research and development: a review of methods and applications in drug repurposing
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag203
PMID:42166427
|
综述 | 综述人工智能在药物研发中的方法与应用，重点关注药物重定位 | 系统梳理从经典算法到最新AI方法在药物重定位中的应用，涵盖蛋白质结构预测到知识图谱推理的多种技术 | 数据可用性、模型可解释性和结果验证方面存在挑战 | 回顾AI方法在药物重定位中的设计应用，探讨如何加速候选药物的临床重定位 | 药物重定位中使用的AI方法及相关工具 | 机器学习 | NA | NA | 机器学习模型、深度学习模型、生物网络分析模型 | 文本、生物数据 | NA | NA | AlphaFold3, mediKanren, AdaDR, TxGNN | NA | NA |
| 1494 | 2026-05-24 |
Reconstructing cell-cell interaction network in single-cell spatial transcriptomics via directed heterogeneous graph autoencoder
2026-May-03, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag130
PMID:41999209
|
研究论文 | 提出基于有向异构图自编码器的DualCellChat方法，从单细胞空间转录组数据中重建细胞间相互作用网络 | 首次将有向异构图自编码器引入细胞间相互作用网络重建，能够天然建模细胞相互作用的极性方向 | 未提及具体局限 | 从单细胞空间转录组重建完整准确的细胞间相互作用网络 | 五种来自四种不同技术的单细胞空间数据集 | 数字病理学 | 未指定 | 空间转录组 | 图自编码器 | 单细胞空间转录组数据 | 五个单细胞空间数据集 | PyTorch | 有向异构图自编码器 | 准确度, 精确度, 召回率, F1分数 | 未提及 |
| 1495 | 2026-05-24 |
A systematic review of artificial intelligence applications in oncology nursing surveillance and patient monitoring
2026-May-02, International journal of palliative nursing
IF:0.7Q4
DOI:10.12968/ijpn.2025.0121
PMID:42172076
|
综述 | 系统回顾了人工智能在肿瘤护理监测和患者监控中的应用，识别了关键实施障碍和促进因素 | 首次系统总结了人工智能在肿瘤护理监测中的应用证据，涵盖风险预测、早期预警、放射组学等多领域，并分析了实施的关键障碍与促进因素 | 数据异质性、样本量小且回顾性、外部验证有限、工作流程整合困难、成本高和隐私问题 | 系统回顾人工智能在肿瘤护理监测中的实证证据，评估其对患者安全和护理质量的影响 | 肿瘤护理中的患者监测和预警系统 | 机器学习,自然语言处理 | 肿瘤 | NA | 机器学习,深度学习,自然语言处理 | 临床数据,影像数据,患者报告结果 | 105项研究纳入定性综合 | NA | NA | 准确性 | NA |
| 1496 | 2026-05-24 |
Deep Learning Integration in Optical Microscopy: Advancements and Applications
2026-May, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70112
PMID:41486782
|
综述 | 探讨深度学习在光学显微镜中的整合应用，包括图像分类、分割和计算重建 | 系统综述了深度学习如何提升光学显微镜的性能，涵盖多种架构（CNN、U-Net、ResNet、GAN）在不同显微镜模态中的应用 | 依赖于大规模标注数据集、动态样本变异性、模型可解释性差以及潜在的数据偏差 | 推动深度学习在光学显微镜中的融合，以克服传统显微技术的局限性并提升成像质量与分析能力 | 光学显微镜技术与深度学习方法 | 计算机视觉 | NA | NA | CNN, U-Net, ResNet, GAN | 图像 | NA | NA | CNN, U-Net, ResNet, GAN | NA | NA |
| 1497 | 2026-05-24 |
Research Topics and Trends of Artificial Intelligence in Critical Care Nursing: A Bibliometric Analysis
2026-May, Nursing in critical care
IF:3.0Q1
DOI:10.1111/nicc.70468
PMID:42151094
|
文献综述 | 采用文献计量学方法分析过去十年人工智能在重症护理中的应用研究现状、热点和发展趋势 | 通过CiteSpace软件进行文献计量和聚类分析，系统揭示了人工智能在重症护理领域的研究热点（如深度学习、临床决策支持）和趋势，为临床实践和未来研究提供参考 | 未明确提及具体局限性，但可能受限于数据库选择（仅Web of Science核心合集）和分析时间范围（2015-2025年） | 分析人工智能在重症护理中的研究现状、热点和发展趋势，为临床护理和未来研究提供参考 | Web of Science核心合集中2015年1月1日至2025年4月30日发表的关于人工智能在重症护理中应用的研究文章 | 文献计量学、自然语言处理（关键词分析） | 重症护理相关疾病（如心脏骤停） | 文献计量分析（CiteSpace 6.3 R1软件） | 深度学习（DL）模型 | 文本数据（出版文章的关键词、作者、机构等元数据） | 1597篇出版物 | CiteSpace | NA | NA | NA |
| 1498 | 2026-05-24 |
Predicting categorical and continuous Alzheimer's disease outcomes from a single MRI scan
2026-May, Nature aging
IF:17.0Q1
DOI:10.1038/s43587-026-01121-2
PMID:42151377
|
研究论文 | 提出一种多任务深度学习策略，仅使用单次基线MRI扫描预测阿尔茨海默病的分类诊断和连续认知评分 | 结合领域知识与大规模预训练模型，通过定制损失函数和组织分割调优的潜在表示作为正则化特征，无需纵向、多模态或专用神经影像数据即可从单次基线扫描预测当前及未来的认知评分 | NA | 开发一种仅依赖基线MRI和人口统计数据的多任务深度学习框架，用于预测阿尔茨海默病的分类诊断、认知评分及其纵向变化 | 阿尔茨海默病患者及健康对照的认知评估和MRI扫描数据 | 计算机视觉 | 阿尔茨海默病 | MRI | 多任务深度学习模型 | 图像（MRI）和人口统计数据 | NA | PyTorch | 大规模预训练模型 | 诊断准确率、认知评分预测精度 | NA |
| 1499 | 2026-05-24 |
Smart beamforming and deep-learning reader for RFID systems in edge IoT
2026-Apr-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43657-8
PMID:42002557
|
研究论文 | 提出一种结合波束成形与深度学习解码器的新型无芯片RFID系统，用于5G/物联网边缘 | 首次将波束成形技术和深度学习解码器整合到无芯片RFID系统中，通过协同设计标签物理结构、波束成形阅读器和深度学习推理，实现高密度频谱编码与鲁棒解码 | 研究主要基于仿真和暗室测量，实际边缘物联网环境中的性能验证尚未充分；系统对标签弯曲和角度变化的鲁棒性仍需进一步测试 | 开发一种可扩展、频谱高效且鲁棒的无芯片RFID识别系统，适用于5G无线边缘物联网环境 | 无芯片RFID标签（地背T形微带谐振器阵列）、波束成形阅读器（1×4 Tx/Rx波束成形）、深度学习解码器（一维卷积神经网络） | 机器学习, 数字信号处理 | NA | 无芯片RFID, 波束成形, 深度学习, RCS测量 | 一维卷积神经网络 | RCS频谱数据 | 使用全波仿真和双静态RCS测量数据，具体样本量未明确提及 | FPGA/SoC平台, PyTorch（推测用于深度学习模型训练） | 一维卷积神经网络 | 比特级准确率, 全码准确率 | FPGA/SoC边缘平台，波束成形采用窄带数字波束成形 |
| 1500 | 2026-05-24 |
Diagnostic performance of deep learning models on ultrasound images for distinguishing benign from malignant ovarian cysts
2026-Apr-15, Journal of ovarian research
IF:3.8Q1
DOI:10.1186/s13048-026-02090-1
PMID:41987029
|
研究论文 | 评估深度学习模型在超声图像上区分卵巢囊肿良恶性的诊断性能 | 首次比较深度学习模型与资深超声医师及O-RADS分类系统在卵巢囊肿超声图像诊断中的性能，并证明DenseNet121模型具有更优的区分能力 | 未提及具体局限性，但可能包括样本量有限或模型泛化性待验证 | 探索深度学习模型在超声图像中自动准确分类卵巢囊肿良恶性的能力 | 卵巢囊肿的超声图像 | 计算机视觉 | 卵巢囊肿 | 超声成像 | 深度学习模型 | 图像 | 未明确提及样本数量，但涉及超声图像数据集 | NA | DenseNet121 | AUC, 准确率 | NA |