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 2945 篇文献，本页显示第 2741 - 2760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2741 | 2026-01-03 |
Improving AlphaFold2- and AlphaFold3-Based Protein Complex Structure Prediction With MULTICOM4 in CASP16
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.26850
PMID:40452318
|
研究论文 | 本文介绍了MULTICOM4系统，通过整合AlphaFold2、AlphaFold3及内部技术，提升了蛋白质复合物结构预测的准确性，并在CASP16中进行了盲测评估 | 整合了基于Transformer的AlphaFold2和基于扩散模型的AlphaFold3，结合了蛋白质复合物化学计量比预测、多样化的多序列比对生成、建模异常处理以及基于深度学习的蛋白质模型质量评估等内部技术 | 未明确提及具体局限性 | 提高蛋白质复合物结构预测的准确性 | 多链蛋白质复合物（多聚体） | 机器学习 | NA | 多序列比对（MSA）、蛋白质模型质量评估 | Transformer, 扩散模型 | 蛋白质序列和结构数据 | NA | NA | AlphaFold2, AlphaFold3 | TM-score, DockQ score | NA |
| 2742 | 2026-01-03 |
Contrastive virtual staining enhances deep learning-based PDAC subtyping from H&E-stained tissue cores
2026-Jan, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.6491
PMID:41188199
|
研究论文 | 本研究提出了一种基于对比学习启发的CycleGAN框架，用于从H&E染色组织切片生成虚拟IHC图像，以增强胰腺导管腺癌（PDAC）亚型分型的准确性 | 引入了一种新颖的、利用对比学习启发的cycleGAN框架，并在源自连续组织切片的半配对数据集上进行训练，显著提升了基于合成IHC图像的PDAC亚型分型性能 | 未明确提及具体的研究局限性 | 开发一种虚拟染色方法，以替代传统劳动密集型的IHC染色，用于PDAC亚型分型，旨在简化诊断流程并提高其稳健性 | 胰腺导管腺癌（PDAC）组织 | 数字病理学 | 胰腺癌 | 虚拟染色，免疫组织化学（IHC）染色，苏木精和伊红（H&E）染色 | GAN | 图像 | NA | CycleGAN | CycleGAN | F1分数 | NA |
| 2743 | 2026-01-03 |
Deep learning identifies TP-41 for methylglyoxal scavenging in Alzheimer's treatment
2026, Theranostics
IF:12.4Q1
DOI:10.7150/thno.111550
PMID:41355970
|
研究论文 | 本研究开发了一种名为DeepMGO的深度学习模型，用于预测化合物的甲基乙二醛清除活性，并成功鉴定出候选化合物TP-41，在小鼠模型中验证了其对阿尔茨海默病相关症状的改善作用 | 首次利用深度学习技术针对甲基乙二醛清除剂进行阿尔茨海默病治疗药物的开发 | 研究仅在小鼠模型中进行验证，尚未进行人体临床试验 | 开发深度学习模型以识别具有甲基乙二醛清除活性的化合物，用于阿尔茨海默病治疗 | 甲基乙二醛清除活性化合物 | 机器学习 | 阿尔茨海默病 | 深度学习 | 深度学习模型 | 化学活性数据 | 660个化合物的2,262个甲基乙二醛清除活性测定数据 | NA | DeepMGO | 预测性能 | NA |
| 2744 | 2026-01-03 |
DeepLuAd: Semantic-guided virtual histopathology of lung adenocarcinoma via stimulated Raman scattering
2026, Theranostics
IF:12.4Q1
DOI:10.7150/thno.125443
PMID:41424851
|
研究论文 | 本文开发了一个名为DeepLuAd的AI平台，结合无标记刺激拉曼散射显微镜和语义引导深度学习，用于肺腺癌的自动分级、分割、细胞水平形态化学量化及无监督虚拟H&E染色 | 通过整合无标记刺激拉曼散射显微镜与语义引导深度学习，实现了肺腺癌组织亚型的形态与生化信息统一分析，无需染色即可进行虚拟H&E染色和定量生化映射 | 与病理学家诊断的一致性率为76.2%（16/21例），样本量较小，可能限制统计普适性 | 开发一个AI平台以改进肺腺癌的组织学分级和分析，统一形态和生化信息 | 肺腺癌组织样本 | 数字病理学 | 肺腺癌 | 刺激拉曼散射显微镜 | 深度学习 | 显微镜图像 | 21例肺腺癌病例 | NA | NA | 平均交并比, 分级一致性率 | NA |
| 2745 | 2026-01-03 |
Modeling Protein-Protein and Protein-Ligand Interactions by the ClusPro Team in CASP16
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.70066
PMID:41115690
|
研究论文 | 本文介绍了在CASP16实验中，团队采用混合计算策略预测蛋白质-蛋白质和蛋白质-配体复合物结构的方法 | 结合基于物理的采样（如ClusPro FFT对接和分子动力学）与基于AlphaFold的采样和精修，以及将模板方法与机器学习置信度模型集成用于蛋白质-配体对接 | NA | 提高蛋白质-蛋白质和蛋白质-配体复合物结构预测的准确性 | 蛋白质-蛋白质和蛋白质-配体复合物 | 计算生物学 | NA | 蛋白质对接、分子动力学、深度学习 | AlphaFold, 机器学习置信度模型, 扩散模型 | 蛋白质结构数据 | 233个目标蛋白质-配体复合物 | NA | AlphaFold, ClusPro FFT | lDDT-PLI | NA |
| 2746 | 2026-01-03 |
DL-QC-fNIRS: a deep learning tool for automated quality control in functional near-infrared spectroscopy signals
2026-Jan, Neurophotonics
IF:4.8Q1
DOI:10.1117/1.NPh.13.1.015001
PMID:41472700
|
研究论文 | 本文提出了一种基于深度学习的自动化工具DL-QC-fNIRS，用于功能近红外光谱信号的通道级质量控制 | 利用连续小波变换时频谱图和受试者特异性心搏频率提取来提高生理特异性，并首次在fNIRS领域应用CNN进行自动化信号质量评估 | 研究依赖于特定数据集，且工具基于MATLAB平台，可能限制其在其他编程环境中的集成 | 开发一个自动化、标准化的工具来提升功能近红外光谱信号的质量控制流程 | 功能近红外光谱信号 | 机器学习 | NA | 功能近红外光谱 | CNN | 图像 | 两个独立数据集和一个组合异质数据集 | NA | GoogLeNet, ResNet-50, SqueezeNet, EfficientNet-B0 | 准确率, F1分数, 灵敏度, 特异性 | NA |
| 2747 | 2026-01-03 |
Deep Learning in Modeling Tools for Structural Insights into Protein-RNA Complexes, Bridging Computational and Spectroscopic Approaches
2026, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-5084-4_17
PMID:41478913
|
综述 | 本章探讨了深度学习模型（特别是AlphaFold3）在蛋白质-RNA复合物结构建模中的应用，及其与光谱学方法的协同整合 | 阐述了AlphaFold3在建模蛋白质、核酸及其复合物方面达到的突破性精度，并重点介绍了其如何变革结构生物学中光谱技术的应用方式，通过计算模型与实验数据的相互验证与改进，形成强大的协同效应 | 对于长链或柔性RNA的建模精度较低，训练数据集中对多样化RNA家族的覆盖不足，且预测结果呈静态特性，未能充分考虑构象异质性 | 旨在弥合已知序列数量与实验解析结构数量之间的巨大差距，加速对蛋白质-RNA复合物的结构解析 | 蛋白质-RNA复合物 | 计算生物学 | NA | 深度学习建模，光谱学方法 | 深度学习模型 | 蛋白质与RNA序列数据，结构数据，光谱数据 | NA | NA | AlphaFold3 | 建模精度 | NA |
| 2748 | 2026-01-02 |
MRI segmentation of head and neck tumors using hybrid attention mechanism and dense dilated spatial pyramid pooling
2026-Jan, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70426
PMID:41459735
|
研究论文 | 本研究提出了一种改进的SCDU-Net模型，通过结合空间-通道注意力机制和密集扩张空间金字塔池化技术，用于头颈部肿瘤的MRI图像分割 | 模型集成了空间-通道双重注意力模块和密集连接的扩张空间金字塔池化模块，以增强关键肿瘤特征表达、捕获长距离空间依赖并提升多尺度上下文建模能力 | NA | 提升头颈部肿瘤MRI图像的分割准确性和鲁棒性，以支持放疗中的精确靶区勾画 | 头颈部肿瘤的MRI图像 | 计算机视觉 | 头颈癌 | MRI | CNN | 图像 | NA | NA | SCDU-Net, U-Net | NA | NA |
| 2749 | 2026-01-02 |
A deep-learning framework for the prediction of the type of adaptive strategy of MR-guided prostate radiotherapy
2026-Jan, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70395
PMID:41459741
|
研究论文 | 本研究开发了一种基于深度学习的框架，用于预测MR引导前列腺放疗中的自适应策略类型 | 提出了一种多阶段网络方法，结合深度学习图像配准和策略预测，实现了快速准确的自适应策略选择，相比现有方法效率提升5倍 | 研究为回顾性分析，样本量较小（36名患者），且未在外部数据集上进行验证 | 开发深度学习模型以快速准确预测MR引导自适应放疗中的自适应策略类型 | 前列腺癌患者 | 数字病理 | 前列腺癌 | MR-guided adaptive radiotherapy (MRgART) | 深度学习模型 | 医学图像 | 36名前列腺癌患者的180个治疗分次 | NA | 多阶段网络方法（包含DLIR网络和DLSP模型） | AUC, 准确率, 敏感性, 特异性 | NA |
| 2750 | 2026-01-01 |
GastroNet-5M: A Multicenter Dataset for Developing Foundation Models in Gastrointestinal Endoscopy
2026-Jan, Gastroenterology
IF:25.7Q1
DOI:10.1053/j.gastro.2025.07.030
PMID:40749857
|
研究论文 | 本研究介绍了GastroNet-5M数据集，包含约500万张内窥镜图像，用于开发胃肠道内窥镜基础模型 | 提出了一个大规模、多中心的内窥镜图像数据集，并基于此通过自监督学习开发了基础模型，该模型在多种下游AI应用中表现出优越性能 | 数据集主要来自荷兰的8家医院，可能在地域和人群多样性上存在限制 | 开发用于胃肠道内窥镜的基础模型，以提升AI系统的诊断准确性、数据效率和鲁棒性 | 胃肠道内窥镜图像 | 数字病理学 | 胃肠道疾病 | 自监督学习 | 基础模型 | 图像 | 4,820,653张内窥镜图像，来自约500,000次检查 | NA | NA | 分类准确率, 分割准确率, 数据效率, 鲁棒性 | NA |
| 2751 | 2025-12-31 |
GONet: A Generalizable Deep Learning Model for Glaucoma Detection
2026-Jan, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3576688
PMID:40465450
|
研究论文 | 本文提出了一种名为GONet的通用深度学习模型，用于从彩色眼底照片中检测青光眼性视神经病变，旨在提高跨种族、疾病组和检查设置的泛化能力 | GONet采用基于DINOv2预训练的自监督视觉变换器，并结合多源域策略进行微调，利用七个独立数据集（超过119,000张彩色眼底照片）开发，展示了出色的分布外泛化性能 | 模型性能可能受数据集多样性和标注质量限制，且未详细讨论在资源有限环境中的部署挑战 | 开发一个泛化性强、自动化的深度学习模型，用于早期检测青光眼性视神经病变，以减少对专科医生耗时检查的依赖 | 彩色眼底照片（CFP），来自不同地理背景的患者，包括新贡献的747张带GON标签的开放访问数据集 | 计算机视觉 | 青光眼 | 彩色眼底摄影 | 视觉变换器（Vision Transformer） | 图像 | 超过119,000张彩色眼底照片，来自七个独立数据集，包括新贡献的747张开放访问图像 | PyTorch（基于DINOv2实现） | DINOv2预训练的视觉变换器 | AUC | NA |
| 2752 | 2025-12-31 |
Accurate Biomolecular Structure Prediction in CASP16 With Optimized Inputs to State-Of-The-Art Predictors
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.70030
PMID:40762404
|
研究论文 | 本文介绍了在CASP16实验中，通过优化输入信息，利用先进深度学习算法在蛋白质结构预测方面取得的成果 | 通过去除内在无序区域优化蛋白质序列输入，以及优化RNA二级结构输入，提升了结构预测的准确性 | 蛋白质多聚体的高质量预测比例低于25%，RNA结构预测仍具挑战性 | 提高生物分子结构预测的准确性 | 蛋白质结构域、蛋白质多聚体和RNA单体 | 机器学习 | NA | NA | 深度学习 | 序列数据 | NA | NA | AlphaFold2, AlphaFold3, trRosettaX2, trRosettaRNA2 | NA | NA |
| 2753 | 2025-12-31 |
Gait-to-Contact (G2C): A Novel Deep Learning Framework to Predict Total Knee Replacement Wear from Gait Patterns
2026-Jan, Annals of biomedical engineering
IF:3.0Q3
DOI:10.1007/s10439-025-03863-3
PMID:41015655
|
研究论文 | 本研究提出了一种名为Gait-to-Contact (G2C)的新型深度学习框架，用于从步态模式预测全膝关节置换术的磨损情况 | 提出了一种基于Transformer-CNN编码器-解码器架构的深度学习替代模型，显著降低了传统有限元分析的计算成本和时间 | 当前研究基于模拟数据，尚未应用于临床患者数据 | 开发一种高效的计算模型来预测全膝关节置换术的磨损分布 | 全膝关节置换术的聚乙烯衬垫线性磨损分布 | 机器学习 | 骨科疾病 | 有限元分析，深度学习 | 深度学习模型 | 时间序列数据（步态模式） | 314个ISO14243-3（2014）标准变体的步态时间序列 | NA | Transformer-CNN编码器-解码器架构 | 平均绝对百分比误差，结构相似性指数，归一化互信息 | NA |
| 2754 | 2025-12-31 |
AI-Based Identification of Head Impact Locations, Speeds, and Force Based on Head Kinematics Simulations
2026-Jan, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3581171
PMID:40536866
|
研究论文 | 本研究提出了一种基于深度学习的模型，用于从头戴式头盔撞击时的头部运动学数据中准确预测撞击方向、速度和力等关键参数 | 利用LSTM网络处理头部运动学数据，首次实现了从头戴式头盔撞击模拟中预测撞击方向、速度和力分布，并在现场数据验证中显著优于现有方法 | 模型主要基于模拟数据集开发，未来需要在更多头盔类型和运动场景的大型体内数据集上进行验证，以确认其准确性 | 开发一种能够从头戴式头盔撞击的头部运动学数据中准确预测关键撞击参数（如方向、速度和力）的深度学习模型，以改进头盔设计和运动安全 | 头盔撞击下的头部运动学数据（线性加速度和角速度），用于预测撞击方向、速度和力分布 | 机器学习 | NA | 有限元模拟，深度学习建模 | LSTM | 时间序列数据（头部运动学） | 模拟数据集：16,000次头盔撞击模拟；现场数据集：79次可清晰识别撞击位置的头部撞击 | NA | LSTM | R², 准确率 | NA |
| 2755 | 2025-12-31 |
From Frequency to Temporal: Three Simple Steps Achieve Lightweight High-Performance Motor Imagery Decoding
2026-Jan, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3579528
PMID:40536865
|
研究论文 | 本研究提出了一种基于脑电图（EEG）的轻量级高性能运动想象解码方法，通过三个简单步骤显著提升解码精度并降低计算复杂度 | 从频率域分析出发，结合脑科学先验知识调整模型结构，引入残差网络保留高频细节特征，并使用时序卷积模块深度捕获时间依赖性 | 未明确说明方法在其他EEG数据集或实际应用场景中的泛化能力 | 开发轻量级高性能的脑电图运动想象解码模型 | 基于脑电图（EEG）的运动想象信号 | 机器学习 | NA | 脑电图（EEG） | CNN | 时间序列数据（脑电信号） | BCI Competition IV 2a数据集（22通道）和2b数据集（3通道） | 未明确说明 | EEGNet, 残差网络, 时序卷积模块 | 分类准确率 | 未明确说明 |
| 2756 | 2025-12-31 |
Enhancing RNA 3D Structure Prediction: A Hybrid Approach Combining Expert Knowledge and Computational Tools in CASP16
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.70034
PMID:40778521
|
研究论文 | 本文介绍了一种结合专家知识与计算工具的混合方法，用于在CASP16挑战中增强RNA三维结构预测 | 采用模块化工作流整合模板建模与从头预测，并融入实验约束和迭代优化，在CASP16中取得第二名 | 在预测复杂拓扑结构（如假结和共轴堆积）方面仍面临挑战 | 提高RNA三维结构预测的准确性和适用性 | RNA分子及其三维结构 | 计算生物学 | NA | 模板建模、从头预测、深度学习 | AlphaFold3, DeepFoldRNA | RNA序列、三维结构数据 | CASP16挑战中的多个RNA靶标，包括短于200个核苷酸的目标 | NA | NA | 均方根偏差（RMSD）, Z-score | NA |
| 2757 | 2025-12-31 |
Machine Learning in Tuberculosis Research: A Global Bibliometric Analysis of Diagnostic, Prognostic, and Drug Discovery Trends
2026-Jan, Therapeutic innovation & regulatory science
IF:2.0Q3
DOI:10.1007/s43441-025-00866-z
PMID:40841498
|
综述 | 本文对机器学习在结核病研究中的全球文献进行了全面的计量分析，重点关注诊断、预后和药物发现趋势 | 通过系统的文献计量分析，揭示了机器学习在结核病研究领域的快速增长趋势、国际合作网络及主要研究主题聚类，为未来AI驱动的结核病治疗策略提供指导 | 分析仅基于Scopus数据库的英文文献，可能未涵盖所有相关研究，且文献计量方法本身存在一定局限性 | 评估机器学习在结核病研究中的应用趋势，以指导未来的治疗策略和监管科学 | 全球范围内关于机器学习与结核病（MLTB）的数据驱动出版物 | 机器学习 | 结核病 | 文献计量分析 | NA | 文献数据 | 通过Scopus数据库检索至2024年5月1日的相关出版物 | Biblioshiny, VOSviewer | NA | 平均引用次数（21.64），国际合作比例（40.11%），年增长率（22.12%） | NA |
| 2758 | 2025-12-31 |
The Role of Artificial Intelligence in Interventional Pulmonology
2026-Jan-01, Journal of bronchology & interventional pulmonology
IF:3.3Q2
DOI:10.1097/LBR.0000000000001051
PMID:41468029
|
综述 | 本文综述了人工智能在介入肺病学中如何通过提升诊断、手术精度和患者预后，革新该领域 | 全面总结了AI在介入肺病学多个关键应用中的创新作用，包括肺结节检测、风险分层、机器人辅助支气管镜导航、淋巴结恶性评估以及慢性阻塞性肺疾病表型分析 | 未提及具体研究数据或模型性能的局限性，主要聚焦于应用潜力和未来挑战 | 探讨人工智能在介入肺病学领域的应用、影响及未来发展方向 | 介入肺病学中的诊断工具、手术程序、患者选择及医学教育 | 医学人工智能 | 肺癌, 慢性阻塞性肺疾病 | 机器学习, 深度学习, 影像组学, 机器人辅助支气管镜, 支气管内超声, 细胞病理学 | 深度学习模型, 机器学习算法 | 影像数据, CT成像, 肺活量测定数据 | NA | NA | NA | NA | NA |
| 2759 | 2025-12-29 |
Effective transfer of tumor annotations from hematoxylin and eosin to fluorescence images of breast and lung tissues
2026-Jan, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.31.1.016501
PMID:41451238
|
研究论文 | 本文提出了一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到荧光图像中，以支持深度学习模型开发 | 开发了一种结合非刚性图像配准、轮廓提取与细化的半自动注释转移方法，用于从H&E到荧光图像的准确标注迁移 | 该方法不适用于术中实时使用，仅用于辅助创建标注数据集；样本量相对较小（35个组织样本） | 开发一种半自动方法，实现从H&E图像到荧光图像的肿瘤注释准确转移，以促进深度学习模型的训练数据生成 | 乳腺癌和肺癌组织样本的H&E图像与MUSE荧光图像对 | 数字病理学 | 乳腺癌,肺癌 | 显微镜紫外表面激发成像 | CNN | 图像 | 35个乳腺癌和肺癌组织样本 | NA | NA | Dice系数,基于CNN的特征相似度,归一化Hausdorff距离 | NA |
| 2760 | 2025-12-29 |
Global and local information-based prostate image registration of prostate-specific membrane antigen PET/CT and enhanced MRI
2026-Jan, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70232
PMID:41454834
|
研究论文 | 本研究提出了一种基于全局和局部信息的深度学习网络GLNet，用于融合PSMA PET/CT和增强MRI图像，以提高前列腺癌的诊断准确性 | 提出了GLNet网络，该网络结合了语义门控卷积模块和基于U形通道的卷积长短期记忆网络，以整合PSMA PET/CT的功能语义特征和MRI的高分辨率软组织细节，从而同时利用全局腺体信息和局部肿瘤区域信息进行图像配准 | 研究样本量相对较小（77例临床病例），且依赖于临床活检验证，可能限制了模型的泛化能力 | 提高前列腺癌病灶的诊断准确性，通过精确融合PSMA PET/CT和增强MRI这两种互补的影像数据 | 前列腺癌患者的PSMA PET/CT和对比增强MRI图像 | 数字病理 | 前列腺癌 | PSMA PET/CT，对比增强MRI | 深度学习网络 | 医学影像（PET/CT，MRI） | 77例临床病例（经两位经验丰富的医师通过临床活检验证），数据增强后用于训练和验证244例，测试64例 | NA | U-CLSTM，包含语义门控卷积模块 | Dice相似系数，HD95，平均对称表面距离，负雅可比比例，精确率，召回率，F1分数 | NA |