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 43005 篇文献，本页显示第 1721 - 1740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1721 | 2026-03-16 |
Classification of health product defect reports by deep learning
2026-Mar-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43961-3
PMID:41832296
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1722 | 2026-03-16 |
Hydrogeochemical assessment and groundwater fluoride prediction in Bathinda district using deep learning
2026-Mar-14, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-026-15160-0
PMID:41832344
|
研究论文 | 本研究利用深度学习技术预测印度旁遮普邦巴廷达地区地下水氟化物污染，并结合水文地球化学评估与空间分析 | 首次在巴廷达地区整合统一空间采样、水文地球化学评估与深度学习预测模型，并采用数据增强技术提升模型鲁棒性 | 研究区域局限于巴廷达地区，样本量相对有限，且模型在未采样区域的泛化能力需进一步验证 | 自动化预测地下水氟化物浓度，评估季节性水化学变化，支持地下水管理与公共健康规划 | 巴廷达地区的地下水样本 | 机器学习 | NA | 水文地球化学分析，GIS空间采样，APHA标准水质检测 | CNN, LSTM, DNN, 混合CNN-LSTM | 水质参数数据，空间地理数据 | 226个地下水样本（雨季前后采集），通过插值生成30000个合成数据点 | NA | 卷积神经网络，长短期记忆网络，深度神经网络，混合CNN-LSTM | 相关系数R | NA |
| 1723 | 2026-03-16 |
Interpretable deep learning radiomics from 18F-FDG PET/CT for differentiating diffuse large B-cell lymphoma and follicular lymphoma
2026-Mar-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02253-y
PMID:41832418
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1724 | 2026-03-15 |
Correction: Development and validation of a multimodal deep learning model for early esophageal squamous neoplasia detection and invasion depth prediction
2026-Mar-13, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2832-9144
PMID:41825460
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1725 | 2026-03-16 |
Characterizing spatiotemporal trends in PM2.5 component exposures across the western United States using daily 1-km estimates from multi-source data and deep learning
2026-Mar-13, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129322
PMID:41831362
|
研究论文 | 本研究开发了一个基于深度森林算法的时空建模框架，用于估算美国西部2002年至2019年每日1公里分辨率的PM2.5组分浓度 | 整合了地面化学组分网络、卫星反演PM质量浓度、CMAQ模拟和多种辅助预测因子，首次生成了美国西部长期、高时空分辨率的PM2.5组分（硫酸盐、硝酸盐、有机碳、元素碳、矿物尘）无间隙浓度数据集 | 未明确提及模型在极端气象条件或复杂地形区域的泛化能力，也未讨论模型对新兴污染源的适应性 | 为空气质量管理和健康风险评估提供可靠、长期的细颗粒物（PM2.5）化学成分数据 | 美国西部地区的PM2.5化学成分（硫酸盐、硝酸盐、有机碳、元素碳、矿物尘） | 环境科学, 机器学习 | NA | 深度森林算法, 多源数据融合（地面监测、卫星遥感、CMAQ模拟） | 深度森林 | 时空序列数据, 多源遥感与模拟数据 | 美国西部2002-2019年每日1公里分辨率网格数据 | NA | 深度森林 | 交叉验证R², 均方根误差（RMSE）, 斜率 | NA |
| 1726 | 2026-03-16 |
A Multicenter Study on Deep Learning Model-Assisted Detection of Brain Metastases in MR Images
2026-Mar-13, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.01.002
PMID:41832083
|
研究论文 | 本研究开发并验证了一个基于深度学习的脑转移检测模型（BMDM），用于在磁共振图像中诊断脑转移，并通过多中心数据评估了其辅助放射科医生提升诊断效率和性能的效果 | 开发了一个专门用于脑转移检测的深度学习模型，并在多中心研究中比较了放射科医生单独、模型单独及模型辅助三种阅读模式，显著提升了小病灶和岛叶病灶的检测灵敏度 | 研究为回顾性设计，可能受到数据选择偏倚的影响；未在更广泛的外部数据集上进行验证 | 开发并验证一个深度学习模型，以辅助放射科医生在磁共振图像中更高效、准确地检测脑转移 | 脑转移患者的磁共振图像 | 计算机视觉 | 脑转移 | 磁共振成像 | 深度学习模型 | 图像 | 训练和测试集包含950名患者，验证集包含423名患者 | NA | NA | AFROC曲线下面积, 灵敏度 | NA |
| 1727 | 2026-03-16 |
Refining prognostication in non-muscle-invasive bladder cancer: From clinical models to artificial intelligence
2026-Mar-13, Urologic oncology
DOI:10.1016/j.urolonc.2026.111047
PMID:41832109
|
综述 | 本文综述了非肌层浸润性膀胱癌预后模型从临床评分系统到人工智能框架的演变 | 总结了整合临床、病理、分子、影像组学及人工智能变量的多模态预后模型，并指出AI方法在预测性能上超越传统风险表 | 现有工具在可重复性、可解释性及临床整合方面仍面临挑战，且缺乏前瞻性临床效用验证 | 优化非肌层浸润性膀胱癌的风险分层，以改进患者监测和治疗决策 | 非肌层浸润性膀胱癌患者 | 数字病理学 | 膀胱癌 | 分子分类器（如12基因PCR评分、UROMOL21）、全切片图像深度学习、MRI影像组学 | 机器学习, 深度学习 | 临床病理数据, 全切片图像, MRI影像 | NA | NA | NA | 区分度, 校准度 | NA |
| 1728 | 2026-03-16 |
Development and Validation of a Deep Learning System for Echocardiographic Assessment of 16-Segment LV Wall Thickness
2026-Mar-13, Ultrasound in medicine & biology
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统，用于自动测量16段左心室壁厚度，通过超声心动图评估左心室肥厚的病理进展 | 首次提出基于深度学习的自动测量16段左心室壁厚度的方法，并在体内和体外数据集中进行验证，减少了传统方法的时间消耗和变异性 | 研究样本量相对有限（197名患者），且未在更广泛或多样化的临床人群中验证，可能影响泛化能力 | 开发并验证一种自动测量16段左心室壁厚度的深度学习系统，以改善左心室肥厚的诊断和治疗评估 | 超声心动图图像，包括正常壁厚度和增厚壁厚度的患者队列 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习算法 | 图像 | 92,984张超声心动图（正常壁厚度队列），26,523张超声心动图（增厚壁厚度数据集），2,238张超声心动图（体外数据集），总计197名患者 | NA | NA | Dice相似系数，Hausdorff距离，平均绝对误差 | NA |
| 1729 | 2026-03-16 |
Deep learning techniques for crop classification in complex agricultural landscapes
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37806-2
PMID:41820421
|
研究论文 | 本文提出了一种结合植被指数和注意力机制的深度学习方法，用于复杂农业景观中的作物分类 | 引入了Tanh激活的自注意力机制，在作物分类中取得了最高准确率（88.89%），优于乘法注意力、软注意力和全局注意力 | NA | 提高复杂农业景观中作物分类的准确性 | 遥感数据中的作物类型 | 计算机视觉 | NA | 遥感技术、植被指数分析 | 深度学习模型 | 时间序列遥感数据、频率信息数据 | NA | NA | 自注意力机制、乘法注意力、软注意力、全局注意力 | 准确率 | NA |
| 1730 | 2026-03-16 |
Enhanced pneumonia prognosis via a hybrid deep learning ensemble: Dense Net, Efficient Net, and VGG16 integration
2026-Mar-12, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究提出了一种集成DenseNet、EfficientNet和VGG16的深度学习框架，用于增强肺炎的预后诊断 | 提出了一种结合深度CNN和InceptionV3的混合特征提取方法，并应用贝叶斯优化与粒子群优化的混合策略进行超参数调优 | NA | 开发一个稳健、临床可行且高度可靠的早期准确肺炎诊断解决方案 | 肺炎 | 计算机视觉 | 肺炎 | 深度学习 | CNN | 图像 | NA | NA | DenseNet, EfficientNet, VGG16, InceptionV3 | 准确率, 灵敏度, 特异性 | NA |
| 1731 | 2026-03-16 |
AI in the Prediction of Hepatic Fibrosis Progression Using Non-Coding RNAs
2026-Mar-12, Clinica chimica acta; international journal of clinical chemistry
DOI:10.1016/j.cca.2026.120973
PMID:41831666
|
综述 | 本文综述了人工智能在利用非编码RNA预测肝纤维化进展中的应用，包括最新发现、挑战与未来机遇 | 整合人工智能与多组学数据及非编码RNA互作网络，提升肝纤维化进展预测的精确性和非侵入性诊断工具 | 数据标准化和临床验证的必要性尚未完全解决，存在潜在挑战 | 探讨人工智能在肝纤维化中识别非编码RNA生物标志物、预测疾病分期和风险分层的作用 | 肝纤维化及其进展至肝硬化和肝细胞癌的过程 | 机器学习 | 肝纤维化 | 转录组数据分析 | NA | 转录组数据 | NA | NA | NA | NA | NA |
| 1732 | 2026-03-16 |
Evolutionary-Based Deep Learning Network Model using Adaptive Mixing Differential Evolution and Application in Acute Pulmonary Embolism
2026-Mar-12, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.03.009
PMID:41831678
|
研究论文 | 本文提出了一种基于进化计算的深度学习网络模型EDLAlexNet，用于急性肺栓塞的预测和分析 | 提出了一种结合Q学习和对立学习的自适应混合差分进化算法MIXDE，并将其集成到AlexNet模型中，用于急性肺栓塞的预测 | NA | 开发一种高效、准确的工具，用于急性肺栓塞的预测和分析，以克服现有评估方法的复杂性、耗时性和侵入性等局限 | 中低风险和高风险的急性肺栓塞患者 | 机器学习 | 急性肺栓塞 | NA | CNN | 血液生化指标、生命体征、临床参数和临床特征 | NA | NA | AlexNet | 准确率, 特异性, 敏感性, AUC | NA |
| 1733 | 2026-03-16 |
Prognostic value of end-to-end deep learning assessment of myocardial scar and microvascular obstruction on late gadolinium enhancement cardiovascular magnetic resonance
2026-Mar-12, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102712
PMID:41831720
|
研究论文 | 本研究开发并验证了LGE-CMRnet，一种用于LGE CMR上自动分割心肌瘢痕和微血管阻塞的端到端深度学习流程，并评估其在急性心肌梗死患者中的预后价值 | 整合YOLOv8进行心脏定位和nnU-Net进行心肌、瘢痕和微血管阻塞的同步分割，实现了快速、准确的自动化分割，其预后预测性能与专家分析相当 | 研究样本主要来自特定患者队列，外部验证队列规模相对较小（158例患者），且未在更广泛、多中心的临床环境中进行验证 | 开发并验证一个端到端深度学习管道，用于自动分割LGE CMR上的心肌瘢痕和微血管阻塞，并评估其在急性心肌梗死患者中的预后价值 | 急性心肌梗死患者的晚期钆增强心血管磁共振图像 | 数字病理学 | 心血管疾病 | 晚期钆增强心血管磁共振 | CNN | 图像 | 567例急性心肌梗死患者的3,874张LGE图像（409例用于训练/内部压力测试队列；158例用于外部测试） | PyTorch | YOLOv8, nnU-Net | Dice相似系数, 相关性分析, Bland-Altman分析, C指数 | NA |
| 1734 | 2026-03-16 |
Molecular Design with Artificial Intelligence: Progress and Perspectives for Small Molecules
2026-Mar-11, Chemical reviews
IF:51.4Q1
DOI:10.1021/acs.chemrev.5c00689
PMID:41764645
|
综述 | 本文回顾了人工智能在分子设计领域的发展路径，并探讨了AI对化学的实际影响 | 整合了生成式人工智能（如变分自编码器、大语言模型和扩散模型）于化学分子设计，推动了该领域的爆炸性发展 | 讨论了AI生成分子合成相关的可能性和问题，但未具体说明技术或应用限制 | 探讨人工智能在化学分子设计中的进展与前景 | 小分子 | 机器学习 | NA | NA | 变分自编码器, 大语言模型, 扩散模型 | NA | NA | NA | NA | NA | NA |
| 1735 | 2026-03-16 |
Deep Learning Assisted Proton Pure Shift NMR Spectroscopy
2026-Mar-11, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.5c22860
PMID:41770844
|
研究论文 | 本文提出了一种基于深度学习的质子纯位移核磁共振光谱方法，用于将自旋回波调制的氢核磁共振光谱转换为高灵敏度、高分辨率的单峰光谱 | 利用深度学习将复杂重叠的多重峰模式转换为虚拟同核去耦纯位移光谱，并预测转换不确定性以实现定量分析 | 未明确说明方法在特定低灵敏度样品或可交换质子系统中的具体应用限制 | 开发一种深度学习辅助的核磁共振光谱分析技术，以改善复杂有机化合物光谱的解析能力 | 复杂有机化合物，包括天然产物和药物类有机分子 | 机器学习 | NA | 核磁共振光谱学，质子纯位移光谱 | 深度学习 | 核磁共振光谱数据 | NA | NA | NA | NA | NA |
| 1736 | 2026-03-16 |
Untangling biological complexity: A deep learning approach to separating multiple signals in single-cell data
2026-Mar-11, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2026.101188
PMID:41819074
|
研究论文 | 本文介绍了一种名为CellUntangler的深度学习模型，用于从单细胞RNA测序数据中捕获和过滤多个生物信号 | 开发了基于深度学习的CellUntangler模型，能够有效分离单细胞数据中的多个生物信号 | NA | 从单细胞RNA测序数据中分离多个生物信号 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 深度学习 | 基因表达数据 | NA | NA | NA | NA | NA |
| 1737 | 2026-03-16 |
NeuroMix-DL: Improving imaging quality of a fast multiparametric MRI protocol using deep learning
2026-Mar-11, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112795
PMID:41831364
|
研究论文 | 本研究利用深度学习模型SwinUNETR提升快速多对比度脑部MRI协议（NeuroMix）的图像质量 | 首次将Swin U-Net Transformer（SwinUNETR）应用于快速多对比度MRI图像增强，显著降低图像误差并改善临床质量评分 | 研究为回顾性设计，样本量相对有限（350例），且未在外部数据集验证模型泛化能力 | 通过深度学习提升快速多对比度MRI协议的图像质量，优化MRI检查的性价比 | 350名患者（年龄64±17岁，155名男性）的脑部MRI图像 | 医学影像分析 | NA | 快速多对比度MRI序列（NeuroMix） | 深度学习 | MRI图像 | 350例患者 | NA | SwinUNETR | 均方根误差（RMSE）, 五点图像质量量表评分 | NA |
| 1738 | 2026-03-16 |
Bridging Population Patterns and Individual Prediction: Framework for Prospective Multimorbidity Study
2026-Mar-10, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/84261
PMID:41806366
|
研究论文 | 本研究提出了一种创新的框架，将人群层面的共病模式识别与个体层面的预测建模相结合，用于前瞻性预测个体未来的共病模式 | 提出了一种新颖的深度学习模型CLA-Net，它结合了GRU和Transformer架构的优势，并引入了双时间定向交叉注意力机制，以同时捕捉时间依赖性和复杂的特征交互 | 未明确说明研究数据的来源、时间跨度或潜在的样本偏差，也未讨论模型在外部验证或不同人群中的泛化能力 | 将共病研究从描述性分析推进到前瞻性的共病模式预测，以支持个性化的预防和管理 | 纵向健康随访数据中的个体 | 机器学习 | 共病 | 潜在转变分析，深度学习 | GRU, Transformer | 纵向健康随访数据 | NA | NA | CLA-Net | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 1739 | 2026-03-16 |
Computer-aided diagnosis of papillary thyroid carcinoma based on deep learning technology
2026-Mar-10, Critical reviews in oncology/hematology
DOI:10.1016/j.critrevonc.2026.105235
PMID:41819301
|
综述 | 本文系统评估了深度学习技术在甲状腺乳头状癌（PTC）诊断中的应用，包括影像学和病理学分析，并探讨了未来发展方向 | 系统性地综述了深度学习在PTC诊断中的多模态应用（超声、CT、MRI、H&E染色病理切片），并前瞻性地提出了结合影像组学与分子生物标志物的混合模型以及可解释AI框架的发展方向 | 存在数据集异质性、模型可解释性限制以及影像标准化挑战等局限性 | 评估深度学习技术在甲状腺乳头状癌（PTC）诊断中的应用现状与未来方向，以优化临床决策 | 甲状腺乳头状癌（PTC）的影像学（超声、CT、MRI）和病理学（H&E染色切片）数据 | 数字病理学 | 甲状腺癌 | 深度学习，影像组学分析 | 深度学习模型 | 图像（超声、CT、MRI影像，H&E染色病理切片） | NA | NA | NA | 准确性 | NA |
| 1740 | 2026-03-16 |
Classification of functional near-infrared spectroscopy (fNIRS) signals in schizophrenia and bipolar disorder using deep learning methods
2026-Mar-10, Psychiatry research
IF:4.2Q1
DOI:10.1016/j.psychres.2026.117084
PMID:41831295
|
研究论文 | 本研究利用功能近红外光谱（fNIRS）结合言语流畅性任务（VFT），通过深度学习方法和可解释性分析，对精神分裂症（SCZ）和双相情感障碍（BD）患者进行功能分类和鉴别诊断 | 首次将深度学习与可解释性方法结合应用于fNIRS信号，以区分SCZ和BD，并识别关键神经影像生物标志物（如lOFC） | 样本量相对较小（共169名参与者），且仅基于fNIRS和VFT任务，可能未涵盖其他认知或生理指标 | 评估fNIRS作为临床诊断工具的可靠性，并探索其在认知任务中对SCZ和BD进行鉴别诊断的潜力 | 精神分裂症患者、双相情感障碍患者和健康对照者 | 机器学习 | 精神分裂症, 双相情感障碍 | 功能近红外光谱（fNIRS）, 言语流畅性任务（VFT） | 深度学习 | fNIRS信号（氧合血红蛋白浓度变化） | 50名SCZ患者、67名BD患者和52名健康对照者（共169名） | NA | NA | 分类准确率, AUC | NA |