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 49768 篇文献，本页显示第 1921 - 1940 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1921 | 2026-09-16 |
Artificial Intelligence for Diagnosing Meibomian Gland Dysfunction: A Systematic Review and Meta-Analysis of Diagnostic Test Accuracy Studies
2026-Oct-01, Cornea
IF:1.9Q2
DOI:10.1097/ICO.0000000000004151
PMID:41931504
|
系统综述与Meta分析 | 本文系统综述并Meta分析了人工智能基于睑板腺图像诊断睑板腺功能障碍的准确性，并与人类评分者进行比较 | 首次对人工智能读取睑板腺图像诊断睑板腺功能障碍的诊断准确性进行系统综述和Meta分析，并采用GRADE框架评估证据确定性 | 纳入研究普遍存在高偏倚风险，适用性担忧高，证据确定性极低至低，人工智能分级准确性低于人类评分者，且外部验证研究少 | 识别、评价和综合人工智能基于睑板腺图像读取在诊断睑板腺功能障碍中与人类评分者相比的性能 | 睑板腺功能障碍患者及睑板腺图像 | 医学图像分析 | 睑板腺功能障碍 | 非接触红外睑板腺成像, 活体共聚焦显微镜 | 深度学习模型 | 图像 | 14项研究，5511名参与者，18926张睑板腺图像 | NA | NA | 灵敏度, 特异度 | NA |
| 1922 | 2026-09-16 |
Interpretable prediction of occult lymph node metastasis in pancreatic ductal adenocarcinoma using a model fusing habitat radiomics and deep learning
2026-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05504-2
PMID:41973202
|
研究论文 | 该研究整合了栖息地放射组学特征与深度学习特征，用于预测胰腺导管腺癌的隐匿性淋巴结转移。 | 构建了一个融合栖息地放射组学特征与深度学习特征的模型，并利用SHAP方法增强了模型的可解释性。 | 摘要中未明确提及研究局限性。 | 评估整合栖息地放射组学特征与深度学习特征在预测胰腺导管腺癌隐匿性淋巴结转移中的价值。 | 来自两个机构的212名符合条件的胰腺导管腺癌患者。 | 数字病理学 | 胰腺癌 | CT影像 | CNN | 图像 | 212名患者（训练集115例，内部验证集50例，外部验证集47例） | NA | ResNet18 | AUC, 决策曲线分析, 校准曲线 | NA |
| 1923 | 2026-09-16 |
Radiomics-Guided Automatic Delineation for Clinical Target Volume of Endometrial Cancer: Limited Sample Multicenter Study
2026-10-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2026.04.014
PMID:41997452
|
研究论文 | 该研究开发了一种放射组学引导的模型无关元学习框架，用于子宫内膜癌术后盆腔放疗中临床靶区的自动勾画，以解决多中心勾画差异和样本量有限的问题 | 提出了一种结合放射组学特征和模型无关元学习策略的3D U-Net模型，用于小样本多中心临床靶区分割任务，有效缓解了机构间勾画风格差异和数据稀缺导致的性能下降 | 样本量有限（207例模拟CT病例和26例外中心病例），且仅针对子宫内膜癌，未验证其他癌症类型 | 开发一种有效方法，解决多机构间临床靶区勾画差异问题，即使在数据可用性有限的情况下 | 子宫内膜癌患者的模拟计算机断层扫描病例 | 数字病理学 | 子宫内膜癌 | 放射组学特征提取 | 3D U-Net，模型无关元学习 | 图像 | 207例来自5个中心的模拟CT病例，26例来自外部中心 | NA | 3D U-Net | Dice相似系数，95百分位Hausdorff距离，平均对称表面距离，4分制专家评分 | NA |
| 1924 | 2026-09-16 |
Deep learning reconstruction enables accelerated T2-weighted MRI for rectal cancer staging: a prospective study of diagnostic consistency across NEX value reduction
2026-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05460-x
PMID:41874617
|
前瞻性研究 | 评估基于深度学习的重建算法（DLR）在直肠癌T2加权MRI中，在不同激励次数（NEX）下，与传统重建（ConR）相比的图像质量、解读一致性和扫描效率 | 首次前瞻性评估DLR在直肠癌分期T2加权MRI中减少NEX值的诊断一致性，证明FSENEX2-DLR在减少49%扫描时间的同时保持诊断一致性 | 样本量较小（35例），缺乏组织病理学相关性验证诊断准确性 | 评估DLR算法在不同NEX值下对直肠癌T2加权MRI图像质量、解读一致性和扫描效率的影响 | 接受直肠癌原发分期MRI的连续患者 | 医学影像分析 | 直肠癌 | T2加权MRI | 深度学习重建算法 | 医学图像 | 35例患者，每人6组图像集，共210组图像 | NA | AIR™ Recon DL | 信噪比, 对比噪声比, 5点量表定性评分, 观察者间一致性, 序列间一致性 | NA |
| 1925 | 2026-09-16 |
Correction to: Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs
2026-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05466-5
PMID:41896333
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1926 | 2026-09-16 |
Deep learning reconstruction for 40-keV virtual monoenergetic CT of colon cancer: evaluation of image quality and edge sharpness
2026-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05494-1
PMID:41940980
|
研究论文 | 评估深度学习图像重建（DLIR）对结肠癌40-keV虚拟单能CT图像质量和边缘锐度的影响 | 首次在结肠腺癌40-keV虚拟单能成像中系统评估DLIR对多目标（肿瘤、血管、淋巴结）图像质量和边缘锐度的影响，重点关注噪声抑制与边缘清晰度之间的权衡 | 回顾性研究设计，样本量较小（60例），仅采用低碘对比剂方案，未进行诊断准确性试验验证真实临床影响 | 评估DLIR对结肠腺癌40-keV虚拟单能图像客观和主观图像质量的影响，特别是噪声降低与边缘定义之间的权衡 | 确诊结肠腺癌的患者，共60例 | 医学影像分析 | 结肠癌 | 双能量CT、40-keV虚拟单能成像 | 深度学习图像重建 | 医学影像（CT图像） | 60例患者（平均年龄62.8±15.1岁，34例男性） | NA | NA | 对比噪声比（CNR）、边缘上升距离（ERD）、边缘上升斜率（ERS）、5点李克特量表主观评分 | NA |
| 1927 | 2026-09-16 |
Vessel-density distribution mapping on portal venous CT and deep learning for 2-year overall survival risk stratification after transarterial chemoembolization in hepatocellular carcinoma
2026-Oct, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05505-1
PMID:41945150
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1928 | 2026-09-16 |
Neural Reconstruction in Disorders of Consciousness: Prospects and Emerging Challenges
2026-Oct, The Neuroscientist : a review journal bringing neurobiology, neurology and psychiatry
DOI:10.1177/10738584261434939
PMID:41983343
|
综述 | 本文综述了神经重建方法的发展、其在意识障碍患者中的新兴临床应用，以及相关的解释性挑战，并提出评估建议 | 首次系统性地探讨神经重建技术在意识障碍患者中的应用前景与挑战，并提出以识别意识、验证重建模型和保护患者自主权为核心的评估建议 | 本文为综述性文章，未提供原始实验数据；神经重建技术在意识障碍患者中的实际应用仍面临技术验证和伦理方面的挑战 | 综述神经重建方法的发展及其在意识障碍患者中的临床应用前景，探讨相关的解释性挑战并提出评估建议 | 意识障碍患者（包括植物状态和最小意识状态患者） | 机器学习 | 意识障碍 | 神经影像学, 深度学习 | NA | 脑神经信号 | NA | NA | NA | NA | NA |
| 1929 | 2026-09-16 |
AI-driven volumetric approach for automatic chemotherapy response assessment in colorectal liver metastases
2026-Oct, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12610-8
PMID:42162286
|
研究论文 | 本研究评估了一种基于人工智能的容积测量方法在结直肠癌肝转移治疗反应评估中的临床效用，并与传统RECIST 1.1标准进行了比较 | 利用深度学习nnU-Net框架实现自动化三维容积评估，在肝脏局限性转移患者中展现出优于RECIST 1.1的预后分层能力 | 在小病灶中分割性能较低（Dice系数仅为0.566±0.330），且临床验证队列中肝脏局限性转移患者样本量较小（n=43） | 评估AI驱动的容积测量方法在结直肠癌肝转移治疗反应评估中的临床效用及预后价值 | 结直肠癌肝转移患者 | 数字病理学 | 结直肠癌 | CT扫描 | CNN | 图像 | 训练集476例CT扫描（来自LiTS、MetaRec和MetaBrest三个数据集），验证集112例CT扫描；临床验证队列157例患者（来自PRODIGE 9-FFCD临床试验），其中肝脏局限性转移43例 | NA | nnU-Net | Dice相似系数、总生存期分析（p值） | NA |
| 1930 | 2026-09-16 |
Ability of Deep Learning Image Reconstruction to Preserve Detail and Remove Noise in Coronary Computed Tomography Angiography: A Clinical Analysis
2026 Sep-Oct 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001866
PMID:41973049
|
研究论文 | 本文通过临床分析评估深度学习图像重建（DLIR）在冠状动脉CT血管造影中不同去噪水平下保留细节和去除噪声的能力 | 分析了DLIR三个水平对图像质量的影响，并通过差异图像和边缘/非边缘像素直方图评估细节保留情况 | 样本量较小（仅19名受试者），且为回顾性研究 | 分析DLIR低、中、高三个水平的图像质量，评估更高去噪水平是否导致边缘细节丢失 | 接受冠状动脉CT血管造影（CCTA）扫描的受试者 | 医学图像处理 | 心血管疾病 | 冠状动脉CT血管造影（CCTA） | 深度学习图像重建（DLIR） | 医学图像 | 19名受试者 | NA | 深度学习图像重建（DLIR） | 对比噪声比（CNR）、主观图像质量评分（5点李克特量表）、读者一致性（Cohen Kappa） | NA |
| 1931 | 2026-09-16 |
AI-driven Abdominal Aortic Calcification Extracted From Contrast-enhanced CT Is Predictive of All-cause Mortality and Cardiovascular Events in a Large Adult Population
2026 Sep-Oct 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001876
PMID:42113006
|
研究论文 | 本研究利用全自动深度学习工具从对比增强CT中量化腹主动脉钙化，并评估其对全因死亡和心血管事件的预测价值。 | 首次在大规模成人人群中验证了从对比增强CT中通过人工智能自动量化腹主动脉钙化预测死亡和心血管事件的有效性，并证明其性能与非对比CT相当。 | 回顾性研究设计，可能存在选择偏倚；未详细说明深度学习工具的具体架构和训练细节；仅使用单一医疗系统的电子健康记录数据。 | 评估从对比增强CT中通过人工智能自动量化的腹主动脉钙化对全因死亡和心血管事件的预测效用。 | 接受腹部CT检查的成年人群。 | 数字病理学, 医学影像分析 | 心血管疾病 | 对比增强CT, 非对比CT, 深度学习 | 深度学习 | 图像, 文本 | 123,500名成人（43,455例非对比CT，79,885例对比增强CT） | NA | NA | AUC, HR, 95% CI | NA |
| 1932 | 2026-09-16 |
Low-Field Musculoskeletal MRI: Recent Advances, Challenges, and Practice Considerations
2026 Sep-Oct 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001879
PMID:42112594
|
综述 | 本文综述了低场肌肉骨骼MRI的最新进展、挑战和实践考虑 | 聚焦于0.55T低场MRI在肌肉骨骼系统中的应用进展，涵盖发射-接收链设计、深度学习重建算法等技术创新 | 低场MRI仍存在局限性，最主要的是难以实现稳健的脂肪抑制和固有的较低信噪比 | 讨论低场MRI的技术原理、图像质量考虑、经济因素和临床挑战，特别关注其在肌肉骨骼系统中的应用 | 低场肌肉骨骼MRI技术及临床应用 | 医学影像 | 肌肉骨骼疾病 | 低场MRI | NA | 图像 | NA | NA | NA | 信噪比 | NA |
| 1933 | 2026-09-16 |
Assessing the Reliability of MRI and CT Scans for Liver Volume Estimation in Patients Undergoing Liver Transplantation
2026 Sep-Oct 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001869
PMID:42112599
|
研究论文 | 该文章比较了术前MRI和CT扫描在肝脏体积测量中的准确性，以手术标本重量作为参考标准 | 该研究系统地比较了MRI和CT在肝脏体积测量中的准确性，并以手术标本重量作为参考标准，填补了此前缺乏系统性验证的空白 | 样本量较小，且部分患者同时接受MRI和CT检查的数量有限 | 评估MRI和CT扫描在肝脏移植患者肝脏体积估计中的可靠性 | 接受肝脏移植的患者 | 医学影像分析 | 肝脏疾病 | MRI, CT | 深度学习模型 | 医学影像 | MRI组23名受试者（26次检查），CT组16名受试者（23次检查），5名受试者同时接受MRI和CT检查 | NA | NA | 平均误差, P值 | NA |
| 1934 | 2026-09-16 |
Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs
2026-08, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05371-3
PMID:41524987
|
研究论文 | 该研究通过多中心评估放射组学和深度学习模型，对IPMN的恶性风险进行分层 | 首次探索使用囊肿级图像特征对IPMN进行恶性风险分层，并开发放射组学与深度学习的融合模型 | 模型性能仍不足以独立临床使用，需要进一步改进 | 评估AI预测IPMN异型增生等级的可行性，并比较不同模型性能 | IPMN患者的T2加权MRI图像 | 数字病理学 | 胰腺癌 | 放射组学，深度学习 | 放射组学模型，深度学习模型，融合模型 | 图像 | 359张T2加权MRI图像 | NA | NA | AUC，准确率，加权Cohen's kappa系数 | NA |
| 1935 | 2026-09-16 |
Diagnosis of Leukemia from Bone Marrow Flow Cytometry Data Using Deep Learning and Explainable Artificial Intelligence
2026-08, The American journal of pathology
DOI:10.1016/j.ajpath.2026.03.011
PMID:42019815
|
研究论文 | 该研究开发了一个自动化诊断系统，利用深度学习分析骨髓流式细胞术数据，以诊断白血病 | 结合注意力增强的VGG19卷积网络与可解释人工智能，提高了诊断透明度和性能，并针对未见患者进行了严格评估 | 研究仅关注新诊断的高肿瘤负荷骨髓标本，性能可能不适用于低水平疾病状态或微小残留病变场景；标准图像增强技术显著降低了性能 | 开发一个高精度、可解释且临床相关的工具，以加速白血病诊断、减少人为错误并支持病理学家 | 白血病患者和健康个体的骨髓流式细胞术样本 | 数字病理学 | 白血病 | 流式细胞术 | CNN | 图像 | 超过2000个样本，来自白血病患者和健康个体 | NA | VGG19, 循环神经网络, 基于图的神经网络, 注意力增强卷积网络 | 准确率 | NA |
| 1936 | 2026-09-16 |
Deep Learning-Driven Analysis and Quantification of Histopathologic Features in a Dextran Sulfate Sodium-Induced Colitis Mouse Model
2026-08, The American journal of pathology
DOI:10.1016/j.ajpath.2026.04.005
PMID:42092460
|
研究论文 | 该研究利用基于深度学习的分类器识别并量化葡聚糖硫酸钠诱导的小鼠结肠炎模型中的组织病理学特征 | 在HALO平台上训练人工智能分类器，依次识别组织、黏膜、黏膜下层和淋巴组织，并量化组织损伤、细胞浸润、杯状细胞数量及基于核表型的细胞类型 | 这是一项概念验证研究，样本量未明确说明，可能需要在更大规模的数据集上进一步验证 | 利用深度学习工具对葡聚糖硫酸钠诱导的小鼠结肠炎模型进行组织病理学特征的自动分析和量化，以减少人工偏差并提高效率 | 葡聚糖硫酸钠诱导的结肠炎小鼠模型的结肠切片 | 数字病理学 | 炎症性肠病 | 组织病理学图像分析，核表型分析 | 深度学习分类器 | 图像 | 未明确说明 | NA | NA | 相关性，敏感性 | NA |
| 1937 | 2026-09-16 |
Functional and Structural Evidence of Neurofluid Circuit Aberrations in Huntington Disease
2026-Jul, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.70328
PMID:41620818
|
研究论文 | 本研究评估了亨廷顿病中脉络丛和矢状窦旁硬膜空间的结构和功能变化，并探讨其与脑脊液动力学的关系 | 首次在亨廷顿病谱系中同时评估脉络丛和矢状窦旁硬膜空间的结构和功能变化，并揭示其与CAG重复扩增和运动障碍的关联 | 样本量有限，且为横断面研究，无法确定因果关系 | 评估亨廷顿病中神经流体通路的结构和生理变化，并探讨其与脑脊液流动动力学的关系 | 亨廷顿病患者和年龄匹配的健康对照 | 数字病理学, 神经影像学 | 亨廷顿病 | 3T T2加权和FLAIR MRI, 相位对比MRI, 伪连续动脉自旋标记MRI | CNN | 图像 | 80名亨廷顿病患者和65名年龄匹配的健康对照 | NA | NA | NA | NA |
| 1938 | 2026-09-16 |
Development and validation of the IVENUS artificial intelligence model for automated CEAP classification of early-stage chronic venous disease using lower limb photographs
2026-07, Journal of vascular surgery. Venous and lymphatic disorders
DOI:10.1016/j.jvsv.2026.102503
PMID:42025953
|
研究论文 | 本研究开发并验证了IVENUS人工智能模型，基于下肢照片自动进行早期慢性静脉疾病的CEAP临床分类（C0-C2） | 首次使用基于Swin Transformer V2架构的深度学习模型，对下肢照片进行早期慢性静脉疾病（C0-C2）的自动CEAP分类，并采用多中心大样本数据集进行训练和验证 | 研究未明确说明模型在不同肤色、不同光照条件及不同设备拍摄照片上的泛化能力，且外部验证样本量相对训练集较小 | 开发并验证一种人工智能模型，能够从下肢照片中准确分类早期慢性静脉疾病（C0-C2 CEAP临床分级） | 下肢照片及对应的CEAP临床分级（C0、C1、C2） | 计算机视觉 | 慢性静脉疾病 | 深度学习图像分类 | Swin Transformer V2 | 图像 | 10745张下肢照片（训练集），其中C0期673个下肢、C1期4445个下肢、C2期5627个下肢；外部验证集1622张照片 | NA | Swin Transformer V2 | 准确率, 精确率, 灵敏度, 特异度, 召回率 | NA |
| 1939 | 2026-09-16 |
Artificial Intelligence in Peripheral Artery Disease: A Science Advisory From the American Heart Association
2026-Jun, Circulation. Population health and outcomes
DOI:10.1161/HCQ.0000000000000146
PMID:42131925
|
科学建议 | 本文综述了人工智能在外周动脉疾病全程管理中的当前和新兴应用，并提出了责任部署的策略 | 系统性地综述了人工智能在外周动脉疾病全程管理中的应用，涵盖从人群筛查到外科规划的各个环节，并首次以美国心脏协会科学建议的形式提出跨学科协作和监管框架 | 人工智能在外周动脉疾病中的实际落地仍受限于临床医生培训、监管清晰度、数据治理和公平可及性等挑战，且缺乏大规模前瞻性验证 | 综述人工智能在外周动脉疾病诊疗中的应用现状与前景，并为临床医生、研究人员和政策制定者提供负责任部署的指导 | 外周动脉疾病患者及其相关的电子健康记录、影像、遗传、行为和生物标志物数据 | 机器学习 | 外周动脉疾病 | 机器学习、深度学习 | 机器学习、深度学习、多模态模型 | 结构化电子健康记录数据、非结构化电子健康记录数据、影像数据、遗传数据、行为数据、生物标志物数据 | NA | NA | NA | NA | NA |
| 1940 | 2026-09-16 |
Artificial intelligence risk stratification from dynamic digital subtraction angiography radiomics predicts pulmonary embolism and associates with clinical outcomes in deep vein thrombosis: A retrospective cohort study
2026-05, Journal of vascular surgery. Venous and lymphatic disorders
DOI:10.1016/j.jvsv.2026.102450
PMID:41638306
|
研究论文 | 开发并验证一种基于动态数字减影血管造影（DSA）影像组学的人工智能系统，用于预测下肢深静脉血栓患者的肺栓塞风险并与临床结局关联 | 首次将transformer-UNet和LSTM混合深度学习模型应用于动态DSA序列，提取血栓运动学参数和血流动力学参数，实现肺栓塞的实时风险分层 | 回顾性单中心研究，样本量有限，需要前瞻性多中心验证 | 开发并验证AI系统处理动态DSA影像组学，指导血管内介入治疗中的精准治疗 | 168例下肢深静脉血栓患者 | 医学影像分析 | 深静脉血栓、肺栓塞 | 动态数字减影血管造影（DSA）影像组学 | Transformer-UNet, LSTM | 动态DSA图像序列 | 168例患者 | NA | Transformer-UNet, LSTM | AUC, 相对风险（RR）, P值 | NA |