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!


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。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-08-07 |
The Role of Artificial Intelligence Combined With Digital Cholangioscopy for Indeterminant and Malignant Biliary Strictures: A Systematic Review and Meta-analysis
2026-Aug-06, Journal of clinical gastroenterology
IF:2.8Q2
DOI:10.1097/MCG.0000000000002148
PMID:39998988
|
系统综述与Meta分析 | 本文通过系统综述和Meta分析评估人工智能结合数字胆道镜检查在诊断不确定性和恶性胆道狭窄中的性能 | 首次系统性地评估AI辅助胆道镜检查的诊断准确性,采用双变量模型和SROC曲线进行综合统计分析 | 纳入研究数量有限,且多数研究集中于CNN模型,可能限制结果的普适性 | 评估AI结合胆道镜图像诊断不确定性和恶性胆道狭窄的诊断性能 | 胆道镜图像中的不确定性和恶性胆道狭窄病变 | 计算机视觉, 数字病理学 | 胆道狭窄(包括恶性胆道狭窄) | 胆道镜检查, 深度学习 | 卷积神经网络(CNN) | 图像 | 5项研究,共675个病灶,2,685,674张胆道镜图像 | NA | CNN | 敏感性, 特异性, 似然比, 诊断比值比, SROC曲线, 准确性 | NA |
| 2 | 2026-08-07 |
Deep learning analysis of Google Street View to assess residential built environment and cardiovascular risk in a Midwestern US retrospective cohort
2026-Aug-03, European journal of preventive cardiology
IF:8.4Q1
DOI:10.1093/eurjpc/zwaf038
PMID:39903569
|
研究论文 | 本研究利用谷歌街景图像和深度学习技术,分析住宅周围建筑环境特征与心血管疾病风险的关系 | 首次将深度学习应用于大规模街景图像分析,以评估建筑环境与心血管风险之间的关联 | 研究为回顾性队列设计,需要进一步验证关联并理解潜在机制 | 探究建筑环境特征(如绿化、人行道)对心血管疾病风险的影响 | 美国中西部俄亥俄州东北部队列中49,887名个体 | 深度学习应用、环境健康、公共卫生 | 心血管疾病 | 图像分析(谷歌街景图像) | 深度学习模型(具体类型未提及) | 图像 | 49,887名个体,其中2,083例发生主要不良心血管事件 | NA | NA | 风险比、置信区间 | NA |
| 3 | 2026-08-07 |
Recent Advances in Hypothalamic Segmentation for Neuroimaging: A Comprehensive Review
2026-Aug-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9146
PMID:41412746
|
综述 | 系统总结下丘脑分割方法及其在生理和临床研究中的应用,包括基于解剖学的手动分割和基于深度学习的全自动分割,并指出该领域的主要挑战 | 全面回顾下丘脑分割的两种互补方法,并强调儿科领域的方法学空白和标准化分割流程的必要性 | 缺乏统一的分割协议影响了跨研究可比性,且儿科人群研究存在明显方法学不足 | 总结下丘脑分割方法及其应用,指出挑战并展望未来方向,以促进对该脑区结构和功能的理解 | 下丘脑及其亚核(如调节能量平衡、应激反应和昼夜节律的区域) | 神经影像学 | 不适用 | 核磁共振成像 | 深度学习模型 | 神经影像数据 | 不适用(综述文章,未涉及具体样本) | 不适用 | 不适用 | 不适用 | 不适用 |
| 4 | 2026-08-07 |
A Comparative Evaluation of 7T MRI for Epilepsy with Deep Learning-Based Image Reconstruction and Dynamic Parallel Transmission
2026-Aug-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9218
PMID:41667229
|
研究论文 | 比较评估了结合动态并行传输和深度学习重建的增强型7T MRI协议与标准协议在癫痫成像中的表现 | 将动态并行传输和基于深度学习的k空间重建技术整合到7T癫痫MRI协议中,实现了分辨率提升、扫描时间缩短和图像均匀性改善 | 未在摘要中明确说明 | 优化结合动态并行传输和深度学习重建的增强型7T癫痫协议,并评估其相对于标准7T协议的实际临床益处 | 40例采用标准7T癫痫协议和40例采用增强协议的连续脑部MRI扫描 | 医学影像 | 癫痫 | 7T MRI, 动态并行传输, 基于深度学习的k空间重建 | 深度学习 | MRI图像 | 80例脑部MRI扫描(40例标准协议和40例增强协议) | NA | NA | 图像噪声, 信号均匀性(变异系数), 分辨率, 扫描时间 | 未在摘要中明确说明 |
| 5 | 2026-08-07 |
Effectiveness Evaluation for Clinical Depression Detection Using Deep Learning Based Synthetic House-Tree-Person Test
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3553502
PMID:40126963
|
研究论文 | 提出了一种基于深度学习模型的合成房树人测试(S-HTP)用于临床抑郁症检测,并评估其有效性。 | 首次将深度学习应用于合成房树人测试,实现了无需人际互动的抑郁症自动检测,并揭示了与抑郁症相关的绘画特征。 | 摘要中未提及明确的局限性。 | 开发一种基于S-HTP的深度学习模型,用于客观、便捷的抑郁症检测,并作为临床辅助诊断工具。 | 抑郁症患者及非抑郁症个体的绘画图像。 | 计算机视觉, 数字病理学 | 抑郁症 | 深度学习 | 深度学习模型(具体类型未指定,但可能为CNN) | 图像(S-HTP绘画) | 未提供具体样本量 | NA | NA | AUC, 准确率 | NA |
| 6 | 2026-08-07 |
Lightweight LLM-Based Anomaly Detection Framework for Securing IoTMD Enabled Diabetes Management Control Systems
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3577604
PMID:40489281
|
研究论文 | 本研究评估了多种轻量级大语言模型在物联网医疗设备启用的糖尿病管理控制系统中的异常检测性能,其中微调的LLaMA 3.2 1B-Instruct模型表现最佳 | 首次将轻量级大语言模型与低秩适配技术应用于物联网医疗设备的异常检测,实现了高精度和零误报率,超越了传统深度学习方法 | 研究仅基于仿真或特定数据集,未涉及真实临床环境,且未详细探讨模型在对抗性攻击下的鲁棒性 | 开发并评估轻量级大语言模型用于增强物联网医疗设备糖尿病管理控制系统的安全性,以检测网络威胁 | 物联网医疗设备中的糖尿病管理控制系统,以及其中的异常检测任务 | 机器学习 | 糖尿病 | 低秩适配微调 | 大语言模型(LLM) | NA | NA | NA | LLaMA 3.2 1B-Instruct, GPT-2, Phi-1, Gemma 2B-Instruct, IL-MLP, IL-CNN, FL-MLP, FL-CNN | 准确率, 精确率, 假阳性率 | NA |
| 7 | 2026-08-07 |
Development of a Tongue Image-Based Machine Learning Tool for the Diagnosis of Colorectal Cancer: A Prospective Multicentre Clinical Cohort Study
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3585552
PMID:40601462
|
研究论文 | 本研究开发了一种基于舌象图像的机器学习工具,用于辅助诊断结直肠癌,并进行了前瞻性多中心临床队列验证 | 创新性地结合了传统舌诊与现代机器学习,使用SAM和Grounding DINO进行图像分割,融合手工特征和Swin-Transformer深度学习特征,实现了高准确率的非侵入性诊断 | 外部验证队列样本量相对较小,可能限制结果的普遍性;未涉及与其他诊断方法的直接比较 | 开发一种非侵入性、经济有效的基于舌象图像的智能诊断模型,以辅助结直肠癌筛查,尤其在传统诊断资源有限的地区 | 结直肠癌患者和非结直肠癌参与者的舌象图像 | 医学影像分析 | 结直肠癌 | 图像分割、特征提取和融合技术 | 机器学习模型,具体包括SAM, Grounding DINO, Swin-Transformer | 舌象图像 | 内部分析包括1,389张结直肠癌患者舌象和1,543张非结直肠癌参与者舌象;外部验证包括119名结直肠癌患者和221名非结直肠癌参与者的舌象 | NA | SAM, Grounding DINO, Swin-Transformer | 准确率, F1-score, 精确率, 召回率 | 未提及 |
| 8 | 2026-08-07 |
HRMamba: Fusing Luminance Information for Remote Physiological Measurement in Varied Lighting Conditions
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3603308
PMID:40956747
|
研究论文 | 提出了一种基于Mamba的端到端方法HRMamba,通过融合亮度信息在复杂光照条件下从面部视频中提取远程生理信号 | 首次将Mamba架构应用于远程光电容积描记(cbPPG)任务,设计了时间差分Mamba处理时序信号,并结合双向状态空间理解场景和周期性模式,创新性地设计了亮度后处理模块以在不增强光线或改动原始视频的情况下提取亮度信息并嵌入PPG信号 | 摘要中未明确提及局限性 | 解决现有深度学习方法在cbPPG中提取微弱PPG信号、理解长上下文周期性模式以及在低光等复杂光照环境下准确提取PPG信号的挑战 | 面部视频中的远程光电容积描记(cbPPG)信号,用于提取心率、呼吸率和血氧饱和度等生命体征 | 计算机视觉 | NA | NA | Mamba | 视频 | NA | NA | Mamba, 时间差分Mamba, 双向状态空间模型, 亮度后处理模块 | 性能指标未在摘要中具体列出,但声称达到最优性能 | NA |
| 9 | 2026-08-07 |
Evaluation of Self-Supervised Representation Learning for Mitosis Detection in Histopathological Images
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3629587
PMID:41284437
|
研究论文 | 本研究评估了基于自监督学习(DINO)的基础模型在组织病理图像中有丝分裂检测中的应用 | 首次将自监督学习基础模型(DINO)用于组织病理图像中的有丝分裂检测,消除了昂贵训练阶段的需求,并展示了与监督模型相当的性能 | 基础模型性能略低于监督模型,且仅评估了有限数量的基础模型架构 | 评估自监督学习基础模型在组织病理图像有丝分裂检测中的适用性,以提高资源效率 | 组织病理图像中的有丝分裂细胞 | 数字病理学 | 癌症 | 自监督学习(DINO) | Vision Transformer (ViT), Cross-Covariance Image Transformers (XCiT), ResNet-50 | 图像 | 使用MIDOG2021、MIDOG2022和ICPR2014数据集 | NA | Vision Transformer (ViT), Cross-Covariance Image Transformers (XCiT), ResNet-50 | F1分数 | NA |
| 10 | 2026-08-07 |
ToothSeg: Robust Tooth Instance Segmentation and Numbering in CBCT Using Deep Learning and Self-Correction
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3650444
PMID:41477803
|
研究论文 | 本文介绍ToothSeg,一种基于深度学习和自我校正的全自动牙齿实例分割与编号方法,用于锥形束CT影像 | 将语义分割和实例分割统一到一个方法中,并采用自我校正机制解决牙齿合并或分裂问题,确定每个牙弓的牙齿编号最优顺序 | 未在论文中明确提及,但可能涉及对图像伪影和解剖变异的泛化挑战 | 实现CBCT中牙齿的自动实例分割和编号,减少人工工作量并支持口腔和颅面健康的研究 | CBCT影像中的牙齿 | 计算机视觉 | 口腔疾病 | CBCT | 深度学习模型(语义分割和实例分割) | 图像 | 内部数据集1282个样本(25+设备),ToothFairy2挑战数据集480个样本(1个设备) | NA | 语义分割模型(未指定具体架构),实例分割模型(未指定具体架构) | True Positive Dice, multiclass instance F1 | NA |
| 11 | 2026-08-07 |
Enhancing Fairness in Skin Lesion Classification for Medical Diagnosis Using Prune Learning
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3652910
PMID:41525640
|
研究论文 | 提出了一种通过剪枝学习增强皮肤病变分类公平性的算法,应用于VGG11和ViT-B16模型,在不牺牲准确率的前提下提升了公平性指标并减小了模型规模 | 通过计算卷积层特征图及ViT补丁和头的偏度,剪除与肤色相关的无关通道,聚焦病变区域,无需肤色标签即可实现公平性提升 | 未提及具体局限性,可能包括验证范围有限或对特定数据集依赖 | 提升皮肤病变分类在不同肤色间的公平性,同时减少计算开销和模型大小 | 皮肤病变图像分类任务中的公平性提升 | 计算机视觉, 数字病理学 | 皮肤癌 | 剪枝学习 | CNN, Transformer | 图像 | 未明确说明 | PyTorch | VGG11, ViT-B16 | 准确率, F1分数, 公平性指标 | 未明确说明 |
| 12 | 2026-08-07 |
SAFusion: Scenario-Adaptive Network for Multimodal Medical Image Fusion
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3651957
PMID:41525647
|
研究论文 | 提出了一种场景自适应的多模态医学图像融合网络SAFusion,采用两阶段训练过程和包含场景专用与通用融合模块的融合层,以应对不同融合场景的需求 | 创新性地提出场景自适应融合网络,通过两阶段训练和混合专家模型定制融合策略,以及基于标准卷积和可变形卷积门控机制的双路径融合结构,实现对不同场景的自适应优化 | 摘要未提及明确局限性 | 解决现有深度学习方法忽略不同融合场景差异的问题,提供灵活高效的医学图像融合方案以支持临床诊断和治疗 | 多模态医学图像,涉及不同融合场景 | 计算机视觉 | 不适用 | 深度学习(自动编码器、混合专家模型、卷积神经网络) | 自动编码器、混合专家模型、卷积神经网络 | 医学图像 | 摘要未提及样本数量 | 不适用 | 自动编码器、混合专家模型、标准卷积、可变形卷积 | 信息集成、视觉一致性(未提及具体指标) | 不适用 |
| 13 | 2026-08-07 |
PosFormer: Generalizable Indoor Positioning via Global--Local Feature Fusion Network
2026-Aug, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3650775
PMID:41528915
|
研究论文 | 提出一种基于Transformer和CNN双融合网络的室内定位方法PosFormer,旨在提高UWB在NLOS环境下的定位精度 | 利用多径物理信息启发设计Transformer和CNN双融合网络,同时捕获CIR的全局和局部特征;设计非相邻锚点子集方案丰富CIR多样性;引入轻量迁移学习框架增强跨环境部署鲁棒性 | 未提及具体局限性 | 解决UWB在复杂NLOS环境下的定位精度问题,实现高精度且具有跨环境泛化能力的室内定位 | 室内定位中的UWB信号信道脉冲响应(CIR) | 机器学习 | NA | UWB | Transformer, CNN | 信号数据(信道脉冲响应) | 公共工业数据集,但未提供具体样本数量;迁移学习实验使用20%的指纹样本 | NA | Transformer, CNN | 平均绝对误差(MAE) | NA |
| 14 | 2026-08-07 |
EEGMoE: A Domain-Decoupled Mixture-of-Experts Model for Self-Supervised EEG Representation Learning
2026-Aug, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3652277
PMID:41553887
|
研究论文 | 提出了一种基于领域解耦的混合专家模型EEGMoE,用于自监督脑电图表示学习,并在多个任务上验证了其泛化能力 | 提出领域解耦的编码器设计,通过特定和共享专家组分别学习领域特异和领域共享的表示,并采用Top-K路由和软路由策略 | 文中未明确提及局限性 | 实现脑电图数据的自监督表示学习,提高模型的泛化能力和领域适应能力 | 脑电图数据,涵盖情绪识别、运动想象分类和精神负荷检测等任务 | 机器学习 | 不适用 | 自监督预训练 | Transformer、混合专家模型 | 脑电图信号 | 多个公开数据集(具体数量未提及) | 未提及 | Transformer、混合专家块(包含特定和共享专家组) | 准确率、F1分数 | 未提及 |
| 15 | 2026-08-07 |
A Conditional GAN-Based Framework for Sparse sEMG Data Augmentation With Muscle Synergy Prior Constraints
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3656514
PMID:41570105
|
研究论文 | 提出了一种基于条件GAN的框架,通过肌肉协同先验约束增强稀疏表面肌电信号数据,以提高信号真实感和下游任务性能 | 创新性地设计了基于图卷积网络的生成器以建模多通道肌电信号间的复杂通道关系,并引入肌肉协同先验作为动态损失函数以确保生理合理性 | 未提及具体限制 | 解决现有生成方法在顺序通道生成中的误差累积、通道关系建模不足及缺乏生理约束的问题,提高生成肌电信号的生物保真度 | 稀疏表面肌电信号 | 机器学习, 数字病理学 | NA | 表面肌电信号采集 | 条件生成对抗网络, 图卷积网络 | 肌电信号 | 使用了IRASS数据集和公共数据集NinaPro DB1和DB2 | NA | 条件生成对抗网络, 图卷积网络 | 信号真实性, 下游任务性能 | NA |
| 16 | 2026-08-07 |
PGST: A Prototype-Guided Parameter-Efficient Network for Spatial Transcriptomics Prediction
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3666148
PMID:41701590
|
研究论文 | 提出一种基于原型引导的参数高效网络(PGST),用于空间转录组学中的基因表达预测,通过极坐标嵌入、原型引导聚合、共享解码器和轻量级设计提升性能,在多个数据集上优于现有方法 | 引入极坐标嵌入策略(PEST)处理空间转录组学的位置编码特殊性,采用原型引导聚合保留全局共特征,共享解码器增强全局一致性,并实现轻量级架构设计以提高参数效率 | 摘要中未提及具体局限性 | 解决空间转录组学中基因表达预测的现有方法缺陷,包括空间特异性不足、忽略空间共表达模式、对噪声和分布偏移敏感以及参数效率低 | 空间转录组学数据中的基因表达模式 | 空间转录组学、深度学习 | NA | 空间转录组学(ST) | 图神经网络、对比学习 | 空间转录组数据(图像和基因表达数据) | NA | NA | PGST(含PEST模块、原型引导聚合器、共享解码器) | NA | NA |
| 17 | 2026-08-07 |
OnUVS: An Online Motion Transfer Framework With Content-Texture Decoupling for High-Fidelity Ultrasound Video Synthesis
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3661871
PMID:41701591
|
研究论文 | 提出了一种名为OnUVS的在线运动迁移框架,用于高保真超声视频合成,通过内容-纹理解耦提高视频质量和运动一致性 | 引入弱监督关键点学习增强运动表示,采用双解码器生成器平衡内容和纹理特征,并设计在线学习策略平滑帧间连贯性 | 未提及具体限制,但可能涉及对罕见病案例的视频合成仍需进一步验证 | 解决超声视频稀缺问题,通过高质量视频合成提升诊断应用和深度学习模型训练效果 | 超声视频,包括心回波图和盆底超声数据 | 计算机视觉 | 心脏病和盆腔疾病 | NA | 生成对抗网络(GAN) | 视频 | 心回波图和盆底超声数据集,具体数量未提及 | NA | 双解码器生成器和多尺度判别器 | FVD(帧间视频距离)和FID(弗雷歇初始距离) | NA |
| 18 | 2026-08-07 |
Cerebral Lateralization Assessment: An Explainable Deep Learning Approach With Channel Attention Mechanism
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3583038
PMID:40560711
|
研究论文 | 提出了一种基于通道注意力机制的可解释深度学习方法,用于通过脑电图交叉频率耦合评估大脑偏侧化模式 | 利用合成信号预训练网络以计算相位-幅度耦合,采用对称架构评估半球间差异,并引入自定义注意力层增强可解释性和检测细微偏侧化差异 | 脑电图数据标签样本有限、高维噪声特性可能导致过拟合和泛化能力差,以及受试者间的时空变异性问题 | 开发一种深度学习方法,通过基于交叉频率耦合的半球间功能差异来揭示大脑偏侧化模式,并支持临床应用 | 大脑偏侧化相关的神经状态,基于脑电图信号 | 机器学习 | 神经疾病(未具体指定) | 脑电图 | 深度神经网络 | 脑电图信号 | 未提及 | 未提及 | 对称架构、注意力层 | AUC | 未提及 |
| 19 | 2026-08-07 |
Towards Reliable Prediction: A Bayesian Continual Learning Approach for Clinical Time-Series Data
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3598718
PMID:40889322
|
研究论文 | 提出了一种基于贝叶斯LSTM的持续学习算法C-BLSTM,用于处理临床时间序列数据的预测,并提高模型的泛化能力。 | 首次将贝叶斯LSTM与持续学习结合,通过架构剪枝、变分推断正则化与核心集重放策略实现领域增量学习,提升临床时间序列预测的可靠性和泛化性。 | 摘要未提及明显的局限性,但可能涉及计算复杂度或对特定数据分布假设的依赖。 | 解决临床时间序列数据预测中的模型泛化问题,通过持续学习应对数据分布漂移,提高预测性能和可靠性。 | 临床时间序列数据,包括电子病历数据用于死亡预测,以及心力衰竭患者再入院风险和2型糖尿病患者糖化血红蛋白结果的真实世界数据。 | 机器学习 | 心力衰竭, 2型糖尿病 | NA | LSTM | 时间序列数据 | 两个公开电子病历数据集和两个真实世界临床时间序列数据集(具体数量未知) | NA | LSTM | 性能指标包括预测准确性和可靠性(具体指标未提及) | NA |
| 20 | 2026-08-07 |
TUNA: A Target-Aware Unified Network for Protein-Ligand Binding Affinity Prediction via Multi-Modal Feature Integration
2026-Aug, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3643854
PMID:41385420
|
研究论文 | 提出了一种名为TUNA的新型深度学习模型,通过整合全局蛋白序列、局部口袋表示、基于SMILES的配体特征和分子图结构等多模态特征来预测蛋白质-配体结合亲和力 | 整合了全局序列、口袋级信息和配体多模态特征,并采用跨模态注意力机制实现可解释的结合位点推断 | 未明确提及,但可能包括对无已知结构靶标的依赖和计算资源需求 | 提高蛋白质-配体结合亲和力预测的准确性,特别是针对无已知结构的靶标 | 蛋白质-配体复合物的结合亲和力预测 | 机器学习、药物发现 | NA | 三维结构推断、口袋检测、预训练模型嵌入 | 深度学习模型(未具体指定架构类型) | 蛋白质序列、口袋序列、配体SMILES、分子图结构 | PDBbind和BindingDB数据集 | NA | 跨模态注意力机制 | 准确性、竞争力(未具体列出指标,可能包括RMSE、皮尔逊相关系数等) | 未明确提及,可能包括GPU等 |