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!


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。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1621 | 2026-01-20 |
ASO Author Reflections: Multimodal Deep Learning Redefining Precision Prognosis in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19105-2
PMID:41549219
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1622 | 2026-03-14 |
Hierarchical image pyramid transformer framework for automated breast cancer molecular subtyping using tissue microarrays
2026-Apr, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.70028
PMID:41588712
|
研究论文 | 本文提出了一种名为PBC-HIPT的新型深度学习框架,用于从标准H&E染色图像中自动进行乳腺癌分子分型 | 开发了一种基于多层次Transformer的架构,能够从细胞到组织尺度分层聚合组织病理学特征,以捕获高分辨率图像中的多尺度形态特征和长程依赖关系 | 模型在组织微阵列(TMA)上表现出稳健的模态内泛化能力,但在全切片图像(WSI)的跨模态验证中性能有所下降 | 解决乳腺癌在分子和组织学水平的异质性带来的精确诊断和治疗挑战,实现自动化的分子分型和生物标志物评估 | 乳腺癌组织样本 | 数字病理学 | 乳腺癌 | H&E染色 | Transformer | 图像 | 252例TMA病例和46张独立的WSI | NA | PBC-HIPT(Pathomics Breast Cancer Hierarchical Image Pyramid Transformer) | 准确率, AUC | NA |
| 1623 | 2026-02-17 |
Corrigendum to "Deep learning in fetal, infant, and toddler neuroimaging research"[Dev. Cognit. Neurosci. (2026), 101680]
2026-Apr, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2026.101694
PMID:41692673
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1624 | 2026-03-14 |
Artificial intelligence revolution in toxicology: Clinical precision, global equity, and the 2030 roadmap
2026-Apr, Toxicology letters
IF:2.9Q2
DOI:10.1016/j.toxlet.2026.111871
PMID:41762830
|
综述 | 本文综述了人工智能在毒理学领域的革命性应用,并提出了2030年发展路线图 | 提出了“ToxAI Pact”路线图,强调协调验证标准、稳健的特征重要性验证协议、生成式输出水印以及针对低资源环境的基础设施投资 | 算法偏见、模型可解释性有限、特征重要性准确性验证挑战、全球数字不平等、预测准确性不等于机制可靠性、AI生成错误信息的风险 | 指导人工智能在毒理学领域的负责任整合,实现更安全、更包容的全球毒理学发展 | 临床毒理学、预测建模、药物警戒、教育培训 | 机器学习 | NA | 深度学习、强化学习、生成式人工智能 | 深度学习模型、强化学习模型、生成式AI模型 | 临床数据、毒理学数据 | NA | NA | NA | 预测准确性、特征重要性准确性 | NA |
| 1625 | 2026-03-14 |
ASO Visual Abstract: Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19136-9
PMID:41644916
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1626 | 2026-03-14 |
DeepDegradome: A structure-aware deep learning framework for PROTAC and ligand generation against protein targets
2026-Mar-17, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2518248123
PMID:41818153
|
研究论文 | 本文介绍了一种名为DeepDegradome的AI驱动方法,用于自动化设计小分子配体和PROTAC,以解决靶向蛋白质降解中的设计挑战 | DeepDegradome结合了结构感知的深度学习框架,能够从大型片段库中自动组装配体和PROTAC,无需依赖预定义的弹头或E3配体,从而提高了分子设计的多样性和创新性 | 方法依赖于公共数据库构建的片段库和内部对接方法,可能受限于数据质量和覆盖范围,且目前仅在WDR5和CDK9两个蛋白质目标上进行了验证 | 开发一种AI驱动的框架,用于自动化设计针对蛋白质靶点的小分子配体和PROTAC,以促进药物发现 | 蛋白质靶点(如WDR5和CDK9)及其对应的配体和PROTAC分子 | 机器学习 | NA | 深度学习,对接方法(iFitDock),X射线晶体学 | 深度学习框架 | 分子结构数据,蛋白质口袋的形状和理化特征 | 使用公共数据库构建的大型片段库,并在两个蛋白质靶点(WDR5和CDK9)上进行了设计和验证 | NA | NA | 预测结合亲和力,分子有效性,药物相似性 | NA |
| 1627 | 2026-03-14 |
Transformer-encoded nnU-Net with local region perceptron and contrastive learning (TLC-nnUNet) for multiple brain metastasis detection and delineation
2026-Mar-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae4ced
PMID:41775070
|
研究论文 | 本文提出了一种名为TLC-nnUNet的新型深度学习框架,用于磁共振图像中多发性脑转移瘤的精确检测与分割 | 在transformer增强的nnU-Net架构中集成了局部区域感知器(LRP)和对比学习预训练(CLP)两个创新模块,LRP通过重新加权未充分表示的体素来优先检测小病灶,CLP通过监督式预训练策略增强病灶与非病灶区域在潜在空间中的差异性 | 未明确说明模型在不同磁共振扫描协议或设备间的泛化能力,也未提及对极低对比度病灶的处理效果 | 提高多发性脑转移瘤(特别是小病灶)在磁共振图像中的检测敏感度、精确度和分割准确性 | 脑转移瘤病灶 | 数字病理学 | 脑转移瘤 | 磁共振成像 | Transformer, CNN | 医学图像 | 多机构数据集(具体数量未明确说明) | PyTorch(基于nnU-Net框架推断) | nnU-Net, Transformer-enhanced nnU-Net | 敏感度, 精确度, Dice系数 | NA |
| 1628 | 2026-03-14 |
A new method for quantitation of cyanuric acid in water based on image analysis of drying patterns using computer vision
2026-Mar-12, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d5ay02122g
PMID:41729199
|
研究论文 | 本文提出了一种基于图像分析的简单、无试剂方法,用于通过分析氰尿酸溶液液滴的干燥模式来量化自来水中的氰尿酸 | 首次展示了基于液滴干燥模式图像分析对复杂混合物中分析物进行定量的方法 | 需要等待液滴干燥(环境条件下约2小时),且要求可重复的取样体积(约50 µL)和保持与校准集一致的照明条件 | 开发一种低成本、无试剂的氰尿酸定量方法 | 自来水中的氰尿酸 | 计算机视觉 | NA | 图像分析 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1629 | 2026-03-14 |
A multimodal approach integrating spectroscopy, deep learning guided molecular docking, and molecular dynamics simulation for predictive assessment of pioglitazone to albumin binding for formulation development
2026-Mar-12, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d5ay01534k
PMID:41738395
|
研究论文 | 本研究采用多模态方法评估吡格列酮与人血清白蛋白的结合亲和力,以指导制剂开发 | 结合光谱学、深度学习引导的分子对接和分子动力学模拟,提供了一种正交的多模态分析框架 | 未明确提及样本量或实验重复次数,可能影响结果的普遍性 | 分析吡格列酮与人血清白蛋白的结合亲和力,为制剂开发提供依据 | 人血清白蛋白与吡格列酮的复合物 | 计算化学与药物发现 | NA | 紫外吸收光谱、荧光光谱、分子对接、分子动力学模拟 | 深度学习模型 | 光谱数据、分子结构数据、模拟轨迹数据 | NA | DynamicBind | NA | 结合常数、cLDDT分数、结合亲和力值、均方根偏差、回转半径、均方根波动 | NA |
| 1630 | 2026-03-14 |
Artificial intelligence for diagnosis and triage in oral cancer: a clinician‑centered narrative review
2026-Mar-12, International journal of clinical oncology
IF:2.4Q3
DOI:10.1007/s10147-026-03002-5
PMID:41817640
|
综述 | 本文是一篇以临床医生为中心的叙述性综述,探讨了人工智能在口腔癌诊断和分诊中的应用 | 聚焦于临床医生相关的任务,并优先考虑了前瞻性设计、外部验证和临床可解释模型,同时讨论了数据集偏移、偏见和报告标准等实施问题 | 综述指出,现有研究多为单中心,在真实世界图像和分布外图像上性能仍会下降,且严格的前瞻性验证仍然稀缺 | 评估人工智能在口腔鳞状细胞癌(OSCC)早期诊断和临床决策支持中的应用潜力 | 口腔鳞状细胞癌(OSCC)和口腔潜在恶性病变(OPMD) | 数字病理学 | 口腔癌 | 临床摄影、CT、MRI、PET、光学成像(如高光谱空间频域成像、OCT)、数字病理学 | 深度学习 | 图像 | NA | NA | NA | 诊断准确率 | NA |
| 1631 | 2026-03-14 |
Initial experience of deep learning reconstruction algorithm in lung kernel: clinical usefulness for lung nodules at ultra-low-dose protocol
2026-Mar-12, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12404-y
PMID:41817709
|
研究论文 | 本研究首次评估了在超低剂量CT扫描中,使用肺核的深度学习图像重建算法TrueFidelity对图像质量和结节锐度的影响 | 首次将TrueFidelity深度学习图像重建算法应用于肺核,并评估其在超低剂量CT中对图像质量和结节锐度的改善效果 | 样本量较小(68例患者),且仅以对比增强CT的肺核重建作为参考标准,可能未涵盖所有临床场景 | 评估深度学习图像重建算法在肺核中的应用,以提升超低剂量CT的图像质量和结节评估能力 | 接受胸部非对比超低剂量CT和对比增强CT扫描的患者 | 医学影像分析 | 肺癌 | CT扫描,深度学习图像重建 | 深度学习重建算法 | CT图像 | 68例患者 | NA | TrueFidelity | 图像噪声,信噪比,对比噪声比,半高全宽值 | NA |
| 1632 | 2026-03-14 |
Prediction of the standardized compound drought and heat index in regional scale based on multiple deep learning approaches
2026-Mar-12, Environmental science and pollution research international
DOI:10.1007/s11356-026-37631-0
PMID:41817810
|
研究论文 | 本研究利用多种深度学习模型预测区域尺度的标准化复合干旱热指数时空演变 | 首次将集成注意力机制的深度学习模型(如SA-ConvLSTM和SwinLSTM)应用于复合干旱热事件的时空预测,显著提升了模型捕捉复杂非线性相互作用和时空依赖性的能力 | 研究主要基于ERA5再分析数据,可能受数据分辨率和不确定性的影响,且模型在更广泛区域或不同气候条件下的泛化能力有待进一步验证 | 开发一个有效且可推广的短期时空预测框架,以支持复合干旱热事件的早期预警和区域气候韧性建设 | 中国长江三角洲地区2004年至2023年的标准化复合干旱热指数 | 机器学习 | NA | ERA5再分析数据 | CNN-LSTM, ConvLSTM, SA-ConvLSTM, SwinLSTM | 气象变量数据 | 2004年至2023年长江三角洲地区的气象数据 | NA | CNN-LSTM, ConvLSTM, SA-ConvLSTM, SwinLSTM | 决定系数, RMSE, MAE | NA |
| 1633 | 2026-03-14 |
NRSeg: Noise-Resilient Learning for BEV Semantic Segmentation via Driving World Models
2026-Mar-12, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3671686
PMID:41817979
|
研究论文 | 本文提出了一种名为NRSeg的噪声鲁棒学习框架,用于提升鸟瞰图语义分割在自动驾驶中的性能,通过利用驾驶世界模型生成的合成数据增强数据多样性 | 提出了视角-几何一致性度量来评估生成数据的指导能力,设计了双分布并行预测机制以增强模型鲁棒性,并引入了分层局部语义排除模块来处理BEV分割任务中的非互斥性问题 | 未明确说明合成数据生成的具体噪声类型及其对模型影响的详细分析,也未讨论框架在极端天气或复杂交通场景下的泛化能力 | 提升自动驾驶系统中鸟瞰图语义分割的鲁棒性和性能,特别是在无监督和半监督学习场景下 | 自动驾驶场景中的鸟瞰图语义分割任务 | 计算机视觉 | NA | 驾驶世界模型生成合成数据 | 深度学习模型 | 图像数据(BEV语义分割数据) | 使用公开nuScenes数据集进行测试,具体样本数量未明确说明 | PyTorch(根据代码仓库链接推断) | 未明确指定具体基础架构,但包含PGCM、BiDPP、HLSE等自定义模块 | mIoU(平均交并比) | 未明确说明具体GPU类型或云平台 |
| 1634 | 2026-03-14 |
Evaluation of Deep Learning-Based Event Detection for Parameter Estimation During Complex Walking in Parkinson's Disease
2026-Mar-12, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3673610
PMID:41818008
|
研究论文 | 本研究评估了一种基于惯性传感器和深度学习的事件检测方法,用于在帕金森病患者的复杂行走任务中量化步态参数 | 提出了一种结合时间卷积网络(TCN)进行步态事件检测和Gaitmap函数进行轨迹重建与参数提取的集成处理流程,用于量化复杂行走任务(如转弯、起步和终止步态)的时空参数 | 研究未明确说明样本量是否足够代表不同疾病阶段的帕金森病患者,且方法在复杂行走任务中的误差略高于稳态步态 | 开发并评估一种可靠的方法,以量化帕金森病患者在复杂行走任务中的步态参数,超越传统的稳态步态分析 | 帕金森病患者的行走数据,包括稳态步态、转弯、起步和终止步态 | 机器学习 | 帕金森病 | 惯性传感器(IMU)数据采集与处理 | TCN | 时间序列数据(来自惯性传感器) | NA | NA | 时间卷积网络(TCN) | 平均误差(时间误差≤1-7 ms,空间误差≤2.3-2.9 cm),相关系数(r≥0.95) | NA |
| 1635 | 2026-03-14 |
A Deep Learning Approach for Dynamic Modeling of Stimulated Raman Scattering in Chalcogenide Microstructured Optical Fibers
2026-Mar-12, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3670396
PMID:41818024
|
研究论文 | 本文提出了一种基于混合神经网络的深度学习框架,用于快速精确预测硫系微结构光纤中受激拉曼散射的动态行为 | 首次利用混合神经网络捕捉非线性脉冲传播中的复杂时空依赖性,显著加速了受激拉曼散射的建模过程,并首次在2微米直接泵浦悬浮芯AsS微结构光纤中成功生成了中红外受激拉曼散射 | 模型验证仅基于硫系微结构光纤的特定实验数据集,可能未涵盖所有光纤类型或非线性光学现象 | 开发一种高效的深度学习方法来替代传统计算密集型方法,以建模受激拉曼散射在微结构光纤中的动态行为 | 硫系微结构光纤中的受激拉曼散射现象 | 机器学习 | NA | 受激拉曼散射,中红外光谱分析 | 混合神经网络 | 光学模拟数据,实验数据 | 基于特定硫系微结构光纤实验的数据集 | NA | 混合神经网络 | 速度加速比(与SSFM相比),准确性,泛化能力 | GPU,CPU |
| 1636 | 2026-03-14 |
HyperSynergyX: Synergistic Drug Combination Prediction via Hypergraph Modeling and Knowledge Graph-Enhanced Retrieval-Augmented Generation
2026-Mar-12, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3673550
PMID:41818020
|
研究论文 | 本文提出了一种名为HyperSynergyX的可解释框架,用于预测和解释三药协同作用,结合超图建模和知识图谱增强的检索增强生成技术 | 该研究创新性地将超图上的双偏置随机游走与知识图谱增强的检索增强生成模块结合,实现了协同药物组合的预测与机制解释的集成 | NA | 加速多药物发现并支持精准肿瘤学中的合理治疗方案设计 | 乳腺癌和肺癌的药物组合数据 | 机器学习 | 乳腺癌, 肺癌 | 超图建模, 张量分解, 知识图谱增强的检索增强生成 | 双偏置随机游走, 深度学习基线 | 药物组合数据 | NA | NA | DBRWH, KG-RAG | AUROC, AUPRC | NA |
| 1637 | 2026-03-14 |
AeroGPT: Leveraging Large-Scale Audio Model for Aero-Engine Bearing Fault Diagnosis
2026-Mar-12, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3668256
PMID:41818025
|
研究论文 | 本文提出了一种名为AeroGPT的新框架,利用大规模音频模型进行航空发动机轴承故障诊断,通过振动信号对齐和生成式故障分类直接生成可解释的故障标签 | 首次将大规模音频模型知识迁移到航空发动机轴承故障诊断领域,结合振动信号对齐和生成式故障分类,实现了无需后处理的交互式、可解释诊断 | 未明确说明模型在更广泛或噪声环境下的泛化能力,且可能依赖特定数据集 | 开发一种基于大规模音频模型的航空发动机轴承故障诊断方法,提高诊断准确性和可操作性 | 航空发动机轴承 | 机器学习 | NA | 振动信号分析 | 大规模音频模型 | 音频数据,振动信号 | 两个航空发动机轴承数据集:DIRG数据集和HIT轴承数据集 | NA | AeroGPT | 准确率 | NA |
| 1638 | 2026-03-14 |
CT-based hybrid deep learning-radiomics framework for predicting postoperative rebleeding in hypertensive intracerebral hemorrhage
2026-Mar-12, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2026-0052
PMID:41818817
|
研究论文 | 本研究开发了一个基于CT的混合深度学习-影像组学框架,用于预测高血压性脑出血患者术后再出血风险 | 提出了一种结合影像组学特征、深度学习表示和常规临床参数的混合架构,以提高个性化预测性能 | 需要进一步在更广泛的临床环境中进行模型优化和验证 | 增强高血压性脑出血患者术后再出血风险的个体化预测 | 高血压性脑出血患者 | 数字病理学 | 心血管疾病 | CT成像 | 深度学习 | 图像 | 151名患者(训练集105人,验证集46人) | NA | 混合深度学习-影像组学框架 | AUC | NA |
| 1639 | 2026-03-14 |
Evaluation of KU-F40 automated microscope for parasitology: when artificial intelligence meets old school microscopy
2026-Mar-11, Journal of clinical microbiology
IF:6.1Q1
DOI:10.1128/jcm.00743-25
PMID:41665376
|
研究论文 | 本研究评估了KU-F40自动化粪便分析仪在寄生虫学诊断中的性能,结合自动化显微镜和深度学习人工智能技术 | 首次在广泛寄生虫种类上评估KU-F40自动化粪便分析仪的性能,结合自动化显微镜和深度学习AI进行寄生虫检测与识别 | 性能尚不足以作为阴性结果自动验证的筛查工具,缺乏10倍放大物镜,数据库寄生虫种类有限 | 评估KU-F40自动化粪便分析仪在肠道寄生虫感染诊断中的性能 | 比利时六家临床实验室的267份临床粪便样本及外部质量控制样本 | 数字病理学 | 肠道寄生虫感染 | 自动化显微镜检查,深度学习人工智能 | 深度学习模型 | 显微镜图像 | 267份临床粪便样本 | NA | NA | 灵敏度,特异性 | NA |
| 1640 | 2026-03-14 |
AI-Based Personalized Therapy With Clinical Intelligence and Radiomics (SPOILS) for Patients With Low Back Pain: Prospective Observational Study
2026-Mar-11, JMIR AI
DOI:10.2196/83322
PMID:41812081
|
研究论文 | 本研究开发了一个名为SPOILS的人工智能决策支持工具,结合临床智能和影像组学为腰痛患者生成个性化治疗方案 | 首次将深度学习自动分割、影像组学特征提取与机器学习算法相结合,用于腰痛患者的个性化治疗规划,解决了传统手动分级的主观性和变异性问题 | 研究为前瞻性观察性研究,需要进一步随机对照试验验证临床效果;样本量未明确说明;未提及外部验证结果 | 开发人工智能决策支持工具,为腰痛患者提供个性化治疗方案 | 腰痛患者 | 医学影像分析 | 腰痛/腰椎退行性疾病 | 磁共振成像 | 深度学习, 机器学习 | 医学影像 | NA | NA | DeepLabV3+, ResNet50, MobileNetV2 | 准确率, 精确率, 召回率, Dice系数, 交并比 | NA |