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 38938 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 | 2026-01-06 |
Functional near-infrared spectroscopy-based computer-aided diagnosis of major depressive disorder using explainable artificial intelligence: Comparison with conventional machine learning
2026-Mar-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.120985
PMID:41422962
|
研究论文 | 本研究开发了一种基于可解释人工智能的功能性近红外光谱计算机辅助诊断模型，用于识别重度抑郁症患者与健康对照者之间的脑半球间不对称性差异 | 首次将可解释人工智能技术（如层相关传播）应用于功能性近红外光谱数据，以可视化深度学习模型的决策过程，并揭示重度抑郁症患者脑功能不对称性的关键特征 | 样本量相对较小（共116名参与者），且仅基于单一言语流畅性任务的数据，可能限制了模型的泛化能力 | 开发并验证一种基于功能性近红外光谱和可解释人工智能的重度抑郁症计算机辅助诊断方法 | 48名重度抑郁症患者和68名健康对照者 | 机器学习 | 重度抑郁症 | 功能性近红外光谱 | CNN | 光谱数据 | 116名参与者（48名患者，68名健康对照） | NA | 卷积神经网络 | 准确率, 灵敏度, 特异性 | NA |
| 1922 | 2026-01-06 |
Leveraging Representation Learning for Bi-parametric Prostate MRI to Disambiguate PI-RADS 3 and Improve Biopsy Decision Strategies
2026-Feb-01, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001218
PMID:40586610
|
研究论文 | 本研究开发了一种基于深度学习的表示学习模型，用于从双参数前列腺MRI图像中学习放射科医生的解读模式，以区分PI-RADS 3分类并检测临床显著前列腺癌，从而避免不必要的良性活检 | 利用PI-RADS引导的表示学习来学习放射科医生对MRI图像的解读模式，并应用于PI-RADS 3这一中间风险类别的区分，提高了活检决策的准确性 | 研究数据来自单一机构，可能限制了模型的泛化能力；且仅使用了双参数MRI图像，未纳入多参数MRI的其他序列 | 通过深度学习模型改善前列腺癌MRI诊断中PI-RADS 3分类的区分能力，优化活检决策策略 | 前列腺癌疑似患者的前列腺MRI图像及相关的临床数据 | 数字病理 | 前列腺癌 | 双参数前列腺MRI（T2加权和扩散加权成像） | 深度学习模型 | 图像 | 28,263次MRI检查（来自21,938名男性），其中6,352次后续活检 | NA | 表示学习模型 | AUC, 敏感性, NPV, 活检产量 | NA |
| 1923 | 2026-01-06 |
Automatic segmentation and CT-based deep learning radiomics nomogram for predicting overall survival in patients with small cell lung cancer: A multicenter cohort study
2026-Feb-01, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109161
PMID:41252869
|
研究论文 | 本研究开发了一种基于CT图像的3D自动分割模型用于小细胞肺癌病灶识别，并构建了一个深度学习放射组学列线图来预测患者总生存期 | 首次结合3D自动分割模型与深度学习放射组学列线图，用于小细胞肺癌患者的总生存期预测，实现了高精度的病灶分割和多中心验证的预测性能 | 临床因素的加入未显著提升深度学习放射组学列线图的预测效能，且研究为回顾性设计，可能存在选择偏倚 | 预测小细胞肺癌患者的总生存期，以支持个性化治疗 | 小细胞肺癌患者 | 数字病理学 | 肺癌 | CT成像 | 深度学习 | CT图像 | 1061名来自中国四家医院的小细胞肺癌患者 | nnU-Net | nnU-Net | Dice相似系数, 一致性指数, 净重分类改善, 综合判别改善 | NA |
| 1924 | 2026-01-06 |
A Novel Instance Segmentation Method for Real-Time Detection of Thyroid Nodules in Ultrasound Videos: A Multi-Center Study
2026-Feb, Ultrasound in medicine & biology
|
研究论文 | 本文提出了一种用于甲状腺超声视频中实时检测甲状腺结节的新型实例分割方法，通过多中心研究验证其性能 | 引入可变卷积网络增强结节纹理特征提取能力，提出双向Mamba模块提升视频数据的长程建模能力，结合Sobel边缘算子模块优化结节边界准确性，并定义了检测率指标以评估模型临床效率 | NA | 提高甲状腺超声视频中多结节实例分割的准确性和检测率 | 甲状腺超声视频中的多发性甲状腺结节 | 计算机视觉 | 甲状腺结节 | 超声成像 | 深度学习模型 | 超声视频 | 来自多家医院的验证集数据（具体样本数未明确说明） | NA | 可变卷积网络, 双向Mamba模块, Sobel边缘算子模块 | Dice系数, 检测率 | NA |
| 1925 | 2026-01-06 |
Artificial intelligence in depression diagnostics: A systematic review of methodologies and clinical applications
2026-Feb, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103320
PMID:41338039
|
综述 | 本文对人工智能在抑郁症诊断中的方法学与临床应用进行了系统性综述 | 全面梳理了AI驱动抑郁症诊断的最新进展，重点关注多模态数据融合与先进神经网络架构的应用潜力 | 存在数据集偏差、算法透明度不足、临床适用性有限等挑战 | 评估人工智能在抑郁症早期检测与分类领域的应用现状与发展方向 | 抑郁症诊断相关的人工智能系统 | 机器学习 | 抑郁症 | 机器学习、深度学习 | NA | 语言数据、行为数据、生理数据（来自社交媒体、临床访谈、语音记录、可穿戴设备） | NA | NA | 神经网络 | 诊断准确率 | NA |
| 1926 | 2026-01-06 |
[Artificial intelligence empowering sports medicine]
2026-Jan-06, Zhonghua yi xue za zhi
|
综述 | 本文综述了人工智能技术在运动医学多个领域的应用与最新进展 | 全面总结了AI在运动医学中从损伤预测、影像诊断到手术辅助、康复监测及患者教育的多领域深度整合应用 | NA | 回顾人工智能技术在运动医学领域的应用进展并展望未来发展趋势 | 运动医学领域的诊断、治疗、康复及患者教育流程 | 计算机视觉, 自然语言处理, 机器学习 | 运动损伤 | 深度学习, 机器学习, 计算机视觉, 大语言模型 | 深度学习模型, 机器学习模型, 大语言模型 | 影像数据, 文本数据 | NA | NA | NA | NA | NA |
| 1927 | 2026-01-06 |
Deliberate solitude for clinical reasoning
2026-Jan-06, Diagnosis (Berlin, Germany)
DOI:10.1515/dx-2025-0133
PMID:41489300
|
评论 | 本文探讨了在临床推理中，刻意独处如何可能通过精炼直觉、提高诊断准确性来支持专家表现，并借鉴了认知心理学、哲学和教育学的研究 | 将刻意独处的概念引入临床推理领域，提出其可能作为减少认知偏差、提升诊断准确性的新策略，这在医学教育中尚未被充分探索 | 目前缺乏具体实证研究支持，独处的具体机会和益处尚不确定，无法提出明确的行动方案 | 探讨刻意独处是否能够支持和提升临床推理的发展与表现 | 临床医生及其在临床推理中的思维过程 | 医学教育 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1928 | 2026-01-06 |
PGMNet: a polyp segmentation network based on bit-plane slicing and multi-scale adaptive fusion
2026-Jan-05, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae300a
PMID:41429053
|
研究论文 | 本文提出了一种基于位平面切片和多尺度自适应融合的息肉分割网络PGMNet，旨在提高结肠镜检查中息肉检测和分割的准确性 | PGMNet结合了PVTv2编码器、全局-局部交互关系模块（GLIRM）和多阶段特征聚合模块（MFAM），通过位平面切片机制抑制噪声，并利用门控机制高效聚合多尺度信息 | 未在摘要中明确提及 | 开发一种准确高效的息肉分割网络，以辅助结直肠癌的早期预防和治疗 | 结肠镜检查图像中的息肉 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 图像 | 五个公开可用的息肉数据集 | 未在摘要中明确提及 | PVTv2, GLIRM, MFAM | mDice, mIoU | 未在摘要中明确提及 |
| 1929 | 2026-01-06 |
Prediction of lymph node metastasis and recurrence risk in early-stage oral tongue squamous cell carcinoma with fully automated MRI deep learning
2026-Jan-05, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-025-00985-8
PMID:41486170
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1930 | 2026-01-06 |
Deep learning approach for critical exposure during division of the inferior mesenteric artery in colorectal surgery
2026-Jan-05, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-025-03121-7
PMID:41486401
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1931 | 2026-01-06 |
HiST: Histological Images Reconstruct Tumor Spatial Transcriptomics via MultiScale Fusion Deep Learning
2026-Jan-05, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202514351
PMID:41487073
|
研究论文 | 本文开发了一个多尺度卷积深度学习框架HiST，用于从组织学图像重建空间转录组学数据，以评估肿瘤异质性并预测患者预后 | HiST首次通过多尺度融合深度学习，从组织学图像中高精度重建空间分辨的基因表达谱，其性能优于现有模型约两倍，并展示了在多种癌症类型中的临床应用价值 | NA | 开发一个深度学习框架，以低成本从组织学图像中预测空间转录组学数据，用于肿瘤微环境分析和临床预后评估 | 多种癌症类型（如乳腺癌）的组织学图像和空间转录组学数据 | 数字病理学 | 乳腺癌 | 空间转录组学 | CNN | 图像 | NA | NA | 多尺度卷积深度学习框架 | AUC, Pearson相关系数, 一致性指数 | NA |
| 1932 | 2026-01-06 |
Evaluation of Image-Level Harmonization Methods for Multi-Center MR Neuroimaging
2026-Jan-05, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70221
PMID:41489091
|
研究论文 | 本研究评估了多中心神经影像研究中用于减少扫描仪差异的图像级标准化方法，特别比较了统计方法ComBat和深度学习方法HACA3在ADNI数据集T1w和T2-FLAIR图像上的性能 | 首次在ADNI数据集中系统评估并比较了统计与深度学习标准化方法对多厂商扫描仪T1w和T2-FLAIR图像一致性的改善效果，并引入图像特征相似性指标进行量化分析 | 当前多对比度MR标准化工具在T2-FLAIR图像的标准化上仍存在困难，且研究仅基于ADNI数据集，可能无法推广到其他疾病或扫描协议 | 评估多中心MR神经影像研究中扫描仪相关差异，并比较公开可用的图像级标准化工具的性能 | 阿尔茨海默病神经影像倡议（ADNI）数据集中的T1w和T2-FLAIR MRI图像，涉及不同厂商（GE、Philips、Siemens）的扫描仪 | 医学影像分析 | 阿尔茨海默病 | MRI（T1w和T2-FLAIR序列） | 深度学习模型（具体为HACA3） | 医学影像（MRI图像） | 扫描仪组分析：1143名ADNI3受试者（233名GE、173名Philips、250名Siemens，另487名Siemens受试者作为独立参考组）；受试者内比较：8名受试者的配对多厂商扫描会话 | NA | HACA3 | 灰质/白质对比度比（G/W ratio）、白质高信号体积（WMH volume）、Fréchet Inception Distance（FID）、Learned Perceptual Image Patch Similarity（LPIPS） | NA |
| 1933 | 2026-01-06 |
<SPAN style="font-weight: 400;">Deep Learning-derived Sarcopenia Marker Predicts Benefit from Anti-EGFR Therapy in Patients with RAS Wild-Type Metastatic Colorectal Cancer</SPAN>
2026-Jan-05, Clinical cancer research : an official journal of the American Association for Cancer Research
IF:10.0Q1
DOI:10.1158/1078-0432.CCR-25-3080
PMID:41489691
|
研究论文 | 本研究探讨了从CT图像中自动提取的肌肉骨骼比作为肌少症标志物，在预测RAS野生型转移性结直肠癌患者抗EGFR治疗获益中的预后和预测价值 | 首次使用深度学习模型自动从CT图像中计算肌肉骨骼比，并将其作为生物标志物来识别可能从抗EGFR治疗中获益的转移性结直肠癌患者亚群 | 研究样本量有限，且验证队列为回顾性真实世界数据，可能存在选择偏倚 | 评估肌少症标志物在转移性结直肠癌患者治疗反应预测中的作用 | RAS野生型转移性结直肠癌患者 | 数字病理学 | 结直肠癌 | 计算机断层扫描 | 深度学习模型 | 医学影像 | PanaMa研究中的189名患者，加上一个真实世界验证队列 | NA | NA | 风险比, 置信区间, P值 | NA |
| 1934 | 2026-01-06 |
Deep learning-guided attenuation and scatter correction of 99mTc-MAA SPECT images: towards quantitative analysis in 90Y-SIRT
2026-Jan-05, Annals of nuclear medicine
IF:2.5Q2
DOI:10.1007/s12149-025-02152-2
PMID:41489766
|
研究论文 | 本研究开发了深度学习模型，用于99mTc-MAA SPECT图像的CT无衰减校正和基于蒙特卡洛的散射校正，旨在提高90Y-SIRT治疗规划和预治疗剂量学的定量准确性 | 采用改进的3D Swin UNETR架构，首次开发了用于SPECT图像衰减校正、散射校正及联合校正的深度学习模型，实现了无需CT数据的定量分析 | 研究基于222名患者数据，样本量相对有限；模型性能在联合校正任务中相对误差较高（16.45%）；未在更广泛临床环境中验证 | 提高90Y选择性内放射治疗（SIRT）中SPECT图像的定量准确性，以优化治疗规划和剂量学评估 | 222名接受90Y-SIRT前99mTc-MAA SPECT成像的患者数据 | 医学影像分析 | 肝脏肿瘤（适用于SIRT治疗） | SPECT成像，蒙特卡洛散射校正，深度学习 | 深度学习模型 | 3D SPECT图像 | 222名患者 | PyTorch（基于Swin UNETR架构推断） | 改进的3D Swin UNETR | 平均误差（ME），相对误差（RE），Gamma分析通过率，平均绝对误差（MAE） | 未明确指定，但提及适用于缺乏充足计算资源进行蒙特卡洛模拟的临床环境 |
| 1935 | 2026-01-06 |
Implementation of deep learning with convolutional block attention module for detecting collimator rotation errors in stereotactic radiosurgery quality assurance
2026-Jan-05, Radiological physics and technology
IF:1.7Q3
DOI:10.1007/s12194-025-01002-0
PMID:41489764
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1936 | 2026-01-06 |
Diabetic foot ulcer classification using an enhanced coordinate attention integrated ConvNext model
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01692-1
PMID:41489793
|
研究论文 | 本文提出了一种结合坐标注意力机制增强的ConvNeXt模型，用于基于图像的糖尿病足溃疡自动分类 | 提出了一种混合模型，将坐标注意力机制集成到ConvNeXt架构中，以捕获空间长程依赖特征，从而提高糖尿病足溃疡图像分类的准确性 | 未明确说明数据集的来源、规模多样性以及模型在临床环境中的泛化能力验证 | 开发一种自动化的深度学习方法，以加速糖尿病足溃疡的评估过程并提供最佳治疗建议 | 糖尿病足溃疡图像 | 计算机视觉 | 糖尿病足溃疡 | 图像处理（自适应阈值分割） | CNN | 图像 | NA | NA | ConvNeXt | 准确率, F1分数 | NA |
| 1937 | 2026-01-06 |
OGTCN-E-MGO: an optimized deep learning framework for EEG-based schizophrenia detection
2026-Jan-05, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01695-y
PMID:41489794
|
研究论文 | 提出一种名为OGTCN-E-MGO的优化深度学习框架，用于基于脑电图（EEG）信号的精神分裂症自动检测 | 提出了一种优化的门控时序卷积网络（OGTCN），该网络集成了门控循环单元（GRU）、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO），用于精神分裂症的EEG信号分类 | NA | 实现精神分裂症的自动分类，通过分析EEG信号获取与精神分裂症认知变化相关的神经活动变化 | 精神分裂症患者 | 机器学习 | 精神分裂症 | 脑电图（EEG） | GRU, TCN | 脑电图信号 | 两个数据集：数据集1包含28名个体的19通道EEG信号；数据集2包含81名个体的64通道EEG信号 | NA | 优化的门控时序卷积网络（OGTCN），集成GRU、改进的时序卷积网络（ITCN）和增强的山地瞪羚优化器（E-MGO） | 准确率 | NA |
| 1938 | 2026-01-06 |
Deep learning for Angle classification based on intraoral photographs: an interpretability perspective
2026-Jan-04, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-07550-6
PMID:41486121
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1939 | 2026-01-06 |
Preoperative assessment of axillary lymph node tumor burden in cT1-2N0 breast cancer patients with a modality-adaptive network based on sentinel lymph node ultrasound images
2026-Jan-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34371-y
PMID:41486270
|
研究论文 | 本研究开发并验证了一种基于前哨淋巴结超声图像的深度学习模型，用于术前评估cT1-2N0乳腺癌患者的腋窝淋巴结肿瘤负荷 | 开发了一种结合灰度或彩色多普勒超声图像及临床病理信息的模态自适应网络（MAN+C），相比现有AI模型，其适用性扩展了30%，可涵盖多灶性病变或已接受原发性乳腺癌病灶治疗的患者 | 研究样本来自两家医院，可能存在选择偏倚；外部验证数据集的AUC（0.84）低于其他数据集，表明模型泛化能力有待进一步验证 | 为cT1-2N0乳腺癌患者术前评估腋窝淋巴结肿瘤负荷提供一种直接、高效的诊断方法 | cT1-2N0乳腺癌患者的前哨淋巴结超声图像及临床病理信息 | 数字病理 | 乳腺癌 | 超声成像，对比增强淋巴超声 | 深度学习模型 | 图像 | 374名患者的595个前哨淋巴结 | NA | 模态自适应网络 | AUC | NA |
| 1940 | 2026-01-06 |
Application of deep learning technology in breast cancer: a systematic review of segmentation, detection, and classification approaches
2026-Jan-04, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-025-01502-5
PMID:41486277
|
综述 | 本文系统综述了2020年至2024年间深度学习在乳腺癌影像分割、检测和分类中的应用，重点关注模型架构、数据集特征、方法学质量及临床转化意义 | 首次对深度学习在乳腺癌影像中的最新进展进行临床导向性综合评估，比较了CNN、Transformer和混合架构在不同模态下的表现，并系统评估了研究质量和偏倚风险 | 大多数研究为回顾性、单中心、类别不平衡，人口代表性狭窄，参考标准异质，缺乏外部或前瞻性验证，存在偏倚、过拟合、公平性和鲁棒性问题 | 评估深度学习在乳腺癌影像中的技术进展、临床潜力及转化挑战 | 乳腺癌影像数据，包括乳腺X线摄影、病理切片、数字乳腺断层合成（DBT）和动态对比增强磁共振成像（DCE-MRI） | 计算机视觉 | 乳腺癌 | 深度学习，包括卷积神经网络（CNN）、Transformer和混合架构 | CNN, Transformer | 图像 | 65项研究涉及的数据集，具体样本量未在摘要中明确说明 | NA | U-Net变体, CNN分类器, Transformer, 混合模型 | 准确率, AUC, 敏感性, Dice系数, IoU | NA |