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 42795 篇文献，本页显示第 1761 - 1780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1761 | 2026-03-13 |
A Dual-Reweighting Defense Strategy Against Data Poisoning Attacks in Medical Image Classification Models
2026-Mar-11, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01886-3
PMID:41814073
|
研究论文 | 本文提出了一种名为Dweighted的双重加权防御策略，以增强医疗图像分类模型对抗数据投毒攻击的安全性和鲁棒性 | 提出了一种结合双重加权与聚类分析的新型防御方案，通过动态调整客户端权重并利用PCA和K-means聚类精确识别和消除恶意客户端 | NA | 解决医疗图像分类模型在数据投毒攻击下的安全问题，提升模型的安全性和鲁棒性 | 医疗图像分类模型及其在数据投毒攻击下的防御 | 计算机视觉 | NA | NA | 深度学习模型 | 图像 | NA | NA | NA | 整体准确率, 攻击成功率 | NA |
| 1762 | 2026-03-13 |
Prediction of MYC/BCL-2 co-expression in diffuse large B-cell lymphoma using a multimodal fusion model: a retrospective study based on PET/CT habitat radiomics and deep learning
2026-Mar-11, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-01014-y
PMID:41814400
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1763 | 2026-03-13 |
AI-powered biomechanical modeling for ACL-reconstructed knees: predicting knee joint contact forces via computer vision and deep learning
2026-Mar-11, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-026-01939-2
PMID:41814442
|
研究论文 | 本研究开发并验证了一个结合计算机视觉和深度学习的非侵入式框架，用于预测前交叉韧带重建患者在日常活动中的膝关节接触力 | 结合增强的肌肉骨骼建模与包含时空注意力的深度学习架构，提高了跨多种运动任务的膝关节接触力预测精度，实现了从静态实验室分析到动态实时监测的范式转变 | 研究样本量相对较小（29名患者），且仅评估了三种日常活动，可能未涵盖所有相关运动模式 | 开发并验证一个集成、非侵入式的框架，以准确预测前交叉韧带重建患者在日常活动中的膝关节接触力 | 29名前交叉韧带重建术后患者 | 计算机视觉, 机器学习 | 前交叉韧带损伤 | 计算机视觉, 深度学习, 肌肉骨骼建模 | CNN, BiGRU, 注意力机制 | 运动轨迹数据, 运动学数据 | 29名患者 | NA | CNN-BiGRU-Attention | R² | NA |
| 1764 | 2026-03-13 |
Unlocking the black box: multimodal imaging and quantitative analysis of plant vesicular trafficking
2026-Mar-10, Advanced biotechnology
DOI:10.1007/s44307-026-00101-2
PMID:41803325
|
综述 | 本文综述了整合先进化学生物学与深度学习计算分析的新范式，以解锁植物囊泡运输的动态过程 | 提出了一种整合pH敏感探针、共价标签、荧光计时器与深度学习计算分析的多模态成像与定量分析新范式，实现了对分子事件前所未有的高保真可视化及囊泡动力学的严格数学建模 | NA | 揭示植物如何将环境刺激快速转化为生理反应，并解析囊泡运输在其中的核心作用 | 植物囊泡运输过程 | 计算生物学 | NA | 多模态成像，pH敏感探针（如pHluorin），共价标签（HaloTag），荧光计时器，下一代FRAP/FCS变体（DeepFRAP, FCSNet） | 深度学习 | 多模态成像数据 | NA | NA | NA | NA | NA |
| 1765 | 2026-03-11 |
Deep Learning for Analysis of Bone Marrow Adiposity: Breakthroughs from Recent Large-Scale Analyses in the UK Biobank
2026-Mar-10, Current osteoporosis reports
IF:4.2Q1
DOI:10.1007/s11914-026-00953-6
PMID:41803515
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1766 | 2026-03-13 |
Use of synthetic data, a novel paradigm for immunopathology
2026-Mar-10, Current opinion in immunology
IF:6.6Q1
DOI:10.1016/j.coi.2026.102753
PMID:41812346
|
综述 | 本文讨论了合成数据作为人工智能新范式在免疫病理学中的应用，特别是在自身免疫性疾病中的潜力 | 提出合成数据作为放大镜，能够预测疾病分类、进展和治疗反应，并支持数字孪生等精准医学应用 | 目前合成数据在免疫病理学中应用不足，且其复杂性和异质性可能未被完全捕获 | 探讨合成数据在自身免疫性疾病研究中的应用及其对精准医学的转化机会 | 自身免疫性疾病 | 机器学习 | 自身免疫性疾病 | NA | 深度学习 | 表格数据、医学图像、基因组学、流式细胞术数据 | NA | NA | NA | NA | NA |
| 1767 | 2026-03-13 |
Applications for the YOLO deep learning framework in dentistry: A narrative review
2026-Mar-10, Journal of prosthodontic research
IF:3.2Q1
DOI:10.2186/jpr.JPR_D_25_00374
PMID:41813162
|
综述 | 本文综述了YOLO深度学习框架在牙科领域的应用，包括龋齿检测、牙齿编号、生物材料评估、修复与种植规划、教育、唾液生物标志物分析和口腔癌检测等 | 首次系统性地综述了YOLO在牙科多个子领域的应用，并指出了其在实时诊断、教育平台和精准医疗中的潜力 | 存在数据集小、成像协议不一致以及外部验证有限等挑战 | 为牙科专业人士和研究人员提供YOLO在牙科应用的全面概述 | 牙科领域的图像数据，如X光片、锥形束CT图像等 | 计算机视觉 | 口腔疾病 | 深度学习 | YOLO | 图像 | NA | NA | YOLO | 精度, 效率 | NA |
| 1768 | 2026-03-13 |
A two-step scoring model incorporating visceral-to-subcutaneous fat ratio and systemic immunoinflammatory index for predicting cytokine release syndrome severity in patients with gastric cancer receiving Claudin18.2-targeted CAR-T cell therapy
2026-Mar-09, Cancer immunology, immunotherapy : CII
DOI:10.1007/s00262-026-04341-y
PMID:41801430
|
研究论文 | 本研究开发了一个结合内脏脂肪与皮下脂肪比率和全身免疫炎症指数的两步评分模型，用于预测接受Claudin18.2靶向CAR-T细胞治疗的胃癌患者细胞因子释放综合征的严重程度 | 首次将基于CT图像的身体成分参数（特别是内脏脂肪与皮下脂肪比率）与全身免疫炎症指数结合，构建了一个两步评分模型来预测CAR-T细胞治疗中细胞因子释放综合征的严重程度 | 样本量较小（仅45例患者），且为单中心研究，可能限制了结果的普遍适用性 | 预测接受Claudin18.2靶向CAR-T细胞治疗的晚期胃癌患者细胞因子释放综合征的严重程度 | 45例接受CLDN18.2靶向CAR-T细胞治疗的晚期胃癌患者 | 数字病理学 | 胃癌 | CT成像，深度学习图像分割 | 深度学习 | CT图像，临床指标 | 45例晚期胃癌患者 | NA | NA | AUC | NA |
| 1769 | 2026-03-11 |
Retraction Note: Multimodal deep learning for cephalometric landmark detection and treatment prediction
2026-Mar-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42846-9
PMID:41803246
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1770 | 2026-03-13 |
Evolution: Shark and ray biodiversity in deep time
2026-Mar-09, Current biology : CB
IF:8.1Q1
DOI:10.1016/j.cub.2026.01.047
PMID:41806816
|
研究论文 | 本文利用深度学习评估大数据，探讨鲨鱼和鳐鱼在深时尺度上的生物多样性演化 | 应用深度学习技术处理大数据，为鲨鱼和鳐鱼古生物多样性研究提供新方法 | NA | 研究鲨鱼和鳐鱼在深时尺度上的生物多样性演化 | 鲨鱼和鳐鱼 | 机器学习 | NA | 深度学习 | NA | 大数据 | NA | NA | NA | NA | NA |
| 1771 | 2026-03-13 |
Deep learning-assisted portable fluorescence device for dynamic monitoring of mercury absorption in rice
2026-Mar-09, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2026.148815
PMID:41812440
|
研究论文 | 本研究开发了一种结合深度学习与便携式荧光设备的系统，用于动态监测水稻对汞的吸收 | 首次将氮掺杂碳点荧光探针、3D打印便携设备、智能手机成像与卷积神经网络特征提取相结合，实现了汞的现场定量动态监测 | 未明确说明模型在复杂环境基质中的长期稳定性及抗干扰能力，样本类型和数量可能有限 | 开发一种简单有效的现场汞检测策略，动态监测水稻对汞的吸收过程 | 水稻、环境水样（自来水、河水、废水）中的汞离子 | 计算机视觉 | NA | 荧光检测法、水热合成法 | CNN | 图像（荧光图像） | 未明确说明具体样本数量，但包括自来水、河水、废水及水稻样品 | NA | NA | 相关系数R、检测限、回收率 | NA |
| 1772 | 2026-03-13 |
An Automated Framework for Quantitative Alveolar Bone Loss Using Deep Learning-Based Landmark Detection
2026-Mar-09, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2026.106620
PMID:41812977
|
研究论文 | 本文开发了一种基于深度学习的自动化框架，用于在全景X光片上定量测量牙槽骨丧失 | 通过将深度学习地标检测与曲线拟合相结合，实现了全口牙槽骨丧失的自动化定量分析 | 未在摘要中明确说明 | 开发并评估一种用于在全景X光片上自动量化牙槽骨丧失的框架 | 全景X光片（PANs） | 计算机视觉 | 牙周疾病 | 全景X光成像 | 深度学习 | 图像 | 760张全景X光片（分为训练集532张、验证集152张、测试集76张） | NA | TransPose, HRNet, YOLOv8 | 平均径向误差（MRE）, 成功检测率（SDR）, 组内相关系数（ICC）, 灵敏度, 特异性 | NA |
| 1773 | 2026-03-13 |
Integrating single-cell atlases and machine learning to construct 'in silico patients' for predicting individualized drug responses
2026-Mar-06, Biochemical pharmacology
IF:5.3Q1
DOI:10.1016/j.bcp.2026.117873
PMID:41796725
|
综述 | 本文综述了整合单细胞图谱与机器学习构建“硅基患者”以预测个体化药物反应的新兴概念 | 提出了整合多源数据（大规模单细胞图谱、药物基因组数据库、患者特异性scRNA-seq数据）的“硅基患者”预测框架，并利用AI（特别是深度学习和迁移学习）将细胞系知识应用于临床患者数据，结合肿瘤微环境（TME）影响和先进临床前模型（如急性组织切片培养）形成“预测-验证-优化”闭环 | NA | 为开发下一代个体化药物反应预测工具提供全面的概念蓝图 | 肿瘤生态系统，特别是肿瘤细胞异质性和药物反应 | 机器学习 | 肿瘤 | 单细胞RNA测序（scRNA-seq） | 深度学习, 迁移学习 | 单细胞RNA测序数据, 药物基因组数据 | NA | NA | NA | NA | NA |
| 1774 | 2026-03-13 |
Oxylipin profile data analysis: Current methodologies, challenges, and future directions
2026-Mar-06, Progress in lipid research
IF:14.0Q1
DOI:10.1016/j.plipres.2026.101381
PMID:41796823
|
综述 | 本文综述了氧脂素（oxylipin）谱数据分析的当前方法、挑战及未来方向 | 批判性评估了现有方法，并强调了机器学习与深度学习模型在氧脂素数据分析中的新兴应用潜力 | 新兴的机器学习与深度学习方法目前受限于数据可用性 | 增强氧脂素数据在系统生物学和转化脂质研究中的生物可解释性 | 氧脂素谱数据分析 | 生物信息学 | NA | 靶向质谱技术 | 机器学习, 深度学习 | 质谱数据 | NA | NA | NA | NA | NA |
| 1775 | 2026-03-13 |
Deep learning-assisted Raman spectroscopic quantification of total terpenes in Curcuma kwangsiensis
2026-Mar-06, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127668
PMID:41812501
|
研究论文 | 本研究开发了一种结合拉曼光谱与Res-SE 1D-CNN的快速高效策略，用于量化广西莪术中的总萜类化合物含量 | 首次将残差压缩与激励一维卷积神经网络应用于拉曼光谱数据，以量化传统中药中的总萜类化合物，并验证了其在地理溯源和现场质量控制中的潜力 | 研究仅基于广西地区的样本，样本来源相对有限，可能影响模型的泛化能力 | 开发一种快速、准确的定量方法，用于评估传统中药广西莪术中总萜类化合物的含量 | 广西莪术（Curcuma kwangsiensis）及其总萜类化合物 | 机器学习 | NA | 拉曼光谱，高效液相色谱，紫外光谱，密度泛函理论计算 | CNN | 光谱数据 | 来自广西6个产区的26批样本，共1400个光谱 | NA | Res-SE 1D-CNN | 相关系数R，均方根误差RMSE | NA |
| 1776 | 2026-03-13 |
WSI AFB and AI deliver highest sensitivity for TB detection
2026-Mar-05, Tuberculosis (Edinburgh, Scotland)
DOI:10.1016/j.tube.2026.102747
PMID:41814116
|
研究论文 | 本研究开发了一种集成了专有曲面聚焦算法和两阶段深度学习AI流程的WSI平台，用于结核病检测，并在前瞻性和回顾性评估中展示了其优于传统方法的诊断性能 | 开发了新型WSI平台，整合了专有的曲面聚焦算法以实现油镜下高速全玻片数字化，并采用两阶段深度学习AI流程（YOLOv5用于敏感候选检测，ResNet-18用于特异性分类）进行自动抗酸杆菌识别 | 未明确说明研究人群的具体特征或样本来源的多样性，且未讨论算法在不同设备或环境下的泛化能力 | 提高结核病的检测灵敏度，以弥补当前诊断方法的不足 | 结核病患者 | 数字病理学 | 结核病 | 全玻片成像，抗酸染色 | CNN | 图像 | 1097名患者 | NA | YOLOv5, ResNet-18 | 灵敏度, 特异性 | NA |
| 1777 | 2026-03-13 |
Spatial Proteomics Using S4P
2026-Mar-05, Bio-protocol
IF:1.0Q3
DOI:10.21769/BioProtoc.5620
PMID:41815837
|
研究论文 | 本文介绍了一种用于空间蛋白质组学的稀疏采样策略S4P，结合多角度组织条带显微切割和深度学习图像重建，以降低质谱时间需求 | 提出S4P方法，通过稀疏采样和多角度投影实现全组织切片覆盖，将质谱时间减少50%-90%，同时保持高蛋白质覆盖度 | NA | 开发高效的空间蛋白质组学映射技术，以克服蛋白质不可扩增性和质谱灵敏度限制 | 小鼠脑组织 | 数字病理学 | NA | 质谱蛋白质组学，多角度组织条带显微切割 | 深度学习 | 图像，蛋白质组数据 | NA | NA | NA | 分辨率（525 μm），质谱时间（200小时），蛋白质覆盖度（超过9,000种蛋白质） | NA |
| 1778 | 2026-03-13 |
ICP-WAVES: Intracranial Pressure Waveform Analysis and Visualization for Enhanced Signal Processing
2026-Mar-03, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3669377
PMID:41774667
|
研究论文 | 本文介绍了一种基于Transformer的基础模型，用于分析颅内压波形形态，以评估脑顺应性，并开发了一个图形用户界面进行实时交互分析 | 首次将Transformer基础模型应用于颅内压波形分析，能够捕捉复杂的时间动态模式，并支持实时交互式临床决策 | 模型在1峰顺应性波形分类上准确率仅为77.5%，且数据来源于单一医疗中心，可能影响泛化能力 | 开发一种增强信号处理的方法，以改进颅内压波形分析，支持临床决策 | 颅内出血患者和脑室外引流患者的颅内压波形数据 | 机器学习 | 脑出血 | 生理波形数据处理 | Transformer, SVM | 生理波形数据 | 190名颅内出血患者和23名脑室外引流患者，共标注8406个ICP脉冲 | NA | Transformer | AUC, 混淆矩阵, 准确率 | NA |
| 1779 | 2026-03-13 |
Automatic Couinaud segmentation using AI and pictorial representation landmarking
2026-Mar, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05123-3
PMID:40736570
|
研究论文 | 本文提出了一种结合深度学习和地标识别的框架，用于自动分割Couinaud肝段，以提高肝脏手术规划的准确性和效率 | 通过整合深度学习分割与辅助地标识别，创建个性化图示模型，实现精确的Couinaud地标定位，且无需重新训练即可纳入新数据 | 未明确提及研究的具体局限性，如数据集的多样性或模型泛化能力的进一步验证 | 开发一种自动、准确的Couinaud肝段分割方法，以优化肝脏手术规划和监测的临床工作流程 | 非对比T1加权MRI图像中的肝脏Couinaud分段 | 计算机视觉 | 肝脏疾病 | MRI成像 | 深度学习模型 | 图像 | 225例非对比T1加权MRI，来自4项不同研究 | NA | NA | 地标放置准确性和Couinaud分段体积估计 | NA |
| 1780 | 2026-03-13 |
FOCUS-DWI improves prostate cancer detection through deep learning reconstruction with IQMR technology
2026-Mar, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05100-w
PMID:40748461
|
研究论文 | 本研究探讨了IQMR图像后处理技术对FOCUS-DWI序列在前列腺癌检测中图像质量的影响，并评估其在区分良恶性病变方面的效能 | 首次将IQMR（智能快速磁共振）图像后处理技术应用于FOCUS-DWI序列，显著提升了图像质量并改善了前列腺癌的诊断准确性 | 研究为回顾性分析，样本量相对较小（62例患者），且仅涉及单一中心的数据 | 评估IQMR后处理技术对FOCUS-DWI序列在前列腺癌检测中图像质量和诊断效能的影响 | 62例前列腺肿块患者（31例良性，31例恶性）的临床数据和MRI图像 | 数字病理 | 前列腺癌 | MRI（磁共振成像），包括T2WI-FS和FOCUS-DWI序列，以及IQMR图像后处理技术 | NA | 医学影像（MRI图像） | 62例患者（31例良性前列腺病变，31例恶性前列腺病变） | NA | NA | 峰值信噪比（PSNR），结构相似性指数（SSIM），表观扩散系数（ADC），受试者工作特征曲线下面积（AUC），诊断置信度评分，诊断准确率 | NA |