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 36491 篇文献，本页显示第 1841 - 1860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1841 | 2025-12-03 |
Gd-EOB-DTPA-enhanced MRI radiomics and deep learning models for predicting the pathological differentiation degree in hepatocellular carcinoma
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112487
PMID:41161266
|
研究论文 | 本研究探讨了结合Gd-EOB-DTPA增强MRI影像组学、深度学习模型及临床放射学特征在预测肝细胞癌病理分化程度中的价值 | 创新性地将深度学习模型与影像组学特征及临床放射学特征相结合，构建了综合预测模型，显著提高了对肝细胞癌分化程度的预测性能 | 研究为回顾性设计，样本来自三家医院，可能存在选择偏倚；模型性能仍需在前瞻性多中心研究中进一步验证 | 预测肝细胞癌的病理分化程度，以辅助制定更有利的治疗方案 | 肝细胞癌患者 | 数字病理学 | 肝细胞癌 | Gd-EOB-DTPA增强MRI | 深度学习, 机器学习 | MRI图像 | 409例肝细胞癌患者（训练集304例，验证集105例） | FeAture Explorer, 3D ResNet-18 | ResNet-18 | AUC, 敏感性, 特异性 | NA |
| 1842 | 2025-12-03 |
Accurate multi-b-value DWI generation using two-stage deep learning: multicenter study
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112497
PMID:41161267
|
研究论文 | 本研究开发并验证了一种两阶段深度学习框架，用于高保真多器官、多b值DWI合成和准确ADC恢复 | 提出两阶段DC2Anet-MineGAN框架，结合DC2Anet进行器官特定低至高b值合成和MineGAN进行任意b值插值，以克服临床DWI采集限制 | 存在潜在幻觉或失真风险，需要进一步多中心临床验证 | 开发高保真多器官、多b值DWI合成和准确ADC恢复的深度学习框架 | 来自三家医院和TCIA数据库的DWI图像，涵盖五个解剖区域（脑、乳腺、腹部、颈部、骨盆） | 医学影像分析 | NA | 扩散加权成像（DWI） | 生成对抗网络（GAN） | 图像 | 50000张图像 | NA | DC2Anet, MineGAN | 均方误差（MSE）, 平均绝对误差（MAE）, 峰值信噪比（PSNR）, 结构相似性指数（SSIM）, 组内相关系数（ICC） | NA |
| 1843 | 2025-12-03 |
Machine Learning Approaches for Predicting RNA-RNA/DNA Interactions
2026, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4670-0_14
PMID:41174207
|
综述 | 本章介绍用于预测RNA-RNA/DNA相互作用的机器学习方法，这对于理解非编码RNA功能至关重要 | 利用深度学习技术和来自高通量测序方法的大规模相互作用数据，开发出比传统基于能量方法更准确的预测工具 | 存在过拟合风险和需要第三方验证等挑战 | 预测RNA-RNA/DNA相互作用以理解非编码RNA功能 | 原核小RNA、一般RNA-RNA相互作用、miRNAs、box C/D snoRNAs、lncRNA-DNA三链体、CRISPR引导RNA设计 | 机器学习 | NA | 高通量测序 | 深度学习 | 相互作用数据 | NA | NA | NA | 准确性 | NA |
| 1844 | 2025-12-03 |
Deep learning and transformer-based feature fusion of conventional MRI for differentiating spinal osteolytic bone metastases and multiple myeloma
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112463
PMID:41176822
|
研究论文 | 本研究开发了一种结合Transformer特征融合的深度学习模型，利用常规MRI序列区分脊柱溶骨性骨转移瘤和多发性骨髓瘤 | 首次将Transformer架构应用于常规MRI序列的特征融合，以区分脊柱溶骨性骨转移瘤和多发性骨髓瘤，并展示了其优越的临床净获益和泛化能力 | 模型在外部测试集上的性能差异未达到统计学显著性（所有P > 0.05），且研究为回顾性设计 | 开发一种基于深度学习和Transformer特征融合的模型，用于区分脊柱溶骨性骨转移瘤和多发性骨髓瘤 | 663名患者（342例脊柱溶骨性骨转移瘤和321例多发性骨髓瘤）的常规MRI序列图像 | 医学影像分析 | 骨肿瘤 | 常规MRI序列（T1WI, T2WI, T2WI-fs） | 深度学习, Transformer | 医学影像 | 663名患者（训练集421例，外部测试集242例） | NA | DenseNet169, Transformer | AUC, 准确率, ROC曲线, 校准图, 决策曲线分析 | NA |
| 1845 | 2025-12-03 |
Assessing deep learning artificial intelligence support for detecting elbow fractures in the pediatric emergency department
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112498
PMID:41197552
|
研究论文 | 本研究评估了深度学习人工智能在辅助儿科急诊医生检测儿童肘部骨折方面的性能 | 首次在儿科急诊环境中评估深度学习算法对肘部骨折检测的辅助作用，并比较了有/无AI支持时医生的诊断表现 | 研究为回顾性设计，且AI辅助仅为理论性模拟，未在实际临床工作流程中实时测试 | 评估深度学习算法在辅助儿科急诊医生检测儿童肘部骨折方面的诊断性能 | 因创伤接受肘部X光检查的0-15岁儿童患者 | 计算机视觉 | 骨折 | X光成像 | 深度学习算法 | 图像 | 755名儿童患者 | NA | NA | 灵敏度, 特异度 | NA |
| 1846 | 2025-12-03 |
Multi-modal deep learning for predicting functional outcomes in intracerebral hemorrhage using 3D CT and clinical data
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112506
PMID:41202530
|
研究论文 | 本研究构建并验证了一种新颖的多模态深度学习框架，该框架整合了三维CT图像和临床文本信息，用于预测脑出血患者发病90天后的功能结局 | 提出了一种融合3D CT图像和临床文本的多模态深度学习框架，并采用双流注意力机制进行深度特征融合，提高了预测准确性 | 研究为回顾性设计，样本量相对有限（508例），且仅来自两个医疗中心，可能存在选择偏倚 | 准确预测脑出血患者发病90天后的长期功能结局，以支持早期临床风险分层 | 脑出血患者 | 数字病理学 | 脑出血 | 三维计算机断层扫描 | CNN, 预训练语言模型 | 图像, 文本 | 508例脑出血患者（训练验证队列391例，外部测试队列117例） | PyTorch, TensorFlow（推断） | 3D CNN, BioClinicalBERT | 准确率, AUC | 未明确指定，但推断需要GPU支持以处理3D CNN和预训练语言模型 |
| 1847 | 2025-12-03 |
Deep learning-based hyperspectral oil spill detection for marine pollution monitoring in the Gulf of Mexico: A step toward marine pollution monitoring and SDG 14 compliance
2026-Jan, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2025.118908
PMID:41202730
|
研究论文 | 本研究应用高光谱遥感数据与深度学习技术，提高墨西哥湾石油泄漏检测的准确性和效率 | 结合高光谱影像的丰富光谱信息与深度学习分割模型，实现可靠的石油污染区域检测 | 数据稀缺和高维度问题通过主成分分析和标准化补丁输入处理，但未讨论模型泛化能力或实时检测限制 | 增强石油泄漏检测精度和效率，支持海洋污染监测和可持续发展目标14的合规性 | 墨西哥湾的石油泄漏污染区域 | 计算机视觉 | NA | 高光谱遥感 | CNN | 图像 | 使用公开可用的高光谱石油泄漏数据库（HOSD） | NA | U-Net, DeepLabv3 | IoU, F1分数, 精确率, 召回率 | NA |
| 1848 | 2025-12-03 |
Enhanced osteoporosis screening via multi-output deep learning: Segmentation and classification of metacarpal radiographs
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112507
PMID:41223626
|
研究论文 | 本文提出了一种名为OMO-Net的多输出深度学习架构，用于同时执行掌骨X光片的图像分割和骨质疏松症分类 | OMO-Net创新性地将ResNet-50特征提取器与专用的分割和分类分支集成，实现了同时定位诊断关键区域和进行稳健分类的双任务框架 | NA | 通过多输出深度学习增强骨质疏松症筛查的准确性和临床工作流程 | 掌骨X光片 | 计算机视觉 | 骨质疏松症 | NA | CNN | 图像 | NA | NA | ResNet-50 | AUC, F1-score | NA |
| 1849 | 2025-12-03 |
LG-nnU-net for multilabel anal sphincter segmentation on MRI: quantitative evaluation in patients with anal fistula
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112509
PMID:41232256
|
研究论文 | 本文开发并评估了一种名为LG-nnU-net的新型深度学习分割框架，用于在MRI上对肛门括约肌子结构进行多标签分割，旨在提供可靠的定量解剖信息 | 提出了一种优化的nnU-net架构（LG-nnU-net），采用了非对称编码器扩展、组归一化、多尺度特征聚合和深度监督等技术，在肛门括约肌多标签分割任务上超越了ResU-net、DenseU-net和U-net++等对比模型 | 本研究为单中心回顾性研究，对高位/低位肛瘘分类的临床影响尚未验证，需要进一步的多中心验证和前瞻性结果研究 | 开发并评估一个用于MRI肛门括约肌子结构多标签分割的深度学习框架，以提供定量解剖信息 | 肛门括约肌子结构，包括肛提肌、耻骨直肠肌以及肛门外括约肌的浅部和皮下部 | 数字病理学 | 肛瘘 | MRI（冠状位T2加权成像） | 深度学习分割模型 | 医学图像（MRI） | 272名肛瘘患者（训练集218人，测试集54人） | nnU-net | LG-nnU-net（基于nnU-net的优化架构） | Dice相似系数, Hausdorff距离, 平均对称表面距离 | NA |
| 1850 | 2025-12-03 |
Improved image quality and dose reduction in liver CT using deep learning-based reconstruction: A comparative study
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112520
PMID:41264979
|
研究论文 | 本研究比较了基于深度学习的图像重建（DLIR）与混合迭代重建（HIR）算法在肝脏CT成像中的图像质量和辐射剂量 | 首次在肝脏病灶患者中系统比较DLIR与HIR算法，证明DLIR能在降低辐射剂量的同时显著提升图像质量 | 研究仅针对特定CT扫描仪和肝脏病灶患者，未评估其他解剖部位或疾病类型 | 评估和比较两种CT重建算法的图像质量与辐射剂量 | 153名至少有一个肝脏病灶（包括肝囊肿、血管瘤、肝细胞癌和胆管癌）的患者 | 医学影像处理 | 肝脏疾病 | CT扫描 | 深度学习重建算法 | CT图像 | 153名患者，共306个肝脏病灶 | NA | NA | 图像质量评分（5点李克特量表）、CT衰减值（HU）、图像噪声（SD）、信噪比（SNR）、对比噪声比（CNR）、辐射剂量指数（CTDI、DLP） | NA |
| 1851 | 2025-12-03 |
Deep learning-reconstructed time-maximum intensity projection versus iterative reconstruction for collateral assessment in acute anterior circulation ischemic stroke
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112524
PMID:41264986
|
研究论文 | 本研究评估了深度学习重建的时间最大强度投影在急性前循环缺血性卒中患者中的应用，并与单相CTA、多相CTA和CT灌注体积测量法在侧支循环评估和90天预后预测能力方面进行了比较 | 首次将深度学习重建的时间最大强度投影技术应用于急性卒中患者的侧支循环评估，并证明其能整合CT灌注的时间信息为单一高质量血管造影数据集，无需额外采集即可获得优于单相CTA的图像质量和预后区分能力 | 研究为回顾性设计且样本量较小（仅75例患者），可能限制了结果的普遍性和统计效力 | 评估深度学习重建的时间最大强度投影在急性前循环缺血性卒中患者侧支循环评估和预后预测中的性能 | 75例单侧前循环大血管闭塞的急性缺血性卒中患者 | 数字病理学 | 心血管疾病 | CT血管造影和CT灌注扫描 | 深度学习 | 医学影像 | 75例患者 | NA | NA | ROC曲线下面积, 敏感性, 特异性, 图像噪声, 信噪比, 对比噪声比 | NA |
| 1852 | 2025-12-03 |
Dual-Phase deep learning Enhances detection of incidental small pancreatic cystic lesion (0.5-3 cm) on Contrast-Enhanced CT
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112510
PMID:41264978
|
研究论文 | 本研究开发了一种双相深度学习模型，用于在增强CT图像上检测偶然发现的小胰腺囊性病变 | 提出了一种结合动脉期和门脉期CT图像的双相深度学习模型，相比单相模型和初级放射科医生，在检测小胰腺囊性病变方面表现出更优且更稳健的性能 | 研究为回顾性设计，样本量有限（437个病变），且仅基于单一机构的CT图像，可能影响模型的泛化能力 | 开发并评估一种深度学习模型，以提高在增强CT上检测偶然发现的小胰腺囊性病变的准确性 | 增强CT图像中的胰腺囊性病变（0.5-3 cm）和正常胰腺组织 | 计算机视觉 | 胰腺癌 | 对比增强CT成像 | 深度学习模型 | 医学图像（CT） | 437个偶然发现的小胰腺囊性病变（包括201个亚厘米囊肿）和193个正常胰腺，数据收集时间为2018年1月至2020年12月 | NA | 双相深度学习模型，单相深度学习模型 | 灵敏度，特异性，任意假阳性率，准确度 | NA |
| 1853 | 2025-12-03 |
Enhanced opportunistic CT screening for osteoporosis using Machine learning derived volumetric vertebral and complementary body composition information
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112555
PMID:41275853
|
研究论文 | 本研究通过深度学习分割CT图像，整合椎体体积和身体成分特征，以增强骨密度预测和骨质疏松分类 | 开发了两阶段3D nnU-Net用于椎体分割，并结合身体成分特征，相比传统单切片方法显著提升了骨密度预测和骨质疏松检测的准确性 | 研究为回顾性设计，样本量相对有限（383名成人），且未探讨模型在更广泛人群或不同CT扫描协议下的泛化能力 | 评估整合椎体体积和身体成分特征是否能增强骨密度预测和骨质疏松分类 | 接受常规健康检查的成人，包括同日腹部CT扫描和双能X线吸收测定法（DXA）数据 | 数字病理学 | 骨质疏松症 | CT扫描，深度学习分割，双能X线吸收测定法（DXA） | 3D nnU-Net, 3D U-Net | CT图像 | 383名成人（平均年龄59.8岁，50.1%女性），使用475次CT扫描进行模型开发 | NA | 3D nnU-Net, 3D U-Net | 相关系数，AUROC，敏感性，特异性 | NA |
| 1854 | 2025-12-03 |
Transformer-based multimodal fusion model predicts early hematoma expansion in spontaneous cerebral hemorrhage: A multicenter study
2026-Jan, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112465
PMID:41135231
|
研究论文 | 本研究开发了一种基于Transformer的多模态融合模型，用于预测自发性脑出血患者的早期血肿扩张 | 首次将深度学习特征、影像组学特征和临床因素通过Transformer模型进行融合，用于早期血肿扩张的预测 | 样本量相对有限，且为回顾性研究，需要进一步前瞻性验证 | 开发一个精确预测自发性脑出血患者早期血肿扩张的模型 | 自发性脑出血患者 | 医学影像分析 | 脑出血 | 非对比计算机断层扫描 | Transformer, SVM, LR, RF, AdaBoost | 图像, 临床数据 | 465名患者（来自三家医院） | NA | Transformer | AUC, 校准曲线 | NA |
| 1855 | 2025-12-03 |
A deep learning-based method for marine oil spill detection and its application in UAV imagery
2026-Jan, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2025.118889
PMID:41166779
|
研究论文 | 本研究开发了一种基于YOLOv12的无人机图像海洋溢油检测框架，旨在提高溢油检测的准确性和边界划分的精度 | 提出了一种基于YOLOv12的无人机图像溢油检测框架，通过高分辨率输入、预训练权重初始化和余弦退火学习率调度策略，增强了污染特征表示能力 | 未明确提及模型在极端天气或夜间条件下的性能，也未讨论计算资源需求或实时处理速度的详细限制 | 开发高效智能的海洋溢油检测机制，以支持早期预警和快速响应，保护海洋生态系统和沿海经济安全 | 无人机图像中的海洋溢油区域 | 计算机视觉 | NA | 无人机遥感成像 | CNN | 图像, 视频 | 构建了一个包含多样溢油形态、不同海洋干扰条件和多尺度目标的遥感图像数据集 | NA | YOLOv12 | F1 Score, mAP@0.5, mAP@0.5-0.95, 精确率-召回率曲线 | NA |
| 1856 | 2025-12-03 |
Artificial intelligence in sport psychology: Implications for the identification and development of talent
2026-Jan, Psychology of sport and exercise
IF:3.1Q1
DOI:10.1016/j.psychsport.2025.102977
PMID:41326137
|
综述 | 本文探讨了人工智能（AI）和机器学习（ML）在运动心理学领域，特别是在人才识别与发展方面的应用、挑战与未来方向 | 强调了将AI/ML应用于运动心理学人才识别时，需整合心理结构和主观因素，并提出了通过人机交互（如对话式AI、数字孪生）来增强专家与复杂系统之间沟通与信任的未来方向 | AI/ML的实施面临数据可用性、质量、所有权、标注困难等重大障碍；纵向研究常受数据缺失和不平衡（如顶尖运动员样本稀少）影响，导致模型存在偏差且泛化能力差；心理和主观因素（如教练判断、运动员态度）目前代表性不足 | 探讨人工智能在运动心理学中的应用，特别是其对人才识别与发展的影响 | 运动心理学领域的人才识别与发展过程 | 机器学习 | NA | 机器学习，监督学习，深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 1857 | 2025-12-03 |
Letter re: A deep learning model for preoperative risk stratification of pancreatic ductal adenocarcinoma based on genomic predictors of liver metastasis
2025-Dec-09, European journal of cancer (Oxford, England : 1990)
DOI:10.1016/j.ejca.2025.116046
PMID:41326211
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1858 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Dec-02, JAMA
DOI:10.1001/jama.2025.16625
PMID:41160021
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1859 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning-Reply
2025-Dec-02, JAMA
DOI:10.1001/jama.2025.16627
PMID:41160035
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1860 | 2025-10-30 |
AI-Enabled Echocardiography Interpretation With Multitask Deep Learning
2025-Dec-02, JAMA
DOI:10.1001/jama.2025.16623
PMID:41160046
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |