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 19278 篇文献，本页显示第 3041 - 3060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3041 | 2026-01-24 |
iACP-DPNet: a dual-pooling causal dilated convolutional network for interpretable anticancer peptide identification
2025-Jul-04, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01641-x
PMID:40613943
|
研究论文 | 本研究提出了一种名为iACP-DPNet的新型深度学习模型，用于识别抗癌肽，该模型结合了蛋白质语言模型、特征选择和因果扩张卷积网络，并引入了双池化机制以提高特征提取能力和模型可解释性 | 构建了更大更多样化的数据集；提出了结合因果扩张卷积网络和双池化机制（全局平均池化和注意力池化）的新型模型架构；通过t-SNE、ISM和SHAP分析增强了模型的可解释性 | 未明确提及 | 开发一种高性能、可解释且泛化能力强的计算模型，用于抗癌肽的识别 | 抗癌肽 | 自然语言处理, 机器学习 | 癌症 | 蛋白质语言模型, 特征选择 | CNN, 深度学习 | 蛋白质序列 | 通过整合现有文献和数据库数据构建的更大更多样化的数据集（具体数量未明确给出） | NA | 因果扩张卷积网络, ProtBert | 特异性, 灵敏度, 准确率, 马修斯相关系数 | NA |
| 3042 | 2026-01-24 |
Genome-resolved metagenomics from short-read sequencing data in the era of artificial intelligence
2025-Jun-10, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01625-x
PMID:40493087
|
综述 | 本文综述了人工智能在短读长测序数据基因组解析宏基因组学中的应用工具及其模型 | 系统回顾了专门为短读长宏基因组数据开发的最新AI工具及其底层模型，并讨论了其性能与可用性 | NA | 探讨人工智能在基因组解析宏基因组学数据分析各阶段的应用与影响 | 短读长测序数据及相关的AI工具 | 机器学习 | NA | 短读长测序 | 机器学习,深度学习 | 宏基因组测序数据 | NA | NA | NA | 准确性,可扩展性,效率 | NA |
| 3043 | 2026-01-24 |
scPrediXcan integrates advances in deep learning and single-cell data into a powerful cell-type-specific transcriptome-wide association study framework
2025-Mar-04, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.11.623049
PMID:39605417
|
研究论文 | 本文提出了一种名为scPrediXcan的新型细胞类型特异性转录组范围关联研究框架，该框架整合了深度学习方法和单细胞数据，以更精确地识别疾病相关基因 | 将先进的深度学习模型（ctPred）与经典TWAS框架结合，能够高精度预测细胞类型特异性表达，并捕捉线性模型忽略的复杂基因调控规律 | 未在摘要中明确提及具体限制，但可能涉及数据稀疏性和样本量问题 | 开发一个强大的细胞类型特异性转录组范围关联研究框架，以更深入地理解复杂疾病的细胞机制 | 2型糖尿病和系统性红斑狼疮 | 机器学习 | 2型糖尿病, 系统性红斑狼疮 | 单细胞数据, 表观遗传特征预测 | 深度学习模型 | DNA序列数据, 单细胞表达数据 | NA | NA | ctPred | 准确性, 基因识别数量, 基因座解释能力 | NA |
| 3044 | 2026-01-24 |
AggNet: Advancing protein aggregation analysis through deep learning and protein language model
2025-Feb, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70031
PMID:39840791
|
研究论文 | 本研究提出了一种名为AggNet的新型深度学习框架，用于预测蛋白质聚集，结合蛋白质语言模型ESM2和AlphaFold2，以区分淀粉样和非淀粉样肽并识别聚集倾向区域 | AggNet结合了蛋白质语言模型ESM2和AlphaFold2，利用物理化学、进化和结构信息，在蛋白质聚集预测上实现了最先进的性能，并增强了模型的可解释性 | NA | 开发一种高效的计算工具来预测蛋白质聚集，以替代成本高昂且劳动密集的实验方法 | 蛋白质聚集，特别是淀粉样和非淀粉样肽以及聚集倾向区域 | 机器学习 | NA | 深度学习，蛋白质语言模型 | 深度学习框架 | 蛋白质序列和结构数据 | NA | NA | ESM2, AlphaFold2 | NA | NA |
| 3045 | 2026-01-24 |
Corrigendum: Addressing grading bias in rock climbing: machine and deep learning approaches
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1570591
PMID:40051920
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3046 | 2026-01-24 |
A lightweight co-optimization model for field sunflower disease identification
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1728123
PMID:41560911
|
研究论文 | 本文提出了一种轻量化的YOLO-CGA模型，用于田间向日葵病害识别，并在Raspberry Pi上部署以实现现场应用 | 基于YOLOv8n-cls，设计了CBAM_ADown模块以增强特征提取和噪声抑制，采用C3Ghost模块减少参数量，并构建AFC_SPPF模块进行多尺度病害特征融合，从而在保持高精度的同时实现模型轻量化 | 模型在复杂田间环境中的泛化能力可能仍需进一步验证，且仅针对向日葵等特定作物病害进行测试 | 开发一种轻量化且鲁棒的作物病害识别模型，以解决现有深度学习模型在复杂田间环境中缺乏鲁棒性、参数量大、难以在资源受限设备上部署的问题 | 向日葵病害图像 | 计算机视觉 | 向日葵病害 | 深度学习 | YOLO | 图像 | 三个主要数据集：BARI-Sunflower数据集、Cotton Disease数据集、FGVC8数据集 | PyTorch | YOLOv8n-cls, CBAM_ADown, C3Ghost, AFC_SPPF | 准确率 | Raspberry Pi |
| 3047 | 2026-01-24 |
MTMEGPS: An R package for multi-trait and multi-environment genomic and phenomic selection using deep learning
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1674985
PMID:41560909
|
研究论文 | 本文介绍了一个名为MTMEGPS的R包，用于通过深度学习进行多性状和多环境的基因组与表型组选择 | 开发了一个集成的R包，简化了深度学习在育种中的应用流程，支持多性状和多环境预测，并提供了端到端的工作流 | 深度学习计算需求高，且预测误差在某些场景下仍处于中等水平 | 提升基因组和表型组选择的预测能力，通过深度学习捕获非线性模式 | 玉米基因组数据、桉树近红外光谱数据以及公开的多环境验证数据集 | 机器学习 | NA | 深度学习，近红外光谱 | 深度学习模型 | 基因组数据，光谱数据 | NA | R | NA | 均方误差 | NA |
| 3048 | 2026-01-24 |
Artificial intelligence prediction of nonenhancing brain tumor malignancy based on in vivo confocal laser endomicroscopic imaging
2025, Frontiers in surgery
IF:1.6Q2
DOI:10.3389/fsurg.2025.1655374
PMID:41560935
|
研究论文 | 本文开发了一种基于序列的深度学习模型，利用共聚焦激光内镜成像序列对非增强脑肿瘤进行分级预测 | 提出了一种新颖的序列深度学习模型，结合视觉和时间信息，模拟神经病理学家的视觉推理过程，优于传统的基于单帧的分类方法 | 样本量较小（仅16名患者），模型在更大数据集上的泛化能力有待验证 | 开发人工智能模型以准确预测非增强脑肿瘤的恶性程度，辅助术中决策 | 非增强脑肿瘤患者的共聚焦激光内镜成像序列 | 数字病理学 | 脑肿瘤 | 共聚焦激光内镜成像 | 深度学习 | 图像序列 | 16名患者，105个序列，3,173张图像，40个感兴趣区域 | NA | Vision Transformer, VGG16, ResNet50, Inception-ResNet-V2, Transformer编码器, 时间卷积 | top-1分类准确率 | NA |
| 3049 | 2026-01-24 |
Evaluation of deep learning tools in medical diagnosis and treatment of cancer: research analysis of clinical and randomized clinical trials
2025, Frontiers in network physiology
DOI:10.3389/fnetp.2025.1578562
PMID:41561148
|
综述 | 本文系统评估了深度学习算法在癌症诊断与治疗临床试验中的应用，并分析了其性能与未来前景 | 首次按癌症类型分层系统评估深度学习算法在临床试验中的表现，并提出大规模实施的建议 | 研究仅基于PubMed数据库的文献，可能未涵盖所有相关研究 | 评估深度学习在癌症诊疗中的应用效果并展望未来发展方向 | PubMed数据库中关于深度学习在癌症诊断的临床与随机对照试验文献 | 机器学习 | 癌症 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 3050 | 2026-01-24 |
Optimized multi agent reinforcement learning algorithms with hybrid BiLSTM for cost efficient EV charging scheduling
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1700664
PMID:41561184
|
研究论文 | 本文提出了一种结合Pelican优化算法调优的双向长短期记忆网络和多智能体强化学习的新框架，用于电动汽车充电站的成本高效调度 | 将预测、优化和调度步骤无缝统一在一个马尔可夫决策过程框架中，而非传统上作为独立实体处理 | NA | 最小化运营成本、确保电网稳定性并提升用户满意度 | 电动汽车充电站 | 机器学习 | NA | NA | BiLSTM, MARL | 时间序列数据 | NA | NA | BiLSTM | 充电成本降低百分比, 荷电状态满意度提升百分比, 预测准确率提升百分比, 仿真时间减少 | NA |
| 3051 | 2026-01-24 |
Artificial intelligence in outpatient management: a simulation-based study in a Chinese tertiary hospital
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1696586
PMID:41561186
|
研究论文 | 本研究通过模拟数据和医生调查，探索了人工智能在中国门诊管理中的应用、潜在价值及挑战 | 使用LSTM深度学习模型预测门诊流量，相比传统ARIMA模型提升了约15%的预测准确率，并模拟了AI实施对减少患者等待时间约30%及提高医生工作效率和满意度的效果 | 研究主要基于模拟数据，实际应用性可能受限，且存在数据隐私、法规合规性和医生接受度等关键问题 | 探索人工智能在中国门诊管理中的应用、潜在价值及挑战，以优化资源配置和患者体验 | 中国三级医院的门诊管理流程，包括门诊流量预测、患者等待时间及医生工作效率 | 机器学习 | NA | 模拟数据、医生调查 | LSTM, ARIMA | 模拟数据 | NA | NA | LSTM | 预测准确率 | NA |
| 3052 | 2026-01-24 |
Anatomical study and early diagnosis of dome galls in Cordia Dichotoma using DeepSVM model
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1558358
PMID:41561188
|
研究论文 | 本研究提出了一种基于DeepSVM混合架构的深度学习方法，用于早期检测Cordia dichotoma植物的圆顶瘿病害 | 通过将ResNet-50的最终sigmoid激活层替换为支持向量机（SVM）并应用L2正则化，提出了一种新型的DeepSVM混合架构，有效解决了传统CNN在真实环境数据上的过拟合和训练不稳定问题 | 研究仅针对Cordia dichotoma植物的圆顶瘿病害进行二元分类，模型在其他植物病害或更复杂分类任务上的泛化能力尚未验证 | 开发一种稳定且泛化能力强的深度学习模型，用于植物病害的早期自动检测，以支持精准农业 | Cordia dichotoma植物的叶片（健康叶片与患病叶片） | 计算机视觉 | 植物病害 | 图像采集与预处理 | CNN, SVM | 图像 | 总共4,300张叶片图像（3,900张用于训练，400张用于测试） | NA | ResNet-50, VGG-16, InceptionResNetv2, MobileNet-V2 | 准确率, F1分数 | NA |
| 3053 | 2026-01-24 |
A Transformers-based framework for refinement of genetic variants
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1694924
PMID:41561439
|
研究论文 | 本文提出了一种基于Transformer的框架，用于高通量测序数据中遗传变异的精准精炼与过滤 | 首次将Transformer的自注意力机制应用于遗传变异精炼任务，可直接处理VCF文件并与标准流程（如BCFTools、GATK4）无缝集成 | 模型仅在GIAB的HG003样本上进行训练，泛化能力有待在不同种群和测序平台数据上进一步验证 | 开发自动化遗传变异精炼框架以区分真实变异与技术假象 | 高通量测序数据中的遗传变异 | 机器学习 | NA | 高通量测序 | Transformer | VCF文件（变异调用格式） | 200万变异（来自GIAB v4.2.1样本HG003） | NA | Transformer | 准确率, ROC AUC | NA |
| 3054 | 2026-01-24 |
Neonatal supraventricular tachycardia: current diagnostic approaches and emerging technologies
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1694215
PMID:41561499
|
综述 | 本文综述了新生儿室上性心动过速（SVT）的当前诊断方法，并探讨了新兴技术（如深度学习算法、生物相容性可穿戴传感器和非接触式传感）在提升诊断能力方面的潜力 | 探讨了将深度学习算法、生物相容性可穿戴传感器和非接触式传感等新兴技术整合到新生儿SVT诊断中的潜力，以克服传统方法在信号质量和间歇性捕捉方面的限制 | 尽管AI模型在更广泛的儿科队列中报告了超过90%的诊断准确率，但针对新生儿群体的特异性验证仍是一个关键需求，且存在技术、监管和伦理方面的持续障碍 | 综述新生儿室上性心动过速（SVT）的诊断方法，并评估新兴技术如何改进诊断流程 | 新生儿室上性心动过速（SVT） | NA | 心血管疾病 | 12导联心电图（ECG）、动态监测、深度学习算法、生物相容性可穿戴传感器、非接触式传感 | 深度学习算法 | 心电图信号、传感器数据 | NA | NA | NA | 诊断准确率 | NA |
| 3055 | 2026-01-24 |
Enhancing learning outcomes through post-discussion homework: the role of collaboration and task type
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1666213
PMID:41561610
|
研究论文 | 本研究探讨了如何设计课后讨论作业以维持研讨会教学的包容性、协作性动态 | 通过2×2准实验设计，结合社会架构（协作vs个人作业）和任务类型（概念导向vs案例导向），系统分析了协作作业对学习成果的影响，并提出了基于证据的课后作业设计框架 | 样本量较小（36名研究生），且为特定教育环境下的研究，可能限制结果的普适性 | 研究课后讨论作业的设计如何促进持续、协作的学习循环 | 36名研究生 | 教育技术 | NA | 准实验设计 | NA | 作业表现评分、感知学习评分、开放式访谈文本 | 36名研究生 | NA | NA | 基于量表的作业表现评分、学生感知学习评分 | NA |
| 3056 | 2026-01-23 |
Dynamic graph neural network-based framework to increase detection accuracy in SDN under DDOS
2025-Dec-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32102-x
PMID:41461853
|
研究论文 | 提出一种基于动态图神经网络（DGNN）的创新框架GCTNetwork，用于实时检测软件定义网络（SDN）中的分布式拒绝服务（DDoS）攻击 | 首次将动态图神经网络（DGNN）应用于SDN环境中的DDoS攻击检测，通过Gated Convolutional Temporal（GCT）层进行节点-边缘特征集成分析，结合Edge-Aware LSTM进行时序依赖建模，并利用图注意力层（GAT）突出关键通信路径 | 未明确说明模型在不同规模或拓扑结构的SDN网络中的泛化能力，以及在实际部署中的计算开销和延迟表现 | 提高SDN网络中DDoS攻击的检测精度和实时性 | 软件定义网络（SDN）中的网络流量和攻击模式 | 机器学习 | NA | NA | 动态图神经网络（DGNN），LSTM，GAT | 网络流量数据（图结构数据） | 使用SDN数据集（具体数量未说明） | NA | GCTNetwork（包含Gated Convolutional Temporal层、Edge-Aware LSTM、Graph Attention Layer） | 准确率，F1分数，误报指数（FAI） | NA |
| 3057 | 2026-01-23 |
Prior knowledge-guided multimodal deep learning system for biomarker exploration and prognosis prediction of urothelial carcinoma
2025-Dec-26, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02232-7
PMID:41454198
|
研究论文 | 本研究开发了一个融合先验知识的多模态深度学习系统，用于尿路上皮癌的生物标志物探索和预后预测 | 首次将先验知识整合到多模态（组织病理学、放射学、结构化病理文本）深度学习系统中，用于尿路上皮癌的预后预测，并发现了与肌肉和肾实质浸润模式相关的新型预后生物标志物 | 未明确说明模型的可解释性细节或临床部署的可行性 | 开发一个准确预测尿路上皮癌预后的多模态人工智能系统 | 尿路上皮癌患者 | 数字病理学 | 尿路上皮癌 | 组织病理学成像、放射学成像、结构化病理文本分析 | 深度学习 | 图像、文本 | 多中心、大规模、多队列验证（具体数量未提供） | 未明确说明 | CTContextNet, MacroContextNet, IM-NCTNet | C-index | 未明确说明 |
| 3058 | 2026-01-23 |
Optimized federated learning framework with RegNetZ and Swin-Transformer for multimodal pancreatic cancer detection1
2025-Dec-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31967-2
PMID:41444372
|
研究论文 | 本研究提出了一种结合RegNetZ和Swin-Transformer的联邦学习框架，用于从多模态数据中实现胰腺癌的自动检测、亚型分类和预后预测 | 提出了一种新颖的联邦学习框架，集成了Swin-Transformer和轻量级RegNetZ，并引入了混合Aquila-灰狼优化器（HA-GWO）进行超参数调优，在保护隐私的同时实现了高性能 | 研究在5-7个模拟客户端机构上进行评估，需要在真实世界的多机构环境中进一步验证其可扩展性和鲁棒性 | 开发一个隐私保护、高精度的自动化系统，用于胰腺癌的早期检测、亚型分类和预后预测 | 胰腺癌患者的多模态医疗数据，包括CT、MRI、组织学、基因组和临床记录 | 数字病理学 | 胰腺癌 | 多模态数据融合，联邦学习 | CNN, Transformer | 图像, 文本, 基因组数据, 临床记录 | 在5-7个模拟客户端机构上进行评估，具体样本数量未明确说明 | PyTorch（推断，因提及Swin-Transformer和RegNetZ） | RegNetZ, Swin-Transformer | 准确率, 灵敏度, 精确率, AUC | 未明确指定，但提到框架具有较低的计算成本 |
| 3059 | 2026-01-23 |
Efficient multi-finger vein recognition using layer-wise progressive MobileNet fine-tuning and a Dense-Head Probabilistic Siamese Network
2025-Dec-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-32132-5
PMID:41413639
|
研究论文 | 本文提出了一种结合轻量级MobileNet特征提取器和新型Dense-Head Probabilistic Siamese匹配器的两阶段深度学习框架，用于高效多指静脉识别 | 首次实现多指静脉识别，用户可使用任意手指认证而不损失精度或速度；采用分层渐进式MobileNet微调平衡模型紧凑性与判别力；引入DHPS匹配器，用校准概率输出替代传统基于边界的损失函数 | 未明确提及 | 解决资源受限设备上部署指静脉识别系统时面临的高计算成本和单指注册僵化问题 | 指静脉生物特征 | 计算机视觉 | NA | 深度学习 | MobileNet, Siamese Network | 图像 | 三个公共指静脉数据集（FV-USM、UTFVP、VERA） | NA | MobileNet, Dense-Head Probabilistic Siamese Network | 等错误率, F1分数 | 嵌入式平台 |
| 3060 | 2026-01-23 |
A cone-beam photon-counting CT dataset for spectral image reconstruction and deep learning
2025-Dec-18, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-06246-4
PMID:41413072
|
研究论文 | 本文介绍了一个用于光谱图像重建和深度学习的锥束光子计数CT数据集 | 提供了首个公开可用的真实锥束光子计数CT数据集，包含原始多能量投影数据、系统参数和校准信息，填补了该领域数据稀缺的空白 | 数据集仅基于15个核桃样本采集，样本多样性有限，且使用自定义微PCCT系统，可能限制通用性 | 解决光子计数CT领域公开数据集稀缺的问题，促进光谱CT重建、材料分解和深度学习方法的公平可重复比较 | 核桃样本 | 计算机视觉 | NA | 锥束光子计数CT，双能量阈值扫描 | NA | 图像 | 15个核桃样本，共172,800张原始投影图像 | NA | NA | NA | NA |