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 45510 篇文献，本页显示第 1601 - 1620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1601 | 2026-06-01 |
Improving airport security with IoT-powered deep learning methods for threat detection and intelligent recommendation systems
2026-May-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-54104-z
PMID:42209587
|
research paper | 本研究提出了一种融合深度学习算法、智能推荐系统和物联网设备的框架，旨在提升机场安保水平 | 将深度学习、推荐系统与物联网设备集成，实现机场威胁检测和异常行为识别，并通过迁移学习和新型ISODI方法提升检测准确率 | 需进一步研究在现有安保系统中的最佳应用场景，并解决潜在的隐私问题；实际系统需大量测试以适应不同机场环境的复杂性 | 提升机场安保水平，通过智能检测和推荐系统减少误报、提高运营效率并增强安全措施 | 机场安保场景中的威胁行为（如无人看管行李）和航班延误相关的异常 | computer vision, machine learning | NA | NA | CNN, Decision Tree, K-Nearest Neighbors | image, simulation data | NA | PyTorch, Scikit-learn | MVCNN | accuracy | NA |
| 1602 | 2026-06-01 |
Enhancing resolution and image quality in musculoskeletal MRI using deep learning reconstruction
2026-May-28, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-026-00743-w
PMID:42207458
|
研究论文 | 在1.5特斯拉肌骨MRI中应用深度学习重建以提升图像分辨率和质量 | 首次将深度学习重建技术整合到1.5特斯拉肌骨MRI协议中，在保持信噪比和对比度噪声比的同时提升空间分辨率和缩短扫描时间 | 回顾性研究设计、样本量有限（39例检查）、仅使用单一制造商1.5特斯拉扫描仪、未评估临床诊断准确性变化 | 评估深度学习重建在1.5特斯拉肌骨MRI中提升图像质量而不牺牲信噪比的可行性 | 39例肌骨MRI检查（包含膝、肩、踝、髋关节） | 计算机视觉 | 肌骨疾病 | 磁共振成像 | 深度学习重建模型 | 图像 | 39例肌骨MRI检查 | NA | NA | Likert评分，信噪比，对比度噪声比，Kendall τ系数 | NA |
| 1603 | 2026-06-01 |
Deep learning unlocks sequence-divergent synthetic promoters to empower Streptomyces natural product engineering
2026-May-27, Metabolic engineering
IF:6.8Q1
DOI:10.1016/j.ymben.2026.05.009
PMID:42208848
|
研究论文 | 利用深度学习生成模型设计链霉菌合成启动子，显著提升天然产物产量 | 首次为链霉菌建立AI生成的启动子库，通过深度生成模型实现十亿级序列设计，92%候选启动子具有活性，动态范围达17100%，且与天然基因组序列同源性极低 | NA | 开发深度学习驱动的序列设计方法，以突破链霉菌启动子强度范围窄、可用性差和多样性有限的瓶颈，推动天然产物工程化应用 | 链霉菌及其用于生产天然产物的启动子（如抗真菌多环四酸内酰胺、抗生素达托霉素、免疫抑制剂雷帕霉素） | 机器学习 | NA | 深度学习生成模型 | 生成模型 | 序列数据 | 10亿个启动子序列（其中100个经实验验证，92个有活性） | NA | 深度生成模型 | 动态范围、相对活性、产量提升倍数 | NA |
| 1604 | 2026-06-01 |
High-resolution ultrasonic waveform analysis for decoupling physical effects in multi-damaged and healing in concrete using vibro-acoustic feature engineering and machine learning
2026-May-26, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2026.108153
PMID:42217289
|
研究论文 | 提出一种高分辨率超声波波形分析方法，通过振动声学特征工程和机器学习解耦混凝土中多种物理效应（如热损伤、湿度、愈合过程） | 核心创新在于振动声学特征工程，从时域、频域及时频域提取79个信号特征，并结合XGBoost模型与SHAP解释分析，实现对材料孔隙率、热损伤、湿度和愈合进程等物理效应的定量解耦和深层物理声学洞察 | 未明确提及 | 实现复杂介质（如混凝土）中多物理效应的高分辨率定量评估，特别是热损伤、湿度效应和材料愈合的区分与量化 | 混凝土试件中的超声波波形信号 | 机器学习 | NA | 超声波波形分析 | XGBoost | 超声波波形信号 | NA | XGBoost, SHAP | XGBoost | NA | NA |
| 1605 | 2026-06-01 |
Fast MR elastography via deep learning-based phase interpolation: A technical feasibility study
2026-May-25, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110703
PMID:42190842
|
研究论文 | 本研究提出一种基于深度学习相位插值的方法，旨在减少磁共振弹性成像所需的振动相位图像采集数量，通过利用时空波周期性来插值缺失相位图像 | 首次利用深度学习对MRE振动相位图像进行插值，可实现高达50%的采集时间缩减，同时保持与常规方法相当的临床测量精度 | 研究仅纳入13名健康志愿者，样本量较小，且为技术可行性验证，未涉及多种病理条件下的验证 | 评估基于深度学习的相位插值方法在MR弹性成像中的技术可行性，以减少采集时间并降低切片错位风险 | 健康志愿者肝脏的MR弹性成像数据及体模实验数据 | 机器学习, 医学影像 | 无特定疾病 | MR弹性成像 | 深度学习模型 | 图像 | 13名健康志愿者肝脏数据及体模数据 | NA | 3-to-1模型, 2-to-2模型 | SSIM, PSNR, Bland-Altman分析, ICC | NA |
| 1606 | 2026-06-01 |
CollDTI: Dual-encoder collaborative learning for drug-target interaction prediction
2026-May-25, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.109175
PMID:42217429
|
研究论文 | 提出一种双编码器协作学习框架CollDTI，通过联合建模药物-靶点对的内在结构特征与外部关系特征，提升药物-靶点相互作用预测性能 | 首次提出双编码器协作框架，结合多视图异构图神经网络提取外部关系特征、字符字典编码与图卷积网络提取内在结构特征，并使用加权残差交叉注意力机制实现多视图嵌入的协作融合 | NA | 通过整合药物与靶点的内在结构和外部关系特征，提高药物-靶点相互作用预测的准确性 | 药物-靶点相互作用数据对 | 机器学习 | NA | NA | 双编码器协作学习框架 | 结构化数据 | NA | PyTorch | 多视图异构图神经网络、图卷积网络、字符字典编码、加权残差交叉注意力机制 | 准确率、精确率、召回率、F1分数、AUC | NA |
| 1607 | 2026-06-01 |
Comparative evaluation of deep learning architectures for microbial colony classification in microbiological imaging
2026-05-18, BMC microbiology
IF:4.0Q2
DOI:10.1186/s12866-026-05028-1
PMID:42144581
|
研究论文 | 对六种卷积神经网络架构用于微生物菌落分类进行头对头比较 | 在同数据集AGAR上，首次系统对比六种CNN架构（AlexNet、SqueezeNet 1.1、ResNet18、ShuffleNetV2、EfficientNetB0和MobileNetV2）用于微生物菌落分类，并采用统一训练协议，揭示轻量级网络达到最佳性能 | 仅使用单一公众数据集AGAR，相关结论可能受限于标准化成像条件和特定物种（五种） | 评估深度学习架构在微生物菌落自动分类中的比较性能，为自动化微生物图像分析提供参考 | 来自AGAR数据集的86,045个微生物菌落裁剪图像，涵盖五种微生物（枯草芽孢杆菌、大肠杆菌、铜绿假单胞菌、金黄色葡萄球菌和白色念珠菌） | 计算机视觉 | NA | 微生物成像 | 卷积神经网络 | 图像 | 86,045个菌落裁剪图（来自4,424个可计数培养皿） | PyTorch | AlexNet, SqueezeNet 1.1, ResNet18, ShuffleNetV2, EfficientNetB0, MobileNetV2 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1608 | 2026-06-01 |
Artificial intelligence in the differential diagnosis of hypertrophic cardiomyopathy and physiological hypertrophy: a scoping review
2026-May-15, Hellenic journal of cardiology : HJC = Hellenike kardiologike epitheorese
IF:2.7Q2
DOI:10.1016/j.hjc.2026.05.001
PMID:42142808
|
综述 | 系统梳理了人工智能在鉴别肥厚型心肌病与生理性心肌肥厚中的研究现状与应用潜力 | 首次聚焦AI鉴别HCM与运动员心脏这一临床难题，揭示了目前缺乏运动员特异性数据集的现状并指出未来研究方向 | 运动员来源数据集匮乏且外部验证不足，显著限制了在运动心脏病学中的临床应用 | 评估AI/ML在区分HCM与生理性心肌肥厚（尤其是运动员心脏）中的验证性应用范围 | 基于AI/ML方法区分HCM与左心室肥厚（包括生理性及病理性）的原始研究 | 机器学习 | 肥厚型心肌病 | NA | 支持向量机（SVM） | 心电图、超声心动图、影像组学、视频数据 | 共纳入8项研究，其中仅1项直接比较HCM与运动员心脏 | NA | 支持向量机（SVM） | AUC | NA |
| 1609 | 2026-06-01 |
Development and validation of a novel deep learning coronary artery plaque quantification model
2026-05-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02379-z
PMID:42135689
|
研究论文 | 提出并验证了一种基于深度学习的冠状动脉斑块量化模型，用于自动分割总斑块和钙化斑块体积 | 开发了一种名为QuantiPlaque的新型软件，利用深度学习模型实现冠状动脉斑块体积的自动化量化，并与专家手动标注进行了严格验证 | 样本量较小（仅115例CCTA扫描），且对左旋支动脉区域的斑块分割效果较弱 | 开发一种自动化的深度学习模型，用于准确量化冠状动脉总斑块和钙化斑块体积，以辅助临床评估心血管事件风险 | 冠状动脉斑块（总斑块和钙化斑块） | 计算机视觉 | 冠状动脉疾病 | 冠状动脉CT血管造影 | 深度学习模型 | 图像 | 115例CCTA扫描（平均年龄58岁，51%为女性，平均冠脉钙化评分56 Agatston单位） | NA | NA | 组内相关系数，皮尔逊相关系数，斯皮尔曼秩相关系数，Bland-Altman分析 | NA |
| 1610 | 2026-06-01 |
Application of Artificial Intelligence-Based Transfer Learning Models to the Bethesda System for Thyroid Cytopathology
2026-05, Cytopathology : official journal of the British Society for Clinical Cytology
IF:1.2Q3
DOI:10.1111/cyt.70045
PMID:41361911
|
研究论文 | 应用基于人工智能的迁移学习模型对甲状腺细胞病理学Bethesda系统进行分类 | 首次将集成迁移学习应用于TBSRTC分类，通过加权软投票组合六种预训练模型（Xception、ResNet50V2、DenseNet121、MobileNetV2、InceptionV3、EfficientNetB3），提升了分类精度 | 数据集规模较小（仅94例FNAC病例，949张代表图像），缺乏全切片影像验证，需要更大样本来进一步验证 | 评估集成软投票迁移学习模型在根据TBSRTC对甲状腺细胞学涂片进行分类时的性能 | 甲状腺细针穿刺细胞学涂片图像 | 计算机视觉 | 甲状腺疾病 | NA | 集成迁移学习（CNN） | 图像 | 94例甲状腺FNAC病例，共949张代表图像 | NA | DenseNet121, ResNet50V2, Xception, MobileNetV2, InceptionV3, EfficientNetB3 | 敏感性, 特异性, 阳性预测值, 阴性预测值, F1分数, AUCROC | NA |
| 1611 | 2026-06-01 |
Community medical centers struggle to produce well-calibrated clinical prediction models: Data augmentation can help
2026-May, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2026.105012
PMID:41825516
|
研究论文 | 研究社区医疗中心在临床预测模型本地校准中面临的样本量不足问题，并评估合成数据生成作为数据扩充方法的有效性 | 首次系统评估社区医疗机构在机器学习模型本地化中因样本量不足导致的校准困难，并提出利用深度学习合成数据生成技术进行数据扩充以改善模型校准性能 | 研究仅基于两个农村医院和一个城市学术医疗中心的数据，可能无法推广到所有社区医疗机构；合成数据质量对校准效果的长期影响尚未验证 | 探究社区医疗中心是否有足够患者数据支持机器学习模型的本地校准，以及合成数据生成能否帮助缓解样本量不足问题 | 30天非计划再入院预测模型在多家不同规模医院的本地校准效果 | 机器学习 | 再入院预测 | 合成数据生成 | 深度学习 | 结构化电子健康记录数据 | 真实网络医院数据集（两个农村医院和一个城市学术医疗中心）以及多站点ICU模拟数据集 | NA | NA | 校准度 | NA |
| 1612 | 2026-03-30 |
Machine and Deep Learning Models for Preoperative Prediction of Suboptimal Clinical Response One Year after Metabolic Bariatric Surgery: Findings from the Tehran Obesity Treatment Study
2026-May, Obesity surgery
IF:2.9Q1
DOI:10.1007/s11695-026-08568-7
PMID:41904288
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1613 | 2026-03-31 |
Evaluating deep learning attenuation correction for single-photon emission computed tomography myocardial perfusion imaging: Lessons from clinical validation
2026-May, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2026.102701
PMID:41905547
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1614 | 2026-06-01 |
Mapping 25 years of forensic and legal medicine research: a multi-database bibliometric and science-mapping analysis (2000-2025)
2026-May, Journal of forensic and legal medicine
IF:1.2Q3
DOI:10.1016/j.jflm.2026.103127
PMID:41965962
|
研究论文 | 对2000-2025年间法医学与法律医学研究进行多数据库文献计量与科学映射分析 | 首次整合多数据库（Web of Science核心合集和Scopus）进行长达25年的法医学文献全景分析，并结合Callon中心性-密度主题映射和趋势主题分析揭示学科演进 | 仅纳入英文文献且主要依赖Web of Science核心合集，可能遗漏部分非英文或灰色文献；关键词同义变体（如medico-legal vs medicolegal）的标准化处理可能影响部分主题的覆盖率 | 通过文献计量方法系统刻画法医学与法律医学的研究格局、演进趋势和主题结构，为研究优先级设定和编辑策略提供依据 | 2000-2025年间Web of Science核心合集和Scopus收录的法医学与法律医学相关文献 | 自然语言处理 | NA | NA | NA | 文本 | 16190篇文献（Web of Science核心合集），来自3052个来源，49746位作者 | NA | NA | NA | NA |
| 1615 | 2026-06-01 |
Effect of deep learning attenuation correction on accuracy of stress myocardial perfusion imaging
2026-May, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2026.102706
PMID:42000122
|
研究论文 | 探讨深度学习衰减校正对心肌灌注成像检测冠心病准确性的影响 | 首次在碲锌镉相机上应用深度学习衰减校正，并系统比较自动化分析、视觉解读及不同成像位置的诊断准确性 | 深度学习衰减校正的准确性低于无衰减校正方法，且像素级分析在DLAC中分类准确率较低 | 评估深度学习衰减校正对SPECT心肌灌注成像检测冠心病准确性的效果 | 100名疑似冠心病患者的心肌灌注成像和冠状动脉造影数据 | 机器学习 | 冠心病 | SPECT心肌灌注成像，深度学习衰减校正 | 深度学习模型 | 医学图像 | 100名患者 | NA | NA | 曲线下面积，准确率 | NA |
| 1616 | 2026-06-01 |
Noisy probing dose facilitated dose prediction for pencil beam scanning proton therapy: Physics enhances generalizability
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70509
PMID:42192246
|
研究论文 | 针对质子笔形束扫描治疗，提出一种噪声探针剂量法，通过嵌入质子物理知识增强剂量预测的泛化能力 | 首次将质子物理知识显式嵌入深度学习模型，通过快速生成低统计量噪声探针剂量来替代传统输入，显著提升模型在罕见临床病例中的泛化性能 | 仅对前列腺癌和肺癌两种癌症类型进行了验证，未在其他肿瘤部位或更多样化的治疗方案中评估方法的一般性 | 设计一种物理感知且泛化能力强的人工智能剂量预测方法，提高在线自适应质子治疗的安全性和有效性 | 前列腺癌和肺癌患者的笔形束扫描质子治疗计划 | 机器学习, 数字病理学 | 前列腺癌, 肺癌 | 蒙特卡洛剂量引擎 | 深度学习 | 图像（CT图像） | 103例前列腺癌患者（93训练+10测试）和78例肺癌患者（68训练+10测试），以及12例异常临床病例 | NA | NA | 剂量体积直方图指标, 3D伽马通过率（3%/2mm/10%）, 剂量一致性 Dice系数 | NA |
| 1617 | 2026-06-01 |
Realization of Long Axial Field-of-View PET Technology in the Clinic and Research Environment
2026-Apr-27, The British journal of radiology
DOI:10.1093/bjr/tqag096
PMID:42046230
|
综述文章 | 讨论长轴向视野PET技术在临床和研究环境中的实现与应用 | 系统分析了长轴向视野PET技术的临床实现、研究应用及深度学习降噪等前沿发展方向 | 未提及具体实验数据或定量性能对比，缺乏对不同设计方案的详细评估 | 概述长轴向视野PET的技术优势、临床实践考量及未来发展方向 | 长轴向视野PET-CT仪器 | 医学影像 | NA | PET-CT | 深度学习 | 医学影像 | NA | NA | NA | 灵敏度 | NA |
| 1618 | 2026-06-01 |
Spatiotemporal deep learning for scar screening in cardiovascular magnetic resonance: Toward selective use of gadolinium
2026-Apr-16, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102730
PMID:41999922
|
研究论文 | 开发并评估一种基于时空深度学习的方法，利用无造影剂的心脏电影图像识别无心肌疤痕患者，以选择性使用钆对比剂 | 首次提出利用时空深度学习架构从无对比剂电影图像中提取时空特征，通过因子化卷积和残差注意力机制识别无心肌疤痕患者，避免不必要的对比剂注射 | 研究未提及模型在特定亚组（如心肌疤痕类型或严重程度）中的表现差异，且外部验证人群多种族代表性不足 | 开发深度学习模型仅通过电影图像识别无心肌疤痕患者，减少对比剂使用 | 接受心血管磁共振检查的已知或疑似心血管疾病患者 | 计算机视觉, 深度学习 | 心血管疾病 | 心脏磁共振成像 (CMR) | 时空深度学习模型 | 心脏电影图像 (短轴位) | 训练集3000名患者（1753名男性，平均年龄54±18岁），外部验证集1792名患者 | PyTorch | 因子化卷积 + 残差注意力机制 | AUC, 灵敏度, 特异度 | NA |
| 1619 | 2026-06-01 |
Customizing native T1 mapping: The effects of compressed sensing, deep learning-based denoising, and high-resolution on measurement of native myocardial T1
2026-Apr-15, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102726
PMID:41997564
|
研究论文 | 评估压缩感知、深度学习去噪和高分辨率对原生心肌T1 mapping测量结果的影响 | 系统评估了不同CS加速水平、空间分辨率以及DL去噪重建组合对定量T1值的影响，并证明在临床可接受的偏差范围内T1值保持稳定 | 单中心研究，样本量有限（41名志愿者），且未纳入真实患者数据，可能无法完全覆盖病理T1范围 | 优化临床心肌T1 mapping的采集效率和鲁棒性，支持个性化协议设计 | 健康志愿者的心肌T1 mapping图像 | 计算机视觉, 数字病理 | 心血管疾病 | 压缩感知, 深度学习去噪重建 | 深度学习去噪模型 | 图像 | 48名健康志愿者（最终纳入41名），并进行9例重复分析 | NA | NA | 图像质量评分（Likert量表）, 模糊度, 混叠伪影, 易感性伪影, T1值偏差 | NA |
| 1620 | 2026-06-01 |
Automated scout-image-based estimation of contrast agent dosing: a deep learning approach
2026-04-11, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02331-1
PMID:41965610
|
研究论文 | 开发并验证了一种基于深度学习的算法，通过CT定位图像自动估算患者体重，进而优化造影剂剂量 | 首次利用深度学习从CT定位图像中自动估算体重，避免了人工测量和自报体重的偏差; 结合情境学习和数据集蒸馏分析体重关键特征; 构建了浏览器界面实现实时剂量估算 | 需要在大规模队列和不同临床中心进行进一步验证 | 实现CT检查中造影剂剂量的自动、准确估算，简化临床工作流程并提高患者安全 | 接受胸腹部CT检查的患者（共817例） | 计算机视觉 | 不适用 | CT扫描 | 卷积神经网络 (EfficientNet) | 图像 (CT定位图像) | 817例患者 | PyTorch | EfficientNet | 平均绝对误差 (MAE) | NA |