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 1801 - 1820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1801 | 2026-03-13 |
Developing a segmentation cascade deep learning network based on automated prompts
2026-Mar-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-1163
PMID:41816085
|
研究论文 | 本研究提出了一种基于自动提示的两阶段深度学习级联框架，用于提高鼻咽癌大体肿瘤体积（GTVnx）自动分割的准确性 | 通过策略性地将粗定位与边界细化解耦，并引入定位提示生成单元和精细分割单元，结合注意力引导机制，显著提升了分割精度，同时保持了计算效率 | 研究仅基于276名鼻咽癌患者的数据集，样本量相对有限，且未在更广泛的多中心数据上进行验证 | 开发一种高精度、高效率的鼻咽癌大体肿瘤体积自动分割方法 | 鼻咽癌（NPC）患者的大体肿瘤体积（GTVnx） | 数字病理 | 鼻咽癌 | 深度学习 | CNN | 医学影像 | 276名鼻咽癌患者 | NA | 级联网络，包含定位提示生成单元和精细分割单元 | Dice相似系数（DSC），95%豪斯多夫距离（HD95），平均一致性距离（MDA） | NA |
| 1802 | 2026-03-13 |
Machine Learning-Based Risk Prediction Models for Pregnancy-Related Syndromes
2026-Mar, Birth defects research
IF:1.6Q4
DOI:10.1002/bdr2.70038
PMID:41817044
|
综述 | 本文综述了机器学习在产科护理中的应用，特别是针对妊娠相关综合征的风险预测模型 | 整合了多模态数据（如电子健康记录、生化标志物、多组学和影像），并采用了联邦学习保护隐私和偏差缓解策略以提高模型在不同人群中的泛化能力 | 需要外部验证和监管框架以确保临床采用 | 开发和应用机器学习模型以预测和预防妊娠相关综合征，改善围产期结局 | 妊娠相关综合征，如高血压疾病、妊娠期糖尿病和早产 | 机器学习 | 妊娠相关综合征 | 多模态数据整合（电子健康记录、生化标志物、多组学、影像） | 集成方法（如随机森林、XGBoost）、深度学习（如CNN） | 多模态数据（电子健康记录、生化标志物、多组学、影像） | NA | NA | 随机森林, XGBoost, CNN | AUC | NA |
| 1803 | 2026-03-13 |
Prediction of bacterial protein-compound interactions with only positive samples
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag067
PMID:41706651
|
研究论文 | 本文提出了一种名为BIN-PU的新型正样本-未标记学习框架，用于仅使用正样本预测细菌蛋白质-化合物相互作用 | 提出BIN-PU框架，通过从已知正相互作用数据生成伪正负标签，解决了细菌CPI预测中缺乏负样本的问题 | 未明确说明模型在其他类型细菌蛋白质或更广泛化合物库上的泛化能力 | 开发一种仅使用正样本的细菌蛋白质-化合物相互作用预测方法 | 细菌蛋白质（如细胞色素P450）与化合物的相互作用 | 机器学习 | NA | 深度学习 | 深度学习模型 | 相互作用数据 | 使用细菌细胞色素P450数据、文献综述获得的额外细菌蛋白质、人类CYP数据集以及未整理数据进行验证 | NA | NA | NA | NA |
| 1804 | 2026-03-13 |
Bridging innovation and clinical reality: Interpreting the comparative study of deep learning models for multi-class upper gastrointestinal disease segmentation
2026-Feb-28, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v32.i8.115297
PMID:41809884
|
评论 | 本文评论了一项关于深度学习模型在上消化道疾病多类别分割中的比较研究，强调其从技术突破向临床验证的关键转变 | 该研究首次进行了最全面的深度学习模型比较，使用了一个新颖的3313张图像、九类临床数据集，并提出了面向临床部署的验证框架 | NA | 加速安全、可泛化且符合伦理的自动化内窥镜辅助系统的临床采用 | 上消化道疾病的多类别分割 | 计算机视觉 | 上消化道疾病 | NA | 深度学习模型 | 图像 | 3313张图像，包含九类临床数据，以及公开的EDD2020基准数据集 | NA | Swin-UMamba-D, SegFormer | 分割准确性 | NA |
| 1805 | 2026-03-13 |
Enhanced CT-based deep learning radiomics and biological correlations for predicting immunotherapy efficacy in advanced non-small cell lung cancer
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-aw-2287
PMID:41815118
|
研究论文 | 本研究构建了一个结合临床特征、增强CT影像组学和深度学习特征的预测模型，用于评估晚期非小细胞肺癌患者免疫治疗的持久临床获益 | 整合临床特征、增强CT影像组学特征和深度学习特征，并利用放射基因组数据提供预测的生物学解释 | 研究为回顾性分析，样本量有限（201名患者），且数据部分来源于公共数据库 | 预测晚期非小细胞肺癌患者免疫治疗的疗效 | 晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 增强CT成像，转录组测序 | 深度学习，影像组学 | CT图像，临床数据，转录组数据 | 201名晚期非小细胞肺癌患者 | PyTorch（推断自ResNet使用），Scikit-learn（推断自LASSO使用） | ResNet-34 | AUC | NA |
| 1806 | 2026-03-13 |
Multi-parameter magnetic resonance imaging (MRI) deep learning radiomics predicts complete response after induction immunochemotherapy in locally advanced nasopharyngeal carcinoma
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1945
PMID:41815125
|
研究论文 | 本研究开发并验证了一个多模态融合模型，结合传统MRI影像组学特征与深度学习影像组学特征，用于预测局部晚期鼻咽癌患者在接受诱导免疫化疗后早期达到完全缓解的可能性 | 首次将传统MRI影像组学特征与深度学习影像组学特征进行多模态融合，以预测局部晚期鼻咽癌患者诱导免疫化疗后的完全缓解，为个性化治疗决策提供新工具 | 研究为单中心回顾性分析，样本量相对有限（230例），且缺乏外部验证队列，未来需要多中心前瞻性研究进一步验证模型的泛化能力 | 开发并验证一个能够预测局部晚期鼻咽癌患者在接受诱导免疫化疗后早期达到完全缓解的预测模型 | 局部晚期鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 多参数磁共振成像 | 机器学习算法 | MRI图像 | 230例经活检确诊的局部晚期鼻咽癌患者 | NA | NA | AUC, 95%置信区间, 决策曲线分析 | NA |
| 1807 | 2026-03-13 |
Metastatic patterns, prognostic factors, and deep learning model development in primary gastrointestinal melanoma: a retrospective cohort analysis
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1701
PMID:41815154
|
研究论文 | 本研究通过回顾性队列分析，探讨了原发性胃肠道黑色素瘤的转移模式、预后因素，并开发了深度学习模型用于预测生存率 | 首次系统分析了原发性胃肠道黑色素瘤的转移模式和预后因素，并开发了深度学习模型进行生存预测 | 研究基于回顾性数据库（SEER），可能存在选择偏倚，且未详细说明深度学习模型的具体架构 | 调查原发性胃肠道黑色素瘤的转移模式、预后因素，并开发预测总体生存率和癌症特异性生存率的深度学习模型 | 原发性胃肠道黑色素瘤患者 | 数字病理学 | 黑色素瘤 | 回顾性队列分析，Cox回归分析 | 深度学习模型 | 临床数据 | 来自SEER数据库的患者队列，具体数量未明确说明，但分为发现队列（80%）和验证队列（20%） | NA | NA | AUC | NA |
| 1808 | 2026-03-13 |
A multimodal fusion model for bone tumor benign and malignant diagnosis: development and validation with clinical text and radiographs
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1832
PMID:41815162
|
研究论文 | 本研究开发并验证了一种融合深度学习与Dempster-Shafer证据理论的多模态模型，用于术前区分良性与中间型/恶性骨肿瘤 | 首次将深度学习与Dempster-Shafer证据理论结合，融合临床文本和X射线图像进行骨肿瘤良恶性诊断，相比单模态方法和其他基线融合模型性能更优 | 单中心回顾性研究，样本量有限（319例），需多中心前瞻性研究进一步验证 | 开发并验证一种精确的术前诊断工具，用于区分良性与中间型/恶性骨肿瘤 | 319例经病理确诊的骨肿瘤患者 | 数字病理 | 骨肿瘤 | 深度学习, Dempster-Shafer证据理论 | 多模态融合模型 | 文本, 图像 | 319例患者（含文本数据和X射线图像） | NA | NA | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 1809 | 2026-03-13 |
Narrative review: the research advances of artificial intelligence in the prediction of pulmonary nodule growth
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1580
PMID:41816407
|
综述 | 本文是一篇叙述性综述，总结了人工智能在预测CT图像上肺结节生长方面的研究进展、模型性能比较以及临床转化中的关键挑战与未来方向 | 系统综述了AI在肺结节生长预测中的三类工作流程（基线CT模型、纵向CT模型、基于生长相关替代指标的模型），并强调了可解释AI框架在识别关键特征、提升模型可信度方面的新兴作用 | 现有模型多为回顾性、单中心研究，使用异质性协议和非标准化的生长定义，缺乏外部或前瞻性验证，限制了其普适性；同时面临PACS集成、敏感性与特异性平衡、过度诊断和假性进展等实际挑战 | 总结当前基于人工智能的方法在CT上预测肺结节生长的研究，比较模型性能，并讨论临床转化的关键挑战和未来方向 | 肺结节 | 数字病理 | 肺癌 | 动态计算机断层扫描（CT） | 机器学习（ML）、深度学习（DL） | CT图像 | NA | NA | NA | NA | NA |
| 1810 | 2026-03-13 |
Narrative review of the ethics of artificial intelligence: are we ready for artificial intelligence in surgery?
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1814
PMID:41816458
|
综述 | 本文探讨了人工智能在手术领域应用中的伦理挑战，并评估了手术界在机构和个人层面应对这些问题的准备情况 | 系统性地回顾了人工智能在手术全流程中的应用及其伴随的伦理问题，强调了算法偏见、透明度、知情同意和责任归属等关键挑战 | 基于有限文献（2018-2025年间14项关键研究）的回顾，可能未涵盖所有最新进展或伦理争议 | 评估手术界对人工智能伦理挑战的准备程度，并探讨其应用中的伦理原则 | 人工智能在手术护理中的应用及其伦理影响 | NA | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 1811 | 2026-03-13 |
Transforming lung transplantation with artificial intelligence: a narrative review from organ allocation to post-transplant management
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-aw-2395
PMID:41816476
|
综述 | 本文综述了人工智能在肺移植全流程中的应用现状、技术机制及未来生态系统，涵盖器官分配、手术辅助、并发症预测和个性化用药管理 | 全面评估AI在肺移植从器官分配到术后管理各阶段的应用潜力，并强调构建基于FAIR原则的数据生态系统以推动临床整合 | 数据质量异质性、模型可解释性不足以及临床整合复杂性是阻碍AI广泛应用的主要障碍 | 评估人工智能在肺移植临床路径中的应用现状、技术机制及未来发展方向 | 肺移植的临床流程，包括器官分配、手术过程及术后管理 | 数字病理学 | 肺移植相关疾病 | NA | 机器学习, 深度学习 | 时间序列数据, 图像数据 | NA | NA | NA | NA | NA |
| 1812 | 2026-03-13 |
AI and Wearables for Early Detection of Cognitive Impairment and Dementia: Systematic Review
2026-Feb-23, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/86262
PMID:41730193
|
系统综述 | 本文系统综述了可穿戴设备和人工智能在认知障碍和痴呆早期检测中的应用，评估了设备类别、认知结局、分析方法和预防相关性 | 从描述性关联转向数字表型框架，评估临床前窗口期人工智能驱动的预测，区分直接预测证据与间接相关发现，并批判性评估方法学成熟度 | 样本量小、监测持续时间短、外部验证有限，且由于设备、结局和分析方法的异质性，无法进行定量荟萃分析 | 综合并批判性评估可穿戴设备在认知障碍和痴呆早期检测和预防中的最新证据 | 年龄≥50岁的人类参与者，使用可穿戴设备连续收集≥24小时数据，并具有经过验证的认知结局 | 数字病理学 | 老年疾病 | 可穿戴设备连续监测（睡眠、身体活动、昼夜节律） | 机器学习, 深度学习 | 连续可穿戴衍生数据（行为标记） | 49项研究，样本量范围14至91,948名参与者（总计>200,000），中位样本量145 | NA | NA | 曲线下面积（AUC） | NA |
| 1813 | 2026-03-13 |
Balanced deep learning on multi-omics networks identifies molecular subgroups of pathological brain aging
2026-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.18.26346567
PMID:41757211
|
研究论文 | 本研究开发了一种网络引导的多组学整合框架，用于识别病理性脑老化的分子亚群 | 结合数据驱动的分子网络与多组学数据，通过图嵌入、特征平衡和自编码器学习，系统识别出与认知和神经病理学显著相关的五个分子亚群 | 研究基于特定队列（ROS/MAP），样本量相对有限，且未在更广泛的外部数据集中验证 | 识别神经退行性疾病（特别是阿尔茨海默病）的分子亚群，以超越临床诊断，揭示疾病异质性 | 来自宗教秩序研究和拉什记忆与衰老项目（ROS/MAP）的356名参与者的脑转录组、蛋白质组和代谢组数据 | 机器学习 | 阿尔茨海默病 | 转录组学、蛋白质组学、代谢组学、图嵌入 | 自编码器 | 多组学网络数据 | 356名参与者（发现队列），327名参与者（验证队列） | NA | 自编码器 | Spearman相关系数 | NA |
| 1814 | 2026-03-13 |
Coupling Remote Sensing and Artificial Intelligence: Mapping Hydrological Variables with GEE and Predicting Surface-water Extent with Neural Networks
2026-Feb-18, Environmental management
IF:2.7Q3
DOI:10.1007/s00267-026-02404-5
PMID:41706178
|
研究论文 | 本研究开发了一个名为RSAI的可重复计算工作流，结合Google Earth Engine和深度学习模型，用于绘制水文变量时空趋势并预测月度地表水范围 | 首次将Google Earth Engine与深度学习模型耦合，创建了一个可转移的工作流，用于数据有限地区的水文监测和预测 | 研究仅应用于阿尔及尔沿海盆地一个区域，需要更多地区验证其可转移性 | 开发一个可重复的工作流，用于水资源稀缺地区的水文监测和可靠预测 | 阿尔及尔沿海盆地(02 A)2001-2022期间的水文变量 | 机器学习 | NA | 遥感, 时间序列分析 | ANN, DNN, LSTM | 遥感时间序列数据 | 2001-2022期间月度数据 | Google Earth Engine, 未指定深度学习框架 | 人工神经网络, 深度神经网络, 长短期记忆网络 | 相关系数(R), 平均绝对误差(MAE), 均方根误差(RMSE), 传播因子 | 未明确指定，但使用了Google Earth Engine平台 |
| 1815 | 2026-03-13 |
Feasibility of Electroencephalography-Based Detection of Single-Flash Microperimetry Stimuli: A Proof-of-Concept Study
2026-Feb-14, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.09.12.25335536
PMID:41728305
|
研究论文 | 本研究评估了在非理想同步条件下使用脑电图检测微视野检查单次闪光刺激的可行性，并探索了独立于患者反应的脑电图刺激注册方法 | 首次在缺乏硬件级同步和单次试验分析的条件下，利用深度学习模型从脑电图信号中检测单次闪光微视野刺激，证明了其可行性 | 样本量小（仅两名健康参与者），未使用精确同步，且研究重点在于可行性而非泛化性 | 探索脑电图在微视野检查中作为主观功能测试的客观辅助工具的潜力 | 健康参与者的脑电图信号响应微视野检查中的单次闪光刺激 | 机器学习 | NA | 脑电图 | BiLSTM | 脑电图信号 | 2名健康参与者，12次试验 | NA | 双向长短期记忆网络 | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 1816 | 2026-03-13 |
Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38272-6
PMID:41673252
|
研究论文 | 本研究开发了一种基于YOLOv5架构的卷积神经网络，用于在眼部超声B扫描图像中检测视网膜脱离和玻璃体出血 | 首次将YOLOv5架构应用于眼部超声图像中视网膜脱离和玻璃体出血的检测，并采用图像增强技术如非锐化掩模来提高检测精度 | 模型在存在玻璃体出血导致眼底模糊的情况下检测视网膜脱离的准确性可能受限，且样本量相对有限 | 开发一种深度学习算法，以辅助在眼部超声图像中检测视网膜脱离和玻璃体出血，特别是在眼底模糊的情况下 | 眼部超声B扫描图像 | 计算机视觉 | 眼科疾病 | 眼部超声成像 | CNN | 图像 | 训练集2,188张图像，验证集1,042张图像 | PyTorch | YOLOv5 | 准确率 | NA |
| 1817 | 2026-03-13 |
Interpretable machine learning rationalizes carbonic anhydrase inhibition via conformal and counterfactual prediction
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39771-2
PMID:41673458
|
研究论文 | 本文介绍了一个可解释的机器学习框架，用于预测人类碳酸酐酶（hCA）II、IX和XII亚型的抑制活性，并整合了保形预测和反事实解释以提高分子可解释性 | 结合保形预测进行不确定性量化和反事实解释提供分子可解释性，强调了数据质量和验证的重要性，而非算法复杂性 | 未明确说明模型在更广泛抑制剂类别或不同实验条件下的泛化能力 | 开发一个可解释的机器学习框架来预测和合理化hCA亚型的选择性抑制，以指导抗癌抑制剂设计 | 人类碳酸酐酶（hCA）II、IX和XII亚型及其抑制剂 | 机器学习 | 癌症 | 机器学习建模 | 支持向量机（SVM），深度学习模型 | 分子指纹数据（扩展连接性指纹） | NA | Scikit-learn | NA | NA | NA |
| 1818 | 2026-02-08 |
Non-inferiority of automated deep learning-based [18F]FDG PET/CT tumour volume compared to manual GTV for prognostic modelling in head and neck cancer
2026-Feb-06, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-026-01377-0
PMID:41652257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1819 | 2026-02-08 |
Non-contact detection of post-regurgitation deep inhalation in calves using infrared thermography and deep learning-based nostril segmentation
2026-Feb-06, BMC veterinary research
IF:2.3Q1
DOI:10.1186/s12917-026-05340-y
PMID:41652485
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1820 | 2026-02-08 |
The diagnostic value of enhanced CT radiomics and deep learning in differentiating pediatric peripheral neuroblastoma from ganglioneuroblastoma
2026-Feb-06, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15665-4
PMID:41652556
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |