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 40356 篇文献，本页显示第 1901 - 1920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1901 | 2026-01-29 |
Glomeruli detection and classification in histopathological images using deep learning semantic segmentation
2026-Jan-28, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02178-6
PMID:41593526
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1902 | 2026-01-29 |
Commentary on "Deep learning enhanced MRI radiomics in predicting pathologic response of head and neck squamous carcinoma to neoadjuvant chemoimmunotherapy: a retrospective analysis"
2026-Jan-28, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004865
PMID:41601333
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1903 | 2026-01-29 |
A Wireless, Battery-Free Artificial Throat Patch with Deep Learning for Emotional Speech Recognition
2026-Jan-28, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202516617
PMID:41603116
|
研究论文 | 本文展示了一种无线、无电池的人工喉贴片系统，结合深度学习方法实现语音和情感的同时识别 | 该系统集成了基于碳纳米管的薄膜应变传感器和微型柔性印刷电路板，通过近场通信天线和低功耗电子组件实现实时信号传输，并采用混合深度学习架构进行情感识别 | NA | 开发一种用于语音障碍患者的无线、无电池人工喉贴片系统，实现语音和情感的同时识别 | 语音障碍患者 | 机器学习 | NA | 碳纳米管薄膜应变传感，近场通信 | 深度学习 | 喉部信号 | NA | NA | 混合深度学习架构 | NA | 智能手机链接系统，低功耗电子组件 |
| 1904 | 2026-01-29 |
Accelerated Reduced Field of View T2-Weighted Imaging of Pancreaticobiliary Disorders Using Deep Learning-Based Reconstruction: Reduction of Acquisition Time and Improvement of Image Quality
2026-Jan-28, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251407889
PMID:41603271
|
研究论文 | 本研究评估了深度学习重建技术在胰胆管缩小视野T2加权成像中的应用，旨在减少采集时间并提升图像质量 | 首次将深度学习重建技术应用于胰胆管缩小视野T2加权成像，实现了在显著缩短采集时间的同时，提升图像质量与病灶检出率 | 研究为单中心回顾性设计，样本量有限，且未评估深度学习模型在不同扫描仪或患者群体中的泛化能力 | 比较应用与不应用深度学习重建的胰胆管缩小视野T2加权成像在检查时间、图像质量和病灶检出率方面的差异 | 胰胆管疾病患者 | 医学影像分析 | 胰胆管疾病 | 缩小视野T2加权磁共振成像 | 深度学习重建模型 | 磁共振图像 | 198名患者 | NA | NA | 信噪比, 对比噪声比, 病灶检出率 | NA |
| 1905 | 2026-01-29 |
Best of Both Worlds: Deep Learning Reconstruction Reduces MRI Acquisition Time and Improves Image Quality
2026-Jan-28, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371261420212
PMID:41603396
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1906 | 2026-01-29 |
Deep learning-based plaque characterization in hybrid IVUS-OCT images is superior to single-modality deep learning analysis and human experts: head-to-head comparison against histology
2026-Jan-28, Cardiovascular research
IF:10.2Q1
DOI:10.1093/cvr/cvaf281
PMID:41603422
|
研究论文 | 本文介绍了一种基于深度学习的混合IVUS-OCT图像斑块特征分类器，其性能优于单模态深度学习和人类专家 | 首次开发了基于组织学训练的混合IVUS-OCT深度学习分类器，用于斑块成分分类，并在头对头比较中超越了单模态方法和专家分析 | 研究样本量较小（仅10具人类心脏），且依赖于尸体组织，可能无法完全代表活体临床情况 | 开发并验证一种深度学习分类器，用于混合IVUS-OCT图像中的斑块特征分析，以提高斑块检测的准确性 | 人类心脏的IVUS-OCT图像及其匹配的组织学切片 | 数字病理学 | 心血管疾病 | 混合IVUS-OCT成像，组织学分析 | 深度学习分类器 | 图像 | 10具人类心脏，共1256帧图像（992帧用于训练，264帧用于测试） | NA | NA | Kappa系数，总体准确率 | NA |
| 1907 | 2026-01-29 |
PAM-CDR: Property-Aware Multi-Modal Drug Representation Learning for Accurate Cancer Drug Response Prediction
2026-Jan-27, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3658090
PMID:41591856
|
研究论文 | 提出了一种名为PAM-CDR的属性感知多模态药物表示学习框架，用于准确预测癌症药物反应 | 首次将药物的理化性质作为先验知识整合到多模态表示学习中，并采用三阶段分层融合策略进行细粒度表征学习，增强了模型的生物可解释性和泛化能力 | 未明确说明模型在独立外部验证集上的性能或对罕见癌症类型的适用性 | 提高癌症药物反应预测的准确性，推动精准肿瘤学发展 | 药物化合物和癌细胞系 | 机器学习 | 癌症 | 转录组学和基因组学分析 | 深度学习 | 分子图、分子指纹、理化描述符、转录组和基因组数据 | NA | PyTorch | 基于注意力机制的分层融合架构 | AUC, AUPR | NA |
| 1908 | 2026-01-29 |
Systematic evaluation of mitochondrial morphology regulators for amelioration of neuronal α-synucleinopathy
2026-Jan-27, NPJ Parkinson's disease
DOI:10.1038/s41531-026-01277-z
PMID:41593075
|
研究论文 | 本文系统评估了线粒体形态调节因子在改善神经元α-突触核蛋白病模型中的作用 | 利用基于深度学习的MitoVis工具进行快速、区室特异性线粒体形态分析，并首次系统比较了融合与分裂关键调节因子在α-突触核蛋白病模型中的治疗效果 | 研究仅限于α-突触核蛋白病模型，未在其他神经退行性疾病模型中验证；干预效果的长期影响和体内应用潜力尚未明确 | 评估线粒体形态调节因子作为治疗α-突触核蛋白病及潜在其他神经退行性疾病的靶点 | 神经元线粒体，特别是树突和轴突中的线粒体形态与功能 | 数字病理学 | 帕金森病 | 基于深度学习的图像分析 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1909 | 2026-01-29 |
Magnetotelluric forward modeling on fine grid via deep learning with physical information constraints
2026-Jan-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37645-1
PMID:41593154
|
研究论文 | 本研究结合深度学习和传统正演技术，通过物理信息约束实现高精度高效的磁大地电流正演建模 | 提出一种结合深度学习和传统正演技术的框架，利用Swin-UNet模型在严格物理信息约束下进行训练，实现高精度与高效率的协同，突破传统方法在精细网格上的计算瓶颈 | 未明确提及模型在复杂真实地质条件下的泛化能力或实际应用中的验证情况 | 实现高精度且高效的磁大地电流正演建模，以解决传统方法在精细网格上的计算效率问题 | 地下介质的电阻率模型及其对应的磁大地电流正演响应 | 机器学习 | NA | 磁大地电流正演建模，三次样条插值 | 深度学习模型 | 合成电阻率模型数据 | NA | NA | Swin-UNet, Swin Transformer | NA | NA |
| 1910 | 2026-01-29 |
AE-LFOG-YOLO: robust safety helmet detection via adaptive anchors and illumination invariant learning
2026-Jan-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37326-z
PMID:41593153
|
研究论文 | 本文提出了一种名为AE-LFOG-YOLO的端到端框架，通过自适应锚点和光照不变性学习来增强YOLOv8，以解决高风险工业环境中安全帽检测面临的严重光照不均匀和多尺度目标外观的挑战 | 提出了双物理信息优化方法：1) 光照不变模块采用双路径特征解耦策略抑制光照伪影；2) 自适应进化-光场优化生成算法用动态进化过程替代静态锚点设计，基于局部光照梯度和薄透镜成像原理在训练中持续优化锚点参数 | 方法仅在隧道施工场景的真实数据集上进行了评估，未验证在其他工业环境或更广泛场景下的泛化能力 | 开发鲁棒的安全帽检测系统，预防高风险工业环境中的头部伤害 | 隧道施工等高风险工业环境中的安全帽 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 真实世界隧道数据集（具体数量未说明） | PyTorch（基于YOLOv8推断） | YOLOv8, AE-LFOG-YOLO | mAP@0.5 | NA |
| 1911 | 2026-01-29 |
Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT
2026-Jan-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37085-x
PMID:41593175
|
研究论文 | 本文提出了一种基于深度学习的系统，利用对比增强CT图像预测肝细胞癌切除体积，以提高术前规划的准确性和效率 | 开发了名为Liver Resection Volume Calculation with Deep learning的AI系统，能够显著减少计算时间近二十倍，并与经验丰富的外科医生规划结果保持一致 | 研究仅基于两家三级医院的990名患者数据，可能限制了模型的泛化能力 | 开发一个高效准确的系统，用于术前计算肝细胞癌的肝切除体积，以辅助精确根治性切除手术规划 | 990名经病理证实的肝细胞癌患者的医学影像扫描数据 | 数字病理学 | 肝细胞癌 | 对比增强计算机断层扫描 | 深度学习 | 图像 | 990名患者 | NA | NA | 肝实质切除率 | NA |
| 1912 | 2026-01-29 |
Exploring anatomical similarity in zero-shot learning for bone abnormality detection
2026-Jan-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37516-9
PMID:41593191
|
研究论文 | 本研究探索了在零样本学习中利用解剖相似性进行骨异常检测，通过跨身体部位的迁移训练评估性能 | 首次在骨异常检测中利用解剖相似性进行零样本学习，无需目标数据访问即可实现跨身体部位的迁移训练 | 研究基于MURA数据集，该数据集未提供仅骨折标签，且未使用语义侧信息或目标适应技术 | 探索解剖相似性在零样本学习中对骨异常检测性能的影响 | MURA数据集中的肌肉骨骼影像 | 计算机视觉 | 骨异常 | 深度学习 | CNN | 图像 | MURA数据集，具体数量未明确说明 | NA | 未指定具体架构，但使用了两种骨干网络 | 准确率, Wilson 95%置信区间 | NA |
| 1913 | 2026-01-29 |
Artificial intelligence in diagnosis of pediatric neurodevelopmental disorders: a scoping review
2026-Jan-27, World journal of pediatrics : WJP
IF:6.1Q1
DOI:10.1007/s12519-025-00999-z
PMID:41593252
|
综述 | 本文是一篇范围综述，总结了人工智能技术在改善儿科神经发育障碍诊断准确性方面的当前证据 | 系统性地综述了包括深度学习、监督机器学习、决策支持系统和生物信号分析在内的多种AI技术在儿科神经发育障碍诊断中的应用现状与潜力 | 研究设计、人群和算法标准化存在变异性，且面临数据隐私、可解释性、公平性、可及性和算法偏见等伦理挑战 | 旨在总结AI技术在提高儿科神经发育障碍诊断准确性方面的应用证据 | 儿科神经发育障碍 | 机器学习 | 神经发育障碍 | NA | 深度学习, 监督机器学习 | 神经影像, 生物信号 | 基于22项纳入研究 | NA | NA | 诊断准确率 | NA |
| 1914 | 2026-01-29 |
STRIKER: a spectral metadata repairing tool for expanding the comprehensiveness of spectral libraries
2026-Jan-27, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01150-4
PMID:41593726
|
研究论文 | 本文介绍了一种名为STRIKER的光谱元数据修复工具，旨在通过基于距离的度量和深度学习模型来纠正和标准化公共光谱库中的加合物元数据缺陷 | STRIKER是首个专门设计用于修复光谱库中加合物元数据缺陷的工具，它结合了基于距离的相似性方法和多层感知器深度学习模型，以预测和纠正缺失或错误的加合物信息，从而保留更多有效光谱数据 | 工具主要针对加合物元数据进行修复，可能无法处理光谱库中其他类型的元数据错误或质量问题，且其性能依赖于训练数据的质量和覆盖范围 | 开发一个工具来修复和标准化公共光谱库中的元数据，以提高代谢物注释的准确性和机器学习应用的数据质量 | 公共光谱库中的光谱数据及其元数据，特别是与加合物相关的信息 | 机器学习 | NA | 质谱分析，非靶向代谢组学 | 深度学习模型，多层感知器 | 光谱数据，元数据 | NA | Python | 多层感知器 | 加合物匹配正确率，加合物纠正准确率 | NA |
| 1915 | 2026-01-29 |
How Negative Sampling Shapes the Performance of Transcription Factor Binding Site Prediction Models
2026-Jan-27, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag048
PMID:41601205
|
研究论文 | 本研究探讨了不同负采样技术对转录因子结合位点预测模型性能的影响 | 首次系统比较了多种负采样技术（包括基因组采样、序列打乱、二核苷酸打乱、邻域采样和细胞系特异性采样）在TFBS预测中的效果，并创建了基于ChIP-seq和ATAC-seq的高质量测试数据集以识别真实负样本 | 研究主要基于模拟实验，在匹配ATAC-seq数据不可得的情况下进行，可能无法完全反映所有实际应用场景 | 评估负采样技术对转录因子结合位点预测模型性能的影响 | 转录因子结合位点 | 生物信息学 | NA | ChIP-seq, ATAC-seq | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 1916 | 2026-01-29 |
Corrigendum to 'Overview of Multimodal Radiomics and Deep Learning in the Prediction of Axillary Lymph Node Status in Breast Cancer' [Acad Radiol 2025; 32:6623-6641]
2026-Jan-26, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.043
PMID:41592972
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1917 | 2026-01-29 |
Two-Minute Deep Learning-Powered Brain Quantitative Mapping: Accelerating Clinical Imaging With Synthetic Magnetic Resonance Imaging
2026-Jan-23, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/79389
PMID:41576342
|
研究论文 | 本研究探讨了基于深度学习的超分辨率生成对抗网络（SRGAN）在加速全脑合成磁共振成像中的应用，旨在通过缩短扫描时间获得与常规临床扫描相近的定量T1/T2/PD图 | 首次将SRGAN应用于超快合成MRI的超分辨率重建，显著缩短扫描时间（减半）的同时，保持了与常规扫描强相关的定量图谱和诊断图像质量 | T2值存在中等程度的系统性低估，且感知自然性尚未完全达到常规成像水平 | 加速临床定量脑成像的部署，通过深度学习技术优化合成MRI的扫描效率 | 健康成年人和不同病理患者（共158人）的脑部MRI数据 | 医学影像分析 | 脑部疾病 | 合成磁共振成像（MRI） | GAN | 图像 | 158人（151名健康成年人，7名患者） | NA | SRGAN | R², 线性回归斜率, 平均偏差, 变异系数, 结构相似性图像度量, 峰值信噪比, 自然性图像质量评估器 | NA |
| 1918 | 2026-01-29 |
DACL-Net: A Dual-Branch Attention-Based CNN-LSTM Network for DOA Estimation
2026-Jan-22, Sensors (Basel, Switzerland)
DOI:10.3390/s26020743
PMID:41600535
|
研究论文 | 本文提出了一种名为DACL-Net的双分支注意力CNN-LSTM网络，用于优化DOA估计中的输入特征并提升准确性 | 通过将协方差矩阵转换为暗图像并引入频谱注意力机制，使CNN能聚焦于亮点成分，同时增强时间分支的特征提取 | NA | 改进DOA估计的准确性 | DOA估计中的输入特征优化 | 机器学习 | NA | 二维傅里叶变换 | CNN, LSTM | 协方差矩阵 | NA | NA | DACL-Net | RMSE | NA |
| 1919 | 2026-01-29 |
Stability-Oriented Deep Learning for Hyperspectral Soil Organic Matter Estimation
2026-Jan-22, Sensors (Basel, Switzerland)
DOI:10.3390/s26020741
PMID:41600534
|
研究论文 | 本研究提出了一种面向稳定性的深度学习框架（SE-EDCNN-DA-LWGPSO），用于小样本条件下的高光谱土壤有机质估算 | 提出了一种多策略协同的深度学习建模框架，整合了光谱预处理、基于传感器扰动模拟的数据增强、多尺度扩张卷积特征提取、SE通道注意力机制和线性加权广义粒子群优化算法，以提升小样本条件下模型的稳定性和一致性 | 研究基于亚热带红壤样本，可能在其他土壤类型或环境条件下的普适性有待验证；小样本条件本身可能限制模型的泛化能力 | 解决高光谱土壤有机质估算在小样本条件下模型预测性能不稳定、对预处理方法和参数配置敏感的问题，提升模型的稳定性和实用性 | 广西亚热带红壤样本 | 机器学习 | NA | 高光谱技术 | CNN | 高光谱数据 | 未明确具体样本数量，但提及为小样本条件 | 未明确指定，但涉及深度学习框架 | SE-EDCNN（结合SE通道注意力机制和多尺度扩张卷积的CNN） | R（相关系数）, RMSE（均方根误差）, RPD（相对预测偏差） | NA |
| 1920 | 2026-01-29 |
Artificial intelligence in animal anatomy: Exploring the technologies, applications, benefits, and challenges
2026-Jan-21, Annals of anatomy = Anatomischer Anzeiger : official organ of the Anatomische Gesellschaft
DOI:10.1016/j.aanat.2026.152796
PMID:41577147
|
综述 | 本文综述了人工智能（特别是机器学习和深度学习）在兽医解剖学中的应用、技术、益处及挑战 | 系统性地整合了AI在兽医解剖学中多领域的应用，包括教育、研究和诊断，并强调了其在解决伦理问题、标本稀缺和成本限制方面的创新价值 | 数据稀缺、物种间数据不一致、缺乏标准化的兽医数据集，以及数据异质性和质量问题 | 探讨人工智能技术在兽医解剖学中的技术、应用、益处及挑战 | 动物解剖学，涵盖教育、研究和诊断领域 | 计算机视觉, 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 计算机视觉, 3D建模, 微计算机断层扫描 | NA | 图像, 3D模型 | NA | NA | NA | NA | NA |